CN111292228B - 镜头缺陷检测方法 - Google Patents

镜头缺陷检测方法 Download PDF

Info

Publication number
CN111292228B
CN111292228B CN202010048339.4A CN202010048339A CN111292228B CN 111292228 B CN111292228 B CN 111292228B CN 202010048339 A CN202010048339 A CN 202010048339A CN 111292228 B CN111292228 B CN 111292228B
Authority
CN
China
Prior art keywords
picture
defect
lens
detection
defects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010048339.4A
Other languages
English (en)
Other versions
CN111292228A (zh
Inventor
诸庆
吴林哲
李小明
涂裕如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Sunny Instruments Co Ltd
Original Assignee
Ningbo Sunny Instruments Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningbo Sunny Instruments Co Ltd filed Critical Ningbo Sunny Instruments Co Ltd
Priority to CN202010048339.4A priority Critical patent/CN111292228B/zh
Publication of CN111292228A publication Critical patent/CN111292228A/zh
Application granted granted Critical
Publication of CN111292228B publication Critical patent/CN111292228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明涉及一种镜头缺陷检测方法，包括：S1、对镜头的端面、凸台进行缺陷检测；S2、对镜头内部结构进行缺陷检测；S3、对镜头上表面和下表面进行缺陷检测。本发明的镜头缺陷检测方法，能够对镜头进行全面的检测，包括对镜头端面和凸台的缺陷检测、对镜、内片区域内尘脏、脱模、毛丝等缺陷检测、对镜片、胶水、镜筒伤的检测和对镜头上表面和下表面的检测。并且检测方法具有高精度、高效率的优点。

Description

镜头缺陷检测方法
技术领域
本发明属于机器视觉技术领域，尤其涉及一种用于手机镜头的镜头缺陷检测方法。
背景技术
手机镜头是手机摄像模组的关键部件，为保证手机镜头的成像质量，需要对其内外部进行各个角度、各种缺陷的检测。
对于手机镜头的缺陷检测，目前无法进行全面有效的检测。通常还是依赖于人工借助显微镜的方式进行检测，此检测方法存在以下缺点：
1、人工检测劳动强度大，效率低；
2、人工检测标准主要依靠感官判断，人员之间的标准差异大；
3、镜头的结构复杂，人工极容易出现漏检。
随时技术的发展，也出现了采用固定式或动态阈值分割方式进行检测的算法，但此方法同样存在缺陷：
1、镜头镜片区域结构纹理复杂，单一的阈值方法不能区分缺陷和产品本身结构；
2、镜头的端面、凸台区域，存在大量的纹理干扰，现有的阈值方法难以进行有效分割缺陷；
3、现有方法采用定焦采图的方式，获得的缺陷尺寸不准确，导致漏检率难以控制。
发明内容
本发明的目的在于提供一种高精度、高效率、检测全面的镜头缺陷检测方法。
为实现上述目的，本发明提供一种镜头缺陷检测方法，包括：
S1、对镜头的端面、凸台进行缺陷检测；
S2、对镜头内部结构进行缺陷检测；
S3、对镜头上表面和下表面进行缺陷检测。
根据本发明的一个方面，所述步骤S1包括：
所述步骤S1包括：
S11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片，并进行匹配定位；
S12、对所述凸台图片进行仿射变换后与端面图片对齐；
S13、根据自定义的核提取所述端面图片的高频分量；
S14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片；
S15、依照所述融合图片进行缺陷检测。
根据本发明的一个方面，在所述S11中，对所述端面和凸台按照如下公式的模板匹配获得R(x,y)值最大时得到两组值(x1,y1,phi1；x2,y2,phi2)分别代表定位的x坐标、y坐标和角度：
根据本发明的一个方面，所述步骤S14包括：所述步骤S14包括：按照imageMerge1＝k1*image1+k2*image2+b对所述凸台图片和端面图片进行融合，再按照imageMerge2＝a*imageMerge1+b获得最终的融合图片；
