CN113269727A - 透明玻璃材质缺陷视觉检测方法 - Google Patents
透明玻璃材质缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN113269727A CN113269727A CN202110501345.5A CN202110501345A CN113269727A CN 113269727 A CN113269727 A CN 113269727A CN 202110501345 A CN202110501345 A CN 202110501345A CN 113269727 A CN113269727 A CN 113269727A
- Authority
- CN
- China
- Prior art keywords
- defect
- small image
- image blocks
- utilizing
- standard
- 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 88
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000011521 glass Substances 0.000 title claims abstract description 17
- 239000000463 material Substances 0.000 title claims abstract description 8
- 230000000007 visual effect Effects 0.000 title claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种透明玻璃材质缺陷视觉检测方法,包括:选取无缺陷产品形成的图像作为标准图;根据人工标注好的位置和类别信息,分别对视窗区和边缘区利用深度学习训练出检测模型和分类模型;利用精细化快速比对算法初步判断小图块有无缺陷,对剩下的小图块利用对应的检测模型,检测出初步的缺陷位置,并用分类模型得到缺陷类别;过机器视觉算法找到边缘区结构线附近的缺陷在标准图上的对应位置,利用精细化比对算法计算出该缺陷的假缺陷相似度,通过缺陷属性过滤表再结合缺陷的各种属性值决定每个缺陷的强弱等级。本发明可以实现产品的快速切换,并保持良好的检测稳定性,对检测出缺陷进行有效区分,既保证生产良率,又保证玻璃的生产品质。
Description
技术领域
本发明涉及视觉检测领域,特别涉及一种透明玻璃材质缺陷视觉检测方法。
背景技术
目前,公知的手机玻璃检测算法主要分为两大方向,一是仅仅依靠传统视觉算法的方式,该方法通过人为构造视觉特征查找满足特定条件的玻璃缺陷,比较偏向于定制化开发;二是主要依赖深度学习的方法,该方法通过对大量样本进行学习,可以在切换产品时避免太多定制化开发。
这两个方向都有各自的技术缺点:传统视觉算法开发周期比较长,定制化程度比较高,在产品切换时存在诸多不方便因素;深度学习需要的样本量比较大,在实际生产中往往会遇到短时间没有充足样本训练模型的问题,同时会存在一些深度学习无法解决的技术难点,比如会面对一些假缺陷过杀,深度学习会存在识别瓶颈,或多或少会出现假缺陷过杀而不能根除。
发明内容
本发明提供了一种透明玻璃材质缺陷视觉检测方法,以解决至少一个上述技术问题。
为解决上述问题,作为本发明的一个方面,提供了一种透明玻璃材质缺陷视觉检测方法,包括:
步骤1,通过机器视觉算法提取出外边缘、内边缘从而形成边缘系统,区分为视窗区和边缘区,并选取无缺陷产品形成的图像作为标准图;
步骤2,把每张图像按照合适的步长切割为预定大小的小图块,小图块分为边缘区小图块和视窗区小图块,根据人工标注好的位置和类别信息,分别对视窗区和边缘区利用深度学习训练出检测模型和分类模型;
步骤3,采用机器视觉算法为每个小图块找到标准图中对应的位置,利用精细化快速比对算法初步判断小图块有无缺陷,以快速过滤掉大部分无缺陷小图块,然后对剩下的小图块利用对应的检测模型,检测出初步的缺陷位置,并用分类模型得到缺陷类别;
步骤4,通过机器视觉算法找到边缘区结构线附近的缺陷在标准图上的对应位置,利用精细化比对算法计算出该缺陷的假缺陷相似度,并得到缺陷的其他属性,根据不同区域的每类缺陷的强弱标准的不同,把强的缺陷保留、弱的缺陷过滤,通过缺陷属性过滤表再结合缺陷的各种属性值决定每个缺陷的强弱等级;
步骤5,根据每张图像上的缺陷等级,综合决定该产品是否良品。
优选地,假缺陷相似度是指与标准图对应位置的灰度差异,差异越小,相似度越高。
优选地,其他属性包括面积、长度、对比度等。
本发明利用深度学习结合小图块对缺陷位置和类别进行预测,对缺陷强弱层次化分级,还可通过与标准图精细化比对消除假缺陷过杀的问题,可以实现产品的快速切换,并保持良好的检测稳定性,对检测出缺陷进行有效区分,既保证生产良率,又保证玻璃的生产品质。
附图说明
图1示意性地示出了本发明的方法流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
为了适应快速切换产品、满足实际生产中的缺陷筛选、快速有效地消除假缺陷,本发明提供了一种透明玻璃材质缺陷的视觉检测方法,其用于手机玻璃缺陷检测,找到玻璃中的各种缺陷,最后评价该玻璃是否良品。
在一个实施例中,本发明包括以下步骤:
步骤1,建立边缘系统roi、确定标准图:通过传统机器视觉算法,提取出外边缘,内边缘,形成边缘系统,区分为视窗区和边缘区,并选取无缺陷产品形成的图像作为标准图;
步骤2,训练检测模型和分类模型:把每张图像按照合适的步长切割为特定大小的小图块,分别对应边缘区小图块和视窗区小图块,根据人工标注好的位置和类别信息,分视窗区和边缘区利用深度学习训练出检测模型和分类模型;
步骤3,缺陷检测和分类:首先采用传统机器视觉算法为每个小图块找到标准图中对应的位置,利用精细化快速比对算法初步判断小图块有无缺陷,快速过滤掉大部分无缺陷小图块,这样做基本上可以过滤掉80%左右的小图块,从而大大的节约检测时间,然后对剩下的小图块利用对应的检测模型,检测出初步的缺陷位置,并用分类模型得到缺陷类别;
步骤4,缺陷综合分析:初步得到的缺陷里面往往会存在一些假缺陷过杀,一般是在边缘区结构线附近,通过传统机器视觉算法找到缺陷在标准图上的对应位置,利用精细化比对算法计算出该缺陷的假缺陷相似度(与标准图对应位置的灰度差异越小,相似度越高),并得到缺陷的其他属性(面积,长度,对比度等),由于不同区域的每类缺陷的强弱标准都不一样,需要把强的缺陷保留,弱的缺陷过滤,通过缺陷属性过滤表再结合缺陷的各种属性值决定每个缺陷的强弱等级;
步骤5,产品综合评价:根据每张图像上的缺陷等级,综合决定该产品是否良品。
下面,通过一个具体实施例,对本发明中的方法进行详细说明。首先,采用工业相机对玻璃采用7种成像技术,分别形成7个不同通道的图像,7个通道分别为ABCDEFG,通过对C通道用传统机器视觉提取边缘系统roi(闭合点集形成的感兴趣区域),应用于其他通道,每个通道根据边缘系统roi划分为视窗区和边缘区。分别对两个区域切256*256的小图,根据标注训练检测模型和分类模型,分别对应视窗区和边缘区,利用检测模型得到缺陷的位置,利用分类模型得到缺陷的类别;通过传统机器视觉算法通过和标准图对比分析,得到每个缺陷的面积,对比度,长度,假缺陷相似度等各种反映缺陷强弱的属性,建立属性过滤表,综合类别和缺陷属性就可以对缺陷进行取舍,从而决定产品是否为良品。
