CN113933312B - 表面缺陷的周期性规律实时判定方法 - Google Patents

表面缺陷的周期性规律实时判定方法 Download PDF

Info

Publication number
CN113933312B
CN113933312B CN202111164216.8A CN202111164216A CN113933312B CN 113933312 B CN113933312 B CN 113933312B CN 202111164216 A CN202111164216 A CN 202111164216A CN 113933312 B CN113933312 B CN 113933312B
Authority
CN
China
Prior art keywords
defect
trend
periodic
defects
flist
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
CN202111164216.8A
Other languages
English (en)
Other versions
CN113933312A (zh
Inventor
许俊炜
葛铭
沈井学
魏江
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.)
Hangzhou Baizijian Technology Co ltd
Original Assignee
Hangzhou Baizijian 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 Hangzhou Baizijian Technology Co ltd filed Critical Hangzhou Baizijian Technology Co ltd
Priority to CN202111164216.8A priority Critical patent/CN113933312B/zh
Publication of CN113933312A publication Critical patent/CN113933312A/zh
Application granted granted Critical
Publication of CN113933312B publication Critical patent/CN113933312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/8922—Periodic flaws
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Textile Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种表面缺陷的周期性规律实时判定方法，为：S1、获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；S2、获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；S3、将最新缺陷Fn加入缺陷缓存列表；S4、将Fn与周期性趋势缓存列表中的趋势匹配计算，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表，结束本次计算；若不能匹配任一趋势则继续执行S5；S5、将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据进行周期性数据匹配。