其中imageMerge1表示初步融合图片，imageMerge2表示融合图片，k1代表image1的权重系数，k2代表image2的权重系数，a表示拉伸系数，b表示拉伸偏移；image1表示凸台图片，image2表示端面图片。
根据本发明的一个方面，所述步骤S2包括：
S21、利用层拍相机沿Z轴方向对镜头内部进行层拍获得多张图片，并按照顺序等分为多组；
S22、对每一组图片进行缺陷分割和识别，将符合缺陷标准的所有缺陷放入到缺陷容器中；
S23、在所述缺陷容器中，通过比较缺陷中心距离偏差值将同一位置处的缺陷筛选出来；
S24、根据清晰度算法筛选出同一位置处表现最为清晰的缺陷，按照此缺陷判断其尺寸是否为缺陷产品。
根据本发明的一个方面，在所述步骤S24中：
将同一位置处的缺陷筛选出来后，利用设定大小的矩形核膨胀得到比实际缺陷略大的ROI区域，提炼出所述ROI区域大小的原图；
根据公式：C＝∑δδ(i,j)2Pδ(i,j)计算出所述ROI区域图像的对比度，筛选出同一位置处对比度最大的缺陷作为表现最清晰的缺陷；
其中δ(i，j)＝|i-j|表示相邻像素间灰度差，Pδ(i，j)表示相邻像素间的灰度差值为δ的像素分布概率。
根据本发明的一个方面，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，则计算每张图片缺陷区域的平均灰度，筛选具有最高平均灰度值的缺陷作为表现最清晰的缺陷。
根据本发明的一个方面，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤S22包括：
将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；
将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；
将符合缺陷标准的所有缺陷放入到缺陷容器中。
根据本发明的一个方面，所述步骤S3包括：
S31、通过旋转光源获得多张图片，将每张图片的镜片区域减去屏蔽区域获得每一张图片的检测区域；
S32、将多张图片的所有检测区域进行最大值法融合为一张用于缺陷表达图片作为检测图片；
S33、对所述检测图片进行分割，筛选出同一位置处的最大缺陷判断产品是否合格。
根据本发明的一个方面，在所述步骤S33中，对所述检测图片进行分割的方法包括全局阈值分割方法、动态阈值分割方法或均值阈值分割方法。
本发明的镜头缺陷检测方法，能够对镜头进行全面的检测，包括对镜头端面和凸台的缺陷检测、对镜片区域内尘、内脏、脱模、毛丝等缺陷检测、对镜片、胶水、镜筒伤的检测和对镜头上表面和下表面的检测。并且检测方法具有高精度、高效率的优点。
本发明对于镜头内部结构的检测方法，提高了断层扫描图像缺陷搜索的准确度与精度。不会因为搜索到非对焦缺陷，导致算法误检。且对点子等检测精度，由原来相差±10um，提高到了±5um以内。
本发明对于镜头端面和凸台的检测方法，针对端面与凸台检测的耗时，由原两张图片分别导入显卡中进行GPU运算深度学习模型，现在仅需要导入一张图片进行深度学习运算极大的降低了GPU运算的消耗，计算耗时由原1600ms，下降至900ms左右，极大的提升了效率。
本发明对于镜头上下表面的检测，通过镜片区域减去屏蔽区域获得有效检测区域，并将多张图片的有效检测区域进行融合，进行一次缺陷检测，有效提升了检测结果的准确性。
附图说明
图1示意性表示根据本发明的镜头缺陷检测方法的流程图；
图2示意性表示根据本发明的对镜头端面和凸台进行检测的方法流程图；
图3示意性表示根据本发明的镜头端面示图；
图4示意性表示根据本发明的镜头的凸台示图；
图5示意性表示根据本发明的端面图片和凸台图片融合后的融合图片；
图6示意性表示根据本发明的镜头内部结构检测的流程图；
图7示意性表示根据本发明层拍图像的第一层图像中的缺陷示图；
图8示意性表示根据本发明层拍图像的第50层图像中的缺陷示图；
图9示意性表示根据本发明的非球面镜片检测区域分割流程示图；
图10示意性表示根据本发明的非球面镜片检测区域分割示图；
图11示意性表示根据本发明对镜头上表面和下表面检测流程示图；
图12示意性表示根据本发明一种实施方式的旋转拍摄定位示图；
图13示意性表示根据本发明一种实施方式的旋转拍摄的多张图片；
图14示意性表示图片中的屏蔽区域；
图15示意性表示多张图片中所有检测区域融合的检测图片。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
如图1所示，本发明的镜头缺陷检测方法包括S1、对镜头的端面、凸台进行缺陷检测；S2、对镜头内部结构进行缺陷检测；S3、对镜头上表面和下表面进行缺陷检测。根据本发明的构思，本发明的检测方法在实际操作中，检测方法的步骤S1、步骤S2和步骤S3是可以任意调换的，并且，每经过一个步骤，需要判定产品是否为合格产品，再进行下一步检测。例如，可以先对镜头的端面、凸台进行缺陷检测，若检索结果判定产品为合格产品，则进行产品下料，重选换下一个产品进行检测。若检测产品为合格产品，则进行下一步骤例如S3进行检测。
本发明的镜头缺陷检测方法，能够对镜头进行全面的检测，包括对镜头端面和凸台的缺陷检测、对镜片区域内尘、内脏、脱模、毛丝等缺陷检测、对镜片、胶水、镜筒伤的检测和对镜头上表面和下表面的检测。并且检测方法具有高精度、高效率的优点。
以下对本发明的镜头缺陷检测方法进行详细说明：
结合图2-图5所示，本发明的镜头缺陷方法中，对镜头端面和凸台的检测包括以下步骤：S11、在镜头的端面或凸台上制作模板图像获得端面图片和凸台图片，并进行匹配定位；S12、对凸台图片进行仿射变换后与端面图片对齐；S13、根据自定义的核提取端面图片的高频分量；S14、利用加权平均值算法叠加端面图片和凸台图片获得融合图片；S15、依照融合图片进行缺陷检测。
因为手机镜头的端面区域和凸台区域存在一定的高度差，现有技术中需要拍摄两张图像并进行两次算法检测，导致检测速度慢、CPU负载高。而本发明的端面和凸台检测方法有效地解决了这一问题，具体来说，根据本发明的一种实施方式，本发明的端面和凸台检测方法需要对端面和凸台按照如下公式的模板匹配获得R(x,y)值最大时得到两组值(x1,y1,phi1；x2,y2,phi2)分别代表定位的x坐标、y坐标和角度：
之后对凸台图片进行仿射变换后与端面图片对齐，接着利用自定义的核7*7，进行图像卷积运算提取端面图片高频分量：
再利用加权平均值算法，按照imageMerge1＝k1*image1+k2*image2+b对凸台图片和端面图片进行融合，最后按照imageMerge2＝a*imageMerge1+b获得最终的融合图片，根据融合照片进行缺陷检测。其中imageMerge1表示初步融合图片，imageMerge2表示融合图片，a表示拉伸系数，b表示拉伸偏移；image1表示凸台图片，image2表示端面图片,k1表示凸台权重系数，k2表示端面权重系数。
结合图1和图6所示，本发明的步骤S2包括：S21、利用层拍相机沿Z轴方向对镜头内部进行层拍获得多张图片，并按照顺序等分为多组；S22、对每一组图片进行缺陷分割和识别，将符合缺陷标准的所有缺陷放入到缺陷容器中；S23、在缺陷容器中，通过比较缺陷中心距离偏差值将同一位置处的缺陷筛选出来；S24、根据清晰度算法筛选出同一位置处表现最为清晰的缺陷，按照此缺陷判断其尺寸是否为缺陷产品。
本发明对于镜头内部缺陷的检测方法是基于局部清晰度的计算方法，结合图7和图8所示，由于同一缺陷在不同层图片中(例如图7位中第一层图片中的缺陷明显大于图8中第50层图片中的缺陷，当时两图片中的缺陷是位于同一位置的)表现出的缺陷大小存在差异，因此首先要找到同一位置处的表现最为清晰的缺陷作为此位置处的缺陷进行缺陷判断。
具体来说，根据本发明的一种实施方式，首先在步骤S21中，利用层拍相机沿Z轴方向对镜头内部进行层拍获得50张图片，将50张图片按照顺序每5张分为一组，共分为10组。然后对每一组图片进行缺陷分割和识别，将符合缺陷标准的所有缺陷放入到缺陷容器中。接着将位于同一位置处的多个缺陷筛选出来，筛选方法是通过在同一位置处计算缺陷中心距离偏差值，保留偏差值小于设定距离阈值的所有缺陷作为该位置不同层的缺陷。
将同一位置处的缺陷筛选出来后，利用设定大小的矩形核膨胀得到比实际缺陷略大的ROI区域，在本实施方式中，矩形核的大小为5*5，然后提炼出所述ROI区域大小的原图，根据公式：C＝∑δδ(i,j)2Pδ(i,j)计算出ROI区域图像的对比度，筛选出同一位置处对比度最大的缺陷作为表现最清晰的缺陷，按照此缺陷的尺寸大小进行判断此位置的缺陷是否合格产品的要求。其中δ(i，j)＝|i-j|表示相邻像素间灰度差，Pδ(i，j)表示相邻像素间的灰度差值为δ的像素分布概率。
此外，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，即存在缺陷的多张图片的对比度较为接近，则计算每张图片缺陷区域的平均灰度，筛选具有最高平均灰度值的缺陷作为表现最清晰的缺陷。
本发明的镜头缺陷检测方法，若所检测的镜片检测区域为非球面镜片检测区域时，步骤S22包括：将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；将符合缺陷标准的所有缺陷放入到缺陷容器中。
如图9所示，根据本发明的一种实施和方式，对非球面镜片检测区域检测时，首先沿Z轴层拍50张图片，然后将50张图片按照顺序每5张分为一组，共分为10组。然后对每一组图片进行圆环分割，分割多个圆环区域，针对不同的圆环区域可采用不同的方法给予相对应的参数进行缺陷分割，最后将所有符合缺陷标准的缺陷放入到缺陷容器中。如10所示左图为原图经过圆环映射后的图，右图为根据不同算法不同参数所分割出的结果示意图，针对不同的圆环给予不同的参数管控和检测方法,能够有效的控制过漏检测。
结合图1和图11所示，本发明的步骤S3包括：S31、通过旋转光源获得多张图片，将每张图片的镜片区域减去屏蔽区域获得每一张图片的检测区域；S32、将多张图片的所有检测区域进行最大值法融合为一张用于表达缺陷图标作为检测图片；S33、对检测图片进行分割，筛选出同一位置处的最大缺陷判断产品是否合格。其中在步骤S33中，对检测图片进行分割的方法包括、全局阈值分割方法、动态阈值分割方法或均值阈值分割方法。
