CN112304958A - 基于机器视觉的铜带表面缺陷检测方法及系统 - Google Patents
基于机器视觉的铜带表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112304958A CN112304958A CN202011338930.XA CN202011338930A CN112304958A CN 112304958 A CN112304958 A CN 112304958A CN 202011338930 A CN202011338930 A CN 202011338930A CN 112304958 A CN112304958 A CN 112304958A
- Authority
- CN
- China
- Prior art keywords
- copper sheet
- image
- defect
- defects
- surface image
- 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.)
- Pending
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 179
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 179
- 239000010949 copper Substances 0.000 title claims abstract description 179
- 230000007547 defect Effects 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 34
- 238000003708 edge detection Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039509 Scab Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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 by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/10—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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Abstract
本发明公开了基于机器视觉的铜带表面缺陷检测方法及系统,属于测试技术领域,通过目标检测确定铜片表面图像是否存在缺陷,再根据该目标检测结果基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值,进而实现铜带表面的缺陷分割,分割效果好,能够将不同的缺陷完整的分割出来,进一步提取缺陷的特征信息再进行分类处理,进而确定铜片表面的缺陷类型,分类准确度高。
Description
技术领域
本发明涉及测试技术领域,尤其涉及基于机器视觉的铜带表面缺陷检测方法及系统。
背景技术
铜带作为一种金属元件,已经广泛应用于生产电器元件、灯头、电池帽、钮扣、密封件、接插件,主要用作生产导电、导热、耐蚀器材,如电气元器件、开关、垫圈、垫片、电真空器件、散热器、导电母材及汽车水箱、散热片、气缸片等各种零部件。
铜带的表面质量是铜带最为重要的质量因素之一,其质量的优劣直接影响其最终产品的性能与质量。然而在加工过程中,由于原材料、轧制设备和工艺等原因,会导致铜带表面出现结疤、裂纹、刮伤、孔洞等不同类型的缺陷,严重影响了最终产品的质量。为保证铜片表面质量,需要对铜片表面缺陷进行检测,针对铜片表面的缺陷检测手段包括超声波扫描、激光扫描、红外成像等,目前应用较多是基于机器视觉的图像分类法,即通过图像采集装置采集图像,并通过图像分类技术对图像进行处理,进而确定铜带表面是否出现缺陷,再进一步图像缺陷进行分类,由于图像处理过程中需要进行图像的传送、转换等,会造成图像质量的下降,无法准对图像进行分割,进而影响分类器的分类准确率。
发明内容
本发明的目的在于克服现有技术中检测精度不够高的问题,提供了一种基于机器视觉的铜带表面缺陷检测方法及系统。
本发明的目的是通过以下技术方案来实现的:基于机器视觉的铜带表面缺陷检测方法,所述方法包括:
目标检测步骤:将采集的铜片表面图像进行目标检测,判断是否存在缺陷;
图像分割步骤:基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
特征提取步骤:提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
分类步骤:根据所述特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
作为一选项,所述目标检测步骤具体包括:
将采集的铜片表面图像与标准图像进行减法处理获得差影图,通过分析差影图像素点灰度值判断铜片表面图像是否存在缺陷并输出目标检测结果。
作为一选项,当所述目标检测结果为前帧铜片表面图像无缺陷、后帧铜片表面图像存在缺陷时,边缘检测与连接的高阈值、低阈值计算具体为:
通过前帧铜片表面图像的梯度直方图,累积计算梯度幅值的像素数目,当像素数据大于图像像素的99%时的梯度幅值作为标准阈值T,后帧铜片表面图像进行边缘检测的高阈值、低阈值的计算公式为:
TH=T
TL=0.4TH
后续铜片表面图像进行边缘检测和连接时的高阈值计算公式为:
TH=T1
其中,TH表示高阈值,TL表示低阈值,T1为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
作为一选项,当所述目标检测结果为前帧铜片表面图像、后帧铜片表面图像均无缺陷时,后续边缘检测与连接的高阈值计算公式如下:
TH=T2
其中,T2为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
