CN112683788A - 物件表面可能缺陷的影像检测扫描方法及其系统 - Google Patents
物件表面可能缺陷的影像检测扫描方法及其系统 Download PDFInfo
- Publication number
- CN112683788A CN112683788A CN201910987171.0A CN201910987171A CN112683788A CN 112683788 A CN112683788 A CN 112683788A CN 201910987171 A CN201910987171 A CN 201910987171A CN 112683788 A CN112683788 A CN 112683788A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- photosensitive element
- light
- normal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 5
- 239000004576 sand Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000000047 product Substances 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012956 testing procedure Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种物件表面可能缺陷的影像检测扫描方法及其系统,所述物件表面可能缺陷的影像检测扫描方法包含:以感光元件根据一测试光线撷取测试影像、以处理器根据测试影像判断感光元件的一设定参数是否正常、当设定参数异常时,产生警示信号、当设定参数正常时,执行检测程序、在检测程序中依序位移所述物件沿其表面的延伸方向划分的若干个表面区块中之一至检测位置,以光源组件在检测程序中提供一检测光线照射检测位置、以及以感光元件在检测程序中根据检测光线撷取依序位于检测位置上的各表面区块的检测影像。借此,利用人工神经网络系统根据所撷取到的物件的物件影像进行深度学习而建立用以辨识并分类物件的不同表面型态的预测模型。
Description
【技术领域】
本案是关于一种物件表面可能缺陷的影像检测扫描方法及其影像检测扫描系统。
【背景技术】
产品的缺陷检测是工业生产程序中极为重要的一环,具有缺陷的产品并无法贩售,或者,若具有缺陷的中间产品贩售给其他厂商进行加工,将造成最终的产品无法工作。现有的缺陷检测方法的其中之一是人工以肉眼观察或以双手触摸待检测的产品,以判定产品是否具有缺陷,例如凹坑、划痕、色差、缺损等,然而,以人工方式检测产品是否具有缺陷的效率较差,且极容易发生误判的情形,如此将造成产品的良率无法控管的问题。
【发明内容】
本案提供一种物件表面可能缺陷的影像检测扫描系统,包含驱动组件、光源组件、感光元件及处理器。驱动组件承载所述物件,物件的表面沿一延伸方向划分为若干个表面区块,且驱动组件依序位移若干个表面区块的其中之一至一检测位置。光源组件面向检测位置配置,提供一检测光线以照射检测位置,且相对于位于检测位置的表面区块的一正向法线,检测光线的一光入射角小于或等于90度。感光元件面向检测位置配置,撷取依序位于检测位置上的表面区块的检测影像,且在撷取表面区块的检测影像前根据一测试光线撷取一测试影像,其中感光元件的一感光轴平行于正向法线或介于正向法线与延伸方向之间。处理器耦接感光元件,根据测试影像判断感光元件的一设定参数是否正常,当设定参数异常且感光元件已执行相应设定参数的一调校作业时,处理器产生一警示信号。
本案提供一种物件表面可能缺陷的影像检测扫描方法,包含以一感光元件根据一测试光线撷取一测试影像、以一处理器根据测试影像判断感光元件的一设定参数是否正常、当设定参数异常时,产生一警示信号、当设定参数正常时,执行一检测程序、以一驱动组件在检测程序中依序位移所述物件沿其表面的一延伸方向划分的若干个表面区块中之一至一检测位置,以面向检测位置的一光源组件在检测程序中提供一检测光线,其中相对位于检测位置的表面区块的一正向法线,检测光线以小于或等于90度的一光入射角照射检测位置、以感光元件在检测程序中面向检测位置,其中感光元件的一感光轴平行于正向法线或介于正向法线与延伸方向之间、以及以感光元件在检测程序中根据检测光线撷取依序位于检测位置上的各表面区块的一检测影像。
【附图说明】
图1为根据本案的物件表面可能缺陷的影像检测扫描系统的一实施例的示意图。
图2为图1的物件表面可能缺陷的影像检测扫描系统的一实施例的功能方框图。
图3为图1的物件、光源组件及感光元件之间于光学上的相对位置的一实施例的示意图。
图4为图1的物件、光源组件及感光元件之间于光学上的相对位置的另一实施例的示意图。
图5为图1的物件、光源组件及感光元件之间于光学上的相对位置的另一实施例的示意图。
图6为根据本案的物件表面可能缺陷的影像检测扫描方法的一实施例的流程图。
图7为相应于图1的物件的一预设表面缺陷的一实施例的示意图。
图8为根据本案的物件表面可能缺陷的影像检测扫描系统的另一实施例的示意图。
图9为图7的物件、光源组件及感光元件之间于光学上的相对位置的一实施例的示意图。