结合图12-图15所示，根据本发明的一种实施方式，在步骤S3中，首先获得9张不同角度的图片，对第0幅图片进行镜片区域定位，然后对剩余8张图片的镜片区域进行主动区域屏蔽，分别获得每一张图片的检测区域，即通过镜片区域减去屏蔽区域的方式获得每一种图片的检测区域，然后所有检测区域进行最大值法融合为一张检测图片，进行全局阈值分割方法、动态阈值分割方法或均值阈值分割方法进行分割，对于不同张图片同一位置处的缺陷选取面积最大的缺陷作为该位置的缺陷，判断产品是否合格。
本发明对于镜头内部结构的检测方法，提高了断层扫描图像缺陷搜索的准确度与精度。不会因为搜索到非对焦缺陷，导致算法误检。且对点子等检测精度，由原来相差±10um，提高到了±5um以内。
本发明对于镜头端面和凸台的检测方法，针对端面与凸台检测的耗时，由原两张图片分别导入显卡中进行GPU运算深度学习模型，现在仅需要导入一张图片进行深度学习运算极大的降低了GPU运算的消耗，计算耗时由原1600ms，下降至900ms左右，极大的提升了效率。
本发明对于镜头上下表面的检测，通过镜片区域减去屏蔽区域获得有效检测区域，并将多张图片的有效检测区域进行融合，进行一次缺陷检测，有效提升了检测结果的准确性。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种镜头缺陷检测方法，包括：
S1、对镜头的端面、凸台进行缺陷检测；
S2、对镜头内部结构进行缺陷检测；
S3、对镜头上表面和下表面进行缺陷检测；
所述步骤S1包括：
S11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片，并进行匹配定位；
S12、对所述凸台图片进行仿射变换后与端面图片对齐；
S13、根据自定义的核提取所述端面图片的高频分量；
S14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片；
S15、依照所述融合图片进行缺陷检测
所述步骤S2包括：
S21、利用层拍相机沿Z轴方向对镜头内部进行层拍获得多张图片，并按照顺序等分为多组；
S22、对每一组图片进行缺陷分割和识别，将符合缺陷标准的所有缺陷放入到缺陷容器中；
S23、在所述缺陷容器中，通过比较缺陷中心距离偏差值将同一位置处的缺陷筛选出来；
S24、根据清晰度算法筛选出同一位置处表现最为清晰的缺陷，按照此缺陷判断其尺寸是否为缺陷产品；
所述步骤S3包括：
S31、通过旋转光源获得多张图片，将每张图片的镜片区域减去屏蔽区域获得每一张图片的检测区域；
S32、将多张图片的所有检测区域进行灰度最大值法融合为一张用于缺陷表达图片作为检测图片；
S33、对所述检测图片进行分割，筛选出同一位置处的最大缺陷判断产品是否合格。
2.根据权利要求1所述的镜头缺陷检测方法，其特征在于，在所述S11中，对所述端面和凸台按照如下公式的模板匹配获得R(x,y)值最大时得到两组值(x1,y1,phi1；x2,y2,phi2)分别代表定位的x坐标、y坐标和角度：
公式：R(x,y)代表相关系数，x,y代表原图像图像像素坐标,i,j代表模板图像像素坐标,I(x+i,y+j)为原图像(x+i,y+j)处灰度值，T(i,j)为模板图像(i,j)处灰度值，为原图像模板大小尺寸的子图的灰度均值；为模板图像的灰度均值。
3.根据权利要求1或2所述的镜头缺陷检测方法，其特征在于，所述步骤S14包括：按照imageMerge1＝k1*image1+k2*image2+b对所述凸台图片和端面图片进行融合，再按照imageMerge2＝a*imageMerge1+b获得最终的融合图片；
其中imageMerge1表示初步融合图片，imageMerge2表示融合图片，k1代表image1的权重系数，k2代表image2的权重系数,a表示拉伸系数，b表示拉伸偏移；image1表示凸台图片，image2表示端面图片。
4.根据权利要求1所述的镜头缺陷检测方法，其特征在于，在所述步骤S24中：
将同一位置处的缺陷筛选出来后，利用设定大小的矩形核膨胀得到比实际缺陷略大的ROI区域，提炼出所述ROI区域大小的原图；
根据公式：C＝∑δδ(i,j)2Pδ(i,j)计算出所述ROI区域图像的对比度，筛选出同一位置处对比度最大的缺陷作为表现最清晰的缺陷；
其中δ(i，j)＝|i-j|表示相邻像素间灰度绝对差，Pδ(i，j)表示相邻像素间的灰度差值为δ的像素分布概率。
5.根据权利要求4所述的镜头缺陷检测方法，其特征在于，若计算的存在缺陷的多张图片的对比度较为接近，则计算每张图片缺陷区域的平均灰度，筛选具有最高平均灰度值的缺陷作为表现最清晰的缺陷。
6.根据权利要求4或5所述的镜头缺陷检测方法，其特征在于，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤S22包括：
将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；
将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；
将符合缺陷标准的所有缺陷放入到缺陷容器中。
7.根据权利要求1所述的镜头缺陷检测方法，其特征在于，在所述步骤S33中，对所述检测图片进行分割的方法包括全局阈值分割方法、动态阈值分割方法或均值阈值分割方法。
CN202010048339.4A 2020-01-16 2020-01-16 镜头缺陷检测方法 Active CN111292228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010048339.4A CN111292228B (zh) 2020-01-16 2020-01-16 镜头缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010048339.4A CN111292228B (zh) 2020-01-16 2020-01-16 镜头缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111292228A CN111292228A (zh) 2020-06-16
CN111292228B true CN111292228B (zh) 2023-08-11

Family

ID=71022331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010048339.4A Active CN111292228B (zh) 2020-01-16 2020-01-16 镜头缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111292228B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784684B (zh) * 2020-07-13 2023-12-01 合肥市商巨智能装备有限公司 基于激光辅助的透明产品内部缺陷定深检测方法及装置
CN112767302A (zh) * 2020-07-17 2021-05-07 奕目(上海)科技有限公司 摄像头模组缺陷检测系统和方法
CN113706446B (zh) * 2021-03-30 2024-09-06 腾讯科技（深圳）有限公司 一种镜头检测方法和相关装置
CN113289911B (zh) * 2021-06-04 2023-04-14 宁波舜宇仪器有限公司 用于多面体物料的缺陷检测方法及系统
CN115183989B (zh) * 2022-09-13 2023-01-10 武汉精立电子技术有限公司 一种近眼显示模组检测方法及检测系统
CN117929393B (zh) * 2024-03-21 2024-06-07 广东金鼎光学技术股份有限公司 一种镜头缺陷检测方法、系统、处理器及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08178863A (ja) * 1994-12-26 1996-07-12 Dainippon Printing Co Ltd レンチキュラーレンズシートの欠陥検査方法
JP2000121570A (ja) * 1998-10-20 2000-04-28 Hitachi Electronics Eng Co Ltd 欠陥検査装置
JP2009074815A (ja) * 2007-09-19 2009-04-09 Disk Tekku Kk レンズ欠陥検査装置
CN106706644A (zh) * 2015-07-22 2017-05-24 单康 一种镜片疵病的检测方法
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
EP3296725A2 (en) * 2016-09-18 2018-03-21 Semiconductor Manufacturing International Corporation (Shanghai) A defect inspection method and apparatus using micro lens matrix
CN107945152A (zh) * 2017-10-27 2018-04-20 深圳市创科自动化控制技术有限公司 工业相机的缺陷检测控制系统及方法
US10192301B1 (en) * 2017-08-16 2019-01-29 Siemens Energy, Inc. Method and system for detecting line defects on surface of object
CN109406527A (zh) * 2018-09-06 2019-03-01 华南理工大学 一种微型摄像模组镜头精细外观缺陷检测系统及方法
CN110018167A (zh) * 2019-04-04 2019-07-16 武汉精立电子技术有限公司 一种曲面屏外观缺陷快速检测方法及系统
JP2019138639A (ja) * 2018-02-06 2019-08-22 セイコーエプソン株式会社 欠陥検出装置、及び、欠陥検出方法
CN110412055A (zh) * 2019-05-06 2019-11-05 天津大学 一种基于多光源暗场照明的透镜白雾缺陷检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08178863A (ja) * 1994-12-26 1996-07-12 Dainippon Printing Co Ltd レンチキュラーレンズシートの欠陥検査方法
JP2000121570A (ja) * 1998-10-20 2000-04-28 Hitachi Electronics Eng Co Ltd 欠陥検査装置
JP2009074815A (ja) * 2007-09-19 2009-04-09 Disk Tekku Kk レンズ欠陥検査装置
CN106706644A (zh) * 2015-07-22 2017-05-24 单康 一种镜片疵病的检测方法
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
EP3296725A2 (en) * 2016-09-18 2018-03-21 Semiconductor Manufacturing International Corporation (Shanghai) A defect inspection method and apparatus using micro lens matrix
US10192301B1 (en) * 2017-08-16 2019-01-29 Siemens Energy, Inc. Method and system for detecting line defects on surface of object
CN107945152A (zh) * 2017-10-27 2018-04-20 深圳市创科自动化控制技术有限公司 工业相机的缺陷检测控制系统及方法
JP2019138639A (ja) * 2018-02-06 2019-08-22 セイコーエプソン株式会社 欠陥検出装置、及び、欠陥検出方法
CN109406527A (zh) * 2018-09-06 2019-03-01 华南理工大学 一种微型摄像模组镜头精细外观缺陷检测系统及方法
CN110018167A (zh) * 2019-04-04 2019-07-16 武汉精立电子技术有限公司 一种曲面屏外观缺陷快速检测方法及系统
CN110412055A (zh) * 2019-05-06 2019-11-05 天津大学 一种基于多光源暗场照明的透镜白雾缺陷检测方法

Also Published As

Publication number Publication date
CN111292228A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111292228B (zh) 镜头缺陷检测方法
CN107705288B (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN105279372B (zh) 一种确定建筑物高度的方法和装置
CN108827316A (zh) 基于改进的Apriltag标签的移动机器人视觉定位方法
EP3499414B1 (en) Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification
CN116559183B (zh) 一种提高缺陷判定效率的方法及系统
CN107967687B (zh) 一种获取目标物行走姿态的方法与系统
CN101853524A (zh) 使用图像序列生成玉米果穗全景图的方法
CN112215925A (zh) 自适应采煤机随动跟踪多摄像头视频拼接方法
CN110298860B (zh) 一种基于机器视觉的高杆绣球检测计数系统
CN109559324A (zh) 一种线阵图像中的目标轮廓检测方法
CN109961399A (zh) 基于图像距离变换的最佳缝合线搜寻方法
CN108447022A (zh) 基于单个固定摄像头图像序列的运动目标拼接方法
CN103020970A (zh) 玉米果穗图像籽粒分割方法
CN109697696B (zh) 用于全景视频的补盲方法
CN113688846B (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN112749741A (zh) 一种基于深度学习的手闸紧固故障识别方法
CN115082314A (zh) 一种自适应特征提取的光学表面缺陷图像分步拼接的方法
CN115330684A (zh) 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备
CN110717910B (zh) 基于卷积神经网络的ct图像目标检测方法及ct扫描仪
JPH05215547A (ja) ステレオ画像間対応点決定方法
CN116071323A (zh) 一种基于相机参数归一化的雨强测量方法
EP2681714B1 (en) An object based segmentation method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant