CN111652844A - 一种基于数字图像区域增长的x射线缺陷检测方法及系统 - Google Patents
一种基于数字图像区域增长的x射线缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN111652844A CN111652844A CN202010345590.7A CN202010345590A CN111652844A CN 111652844 A CN111652844 A CN 111652844A CN 202010345590 A CN202010345590 A CN 202010345590A CN 111652844 A CN111652844 A CN 111652844A
- Authority
- CN
- China
- Prior art keywords
- image
- shadow
- component
- images
- filtered
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012797 qualification Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于数字图像区域增长的X射线缺陷检测方法,所述方法包括如下步骤:对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像;对阴影滤波后的图像采用基于灰度投影积分的边缘检测方法得到阴影滤波后的图像中元器件的倾斜角度,对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像;对统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像;采用区域生长算法的对模板匹配的图像进行图像分割得到元器件的缺陷位置。本发明解决了当前的X射线检测试验效率较低,人员劳动强度大的问题。
Description
技术领域
本发明属于宇航用元器件检测技术领域,尤其涉及一种基于数字图像区域增长的X射线缺陷检测方法及系统。
背景技术
X射线照相试验是宇航用元器件筛选试验和可靠性试验必不可少的重要试验内容,可以非破坏性的检测封装内的缺陷,特别是密封工艺引起的缺陷、多余物、错误的内引线连接和芯片粘接不良等内部缺陷。
目前元器件检测领域使用的X射线检测设备,只具备对元器件穿透成像功能,不具备试验结果问题自动判读功能,只能完全由人工进行试验结果的判断分析。随着元器件复杂程度的增加及任务量的增长,目前的严重依赖人工的试验方式,试验效率低,导致试验周期长,人员劳动强度大,已经无法满足需求。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于数字图像区域增长的X射线缺陷检测方法及系统,将被测件X射线图像处理、数据分析一系列流程完全自动化,自动识别出图像中的缺陷,解决了当前的X射线检测试验效率较低,人员劳动强度大的问题。
本发明目的通过以下技术方案予以实现:一种基于数字图像区域增长的X射线缺陷检测方法,所述方法包括如下步骤:步骤S1:采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像;步骤S2:对步骤S1中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度,通过双线性内插的方法对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像;步骤S3:对步骤S2中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像;步骤S4:采用区域生长算法的对步骤S3中的模板匹配的图像进行图像分割得到元器件的缺陷位置。
上述基于数字图像区域增长的X射线缺陷检测方法中,在步骤S1中,采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像包括如下步骤:将一幅M×N的元器件图像进行小波变换分解,得到4个M/2×N/2的子图像,通过去除每个子图像的高频分量中存在的噪声和阴影边缘,来保留其低频部分。
上述基于数字图像区域增长的X射线缺陷检测方法中,在步骤S2中,对步骤S1中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度包括如下步骤:在阴影滤波后的图像中根据不同的截距确定一组直线,将每条直线扫掠整个阴影滤波后的图像并将图像像素点的灰度值累加到直线上,得到各投影角度下灰度投影积分值;找出最大的投影积分值对应的投影角度值,即为图像中元器件的倾斜角度。
上述基于数字图像区域增长的X射线缺陷检测方法中,在步骤S2中,将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像包括如下步骤:经旋转校正后的元器件图像,其上下边界为水平线,左右边界为竖直线,分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分值;寻找灰度投影积分值相距最远的两个极大值的截距位置作为边界线,边界线以内的像素点通过双三次内插算法得到统一尺寸的图像。