图10为图7的物件、光源组件及感光元件之间于光学上的相对位置的另一实施例的示意图。
图11为根据本案的物件表面可能缺陷的影像检测扫描方法的另一实施例的流程图。
图12为物件影像包含各子物件影像的一实施例的示意图。
图13为图12的其中一物件影像的一实施例的示意图。
【具体实施方式】
图1为根据本案的物件表面可能缺陷的影像检测扫描系统的一实施例的示意图。参照图1,物件表面可能缺陷的影像检测扫描系统适用以扫描物件2以得到物件2的至少一检测影像。在一些实施例中,物件2的表面可具有至少一表面缺陷,而在对应的检测影像也会呈现表面缺陷的影像区块。于此,表面缺陷为三维结构。于此,三维结构为毫米(mm)尺寸到微米(μm)尺寸。
物件表面可能缺陷的影像检测扫描系统包含驱动组件11、光源组件12及感光元件13。请合并参照图1至图4,图2为图1的物件表面可能缺陷的影像检测扫描系统的一实施例的功能方框图,图3及图4分别为图1的物件2、光源组件12及感光元件13之间于光学上的相对位置的两实施例的示意图。光源组件12及感光元件13面向驱动组件11上的一检测位置14。驱动组件11承载待检测的物件2。物件2具有表面21,且沿着物件2的表面21的一延伸方向D1,物件2的表面21划分为若干个表面区块。于此,图3、4以物件2的表面21划分为九个表面区块并标示其中的三个表面区块21A-21C为例,然本案不以此为限制,物件2的表面21也可划分为其他数量的区块。
请合并参照图1至图6,图6为根据本案的物件表面可能缺陷的影像检测扫描方法的一实施例的流程图。物件表面可能缺陷的影像检测扫描系统能执行一检测程序。驱动组件11在检测程序中依序地位移若干个表面区块21A-21C的其中之一至前述的检测位置14(步骤S01),且光源组件12在检测程序中朝向位于检测位置14的各表面区块21A-21C发射一光线L1(以下称为检测光线L1)(步骤S02),且如图3及图4所示,检测光线L1的入射方向与位于检测位置14的每一表面区块21A-21C的正向法线14A之间的夹角θ(以下称为光入射角θ)大于0度且小于或等于90度,也就是相对于正向法线14A,检测光线L1以大于0度且小于或等于90度的光入射角θ照射检测位置14(步骤S03),使表面区块21A-21C依序地在检测位置14受来自侧向或斜向的检测光线L1照射,且表面区块21A-21C依序地面向感光元件13。在一些实施例中,如图3、4所示,感光元件13的感光轴13A平行于正向法线14A;或者,如图5所示,感光元件13的感光轴13A介于正向法线14A与延伸方向D1之间,也就是感光元件13的感光轴13A与正向法线14A之间具有一夹角α。感光元件13接收表面区块21A-21C受光而产生的漫射光线,感光元件13根据漫射光线撷取依序位于检测位置14上的各表面区块21A-21C的检测影像(步骤S04)。
举例来说,以驱动组件11在步骤S01中先位移表面区块21A至检测位置14为例,光源组件12提供的检测光线L1照射表面区块21A,感光元件13在步骤S04中撷取表面区块21A的检测影像,驱动组件11接着位移物件2,驱动组件11在步骤S01中再位移表面区块21B至检测位置14,感光元件13在步骤S04中再撷取表面区块21B的检测影像,驱动组件11接着位移物件2,驱动组件11在步骤S01中再位移表面区块21C至检测位置14,感光元件13在步骤S04中再撷取表面区块21C的检测影像。
于是,根据大于0度且小于或等于90度的光入射角θ,也就是根据侧向或斜向入射的检测光线L1,若物件2的表面21包含为槽状或孔状的表面缺陷(defect),检测光线L1照射不到表面缺陷的底部,表面缺陷在表面区块21A-21C的检测影像中呈现阴影,如此能形成表面21与表面缺陷对比鲜明的检测影像,物件表面可能缺陷的影像检测扫描系统或检测者可根据检测影像是否具有阴影而判断表面21是否具有表面缺陷(步骤S06),检测者并不需要以肉眼观察物件2或是以双手触摸物件2来判定物件2的表面是否具有表面缺陷,如此将大幅地提升表面缺陷检测的效率,且能降低人为误判的情况。
在一实施例中,感光元件13可以线(linear)型影像感测器或面型影像感测器来实现。再者,光源组件12提供的检测光线L1可为可见光,检测光线L1的光波长值可位于380nm至750nm的范围之间,例如光波长值在380nm-450nm范围之间的紫光,光波长值在620nm-750nm范围之间的红光,可见光可使表面21上具有μm的量级的表面缺陷在检测影像中成像。
在一实施例中,根据不相同的光入射角θ,具有不同深度的表面缺陷在检测影像呈现不同的亮度。详细而言,如图4所示,当光入射角θ等于90度时,检测光线L1的入射方向垂直于表面缺陷的深度方向D2,不论表面缺陷的深浅,表面21上的表面缺陷因凹陷未受检测光线L1照射而未产生反射光线及漫射光线,深度较深或较浅的表面缺陷在检测影像中均呈现阴影,检测影像具有较差的对比度,也或是趋近于无对比度;如图3所示,当光入射角θ小于90度时,检测光线L1的入射方向未垂直于表面缺陷的深度方向D2,检测光线L1照射表面缺陷于表面21下的部分区域,表面缺陷的部分区域受检测光线L1照射产生反射光线及漫射光线,感光元件13接收来自表面缺陷的部分区域的反射光线及漫射光线,表面缺陷在检测影像中呈现边界较亮(如缺陷凸起)或边界较暗(如缺陷凹陷)的影像,检测影像具有较佳的对比度。
