CN111462080A - 玻璃平坦区的缺陷检测方法 - Google Patents

Abstract

本发明涉及一种玻璃平坦区的缺陷检测方法，包括以下步骤，1)采集图像并输入，进行图像预处理算法；2)经过图像预处理算法，输出预处理图像；3)对预处理图像进行图像间运算算法，输出运算后的图像；4)将运算后的图像，结合输入的检测区域，进行区域筛选算法，输出筛选后的区域；将筛选后的区域，经过区域连接算法，输出连接后的区域；5)若连接后的区域满足检测要求，即为需要检测的缺陷，则直接输出区域；否则循环步骤4)～5)。本发明通过一种通用的算法用来检测玻璃平坦区的成像缺陷，不需要在检测玻璃平坦区缺陷时每次都进行算法开发，只需要在通用算法上设置参数即可，节约了项目开发时间，简化了开发流程，降低了开发人员专业要求。

Description

玻璃平坦区的缺陷检测方法

技术领域

本发明涉及图像成像检测技术领域，尤其是一种玻璃平坦区成像时的缺陷检测方法。

背景技术

对于玻璃平坦区的缺陷检测，现有的技术是跟根据不同的玻璃平坦区内的缺陷进行成像，开发不同的算法进行缺陷检测。硬件配置上有相机、镜头、光源、光源控制器及电脑，根据不同的产品选择不同的相机(面阵相机、线扫相机、黑白相机、彩色相机)，不同的镜头(普通镜头、远心镜头)，不同的光源等。对采集的图像进行图像处理、缺陷检测，目前常用的缺陷提取算法有阈值分割、动态阈值分割、轮廓提取等，针对不同的成像及缺陷用不同的缺陷提取算法。

因此，现有技术中这种针对不同的成像开发不同的缺陷检测算法，在项目开发中占用了一定的时间和人力。而玻璃平坦区的缺陷种类往往较多，比如玻璃的丝划、丝白、水印、丝灰尘、丝脏、溢镀、崩边、凹凸、Lens划、Lens白点、Lens灰尘、Lens脏等缺陷，每一种缺陷都要开发一种专门的检测算法，在实际项目开发中耗时耗力。

发明内容

本发明要解决的技术问题是：提供一种玻璃平坦区的缺陷检测方法，解决了玻璃平坦区成像时不同缺陷需要开发不同的算法进行缺陷检测的技术缺陷。

本发明解决其技术问题所采用的技术方案是：一种玻璃平坦区的缺陷检测方法，包括以下步骤，

1)采集图像并输入，进行图像预处理算法；

2)经过图像预处理算法，输出预处理图像；

3)对预处理图像进行图像间运算算法，输出运算后的图像；

4)将运算后的图像，结合输入的检测区域，进行区域筛选算法，输出筛选后的区域；将筛选后的区域，经过区域连接算法，输出连接后的区域；

5)若连接后的区域满足检测要求，即为需要检测的缺陷，则直接输出区域；否则循环步骤4)～5)。

进一步的说，本发明所述的步骤2)中，图像预处理算法包括图像滤波、图像几何变换和/或图像增强。

进一步的说，本发明所述的步骤3)中，图像间运算算法包括加、减、乘、除和/或取模运算。

进一步的说，本发明所述的步骤4)中，区域筛选算法包括对比度筛选、区域自身形态筛选、线状区域筛选、散点筛选、多线筛选、点线筛选、投影筛选、大块脏污筛选、酒精痕筛选和/或吸嘴印筛选。

进一步的说，本发明所述的步骤4)包括以下步骤：

A)获取所有可疑缺陷区域的位姿相关信息；

B)获取所有可疑缺陷区域的形态特征；

C)获取所有可疑缺陷区域的灰度特征；

D)根据任意两个可疑缺陷区域的各项相关性得分，加权计算连结得分，将符合要求的两个区域进行连结。

本发明的有益效果是，解决了背景技术中存在的缺陷，本发明通过一种通用的算法用来检测玻璃平坦区的成像缺陷，不需要在检测玻璃平坦区缺陷时每次都进行算法开发，只需要在通用算法上设置参数即可，节约了项目开发时间，简化了开发流程，降低了开发人员专业要求。

