CN112669322B - 一种基于svm分类的工业部件表面轻微缺陷检测方法 - Google Patents
一种基于svm分类的工业部件表面轻微缺陷检测方法 Download PDFInfo
- Publication number
- CN112669322B CN112669322B CN202110300455.5A CN202110300455A CN112669322B CN 112669322 B CN112669322 B CN 112669322B CN 202110300455 A CN202110300455 A CN 202110300455A CN 112669322 B CN112669322 B CN 112669322B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- svm classification
- points
- straight line
- 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
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于SVM分类的工业部件表面轻微缺陷检测方法,其检测步骤为:S100、仿射变换,对部件表面缺陷的图像进行仿射变换;S200、随机点遍历,对仿射变换后的图像分块并进行随机点遍历;S300、缺陷识别,通过图像上的随机点进行缺陷识别运算;S400、SVM分类,根据缺陷检测结果和SVM分类法,获取准确度较高的超平面,判断是否存在缺陷。本发明基于SVM分类的工业部件表面轻微缺陷检测算法代替人工进行缺陷检测,提高了缺陷识别的准确率,提升了缺陷检测效率,减轻人工检测的压力;采用蒙特卡罗算法通过SVM分类、有效的解决了细微缺陷的识别问题、细微缺陷识别的准确率较高、满足工业检测对时间性能的需求。
Description
技术领域
本发明涉及机器视觉缺陷检测领域,尤其涉及一种基于SVM分类的工业部件表面轻微缺陷检测方法。
背景技术
随着人们生活质量的提高,对电子产品质量要求也越来越高,从而电子产品表面的缺陷检测的需求也越来越多。传统的表面缺陷检测、多数以人工检测为主、人工检测存在效率低、主观性强、易疲劳等一系列的缺点,检测效果达不到工业化生产高效和精确检测的要求。
在工业部件的缺陷检测过程中,经常会遇到一些轻微的缺陷,比如砂痕印,此种缺陷的特征为较细的多道划痕、且和背景色区别不明显。
在笔记本后盖的生产过程中,由于生产工艺等方面的原因,笔记本的外壳表面经常会出现一些较为轻微的缺陷,该缺陷的形状较细长、且有多条缺陷并行存在着,由于缺陷较为不明显、人工检测难度较大、效率较低且准确率较差,采用机器拍照进行检测的方式,很难能得到较为清晰的图像,尤其是缺陷的亮度和图像背景不易分开(由于缺陷所在位置处的像素值和工件的像素值较为接近,从图像上来看,亮度区分度不高),导致普通的缺陷检测算法无法发挥作用。
发明内容
本发明要解决的技术问题是:为了解决对于不明显的轻微的缺陷,不容易识别的问题,本发明提供一种基于SVM分类的工业部件表面轻微缺陷检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于SVM分类的工业部件表面轻微缺陷检测方法,其检测步骤为:
S100、仿射变换
对部件表面缺陷的图像进行仿射变换;
S200、随机点遍历
对仿射变换后的图像分块并进行随机点遍历;
S300、缺陷识别
通过图像上的随机点进行缺陷识别运算;
S400、SVM分类
根据缺陷检测结果和SVM分类法,获取准确度较高的超平面,判断是否存在缺陷。
进一步,步骤S100包括:
S110、采集图像并对其进行组装,作为原始输入图像;
S120、对输入的图像中的倾斜图像进行定位,并进行仿射变换。
进一步,步骤S200包括:
S210、对仿射变换后的图像进行分块,进行砂痕印提取算法,并行处理;
S220、对分块后的小图像采用蒙特卡罗随机取点法,以随机点作为基准点,并对其进行遍历。
进一步,步骤S300包括:
S310、以随机点作为缺陷基准直线的中心点,统计经过此中心点每一条直线的黑色像素点个数;
S320、统计基准直线上的像素值,提取此基准直线两侧一定距离的两根直线,根据两根直线上的像素值求取两根直线的均值,并与基准直线的像素值进行比较;
S330、获得黑色像素点多且与两根直线的均值差别大的直线。
进一步,步骤S400包括:
S410、提取黑色像素点较多的多张图像;
S420、对多张图像进行SVM分类法,获取准确度较高的超平面,判断部件表面是否存在轻微缺陷。
本发明的有益效果是,本发明用于类直线的轻微缺陷的检测,采用逐步细化的策略,基于SVM分类的工业部件表面轻微缺陷检测算法代替人工进行缺陷检测,提高了缺陷识别的准确率,提升了缺陷检测效率,减轻人工检测的压力;其中采用蒙特卡罗算法通过SVM分类,有效的解决了细微缺陷的识别问题,同时细微缺陷识别的准确率较高,而且此算法运行时间较短,完全满足工业检测对时间性能的需求。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明流程框图。
图2是本发明原始输入图像中的倾斜图像。
图3是本发明仿射变换后的图像。
图4是本发明分块后的图像。
图5是本发明蒙特卡罗算法生成的位于图像中心的随机点。
图6是本发明轮询直线旋转工作图。
图7是本发明直线AB与直线A1B1、直线A2B2进行比较图。
图8是本发明为SVM分类的线性分割图。
图8的(a)中的左边示意为良品图像中统计出的黑色像素点个数,右边示意为不良品图像中统计出的黑色像素点个数;
图8的(b)示意为在砂痕印缺陷比较严重的情况下,左边的像素点与右边的像素点相距较远;
图8的(c)示意为在砂痕印缺陷比较轻微的情况下,左边的像素点与右边的像素点相距较近。
具体实施方式
现在结合附图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所示,是本发明最优实施例。
一种基于SVM分类的工业部件表面轻微缺陷检测方法,其检测步骤为:
S100、仿射变换
S110、采集图像并对其进行组装,作为原始输入图像:
为获取较大的视野和极高的精度,选择线阵工业相机采集图像,对采集到的每一行图像进行组装,把组装后的图像作为原始输入图像;对于不能精确控制工件位置的图像,图像会出现倾斜的现象。
采用线阵相机采集图像,采集的数据是一行数据,需要将指定行的数据进行拼接组装,获得一幅较大的图像,从而进行图像处理。
对笔记本后盖的工件表面进行图像采集,由于其工件较大,尤其是在侧面的图像较细长,采集后的图像分辨率为500*8500。
S120、对输入的图像中的倾斜图像进行定位,并进行仿射变换:
见图2和图3,对于倾斜的图像,在后续对图像进行分块处理并进行匹配的过程中,图像前景的边缘(即工件的边缘)会对缺陷的识别产生影响,为了准确的获取目标区域,首先需要对图像进行定位,并对前景物体进行仿射变换,将工件图像转变为水平垂直方向的图像,去除图像边缘对缺陷识别的影响,防止黑色背景和前景的边缘影响检测的准确性。
经过仿射变换后的图像,剩余的图像的前景(即工件)不再倾斜,图像的黑色背景部分已经完全去除,经过仿射变换去除黑色背景后,其图像分辨率为127*7233,从而减少了后续不必要的图像计算,提升了计算速度。
去除图像的黑色背景部分:由于从图像上来看,图像前景边缘是一条黑色且细长的直线,形状类似于砂痕印,容易被误识别为砂痕印,同时为了区别前景边缘和砂痕印,相关算法会对其进行判断,增大了计算量。
S200、随机点遍历
S210、对仿射变换后的图像进行分块,进行砂痕印提取算法,并行处理:
见图4,仿射变换后的图像分辨率为127*7233,为了提升计算速度,将图像分成了24块,每一小块图像的分辨率为127*301,见图5,图中的横向的直线和纵向的直线组成用于演示图像的分块位置;
S220、对分块后的小图像采用蒙特卡罗随机取点法,记录随机生成点的位置,采用随机生成的点作为遍历直线的中心点,即基准点,基准点采用A’像素点标注:分别在每块图像中执行砂痕印提取算法,通过并行性提高计算的速度。
在127*302的小块图像中,简单的采用循环遍历的方法,会增大计算的时间,采用蒙特卡罗随机取点法,减少了遍历的基准点,在减少计算时间的同时,确保了检测结果的精确性。据缺陷大小选取小块图像采用的直线长度为60个像素点,在水平方向上随机生成40个像素点,垂直方向上生成100个像素点,见图5为蒙特卡罗算法生成的位于图像中心的随机点,图中分别把基准点用A’像素点进行标注,生成的随机点较为均匀。
S300、缺陷识别
S310、以随机点作为缺陷基准直线的中心点,统计经过该点每一条直线的黑色像素点个数:
缺陷基准直线为AB,其作为轮询直线,直线长度为60个像素点,以每个随机点作为缺陷基准直线AB的中心点C,确定A和B的坐标,让直线AB从0度顺时针缓慢旋转,形成直线A1B1,再计算得出A1、B1的坐标,确定直线A1B1的旋转位置,每次直线AB旋转1个角度,直至角度为180度,分别统计直线AB上的像素值小于基准值mean的像素点个数,最后统计出具有黑色像素点个数较多的直线。
图6中的平面坐标系的顺时针旋转变换公式如下:
其中θ为直线A与直线A1之间的夹角。
S320、统计基准直线上的像素值,提取此基准直线两侧一定距离的两根直线,根据两根直线上的像素值求取两根直线的均值,并与基准直线的像素值进行比较:
见图7,为了避免块状的脏污区域被误识别,用直线AB上的随机生成的点和两边的直线A1B1、A2B2进行比较,直线A1B1、A2B2距离直线AB距离为L,取直线AB上的任意一黑色像素点a,选择5个像素点(图7中,直线A1B1距直线AB的距离、直线A2B2距直线AB的距离)的距离确定直线A1B1上的a1点、直线A2B2上的a2点,分别和a1、a2点的均值进行比较,小于点a1和a2的均值,此时a的个数会加1,依次对直线AB上的像素点都进行比较。
S330、获得黑色像素点较多且与两根直线A1B1、A2B2的均值差别较多的直线:
最后筛选出直线AB上黑色像素点较多且a个数较大的直线。