并且,在小于90度的同一光入射角θ的情形中,感光元件13自较浅的表面缺陷接收的反射光线及漫射光线多于自较深的表面缺陷接收的反射光线及漫射光线,相较于较大的深度-宽度比例的表面缺陷,较浅的表面缺陷在检测影像中呈现较亮的影像。进一步,在光入射角θ小于90度的情形中,若光入射角θ愈小,表面缺陷产生更多的反射光线及漫射光线,表面缺陷在检测影像中呈现更亮的影像,且较浅的表面缺陷在检测影像中呈现的亮度也大于较深的表面缺陷在检测影像中呈现的亮度。例如30度的光入射角θ小于60度的光入射角θ,相较于60度的光入射角θ对应的检测影像,在30度的光入射角θ对应的检测影像中,表面缺陷呈现较高的亮度;并且,在30度的光入射角θ对应的检测影像中,相较于较深的表面缺陷,较浅的表面缺陷在检测影像中呈现较高的亮度。
基此,光入射角θ的大小与表面缺陷在检测影像上呈现的亮度之间具有一负相关关系。若光入射角θ愈小,较浅的表面缺陷在检测影像中呈现较亮的影像,也就是物件表面可能缺陷的影像检测扫描系统或检测者在光入射角θ较小的情形中较不易辨识出较浅的表面缺陷,物件表面可能缺陷的影像检测扫描系统或检测者反而更容易地根据较暗的影像辨识出较深的表面缺陷;反之,若光入射角θ愈大,较浅与较深的表面缺陷在检测影像中均呈现较暗的影像,也就是物件表面可能缺陷的影像检测扫描系统或检测者在光入射角θ较大的情形中可辨识出所有表面缺陷。
于是,物件表面可能缺陷的影像检测扫描系统或检测者可根据欲检测的预设表面缺陷的预设孔深d以前述的负相关关系来设定对应的光入射角θ,如图1及图2所示,物件表面可能缺陷的影像检测扫描系统还包含光源调整组件16,光源调整组件16耦接光源组件12,若欲检测较深的预设表面缺陷而不欲检测较浅的预设表面缺陷,光源调整组件16可根据前述的负相关关系计算得的光入射角θ调整光源组件12的位置而在步骤S03中设定较小的光入射角θ,且光源调整组件16驱动光源组件12输出检测光线L1,使较浅的预设表面缺陷在检测影像中呈现较亮的影像而较深的预设表面缺陷在检测影像中呈现较暗的影像;若欲一并检测较浅及较深的预设表面缺陷,光源调整组件16可根据前述的负相关关系计算得的光入射角θ调整光源组件12的位置而在步骤S03中设定较大(例如90度)的光入射角θ,且光源调整组件16驱动光源组件12输出检测光线L1,使较浅及较深的预设表面缺陷在检测影像中均呈现阴影。
举例来说,假设物件2为应用于汽车的安全带组件的纺锤体(spindle),前述的表面缺陷可为物件2的制程中因沙尘或空气造成的沙孔或气孔,或是撞痕或刮痕。其中,沙孔或气孔的深度大于撞痕或刮痕,若欲检测物件2是否具有沙孔或气孔而不欲检测物件2是否具有撞痕或刮痕,光源调整组件16可在步骤S03中根据前述的负相关关系计算得的光入射角θ调整光源组件12的位置而设定较小的光入射角θ,使沙孔或气孔在检测影像中呈现较低的亮度,而撞痕或刮痕在检测影像中呈现较高的亮度,物件表面可能缺陷的影像检测扫描系统或检测者可快速地辨识出物件2是否具有沙孔或气孔;若欲检测物件2是否具有撞痕、刮痕、沙孔及气孔,光源调整组件16可在步骤S03中根据前述的负相关关系计算得的光入射角θ调整光源组件12的位置而设定较大的光入射角θ,使撞痕、刮痕、沙孔及气孔在检测影像中均呈现阴影。
在一实施例中,光入射角θ与欲检测的预设表面缺陷的一预设纵深比有关。如图7所示,以预设表面缺陷包含预设孔深d及预设孔半径r为例,预设孔半径r为预设表面缺陷内的任一侧表面至正向法线14A之间的距离,且预设孔半径r与预设孔深d之间的比值(r/d)即为前述的纵深比(r/d),光入射角θ即为反正切(arctangent)(r/d)。基此,光源调整组件16在步骤S03中可根据欲检测的预设表面缺陷的纵深比(r/d)调整光源组件12的位置而设定光入射角θ的临界角度为反正切(arctangent)(r/d),光入射角θ需满足等于或大于反正切(arctangent)(r/d)且小于或等于90度的条件,光源调整组件16在调整光源组件12的位置后驱动光源组件12输出检测光线L1。在一些实施例中,预设孔半径r可依据预期检测到物件2的表面缺陷的尺寸而预先设定。
在一实施例中,如图1及图2所示,物件表面可能缺陷的影像检测扫描系统还包含处理器15,处理器15耦接光源调整组件16,处理器15可根据前述的负相关关系及反正切(arctangent)(r/d)计算出光入射角θ,处理器15接着根据计算所得的光入射角θ驱动光源调整组件16整光源组件12的位置。
在一实施例中,如图1、图3及图4所示,物件2具有圆柱状,物件2的表面21可为物件2的侧表面,即表面21为一圆柱表面,且表面21具有为2π的弧度。于此,如图1及图2所示,驱动组件11包含承载元件111及连接承载元件111的步进马达112,承载元件111承载物件2,在步骤S01中,步进马达112可沿一顺时针方向或一逆时针方向转动,步进马达112带动承载元件111转动以带动物件2旋转,以表面21包含表面区块21A-21C为例,步进马达112可逐次地转动120度,以位移各表面区块21A-21C至检测位置14。在另一实施例中,如图8至图10所示,物件2具有长方体或立方体的形状,物件2的表面21可为具有曲率等于零或趋近于零的非曲面。于此,沿着物件2的表面21的一延伸方向D1,表面21可划分为表面区块21A-21C。步进马达112在步骤S01中可带动承载元件111沿着垂直于正向法线14A之前述的延伸方向D1平行移动,以移动各表面区块21A-21C至检测位置14。
