CN112686858A - 一种手机充电器视觉缺陷检测方法、装置、介质及设备 - Google Patents
一种手机充电器视觉缺陷检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN112686858A CN112686858A CN202011598691.1A CN202011598691A CN112686858A CN 112686858 A CN112686858 A CN 112686858A CN 202011598691 A CN202011598691 A CN 202011598691A CN 112686858 A CN112686858 A CN 112686858A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- defect
- interest
- map
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 138
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 230000000007 visual effect Effects 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000005498 polishing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 208000034656 Contusions Diseases 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000007373 indentation Methods 0.000 description 4
- 208000034526 bruise Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010147 laser engraving Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Abstract
本发明提供了一种手机充电器视觉缺陷检测方法，包括采集被检测对象的图像并定位感兴趣区域；滤除感兴趣区域中的干扰；获取感兴趣区域的灰度对比度残差图与梯度幅值图；合并对感兴趣区域灰度残差阈值分割图与感兴趣区域梯度幅值阈值分割图，获取感兴趣区域灰度残差阈值分割图与感兴趣区域梯度幅值阈值分割图共同的前景区域作为候选缺陷区域；提取感兴趣区域候选缺陷区域必要的特征，并去除不满足要求的连通域，获取最终缺陷区域；对感兴趣区域最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判，可有效用于手机充电器插头六个端面的缺陷检测。
Description
技术领域
本发明涉及机器视觉缺陷检测技术领域，特别涉及一种针对手机充电器的视觉缺陷检测方法。
背景技术
在手机充电器的加工生产过程中，为了明确标识手机充电器的性能、充电电压、生产厂家等信息参数，一般通过镭雕的加工方式，利用镭射光束在手机充电器的表面雕刻出永久的印记，或者通过喷印的方式印刷相关规格参数。现有手机充电器的成品检测工序通常为人工测试，完全依靠操作人员的工作经验去检查手机充电器表面是否存在脏污、划伤、字符异常等情况，以及人工判断手机充电器的插针是否有漏铜、划痕等不符合使用标准问题，然后逐一人工筛选出合格品与不合格品，不仅人力投入成本高，劳动强度大，工作效率低下，而且还受操作人员自身作业水平的影响较大，无法保证所有手机充电器的加工质量达到一致的水平，难以满足实际工作需求。
机器视觉技术是一种新兴的质量检测手段，就是用机器代替人眼来做测量和判断，即通过机器视觉装置将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像处理系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。机器视觉的核心是图像的采集和处理，所有信息均来源于图像之中，图像本身的质量对整个视觉系统极为重要。而系统最终检测效果的优劣性则很大程度上与检测算法息息相关，研发合适的缺陷检测算法以满足个体对被检测对象的质量要求非常关键。
发明内容
本发明实施方式的目的在于提供一种手机充电器视觉缺陷检测方法，特别是针对手机充电器插头缺陷检测，对常规充电器插头光滑面、USB面、PIN针面具有一定的普适性，有利于改善手机充电器插头生产线的劳动密集现状，提升产品质量。
本发明提供了一种手机充电器视觉缺陷检测方法，包括以下步骤：
S1采集被检测对象的图像并定位所述图像中感兴趣区域；
S2滤除所述感兴趣区域中的干扰；
S3获取所述感兴趣区域的灰度对比度残差图，对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