Description

表面缺陷的周期性规律实时判定方法
技术领域
本发明涉及一种表面缺陷的周期性规律实时判定方法。适用于缺陷检测领域。
背景技术
目前，基于机器视觉的材料表面缺陷检测系统已经广泛应用到各种材料的生产中。机器视觉检测技术也不断进步，从黑白相机到彩色相机，相机分辨率不断提高，缺陷分类算法也不断发展，更加精确。周期性缺陷是由于前道工序故障或者传输机器故障引发的缺陷，若不及时发现处理，生产出来的产品缺陷率将非常高。
专利号为201510952057.6的中国专利《压延过程中压延材料表面周期性缺陷的检测方法》公开了一种基于机器视觉的通用检测算法，基于机器视觉抓取的缺陷图片，预先划分判定区域，先做周期性预判定，再进行二次图片特征值比对，通用性强，但是划分区域固定，可能会遗漏分界线附近的周期性规律，另外图片特征值提取，相似度匹配分析需要耗费相当的计算资源，速度较慢。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种表面缺陷的周期性规律实时判定方法。
本发明所采用的技术方案是：一种表面缺陷的周期性规律实时判定方法，其特征在于：
S1、获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；
S2、获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；
S3、将最新缺陷Fn加入缺陷缓存列表；
S4、将Fn与周期性趋势缓存列表中的趋势匹配计算，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表，结束本次计算；若不能匹配任一趋势则继续执行S5。
步骤S4中的趋势匹配计算包括：
S41、获取趋势T中的最新一个缺陷Ft，趋势T的周期性长度为D，
S42、若Fn与Ft的横向坐标差介于-ΔH与ΔH之间，且Fn与Ft的纵向坐标差介于D-ΔL和D+ΔL之间，则Fn匹配该趋势T，加入趋势T的缺陷列表，Fn为T的最新缺陷；若不满足则视为不匹配趋势T。
S5、将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据及所述横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin进行周期性数据匹配，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表。
步骤S5包括：
S51、基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；
S52、从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；
S53、从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；
S54、根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长为Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表。
步骤S54包括：
S541、依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))；
S542、调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
S543、判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，将执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则返回步骤S541，用FList中下一缺陷进行计算。
所述函数Find，包括：
输入参数为待判定的缺陷列表FList、缺陷纵坐标MD(n-(i-1))、缺陷对应索引Index、周期性趋势T，步骤如下：
a、设置j＝index；
b、若M(n-(i-1))>＝M，结束函数；
c、若E>0且E(n-(i-1))>＝E，结束函数；
d、设置缺陷F＝FList[index-1]的纵坐标，设Value＝MD-F；
e、若D(n-(i-2))>D(n-(i-1))+ΔL，建立假缺陷数据’F，纵坐标为MD(n-(i-1))+D(n-(i-1))，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，E(n-(i-2))＝E(n-(i-1))+1，更新MD(n-(i-2))＝MD(n-(i-1))+D(n-(i-1))，Index＝Index-1，递归调用本函数Find；
f、若D(n-(i-2))在D(n-(i-1))±ΔL范围内，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，更新MD＝F，Index＝Index-1，递归调用本函数Find；
g、若D(n-(i-2))<D(n-(i-1))+ΔL，更新j＝index-1，若j<0，结束函数，否则继续重复步骤b-g。
一种表面缺陷的周期性规律实时判定装置，其特征在于，包括：
参数获取模块，用于获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；
缺陷获取模块，用于获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；
缺陷录入模块，用于将最新缺陷Fn加入缺陷缓存列表；
趋势匹配模块，用于将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据及所述横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin进行周期性数据匹配，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表。
所述趋势匹配模块，包括：
区域划分模块，用于基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；
缺陷筛选模块Ⅰ，用于从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；
缺陷筛选模块Ⅱ，从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；
周期性判断模块，用于根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长为Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表。
所述周期性判断模块，包括：
依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))；
调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，将执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则，用FList中下一缺陷进行计算。
所述函数Find，包括：
输入参数为待判定的缺陷列表FList、缺陷纵坐标MD(n-(i-1))、缺陷对应索引Index、周期性趋势T，步骤如下：
a、设置j＝index；
b、若M(n-(i-1))>＝M，结束函数；
c、若E>0且E(n-(i-1))>＝E，结束函数；
d、设置缺陷F＝FList[index-1]的纵坐标，设Value＝MD-F；
