CN112381827A - 基于视觉图像的快速高精度缺陷检测方法 - Google Patents

Abstract

本申请公开了一种基于视觉图像的快速高精度缺陷检测方法，包括以下步骤：对参考基准物体定位并采集图像、创建匹配模板并确定检测区域、对待测物体定位并采集图像、基准区域图像和待测区域图像对比，提取异常区域、异常区域特征提取及筛选。本发明基于视觉图像的快速高精度缺陷检测方法，检测过程简单快捷，不需要专门定制高精度标定板或辅助工具，对对位模组装配精度要求较低，经过多个相机一次拍照即可完成平移位置和旋转角度的计算，对位过程效率和精度均较高，从而能够实现对目标物体的快速高精度缺陷检测。

Description

基于视觉图像的快速高精度缺陷检测方法

技术领域

本发明涉及工业品缺陷检测技术领域，特别涉及一种基于视觉图像的快速高精度缺陷检测方法。

背景技术

在芯片半导体、显示面板、手机面板、PCB制造等行业，其制造工艺对精度要求极高，对制造工艺中产生的缺陷容忍度较低，通常需要高精度的缺陷检测方法。显示面板、手机面板的生产加工工艺的流程一般包括：开料、开槽、倒边、精雕、平磨、清洗、电镀/丝印、镜片清洗、包装。

在利用视觉图像进行检测时，为了确保检测精度，通常需要先对产品进行对位，然后和标准模板进行比对来定位缺陷，对位精度直接影响了检测效果。自动视觉对位或视觉引导在工业场景下应用极为广泛，其目的是借助于视觉图像来计算目标的位姿偏差，然后借助于三自由度运动机构以及相应的控制系统对位姿偏差进行补偿，从而实现对目标物体位置和姿态的矫正。

目前常用的视觉图像缺陷检测方法大多是基于玻璃盖板图像的边缘提取，而后分析边缘轮廓的平整性和凹凸区域，以手机面板为例，在对手机面板进行缺陷检测时，主要是分析面板边缘的轮廓是否平整或者存在凹凸区域，也就是检测图像边缘是否存在凸起或者凹陷，现有技术中对于细小的、倒边、精雕、平磨、清洗、电镀/丝印等加工过程损造成的细微缺陷还很难检出，因为在这类细微缺陷附近的边缘轮廓仍然是平直的，部分为边缘存在微缺陷部分。

现有技术的视觉图像缺陷检测中，基于单相机的视觉对位步骤相对较为成熟，但其仅适用于对较小的目标物体进行对位，当对较大目标物体进行对位时，误差较大，精度降低。基于多相机视觉图像的对位系统在理论上可以做到精度更高，应用范围更广，但目前绝大多数视觉图像缺陷检测中多相机视觉图像对位系统方法存在如下问题：

第一，标定过程复杂，很多方法需要借助于定制高精度标定板，不仅制作成本高昂，而且标定算法逻辑复杂，当对位模组的平行度和垂直度存在误差时，还会导致对位精度下降；还有很多标定方法需要多次计算对位误差，然后反复迭代计算线性补偿参数，且无法自动完成。

第二，对位过程复杂，很多对位方法在标定时没有标定出旋转中心，或者没有建立合适的对位模型，导致需要多次拍照和多次平台移动，才能完成对位过程，导致对位效率较低。

第三，对位精度较低。很多对位系统在建立多相机之间的位置关系模型时，考虑因素不全或忽略了某些参数，导致对位精度较低。

现有技术的视觉图像缺陷检测方法还有一种是采用终检时用人工目检，这种方法不能预先防范由于设备和生产过程发生的批量性不良，一片盖板从透明基板到成品通常要经过多达二十道的印刷和烘烤，累计耗时数小时。目前常规的自动化丝印机单道印刷产能都在每小时600-1400片，从不良产品的首次发生到终检发现有可能已造成上千片不良品的发生，导致生产成本提高和有效产能下降，工作效率很低。