直线AB,从A到B具有60个像素点,两条直线A1B1、A2B2也具有60个像素点,记a点像素值为pixel_a, a1点像素值pixel_a1,a2点处的像素值为pixel_a2,在a点处均值为pixel_mean = (pixel_a1+pixel_a2)/2,用pixel_a和pixel_mean进行比较, pixel_mean– pixel_a > distance(distance是根据砂痕印的特征进行统计而得的差值,根据实际的砂痕印缺陷,统计缺陷像素点的像素值和两侧直线上的像素点均值的差值)黑色像素点a的个数会加1,按照该种方法,沿着直线AB(如图7中箭头方向),分别遍历60个像素点,把直线AB上统计的黑色像素点数记录下来,然后直线AB按顺时针旋转1度,再次计算新直线上的黑色像素点个数,以中心点C为圆心,每次旋转1度,该点遍历结束,可以获得360条直线,每条直线都能得出对应的黑色像素点个数,以中心点C为圆心、某一方向的直线上,黑色像素点个数越多,表面该方向的直线比较黑,两侧直线偏亮。
直线AB上会有60个左右的像素点,同样长度的直线,因为其角度的不同,含有的像素个数会有不同,分别用每个像素点和直线A1B1、A2B2上对应的像素点的值进行比较,从而得出a个数较大的直线,a为黑色像素点。
S400、SVM分类:SVM(Support Vector Machine,支持向量机)分类是以最优化理论为基础来处理机器学习的新方式,由于采集到的图像的亮度一致性不是太好,通过基准直线的像素点个数与小于两侧直线对应像素点的均值的个数来判断缺陷,鲁棒性较差,尤其是当视觉检测的灯光很难调到一致的时候,缺陷识别的效果较差。
S410、提取黑色像素点较多的多张图像:
根据像素点的个数进行排序,选取前100条黑色像素点较多的直线。
黑色像素点较多,表面有这样的一条直线,pixel_mean – pixel_a > distance,符合该条件的黑色像素点较多,更有较大的概率是砂痕印,因为如果是正常图像的话,pixel_a和pixel_mean差值较小,会小于distance值。
S420、对多张图像进行SVM分类法,获取准确度较高的超平面,判断部件表面是否存在轻微缺陷。
见图8的 (a)、图 8 的 (b)和图 8 的 (c),对每一台用于工件缺陷检测的设备采用SVM分类法,每台设备中选取1000张良品图像和1000张不良品图像,通过SVM分类法找到分类的最佳条件,即获取准确度较高(清晰度、完整度较好)的超平面,从而在视觉检测的过程中,根据此超平面去判断工件是否有缺陷,提升了检测的准确度和速度。
通过人工判断,确定1000张良品图像和1000张不良品图像,1000张不良品图像中的缺陷,根据缺陷大小,人工标注缺陷的位置。
超平面:即良品图像里,含有的黑色像素点数会普遍偏小,不良品图像里,含有的黑色像素点数会普遍偏大,对1000张良品和1000张次品进行统计,寻找阈值 ,用于区分良品图像和不良品图像。
直线AB也可以从0度进行逆时针旋转。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1. 一种基于SVM分类的工业部件表面轻微缺陷检测方法,其检测步骤为:
S100、仿射变换
对部件表面缺陷的图像进行仿射变换;
S200、随机点遍历
对仿射变换后的图像分块并进行随机点遍历;
S300、缺陷识别
通过图像上的随机点进行缺陷识别运算:
S310、以随机点作为缺陷基准直线的中心点,统计经过此中心点每一条直线的黑色像素点个数;
S320、统计基准直线上的像素值,提取此基准直线两侧一定距离的两根直线,根据两根直线上的像素值求取两根直线的均值,并与基准直线的像素值进行比较;
S330、获得黑色像素点较多且与两根直线的均值差别较多的直线;
S400、SVM分类
根据缺陷检测结果和SVM分类法,获取准确度较高的超平面,判断是否存在缺陷。
2.如权利要求1所述的一种基于SVM分类的工业部件表面轻微缺陷检测方法,其特征在于:
步骤S100包括:
S110、采集图像并对其进行组装,作为原始输入图像;
S120、对输入的图像中的倾斜图像进行定位,并进行仿射变换。
3.如权利要求1所述的一种基于SVM分类的工业部件表面轻微缺陷检测方法,其特征在于:
步骤S200包括:
S210、对仿射变换后的图像进行分块,进行砂痕印提取算法,并行处理;
S220、对分块后的小图像采用蒙特卡罗随机取点法,以随机点作为基准点,基准点采用白色像素点标注,并对其进行遍历。
4.如权利要求1所述的一种基于SVM分类的工业部件表面轻微缺陷检测方法,其特征在于:
步骤S400包括:
S410、提取黑色像素点较多的多张图像;
S420、对多张图像进行SVM分类法,获取准确度较高的超平面,判断部件表面是否存在轻微缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300455.5A CN112669322B (zh) | 2021-03-22 | 2021-03-22 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300455.5A CN112669322B (zh) | 2021-03-22 | 2021-03-22 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669322A CN112669322A (zh) | 2021-04-16 |