上述基于数字图像区域增长的X射线缺陷检测方法中,在步骤S3中,对步骤S2中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像包括如下步骤:采用归一化互相关的匹配算法,从统一尺寸的图像的原点开始,获取一个和模板图像一样大小的子图,计算它们的相关系数,并将模板图像自左至右、自上至下在统一尺寸的图像中顺序滑动,依次遍历统一尺寸的图像,计算出所有的相关系数,当相关系数取最大值时,则对应的位置为最佳匹配位置,从而得到模板匹配的图像。
上述基于数字图像区域增长的X射线缺陷检测方法中,在步骤S4中,区域生长算法包括如下步骤:1)对模板匹配的图像按照从左至右、从上至下的顺序扫描,对首个没有归属的像素点进行标记,记为种子点;2)根据种子点的8邻域,计算种子像素与所考虑的像素之间的灰度值差值,如果其绝对值比设定的阈值小,则将所考虑的像素包括进种子像素所在的区域;3)以新加入的像素作为种子点,返回步骤2),直到区域生长停止。
一种基于数字图像区域增长的X射线缺陷检测系统,包括:第一模块,用于采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像;第二模块,用于对第一模块中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度,通过双线性内插的方法对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像;第三模块,用于对第二模块中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像;第四模块,用于采用区域生长算法的对第三模块中的模板匹配的图像进行图像分割得到元器件的缺陷位置。
上述基于数字图像区域增长的X射线缺陷检测系统中,采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像包括如下步骤:将一幅元器件图像进行小波变换分解,得到4个子图像,通过去除每个子图像的高频分量中存在的噪声和阴影边缘,来保留其低频部分。
上述基于数字图像区域增长的X射线缺陷检测系统中,对第一模块中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度包括如下步骤:在阴影滤波后的图像中根据不同的截距确定一组直线,将每条直线扫掠整个阴影滤波后的图像并将图像像素点的灰度值累加到直线上,得到各投影角度下灰度投影积分值;找出最大的投影积分值对应的投影角度值,即为图像中元器件的倾斜角度。
上述基于数字图像区域增长的X射线缺陷检测系统中,将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像包括如下步骤:经旋转校正后的元器件图像,其上下边界为水平线,左右边界为竖直线,分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分值;寻找灰度投影积分值相距最远的两个极大值的截距位置作为边界线,边界线以内的像素点通过双三次内插算法得到统一尺寸的图像。
上述基于数字图像区域增长的X射线缺陷检测系统中,对第二模块中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像包括如下步骤:采用归一化互相关的匹配算法,从统一尺寸的图像的原点开始,获取一个和模板图像一样大小的子图,计算它们的相关系数,并将模板图像自左至右、自上至下在统一尺寸的图像中顺序滑动,依次遍历统一尺寸的图像,计算出所有的相关系数,当相关系数取最大值时,则对应的位置为最佳匹配位置,从而得到模板匹配的图像。
上述基于数字图像区域增长的X射线缺陷检测系统中,区域生长算法包括如下步骤:
1)对模板匹配的图像按照从左至右、从上至下的顺序扫描,对首个没有归属的像素点进行标记,记为种子点;
2)根据种子点的8邻域,计算种子像素与所考虑的像素之间的灰度值差值,如果其绝对值比设定的阈值小,则将所考虑的像素包括进种子像素所在的区域;
3)以新加入的像素作为种子点,返回步骤2),直到区域生长停止。
本发明与现有技术相比具有如下有益效果:
本发明将被测件X射线图像处理、数据分析等一系列流程完全自动化,自动识别出图像中的缺陷,解决当前的X射线检测试验效率较低,人员劳动强度大的问题。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1(a)为原始图像;
图1(b)为阴影滤波效果图;
图2为图像边缘提取效果图;
图3(a)为各投影角度下灰度投影积分最大值曲线图;
图3(b)为投影积分最大值所对应的列的曲线图;
图4(a)为旋转前的原始图像;
图4(b)图像旋转校正效果图;
图5(a)为水平方向上的灰度投影积分曲线图;
图5(b)为竖直方向上的灰度投影积分曲线图;
图6为尺寸校正效果图;
图7为模板匹配效果图;
图8为区域生长算法流程图;
图9为区域生长结果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本实施例提供了一种基于数字图像区域增长的X射线缺陷检测方法,该方法包括如下步骤:
步骤S1:采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像。