e、若D(n-(i-2))>D(n-(i-1))+ΔL，建立假缺陷数据’F，纵坐标为MD(n-(i-1))+D(n-(i-1))，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，E(n-(i-2))＝E(n-(i-1))+1，更新MD(n-(i-2))＝MD(n-(i-1))+D(n-(i-1))，Index＝Index-1，递归调用本函数Find；
f、若D(n-(i-2))在D(n-(i-1))±ΔL范围内，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，更新MD＝F，Index＝Index-1，递归调用本函数Find；
g、若D(n-(i-2))<D(n-(i-1))+ΔL，更新j＝index-1，若j<0，结束函数，否则继续重复步骤b-g。
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述表面缺陷的周期性规律实时判定方法的步骤。
一种数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述表面缺陷的周期性规律实时判定方法的步骤。
本发明的有益效果是：本发明基于表面缺陷检测系统结构化的数据，以实时缺陷的坐标和误差范围划分周期性判定区域，通过递归算法寻找周期性规律，实时性强，避免二次对缺陷图片进行分析，以减少资源的消耗，另外，借助于表面缺陷检测系统强大的缺陷分类算法，周期性判断更加合理和准确。
具体实施方式
本实施例为一种表面缺陷的周期性规律实时判定方法，具体包括以下步骤：
S1、获取预设的横向误差范围ΔH、纵向误差范围ΔL，周期性最小缺陷数量M、允许跳空数量E，根据判定逻辑需限制M-E>＝3，以及根据实际情况设置的最大辊筒的周长Smax和最小辊筒的周长为Smin。
S2、获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class。
S3、将最新缺陷Fn加入事先建立的缺陷缓存列表。
S4、将最新缺陷Fn与趋势缓存列表中周期性数据匹配，若满足任一趋势则加入该周期性趋势，结束判定流程；若不满足任一趋势，开始新的周期性数据检测。
S5、新的周期性数据检测利用Fn、缺陷缓存列表，以及预设的ΔH、ΔL、M、E、Smax、Smin执行周期性数据检测算法
S51、基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；
S52、从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；
S53、从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；
S54、根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长为Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表。
S541、依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1，其中D1＝Fn纵坐标-Fn-1纵坐标；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))，M1＝2，跳空E1＝0；
S542、调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
S543、判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，周期性长度D(n-(i-1))，将经Find执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则返回步骤S541，更新i，用FList中下一缺陷进行计算。
本实施例中函数Find定义如下：
输入参数为待判定的缺陷列表FList、缺陷纵坐标MD(n-(i-1))、缺陷对应索引Index、周期性趋势T，步骤如下：
a、设置j＝index；
b、若M(n-(i-1))>＝M，结束函数；
c、若E>0且E(n-(i-1))>＝E，结束函数；
d、设置F＝缺陷FList[index-1]的纵坐标，设Value＝MD-F；
e、若D(n-(i-2))>D(n-(i-1))+ΔL，建立假缺陷数据’F，纵坐标为MD(n-(i-1))+D(n-(i-1))，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，E(n-(i-2))＝E(n-(i-1))+1，更新MD(n-(i-2))＝MD(n-(i-1))+D(n-(i-1))，Index＝Index-1，递归调用本函数Find；
f、若D(n-(i-2))在D(n-(i-1))±ΔL范围内，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，更新MD＝F，Index＝Index-1，递归调用本函数Find；
g、若D(n-(i-2))<D(n-(i-1))+ΔL，更新j＝index-1，若j<0，结束函数，否则继续重复步骤b-g。
本实施例还提供一种表面缺陷的周期性规律实时判定装置，包括参数获取模块、缺陷获取模块、缺陷录入模块和趋势匹配模块。
本例中参数获取模块用于获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；缺陷获取模块用于获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；缺陷录入模块用于将最新缺陷Fn加入缺陷缓存列表；趋势匹配模块用于将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据及所述横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin进行周期性数据匹配，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表。
本例中趋势匹配模块，包括：区域划分模块、缺陷筛选模块Ⅰ、缺陷筛选模块Ⅱ和周期性判断模块。
本实施例中区域划分模块用于基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；缺陷筛选模块Ⅰ用于从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；缺陷筛选模块Ⅱ从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；周期性判断模块用于根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长为Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表。
本实施例中周期性判断模块，包括：
依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))；
调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，将执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则，用FList中下一缺陷进行计算。
本实施例为一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中表面缺陷的周期性规律实时判定方法的步骤。
本实施例还提供一种数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中表面缺陷的周期性规律实时判定方法的步骤。

Claims (5)

1.一种表面缺陷的周期性规律实时判定方法，其特征在于：
S1、获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；
S2、获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；
S3、将最新缺陷Fn加入缺陷缓存列表；
S4、将Fn与周期性趋势缓存列表中的趋势匹配计算，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表，结束本次计算；若不能匹配任一趋势则继续执行S5；
S5、将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据及所述横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin进行周期性数据匹配，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表；
步骤S5包括：
S51、基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；
S52、从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；
S53、从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；
S54、根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表；
步骤S54包括：
S541、依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))；
S542、调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
S543、判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，将执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则返回步骤S541，用FList中下一缺陷进行计算；
所述函数Find，包括：
输入参数为待判定的缺陷列表FList、缺陷纵坐标MD(n-(i-1))、缺陷对应索引Index、周期性趋势T，步骤如下：
a、设置j＝index；
b、若M(n-(i-1))>＝M，结束函数；
c、若E>0且E(n-(i-1))>＝E，结束函数；
d、设置缺陷F＝FList[index-1]的纵坐标，设Value＝MD-F；
e、若D(n-(i-2))>D(n-(i-1))+ΔL，建立假缺陷数据’F，纵坐标为MD(n-(i-1))+D(n-(i-1))，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，E(n-(i-2))＝E(n-(i-1))+1，更新MD(n-(i-2))＝MD(n-(i-1))+D(n-(i-1))，Index＝Index-1，递归调用本函数Find；
f、若D(n-(i-2))在D(n-(i-1))±ΔL范围内，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，更新MD＝F，Index＝Index-1，递归调用本函数Find；
g、若D(n-(i-2))<D(n-(i-1))+ΔL，更新j＝index-1，若j<0，结束函数，否则继续重复步骤b-g。
2.根据权利要求1所述的表面缺陷的周期性规律实时判定方法，其特征在于，步骤S4的匹配方法包括：
S41、获取趋势T中的最新一个缺陷Ft，趋势T的周期性长度为D，
S42、若Fn与Ft的横向坐标差介于-ΔH与ΔH之间，且Fn与Ft的纵向坐标差介于D-ΔL和D+ΔL之间，则Fn匹配该趋势T，加入趋势T的缺陷列表，Fn为T的最新缺陷；若不满足则视为不匹配趋势T。
3.一种表面缺陷的周期性规律实时判定装置，其特征在于，包括：
参数获取模块，用于获取预设的横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin；
缺陷获取模块，用于获取表面缺陷检测系统检测出的最新缺陷Fn的缺陷结构化数据，缺陷结构化数据包括横向坐标CD、纵向坐标MD和缺陷分类Class；
缺陷录入模块，用于将最新缺陷Fn加入缺陷缓存列表；
趋势匹配模块，将Fn与周期性趋势缓存列表中的趋势匹配计算，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表，结束本次计算；若不能匹配任一趋势则继续执行趋势计算；
趋势计算模块，用于将最新缺陷Fn与缺陷缓存列表中在先已加入的缺陷基于缺陷结构化数据及所述横向误差范围ΔH、纵向误差范围ΔL、周期性最小缺陷数量M、允许跳空数量E、最大辊筒的周长Smax和最小辊筒的周长为Smin进行周期性数据匹配，若匹配满足任一趋势则将相应趋势加入相应周期性趋势缓存列表；
所述趋势计算模块，包括：
区域划分模块，用于基于最新缺陷Fn的纵、横向坐标，在材料表面划定横向坐标CD±ΔH范围、长度为(M+E)*Smax+ΔL的计算区域；
缺陷筛选模块Ⅰ，用于从所述缺陷缓存列表中筛选出位于该计算区域内的在先已加入缺陷；
缺陷筛选模块Ⅱ，从筛选出的在先已加入缺陷中进一步筛选出与最新缺陷Fn缺陷分类相同的缺陷，并将进一步筛选出的缺陷与最新缺陷Fn按倒序建立同类缺陷列表FList[Fn，Fn-1，...，F1，F0]；
周期性判断模块，用于根据最新缺陷Fn与FList中其余缺陷之间的纵向距离与最大辊筒的周长Smax和最小辊筒的周长Smin的关系，结合周期性最小缺陷数量M和允许跳空数量E判断是否存在周期性规律，若存在则将相应趋势加入相应周期性趋势缓存列表；
所述周期性判断模块，包括：
依次计算最新缺陷Fn与FList中缺陷Fi-1之间的纵向距离D(n-(i-1))，i依次为n、n-1、...、1；
若D(n-(i-1))>Smax，结束本次运算；若D(n-(i-1))<Smin，用FList中下一缺陷进行计算；若D在Smin～Smax范围内，建立新的临时周期性趋势T，包括长度为D(n-(i-1))、缺陷计数为M(n-(i-1))、跳空E(n-(i-1))；
调用预置函数Find，传入参数FList、MD(n-(i-1))、j、T，其中j＝i-1，MD(n-(i-1))＝Fj-1纵坐标；
判断经Find执行后的周期性趋势T，若执行后的周期性趋势T中M(n-(i-1))>＝M且E(n-(i-1))<＝E，则发现新的周期性规律，将执行后的周期性趋势T加入到周期性趋势缓存列表，结束判定流程；否则，用FList中下一缺陷进行计算；
所述函数Find，包括：
输入参数为待判定的缺陷列表FList、缺陷纵坐标MD(n-(i-1))、缺陷对应索引Index、周期性趋势T，步骤如下：
a、设置j＝index；
b、若M(n-(i-1))>＝M，结束函数；
c、若E>0且E(n-(i-1))>＝E，结束函数；
d、设置缺陷F＝FList[index-1]的纵坐标，设Value＝MD-F；
e、若D(n-(i-2))>D(n-(i-1))+ΔL，建立假缺陷数据’F，纵坐标为MD(n-(i-1))+D(n-(i-1))，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，E(n-(i-2))＝E(n-(i-1))+1，更新MD(n-(i-2))＝MD(n-(i-1))+D(n-(i-1))，Index＝Index-1，递归调用本函数Find；
f、若D(n-(i-2))在D(n-(i-1))±ΔL范围内，更新趋势数据T，M(n-(i-2))＝M(n-(i-1))+1，更新MD＝F，Index＝Index-1，递归调用本函数Find；
g、若D(n-(i-2))<D(n-(i-1))+ΔL，更新j＝index-1，若j<0，结束函数，否则继续重复步骤b-g。
4.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～2任意一项所述表面缺陷的周期性规律实时判定方法的步骤。
5.一种数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～2任意一项所述表面缺陷的周期性规律实时判定方法的步骤。
CN202111164216.8A 2021-09-30 2021-09-30 表面缺陷的周期性规律实时判定方法 Active CN113933312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111164216.8A CN113933312B (zh) 2021-09-30 2021-09-30 表面缺陷的周期性规律实时判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111164216.8A CN113933312B (zh) 2021-09-30 2021-09-30 表面缺陷的周期性规律实时判定方法

Publications (2)

Publication Number Publication Date
CN113933312A CN113933312A (zh) 2022-01-14
CN113933312B true CN113933312B (zh) 2024-07-05

Family

ID=79278023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111164216.8A Active CN113933312B (zh) 2021-09-30 2021-09-30 表面缺陷的周期性规律实时判定方法

Country Status (1)

Country Link
CN (1) CN113933312B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559183B (zh) * 2023-07-11 2023-11-03 钛玛科（北京）工业科技有限公司 一种提高缺陷判定效率的方法及系统
CN116754567B (zh) * 2023-08-18 2023-11-10 钛玛科（北京）工业科技有限公司 铜箔材料的周期性缺陷检测方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105572143A (zh) * 2015-12-17 2016-05-11 湖北第二师范学院 压延过程中压延材料表面周期性缺陷的检测方法
CN111739020A (zh) * 2020-07-31 2020-10-02 成都数之联科技有限公司 周期纹理背景缺陷标签自动标注方法、装置、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10160632A (ja) * 1996-10-04 1998-06-19 Advantest Corp 画像処理方法
JP2001174419A (ja) * 1999-12-20 2001-06-29 Nec Corp 半導体装置の欠陥検査方法及び装置
JP4414658B2 (ja) * 2003-02-14 2010-02-10 株式会社メック 欠陥検査装置および欠陥検査方法
JP2008111705A (ja) * 2006-10-30 2008-05-15 Seiko Epson Corp 欠陥検出方法、欠陥検出プログラムおよび検査装置
KR101372787B1 (ko) * 2012-07-06 2014-03-10 주식회사 포스코 후판의 주기성 결함 검출 장치
JP6244260B2 (ja) * 2014-05-08 2017-12-06 株式会社神戸製鋼所 欠陥分析装置及び欠陥分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105572143A (zh) * 2015-12-17 2016-05-11 湖北第二师范学院 压延过程中压延材料表面周期性缺陷的检测方法
CN111739020A (zh) * 2020-07-31 2020-10-02 成都数之联科技有限公司 周期纹理背景缺陷标签自动标注方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113933312A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN113933312B (zh) 表面缺陷的周期性规律实时判定方法
CN112837303A (zh) 一种用于模具监视的缺陷检测方法、装置、设备及介质
JP2004054370A (ja) 時系列データに対する自己回帰モデル学習装置並びにそれを用いた外れ値および変化点の検出装置
CN110909712B (zh) 运动目标检测方法、装置、电子设备及存储介质
US20220189426A1 (en) Detection method and detection system
CN116703898B (zh) 一种精密机械轴承端面的质量检测方法
CN115035106A (zh) 一种带钢缺陷智能检测方法
CN110555373A (zh) 一种基于图像识别的混凝土振捣质量实时检测方法
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
US9286217B2 (en) Systems and methods for memory utilization for object detection
CN114511519A (zh) 一种基于图像处理的列车车底螺栓丢失检测方法
CN111860324A (zh) 基于小波变换的高频分量检测及色彩识别的火灾预警方法
CN113012181B (zh) 一种基于Hough变换的新型类圆形检测方法
CN109978017A (zh) 难样本采样方法和系统
CN108416790B (zh) 一种用于工件破损率的检测方法
CN115205165B (zh) 用于工业机械外壳的防腐材料喷涂方法
CN113591734B (zh) 一种基于改进nms算法的目标检测方法
CN111429437A (zh) 面向目标检测的图像无参考清晰度质量检测方法
CN113674259B (zh) 一种皮带机打滑检测方法、系统、电子设备及介质
CN104835176A (zh) 一种激光视觉图像的阈值分割方法
Zhao et al. An improved VIBE algorithm for fast suppression of ghosts and static objects
CN111161296A (zh) 基于离散小波变换的多尺度边缘检测方法
CN117437433B (zh) 一种亚像素级关键点检测方法及装置
CN116823703B (zh) 一种基于Gabor滤波的结构激光焊缝图像处理方法
Han et al. An improved Harris corner detection algorithm based on adaptive gray threshold

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