附图说明

图1是本发明的流程图；

图2是本发明自适应优选算法流程图。

具体实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1-2所示的一种玻璃平坦区的缺陷检测方法，首先输入的是采集得到的原图以及平坦检测区ROI，ROI(region of interest)，感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI，并进行图像的下一步处理。

输入到图像预处理算法进行图像预处理，用户选用不同的预处理算法就会得到效果不同预处理图片，可以只选择其中一种预处理算法，也可以选择几种或者选择不进行预处理只使用原图。图像预处理是可以根据实际需求来选择是否需要以及需要用哪种方法来进行图像预处理，可供选择的图像预处理有Sobel滤波、拉普拉斯滤波、中值滤波、水平中值滤波、垂直中值滤波、低通滤波、高通滤波、带通滤波、高斯滤波、微分滤波、水平微分滤波、垂直微分滤波、边缘锐化、对比度拉伸、坐标系转换、图像缩放等。

图像预处理结束后就进入图像间运算算法，图像间运算有图像强调(图像间对应像素点灰度值加权相加偏置)、图像差分(图像间对应像素点灰度值加权相减偏置)、图像最大值(图像间对应像素点灰度值较大者)、图像最小值(图像间对应像素点灰度值较小者)、图像平均值(图像间对应像素点灰度值平均值)等方法可供选择，用来得到待分割图像；通过对预处理图片或者原图进行加、减、乘、除、取模等的运算得到可用来进行缺陷提取的图片，即可以进行可疑缺陷提取；可疑缺陷提取可以选择阈值分割、动态阈值分割、边缘提取等方法；可疑缺陷提取算法的输入除了有运算后的图片，还应该有检测区，这个检测区可以是刚开始输入的ROI，也可以是之后经过缺陷连结后的ROI，提取出的可疑缺陷有区域和线状两种形式。

提取出可疑缺陷后进入筛选连结算法，筛选连结算法分别对区域及线状缺陷先进行初步筛选再进行连结，将特征类似、空间位置接近的缺陷连结在一起看做一个缺陷；将缺陷连结算法的输出区域及线状结合运算后的图片作为缺陷筛选算法的输入，进行缺陷筛选，缺陷筛选包括对比度筛选(灰度、对比度)、区域自身形态筛选(长、宽、长宽比、圆度)、线状区域筛选(线长、宽、单条尾勾)、散点筛选(范围内聚集多点、点状成线型分布)、多线筛选(交叉、范围内多条)、点线筛选(小圆点、短线)、投影筛选(特定方向投影判断)、大块脏污筛选(面积、长宽比、对比度)、酒精痕筛选(同一方向多条平行、对比度)、吸嘴印筛选(圆环半径、面积、对比度)，根据产品的实际缺陷对应缺陷类型设置参数进行缺陷筛选，符合缺陷条件的则被判定为缺陷。

先筛选后连结，连结后的缺陷可以再次作为筛选的输入，是一个不断迭代更新的过程，直到输入样本的检测率达到要求或者是达到设置的迭代次数终止。

筛选连结详细步骤如下：

1.获取所有可疑缺陷区域的位姿相关信息。

1)计算每个可疑缺陷区域的重心坐标(X_i,Y_i)，以及其对应的主轴长L_i，主轴宽W_i；

2)计算任意两个可疑缺陷区域的重心距离与两区域主轴半长的比值R_ij，公式如下：

3)计算任意两个可疑区域间的相邻度得分ScoreDis_ij，R_ij越小，得分越高，0≤ScoreDis_ij≤100；

4)计算每个可疑缺陷区域的长宽比Q，公式如下：

5)筛选出Q_i>1.5的可疑缺陷区域，获取这些区域的主轴方向α；

6)计算Q_i>1.5的区域主轴方向夹角θ_ij，公式如下：

θ_ij＝|α_i-α_j|,i＝1,…,m,j＝1,…,m,m≤n

7)计算任意两个可疑区域间的方向性得分ScoreDir_ij，θ_ij越接近0或者π，得分越高，越接近

得分越低，Q_i<1.5的可疑区域ScoreDir_ij＝50，0≤ScoreDis_ij≤100。

2.获取所有可疑缺陷区域的形态特征。

1)计算每个可疑缺陷区域的圆度CircleC，公式如下：

CircleC＝min(1,CircleC')

其中，S为区域面积，rmax为区域边缘点到区域重心的最大距离；

2)计算每个可疑缺陷区域的长宽比RatioLW，公式如下：

其中，L为区域主轴长，W为区域主轴宽；

3)计算每个可疑缺陷区域的紧密度CompactnessC，公式如下：

CompactnessC＝max(1,CompactnessC')

其中，P为区域周长，S为区域面积；

4)计算每个可疑缺陷区域的矩形度RectangleC，首先计算一个与可疑区域有相同一阶矩和二阶矩的矩形，最终基于计算出的矩形与按矩形面积归一化的输入区域之差的面积计算矩形度；

5)计算每个可疑缺陷区域的凸度ConvexC，公式如下：

其中S_o为区域面积，S_e为凸包面积，ConvexC≤1，矩形与原的凸度均为1.

6)计算任意两个可疑缺陷区域的圆度相关得分ScoreCir_ij、主轴长相关得分ScoreL_ij、主轴宽相关得分ScoreW_ij、长宽比相关得分ScoreRat_ij、紧密度相关得分ScoreCom_ij、矩形度ScoreRec_ij、凸度ScoreCon_ij，特征值越接近得分越高，所有特征值得分区间均为[0,100]。

3.获取所有可疑缺陷区域的灰度特征。

1)计算每个可疑缺陷区域的灰度均值GrayAver；

2)计算任意两个可疑缺陷区域的灰度均值相关得分ScoreGra_ij，灰度均值越接近得分越高,0≤ScoreGra_ij≤100。

4.根据上面计算的任意两个可疑缺陷区域各项相关性得分，加权计算连结得分，公式如下：

Score_ij＝a*ScoreDis_ij+b*ScoreDir_ij+c*ScoreCir_ij+d*ScoreL_ij+e*ScoreW_ij+f*ScoreRat_ij+g*ScoreCom_ij+h*ScoreRec_ij+i*ScoreCon_ij+j*ScoreGra_ij

其中，加权系数a、b、c、d、e、f、g、h、i、j的取值区间均为[0,1],可设置。最终得到连结得分Score_ij，Score_ij≥ScoreTh的两个区域进行连结，ScoreTh可设置。

通过整个逻辑说明可以看出，该通用算法可以同时检测多种类型的缺陷，不需要逐一开发不同的缺陷检测算法，针对不同的缺陷表现进行合理的参数设置可以检测到需要的缺陷，有效的缩短了开发周期。

以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。

Claims (5)

1.一种玻璃平坦区的缺陷检测方法，其特征在于：包括以下步骤，

1)采集图像并输入，进行图像预处理算法；

2)经过图像预处理算法，输出预处理图像；

3)对预处理图像进行图像间运算算法，输出运算后的图像；

4)将运算后的图像，结合输入的检测区域，进行区域筛选算法，输出筛选后的区域；将筛选后的区域，经过区域连接算法，输出连接后的区域；

5)若连接后的区域满足检测要求，即为需要检测的缺陷，则直接输出区域；否则循环步骤4)～5)。

2.如权利要求1所述的玻璃平坦区的缺陷检测方法，其特征在于：所述的步骤2)中，图像预处理算法包括图像滤波、图像几何变换和/或图像增强。

3.如权利要求1所述的玻璃平坦区的缺陷检测方法，其特征在于：所述的步骤3)中，图像间运算算法包括加、减、乘、除和/或取模运算。

4.如权利要求1所述的玻璃平坦区的缺陷检测方法，其特征在于：所述的步骤4)中，区域筛选算法包括对比度筛选、区域自身形态筛选、线状区域筛选、散点筛选、多线筛选、点线筛选、投影筛选、大块脏污筛选、酒精痕筛选和/或吸嘴印筛选。

5.如权利要求1所述的玻璃平坦区的缺陷检测方法，其特征在于：所述的步骤4)包括以下步骤：

A)获取所有可疑缺陷区域的位姿相关信息；

B)获取所有可疑缺陷区域的形态特征；

C)获取所有可疑缺陷区域的灰度特征；

D)根据任意两个可疑缺陷区域的各项相关性得分，加权计算连结得分，将符合要求的两个区域进行连结。

Images