在获取X射线图像时,由于实际检测设备为点光源,而不是平行光源,这使得X射线透过元器件时,由于元器件结构的厚度以及结构间的互相遮挡,造成元器件图像四周以及内部会产生阴影。这些阴影将会干扰元器件外边缘的定位以及元器件内部气泡轮廓的提取,并且阴影部分灰度值与气泡内部灰度值相近,如果不针对其加以处理,这会影响后续的图像校正和气泡的识别与检测,造成元器件合格性的误判。针对上述问题,采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理,将一幅M×N的数字图像进行小波变换分解,得到4个M/2×N/2的子图像,通过去除其高频分量中存在的噪声和阴影边缘,来保留其低频部分。其中,M为图像的宽度,N为图像的高度。
步骤S2:对步骤S1中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度,通过双线性内插的方法对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像。
在元器件图像的采集过程中,通常是同时对多个元器件进行拍摄,而元器件的体积普遍极小,在放置过程中无法精确保证其边缘与相机阵列横纵轴相互平行,这会导致拍摄出的元器件在图像中往往会存在倾斜的现象;同时,由于X射线拍摄为点光源,并且在现场的采集过程中,工作人员会根据实际需要来进行一些图像缩放的人工操作,所以元器件在图像中的大小会有差异。因此,必须对图像进行相应的角度和尺度的校正,将所有图像中的元器件统一到一个相同的旋转角度以及同一个尺寸,为后续的模板匹配奠定基础。
经过S1阴影滤波后的图像首先进行Canny边缘检测,受到上述情况影响会使得检测到的外框边缘存在间断或边缘为不连续直线。采用基于灰度投影积分的边缘检测方法:对于一个给定的旋转角度,在图像中可根据不同的截距确定一组直线,而组内的每条直线都有其相应的投影值。将不同角度与不同截距下的直线扫掠整张图像(背景像素为0,边缘像素为1),将边缘像素点累加到所对应的角度和截距上,计算其灰度的投影值。找出最大的投影积分对应的投影角度,即为图像中元器件的倾斜角度。最后通过双线性内插的方式对图像进行空间坐标变换,从而得到旋转校正后的元器件图像。
经旋转校正后的元器件图像,其上下边界为水平线,左右边界为竖直线,分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分。寻找投影积分相距最远的两个极大值的截距位置作为边界线,边界线以内的像素点通过双三次内插算法得到统一尺寸的图像。
步骤S3:对步骤S2中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像。
由于元器件检测图像中气泡存在于密封圈内侧的边界,与内框融合,这会导致内框的位置无法确定。这将带来两个问题。其一,针对元器件的合格性判定除了气泡本身的定位以及轮廓信息外,还需要器件密封圈内边缘以及外边缘的位置;其二,如果直接提取与内框融合的气泡轮廓,将会求得包含内腔的“放大”后的气泡轮廓。
经S2校正后的图像,为了后续提取气泡轮廓的检测以及元器件合格性的判读,需要对内腔部分进行准确的识别、定位,排除内腔的干扰。采用归一化互相关(NCC)的匹配算法,从搜索图像f(x,y)的原点开始,获取一个和模板图像w(x,y)一样大小的子图,计算它们的相关系数,并将模板图像自左至右、自上至下在搜索图像中顺序滑动,依次遍历全图,计算出所有的相关系数,进行比较寻找最佳的匹配位置。当相关系数γ(x,y)取最大值时,则对应的(x,y)处为最佳匹配位置,从而得到模板匹配的图像。其中,(x,y)为图像像素坐标点,x为图像坐标点的横坐标,y为图像坐标点的纵坐标。
步骤S4:采用区域生长算法的对步骤S3中的模板匹配的图像进行图像分割得到元器件的缺陷位置。
经S3模板匹配后的图像,由于元器件本身包含多层结构,采用边缘检测算法会检测出较多干扰边缘,利用算法检测出的气泡轮廓可能存在不完整,边缘断裂的问题。利用图像分割后得到的气泡轮廓是连续且闭合的,但由于实际工程中,每张图像的灰度存在差异,对于阈值的设定要求较高,采用阈值分割方法容易出现过分割或欠分割的情况。针对元器件X射线图像的特点,选择合适的区域生长算法对图像进行分割。
经过预处理后的元器件X射线图像,气泡内部与背景存在明显的灰度差,选取此灰度差作为区域生长的阈值。选取没有标记过的像素点作为种子点,生长准则是种子点8邻域的灰度值小于设定的阈值,停止条件是遍历完所有的像素点,从而得到区域增长的结果。
最终将连通域分析、轮廓提取等数字图像处理算法应用在S4图像分割结果上,自动判断出缺陷位置以及边缘,同时根据判定条件实现元器件的合格性判定。
具体的,步骤S1:基于小波变换的元器件图像阴影滤波
在小波变换之前,需要对图像进行预处理操作:采用高斯滤波滤除图像中的高斯噪声,利用多次中值滤波滤除图像中的椒盐噪声,达到消除X射线图像噪声的效果。
采用常用到的Haar小波,它是由一个阶跃函数构成,对二维图像进行Haar小波变换,是从水平和竖直两个方向进行低通和高通滤波。采用的小波函数表达式如下:
其尺度函数表达式为:
其中,ψH(t)为Haar小波在t处的函数值,φH(t)为Haar小波在t处的尺度值,t为时间,
如图1(a)和图1(b)所示,算法能够有效地去除元器件图像外部的阴影,抑制图像的噪声以及提高了图像整体的亮度。
步骤S2:基于灰度投影积分的X射线图像校正
如图2所示,利用Canny算子提取图像中元器件的外框轮廓,边缘存在间断或边缘为不连续直线的情况。
在图像坐标系下,采用不同截距和角度的直线,将直线扫掠整个图像并将图像像素点的灰度值累加到直线上,得到各投影角度下灰度投影积分值。对于给定截距b和角度θ,灰度投影积分的计算公式为:
Rθ(b)=∑I(x,y),其中y=kx+b,k=tan(θ)
其中,Rθ(b)为在角度为θ截距为b情况下的灰度投影积分值,I(x,y)为图像在像素点(x,y)处的灰度值,(x,y)为图像像素坐标点,x为图像坐标点的横坐标,y为图像坐标点的纵坐标,k为直线的斜率,b为直线的截距。
将每条直线的投影值存放在矩阵R的一个位置,其中,R中的每一列对应同一个投影角度,R中的每一行对应一个截距值。如图3(a)和图3(b)所示,找出各投影角度下的投影值最大值,即为元器件在图像中的倾斜角度。同时,为验证外框检测的精度,寻找倾斜角度所对应的列的两个极值位置,即为元器件的上下边界。
对元器件图像进行空间坐标变换,坐标的空间变换是一种将是将二维坐标点经线性变换映射到另一个二维坐标点的变换,变换前后图像像素点的相对位置保持不变。设点(x0,y0)为变换之前的坐标点,点(x,y)为变换之后的坐标点,则图像旋转变换公式如下:
其中,x0为变换前的横坐标,y0为变换前的纵坐标,x为变换后的横坐标,y为变换后的纵坐标。
如图4(a)和图4(b)所示,旋转校正后的元器件在图像中处于居正的位置,其上下边界为水平线,左右边界为竖直线。分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分。
如图5(a)和图5(b)所示,寻找投影积分相距最远的两个极大值的截距位置作为元器件的上下左右四个边界。将边界内部的像素点采用双三次内插算法进行尺度缩放到统一大小,双三次内插公式如下:
其中,f(x,y)为图像在(x,y)处的灰度值,i为周围16个像素点在x方向的编号值,j为周围16个像素点在y方向的编号值,aij为周围像素点的权值,x为待求像素点的横坐标,y为待求像素点的纵坐标。
如图6所示,经过尺寸校正后的图像去除了边角和采集背景的影响,从而将感兴趣区域限定在整张图像中。
步骤S3:基于模板匹配的元器件内腔提取
如图7所示,采用归一化互相关(NCC)的匹配算法,将相关系数γ(x,y)>0.95作为第一准则,并且设定了寻找相关系数γ(x,y)最大值作为候补准则,通过缩小模板图像w(x,y)与搜索图像f(x,y)的尺度,有效地减少了计算量;同时通过分析元器件结构,元器件的内框位于图像的正中央,凭借先验知识规定模板移动的起始和终止位置,因此不需要遍历搜索图像中的每一个点,有效节省了运行的时间,最终得到模板匹配的结果图像。
其NCC计算公式为:
其中,γ(x,y)为相关系数,w(s,t)为与模板图像大小相同的子图的灰度值,s为子图内像素点的横坐标,t为子图内像素点的纵坐标。
步骤S4:基于区域增长的图像分割
区域生长算法计算简单,收敛速度快,能够将具有某种相似特征(如灰度特征、纹理特征或颜色特征等)的区域分割出来,并得到良好的边界信息。
如图8所示,以区域灰度差为生长准则来实现区域增长,具体流程如下:
1)对图像按照从左至右、从上至下的顺序扫描,对首个没有归属的像素点进行标记,记为(x0,y0);
2)考虑种子点(x0,y0)的8邻域,计算种子像素与所考虑的像素之间的灰度值差值,如果其绝对值比设定的阈值T小,则将该像素包括进种子像素所在的区域;
3)以新加入的像素作为种子点,重复进行步骤2),直到区域生长停止;
4)重新回到步骤1),继续扫描直到扫描完所有的像素点,整个生长过程停止。
如图9所示,图中白色的区域为检测到的气泡缺陷。由图像可知,经过区域生长的处理,可以从图像中检测出大部分的气泡,其中对合格性判定有较大影响的气泡都已检测到,达到了预期的效果。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于数字图像区域增长的X射线缺陷检测方法,其特征在于,所述方法包括如下步骤:
步骤S1:采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像;
步骤S2:对步骤S1中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度,通过双线性内插的方法对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像;
步骤S3:对步骤S2中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像;
步骤S4:采用区域生长算法的对步骤S3中的模板匹配的图像进行图像分割得到元器件的缺陷位置。
2.根据权利要求1所述的基于数字图像区域增长的X射线缺陷检测方法,其特征在于:在步骤S1中,采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像包括如下步骤:
将一幅元器件图像进行小波变换分解,得到4个子图像,通过去除每个子图像的高频分量中存在的噪声和阴影边缘,来保留其低频部分。
3.根据权利要求1所述的基于数字图像区域增长的X射线缺陷检测方法,其特征在于:在步骤S2中,对步骤S1中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度包括如下步骤:
在阴影滤波后的图像中根据不同的截距确定一组直线,将每条直线扫掠整个阴影滤波后的图像并将图像像素点的灰度值累加到直线上,得到各投影角度下灰度投影积分值;
找出最大的投影积分值对应的投影角度值,即为图像中元器件的倾斜角度。
4.根据权利要求1所述的基于数字图像区域增长的X射线缺陷检测方法,其特征在于:在步骤S2中,将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像包括如下步骤:
经旋转校正后的元器件图像,其上下边界为水平线,左右边界为竖直线,分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分值;
寻找灰度投影积分值相距最远的两个极大值的截距位置作为边界线,边界线以内的像素点通过双三次内插算法得到统一尺寸的图像。
5.根据权利要求1所述的基于数字图像区域增长的X射线缺陷检测方法,其特征在于:在步骤S3中,对步骤S2中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像包括如下步骤:
采用归一化互相关的匹配算法,从统一尺寸的图像的原点开始,获取一个和模板图像一样大小的子图,计算它们的相关系数,并将模板图像自左至右、自上至下在统一尺寸的图像中顺序滑动,依次遍历统一尺寸的图像,计算出所有的相关系数,当相关系数取最大值时,则对应的位置为最佳匹配位置,从而得到模板匹配的图像。
6.根据权利要求1所述的基于数字图像区域增长的X射线缺陷检测方法,其特征在于:在步骤S4中,区域生长算法包括如下步骤:
1)对模板匹配的图像按照从左至右、从上至下的顺序扫描,对首个没有归属的像素点进行标记,记为种子点;
2)根据种子点的8邻域,计算种子像素与所考虑的像素之间的灰度值差值,如果其绝对值比设定的阈值小,则将所考虑的像素包括进种子像素所在的区域;
3)以新加入的像素作为种子点,返回步骤2),直到区域生长停止。
7.一种基于数字图像区域增长的X射线缺陷检测系统,其特征在于包括:
第一模块,用于采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像;
第二模块,用于对第一模块中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度,通过双线性内插的方法对阴影滤波后的图像进行空间坐标变换得到旋转校正后的元器件图像;将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像;
第三模块,用于对第二模块中的统一尺寸的图像采用归一化互相关的匹配算法得到模板匹配的图像;
第四模块,用于采用区域生长算法的对第三模块中的模板匹配的图像进行图像分割得到元器件的缺陷位置。
8.根据权利要求7所述的基于数字图像区域增长的X射线缺陷检测系统,其特征在于:采用图像预处理算法以及小波变换对元器件图像中的外部阴影进行滤波处理得到阴影滤波后的图像包括如下步骤:
将一幅元器件图像进行小波变换分解,得到4个子图像,通过去除每个子图像的高频分量中存在的噪声和阴影边缘,来保留其低频部分。
9.根据权利要求7所述的基于数字图像区域增长的X射线缺陷检测系统,其特征在于:对第一模块中的阴影滤波后的图像采用基于灰度投影积分的边缘检测方法进行边缘检测得到阴影滤波后的图像中元器件的倾斜角度包括如下步骤:
在阴影滤波后的图像中根据不同的截距确定一组直线,将每条直线扫掠整个阴影滤波后的图像并将图像像素点的灰度值累加到直线上,得到各投影角度下灰度投影积分值;
找出最大的投影积分值对应的投影角度值,即为图像中元器件的倾斜角度。
10.根据权利要求7所述的基于数字图像区域增长的X射线缺陷检测系统,其特征在于:将旋转校正后的元器件图像通过双三次内插算法得到统一尺寸的图像包括如下步骤:
经旋转校正后的元器件图像,其上下边界为水平线,左右边界为竖直线,分别用一组平行的水平和竖直的直线族扫掠过整个元器件图像,将边缘像素点累加到所对应的截距上,分别得到水平和竖直方向的灰度投影积分值;
寻找灰度投影积分值相距最远的两个极大值的截距位置作为边界线,边界线以内的像素点通过双三次内插算法得到统一尺寸的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345590.7A CN111652844B (zh) | 2020-04-27 | 2020-04-27 | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345590.7A CN111652844B (zh) | 2020-04-27 | 2020-04-27 | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652844A true CN111652844A (zh) | 2020-09-11 |
CN111652844B CN111652844B (zh) | 2024-04-12 |
Family
ID=72346608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345590.7A Active CN111652844B (zh) | 2020-04-27 | 2020-04-27 | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652844B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858887A (zh) * | 2021-01-18 | 2021-05-28 | 昂宝电子(上海)有限公司 | 用于集成电路封装的分层缺陷检测方法 |
CN113012115A (zh) * | 2021-03-03 | 2021-06-22 | 珠海迪沃航空工程有限公司 | 一种螺栓立体成像检测系统及方法 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330354B1 (en) * | 1997-05-01 | 2001-12-11 | International Business Machines Corporation | Method of analyzing visual inspection image data to find defects on a device |
CN103901060A (zh) * | 2014-04-14 | 2014-07-02 | 天津三英精密仪器有限公司 | 一种x射线显微成像本底缺陷图像修正采样系统 |
WO2019016855A1 (ja) * | 2017-07-18 | 2019-01-24 | 株式会社日立ハイテクノロジーズ | X線検査装置の検査条件設定方法 |
CN110097048A (zh) * | 2019-04-02 | 2019-08-06 | 江苏理工学院 | 一种sot芯片图像快速校正与字符识别方法 |
-
2020
- 2020-04-27 CN CN202010345590.7A patent/CN111652844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330354B1 (en) * | 1997-05-01 | 2001-12-11 | International Business Machines Corporation | Method of analyzing visual inspection image data to find defects on a device |
CN103901060A (zh) * | 2014-04-14 | 2014-07-02 | 天津三英精密仪器有限公司 | 一种x射线显微成像本底缺陷图像修正采样系统 |
WO2019016855A1 (ja) * | 2017-07-18 | 2019-01-24 | 株式会社日立ハイテクノロジーズ | X線検査装置の検査条件設定方法 |
CN110097048A (zh) * | 2019-04-02 | 2019-08-06 | 江苏理工学院 | 一种sot芯片图像快速校正与字符识别方法 |
Non-Patent Citations (1)
Title |
---|
卢荣胜;吴昂;张腾达;王永红;: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 光学学报 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858887A (zh) * | 2021-01-18 | 2021-05-28 | 昂宝电子(上海)有限公司 | 用于集成电路封装的分层缺陷检测方法 |
CN113012115A (zh) * | 2021-03-03 | 2021-06-22 | 珠海迪沃航空工程有限公司 | 一种螺栓立体成像检测系统及方法 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统 |
CN113160173B (zh) * | 2021-04-22 | 2022-02-01 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111652844B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508826B (zh) | 一种印刷品缺陷检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
CN111353993B (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN112085700B (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及系统 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN113192059A (zh) | 一种红外遥感图像在轨舰船检测方法 | |
CN114612410A (zh) | 一种新型服装检测装置 | |
CN116152068A (zh) | 一种可用于太阳能板图像的拼接方法 | |
CN114970590A (zh) | 一种条码的检测方法 |
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 |