CN112669322B true CN112669322B (zh) | 2021-06-01 |
Family
ID=75399540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300455.5A Active CN112669322B (zh) | 2021-03-22 | 2021-03-22 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669322B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002747A1 (en) * | 2001-07-02 | 2003-01-02 | Jasc Software,Inc | Moire correction in images |
CN102628769A (zh) * | 2012-04-17 | 2012-08-08 | 南京工业大学 | 一种含表面裂纹缺陷承压设备的定量风险分析方法 |
CN106646165A (zh) * | 2016-12-23 | 2017-05-10 | 西安交通大学 | 一种gis内部绝缘缺陷分类与定位方法及其系统 |
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
-
2021
- 2021-03-22 CN CN202110300455.5A patent/CN112669322B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002747A1 (en) * | 2001-07-02 | 2003-01-02 | Jasc Software,Inc | Moire correction in images |
CN102628769A (zh) * | 2012-04-17 | 2012-08-08 | 南京工业大学 | 一种含表面裂纹缺陷承压设备的定量风险分析方法 |
CN106646165A (zh) * | 2016-12-23 | 2017-05-10 | 西安交通大学 | 一种gis内部绝缘缺陷分类与定位方法及其系统 |
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669322A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220148213A1 (en) | Method for fully automatically detecting chessboard corner points | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN111652085B (zh) | 基于2d与3d特征结合的物体识别方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN111832659B (zh) | 一种基于特征点提取算法检测的激光标刻系统及方法 | |
CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN112419260A (zh) | 一种pcb文字区域缺陷检测方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
CN112560538A (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
CN114897881B (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN110807354B (zh) | 一种工业流水线产品计数方法 | |
CN113962967B (zh) | 一种基于马克劳林定理约束的物体拍摄图像椭圆检测算法 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN112669322B (zh) | 一种基于svm分类的工业部件表面轻微缺陷检测方法 | |
CN113822836B (zh) | 标记图像的方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN109741302B (zh) | 基于机器视觉的sd卡形态识别系统和方法 | |
CN110866902A (zh) | 一种烟标翘曲变形的检测方法 | |
CN113840135B (zh) | 色偏检测方法、装置、设备及存储介质 | |
CN112923852B (zh) | 基于动态角点定位的sd卡位姿检测方法 | |
CN113192061B (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
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 |