发明内容

本发明所要解决的技术问题在于，针对上述现有技术中的不足，提出了一种基于视觉图像的快速高精度缺陷检测方法。本发明快速高精度缺陷检测方法，标定过程简单快捷，不需要专门定制高精度标定板或辅助工具，对对位模组装配精度要求较低，经过多个相机一次拍照即可完成平移位置和旋转角度的计算，对位过程效率和精度均较高，从而能够实现对目标物体的快速高精度缺陷检测。

为解决上述技术问题，本发明提供了一种基于视觉图像的快速高精度缺陷检测方法，包括以下步骤：

步骤201：对参考基准物体进行快速高精度定位，然后进行高精度图像采集，并保存为基准图像；

步骤202：依据基准图像上的Mark，创建匹配模板，并在基准图像上确定检测区域，并建立检测区域和Mark之间的位置关系；

步骤203：对目标物体进行快速高精度定位，然后进行高精度图像采集，依据步骤202中的Mark匹配模板，在前述高精度图像采集到的图像中查找Mark位置，并根据查找结果，依据检测区域与Mark之间的位置关系，将步骤202中所述的检测区域变换到前述高精度图像采集到的图像中；

步骤204：分别在基准图像和待测图像中，提取出对应检测区域的图像，并进行图像算法比对，确定出异常区域和大小。

优选地，所述方法进一步包括：

步骤205：对步骤204中确定出的异常区域进行特征提取，根据真实缺陷特征信息分布，剔除掉干扰异常区域，并计算出真正的缺陷位置及大小。

优选地，所述快速高精度定位的步骤，进一步包括：基于多相机视觉图像的快速标定步骤 和/或 基于多相机视觉图像的快速对位步骤。

优选地，

所述高精度图像采集的步骤，进一步包括：静态图像采集，和/或，动态图像采集。

优选地，所述基于多相机视觉图像的快速标定步骤，进一步包括：

步骤A1：图像特征点查找，所述图像特征点查找能够对前述高精度图像采集到的图像中的关键点进行定位，并计算出特征点在图像中的位置坐标；

步骤A2：平台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标；

步骤A3：标定模型及参数计算；

步骤A4： 平台旋转多个位置，并计算每个位置的图像特征点坐标；

步骤A5：旋转中心计算。

优选地，所述图像特征点查找，进一步包括：基于直线交点的方式，灰度匹配的方式和/或形状匹配的方式。

优选地，所述步骤A2中的计算每个位置的图像特征点坐标的过程，是基于步骤A1中所述的特征点查找计算的。

优选地，所述步骤A5旋转中心计算的步骤，进一步包括：依据步骤A3所述的标定模型和参数，将步骤14所述计算的图像特征点坐标转换到相机的标定物理坐标系，得到多个物理坐标点；基于多点拟合圆的策略计算出圆心，并作为旋转中心。

优选地，所述基于多相机视觉图像的快速对位步骤，进一步包括：

步骤B1：调整目标物体到参考位置，计算各相机图像中的特征点坐标，并基于标定模型、参数和旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置和基准角度；

步骤B2：当目标物体位置发生变化时，同样按照步骤B1中所述的过程，计算当前目标物体对应的当前位置和角度 ；

步骤B3：依据步骤B1中的基准位置和角度以及步骤B2中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出平台的位移量和旋转角度 ；

步骤B4：根据步骤B3中所述的位移量和旋转角度，控制平台运动，完成对位。

优选地，所述步骤B1中的计算目标物体在该坐标系下位置的步骤进一步包括：利用多个相机图像中的特征点求均值的方式。

优选地，所述步骤B1中的计算目标物体在该坐标系下角度的步骤进一步包括：利用多个相机图像中任意两个特征点之间向量角度的方式，和/或，利用多个中间特征点之间向量角度的方式。

为解决上述技术问题，本发明还提供了一种基于多相机视觉图像的快速标定方法，包括以下步骤：

步骤A1：图像特征点查找，所述图像特征点查找能够对目标图像中的关键点进行定位，并计算出特征点在图像中的位置坐标；

步骤A2：平台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标；

步骤A3：标定模型及参数计算；

步骤A4： 平台旋转多个位置，并计算每个位置的图像特征点坐标；

步骤A5：旋转中心计算。

优选地，所述图像特征点查找，进一步包括：基于直线交点的方式，灰度匹配的方式和/或形状匹配的方式。

优选地，所述步骤A2中的计算每个位置的图像特征点坐标的过程，是基于步骤A1中所述的特征点查找方法计算的。

优选地，所述步骤A5旋转中心计算的步骤，进一步包括：依据步骤A3所述的标定模型和参数，将步骤A4所述计算的图像特征点坐标转换到相机的标定物理坐标系，得到多个物理坐标点；基于多点拟合圆的策略计算出圆心，并作为旋转中心。

为解决上述技术问题，本发明又提供了一种基于多相机视觉图像的快速对位方法，包括以下步骤：

步骤B1：调整目标物体到参考位置，计算各相机图像中的特征点坐标，并基于标定模型、参数和旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置和基准角度；

步骤B2：当目标物体位置发生变化时，同样按照步骤B1中所述的过程，计算当前目标物体对应的当前位置和角度 ；

步骤B3：依据步骤B1中的基准位置和角度以及步骤B2中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出平台的位移量和旋转角度 ；

步骤B4：根据步骤B3中所述的位移量和旋转角度，控制平台运动，完成对位。

优选地，所述步骤B1中的计算目标物体在该坐标系下位置的步骤进一步包括：利用多个相机图像中的特征点求均值的方式。

优选地，所述步骤B1中的计算目标物体在该坐标系下角度的步骤进一步包括：利用多个相机中任意两个相机图像中的特征点之间向量角度的方式，和/或，利用多个中间特征点之间向量角度的方式。

本发明有益效果包括：建立了图像特征点快速查找方法，获取多个对应的物理坐标点和图像特征点，多相机视觉图像快速对位。本发明方法通过集成到相应的控制软件中，能够实现对目标物体的快速高精度成像并检测出其缺陷位置和大小，可以实现对目标物体的高精度缺陷检测，在工业机器视觉领域具有广泛的应用场景和应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是一部分实施例或现有技术，对于本领域普通技术人员来讲，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它的类似或相关附图。

图1为本发明实施例所述简化应用场景下的快速高精度缺陷检测系统构成示意图；

图2为本发明实施例所述基于视觉图像的快速高精度缺陷检测方法简化流程图；

图3为本发明实施例所述视觉图像的快速高精度缺陷检测方法中视觉图像标定的简化流程图；

图4为本发明实施例所述视觉图像的快速高精度缺陷检测方法中视觉图像对位的简化流程图。

具体实施方式

下面结合实施例详述本发明。为使本发明的目的、技术方案及优点更加清楚、明确，以下对本发明进一步详细说明，但本发明并不局限于这些实施例。

本发明基于视觉图像的快速高精度缺陷检测方法，包括以下步骤：对参考基准物体进行快速高精度定位并采集高精度图像、创建匹配模板、确定检测区域；对待测物体进行快速高精度定位并采集高精度图像、基准区域图像和待测区域图像对比，提取异常区域、异常区域特征提取及筛选。

所述高精度定位包含两个方面：一是多相机视觉图像的快速标定，标定过程包括如下步骤:建立一种图像特征点查找方法、获取多个对应的物理坐标点和图像特征点、标定模型及参数计算、旋转中心计算；一是多相机视觉图像的快速对位，其过程包括如下步骤：调整目标到参考位置，基于视觉图像计算出基准位置和基准角度、根据目标当前位置，依据视觉图像计算当前位置和角度、依据视觉计算偏差和对位模型反算出运动平台的位移量和旋转角度、控制平台运动，完成对位。