S4获取所述感兴趣区域的梯度幅值图；对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
S5合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的前景区域作为候选缺陷区域；
S6提取所述候选缺陷区域连通域特征，依据所述连通域特征去除不满足要求的连通域，获取最终缺陷区域；
S7对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
优选的，所述步骤S1中，采用CCD或CMOS相机采集到被检测对象图像；
优选的，步骤S1中，基于图像轮廓信息快速定位图像中感兴趣区域；
优选的，所述步骤S2中采用数字图像处理形态学操作算法滤除所示感兴趣区域的干扰；
优选的，所述步骤S3中,通过对感兴趣区域分别进行最大值、最小值滤波后将滤波后图像作差获取所述灰度对比度残差图；
优选的，所述步骤S4中，基于Sobel算子获取所述感兴趣区域图像的梯度幅值图；
优选的，所述步骤S6中，基于人工特征提取方法或神经网络的特征描述方法获取连通域特征检测；
优选的，对所述灰度残差阈值分割图与所述梯度幅值阈值分割图的二值图像进行逐像素求与操作，如果对应位置两个像素均为前景，则合并后该像素标记为前景，否则为背景；
优选的，所述步骤S7中，基于向量机、朴素贝叶斯、神经网络结果中的任意一种方式进行判定。
优选的，所述步骤S3和/或所述步骤S4中，所述双阈值的选择为基于大津法结合不同的权重系数设置，以将所述感兴趣区域分割为前景区域和背景区域。
进一步的，采用同步线程方式进行步骤S3和步骤S4的操作。
优选的，所述采集被检测对象的图像的打光方式为侧斜面光打光、圆形穹顶光打光以及同轴光打光中的任意一种。
优选的，所述被检测对象为上端面(201)、下端面(205)、前端面(204)、后端面(207)、PIN针端面(202)、USB端面(206)及PIN针(203)中的一种或多种组合。
进一步的，所述上端面、下端面、前端面、后端面、PIN针端面及USB端面缺陷检测优先级高于PIN针缺陷检测，若主要端面检测为合格，则待测产品自动进入PIN针检测工序；若待测产品主要端面质量检测为不合格，则产品直接进入剔除工序，PIN针检测工序不执行。
按照本发明的另一个方面，提供了一种手机充电器视觉缺陷检测装置，包括：
ROI区域获取模块，用于采集被检测对象的图像，快速定位所述图像中感兴趣区域；
ROI区域干扰滤除模块，用于滤除所述感兴趣区域中的干扰；
灰度对比度残差图获取模块，包括灰度对比度残差图获取子模块以及灰度残差阈值分割图获取子模块，所述灰度对比度残差图获取子模块用于获取所述感兴趣区域的灰度对比度残差图；灰度残差阈值分割图获取子模块用于对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
梯度幅值阈值分割图获取模块，包括梯度幅值图获取子模块以及梯度幅值阈值分割图获取子模块，所述梯度幅值图获取子模块用于获取所述感兴趣区域的梯度幅值图；所述梯度幅值阈值分割图获取子模块用于对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
候选缺陷区域获取模块，用于合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的区域作为候选缺陷区域；
最终缺陷区域获取模块，用于提取所述候选缺陷区域连通域特征，依据所述连通域特征去除不满足要求的连通域，获取最终缺陷区域；
等级评判模块，用于对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
按照本发明的另一个方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明所示的一种手机充电器视觉缺陷检测方法，基于CCD或CMOS对充电器插头端面或pin面成像后，快速定位ROI区域；其中ROI区域的获取基于图像轮廓信息，采用广义霍夫变换方法进行定位，轮廓提取基于Canny算子，ROI区域的提取考虑被检测对象边缘过渡轮廓的干扰；根据已提取的ROI区域，采用形态学开操作、闭操作等去除相关噪声干扰；预处理之后的图像会进入两个数据流实现后续图像缺陷检测过程；将预处理之后图像分别进行最大值和最小值滤波操作，将最大值滤波操作后图像与最小值滤波后图像进行差分，得到局部区域灰度对比度差异图；同时，将预处理之后图像进行基于Sobel算子的边缘检测操作，得到整体的梯度幅值图像；将灰度对比度差异图与梯度幅值图像分别进行双阈值分割操作，所述阈值的设定根据实际分割ROC曲线获取；将两双阈值处理之后的缺陷分割图像进行合并，至此，单检测面缺陷检测过程结束。所述手机充电器插头六个端面均可采用类似方法实现缺陷检测，所述被检测缺陷包含脏污、黑点、异色、压痕、划伤、碰伤等。
附图说明
图1本发明视觉检测方法流程示意图；
图2手机充电器插头主要检测面示意图；
图3手机充电器上表面检测打光示意图；
图4为本申请件手机充电器视觉缺陷检测装置一个实施例的结构框图；
图5为本申请计算机设备的一个实施例的硬件架构。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及针对手机充电器插头的视觉检测方法，本实施方式中的方法流程适用充电器插头的不同检测面。对于充电器插头表面沉台、镭雕、丝印字符、浇筑口凹陷等场景均使用(可以通过ROI区域筛选去除)。
实施例一
如图1所示，本发明提供了一种手机充电器视觉缺陷检测方法，包括以下步骤：
S1采集被检测对象的图像，快速定位所述图像中感兴趣区域；
S2滤除所述感兴趣区域中的干扰；
S3获取所述感兴趣区域的灰度对比度残差图，对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
S4获取所述感兴趣区域的梯度幅值图；对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
S5合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的前景区域作为候选缺陷区域；
S6提取所述候选缺陷区域必要的特征，并去除不满足要求的连通域，获取最终缺陷区域；
S7对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
本发明所示的一种手机充电器视觉缺陷检测方法，特别针对手机充电器插头缺陷检测设置，对常规充电器插头光滑面、USB面、PIN针面具有一定的普适性，可有效检测出脏污、黑点、异色、压痕、划伤、碰伤等缺陷，有利于改善手机充电器插头生产产线的劳动密集现状，提升产品质量。
实施例二
步骤S1中，采用CCD或CMOS相机采集到被检测对象图像；和/或基于图像轮廓信息快速定位图像中感兴趣区域。
更进一步的，ROI区域的轮廓提取基于Canny算子后，采用广义霍夫变换方法进行定位。此外，提取ROI区域的轮廓后还可采用常规的几何匹配方法进行定位，在定位的过程中还可结合图像金字塔算法优化模板匹配速度，减少ROI区域定位时间消耗。
当图像轮廓提取采用Canny算子实现，在定位操作之前，需要先制作模板。取模板的中心点为参考点(xo,yo)，梯度方向取整后可能的方向是360个，对模板轮廓上的点(xc,yc)求出其梯度方向取整，并且轮廓上的点与参考点之间有一个相对位置(xc-xo,yc-yo)，将所以轮廓点的相对位置坐标根据梯度方向建立一个R表保存下来。
当进行目标定位操作时，需结合建立的R表对测试图中每一个候选的中心坐标进行投票。依据点的得票数将每个点的信息进行排序，并设定阈值，最终输出得票较高的结果作为定位目标。结合定位目标的位置、旋转角度信息，将模板制作时保存的ROI区域进行仿射变换，得到侧视图下感兴趣ROI区域。所述模板制作时保存的ROI区域需考虑被检测对象边缘轮廓的干扰。
此外，为了保证缺陷检出效果，需要保证所采集图像的质量，图像本身的质量对整个视觉系统检出效果极为重要。而图像的质量通常很大程度上取决于视觉系统打光方式。在步骤S1开始之前，如图3所示，优选地，针对手机充电器插头检测，为了获得高质量的图像，可采用侧斜面光打光方式(301)、圆形穹顶光打光方式(302)以及同轴光打光方式(303)。
步骤S2中：采用数字图像处理形态学操作算法，将步骤S1中提取出来的感兴趣区域图像进行干扰滤除。具体而言，步骤S2中，根据已提取的ROI区域，采用形态学开操作、闭操作去除相关噪声干扰。形态学操作算法，涵盖灰度图像腐蚀、膨胀、开操作、闭操作、顶帽操作、中值滤波、均值滤波等操作，预期减少对后续缺陷检测操作的干扰；
预处理之后的图像会进入两个数据流即步骤S3与步骤S4实现后续图像缺陷检。其中，步骤31、32和步骤41、42可采用同步线程方式并行执行以提升校测效率。
S31获取所述感兴趣区域图像的灰度对比度残差图；S32对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
作为一优选方案，步骤S31中灰度对比度差异运算，可通过对图像分别进行最大值、最小值滤波后将滤波后图像作差实现。其中最大值滤波和最小值滤波掩膜(Mask)应该一致，并且可以根据需要进行设置，常用的滤波掩膜如5*5、7*7、11*11、3*13、13*3等，滤波掩膜的长宽设置需考虑被检测缺陷特性设置，通常均设置为奇数。此外，步骤31中滤波Mask的选择可根据不同缺陷类型调整。对于细长型缺陷，如划痕、刮伤等线性特征缺陷，可采用细长的滤波Mask；而对于一般的块状缺陷，可选择方形的Mask。Mask的大小可根据缺陷检测精细程度确定。
步骤S32中双阈值的设定可以大津法阈值作为参考。假设所处理图像具有256个灰度等级，用阈值将其分为前景、背景两个区域。求得两个区域的像素与图像总像素之比、灰度均值，继而求得关于阈值的类间方差函数，使得前景背景类间方差为最大值的，即是分割图像的最佳阈值T0。双阈值中大小阈值的确定可在T0的基础上乘以不同大小的两个系数确定。
步骤S41获取所述感兴趣区域图像的梯度幅值图；作为一优选方案，步骤S41中，采用Sobel算子对步骤S2中预处理之后图像进行滤波操作，获取操作之后图像梯度幅值图,进行滤波之后将X、Y方向的梯度图像进行融合得到整体的梯度幅值图像。此外，也可采用Roberts、Prewitt、Laplacian等算子获取图像梯度幅值图。
步骤S42基对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
作为一优选方案，步骤S42中双阈值的设定可以大津法阈值作为参考。假设所处理图像具有256个灰度等级，用阈值将其分为前景、背景两个区域。求得两个区域的像素与图像总像素之比、灰度均值，继而求得关于阈值的类间方差函数，使得前景背景类间方差为最大值的，即是分割图像的最佳阈值T0。双阈值中大小阈值的确定可在T0的基础上乘以不同大小的两个系数确定。
S5对所述灰度残差阈值分割图与所述梯度幅值阈值分割图进行“与”操作，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的区域作为候选缺陷区域。
步骤S5将步骤S3和步骤S4所得到的二值图像进行逐像素求与操作，如果对应位置两个像素均为前景，则合并后该像素标记为前景，否则为背景。
S6提取所述候选缺陷区域必要的特征并去除不满足要求的连通，以获取最终缺陷区域。
合并之后的图像需进行形态学操作去除部分孤立的较小的连通域。作为一优选方案，步骤S6中特征提取操作可依据缺陷检测规格要求确定，如缺陷面积，缺陷最小外接圆直径，缺陷对应区域原始图像块一阶、二阶矩，以及基于神经网络模型提取的特征等。
S7对最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
步骤S7中对每个缺陷连通域进行特征描述，对每个缺陷连通域进行特征描述，包括连通域直径、面积、一阶二阶矩等，连通域特征描述方法包含但不限定于常规人工特征提取方法，也涵盖基于神经网络的特征描述方法。检测结果的判定可采用支持向量机、朴素贝叶斯、神经网络等方式进行判定。基于被提取特征进行被检测对象质量评估结果判定，含合格与不合格两种。
实施例三
图2为手机充电器插头主要检测面示意图，其中201表示上端面、205表示下端面、204表示前端面、207表示后端面、202表示PIN针端面、206表示USB端面，203表示PIN针。本发明所示的一种手机充电器视觉缺陷检测方法，可用于手机充电器的上端面(201)、下端面(205)、前端面(204)、后端面(207)、PIN针端面(202)、USB端面(206)及PIN针(203)中的一种或多种组合的检测。
本发明方法对手机充电器插头不同表面缺陷检测具有一定程度的适应性。通常，为了加快检测节拍，可依据重要程度布置不同面检测工位，重要性高的检测面优先，如果高重要性检测面检测结论为不合格，则直接跳转到最终产品质量评估判定阶段；若检测结论为合格，则跳转到后续次重要工序进行检测，直至所有检测工位完成。
作为一优选方案，所述上端面、下端面、前端面、后端面、PIN针端面及USB端面缺陷检测优先级高于PIN针缺陷检测，若主要端面检测为合格，则待测产品自动进入PIN针检测工序；若待测产品主要端面质量检测为不合格，则产品直接进入剔除工序，PIN针检测工序不执行。
每个单检测面检测流程包括：基于CCD或CMOS对充电器插头端面或pin面成像后，快速定位ROI区域；其中ROI区域的获取基于图像轮廓信息，采用广义霍夫变换方法进行定位，轮廓提取基于Canny算子，ROI区域的提取考虑被检测对象边缘过渡轮廓的干扰；根据已提取的ROI区域，采用形态学开操作、闭操作等去除相关噪声干扰；预处理之后的图像会进入两个数据流实现后续图像缺陷检测过程；将预处理之后图像分别进行最大值和最小值滤波操作，将最大值滤波操作后图像与最小值滤波后图像进行差分，得到局部区域灰度对比度差异图；同时，将预处理之后图像进行基于Sobel算子的边缘检测操作，得到整体的梯度幅值图像；将灰度对比度差异图与梯度幅值图像分别进行双阈值分割操作，所述阈值的设定根据实际分割ROC曲线获取；将两双阈值处理之后的缺陷分割图像进行合并，至此，单检测面缺陷检测过程结束。所述手机充电器插头六个端面均可采用类似方法实现缺陷检测，所述被检测缺陷包含脏污、黑点、异色、压痕、划伤、碰伤等。
以图2所示充电器插头为例进一步说明本发明的工作流程。该插头包含6个光滑面以及两个PIN针。当采用本方法进行上表面(201)检测时，如图3所示，可采用同轴光(303)打光方式进行成像，获取图像后可提取插头及上视PIN针区域(轮廓信息相对丰富)作为模板区域，ROI区域设计时去除上表面周边4条轮廓线影响。差分图像提取时像素领域最大值、最小值滤波操作可选用13*13的滤波模板(不区分缺陷特征)。提取的差分图像可依据对比度差异进行适当比例的放大，但缩放后像素值满足(0，55]的范围，梯度差异图像也可进行类似处理。缺陷的双阈值分割通常可在大津法获取最佳阈值T0前提下进行适当比例的缩放，如T1＝1.2*T0，T2＝0.8T0，具体缩放比例的选择也可根据统计结果设定。缺陷特征的描述通常为了保证实时性，可设置特征维度不超过128维。最终缺陷类别划分可根据不同企业缺陷检测要求进行。
实施例四
如图4所示，本发明还提供了一种手机充电器视觉缺陷检测装置10，包括：
ROI区域获取模块11，用于采集被检测对象的图像，快速定位所述图像中感兴趣区域；
ROI区域干扰滤除模块12，用于滤除所述感兴趣区域中的干扰；
灰度对比度残差图获取模块13，包括灰度对比度残差图获取子模块以及灰度残差阈值分割图获取子模块，所述灰度对比度残差图获取子模块用于获取所述感兴趣区域的灰度对比度残差图；灰度残差阈值分割图获取子模块用于对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
梯度幅值阈值分割图获取模块14，包括梯度幅值图获取子模块以及梯度幅值阈值分割图获取子模块，所述梯度幅值图获取子模块用于获取所述感兴趣区域的梯度幅值图；所述梯度幅值阈值分割图获取子模块用于对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
候选缺陷区域获取模块15，用于合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的区域作为候选缺陷区域；
最终缺陷区域获取模块16，用于提取所述候选缺陷区域连通域特征，依据所述连通域特征去除不满足要求的连通域，获取最终缺陷区域；
等级评判模块17，用于对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
本发明所示的一种手机充电器视觉缺陷检测装置10，特别针对手机充电器插头缺陷检测设置，对常规充电器插头光滑面、USB面、PIN针面具有一定的普适性，可有效检测出脏污、黑点、异色、压痕、划伤、碰伤等缺陷，有利于改善手机充电器插头生产产线的劳动密集现状，提升产品质量。
作为一优选方案，所述ROI区域获取模块11包括被检测对象图像获取子模块以及感兴趣区域确定子模块，检测对象图像获取子模块用于采用CCD或CMOS相机采集到被检测对象图像；感兴趣区域确定子模块用于基于图像轮廓信息快速定位图像中感兴趣区域。
作为一优选方案，所述ROI区域干扰滤除模块12采用数字图像处理形态学操作算法滤除所示感兴趣区域的干扰。
作为一优选方案，灰度对比度残差图获取子模块通过对感兴趣区域分别进行最大值、最小值滤波后将滤波后图像作差获取所述灰度对比度残差图。
作为一优选方案，灰度残差阈值分割图获取子模块用于基于大津法结合不同的权重系数设置，以将所述感兴趣区域分割为前景区域和背景区域。
作为一优选方案，梯度幅值图获取子模块用于基于Sobel算子获取所述感兴趣区域图像的梯度幅值图。
作为一优选方案，梯度幅值阈值分割图获取子模块用于基于大津法结合不同的权重系数设置，以将所述感兴趣区域分割为前景区域和背景区域。
作为一优选方案，所述候选缺陷区域获取模块15用于基于人工特征提取方法或神经网络的特征描述方法获取连通域特征检测。
作为一优选方案，所述最终缺陷区域获取模块16用于基于向量机、朴素贝叶斯、神经网络结果中的任意一种方式进行质量等级评判。
作为一优选方案，所述手机充电器视觉缺陷检测装置10还包括打光模块，所述打光模块为侧斜面光打光、圆形穹顶光打光以及同轴光打光中的任意一种。
作为一优选方案，所述手机充电器视觉缺陷检测装置10还包括检测需求判断模块，用于依据待检测对面确定检测顺序，其中所述被检测对象为上端面(201)、下端面(205)、前端面(204)、后端面(207)、PIN针端面(202)、USB端面(206)及PIN针(203)中的一种或多种组合，所述上端面、下端面、前端面、后端面、PIN针端面及USB端面缺陷检测优先级高于PIN针缺陷检测，若主要端面检测为合格，则待测产品自动进入PIN针检测工序；若待测产品主要端面质量检测为不合格，则产品直接进入剔除工序，PIN针检测工序不执行。
实施例五
图5所示是本发明实施例提供的一种计算机设备的结构示意图，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图5所示。需要指出的是，图5仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如方法实施例的手机充电器视觉缺陷检测方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行手机充电器视觉缺陷检测装置10，以实现方法实施例中的手机充电器视觉缺陷检测方法。
实施例六
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储手机充电器视觉缺陷检测装置的程序代码，被处理器执行时实现方法实施例中的手机充电器视觉缺陷检测方法。