作为一选项,当所述目标检测结果为前帧铜片表面图像存在缺陷或者前帧铜片表面图像、后帧铜片表面图像均存在缺陷时,后续边缘检测与连接的高阈值为预存储标准阈值,所述预存储标准阈值为标准图像像素数据大于图像像素的99%时的梯度幅值。
作为一选项,所述特征提取步骤包括:
对铜片表面图像中的缺陷部分进行旋转、缩放处理,得到具有不变性的宽长比、矩形度、圆形度和不变矩的缺陷特征向量。
作为一选项,所述分类步骤包括:
对缺陷特征向量进行归一化处理后输入分类器,并计算缺陷特征向量的缺陷类型分类系数矩阵,进而实现铜片表面的缺陷分类。
作为一选项,所述目标检测步骤前还包括对采集的铜片表面图像进行灰度化处理以及中值滤波处理。
需要进一步说明的是,上述方法各选项对应的技术特征可以相互组合或替换构成新的技术方案。
本发明还包括一种基于机器视觉的铜带表面缺陷检测系统,所述系统包括:
目标检测单元,用于将采集的铜片表面图像进行目标检测,判断是否存在缺陷;
图像分割单元,用于通过计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
特征提取单元,用于提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
分类单元,用于根据所述特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
作为一选项,所述系统还包括预处理单元,用于对采集的铜片表面图像进行灰度化处理以及中值滤波处理。
与现有技术相比,本发明有益效果是:
本发明方法通过目标检测确定铜片表面图像是否存在缺陷,根据该目标检测结果基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值,进而实现铜带表面的缺陷分割,分割效果好,能够将不同的缺陷完整的分割出来,进一步提取缺陷的特征信息再进行分类处理,进而确定铜片表面的缺陷类型,分类准确度高。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明实施例1的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,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,因此不能理解为对本发明的限制。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
如图1所示,在实施例1中,基于机器视觉的铜带表面缺陷检测方法,具体包括以下步骤:
S01目标检测步骤:将采集的铜片表面图像进行目标检测,判断是否存在缺陷;其中,铜片表面图像的采集通过摄像机或照相机实现,优选为CCD工业照相机,以获取高清的铜片表面图像,保证后续图像处理的精准度。更为具体地,为保证图像采集的工作效率,将CCD工业相机面向铜片生产线的传输带设置,通过控制CCD工业相机的采样频率进而采集每个铜片的表面图像。更为具体地,可根据铜片生产线的传输带速度调节CCD工业相机的采集频率,保证采集的铜片表面图像无重叠。
S02图像分割步骤:基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
S03:特征提取步骤:提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
S04:分类步骤:根据特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
本发明方法通过目标检测确定铜片表面图像是否存在缺陷,根据该目标检测结果基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值,进而实现铜带表面的缺陷分割,分割效果好,能够将不同的缺陷完整的分割出来,进一步提取缺陷的特征信息再进行分类处理,进而确定铜片表面的缺陷类型,分类准确度高。
进一步地,步骤S01目标检测步骤具体包括:
将采集的铜片表面图像与标准图像进行减法处理获得差影图,通过分析差影图像素点灰度值判断前帧铜片表面图像、后帧铜片表面图像是否存在缺陷并输出目标检测结果。其中,标准图像为无缺陷的铜片表面图像,可通过摄像设备采集并预先存储。具体地,理想情况下,通过分析差影图像素点灰度值是否为零进而判断铜片表面图像,若为零,即无缺陷,反之,铜片表面图像有缺陷。然而,图像处理过程中均存在一定噪声的影响,在此基础上,根据大量铜片表面图像构成的训练集得出一灰度值阈值,若差影图像素点灰度值大于该阈值,则当前铜片表面图像存在缺陷,反制,不存在缺陷。
进一步地,步骤S02中基于Canny算法的图像分割具体包括:
S021:采用二维高斯滤波模板对图像进行滤波处理消除噪声;
S022:采用导数算子寻找图像灰度沿两个方向的偏导数,并求出梯度的大小和梯度方向;
S023:把边缘的梯度方向大致地分为4种(水平,竖直,45°方向,135°方向),各个方向用不同的邻近像素进行比较,以决定局部极大值。若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的,那么该像素值置为0,即不是边缘。
S024:使用累计直方图计算两个闭值。凡是大于高阈值的一定是边缘;凡是小于低阈值的一定不是边缘;如果检测结果大于低阈值但又小于高阈值,那判断该像素的邻接像素有没有超过高阈值的边缘像素,若超过,即为边缘,反制,不是边缘。
进一步地,还包括对步骤S024中的高阈值和低阈值进行计算:
当目标检测结果为前帧铜片表面图像无缺陷、后帧铜片表面图像(前帧铜片表面图像、后帧铜片表面图像为时间上连续的两帧图像)存在缺陷时,边缘检测与连接的高阈值、低阈值计算具体为:
通过前帧铜片表面图像的梯度直方图,累积计算梯度幅值的像素数目,当像素数据大于图像像素的99%时的梯度幅值作为标准阈值T,后帧铜片表面图像进行边缘检测的高阈值、低阈值的计算公式为:
TH=T
TL=0.4TH
后续铜片表面图像进行边缘检测和连接时的高阈值计算公式为:
TH=T1
其中,TH表示高阈值,TL表示低阈值,T1为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
进一步地,当目标检测结果为前帧铜片表面图像、后帧铜片表面图像均无缺陷时,后续边缘检测与连接的高阈值计算公式如下:
TH=T2
其中,T2为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
进一步地,当目标检测结果为前帧铜片表面图像存在缺陷或者前帧铜片表面图像、后帧铜片表面图像均存在缺陷时,后续边缘检测与连接的高阈值为预存储标准阈值,预存储标准阈值为标准图像像素数据大于图像像素的99%时的梯度幅值。
进一步地,步骤S03特征提取步骤包括:
对铜片表面图像中的缺陷部分进行旋转、缩放处理,得到具有不变性的宽长比、矩形度、圆形度和不变矩的缺陷特征向量,以将维数较高的模式空间转化为维数较低的特征空间。具体地,通过计算移动窗口目标区域内像素在各个方向上的灰度值变化,根据窗口内区域的灰度变化大小确定窗口内是否存在角点,进而实现特征点的提取。对已知铜带表面缺陷的特征的分析,系统选择能有效分类缺陷且具有平移、旋转和缩放具有不变性的形状特征:宽长比、矩形度、圆形度和不变矩。其中宽长比、矩形度和圆形度对不同缺陷的区分度不同,即将缺陷归为特定分类的概率不同,且同一特征的区分度之和为1。宽长比对于区分类条形缺陷如划痕和类圆形缺陷如起皮、起泡等具有很高的区分度。如宽长比小于一定的系数k时属于划痕的可能性较大。其计算方法如下式:
k=W/L
其中,W表示缺陷最小外接矩形的宽度,L表示缺陷最小外接矩形的长度。
进一步地,步骤S04分类步骤包括:
对缺陷特征向量进行归一化处理后输入分类器,并计算缺陷特征向量的缺陷类型分类系数矩阵,进而实现铜片表面的缺陷分类。具体地,分类处理的计算公式为:
其中,Cj为向量中最大的元素;m表示缺陷特诊向量中的特征个数;Xi是特征向量的第i个竖直,j是缺陷类型的数目;W是区分度系数矩阵,Wij是对应的多特征对缺陷类型的区分度,且但特征对所有缺陷类型的区分度之和为1。
进一步地,步骤S01前还包括预处理步骤:
对采集的铜片表面图像进行灰度化处理以及中值滤波处理。具体地,灰度化处理能够进一步降低图像处理的计算复杂度,加快计算速度;中值滤波处理是为了有效去除噪声,并保持图像的边缘。
实施例2
本实施例与实施例1具有相同的发明构思,在实施例1的基础上,提供了一种基于机器视觉的铜带表面缺陷检测系统,系统具体包括:
目标检测单元,用于将采集的铜片表面图像进行目标检测,判断是否存在缺陷;
图像分割单元,用于通过计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
特征提取单元,用于提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
分类单元,用于根据特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
进一步地,目标检测单元将采集的铜片表面图像与标准图像进行减法处理获得差影图,通过分析差影图像素点灰度值判断前帧铜片表面图像、后帧铜片表面图像是否存在缺陷并输出目标检测结果。其中,标准图像为无缺陷的铜片表面图像,可通过摄像设备采集并预先存储。具体地,理想情况下,通过分析差影图像素点灰度值是否为零进而判断铜片表面图像,若为零,即无缺陷,反之,铜片表面图像有缺陷。然而,图像处理过程中均存在一定噪声的影响,在此基础上,根据大量铜片表面图像构成的训练集得出一灰度值阈值,若差影图像素点灰度值大于该阈值,则当前铜片表面图像存在缺陷,反制,不存在缺陷。
进一步地,图像分割单元基于Canny算法对图像进行分割,具体包括:
S121:采用二维高斯滤波模板对图像进行滤波处理消除噪声;
S122:采用导数算子寻找图像灰度沿两个方向的偏导数,并求出梯度的大小和梯度方向;
S123:把边缘的梯度方向大致地分为4种(水平,竖直,45°方向,135°方向),各个方向用不同的邻近像素进行比较,以决定局部极大值。若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的,那么该像素值置为0,即不是边缘。
S124:使用累计直方图计算两个闭值。凡是大于高阈值的一定是边缘;凡是小于低阈值的一定不是边缘;如果检测结果大于低阈值但又小于高阈值,那判断该像素的邻接像素有没有超过高阈值的边缘像素,若超过,即为边缘,反制,不是边缘。
更进一步地,还包括对步骤S124中的高阈值和低阈值进行计算:
当目标检测结果为前帧铜片表面图像无缺陷、后帧铜片表面图像(前帧铜片表面图像、后帧铜片表面图像为时间上连续的两帧图像)存在缺陷时,边缘检测与连接的高阈值、低阈值计算具体为:
通过前帧铜片表面图像的梯度直方图,累积计算梯度幅值的像素数目,当像素数据大于图像像素的99%时的梯度幅值作为标准阈值T,后帧铜片表面图像进行边缘检测的高阈值、低阈值的计算公式为:
TH=T
TL=0.4TH
后续铜片表面图像进行边缘检测和连接时的高阈值计算公式为:
TH=T1
其中,TH表示高阈值,TL表示低阈值,T1为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
进一步地,当目标检测结果为前帧铜片表面图像、后帧铜片表面图像均无缺陷时,后续边缘检测与连接的高阈值计算公式如下:
TH=T2
其中,T2为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
进一步地,当目标检测结果为前帧铜片表面图像存在缺陷或者前帧铜片表面图像、后帧铜片表面图像均存在缺陷时,后续边缘检测与连接的高阈值为预存储标准阈值,预存储标准阈值为标准图像像素数据大于图像像素的99%时的梯度幅值。
进一步地,特征提取单元对铜片表面图像中的缺陷部分进行旋转、缩放处理,得到具有不变性的宽长比、矩形度、圆形度和不变矩的缺陷特征向量,以将维数较高的模式空间转化为维数较低的特征空间。具体地,通过计算移动窗口目标区域内像素在各个方向上的灰度值变化,根据窗口内区域的灰度变化大小确定窗口内是否存在角点,进而实现特征点的提取。
进一步地,分类单元对缺陷特征向量进行归一化处理后输入分类器,并计算缺陷特征向量的缺陷类型分类系数矩阵,进而实现铜片表面的缺陷分类。
进一步地系统还包括预处理单元,用于对采集的铜片表面图像进行灰度化处理以及中值滤波处理。其中,灰度化处理能够进一步降低图像处理的计算复杂度,加快计算速度;中值滤波处理是为了有效去除噪声,并保持图像的边缘。
实施例3
本实施例提供了一种存储介质,与实施例1具有相同的发明构思,其上存储有计算机指令,计算机指令运行时执行实施例1中的基于机器视觉的铜带表面缺陷检测方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
本实施例还提供一种终端,与实施例1具有相同的发明构思,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令,处理器运行计算机指令时执行实施例1中的基于机器视觉的铜带表面缺陷检测方法的步骤。处理器可以是单核或者多核中央处理单元或者特定的集成电路,或者配置成实施本发明的一个或者多个集成电路。
在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上具体实施方式是对本发明的详细说明,不能认定本发明的具体实施方式只局限于这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替代,都应当视为属于本发明的保护范围。
Claims (10)
1.基于机器视觉的铜带表面缺陷检测方法,其特征在于:所述方法包括:
目标检测步骤:将采集的铜片表面图像进行目标检测,判断是否存在缺陷;
图像分割步骤:基于Canny算法计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
特征提取步骤:提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
分类步骤:根据所述特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
2.根据权利要求1所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:所述目标检测步骤具体包括:
将采集的铜片表面图像与标准图像进行减法处理获得差影图,通过分析差影图像素点灰度值判断铜片表面图像是否存在缺陷并输出目标检测结果。
3.根据权利要求2所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:当所述目标检测结果为前帧铜片表面图像无缺陷、后帧铜片表面图像存在缺陷时,边缘检测与连接的高阈值、低阈值计算具体为:
通过前帧铜片表面图像的梯度直方图,累积计算梯度幅值的像素数目,当像素数据大于图像像素的99%时的梯度幅值作为标准阈值T,后帧铜片表面图像进行边缘检测的高阈值、低阈值的计算公式为:
TH=T
TL=0.4TH
后续铜片表面图像进行边缘检测和连接时的高阈值计算公式为:
TH=T1
其中,TH表示高阈值,TL表示低阈值,T1为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
4.据权利要求2所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:当所述目标检测结果为前帧铜片表面图像、后帧铜片表面图像均无缺陷时,后续边缘检测与连接的高阈值计算公式如下:
TH=T2
其中,T2为上一帧无缺陷的铜片表面图像的梯度直方图获取的高阈值。
5.根据权利要求1所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:当所述目标检测结果为前帧铜片表面图像存在缺陷或者前帧铜片表面图像、后帧铜片表面图像均存在缺陷时,后续边缘检测与连接的高阈值为预存储标准阈值,所述预存储标准阈值为标准图像像素数据大于图像像素的99%时的梯度幅值。
6.根据权利要求1所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:所述特征提取步骤包括:
对铜片表面图像中的缺陷部分进行旋转、缩放处理,得到具有不变性的宽长比、矩形度、圆形度和不变矩的缺陷特征向量。
7.根据权利要求6所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:所述分类步骤包括:
对缺陷特征向量进行归一化处理后输入分类器,并计算缺陷特征向量的缺陷类型分类系数矩阵,进而实现铜片表面的缺陷分类。
8.根据权利要求1所述的基于机器视觉的铜带表面缺陷检测方法,其特征在于:所述目标检测步骤前还包括对采集的铜片表面图像进行灰度化处理以及中值滤波处理。
9.根据权利要求1-8任意一项所述的的基于机器视觉的铜带表面缺陷检测方法的系统,所述系统包括:
目标检测单元,用于将采集的铜片表面图像进行目标检测,判断是否存在缺陷;
图像分割单元,用于通过计算连续前帧铜片表面图像、后帧铜片表面图像的梯度直方图自适应设置高阈值和低阈值进而实现铜带表面的缺陷分割;
特征提取单元,用于提取铜片表面图像中缺陷部分的特征信息,包括几何特征、灰度特征、形状特征和纹理特征;
分类单元,用于根据所述特征信息对铜片表面图像中的缺陷进行分类处理,实现铜带表面的缺陷分类。
10.根据权利要求9所述的基于机器视觉的铜带表面缺陷检测系统,其特征在于:所述系统还包括预处理单元,用于对采集的铜片表面图像进行灰度化处理以及中值滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011338930.XA CN112304958A (zh) | 2020-11-25 | 2020-11-25 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011338930.XA CN112304958A (zh) | 2020-11-25 | 2020-11-25 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112304958A true CN112304958A (zh) | 2021-02-02 |
Family
ID=74335647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011338930.XA Pending CN112304958A (zh) | 2020-11-25 | 2020-11-25 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112304958A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884769A (zh) * | 2021-04-12 | 2021-06-01 | 深圳中科飞测科技股份有限公司 | 图像处理方法、装置、光学系统和计算机可读存储介质 |
CN114354631A (zh) * | 2022-01-12 | 2022-04-15 | 绍兴职业技术学院 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
CN117115148A (zh) * | 2023-10-19 | 2023-11-24 | 苏州弘皓光电科技有限公司 | 基于5g技术的芯片表面缺陷智能识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4519041A (en) * | 1982-05-03 | 1985-05-21 | Honeywell Inc. | Real time automated inspection |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
-
2020
- 2020-11-25 CN CN202011338930.XA patent/CN112304958A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4519041A (en) * | 1982-05-03 | 1985-05-21 | Honeywell Inc. | Real time automated inspection |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
沈昱明 等: ""机器视觉在铜带表面缺陷检测系统中的应用"", 《电子测量技术》, vol. 33, no. 04, 15 April 2010 (2010-04-15), pages 65 - 67 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884769A (zh) * | 2021-04-12 | 2021-06-01 | 深圳中科飞测科技股份有限公司 | 图像处理方法、装置、光学系统和计算机可读存储介质 |
CN114354631A (zh) * | 2022-01-12 | 2022-04-15 | 绍兴职业技术学院 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
CN117115148A (zh) * | 2023-10-19 | 2023-11-24 | 苏州弘皓光电科技有限公司 | 基于5g技术的芯片表面缺陷智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112304958A (zh) | 基于机器视觉的铜带表面缺陷检测方法及系统 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN108491784B (zh) | 面向大型直播场景的单人特写实时识别与自动截图方法 | |
WO2017190656A1 (zh) | 行人再识别方法和装置 | |
Hassanin et al. | A real-time approach for automatic defect detection from PCBs based on SURF features and morphological operations | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
US9558403B2 (en) | Chemical structure recognition tool | |
CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN110675442B (zh) | 一种结合目标识别技术的局部立体匹配方法及系统 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
Moayedi et al. | Contourlet-based mammography mass classification | |
CN117036342B (zh) | 一种芯片缺陷识别方法及系统 | |
CN116523916B (zh) | 产品表面缺陷检测方法、装置、电子设备及存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN112528740A (zh) | 一种压板状态识别方法 | |
CN111862073A (zh) | 一种电力设备的温度采集方法和装置 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN115115622B (zh) | 一种冲压端子视觉检测装置 | |
US20200380671A1 (en) | Medical image detection | |
CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN111935480A (zh) | 一种用于图像获取装置的检测方法及相关装置 |
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 |