在一些实施例中,前述的延伸方向D1可例如图1所示的以物件2中心轴为转轴的逆时针方向或顺时针方向或如图8所示的物件2的长轴方向。
在一实施例中,如图1及图8所示,光源组件12可包含一发光元件。在另一实施例中,如图3、4、9、10所示,光源组件12可包含二发光元件121、122,且两发光元件121、122相对于正向法线14A对称地设置于物件2的相对两侧,二发光元件121、122分别照射检测位置14,表面21受对称的检测光线L1照射而产生对称的漫射光线,感光元件13根据对称的漫射光线依序地撷取位于检测位置14上的各表面区块21A-21C的检测影像,如此能提升检测影像的成像品质。在一些实施例中,发光元件121、122可由一个或多个发光二极体(LED)实现;在一些实施例中,各发光元件121、122可由一雷射光源实现。
综上所述,根据本案的物件表面可能缺陷的影像检测扫描系统及物件表面可能缺陷的影像检测扫描方法的一实施例,物件表面可能缺陷的影像检测扫描系统能产生物件表面的检测影像,物件表面可能缺陷的影像检测扫描系统或检测者可根据检测影像判断物件的表面是否具有表面缺陷,检测者并不需要以肉眼观察物件或是以双手触摸物件来判定物件的表面是否具有表面缺陷,如此将大幅地提升表面缺陷检测的效率,且能降低人为误判的情况。再者,光入射角与欲检测的预设表面缺陷的预设孔深或预设纵深比有关,物件表面可能缺陷的影像检测扫描系统或检测者能调整光入射角,使表面缺陷在检测影像中呈现对应的亮度,物件表面可能缺陷的影像检测扫描系统或检测者还可有效率地根据不同亮度的检测影像辨识出欲检测的表面缺陷。
在一实施例中,物件表面可能缺陷的影像检测扫描系统还包含一测试程序及一对位程序。物件表面可能缺陷的影像检测扫描系统依序地执行测试程序、对位程序及前述的检测程序。感光元件13在测试程序中根据一测试光线撷取一测试影像。在对位程序中,物件2具有一预设参考点,驱动组件11位移物件2以对位物件2的预设参考点至检测位置14,待物件2的预设参考点对位至检测位置14之后,驱动组件11以物件2的预设参考点作为起始位置而依序地位移各表面区块21A-21C至检测位置14。
详细而言,请合并参照图1、2、8、11,处理器15耦接在感光元件13与驱动组件11之间,在测试程序中,感光元件13撷取测试影像(步骤S07),处理器15接收感光元件13撷取的测试影像,处理器15判断测试影像是否正常(步骤S08),并据以决定是否驱动驱动组件11执行对位程序。若测试影像正常,表示感光元件13在检测程序中的步骤S04可撷取得正常的检测影像,处理器15在判断出测试影像正常(判断结果为「是」)之后产生对位信号,驱动组件11自处理器15接收对位信号,驱动组件11根据对位信号位移物件2以对位物件2至检测位置14(步骤S09),待物件2对位至检测位置14之后,物件表面可能缺陷的影像检测扫描系统进入检测程序,驱动组件11在检测程序中依序地位移各表面区块21A-21C至检测位置14(步骤S01),光源组件12在检测程序中提供检测光线L1照射检测位置14(步骤S02、步骤S03),感光元件13依序撷取位于检测位置14的各表面区块21A-21C的检测影像(步骤S04),于此不再赘述。
在一实施例中,如图2所示,处理器15耦接步进马达112,在步骤S09中,处理器15可发送对位信号控制步进马达112,使步进马达112转动而带动承载元件111移动或转动,以对位物件2至检测位置14。
在一实施例中,在感光元件13撷取各表面区块21A-21C的检测影像之后,处理器15自感光元件13接收表面区块21A-21C的检测影像,处理器15拼接表面区块21A-21C的检测影像为物件影像(步骤S10),物件表面可能缺陷的影像检测扫描系统或检测者可根据拼接产生的物件影像判断物件2的表面21的整体是否包含表面缺陷。
在一实施例中,参照图8,物件表面可能缺陷的影像检测扫描系统可设置单一个感光元件13,并且此感光元件13进行多个表面区块21A~21C的影像撷取以得到分别对应表面区块21A~21C的多个检测影像。然后,处理器15拼接表面区块21A-21C的检测影像为物件影像。在一些实施例中,若物件2为圆筒状,单一个感光元件13可对物件2中段进行多个表面区块21A~21C的影像撷取以得到分别对应表面区块21A~21C的多个检测影像,再由处理器15拼接表面区块21A-21C的检测影像为物件影像23,如图13所示,图13也示例出三个表面区块21A-21C的检测影像231、232、233。
在一实施例中,如图1所示,物件表面可能缺陷的影像检测扫描系统可设置多个感光元件13,并且此些感光元件13分别截取物件2位于检测位置14的不同区段位置的表面的检测影像。举例来说,以物件2为纺锤体为例,如图1所示,物件2的其中一端具有较为窄小的结构,感光元件13的数量可为三个,处理器15根据三个感光元件13撷取得的检测影像拼接出物件2的物件影像,如图12所示。其中,物件影像包含三感光元件13中的第一感光元件所得的表面区块21A-21C的检测影像拼接成的子物件影像22(图12中的物件影像的上段)、三感光元件13中的第二感光元件所得的表面区块21A-21C的检测影像拼接成的子物件影像23(图12中的物件影像的中段)、以及三感光元件13中的第三感光元件所得的表面区块21A-21C的检测影像拼接成的子物件影像24(图12中的物件影像的下段)。
在一实施例中,处理器15可自动地根据拼接后产生的物件影像判断物件2的表面21是否包含表面缺陷、表面21是否具有不同的纹理以及表面21是否具有油漆或油污等附着物,也就是处理器15可自动地根据物件影像判断物件2的不同表面型态。详细而言,处理器15包含一人工神经网络系统,且人工神经网络系统具有学习阶段与预测阶段。在学习阶段,输入人工神经网络系统的物件影像为已知表面型态,已知表面型态的物件影像输入后,人工神经网络系统依据已知表面型态及已知的表面型态的表面型态类别(以下称为预设表面型态类别)进行深度学习以建立预测模型(即由依序连接的若干个隐藏层所构成,每个隐藏层具有一个或多个神经元,每个神经元执行一判断项目)。换言之,学习阶段,利用已知表面型态的物件影像,以生成各神经元的判断项目及/或调整任二神经元的连接的权重,以致使各物件影像的预测结果(即输出的预设表面型态类别)符合其已知的表面型态。
举例来说,以前述的表面缺陷可为沙孔或气孔、撞痕或刮痕为例,呈现不同表面型态的影像区块可为具有不同深度的沙孔的成像的影像区块,或是不具有沙孔而具有撞痕或刮痕的成像的影像区块,或是具有不同的表面粗糙度的成像的影像区块,或是不具表面缺陷的成像的影像区块,或是以不同光波长值的检测光线L1照射表面区块21A-21C产生不同对比度而呈现不同纵深比的表面缺陷的成像的影像区块,或是具有不同颜色的附着物的影像区块。于此,人工神经网络系统根据前述的各种不同表面型态的物件影像进行深度学习,以建立辨识各种表面型态的预测模型。并且,人工神经网络系统可将具有不同表面型态的物件影像进行归类而预先产生不同的预设表面型态类别。于是,在预测阶段中,产生物件影像并输入人工神经网络系统之后,人工神经网络系统即依据拼接产生的物件影像执行前述的预测模型,以识别物件影像中呈现物件2的表面型态的物件影像(步骤S11),且物件影像通过预测模型而进行分类,也就是人工神经网络系统根据若干个预设表面型态类别分类物件2的表面型态的物件影像(步骤S12)。其中,在输出端,物件影像是依据预设表面缺陷类别进行百分比预测,即其可能落入各类别的百分比。
举例来说,以表面区块21A-21C为例,人工神经网络系统根据拼接表面区块21A-21C的物件影像执行前述的预测模型,人工神经网络系统可利用物件2的物件影像辨识出表面区块21A包含沙孔及撞痕、表面区块21B不具有表面缺陷、表面区块21C包含沙孔及油漆及表面区块21A的表面粗糙度大于表面区块21C的表面粗糙度;接着,以预设表面型态类别包含沙孔或气孔、刮痕或撞痕、粗糙度高、粗糙度低、具有附着物及不具表面缺陷等六个类别为例,人工神经网络系统可将表面区块21A的检测影像归类至沙孔或气孔以及刮痕或撞痕的预设类别,且将表面区块21B的检测影像归类至不具表面缺陷的预设类别,且将表面区块21C的检测影像归类至沙孔或气孔的预设类别以及具有附着物的预设类别,且将表面区块21A的检测影像归类至粗糙度高的预设类别,且将表面区块21B、21C的检测影像归类至粗糙度低的预设类别。基此,通过人工神经网络系统来辨识不同的表面型态,将大幅地提升检测的效率,且能降低人工误判的机会。
在一实施例中,前述的人工神经网络系统进行的深度学习可以一卷积神经网络(CNN)演算法实现,然本案不以此为限制。
在一实施例中,感光元件13为前述的线型影像感测器,线型影像感测器具有趋近于0度的视野(field of vision;FOV),处理器15在接收感光元件13撷取的表面区块21A-21C的检测影像之后,在步骤S10中,处理器15不需另根据表面区块21A-21C的检测影像进行影像处理,处理器15可直接拼接各表面区块21A-21C的检测影像为物件影像。
在另一实施例中,感光元件13为前述的面型影像感测器,面型影像感测器具有约为5度至30度的视野,在感光元件13撷取的表面区块21A-21C的检测影像中,相对于各检测影像的短边,各检测影像的中段区域相较于中段区域以外的其他区域具有较佳的成像品质。基此,处理器15在接收感光元件13撷取的表面区块21A-21C的检测影像之后,处理器15在步骤S10中基于各检测影像的短边撷取各检测影像的中段区域。详细而言,处理器15在步骤S10中可根据面型影像感测器的视野内的一预设视角撷取各检测影像的中段区域,例如预设视角可为1度,处理器15撷取各检测影像上对应于1度的预设视角的中段区域,例如一个像素(pixel)宽度的中段区域,处理器15再拼接各检测影像的中段区域为物件影像,以避免检测影像中成像品质较差的其他区域并入物件影像,进而提升人工神经网络系统辨识物件2的表面型态的准确性。