需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种手机充电器视觉缺陷检测方法，其特征在于，包括以下步骤：
S1采集被检测对象的图像，并定位所述图像中感兴趣区域；
S2滤除所述感兴趣区域中的干扰；
S3获取所述感兴趣区域的灰度对比度残差图，对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
S4获取所述感兴趣区域的梯度幅值图；对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
S5合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的前景区域作为候选缺陷区域；
S6提取所述候选缺陷区域连通域特征，依据所述连通域特征去除不满足要求的连通域，获取最终缺陷区域；
S7对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
2.根据权利要求1所述的一种手机充电器视觉缺陷检测方法，其特征在于：
所述步骤S1中，采用CCD或CMOS相机采集到被检测对象图像；
和/或，步骤S1中，基于图像轮廓信息快速定位图像中感兴趣区域；
和/或，所述步骤S2中采用数字图像处理形态学操作算法滤除所示感兴趣区域的干扰；
和/或，所述步骤S3中,通过对感兴趣区域分别进行最大值、最小值滤波后将滤波后图像作差获取所述灰度对比度残差图；
和/或，所述步骤S4中，基于Sobel算子获取所述感兴趣区域图像的梯度幅值图；
和/或，所述步骤S6中，基于人工特征提取方法或神经网络的特征描述方法获取连通域特征检测；
和/或，对所述灰度残差阈值分割图与所述梯度幅值阈值分割图的二值图像进行逐像素求与操作，如果对应位置两个像素均为前景，则合并后该像素标记为前景，否则为背景；
和/或，所述步骤S7中，基于向量机、朴素贝叶斯、神经网络结果中的任意一种方式进行判定。
3.根据权利要求1所述的一种手机充电器视觉缺陷检测方法，其特征在于：所述步骤S3和/或所述步骤S4中，所述双阈值的选择为基于大津法结合不同的权重系数设置，以将所述感兴趣区域分割为前景区域和背景区域。
4.根据权利要求1或3所述的一种手机充电器视觉缺陷检测方法，其特征在于：其中，采用同步线程方式进行步骤S3和步骤S4的操作。
5.根据权利要求1所述的一种手机充电器视觉缺陷检测方法，其特征在于：所述采集被检测对象的图像的打光方式为侧斜面光打光、圆形穹顶光打光以及同轴光打光中的任意一种。
6.根据权利要求1所述的一种手机充电器视觉缺陷检测方法，其特征在于：所述被检测对象为上端面(201)、下端面(205)、前端面(204)、后端面(207)、PIN针端面(202)、USB端面(206)及PIN针(203)中的一种或多种组合。
7.根据权利要求6所述的一种手机充电器视觉缺陷检测方法，其特征在于：所述上端面、下端面、前端面、后端面、PIN针端面及USB端面缺陷检测优先级高于PIN针缺陷检测，若主要端面检测为合格，则待测产品自动进入PIN针检测工序；若待测产品主要端面质量检测为不合格，则产品直接进入剔除工序，PIN针检测工序不执行。
8.一种手机充电器视觉缺陷检测装置，其特征在于，包括：
ROI区域获取模块，用于采集被检测对象的图像，快速定位所述图像中感兴趣区域；
ROI区域干扰滤除模块，用于滤除所述感兴趣区域中的干扰；
灰度对比度残差图获取模块，用于获取所述感兴趣区域的灰度对比度残差图，对所述灰度对比度残差图进行双阈值分割，将所述灰度对比度残差图分割为第一前景区域和第一背景区域以获取灰度残差阈值分割图，其中所述第一前景区表示缺陷对应位置；
获取梯度幅值阈值分割图获取模块，用于获取所述感兴趣区域的梯度幅值图；对所述梯度幅值图进行双阈值分割，将所述梯度幅值图分割为第二前景区域和第二背景区域以获取梯度幅值阈值分割图，其中所述第一前景区域表示缺陷对应位置；
候选缺陷区域获取模块，用于合并对所述灰度残差阈值分割图与所述梯度幅值阈值分割图，获取所述灰度残差阈值分割图与所述梯度幅值阈值分割图共同的区域作为候选缺陷区域；
最终缺陷区域获取模块，用于提取所述候选缺陷区域连通域特征，依据所述连通域特征去除不满足要求的连通域，获取最终缺陷区域；
等级评判模块，用于对所述最终缺陷区域进行特征描述和类别判断，基于缺陷的特征对被检测产品进行质量等级评判。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011598691.1A CN112686858A (zh) | 2020-12-29 | 2020-12-29 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011598691.1A CN112686858A (zh) | 2020-12-29 | 2020-12-29 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686858A true CN112686858A (zh) | 2021-04-20 |
