CN114723661A - 一种金属表面瑕疵检测的方法及装置 - Google Patents
一种金属表面瑕疵检测的方法及装置 Download PDFInfo
- Publication number
- CN114723661A CN114723661A CN202210200979.1A CN202210200979A CN114723661A CN 114723661 A CN114723661 A CN 114723661A CN 202210200979 A CN202210200979 A CN 202210200979A CN 114723661 A CN114723661 A CN 114723661A
- Authority
- CN
- China
- Prior art keywords
- roi
- area
- image
- gray
- metal surface
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种金属表面瑕疵检测的方法及装置,包括如下步骤:S1、获得检测ROI区域;S2、对检测ROI区域消去边缘干扰;S3、获得平面灰度图;S4、筛选瑕疵;能够先确定ROI检测区域,然后将ROI区域边缘的干扰去掉避免因为边缘干扰带来过杀,获取到平面灰度图进行动态阈值分割,形态学处理、筛选出瑕疵区域来帮助工艺差的情况下更好对金属表面瑕疵的检测;解决瑕疵成像较差过杀率和漏杀率较高的问题。
Description
技术领域
本发明涉及目标检测领域,尤其涉及一种金属表面瑕疵检测的方法及装置。
背景技术
随着科技的进步零件检测技术的也有了进一步发展,目前工业对检测技术的要求也提高了,传统的人工检测已经不能满足工业生产的需求,于是,基于机器视觉的检测技术应运而生,视觉检测技术越来越多地应用于复杂材料表面的自动检测。 在金属表面检测中,需要解决检测表面缺陷的问题。 这些缺陷影响产品的质量和外观,给生产的自动化带来困难。 在金属表面瑕疵检测方面,机器视觉在成本和速度上都远远优于人类。 利用机器视觉技术进行金属表面瑕疵检测,具有准确、范围广、可靠性高、效率高等特点。
例如,一种在中国专利文献上公开的“一种基于图像处理技术的产品表面瑕疵识别方法”,其公告号:CN113516619A,公开了基于灰度图像的针对灰度图像利用瑕疵点识别算法计算并输出瑕疵点面积和图像上的中心点坐标的方法,但是在工艺较差的情况下检测效果较差。
发明内容
为此,本发明提供一种金属表面瑕疵检测的方法及装置,能够帮助工艺差的情况下更好对金属表面瑕疵的检测,能够解决由于金属表面工艺问题导致瑕疵成像较差过杀率和漏杀率较高的问题。
为了实现上述目的,本发明提供如下技术方案:
一种金属表面瑕疵检测的方法,包括如下步骤:
S1、获得检测ROI区域;
S2、对检测ROI区域消去边缘干扰;
S3、获得平面灰度图;
S4、筛选瑕疵。能够解决由于金属表面工艺问题导致瑕疵成像较差过杀率和漏杀率较高的问题。
作为优选的,S1中包括:
S11、筛选初始区域;通过二值化设定灰度阈值上下限确定区域、然后通过形态学腐蚀处理、最后通过面积特征筛选出初始区域;
S12、筛选出Mark点区域;再次通过二值化设定灰度阈值上下限确定区域,然后通过形态学膨胀处理、然后通过圆度特征筛选出Mark点区域;
S13、将初始区域减去Mark点区域获得ROI区域。能够将需要检测的区域单独区分。
作为优选的,S2中包括:
S21、获得原图中ROI区域位置的平均灰度值,将原图中ROI区域用灰度值0进行填充;
S22、获得S1中ROI区域中灰度值为0的图像;
S23、原图减去S22中的区域,获得灰度值在0-1的区域;
S24、将平均灰度值填充到S23中灰度值在0-1的区域从而获得新图像。能够对图像中边缘进行处理,避免因为边缘干扰带来过杀,降低了目标瑕疵检测过程中的过杀率,提高了检测过程的准确度与检测效率。
作为优选的,S3中包括:
S31、通过一阶曲面(平面)计算灰度值矩和近似值;公式如下,
Image(r,c) = Alpha(r - r_center) +Beta(c - c_center) +Gamma;
r_center和c_center是输入区域与图像的全域的相交部分的中心坐标。通过最小化处理,计算从Alpha到Gamma的参数。
S32、使用一阶多项式创建倾斜的灰色曲面,公式如下,
ImageSurface(r,c) = Alpha(r - Row) +Beta(c - Column) +Gamma;
其中Alpha、Beta、Gamma为最小化处理得到的参数。
作为优选的,S4中包括:
S41、将获得的平面灰度图和ROI图进行动态阈值分割;
S42、形态学处理、特征筛选出瑕疵。能够计算并将瑕疵点输出,提高了瑕疵的准确性、检测范围、可靠性及效率。
一种金属表面瑕疵检测的装置,包括处理芯片,运行一种金属表面瑕疵检测的方法。该装置运行了本发明所述的一种金属表面瑕疵检测方法,处理芯片为本发明的载体。
本发明的实施方式具有如下优点:
(1)能够先确定ROI检测区域,然后将ROI区域边缘的干扰去掉避免因为边缘干扰带来过杀,获取到平面灰度图进行动态阈值分割,形态学处理、筛选出瑕疵区域来帮助工艺差的情况下更好对金属表面瑕疵的检测;(2)解决瑕疵成像较差过杀率和漏杀率较高的问题。
附图说明
为了更清楚地说明本发明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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达到的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1是本发明的方法步骤图。
图2是本发明的算法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
如图 1-2所示,在一个较佳的实施例中,本发明公开了一种金属表面瑕疵检测的方法,包括如下步骤:
S1、获得检测ROI区域;
S2、对检测ROI区域消去边缘干扰;
S3、获得平面灰度图;
S4、筛选瑕疵。能够解决由于金属表面工艺问题导致瑕疵成像较差过杀率和漏杀率较高的问题。
S1中包括:
S11、筛选初始区域;通过二值化设定灰度阈值上下限确定区域、然后通过形态学腐蚀处理、最后通过面积特征筛选出初始区域;
S12、筛选出Mark点区域;再次通过二值化设定灰度阈值上下限确定区域,然后通过形态学膨胀处理、然后通过圆度特征筛选出Mark点区域;
S13、将初始区域减去Mark点区域获得ROI区域。能够将需要检测的区域单独区分。
S2中包括:
S21、获得原图中ROI区域位置的平均灰度值,将原图中ROI区域用灰度值0进行填充;
S22、获得S1中ROI区域中灰度值为0的图像;
S23、原图减去S22中的区域,获得灰度值在0-1的区域;
S24、将平均灰度值填充到S23中灰度值在0-1的区域从而获得新图像。能够对图像中边缘进行处理,避免因为边缘干扰带来过杀,降低了目标瑕疵检测过程中的过杀率,提高了检测过程的准确度与检测效率。
S3中包括:
S31、通过一阶曲面(平面)计算灰度值矩和近似值;公式如下,
Image(r,c) = Alpha(r - r_center) +Beta(c - c_center) +Gamma;
r_center和c_center是输入区域与图像的全域的相交部分的中心坐标。通过最小化处理,计算从Alpha到Gamma的参数。
S32、使用一阶多项式创建倾斜的灰色曲面,公式如下,
ImageSurface(r,c) = Alpha(r - Row) +Beta(c - Column) +Gamma;
其中Alpha、Beta、Gamma为最小化处理得到的参数。
S4中包括:
S41、将获得的平面灰度图和ROI图进行动态阈值分割;
S42、形态学处理、特征筛选出瑕疵。能够计算并将瑕疵点输出,提高了瑕疵的准确性、检测范围、可靠性及效率。
一种金属表面瑕疵检测的装置,包括处理芯片,运行一种金属表面瑕疵检测的方法。该装置运行了本发明所述的一种金属表面瑕疵检测方法,处理芯片为本发明的载体。
在另一个实施例中,为了解决金属表面工艺问题导致瑕疵成像较差过杀率和漏杀率较高时。本发明提出了一种图像处理的目标检测方法,帮助工艺差的情况下更好对金属表面瑕疵的检测。
该目标检测算法分为四个步骤,首先确定ROI检测区域,然后将ROI区域边缘的干扰去掉避免因为边缘干扰带来过杀,获取到平面灰度图进行动态阈值分割,形态学处理,筛选出瑕疵区域。
具体内容如下:
步骤一、通过二值化设定灰度阈值上下限确定区域、然后通过形态学腐蚀处理、最后通过面积特征筛选出初始区域;
步骤二、通过二值化设定灰度阈值上下限确定区域、然后通过形态学腐蚀处理、最后通过面积特征筛选出初始区域;
步骤三、将初始区域减去Mark点区域获得ROI区域。
步骤四、获得原图ROI区域中的平均灰值,然后将ROI区域用灰度值0进行填充;
步骤五、获得ROI区域中灰度值为0的图像;
步骤六、原图减去ROI区域中灰度值为0的图像,然后获得灰度值在0到1的区域;
步骤七、将步骤四中获得平均灰度值填充到步骤六中获得灰度值在0到1的区域内从而获得新图像
步骤八、通过公式“Image(r,c) = Alpha(r - r_center) +Beta(c - c_center)+Gamma”一阶曲面(平面)计算灰度值矩和近似值;
步骤九、使用公式“ImageSurface(r,c) = Alpha(r - Row) +Beta(c - Column)+Gamma”得到一阶多项式创建倾斜的灰色曲面;
步骤十:将获得的平面灰度图和ROI图进行动态阈值分割;
步骤十一:形态学处理、特征筛选出瑕疵。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.一种金属表面瑕疵检测的方法,其特征在于,包括如下步骤:
S1、获得检测ROI区域;
S2、对检测ROI区域消去边缘干扰;
S3、获得平面灰度图;
S4、筛选瑕疵。
2.根据权利要求1所述的一种金属表面瑕疵检测的方法,其特征在于,S1中包括:
S11、筛选初始区域;
S12、筛选出Mark点区域;
S13、将初始区域减去Mark点区域获得ROI区域。
3.根据权利要求1或2所述的一种金属表面瑕疵检测的方法,其特征在于,S2中包括:
S21、获得原图中ROI区域位置的平均灰度值,将原图中ROI区域用灰度值0进行填充;
S22、获得S1中ROI区域中灰度值为0的图像;
S23、原图减去S22中的区域,获得灰度值在0-1的区域;
S24、将平均灰度值填充到S23中灰度值在0-1的区域从而获得新图像。
4.根据权利要求3所述的一种金属表面瑕疵检测的方法,其特征在于,S3中包括:
S31、通过一阶曲面(平面)计算灰度值矩和近似值;
S32、使用一阶多项式创建倾斜的灰色曲面。
5.根据权利要求1或4所述的一种金属表面瑕疵检测的方法,其特征在于,S4中包括:
S41、将获得的平面灰度图和ROI图进行动态阈值分割;
S42、形态学处理、特征筛选出瑕疵。
6.一种金属表面瑕疵检测的装置,其特征在于,包括处理芯片,运行如权利要求1至5所述的一种金属表面瑕疵检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200979.1A CN114723661A (zh) | 2022-03-03 | 2022-03-03 | 一种金属表面瑕疵检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200979.1A CN114723661A (zh) | 2022-03-03 | 2022-03-03 | 一种金属表面瑕疵检测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723661A true CN114723661A (zh) | 2022-07-08 |
Family
ID=82235158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210200979.1A Pending CN114723661A (zh) | 2022-03-03 | 2022-03-03 | 一种金属表面瑕疵检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723661A (zh) |
-
2022
- 2022-03-03 CN CN202210200979.1A patent/CN114723661A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
KR102203112B1 (ko) | 표준 기준 이미지로부터 결정된 속성에 기초한 결함 검출 및 분류 | |
JP4095860B2 (ja) | 欠陥検査方法及びその装置 | |
CN108876860B (zh) | 一种用于管水准器气泡偏移量测量的图像标定方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN103439338A (zh) | 薄膜缺陷分类方法 | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
CN106770333B (zh) | 一种bga缺陷自动检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN113340909A (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
CN117392112A (zh) | 一种晶圆表面缺陷的检测方法、装置及系统 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN105825182A (zh) | 一种在线识别裂颖稻种的双面分析方法 | |
CN108280825A (zh) | 一种液晶显示屏边缘缺口检测方法 | |
JP2008249413A (ja) | 欠陥検出方法および装置 | |
JP3913517B2 (ja) | 欠陥検出方法 | |
CN114723661A (zh) | 一种金属表面瑕疵检测的方法及装置 | |
CN116843640A (zh) | 瓷砖表面凹坑缺陷检测方法、系统及存储介质 | |
CN107767372B (zh) | 一种分层并行计算的芯片管脚在线视觉检测系统及其方法 | |
Wang et al. | Detection of potato’s size based on centroidal principal axis | |
JPH07333197A (ja) | 表面疵自動探傷装置 | |
CN114187269A (zh) | 小零器件表面缺陷边缘快速检测方法 |
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 |