在一实施例中,在步骤S07中,感光元件13可撷取任一表面区块21A-21C的影像作为测试影像,处理器15在步骤S08中可比对测试影像的平均亮度是否符合一预设亮度以判断测试影像是否正常,若测试影像的平均亮度不符合预设亮度(判断结果为「否」),表示测试影像异常,也就是光源调整组件16设定的光入射角θ并无法正确地反应欲检测的预设表面型态类别。此时,物件表面可能缺陷的影像检测扫描系统执行一调校程序(步骤S05),处理器15控制光源调整组件16在调校程序中根据前述的负相关关系或反正切(arctangent)(r/d)重新调整光源组件12的位置而重新设定光入射角θ。光源调整组件16在重新调整光源组件12的位置后驱动光源组件12发射具有不相同的光入射角θ的另一测试光线,使感光元件13根据另一测试光线撷取任一表面区块21A-21C的影像(步骤S07)而产生另一测试影像,处理器15可再比对另一测试影像的平均亮度是否符合前述的预设亮度(步骤S08),若另一测试影像的平均亮度仍不符合预设亮度(判断结果为「否」),处理器15控制光源调整组件16再重新调整光源组件12的位置而重新调整光入射角θ(步骤S05),直到感光元件13撷取得的测试影像的平均亮度符合预设亮度为止。当测试影像的平均亮度符合预设亮度时,处理器15在步骤S08中判断出测试影像正常(判断结果为「是」),物件表面可能缺陷的影像检测扫描系统接着执行后续的步骤S09以进行前述的对位程序及检测程序。
在一实施例中,在步骤S08中,处理器15也可根据测试影像是否正常来判断感光元件13的设定参数是否正常,若测试影像正常(判断结果为「是」),表示感光元件13的设定参数正常,处理器15始产生前述的对位信号,使物件表面可能缺陷的影像检测扫描系统依序地进入前述的对位程序及检测程序。若测试影像异常(判断结果为「否」),表示感光元件13的设定参数异常,处理器15则不产生前述的对位信号,此时,处理器15进一步判断感光元件13已执行其设定参数的调校作业(步骤S13),若感光元件13已执行其设定参数的调校作业(判断结果为「是」),处理器15则产生表示感光元件13异常的一警示信号(步骤S14)。若感光元件13未执行其设定参数的调校作业(判断结果为「否」),物件表面可能缺陷的影像检测扫描系统则进入前述的调校程序(步骤S05),处理器15在调校程序中驱使感光元件13执行其设定参数的调校作业。在感光元件13执行调校作业之后,感光元件13在步骤S07中撷取另一测试影像,处理器15接着再判断感光元件13执行调校作业后撷取的另一测试影像是否正常(步骤S08),若处理器15判断出另一测试影像仍为异常(判断结果为「否」),处理器15接着在步骤S13中会判断出感光元件13已执行调校作业(判断结果为「是」),处理器15在步骤S14中产生表示感光元件13异常的警示信号。
在一实施例中,物件表面可能缺陷的影像检测扫描系统还包含影音显示单元,前述的警示信号可包含影像、声音或影像及声音,影音显示单元可显示前述的警示信号。再者,物件表面可能缺陷的影像检测扫描系统也可具有网络功能,处理器15可通过网络功能将前述的警示信号发送至云端进行储存,或将警示信号通过网络功能发送至其他装置,使云端或其他装置的使用者得知感光元件13异常,进而对感光元件13进行除错动作。
在一实施例中,前述的感光元件13的设定参数包含一感光值、一曝光值、一焦距值、一对比度设定值或前述项目所形成的任一组合,处理器15在步骤S08判断测试影像的平均亮度或对比度是否符合预设亮度,以判断前述的各设定参数是否正常。举例来说,若测试影像的平均亮度不符合预设亮度,表示前述的感光元件13的设定参数中的任一者错误而造成测试影像的平均亮度或对比度不符合预设亮度;若测试影像的平均亮度或对比度符合预设亮度,表示前述的感光元件13的设定参数中的每一者均为正确。
在一实施例中,在步骤S05中,感光元件13在调校程序中根据一参数设定档自动地调整设定参数,参数设定档储存有感光元件13的设定参数,检测者可更新参数设定档,使感光元件13自动地在调校程序中根据更新后的参数设定档自动地调整设定参数,以修正错误的设定参数。
综上所述,根据本案的物件表面可能缺陷的影像检测扫描系统及物件表面可能缺陷的影像检测扫描方法的一实施例,能于检测程序前自动确认取像机台状态。在一些实施例中,根据本案的物件表面可能缺陷的影像检测扫描系统及物件表面可能缺陷的影像检测扫描方法,还能于异常时执行自动或人工调校。在一些实施例中,根据本案的物件表面可能缺陷的影像检测扫描系统及物件表面可能缺陷的影像检测扫描方法,进一步利用人工神经网络系统根据所撷取到的物件的物件影像进行深度学习而建立用以辨识并分类物件的不同表面型态的预测模型,如此将大幅地提升物件检测的效率,且能降低人工误判的机会。
虽然本案已以实施例揭露如上然其并非用以限定本案,任何所属技术领域中具有通常知识者,在不脱离本案的精神和范围内,当可作些许的更动与润饰,故本案的保护范围当视后附的专利申请范围所界定者为准。
Claims (11)
1.一种物件表面可能缺陷的影像检测扫描系统,适用于检测一物件,其特征在于,包含:
一驱动组件,承载所述物件,其中该物件的表面沿一延伸方向划分为若干个表面区块,且该驱动组件依序位移该若干个表面区块的其中之一至一检测位置;
一光源组件,面向该检测位置配置,提供一检测光线以照射该检测位置,且相对于位于该检测位置的该表面区块的一正向法线,该检测光线的一光入射角小于或等于90度;
一感光元件,面向该检测位置配置,撷取依序位于该检测位置上的该表面区块的检测影像,且在撷取该表面区块的检测影像前根据一测试光线撷取一测试影像,其中该感光元件的一感光轴平行于该正向法线或介于该正向法线与该延伸方向之间;
一处理器,耦接该感光元件,根据该测试影像判断该感光元件的一设定参数是否正常,当该设定参数异常且该感光元件已执行相应该设定参数的一调校作业时,该处理器产生一警示信号。
2.如权利要求1所述的物件表面可能缺陷的影像检测扫描系统,其特征在于,该处理器判断该测试影像的一平均亮度是否符合一预设亮度,以判断该设定参数是否正常。
3.如权利要求1所述的物件表面可能缺陷的影像检测扫描系统,其特征在于,该设定参数包含一感光值、一曝光值、一焦距值、一对比度设定值或前述项目所形成的任一组合。
4.如权利要求1所述的物件表面可能缺陷的影像检测扫描系统,其特征在于,当该设定参数异常且该感光元件未执行该调校作业时,该处理器驱使该感光元件执行该调校作业。
5.如权利要求4所述的物件表面可能缺陷的影像检测扫描系统,其特征在于,该感光元件在该调校作业中根据一参数设定档调整该设定参数,并根据调整后的该设定参数撷取另一测试影像。
6.如权利要求1所述的物件表面可能缺陷的影像检测扫描系统,其特征在于,当该设定参数正常时,该处理器始驱使该驱动组件依序位移该若干个表面区块至该检测位置,且驱使该感光元件撷取依序位于该检测位置上的该表面区块的检测影像。
7.一种物件表面可能缺陷的影像检测扫描方法,适用于检测一物件,其特征在于,包含:
以一感光元件根据一测试光线撷取一测试影像;
以一处理器根据该测试影像判断该感光元件的一设定参数是否正常;
当该设定参数异常时,产生一警示信号;
当该设定参数正常时,执行一检测程序;
以一驱动组件在该检测程序中依序位移所述物件沿其表面的一延伸方向划分的若干个表面区块中的其之一至一检测位置;
以面向该检测位置的一光源组件在该检测程序中提供一检测光线,其中相对位于该检测位置的该表面区块的一正向法线,该检测光线以小于或等于90度的一光入射角照射该检测位置;
以该感光元件在该检测程序中面向该检测位置,其中该感光元件的一感光轴平行于该正向法线或介于该正向法线与该延伸方向之间;
以该感光元件在该检测程序中根据该检测光线撷取依序位于该检测位置上的各该表面区块的一检测影像。
8.如权利要求7所述的物件表面可能缺陷的影像检测扫描方法,其特征在于,在产生该警示信号的步骤中,于该设定参数异常且该感光元件已执行相应该设定参数的一调校作业时产生该警示信号。
9.如权利要求7所述的物件表面可能缺陷的影像检测扫描方法,其特征在于,在以该处理器根据该测试影像判断该设定参数是否正常的步骤中,该处理器判断该测试影像的一平均亮度是否符合一预设亮度,以判断该设定参数是否正常。
10.如权利要求7所述的物件表面可能缺陷的影像检测扫描方法,其特征在于,还包含:
当该设定参数异常时,驱使该感光元件执行一调校作业。
11.如权利要求10所述的物件表面可能缺陷的影像检测扫描方法,其特征在于,执行该调校作业的步骤包含:
根据一参数设定档调整该感光元件的该设定参数;
以该感光元件根据调整后的该设定参数撷取另一测试影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987171.0A CN112683788A (zh) | 2019-10-17 | 2019-10-17 | 物件表面可能缺陷的影像检测扫描方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987171.0A CN112683788A (zh) | 2019-10-17 | 2019-10-17 | 物件表面可能缺陷的影像检测扫描方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112683788A true CN112683788A (zh) | 2021-04-20 |
Family
ID=75444673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910987171.0A Pending CN112683788A (zh) | 2019-10-17 | 2019-10-17 | 物件表面可能缺陷的影像检测扫描方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683788A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201011278A (en) * | 2008-09-02 | 2010-03-16 | Univ Nat Formosa | Object defect measurement method and its device |
CN102792154A (zh) * | 2010-03-10 | 2012-11-21 | 3M创新有限公司 | 幅材制备工艺中专用的重复缺陷检测 |
US20170287166A1 (en) * | 2016-03-29 | 2017-10-05 | Institut National D'optique | Camera calibration method using a calibration target |
TW201910748A (zh) * | 2017-08-11 | 2019-03-16 | 菱光科技股份有限公司 | 光學檢測系統及影像處理方法 |
CN109596640A (zh) * | 2018-12-05 | 2019-04-09 | 京东方科技集团股份有限公司 | 异物检测方法及装置 |
-
2019
- 2019-10-17 CN CN201910987171.0A patent/CN112683788A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201011278A (en) * | 2008-09-02 | 2010-03-16 | Univ Nat Formosa | Object defect measurement method and its device |
CN102792154A (zh) * | 2010-03-10 | 2012-11-21 | 3M创新有限公司 | 幅材制备工艺中专用的重复缺陷检测 |
US20170287166A1 (en) * | 2016-03-29 | 2017-10-05 | Institut National D'optique | Camera calibration method using a calibration target |
TW201910748A (zh) * | 2017-08-11 | 2019-03-16 | 菱光科技股份有限公司 | 光學檢測系統及影像處理方法 |
CN109596640A (zh) * | 2018-12-05 | 2019-04-09 | 京东方科技集团股份有限公司 | 异物检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
HOLD-GEOFFROY, Y ;SUNKAVALLI, K: "A Perceptual Measure for Deep Single Image Camera Calibration", IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, 23 June 2018 (2018-06-23), pages 2354 - 2363, XP033476201, DOI: 10.1109/CVPR.2018.00250 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238303B2 (en) | Image scanning method for metallic surface and image scanning system thereof | |
KR101832081B1 (ko) | 표면 결함 검출 방법 및 표면 결함 검출 장치 | |
JP5436431B2 (ja) | 被検体の凹凸検出方法とその装置 | |
KR102178903B1 (ko) | 외관 검사 장치, 및 외관 검사 장치의 조명 조건 설정 방법 | |
JP4719284B2 (ja) | 表面検査装置 | |
JP3560694B2 (ja) | レンズ検査のシステムと方法 | |
US6011620A (en) | Method and apparatus for the automatic inspection of optically transmissive planar objects | |
TWI617801B (zh) | 晶圓檢查方法以及晶圓檢查裝置 | |
US20210341353A1 (en) | System and method for inspecting optical power and thickness of ophthalmic lenses immersed in a solution | |
WO2013100124A1 (ja) | 外観検査装置及び外観検査方法 | |
CN113870172A (zh) | 指示用于训练的缺陷图像的数目的工件检查和缺陷检测系统 | |
KR101203210B1 (ko) | 결함 검사장치 | |
CN113866165A (zh) | 包括监视工件图像的工件检查和缺陷检测系统 | |
JP3989739B2 (ja) | 検査装置 | |
JP4151306B2 (ja) | 被検査物の検査方法 | |
JP2022024563A (ja) | 表面検査方法、表面検査装置、および表面検査システム | |
CN112683923A (zh) | 基于人工神经网络的物件表面型态的筛选方法 | |
JP5868203B2 (ja) | 検査装置 | |
CN112683788A (zh) | 物件表面可能缺陷的影像检测扫描方法及其系统 | |
CN112683790A (zh) | 物件表面可能缺陷的影像检测扫描方法及其系统 | |
CN112683925A (zh) | 物件表面可能缺陷的影像检测扫描方法及其系统 | |
JP2019070545A (ja) | 表面検査装置および表面検査方法 | |
CN112683921A (zh) | 针对金属表面的影像扫描方法及其影像扫描系统 | |
CN112683786A (zh) | 物件对位方法 | |
JP2020079720A (ja) | 検査装置及び検査方法 |
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 |