Family
ID=75454209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011598691.1A Pending CN112686858A (zh) | 2020-12-29 | 2020-12-29 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686858A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测系统 |
| CN113744269A (zh) * | 2021-11-05 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
| CN114332069A (zh) * | 2022-01-05 | 2022-04-12 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
| CN114619429A (zh) * | 2022-04-24 | 2022-06-14 | 广东天太机器人有限公司 | 一种基于识别模板的机械臂控制方法 |
| CN115616450A (zh) * | 2022-07-30 | 2023-01-17 | 荣耀终端有限公司 | 测试方法及测试设备 |
| CN116071357A (zh) * | 2023-03-07 | 2023-05-05 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
| CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
| CN116416181A (zh) * | 2021-12-29 | 2023-07-11 | 广州镭晨智能装备科技有限公司 | 一种插针缺陷的检测方法、检测设备和存储介质 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116542982A (zh) * | 2023-07-07 | 2023-08-04 | 山东中泳电子股份有限公司 | 一种基于机器视觉的出发判断器缺陷检测方法及装置 |
| CN117474902A (zh) * | 2023-12-25 | 2024-01-30 | 山东明佳科技有限公司 | 一种桶面料包的缺包检测方法、系统、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
| CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
| CN110363192A (zh) * | 2018-04-11 | 2019-10-22 | 大众电脑股份有限公司 | 物件影像辨识系统及物件影像辨识方法 |
| US20190378309A1 (en) * | 2018-06-11 | 2019-12-12 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
| CN111882568A (zh) * | 2020-06-28 | 2020-11-03 | 北京石油化工学院 | 火灾图像边缘提取处理方法、终端及系统 |
-
2020
- 2020-12-29 CN CN202011598691.1A patent/CN112686858A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
| CN110363192A (zh) * | 2018-04-11 | 2019-10-22 | 大众电脑股份有限公司 | 物件影像辨识系统及物件影像辨识方法 |
| US20190378309A1 (en) * | 2018-06-11 | 2019-12-12 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
| CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
| CN111882568A (zh) * | 2020-06-28 | 2020-11-03 | 北京石油化工学院 | 火灾图像边缘提取处理方法、终端及系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测系统 |
| CN113744269A (zh) * | 2021-11-05 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
| CN116416181A (zh) * | 2021-12-29 | 2023-07-11 | 广州镭晨智能装备科技有限公司 | 一种插针缺陷的检测方法、检测设备和存储介质 |
| CN114332069B (zh) * | 2022-01-05 | 2024-02-20 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
| CN114332069A (zh) * | 2022-01-05 | 2022-04-12 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
| CN114619429A (zh) * | 2022-04-24 | 2022-06-14 | 广东天太机器人有限公司 | 一种基于识别模板的机械臂控制方法 |
| CN115616450A (zh) * | 2022-07-30 | 2023-01-17 | 荣耀终端有限公司 | 测试方法及测试设备 |
| CN116071357A (zh) * | 2023-03-07 | 2023-05-05 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
| CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
| CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116542982A (zh) * | 2023-07-07 | 2023-08-04 | 山东中泳电子股份有限公司 | 一种基于机器视觉的出发判断器缺陷检测方法及装置 |
| CN116542982B (zh) * | 2023-07-07 | 2023-09-29 | 山东中泳电子股份有限公司 | 一种基于机器视觉的出发判断器缺陷检测方法及装置 |
| CN117474902A (zh) * | 2023-12-25 | 2024-01-30 | 山东明佳科技有限公司 | 一种桶面料包的缺包检测方法、系统、设备和存储介质 |
| CN117474902B (zh) * | 2023-12-25 | 2024-03-12 | 山东明佳科技有限公司 | 一种桶面料包的缺包检测方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686858A (zh) | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| US7162073B1 (en) | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object | |
| 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 | |
| CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测系统 | |
| CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
| CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
| CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
| CN114897847A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
| CN115561247A (zh) | 一种电子元器件外观自动视觉检测系统 | |
| CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
| CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
| CN114022503A (zh) | 检测方法及检测系统、设备和存储介质 | |
| WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
| CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
| CN113781486A (zh) | Ic卡图像缺陷检测方法 | |
| KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
| CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
| CN111353992A (zh) | 一种基于纹理特征的农产品缺陷检测方法及系统 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN113935927A (zh) | 一种检测方法、装置以及存储介质 | |
| CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |