CN112750119A - 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 - Google Patents

Abstract

本发明提出面向白玻璃盖板表面微弱缺陷的检测与测量方法，包括：采集玻璃盖板图像，计算盖板图像的显著性图；对显著性图进行快速二值化；利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；提取前景目标的高维形态及密度特征；构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态；利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。本发明提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检。

Description

一种面向白玻璃盖板表面微弱缺陷的检测与测量方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种面向白玻璃盖板表面微弱缺陷的检测与测量方法。

背景技术

玻璃盖板是智能手机的一个重要部件。随着智能手机的日渐普及，玻璃盖板的市场需求也在迅猛增长。在玻璃盖板的生产过程中，需要经过切割、清洗、钢化等多道制造工序。每一道工序都有可能对玻璃表面造成损伤，致使产品废弃。因此，对表面缺陷进行准确地在线检测是玻璃盖板生产过程中的重要步骤，是保证产品质量的关键。传统的白玻璃盖板表面缺陷检测主要依赖于有经验的工人，须以一定角度的强光照射，且以黑色材质辅助，不仅耗时较长，且由于视觉疲劳的影响，容易出现遗漏。

基于视觉的自动化检测可利用标准化流程克服人工检测中的主观随意性，而且采取非接触的方式，有效避免待检测元件的二次损伤，在工业检测领域中得到了广泛的应用。然而，划痕、蹭伤等常见的表面缺陷特征十分微弱、对比度低，在工业现场还存在灰尘、脏污等干扰，给自动化检测带来了困难。同时，有些缺陷往往是断续的，难以进行精度测量，导致后续的质量判断过程中出现误判。这些问题导致应用现有的缺陷检测算法或设备检测玻璃盖板表面缺陷时，往往出现较高的漏检率或误检率，无法满足工业现场的应用需求。

发明内容

本发明的目的在于提供一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，以解决应用现有的缺陷检测算法或设备检测玻璃盖板表面缺陷时，往往出现较高的漏检率或误检率的问题。

为了解决上述技术问题，本发明的技术方案是：提出一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，包括：采集玻璃盖板图像，计算盖板图像的显著性图；对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；提取前景目标的高维形态及密度特征；构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。

进一步地，图像像素点(i,j)在尺度s上的显著性值c^s _i,j计算如下式所示

其中，N₁、N₂分别是矩形R₁和R₂中像素的个数，v_p和v_q分别是R₁和R₂中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R₁和R₂表示图像上两个矩形窗口，当R₁的宽度为1时，表示取原图中的一个像素点，R₂的宽度w_R2的取值范围为

图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和，

其中S为所有的尺度，m_i,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。

进一步地，对显著性图进行快速二值化，包括：计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化。

进一步地，密度聚类方法包括以下步骤：

S21、初始化核心点集合

初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分

S22、对于j＝1,2,…,m，首先通过距离度量方式，找到样本x_j的ε-邻域子集N_ε(x_j)，之后当子集点数满足|N_ε(x_j)|≥MinPts时，将样本x_j加入核心点集：Ω＝Ω∪x_j

S23、如果核心点象集合

则算法结束，否则转入步骤S24；

S24、在核心点集合Ω中，随机选择一个点o，初始化当前簇核心点集Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇点集C_k＝{o}，更新未访问点集Γ＝Γ/{o}；

S25、如果当前簇核心点集

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,…C_k}，更新核心点集合Ω＝Ω/C_k，转入步骤S23；

S26、在当前簇核心点队列Ω_cur中取出一个核心点o’，通过邻域距离阈值ε找出所有的ε-邻域点集N_ε(o’)，令Δ＝N_ε(o’)∩Γ，更新当前簇点集C_k＝C_k∪Γ，更新未访问点集Γ＝Γ/Δ，更新Ω_cur＝Ω_cur∪(N_ε(o’)∩Ω)，转入步骤S25；

S27、输出簇划分C＝{C₁,C₂,…C_k}。

进一步地，对真实缺陷及干扰进行分类，长宽比为第1维特征，表征样本形状，后8维特征为全局密度特征，统计样本中所有点到中心点的距离，并按预先设定分成8等分，最后64维为局部密度特征，将样本中每个点的密度预分为R1,…,R8八个等级，对每个等级中的点分别统计个数；形态学特征计算：缺陷最小外接矩形的长边与短边的比值：F₀＝L/W，其中，L和W分别为缺陷的长和宽，全局密度特征计算：F_i＝|A|,A＝{p|||p-c||₂＝R_i},i＝{1,2,…,8}，其中，F_i为第i维全局特征，|·|表示集合中元素个数，c为该样本所有点的中心，R_i为预先设定的距离参数；局部密度特征计算：F(j,k)＝|B|,B＝{p’|D(p)∈L_j,||p-p’||₂＝R_k},j＝{1,2,…,8},k＝{1,2,…,8}，其中，D(p)表示点p的像素密度，L_j为第j个密度等级。

本发明提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检；另外，本发明利用密度聚类算法对属于同一缺陷的像素点进行聚类，提升了断续缺陷的尺寸测量精度，进而可有效降低在后续质量判断过程中由于尺寸测量精度不够导致的误判；本发明利用高维特征区分真正缺陷与干扰，避免了工业现场中灰尘、脏污等影响，可有效提高检测准确率；最后，本发明采用积分图等技术提高了算法效率，能够在检测高分辨率工业图像时满足工业现场对于实时性的要求，具有较大的应用价值。

附图说明

下面结合附图对发明作进一步说明：

图1为本发明实施例提供的面向白玻璃盖板表面微弱缺陷的检测与测量方法的步骤流程示意图；

图2为本发明实施例提供的多尺度显著性计算原理示意图；

图3为本发明实施例提供的非连续前景像素的密度聚类原理示意图；

图4为本发明实施例提供的高维形态结构示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的面向白玻璃盖板表面微弱缺陷的检测与测量方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于，本发明提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检；另外，本发明利用密度聚类算法对属于同一缺陷的像素点进行聚类，提升了断续缺陷的尺寸测量精度，进而可有效降低在后续质量判断过程中由于尺寸测量精度不够导致的误判；本发明利用高维特征区分真正缺陷与干扰，避免了工业现场中灰尘、脏污等影响，可有效提高检测准确率；最后，本发明采用积分图等技术提高了算法效率，能够在检测高分辨率工业图像时满足工业现场对于实时性的要求，具有较大的应用价值。

图1为本发明实施例提供的面向白玻璃盖板表面微弱缺陷的检测与测量方法的步骤流程示意图。参照图1，本发明提出一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，包括：

S11、采集玻璃盖板图像，计算盖板图像的显著性图；

S12、对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；

S13、提取前景目标的高维形态及密度特征；

S14、构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。

图2为本发明实施例提供的多尺度显著性计算原理示意图。参照图2，图像像素点(i,j)在尺度s上的显著性值c^s _i,j计算如下式所示

其中，N₁、N₂分别是矩形R₁和R₂中像素的个数，v_p和v_q分别是R₁和R₂中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R₁和R₂表示图像上两个矩形窗口，当R₁的宽度为1时，表示取原图中的一个像素点，R₂的宽度w_R2的取值范围为

R₂的宽度w_R2的取值为w/8、w/4、w/2，在三个不同尺度计算图像像素素点的显著性值；图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和：

其中S为所有的尺度，m_i,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。

进一步地，对显著性图进行快速二值化，包括：计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；以(x₁,y₁)为左上顶点和以(x₂,y₂)为右下顶点的矩形区域内的像素值之和可以计算为：I(x₂,y₂)-I(x₂,y₁)-I(x₁,y₂)+I(x₁,y₁)其中，I(x,y)为积分图在点(x,y)处的值。对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化。

本发明实施例采用空间密度聚类算法对属于同一缺陷的非连续像素进行聚类，以实现断续缺陷的准确测量。密度聚类算法一般假定类别可通过与样本分布的紧密程度决定。同一类别的样本之间是紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。聚类算法通过参数(ε,MinPts)来描述邻域的样本分布紧密程度。其中，ε描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值。DBSCAN算法中涉及以下核心概念，假设点集为D＝(x₁,x₂,...,x_m)时，则

·ε-邻域：对于x_j∈D，其ε邻域包含点集D中与x_j的距离不大于ε的子集为N_ε(x_j)，子集中元素个数为|N_ε(x_j)|。

·核心点：对于x_j∈D，如果|N_ε(x_j)|≥MinPts，则x_j是核心点。

·直达：如果x_i位于x_j的ε-邻域中，且x_j是核心点，则称x_i由x_j直达。

·可达：对于x_i和x_j，如果存在样本序列p₁,p₂,...,p_T，满足p₁＝x_i，p_T＝x_j，且p_t+1由p_t直达，则称x_j由x_i可达。也就是说，可达满足传递性。此时序列中的传递样本p₁,p₂,...,p_T-1均须为核心点。

·相连：对于x_i和x_j，如果存在核心点样本x_k，使x_i和x_j均由x_k可达，则称x_i和x_j相连。

图3为本发明实施例提供的非连续前景像素的密度聚类原理示意图。参数图3，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类，聚类原理，如图3所示，图中MinPts＝4，点A和所有灰色点都是核心点，因为这些点的邻域内至少包含4个点(包括点本身)。同时，它们彼此都是直达的，所以可以形成一个集群。点B和点C虽然不是核心点，但它们通过A点相连，因此也属于该集群。点N不是核心点，同时也不和任何其他点可达，故为噪声点。密度聚类方法包括以下步骤：

S21、初始化核心点集合

初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分

S22、对于j＝1,2,…,m，首先通过距离度量方式，找到样本x_j的ε-邻域子集N_ε(x_j)，之后当子集点数满足|N_ε(x_j)|≥MinPts时，将样本x_j加入核心点集：Ω＝Ω∪x_j

S23、如果核心点象集合

则算法结束，否则转入步骤S24；

S24、在核心点集合Ω中，随机选择一个点o，初始化当前簇核心点集Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇点集C_k＝{o}，更新未访问点集Γ＝Γ/{o}；

S25、如果当前簇核心点集

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,…C_k}，更新核心点集合Ω＝Ω/C_k，转入步骤S23；

S26、在当前簇核心点队列Ω_cur中取出一个核心点o’，通过邻域距离阈值ε找出所有的ε-邻域点集N_ε(o’)，令Δ＝N_ε(o’)∩Γ，更新当前簇点集C_k＝C_k∪Γ，更新未访问点集Γ＝Γ/Δ，更新Ω_cur＝Ω_cur∪(N_ε(o’)∩Ω)，转入步骤S25；

S27、输出簇划分C＝{C₁,C₂,…C_k}。

图4为本发明实施例提供的高维形态结构示意图。参照图4，对真实缺陷及干扰进行分类，长宽比为第1维特征，表征样本形状，后8维特征为全局密度特征，统计样本中所有点到中心点的距离，并按预先设定分成8等分，最后64维为局部密度特征，将样本中每个点的密度预分为R1,…,R8八个等级，对每个等级中的点分别统计个数；形态学特征计算：缺陷最小外接矩形的长边与短边的比值：F₀＝L/W，其中，L和W分别为缺陷的长和宽，全局密度特征计算：F_i＝|A|,A＝{p|||p-c||₂＝R_i},i＝{1,2,…,8}，其中，F_i为第i维全局特征，|·|表示集合中元素个数，c为该样本所有点的中心，R_i为预先设定的距离参数；局部密度特征计算：F(j,k)＝|B|,B＝{p’|D(p)∈L_j,||p-p’||₂＝R_k},j＝{1,2,…,8},k＝{1,2,…,8}，其中，D(p)表示点p的像素密度，L_j为第j个密度等级。

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，包括：

采集玻璃盖板图像，计算盖板图像的显著性图；

对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；

提取前景目标的高维形态及密度特征；

构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。

2.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，图像像素点(i,j)在尺度s上的显著性值c^s _i,j计算如下式所示

其中，N₁、N₂分别是矩形R₁和R₂中像素的个数，v_p和v_q分别是R₁和R₂中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R₁和R₂表示图像上两个矩形窗口，当R₁的宽度为1时，表示取原图中的一个像素点，R₂的宽度w_R2的取值范围为

图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和，

其中S为所有的尺度，m_i,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。

3.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，对显著性图进行快速二值化，包括：

计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；

对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化。

4.如权利要求3所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，密度聚类方法包括以下步骤：

S21、初始化核心点集合

初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分

S22、对于j＝1,2,…,m，首先通过距离度量方式，找到样本x_j的ε-邻域子集N_ε(x_j)，之后当子集点数满足|N_ε(x_j)|≥MinPts时，将样本x_j加入核心点集：Ω＝Ω∪x_j

S23、如果核心点象集合

则算法结束，否则转入步骤S24；

S24、在核心点集合Ω中，随机选择一个点o，初始化当前簇核心点集Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇点集C_k＝{o}，更新未访问点集Γ＝Γ/{o}；

S25、如果当前簇核心点集

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,…C_k}，更新核心点集合Ω＝Ω/C_k，转入步骤S23；

S26、在当前簇核心点队列Ω_cur中取出一个核心点o’，通过邻域距离阈值ε找出所有的ε-邻域点集N_ε(o’)，令Δ＝N_ε(o’)∩Γ，更新当前簇点集C_k＝C_k∪Γ，更新未访问点集Γ＝Γ/Δ，更新Ω_cur＝Ω_cur∪(N_ε(o’)∩Ω)，转入步骤S25；

S27、输出簇划分C＝{C₁,C₂,…C_k}。

5.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，对真实缺陷及干扰进行分类，长宽比为第1维特征，表征样本形状，后8维特征为全局密度特征，统计样本中所有点到中心点的距离，并按预先设定分成8等分，最后64维为局部密度特征，将样本中每个点的密度预分为R1,…,R8八个等级，对每个等级中的点分别统计个数；形态学特征计算：缺陷最小外接矩形的长边与短边的比值：F₀＝L/W，其中，L和W分别为缺陷的长和宽，全局密度特征计算：F_i＝|A|,A＝{p|∥p-c∥₂＝R_i},i＝{1,2,…,8}，其中，F_i为第i维全局特征，|·|表示集合中元素个数，c为该样本所有点的中心，R_i为预先设定的距离参数；局部密度特征计算：F(j,k)＝|B|,B＝{p’|D(p)∈L_j,∥p-p’∥₂＝R_k},j＝{1,2,…,8},k＝{1,2,…,8}，其中，D(p)表示点p的像素密度，L_j为第j个密度等级。

Images