本发明借助于对目标物体的快速高精度定位，可以实现对目标物体的高精度缺陷检测，在工业机器视觉领域具有广泛的应用场景和应用价值。

在一实施例中，本发明提供了一种基于视觉图像的快速高精度缺陷检测方法，包括以下步骤：

步骤201：对参考基准物体进行快速高精度定位，然后进行高精度图像采集，并保存为基准图像；

步骤202：依据基准图像上的定位Mark标志，创建匹配模板，并在基准图像上确定检测区域，并建立检测区域和Mark之间的位置关系；

步骤203：对待测目标物体进行快速高精度定位，然后进行高精度图像采集，依据步骤202中的Mark匹配模板，在当前待测目标图像中查找Mark位置，并根据查找结果，依据检测区域与Mark之间的位置关系，将步骤202中所述的检测区域变换到待测图像中；

步骤204：分别在基准图像和待测图像中，提取出对应检测区域的图像，并进行图像算法比对，确定出异常区域和大小。

优选地，所述方法进一步包括：

步骤205：对步骤204中检出的异常区域进行特征提取，根据真实缺陷特征信息分布，剔除掉干扰异常区域，并计算出真正的缺陷位置及大小。

优选地，所述快速高精度定位的步骤，进一步包括：基于多相机视觉图像的快速标定步骤 和/或 基于多相机视觉图像的快速对位步骤。

优选地，所述高精度图像采集包含两种方式，一种是静态图像采集，指采集图像时目标物体和相机均是静止状态，此时需要保证光学镜头分辨率是检测精度的10倍以上；另一种是动态图像采集，指采集图像时目标物体或相机是运动的，除了保证光学镜头分辨率是检测精度的10倍以上外，还需要保证目标物体或相机的运动精度也必须要和光学镜头分辨率一致。

优选地，所述基于多相机视觉图像的快速标定步骤，进一步包括：

步骤A1：建立图像特征点查找方法，所述图像特征点查找方法能够对目标图像中的关键点进行定位，并计算出特征点在图像中的位置坐标；

步骤A2：载物台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标；

步骤A3：标定模型及参数计算；

步骤A4： 载物台旋转多个位置，并计算每个位置的图像特征点坐标；

步骤A5：旋转中心计算。

优选地，所述图像特征点查找步骤，进一步包括：基于直线交点的方式，灰度匹配的方式 和/或 形状匹配的方式。

优选地，所述步骤A2中的计算每个位置的图像特征点坐标的过程，是基于步骤A1中所述的特征点查找方法计算的。

优选地，所述步骤A5旋转中心计算的步骤，进一步包括：依据步骤A3所述的标定模型和参数，将步骤14所述计算的图像特征点坐标转换到相机的标定物理坐标系，得到多个物理坐标点；基于多点拟合圆的策略计算出圆心，并作为旋转中心。

优选地，所述基于多相机视觉图像的快速对位步骤，进一步包括：

步骤B1：调整目标到参考位置，计算各相机图像中的特征点坐标，并基于标定模型、参数和旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置和基准角度；

步骤B2：当目标位置发生变化时，同样按照步骤B1中所述的过程，计算当前目标物体对应的当前位置和角度 ；

步骤B3：依据步骤B1中的基准位置和角度以及步骤B2中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出运动平台的位移量和旋转角度 ；

步骤B4：根据步骤B3中所述的位移量和旋转角度，控制平台运动，完成对位。

优选地，所述步骤B1中的计算目标物体在该坐标系下位置的步骤进一步包括：利用多个相机对应的特征点求均值的方式。

优选地，所述步骤B1中的计算目标物体在该坐标系下角度的步骤进一步包括：利用多个相机中任意两个点之间向量角度的方式，和/或，利用多个中间点之间向量角度的方式。

在另一实施例中，本发明还提供了一种基于多相机视觉图像的快速标定方法，包括以下步骤：

步骤A1：建立图像特征点查找方法，所述图像特征点查找方法能够对目标图像中的关键点进行定位，并计算出特征点在图像中的位置坐标；

步骤A2：载物台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标；

步骤A3：标定模型及参数计算；

步骤A4： 载物台旋转多个位置，并计算每个位置的图像特征点坐标；

步骤A5：旋转中心计算。

优选地，所述图像特征点查找步骤，进一步包括：基于直线交点的方式，灰度匹配的方式 和/或 形状匹配的方式。

优选地，所述步骤A2中的计算每个位置的图像特征点坐标的过程，是基于步骤A1中所述的特征点查找方法计算的。

优选地，所述步骤A5旋转中心计算的步骤，进一步包括：依据步骤A3所述的标定模型和参数，将步骤14所述计算的图像特征点坐标转换到相机的标定物理坐标系，得到多个物理坐标点；基于多点拟合圆的策略计算出圆心，并作为旋转中心。

在又一实施例中，本发明另提供了一种基于多相机视觉图像的快速对位方法，包括以下步骤：

步骤B1：调整目标到参考位置，计算各相机图像中的特征点坐标，并基于标定模型、参数和旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置和基准角度；

步骤B2：当目标位置发生变化时，同样按照步骤B1中所述的过程，计算当前目标物体对应的当前位置和角度 ；

步骤B3：依据步骤B1中的基准位置和角度以及步骤B2中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出运动平台的位移量和旋转角度 ；

步骤B4：根据步骤B3中所述的位移量和旋转角度，控制平台运动，完成对位。

优选地，所述步骤B1中的计算目标物体在该坐标系下位置的步骤进一步包括：利用多个相机对应的特征点求均值的方式。

优选地，所述步骤B1中的计算目标物体在该坐标系下角度的步骤进一步包括：利用多个相机中任意两个点之间向量角度的方式，和/或，利用多个中间点之间向量角度的方式。

如图1所示，为本实施例所述缺陷检测方法所适用的一种简化应用场景下的基本系统结构，包括第一对位相机1、第二对位相机2、检测相机3、目标物体4、三自由度运动载物台5、图像显示器6、图像采集卡7、运动控制卡8、计算机9、电机驱动器10。第一对位相机1和第二对位相机2负责采集目标物体4中局部特征信息，并通过图像采集卡7传输到计算机9中，并显示在图像显示器6上，计算机9根据本发明所述方法计算出目标物体位置和角度偏差，并发送控制指令到运动控制卡8，运动控制卡8进一步将指令发送到电机驱动器10，控制三自由度运动载物台5进行平移和旋转，完成目标物体位置和角度的矫正。所述三自由度运动载物台5可以进行X方向和Y方向的平移以及绕Z轴旋转。位置矫正以后，检测相机3对目标物体外观进行高精度图像采集，并经过计算机9进行图像处理，计算出目标物体的缺陷信息。

如图2所示，为本实施例所述基于视觉图像的快速高精度缺陷检测方法的简化流程图，其包含以下步骤：

步骤201：对参考基准物体进行快速高精度定位，然后进行高精度图像采集，并保存为基准图像。

步骤202：依据基准图像上的定位Mark标志，创建匹配模板，并在基准图像上确定检测区域，并建立检测区域和Mark之间的位置关系。

步骤203：对待测目标物体进行快速高精度定位，然后进行高精度图像采集，依据步骤202中的Mark匹配模板，在当前待测目标图像中查找Mark位置，并根据查找结果，依据检测区域与Mark之间的位置关系，将步骤202中所述的检测区域变换到待测图像中。

步骤204：分别在基准图像和待测图像中，提取出对应检测区域的图像，并进行图像算法比对，确定出异常区域和大小。

步骤205：对步骤204中检出的异常区域进行特征提取，根据真实缺陷特征信息分布，剔除掉干扰异常区域，并计算出真正的缺陷位置及大小。

如图3所示，为了实现前述实施例的步骤201和步骤203中所述的目标物体和待测物体的高精度定位，本实施例提供了一种基于多相机视觉图像的快速标定方法，其简化流程图其包含以下步骤：

步骤301：建立一种图像特征点查找方法，通常需要根据目标物体的特征选择不同的方法，比如基于直线交点的方法、灰度匹配的方法、形状匹配的方法等，需要确保特征点查找结果的一致性，否则会导致标定结果不准确。

步骤302：载物台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标，其实施过程包括如下子步骤：

子步骤302A：将目标物体放置在运动平台上，调节多个相机的拍照位置，确保目标物体上的多个关键特征点均大致位于（或称基本位于）各相机的图像中心。

子步骤302B：基于子步骤302A所述三自由度运动平台，规划4个以上的平移运动点位（

），控制运动平台依次运动到这些物理位置，记录每个物理位置对应的物理坐标，并在每个位置控制多个相机分别采集图像。

子步骤302C：基于子步骤302B所采集的图像，并基于步骤301所述的图像特征点查找方法，分别计算出目标特征点在各个图像中像素坐标（

），k表示相机个数。

步骤303：标定模型及参数计算。根据子步骤302B和步骤子302C中的平台物理坐标（

）以及获取的目标特征点在各个图像中的像素坐标（

），按照以下计算模型，用最小二乘法，分别计算出各相机所对应的

标定矩阵。

步骤304：载物台旋转多个位置，并计算每个位置的图像特征点坐标。在实施过程中包括如下子步骤：

子步骤304A：规划3个以上的旋转点位（

），并控制三自由度运动平台分别旋转到这些角度，每旋转到一个位置，控制多个相机进行图像采集，并基于步骤301所述的图像特征点查找方法，分别计算出目标特征点在各个图像中像素坐标（

）。

子步骤304B：根据子步骤304A中计算出的目标特征点在各个图像中像素坐标（

），并基于步骤303中的所述计算模型及标定矩阵

，计算出对应的物理坐标（

）。

步骤305：旋转中心计算。根据子步骤304B中计算出的多个XY平面物理坐标（

），基于拟合圆的思想计算出其对应的圆心物理坐标（

）。

如图4所示，为了实现前述实施例中步骤201和步骤203所述的目标物体和待测物体的高精度定位，本实施例提供了一种基于多相机视觉图像的对位方法，其简化流程图包括以下步骤：

步骤401：调整目标到参考位置，计算各相机图像中的特征点坐标，并基于步骤303中所述的标定模型、参数和步骤305中的旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置（

）和基准角度

，其计算过程包括如下子步骤：

子步骤401A：当目标物体在参考位置时，控制多个相机进行图像采集，并基于步骤301中的图像特征点查找方法，分别计算出目标特征点在各个图像中像素坐标（

）。

子步骤401B：计算对应物理坐标。基于步骤303中的所述计算模型及标定矩阵

，计算出对应的物理坐标（

），并进一步减去步骤304所计算的圆心物理坐标（

）。

子步骤401C：获取目标物体基准中心位置坐标和基准角度。基于子步骤401B所计算的各相机特征点所对应的多个物理坐标（

），建立一种合理的描述目标物体基准位置和角度的方法，并求取目标物体的基准位置（

）和基准角度

。例如：可以采用求均值的方法计算基准位置，任意两点连线的方法求基准角度。

步骤402：当目标位置发生变化时，同样按照步骤401中所述的过程，计算当前目标物体对应的当前位置（

）和角度

；

步骤403：依据步骤401中的基准位置和角度以及步骤402中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出运动平台的位移量（

）和旋转角度

。其实施过程包括如下子步骤：

子步骤403A：计算旋转角度偏差

，

，

表示基准角度，

表示当前角度。

子步骤403B：依据步骤402所述当前位置（

），计算当前位置对应的向量长度r和向量角度

：

子步骤403C：依据子步骤403A所述角度偏差

以及子步骤403B中的向量长度r和向量角度

，计算新的向量位置（

），计算过程如下：

子步骤403D：依据步骤401中的所述目标基准位置（

）和子步骤403C中的所述新的向量位置（

），计算位移量偏差：

步骤404：根据步骤403计算的角度偏差

和位置偏差（

），控制三自由度运动平台进行相对运动，即可实现将目标物体调整到和基准目标同样的位姿状态。

以上所述，仅是本发明的几个实施例，并非对本发明做任何形式的限制，虽然本发明以较佳实施例揭示如上，然而并非用以限制本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于本发明技术方案保护范围内。

Claims (11)

1.一种基于视觉图像的快速高精度缺陷检测方法，其特征在于，包括以下步骤：

步骤201：对参考基准物体进行快速高精度定位，然后进行高精度图像采集，并保存为基准图像；

步骤202：依据基准图像上的Mark，创建匹配模板，并在基准图像上确定检测区域，并建立检测区域和Mark之间的位置关系；

步骤203：对目标物体进行快速高精度定位，然后进行高精度图像采集，依据步骤202中的匹配模板，在前述高精度图像采集得到的图像中查找Mark位置，并根据查找结果，依据检测区域与Mark之间的位置关系，将步骤202中所述的检测区域变换到前述高精度图像采集得到的图像中；

步骤204：分别在基准图像和待测图像中，提取出对应检测区域的图像，并进行图像算法比对，确定出异常区域和大小。

2.根据权利要求1所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述方法进一步包括：

步骤205：对步骤204中确定出的异常区域进行特征提取，根据真实缺陷特征信息分布，剔除掉干扰异常区域，并计算出真正的缺陷位置及大小。

3.根据权利要求1所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述快速高精度定位的步骤，进一步包括：基于多相机视觉图像的快速标定步骤 和/或 基于多相机视觉图像的快速对位步骤。

4.根据权利要求1所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述高精度图像采集的步骤，进一步包括：静态图像采集，和/或，动态图像采集。

5.根据权利要求3所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述基于多相机视觉图像的快速标定步骤，进一步包括：

步骤A1：图像特征点查找，所述图像特征点查找能够对前述高精度图像采集得到的图像中的关键点进行定位，并计算出特征点在图像中的位置坐标；

步骤A2：平台平移多个位置，记录平台物理坐标，并计算每个位置的图像特征点坐标；

步骤A3：标定模型及参数计算；

步骤A4： 平台旋转多个位置，并计算每个位置的图像特征点坐标；

步骤A5：旋转中心计算。

6.根据权利要求5所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述图像特征点查找，进一步包括：基于直线交点的方式，灰度匹配的方式和/或形状匹配的方式。

7.根据权利要求5所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述步骤A2中的计算每个位置的图像特征点坐标的过程，是基于步骤A1中所述的特征点查找计算的。

8.根据权利要求5所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述步骤A5旋转中心计算的步骤，进一步包括：依据步骤A3所述的标定模型和参数，将步骤A4所述计算的图像特征点坐标转换到相机的标定物理坐标系，得到多个物理坐标点；基于多点拟合圆的策略计算出圆心，并作为旋转中心。

9.根据权利要求3所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述基于多相机视觉图像的快速对位步骤，进一步包括：

步骤B1：调整目标物体到参考位置，计算各相机图像中的特征点坐标，并基于标定模型、参数和旋转中心，将各相机图像中的特征点变换到同一个标定物理坐标系下，并计算目标物体在该坐标系下的位置和角度，记录为基准位置和基准角度；

步骤B2：当目标物体位置发生变化时，同样按照步骤B1中所述的过程，计算当前目标物体对应的当前位置和角度 ；

步骤B3：依据步骤B1中的基准位置和角度以及步骤B2中的当前位置和角度，计算位置和角度偏差，并基于对位模型反算出平台的位移量和旋转角度 ；

步骤B4：根据步骤B3中所述的位移量和旋转角度，控制平台运动，完成对位。

10.根据权利要求9所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述步骤B1中的计算目标物体在该坐标系下位置的步骤进一步包括：利用多个相机图像中的特征点求均值的方式。

11.根据权利要求9所述基于视觉图像的快速高精度缺陷检测方法，其特征在于，所述步骤B1中的计算目标物体在该坐标系下角度的步骤进一步包括：利用多个相机图像中任意两个特征点之间向量角度的方式，和/或，利用多个中间特征点之间向量角度的方式。

Images