在上述技术方案,本发明可以在产品切换的过程中利用缺陷检测和分类模型保持比较稳定的检测加分类效果,如果需要增加缺陷类别,只需标注训练,不需要额外设计分类器,比较方便地实现产品切换;与标准图的精细化比对分析得到缺陷的各种精细化属性,评价出缺陷的强弱级别,可根据实际需要保留所需缺陷,保证了产品的良率,而且不同产品间的类别和级别基本可以通用;增加了快速过滤算法,大大地提高了检测效率。
本发明利用深度学习结合小图块对缺陷位置和类别进行预测,对缺陷强弱层次化分级,还可通过与标准图精细化比对消除假缺陷过杀的问题,可以实现产品的快速切换,并保持良好的检测稳定性,对检测出缺陷进行有效区分,既保证生产良率,又保证玻璃的生产品质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种透明玻璃材质缺陷视觉检测方法,其特征在于,包括:
步骤1,通过机器视觉算法提取出外边缘、内边缘从而形成边缘系统,区分为视窗区和边缘区,并选取无缺陷产品形成的图像作为标准图;
步骤2,把每张图像按照合适的步长切割为预定大小的小图块,小图块分为边缘区小图块和视窗区小图块,根据人工标注好的位置和类别信息,分别对视窗区和边缘区利用深度学习训练出检测模型和分类模型;
步骤3,采用机器视觉算法为每个小图块找到标准图中对应的位置,利用精细化快速比对算法初步判断小图块有无缺陷,以快速过滤掉大部分无缺陷小图块,然后对剩下的小图块利用对应的检测模型,检测出初步的缺陷位置,并用分类模型得到缺陷类别;
步骤4,通过机器视觉算法找到边缘区结构线附近的缺陷在标准图上的对应位置,利用精细化比对算法计算出该缺陷的假缺陷相似度,并得到缺陷的其他属性,根据不同区域的每类缺陷的强弱标准的不同,把强的缺陷保留、弱的缺陷过滤,通过缺陷属性过滤表再结合缺陷的各种属性值决定每个缺陷的强弱等级;
步骤5,根据每张图像上的缺陷等级,综合决定该产品是否良品。
2.根据权利要求1所述的透明玻璃材质缺陷视觉检测方法,其特征在于,假缺陷相似度是指与标准图对应位置的灰度差异,差异越小,相似度越高。
3.根据权利要求1所述的透明玻璃材质缺陷视觉检测方法,其特征在于,其他属性包括面积、长度、对比度等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501345.5A CN113269727A (zh) | 2021-05-08 | 2021-05-08 | 透明玻璃材质缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501345.5A CN113269727A (zh) | 2021-05-08 | 2021-05-08 | 透明玻璃材质缺陷视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269727A true CN113269727A (zh) | 2021-08-17 |
Family
ID=77230285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501345.5A Pending CN113269727A (zh) | 2021-05-08 | 2021-05-08 | 透明玻璃材质缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269727A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
CN111709919A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 玻璃缺陷视觉检测算法 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
-
2021
- 2021-05-08 CN CN202110501345.5A patent/CN113269727A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
CN111709919A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 玻璃缺陷视觉检测算法 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及系统 |
CN113793332B (zh) * | 2021-11-15 | 2022-02-08 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3408641B1 (en) | Methods and apparatus for multi-view characterization | |
CN104021574B (zh) | 路面病害自动识别方法 | |
TWI715877B (zh) | 骨髓細胞標記方法和系統 | |
CN109859177B (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
EP2889618B1 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
EP3343440A1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
US20210150699A1 (en) | Visual inspection system for automated detection of particulate matter in flexible medical containers | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
Yazdi et al. | Feature extraction algorithm for fill level and cap inspection in bottling machine | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
CN113496483A (zh) | 一种基于图像处理的焊缝气孔缺陷检测方法 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN113887524A (zh) | 基于语义分割的磁铁矿显微图像分割方法 | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
CN113269727A (zh) | 透明玻璃材质缺陷视觉检测方法 | |
CN113378648A (zh) | 一种人工智能港口码头监控方法 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN116051502A (zh) | 一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法及系统 | |
CN111709919B (zh) | 玻璃缺陷视觉检测算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |