CN113888539B - 缺陷分类方法、装置、设备及存储介质 - Google Patents

缺陷分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113888539B
CN113888539B CN202111477092.9A CN202111477092A CN113888539B CN 113888539 B CN113888539 B CN 113888539B CN 202111477092 A CN202111477092 A CN 202111477092A CN 113888539 B CN113888539 B CN 113888539B
Authority
CN
China
Prior art keywords
image
defect
field
dark
bright
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
Application number
CN202111477092.9A
Other languages
English (en)
Other versions
CN113888539A (zh
Inventor
李谭军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lens Technology Co Ltd
Original Assignee
Lens Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lens Technology Co Ltd filed Critical Lens Technology Co Ltd
Priority to CN202111477092.9A priority Critical patent/CN113888539B/zh
Publication of CN113888539A publication Critical patent/CN113888539A/zh
Application granted granted Critical
Publication of CN113888539B publication Critical patent/CN113888539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种缺陷分类方法、装置、设备及存储介质，涉及玻璃盖板缺陷检测技术领域，解决了现有技术中电子产品的玻璃盖板检测行业的AOI设备不够成熟，无法有效区分玻璃盖板的脏污和真缺陷的技术问题。该方法包括：获取光源对待检测的玻璃盖板照射得到的玻璃盖板的亮场反射光图像和暗场透射光图像；分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；合并亮场缺陷图像和暗场缺陷图像得到组合图像，其中，组合图像中包含有同一缺陷的亮场图像和暗场图像；根据脏污分类条件和组合图像中缺陷部位的图像特征对组合图像中的缺陷进行分类，以判定组合图像中的缺陷是否为脏污。

Description

缺陷分类方法、装置、设备及存储介质
技术领域
本发明涉及玻璃盖板缺陷检测技术领域，尤其涉及一种缺陷分类方法、装置、设备及存储介质。
背景技术
目前，手机等电子产品的玻璃盖板的制造过程包括开料、精雕、CNC（ComputerNumerical Control，数控机床）加工、平磨、丝印等工序，每个工序都会产生各种各样的外观缺陷。因而会在相对应的工序安排检验员人工检验，最直接的检验工序就是平检、白片、成品和包装。这四大检验工序投入了大量的人力资源，而人工检验受到产量和情绪的影响，实际的检验效果并不理想。
随着科技的发展，针对玻璃盖板的外观缺陷检验，逐渐发展成为用设备代替，称之为AOI（Automatic Optical Inspection，自动光学检测）设备。不同于PCB（PrintedCircuit Board，印制电路板）行业的AOI设备，用于电子产品的玻璃盖板检测行业的AOI设备主要是通过光源成像、图像处理、信号增益和阈值设定来获取到缺陷图像，再通过特征描述分类出缺陷种类，进而再进行等级质量的划分。
由于此行业的AOI设备不够成熟，并且产品结构不一致、缺陷多样化。此AOI设备还不能完全检验出所有缺陷，主要有弧划、轻微面划、直身位崩边、短边凹凸、同性异色、弧边不均、台阶、棱线等检测能力弱的缺陷，这方面会造成产品的大量漏检，而另一个重要问题：由于清洗不干净，以及环境的影响，设备会将脏污和落尘检为缺陷，增大了设备的误判率。
目前，脏污与真缺陷的区分是玻璃盖板检验行业的难题，一般是通过寻找特定的光源来对脏污和真缺陷进行区分，但是效果不是很明显。
因此，如何有效的区分手机等电子产品的玻璃盖板的脏污和真缺陷，是目前本领域技术人员亟待解决的问题。
发明内容
本发明提供了一种缺陷分类方法、装置、设备及存储介质，解决了现有技术中电子产品的玻璃盖板检测行业的AOI设备不够成熟，无法有效区分玻璃盖板的脏污和真缺陷的技术问题。
第一方面，本发明提供了一种缺陷分类方法，包括：
获取光源对待检测的玻璃盖板照射得到的所述玻璃盖板的亮场反射光图像和暗场透射光图像；
分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
合并所述亮场缺陷图像和暗场缺陷图像得到组合图像，其中，所述组合图像中包含有同一缺陷的亮场图像和暗场图像；
根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污。
优选地，所述分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像包括：
根据阈值分割原理，分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
优选地，所述合并所述亮场缺陷图像和暗场缺陷图像得到组合图像包括：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与所述横坐标偏差阈值X进行比较，以及将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与所述纵坐标偏差阈值Y进行比较；
若所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在所述横坐标偏差阈值X内，且所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在所述纵坐标偏差阈值Y内，则将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
优选地，所述根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污包括：
将所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与所述脏污分类条件进行匹配，若所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足所述脏污分类条件，则将所述组合图像中的缺陷分类为脏污。
优选地，所述组合图像中缺陷部位的图像特征至少包括以下的其中一种：
暗场面积、亮场的暗面积、亮场的最小灰度值、暗场的宽度、亮场的凸包亮面积与亮场的凸包暗面积的比值。
第二方面，本发明提供了一种缺陷分类装置，包括：
图像获取模块，用于获取光源对待检测的玻璃盖板照射得到的所述玻璃盖板的亮场反射光图像和暗场透射光图像；
缺陷提取模块，用于分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
缺陷合并模块，用于合并所述亮场缺陷图像和暗场缺陷图像得到组合图像，其中，所述组合图像中包含有同一缺陷的亮场图像和暗场图像；
缺陷分类模块，用于根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污。
优选地，所述缺陷提取模块具体用于：
根据阈值分割原理，分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
优选地，所述缺陷合并模块具体用于：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与所述横坐标偏差阈值X进行比较，以及将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与所述纵坐标偏差阈值Y进行比较；
若所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在所述横坐标偏差阈值X内，且所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在所述纵坐标偏差阈值Y内，则将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
优选地，所述缺陷分类模块具体用于：
将所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与所述脏污分类条件进行匹配，若所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足所述脏污分类条件，则将所述组合图像中的缺陷分类为脏污。
所述组合图像中缺陷部位的图像特征至少包括以下的其中一种：
暗场面积、亮场的暗面积、亮场的最小灰度值、暗场的宽度、亮场的凸包亮面积与亮场的凸包暗面积的比值。
第三方面，本发明提供了一种电子设备，包括：
处理器；以及
被配置为存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的缺陷分类方法。
第四方面，本发明提供了一种存储介质，所述存储介质中存储有指令，当所述指令被处理器执行时，使得所述处理器能够执行如上述第一方面中任一项所述的缺陷分类方法。
综上所述，本发明公开了一种缺陷分类方法、装置、设备及存储介质，当需要区分玻璃盖板的脏污和真缺陷时，首先获取光源对待检测的玻璃盖板照射得到的所述玻璃盖板的亮场反射光图像和暗场透射光图像；然后分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；接着合并所述亮场缺陷图像和暗场缺陷图像得到组合图像，其中，所述组合图像中包含有同一缺陷的亮场图像和暗场图像；最后根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污。本发明采用暗场和亮场组合成像，通过对亮场成像和暗场成像中的缺陷进行缺陷提取、缺陷合并和脏污分类条件匹配，能够对玻璃盖板的脏污和真缺陷进行有效区分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种缺陷分类方法实施例1的方法流程图；
图2为本发明公开的一个具体实例中根据提取出的缺陷部位生成的带脏污的暗场缺陷图像；
图3为本发明公开的一个具体实例中根据提取出的缺陷部位生成的带脏污的亮场缺陷图像；
图4为本发明公开的另一个具体实例中根据提取出的缺陷部位生成的带真实缺陷（白点）的暗场缺陷图像；
图5为本发明公开的另一个具体实例中根据提取出的缺陷部位生成的带真实缺陷（白点）的亮场缺陷图像；
图6为本发明公开的一个具体实例中暗场和亮场各自的单独缺陷图（左侧a为暗场成像，右侧b为亮场成像）；
图7为对图6中的暗场和亮场各自的单独缺陷图进行缺陷合并后得到的合并缺陷图；
图8为现有技术中无脏污分类判断的缺陷分类流程图；
图9为本发明公开的增加了脏污分类条件判断的缺陷分类流程图；
图10为本发明公开的一种缺陷分类装置实施例1的结构示意图；
图11为本发明公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
此外，本申请的描述中所提到的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中所述“和/或”，包括用两种方法中的任意一种或者同时使用两种方法。
在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。
显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在手机等电子产品的玻璃盖板开料、精雕、CNC加工、平磨、丝印等工序中，由于清洗不干净以及环境的影响，可能会使玻璃盖板存在污渍、落尘等脏污，而现有技术中的电子产品的玻璃盖板检测行业的AOI设备不够成熟，检测能力有限，无法有效区分玻璃盖板的脏污和真缺陷，这样可能将脏污判断为真缺陷，而实际上在脏污产品通过清洗后就是合格产品，从而增大了设备的误判率，因此，需要在通过成像及分类技术对玻璃盖板产品缺陷进行分类时，有效识别出脏污产品。
如图1所示，为本发明公开的一种缺陷分类方法实施例1的流程图，所述方法可以包括以下步骤：
S101、获取光源对待检测的玻璃盖板照射得到的玻璃盖板的亮场反射光图像和暗场透射光图像；
由于脏污并不属于真缺陷，在对玻璃盖板进行缺陷检测时，需要区分玻璃盖板的脏污和真缺陷，首先需要获取光源对待检测的玻璃盖板照射得到的玻璃盖板的亮场反射光图像以及光源对待检测的玻璃盖板照射得到的玻璃盖板的暗场透射光图像。由于玻璃盖板为透明片状透光部件，根据光的反射原理和透射原理可知，当光源发出的光照射到玻璃盖板的一侧时，由于玻璃盖板上存在脏污或真缺陷，光线会因为漫反射而在该玻璃盖板的亮场（光源侧）产生反射光，同时，光线为因为透射而在该玻璃盖板的暗场（非光源侧）产生透射光，因此，通过布置于光源同侧和光源另一侧的成像设备来分别接收反射光和透射光，可以分别采集到玻璃盖板的亮场反射光图像和暗场透射光图像。
具体地，玻璃盖板的亮场反射光图像和暗场透射光图像可以通过CCD图像传感器、CMOS图像传感器、多通道线阵相机等成像设备采集。本实施例中，在亮场和暗场均采用多通道线阵相机作为成像设备。
S102，分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
在获取到玻璃盖板的亮场反射光图像和暗场透射光图像后，需要分别对亮场反射光图像和暗场透射光图像进行缺陷提取，即分别将亮场反射光图像和暗场透射光图像中的缺陷部位提取出来，从而根据提取出的缺陷部位生成亮场缺陷图像和暗场缺陷图像。
如图2、3所示，为一个具体实例中根据提取出的缺陷部位生成的暗场缺陷图像和亮场缺陷图像，图中所示的成像为脏污的成像，可以看出，图3的亮场缺陷图像中有明显的脏污部位的成像。
如图4、5所示，为另一个具体实例中根据提取出的缺陷部位生成的暗场缺陷图像和亮场缺陷图像，图中所示的成像为真实缺陷（白点）成像，可以看出，图5中的亮场缺陷图像中没有相应真实缺陷部位的成像。
S103，合并亮场缺陷图像和暗场缺陷图像得到组合图像，其中，组合图像中包含有同一缺陷的亮场图像和暗场图像；
由于缺陷在亮场和暗场这两个不同的成像设备中成像，且真实缺陷在亮场也有能成像的（图5所示的只是真实缺陷在亮场不成像的情况），因此，在真缺陷、脏污在暗场或亮场都能成像的情况下，需要将亮场和暗场不同的成像设备中获取到的图像进行缺陷提取后得到的暗场缺陷图像和亮场缺陷图像合在一起，若不合并，则暗场和亮场的成像会生成两个缺陷图，系统在后续的流程中会判定为两个缺陷，且若不合并，后续单独进行亮场和暗场缺陷的分类，则无法区分出脏污和真缺陷。因此，当得到缺陷部位的亮场缺陷图像和暗场缺陷图像后，需要对亮场缺陷图像和暗场缺陷图像进行合并得到组合图像，且该组合图像中包含有同一缺陷的亮场图像和暗场图像。
如图6所示，为暗场和亮场各自的单独缺陷图（左侧a为暗场成像，即暗场缺陷图像；右侧b为亮场成像，即亮场缺陷图像），合并后得到的为合并缺陷图（即组合图像）如图7所示。
S104，根据脏污分类条件和组合图像中缺陷部位的图像特征对组合图像中的缺陷进行分类，以判定组合图像中的缺陷是否为脏污。
通过缺陷合并得到组合图像后，需要对缺陷进行分类，即区分该缺陷是脏污还是真实缺陷。具体根据预设的脏污分类条件和组合图像中缺陷部位的图像特征对组合图像中的缺陷进行分类，判定出组合图像中的缺陷是否为脏污，从而实现脏污和真缺陷的区分。
具体地，组合图像中缺陷部位的图像特征可以包括但不限于暗场面积、亮场的暗面积、亮场的最小灰度值、暗场的宽度、亮场的凸包亮面积与亮场的凸包暗面积的比值等。根据组合图像中缺陷部位的这些图像特征和预设的脏污分类条件的匹配关系，就可以判定出组合图像中的缺陷是否为脏污。
综上所述，在上述实施例中，当需要区分玻璃盖板的脏污和真缺陷时，首先获取光源对待检测的玻璃盖板照射得到的玻璃盖板的亮场反射光图像和暗场透射光图像；然后分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；接着合并亮场缺陷图像和暗场缺陷图像得到组合图像，其中，组合图像中包含有同一缺陷的亮场图像和暗场图像；最后根据脏污分类条件和组合图像中缺陷部位的图像特征对组合图像中的缺陷进行分类，以判定组合图像中的缺陷是否为脏污。本发明采用暗场和亮场组合成像，通过对亮场成像和暗场成像中的缺陷进行缺陷提取、缺陷合并和脏污分类条件匹配，能够对玻璃盖板的脏污和真缺陷进行有效区分。
可选地，在上述方法实施例1的基础上，在本发明的一种优选实施方式中，步骤S102可以包括如下步骤：
根据阈值分割原理，分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
即在提取亮场反射光图像和暗场透射光图像中的缺陷部位时，采用阈值分割原理进行图像提取。阈值分割法是一种基于区域的图像分割技术，其原理是把图像像素点分为若干类，其实现简单、计算量小、性能较稳定，特别适用于本实施例中亮场反射光图像和暗场透射光图像这种目标和背景占据不同灰度级范围的图像，不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤。基本原理是:通过设定不同的特征阈值，把图像像素点分为若干类。
可选地，在上述方法实施例1的基础上，在本发明的一种优选实施方式中，步骤S103可以包括如下步骤：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与横坐标偏差阈值X进行比较，以及将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与纵坐标偏差阈值Y进行比较；
若亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在横坐标偏差阈值X内，且亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在纵坐标偏差阈值Y内，则将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
通过将两个图像中缺陷的坐标实际值的之间的偏差值与设定的坐标偏差阈值进行比较，从而判定两个图像中的缺陷是否为同一个缺陷，若为同一个缺陷，则需要将两个图像中的缺陷合并为一个缺陷，形成组合图像，便于后续的匹配分类。
可选地，在上述方法实施例1的基础上，在本发明的一种优选实施方式中，步骤S104可以包括如下步骤：
将组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与脏污分类条件进行匹配，若组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足脏污分类条件，则将组合图像中的缺陷分类为脏污。
即通过将组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与预设的脏污分类条件进行比较的方式，来判定组合图像中的缺陷是否满足预设的脏污分类条件，一旦满足预设的脏污分类条件，就将组合图像中的缺陷判定为脏污，程序退出后续的缺陷分类流程，不再往后去匹配分类条件；如果不满足预设的脏污分类条件，则可以将组合图像中的缺陷判定为真缺陷，由于真缺陷有很多种（例如白点、压伤等缺陷），因此，在组合图像中的缺陷判定为真缺陷的情况下，程序可以进行后续的缺陷分类流程来确定真缺陷的具体缺陷种类。
具体地，如图8所示，为现有技术中无脏污分类判断的缺陷分类流程图，本实施例中的缺陷分类流程（如图9所示）在现有的缺陷分类流程的基础上，增加了脏污分类条件的判断，即先判断缺陷是否满足脏污分类条件，若满足，就将缺陷分类为脏污（即非真缺陷，也就是该产品是良品，通过清洗就可以将脏污去除），不再进行后续的白点分类条件和压伤分类条件等的匹配，有效提高良品检测效率和良品检出率，实际使用效果证明，采用该发明的缺陷分类流程，可以使设备的一次检出良率提高15%左右。
具体地，在本实施中，脏污分类条件包括如下两种分类条件：
脏污分类条件一：
暗场面积>0.003&
暗场面积<0.1&
亮场的暗面积>0&
亮场的最小灰度值≤75&
暗场的宽度<0.5&
亮场的凸包亮面积/亮场的凸包暗面积>0.6（真实缺陷因为亮场不成像或成像弱，这个比值就会很低，通常会<0.2）
其中，暗场的宽度的尺寸单位为mm，灰度单位为gv，&是逻辑符号“与”。
②脏污分类条件二：
暗场面积>0.003&
暗场面积<0.1&
亮场的暗面积>0&
亮场的最小灰度值>75&
亮场的最小灰度值<80&
暗场的宽度<0.5&
亮场的凸包亮面积/亮场的凸包暗面积>0.4（真实缺陷因为亮场不成像或成像弱，这个比值就会很低，通常会<0.2）
其中，暗场的宽度的尺寸单位为mm，灰度单位为gv，&是逻辑符号“与”。
需要说明的是，在将组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与脏污分类条件进行匹配时，可以优先跟脏污分类条件一进行匹配，也可以先跟脏污分类条件二进行匹配，若跟第一个脏污分类条件（脏污分类条件一或脏污分类条件二）匹配不上，再跟第二个脏污分类条件（脏污分类条件二或脏污分类条件一）进行匹配，组合图像中的缺陷只要满足其中一种脏污分类条件，即判定该缺陷为脏污；若组合图像中的缺陷不满足两种脏污分类条件中的任一种，则判定该缺陷为真缺陷，进而可以根据真缺陷的其他分类条件（白点分类条件、压伤分类条件等）对该真缺陷的具体种类进行分类。
综上所述可知，本发明的上述实施例采用暗场和亮场组合成像的方式，通过对亮场成像和暗场成像中的缺陷进行缺陷提取、缺陷合并和缺陷部位的图像特征的分类匹配能够对玻璃盖板的脏污和真缺陷进行有效区分，从而减少检测设备的误判率，实际使用效果证明，该方案使检测设备的一次检出良品率提高了15%左右，大大降低了人力成本。
如图10所示，为本发明公开的一种缺陷分类装置实施例1的结构示意图，所述装置可以包括：
图像获取模块101，用于获取光源对待检测的玻璃盖板照射得到的玻璃盖板的亮场反射光图像和暗场透射光图像；
缺陷提取模块102，用于分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
缺陷合并模块103，用于合并亮场缺陷图像和暗场缺陷图像得到组合图像，其中，组合图像中包含有同一缺陷的亮场图像和暗场图像；
缺陷分类模块104，用于根据脏污分类条件和组合图像中缺陷部位的图像特征对组合图像中的缺陷进行分类，以判定组合图像中的缺陷是否为脏污。
本实施例公开的缺陷分类装置的工作原理和有益效果，与上述缺陷分类方法实施例1相同，在此不再赘述。
可选地，在上述装置实施例1的基础上，在本发明的一种优选实施方式中，缺陷提取模块102具体可以用于：
根据阈值分割原理，分别提取亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
可选地，在上述装置实施例1的基础上，在本发明的一种优选实施方式中，缺陷合并模块103具体可以用于：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与横坐标偏差阈值X进行比较，以及将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与纵坐标偏差阈值Y进行比较；
若亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在横坐标偏差阈值X内，且亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在纵坐标偏差阈值Y内，则将亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
可选地，在上述装置实施例1的基础上，在本发明的一种优选实施方式中，缺陷分类模块104具体可以用于：
将组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与脏污分类条件进行匹配，若组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足脏污分类条件，则将组合图像中的缺陷分类为脏污。
综上所述可知，本发明的上述实施例采用暗场和亮场组合成像的方式，通过对亮场成像和暗场成像中的缺陷进行缺陷提取、缺陷合并和缺陷部位的图像特征的分类匹配能够对玻璃盖板的脏污和真缺陷进行有效区分，从而减少检测设备的误判率，实际使用效果证明，该方案使检测设备的一次检出良品率提高了15%左右，大大降低了人力成本。
如图11所示，为本发明公开的一种电子设备的结构示意图，电子设备包括存储器10和处理器20，存储器10中存储有计算机程序，当处理器20运行存储器10存储的计算机程序时，处理器20执行上述各种可能的缺陷分类方法。
其中，存储器10与处理器20连接，存储器10可采用闪存或只读存储器或其他存储器，处理器20可采用中央处理器或单片机。
具体地，上述电子设备可以是服务器、上位机、智能终端设备、玻璃盖板检测行业的AOI设备等可以执行上述计算机程序的设备。
此外，本发明还提供一种存储介质，存储介质中存储有指令，当用户设备的至少一个处理器执行该指令时，用户设备执行上述各种可能的缺陷分类方法。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC（Application Specific Integrated Circuit，专用集成电路）中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种缺陷分类方法，其特征在于，包括：
获取光源对待检测的玻璃盖板照射得到的所述玻璃盖板的亮场反射光图像和暗场透射光图像；
分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
合并所述亮场缺陷图像和暗场缺陷图像得到组合图像，其中，所述组合图像中包含有同一缺陷的亮场图像和暗场图像；
根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污；
其中，
所述根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污包括：
将所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与所述脏污分类条件进行匹配，若所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足所述脏污分类条件，则将所述组合图像中的缺陷分类为脏污，并退出缺陷分类流程；否则，
将所述组合图像中的缺陷分类为真缺陷，并根据预设的真缺陷分类条件对所述真缺陷的缺陷类型进行分类。
2.根据权利要求1所述的方法，其特征在于，所述分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像包括：
根据阈值分割原理，分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
3.根据权利要求1所述的方法，其特征在于，所述合并所述亮场缺陷图像和暗场缺陷图像得到组合图像包括：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与所述横坐标偏差阈值X进行比较，以及将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与所述纵坐标偏差阈值Y进行比较；
若所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在所述横坐标偏差阈值X内，且所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在所述纵坐标偏差阈值Y内，则将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述组合图像中缺陷部位的图像特征至少包括以下的其中一种：
暗场面积、亮场的暗面积、亮场的最小灰度值、暗场的宽度、亮场的凸包亮面积与亮场的凸包暗面积的比值。
5.一种缺陷分类装置，其特征在于，包括：
图像获取模块，用于获取光源对待检测的玻璃盖板照射得到的所述玻璃盖板的亮场反射光图像和暗场透射光图像；
缺陷提取模块，用于分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像；
缺陷合并模块，用于合并所述亮场缺陷图像和暗场缺陷图像得到组合图像，其中，所述组合图像中包含有同一缺陷的亮场图像和暗场图像；
缺陷分类模块，用于根据脏污分类条件和所述组合图像中缺陷部位的图像特征对所述组合图像中的缺陷进行分类，以判定所述组合图像中的缺陷是否为脏污；
其中，
所述缺陷分类模块具体用于：
将所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征与所述脏污分类条件进行匹配，若所述组合图像中缺陷的亮场图像的图像特征和暗场图像的图像特征满足所述脏污分类条件，则将所述组合图像中的缺陷分类为脏污，并退出缺陷分类流程；否则，
将所述组合图像中的缺陷分类为真缺陷，并根据预设的真缺陷分类条件对所述真缺陷的缺陷类型进行分类。
6.根据权利要求5所述的装置，其特征在于，所述缺陷提取模块具体用于：
根据阈值分割原理，分别提取所述亮场反射光图像和暗场透射光图像中的缺陷部位，得到亮场缺陷图像和暗场缺陷图像。
7.根据权利要求5所述的装置，其特征在于，所述缺陷合并模块具体用于：
设定横坐标偏差阈值X和纵坐标偏差阈值Y；
将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值与所述横坐标偏差阈值X进行比较，以及将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值与所述纵坐标偏差阈值Y进行比较；
若所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在x方向的实际坐标值的偏差值在所述横坐标偏差阈值X内，且所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷在y方向的实际坐标值的偏差值在所述纵坐标偏差阈值Y内，则将所述亮场缺陷图像中的缺陷和暗场缺陷图像的缺陷合并成一个缺陷得到包含该同一缺陷的亮场和暗场的组合图像。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述组合图像中缺陷部位的图像特征至少包括以下的其中一种：
暗场面积、亮场的暗面积、亮场的最小灰度值、暗场的宽度、亮场的凸包亮面积与亮场的凸包暗面积的比值。
9.一种设备，其特征在于，包括：
处理器；以及
被配置为存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1-4中任一项所述的缺陷分类方法。
10.一种存储介质，所述存储介质中存储有指令，其特征在于，当所述指令被处理器执行时，使得所述处理器能够执行如权利要求1-4中任一项所述的缺陷分类方法。
CN202111477092.9A 2021-12-06 2021-12-06 缺陷分类方法、装置、设备及存储介质 Active CN113888539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111477092.9A CN113888539B (zh) 2021-12-06 2021-12-06 缺陷分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111477092.9A CN113888539B (zh) 2021-12-06 2021-12-06 缺陷分类方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113888539A CN113888539A (zh) 2022-01-04
CN113888539B true CN113888539B (zh) 2022-03-15

Family

ID=79016349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111477092.9A Active CN113888539B (zh) 2021-12-06 2021-12-06 缺陷分类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113888539B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519714B (zh) * 2022-04-20 2022-07-26 中导光电设备股份有限公司 一种显示屏脏污缺陷判定的方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020054291A1 (en) * 1997-06-27 2002-05-09 Tsai Bin-Ming Benjamin Inspection system simultaneously utilizing monochromatic darkfield and broadband brightfield illumination sources
US20070115464A1 (en) * 2005-11-21 2007-05-24 Harding Kevin G System and method for inspection of films
US7551274B1 (en) * 2007-02-28 2009-06-23 Lite Sentry Corporation Defect detection lighting system and methods for large glass sheets
US7880798B2 (en) * 2008-09-09 2011-02-01 Electro Scientific Industries, Inc. Apparatus and method for optically converting a three-dimensional object into a two-dimensional planar image
CN102435618A (zh) * 2010-09-29 2012-05-02 旭硝子株式会社 透明板状体的缺陷检查方法及装置
JP2016061651A (ja) * 2014-09-17 2016-04-25 株式会社東芝 表面欠陥検査装置
SG10201703345RA (en) * 2017-04-25 2018-11-29 Emage Vision Pte Ltd Intraocular lens inspection
CN109544527B (zh) * 2018-11-16 2021-08-03 凌云光技术股份有限公司 一种基于硬卡编程的玻璃表面缺陷的检测方法及装置

Also Published As

Publication number Publication date
CN113888539A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
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
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
JP2742240B2 (ja) 構造物表面の検査における欠陥の検出方法
CN113096130B (zh) 物件缺陷的检测方法、装置
CN114627092A (zh) 缺陷检测方法、装置、电子设备及可读存储介质
Yangping et al. Real-time Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences.
CN114519714B (zh) 一种显示屏脏污缺陷判定的方法和系统
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
JP2000036044A (ja) 欠陥統合処理装置および欠陥統合処理方法
CN112669272B (zh) 一种aoi快速检测方法及快速检测系统
CN113888539B (zh) 缺陷分类方法、装置、设备及存储介质
CN117392112A (zh) 一种晶圆表面缺陷的检测方法、装置及系统
CN113984791B (zh) 缺陷检测方法、装置、光学成像系统、设备及存储介质
CN116542975A (zh) 一种玻璃面板的缺陷分类方法、装置、设备和介质
CN116381053A (zh) 一种用于金属材料焊接的超声波检测方法及系统
CN117309892B (zh) 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN117233158A (zh) 芯片表面缺陷检测方法及相关装置
CN117252861A (zh) 一种晶圆表面缺陷的检测方法、装置及系统
CN116237266A (zh) 一种法兰尺寸测量方法及其设备
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
EP3459045B1 (en) Real-time, full web image processing method and system for web manufacturing supervision
CN111563869A (zh) 用于摄像模组质检的污点测试方法
JPH07333197A (ja) 表面疵自動探傷装置
CN117495846B (zh) 图像检测方法、装置、电子设备及存储介质

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