CN114820617B - 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 - Google Patents
基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 Download PDFInfo
- Publication number
- CN114820617B CN114820617B CN202210746133.8A CN202210746133A CN114820617B CN 114820617 B CN114820617 B CN 114820617B CN 202210746133 A CN202210746133 A CN 202210746133A CN 114820617 B CN114820617 B CN 114820617B
- Authority
- CN
- China
- Prior art keywords
- gray
- crystal
- defect
- image
- information
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 178
- 239000013078 crystal Substances 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 230000001427 coherent effect Effects 0.000 title claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 19
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000013519 translation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/60—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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本说明书实施例提供一种基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统,属于图像处理技术领域,该方法包括通过相位转换装置将待检测晶体的缺陷转化为相位信息;通过图像采集装置将相位信息转化为待检测晶体的晶体缺陷特征图像;对晶体缺陷特征图像进行预处理,获取预处理后的灰度图像;对预处理后的灰度图像进行灰度分析,确定灰度信息;基于灰度信息,确定缺陷厚度,具有快速且准确地确定晶体缺陷的优点。
Description
技术领域
本说明书涉及图像处理领域,特别涉及基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统。
背景技术
视觉是由物体影像刺激视网膜产生的一种感觉,人类感知外部环境的工作主要由视觉、触觉、听觉以及嗅觉等感觉器官承担,其中大约80%的信息是通过视觉器官获取的。机器视觉技术则应用感光元件和计算机技术模拟人类视觉功能,代替人眼完成一部分检测工作。这使得现代检测技术变得更加活跃,也让机器视觉检测逐渐替代了传统接触式检测方法。利用机器视觉技术对晶体内部微小缺陷进行检测,可以避免在实际生产过程中与样品接触,在保证产品的质量和品质上有着非常重要的作用。
机器视觉检测是使用机器视觉系统检测生产线上的产品有无质量问题,对其美观度、舒适度和使用性能进行检测。扫描电镜法结合利用光学显微观察和电镜,对具有晶体缺陷的晶体的形貌、缺陷状态等参数进行检测,但是需要对样品进行喷金操作。由于喷金处理后的晶体很难再进行其他处理,其检测效率也不适合大批量的晶体检测。此外,使用动态泰曼干涉仪检测以及激光聚焦线扫描法可以实现对晶体内部的缺陷检测,前者的检测相对误差为2.4%,后者的检测分辨率达到了40um。但是该类方法的检测精度和分辨率还有待进一步提升。机器视觉很大程度上提高了产业的自动化程度与容错率,有利于提高生产中精密加工的智能程度。目前常见的机器视觉检测系统主要是针对芯片、轴类或其他金属类机械零件,这类物体大多符合实心、不透明、成像对比度高的特点,对于透明度高、成像对比度低的晶体缺陷检测却少有研究。
因此,需要提供一种基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统,用于快速且准确地确定晶体缺陷。
发明内容
为了解决现有技术中透明度高、成像对比度低的晶体缺陷检测并未有成熟方案的技术问题,本说明书实施例之一提供一种基于四焦距相位相干机器视觉的晶体缺陷检测方法,包括:通过相位转换装置将待检测晶体的缺陷转化为相位信息;通过图像采集装置将所述相位信息转化为所述待检测晶体的晶体缺陷特征图像;对所述晶体缺陷特征图像进行预处理,获取预处理后的灰度图像;对所述预处理后的灰度图像进行灰度分析,确定灰度信息;基于所述灰度信息,确定缺陷厚度。
可以理解的,一种基于四焦距相位相干机器视觉的晶体缺陷检测方法,用于检测晶体内部的微小缺陷,通过相位转换装置,将晶体内部缺陷的相位信息转化为灰度信息,形成了待检测晶体的晶体缺陷特征图像,对待检测晶体的晶体缺陷特征图像进行预处理,减小相位信息丢失点对最终检测结果的影响,最后预处理后的灰度图像进行灰度分析,可以较为准确地计算得出晶体内部缺陷的信息。
在一些实施例中,所述相位转换装置包括检测光源组件、相位板、第一傅里叶变换透镜、半透半反镜及第二傅里叶变换透镜;所述检测光源组件、所述相位板、所述第一傅里叶变换透镜、所述半透半反镜、所述第二傅里叶变换透镜及所述图像采集装置同光轴地依次设置;所述待检测晶体位于所述第一傅里叶变换透镜和所述第二傅里叶变换透镜重合的焦平面上。
可以理解的,通过检测光源组件、相位板、第一傅里叶变换透镜、半透半反镜及第二傅里叶变换透镜,形成四焦距相位相干光路,将晶体内部缺陷的相位信息转化为灰度信息,可以形成待检测晶体的晶体缺陷特征图像。
在一些实施例中,所述相位转换装置还包括显微成像组件,通过所述待检测晶体的光线经所述半透半反镜分光后,一部分进入所述显微成像组件,另一部分进入所述图像采集装置。
可以理解的,通过显微成像装置,可以生成待检测晶体的显微图像,便于操作人员确定缺陷的位置及观察缺陷。
在一些实施例中,所述对所述晶体缺陷特征图像进行预处理,包括:对所述晶体缺陷特征图像进行修复,获取修复后的灰度图像;确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域。
在一些实施例中,所述对所述晶体缺陷特征图像进行修复,包括:提取所述晶体缺陷特征图像中的灰度变化区域;对所述灰度变化区域进行修复。
可以理解的,通过对所述灰度变化区域进行修复,减小了相位信息丢失点对最终检测结果的影响。
在一些实施例中,所述对所述晶体缺陷特征图像进行修复,包括:通过拉普拉斯滤波算法对所述晶体缺陷特征图像进行修复。
在一些实施例中,所述确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域,包括:确定所述修复后的灰度图像中的每个像素点的梯度模值和梯度方向;基于所述每个像素点的梯度模值和梯度方向确定分离轮廓;基于所述分离轮廓确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域。
可以理解的,通过分离轮廓确定修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域,可以缩小缺陷所在位置范围,从而减少后续确定缺陷厚度的数据,提高确定缺陷厚度的效率。
在一些实施例中,所述对所述预处理后的灰度图像进行灰度分析,确定灰度信息,包括:分别计算缺陷主要信息区域对应的第一平均灰度及缺陷次要信息区域对应的第二平均灰度;计算第一平均灰度和第二平均灰度对应的平均灰度差值;判断平均灰度差值是否大于预设阈值;若平均灰度差值大于预设阈值,将第一平均灰度作为灰度信息。
在一些实施例中,所述基于所述灰度信息,确定所述缺陷厚度,包括:根据灰度与厚度对应关系,基于所述平均灰度确定所述缺陷厚度。
可以理解的,通过预先建立灰度与厚度对应关系,可以在根据对预处理后的灰度图像进行灰度分析后,确定的灰度信息快速查找到对应的厚度,以提高确定缺陷厚度的效率。
本说明书实施例之一提供一种基于四焦距相位相干机器视觉的晶体缺陷检测系统,包括:相位转化模块,用于通过相位转换装置将待检测晶体的缺陷转化为相位信息;灰度转化模块,用于通过图像采集装置将所述相位信息转化为所述待检测晶体的晶体缺陷特征图像;预处理模块,用于对所述晶体缺陷特征图像进行预处理,获取预处理后的灰度图像;灰度分析模块,用于对所述预处理后的灰度图像进行灰度分析,确定灰度信息;厚度确定模块,用于基于所述灰度信息,确定缺陷厚度。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种基于四焦距相位相干机器视觉的晶体缺陷检测系统的模块示意图;
图2是根据本说明书一些实施例所示的一种基于四焦距相位相干机器视觉的晶体缺陷检测方法的流程示意图;
图3是根据本说明书一些实施例所示的相位转换装置的结构示意图;
图4是根据本说明书一些实施例所示的预处理后的灰度图像的部分像素点的示意图;
图5是根据本说明书一些实施例所示的预处理后的灰度图像的缺陷主要信息区域和缺陷次要信息区域的示意图。
图中,310、检测光源组件;320、相位板;330、第一傅里叶变换透镜;340、待检测晶体;350、半透半反镜;360、第二傅里叶变换透镜;370、图像采集装置;380、显微成像组件;510、缺陷主要信息区域;520、缺陷次要信息区域。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种基于四焦距相位相干机器视觉的晶体缺陷检测系统的模块示意图。
如图1所示,一种基于四焦距相位相干机器视觉的晶体缺陷检测系统可以包括相位转化模块、灰度转化模块、预处理模块、灰度分析模块及厚度确定模块。
相位转化模块可以用于通过相位转换装置将待检测晶体340的缺陷转化为相位信息。
灰度转化模块可以用于通过图像采集装置370将相位信息转化为待检测晶体340的晶体缺陷特征图像。
预处理模块可以用于对晶体缺陷特征图像进行预处理,获取预处理后的灰度图像。
灰度分析模块可以用于对预处理后的灰度图像进行灰度分析,确定灰度信息。
厚度确定模块可以用于基于灰度信息,确定缺陷厚度。
关于相位转化模块、灰度转化模块、预处理模块、灰度分析模块及厚度确定模块的更多描述可以参见图2及其相关描述,此处不再赘述。
图2是根据本说明书一些实施例所示的一种基于四焦距相位相干机器视觉的晶体缺陷检测方法的流程示意图。可以理解的,图2所示的一种基于四焦距相位相干机器视觉的晶体缺陷检测方法可以由上述的基于四焦距相位相干机器视觉的晶体缺陷检测系统执行。
步骤210,通过相位转换装置将待检测晶体340的缺陷转化为相位信息。在一些实施例中,步骤210可以由相位转化模块执行。
待检测晶体340可以为透明度较高的晶体,例如,石英玻璃等。
图3是根据本说明书一些实施例所示的相位转换装置的结构示意图,如图3所示,在一些实施例中,相位转换装置包括检测光源组件310、相位板320、第一傅里叶变换透镜330、半透半反镜350及第二傅里叶变换透镜360。检测光源组件310、相位板320、第一傅里叶变换透镜330、半透半反镜350、第二傅里叶变换透镜360及图像采集装置370同光轴地依次设置。待检测晶体340位于第一傅里叶变换透镜330和第二傅里叶变换透镜360重合的焦平面上。在一些实施例中,相位转换装置还包括显微成像组件380,通过待检测晶体340的光线经半透半反镜350分光后,一部分进入显微成像组件380,操作人员可以根据显微成像组件380的成像确定待检测晶体340的位置,另一部分进入图像采集装置370。在一些实施例中,检测光源组件310可以包括波长860nm的半导体激光器,图像采集装置370可以为CCD相机,显微成像组件380可以包括显微镜CCD(显微镜摄像头)。
步骤220,通过图像采集装置370将相位信息转化为待检测晶体340的晶体缺陷特征图像。在一些实施例中,步骤220可以由灰度转化模块执行。
可以理解的,由检测光源组件310提供检测光线,经过相位板320的调制后进入第一傅里叶变换透镜330,被测样品被摆放在第一傅里叶变换透镜330和第二傅里叶变换透镜360重合的焦平面上,透过被测样品的光线被半透半反镜350分光,一部分进入显微成像组件380,另一部分在透过后一面傅里叶变换透镜后被图像采集装置370捕捉,形成晶体缺陷特征图像。
步骤230,对晶体缺陷特征图像进行预处理,获取预处理后的灰度图像。在一些实施例中,步骤230可以由预处理模块执行。
预处理是指对晶体缺陷特征图像进行的用于减少干扰信息的操作。在一些实施例中,预处理可以包括图像去噪、图像增强等。
在一些实施例中,图像去噪是指去除晶体缺陷特征图像中的干扰信息。晶体缺陷特征图像中的干扰信息会降低晶体缺陷特征图像的质量。在一些实施例中,预处理模块通过中值滤波器、机器学习模型等实现图像去噪。
图像增强是指增加晶体缺陷特征图像中的缺失信息。晶体缺陷特征图像中的缺失信息会造成图像模糊。在一些实施例中,预处理模块通过平滑滤波器、中值滤波器等实现图像增强。
在一些实施例中,预处理模块对晶体缺陷特征图像进行预处理,可以包括:
对晶体缺陷特征图像进行修复,获取修复后的灰度图像;
确定修复后的灰度图像中的缺陷主要信息区域510与缺陷次要信息区域520。
可以理解的,在实际检测过程中,检测光源组件310提供检测光线会因为镜头灰尘、透镜潜在划痕等外在因素导致晶体缺陷特征图像中出现暗斑、暗痕等令相位信息丢失的情况,预处理模块可以对晶体缺陷特征图像进行修复,以减少相位信息丢失。在一些实施例中,预处理模块可以通过拉普拉斯滤波算法对缺陷区域灰度图像进行修复。
在一些实施例中,预处理模块可以通过拉普拉斯滤波算法对缺陷区域灰度图像进行修复,可以具体包括如下步骤:
提取晶体缺陷特征图像中的灰度变化区域;
对灰度变化区域进行修复。
在一些实施例中,预处理模块可以使用拉普拉斯滤波算法,根据晶体缺陷特征图像中相邻灰度的突然变化的程度,确定灰度变化区域。
通过拉普拉斯滤波算法对缺陷区域灰度图像进行修复可以具体包括:一个点的拉普拉斯的算子计算结果是上下左右的灰度和减去本身灰度的4倍,这是四临接的拉普拉斯算子,将这个算子旋转45度后与原算子相加,就变成了八邻域的算子,也就是一个像素周围一圈8个像素的和与中间像素8倍的差。例如,对于灰度变化区域中的一个像素点,其周围的8个像素的灰度值都很高,但是该像素点对应的灰度值很低,通过计算该像素点周围8个像素的和减去该像素点对应的灰度值的8倍的结果,可以得到一个比较大的值,将该值乘以一定的系数后与该像素点原本的灰度值相加,会使得该像素点对应的灰度值得到提高,最终就完成了该像素点的修复。
修复后该像素点对应的灰度值可以表示为:
在一些实施例中,通过对晶体缺陷特征图像进行修复,能够有效地降低外部不可控因素对系统稳定性的影响,使得检测结果更加可信。
在一些实施例中,预处理模块确定修复后的灰度图像中的缺陷主要信息区域510与缺陷次要信息区域520,可以包括:
确定修复后的灰度图像中的每个像素点的梯度模值和梯度方向;
基于每个像素点的梯度模值和梯度方向确定分离轮廓;
基于分离轮廓确定修复后的灰度图像中的缺陷主要信息区域510与缺陷次要信息区域520。
在一些实施例中,通过确定修复后的灰度图像中的缺陷主要信息区域510与缺陷次要信息区域520,可以有效减少后续确定缺陷厚度所需要处理的数据,提高检测效率。
图4是根据本说明书一些实施例所示的预处理后的灰度图像的部分像素点的示意图,如图4所示,对于像素点M5,需要读取像素点M5的周边像素点M1、M2、M3、M4、M6、M7、M8和M9的灰度G1、G2、G3、G4、G6、G7、G8及G9,并基于以下公式计算像素点M5的梯度模值及梯度方向:
可以理解的,遍历完整幅修复后的灰度图像后,每一个像素点都有了对应的梯度模与梯度方向,筛选其中一片梯度方向相同的区域中梯度模值最大的像素点,将这些像素点提取出来形成分离轮廓。筛选条件由检测环境与缺陷主要信息区域510确定,从而达到更好的提取效果。在一些实施例中,筛选条件可以包括双门限阈值,双门限阈值可以包括灰度最高阈值及灰度最低阈值,灰度最高阈值及灰度最低阈值可以基于检测目标确定。仅作为示例,当采集到的图像本身亮度较高、缺陷主要信息区域510的灰度值较低时,可以选择采用较低的双门限阈值实现轮廓的分离。在一些实施例中,除了设置双门限阈值外,预处理模块还可以通过设置区域面积和/或区域圆度的方式确定缺陷主要信息区域510与缺陷次要信息区域520。仅作为示例,可以通过设定区域面积为(下限:1741个像素,上限:2167个像素)的方式筛选出缺陷主要信息区域510;可以通过设定区域圆度为(上限:0.62,下限:0.67)的方式筛选出缺陷主要信息区域510。
图5是根据本说明书一些实施例所示的预处理后的灰度图像的缺陷主要信息区域510和缺陷次要信息区域520的示意图,如图5所示,在预处理后的灰度图像上,半径较大的圆确定了待检测晶体340的整体范围,中间半径较小的圆标志出了缺陷主要信息区域510,该圆正中间的十字标注出了圆心的位置,在大圆内小圆外的区域为缺陷次要信息区域520。
步骤240,对预处理后的灰度图像进行灰度分析,确定灰度信息。在一些实施例中,步骤240可以由灰度分析模块执行。
灰度分析可以指提取预处理后的灰度图像中的缺陷区域的灰度的操作,灰度信息可以表征缺陷区域的灰度。
在一些实施例中,灰度分析模块对预处理后的灰度图像进行灰度分析,确定灰度信息,可以包括:
分别计算缺陷主要信息区域510对应的第一平均灰度及缺陷次要信息区域520对应的第二平均灰度;
计算第一平均灰度和第二平均灰度对应的平均灰度差值;
判断平均灰度差值是否大于预设阈值;
若平均灰度差值大于预设阈值,将第一平均灰度作为灰度信息;
若平均灰度差值小于预设阈值,则判断待检测晶体340上没有缺陷。
在一些实施例中,通过预先判断平均灰度差值是否小于预设阈值,可以对待检测晶体340是否具有缺陷进行初步判断,并只在平均灰度差值大于预设阈值时,将第一平均灰度作为灰度信息,用于确定缺陷厚度,避免了在平均灰度差值小于预设阈值(即待检测晶体340不存在缺陷)时,进行无效的缺陷厚度计算,提高了检测效率。
步骤250,基于灰度信息,确定缺陷厚度。在一些实施例中,步骤250可以由厚度确定模块执行。
缺陷厚度可以用于表征待检测晶体340上的缺陷的深度。
在一些实施例中,厚度确定模块基于灰度信息,确定缺陷厚度,可以包括:
根据灰度与厚度对应关系,基于平均灰度确定缺陷厚度。
可以理解的,灰度与厚度对应关系可以预先确定。在一些实施例中,灰度与厚度对应关系可以由以下公式表达:
其中,为待检测晶体340的某处(x,y)的缺陷厚度,为图像采集装置370的灰度响应参量,为修正量,为入射光实振幅,为入射光波长,r为待测晶体折射率, 为步骤240中确定的灰度信息。在一些实施例中,可以对图像采集装置370采集最大光强和最小光强与其对应灰度进行测定,以确定及 。具体的,用一个可调亮度的光源组件代替检测光源组件,并不放置待检测晶体,保持系统四周环境中环境光的稳定,此时图像采集装置采集的图像为没有灰度变化的图像。将可调亮度的光源组件发射的光线调节至最暗,记录此时图像采集装置采集到的图像P1的平均灰度值C1以及光源的光强I1;然后将可调节亮度的光源组件发射的光线至最亮,记录此时图像采集装置采集到的图像P2的平均灰度值C2以及此时的光强I2,值得说明的是,图像P1的灰度值和图像P2的灰度值均位于图像采集装置的采集范围。由测定原理可知,光强及灰度值满足以下线性关系:
仅作为示例的,采用波长860nm的半导体激光器作为检测光束,待测样品为2mm石英玻璃中心镀厚度为60nm、半径为0.5mm的膜,用于模拟晶体内部的缺陷,四焦距相位相干系统前后透镜的焦距,放大倍率G=1,相位板320相移。图像采集装置370的像素为1280*1024,每个像素点有1023种灰度,像元尺寸为5.2um*5.2um。对待测样品进行十次测量,每次测量中对待测样品进行五次检测,测量结果如表1所示,
表1
由表1可知,十次实验结果的平均值为58.84nm,方差σ^2为0.72,标准差S为0.85。已知缺陷厚度为60nm,本系统的平均绝对误差为-1.16nm,平均相对误差为1.93%。方差与标准差数值越小,代表稳定性越强,本次结果方差和标准差的数值均较小;绝对误差与相对误差越小,代表精确度越高。
动态泰曼干涉仪和激光聚焦线扫描法也可以完成晶体内部缺陷的检测,作为对比的,将动态泰曼干涉仪也应用于上述待测样品的缺陷检测,根据实验结果,动态泰曼干涉仪的平均绝对误差为-2.55nm,平均相对误差为2.40%,本说明书提供的一种基于四焦距相位相干机器视觉的晶体缺陷检测方法最终达到了1.93%的平均相对误差和-1.16nm的平均绝对误差,与动态泰曼干涉仪相比,精度更高。
在一些实施例中,本说明书提供的一种基于四焦距相位相干机器视觉的晶体缺陷检测方法,用于检测晶体内部的微小缺陷,通过四焦距相位相干光路,将晶体内部缺陷的相位信息转化为灰度信息,形成了待检测晶体340的晶体缺陷特征图像,对待检测晶体340的晶体缺陷特征图像进行优化修复,减小相位信息丢失点对最终检测结果的影响。最后利用特征提取、灰度分析算法,对缺陷特征图像进行处理分析,计算得出晶体内部缺陷的信息。与现有检测技术相比,在检测误差上,优于动态泰曼干涉仪,在检测分辨率上优于激光聚焦线扫描法。最终相对误差1.93%,检测分辨率达到了纳米量级。进一步的,上述方法能够高效地对待检测晶体340的晶体缺陷特征图像进行处理,处理一幅待检测晶体340的晶体缺陷特征图像的平均时间为132ms,在效率上有一定的保证,也降低了人为操作引入的其他误差。
应当注意的是,上述有关一种基于四焦距相位相干机器视觉的晶体缺陷检测方法的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对一种基于四焦距相位相干机器视觉的晶体缺陷检测方法进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,包括:
通过相位转换装置将待检测晶体的缺陷转化为相位信息,其中,所述相位转换装置包括检测光源组件、相位板、第一傅里叶变换透镜、半透半反镜及第二傅里叶变换透镜;所述检测光源组件、所述相位板、所述第一傅里叶变换透镜、所述半透半反镜、所述第二傅里叶变换透镜及图像采集装置同光轴地依次设置;所述待检测晶体位于所述第一傅里叶变换透镜和所述第二傅里叶变换透镜重合的焦平面上;
通过图像采集装置将所述相位信息转化为所述待检测晶体的晶体缺陷特征图像;
对所述晶体缺陷特征图像进行预处理,获取预处理后的灰度图像;
对所述预处理后的灰度图像进行灰度分析,确定灰度信息;
基于所述灰度信息,确定缺陷厚度;
所述基于所述灰度信息,确定缺陷厚度,包括:
根据灰度与厚度对应关系,基于所述灰度信息确定所述缺陷厚度;
所述灰度与厚度对应关系为:
2.如权利要求1所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述相位转换装置还包括显微成像组件,通过所述待检测晶体的光线经所述半透半反镜分光后,一部分进入所述显微成像组件,另一部分进入所述图像采集装置。
3.如权利要求1或2所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述对所述晶体缺陷特征图像进行预处理,包括:
对所述晶体缺陷特征图像进行修复,获取修复后的灰度图像;
确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域。
4.如权利要求3所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述对所述晶体缺陷特征图像进行修复,包括:
提取所述晶体缺陷特征图像中的灰度变化区域;
对所述灰度变化区域进行修复。
5.如权利要求4所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述对所述晶体缺陷特征图像进行修复,包括:
通过拉普拉斯滤波算法对所述晶体缺陷特征图像进行修复。
6.如权利要求3所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域,包括:
确定所述修复后的灰度图像中的每个像素点的梯度模值和梯度方向;
基于所述每个像素点的梯度模值和梯度方向确定分离轮廓;
基于所述分离轮廓确定所述修复后的灰度图像中的缺陷主要信息区域与缺陷次要信息区域。
7.如权利要求3所述的基于四焦距相位相干机器视觉的晶体缺陷检测方法,其特征在于,所述对所述预处理后的灰度图像进行灰度分析,确定灰度信息,包括:
分别计算缺陷主要信息区域对应的第一平均灰度及缺陷次要信息区域对应的第二平均灰度;
计算第一平均灰度和第二平均灰度对应的平均灰度差值;
判断平均灰度差值是否大于预设阈值;
若平均灰度差值大于预设阈值,将第一平均灰度作为灰度信息。
8.一种基于四焦距相位相干机器视觉的晶体缺陷检测系统,其特征在于,包括:
相位转化模块,用于通过相位转换装置将待检测晶体的缺陷转化为相位信息,其中,所述相位转换装置包括检测光源组件、相位板、第一傅里叶变换透镜、半透半反镜及第二傅里叶变换透镜;所述检测光源组件、所述相位板、所述第一傅里叶变换透镜、所述半透半反镜、所述第二傅里叶变换透镜及图像采集装置同光轴地依次设置;所述待检测晶体位于所述第一傅里叶变换透镜和所述第二傅里叶变换透镜重合的焦平面上;
灰度转化模块,用于通过图像采集装置将所述相位信息转化为所述待检测晶体的晶体缺陷特征图像;
预处理模块,用于对所述晶体缺陷特征图像进行预处理,获取预处理后的灰度图像;
灰度分析模块,用于对所述预处理后的灰度图像进行灰度分析,确定灰度信息;
厚度确定模块,用于基于所述灰度信息,确定缺陷厚度;
所述厚度确定模块还用于:
根据灰度与厚度对应关系,基于所述灰度信息确定所述缺陷厚度;
所述灰度与厚度对应关系为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746133.8A CN114820617B (zh) | 2022-06-29 | 2022-06-29 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746133.8A CN114820617B (zh) | 2022-06-29 | 2022-06-29 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820617A CN114820617A (zh) | 2022-07-29 |
CN114820617B true CN114820617B (zh) | 2022-09-20 |
Family
ID=82522811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746133.8A Active CN114820617B (zh) | 2022-06-29 | 2022-06-29 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820617B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468724B (zh) * | 2023-06-08 | 2023-08-29 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102089616A (zh) * | 2008-06-03 | 2011-06-08 | 焕·J·郑 | 干涉缺陷检测和分类 |
CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
CN112669265A (zh) * | 2020-12-17 | 2021-04-16 | 华中科技大学 | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 |
CN113189119A (zh) * | 2021-04-30 | 2021-07-30 | 东明县人民医院 | 一种医用光学元件内部缺陷检测装置 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127779B (zh) * | 2016-06-29 | 2018-12-11 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及系统 |
CN108387587B (zh) * | 2018-01-22 | 2020-07-31 | 京东方科技集团股份有限公司 | 缺陷检测方法及缺陷检测设备 |
CN113379680B (zh) * | 2021-05-18 | 2023-05-23 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
-
2022
- 2022-06-29 CN CN202210746133.8A patent/CN114820617B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102089616A (zh) * | 2008-06-03 | 2011-06-08 | 焕·J·郑 | 干涉缺陷检测和分类 |
CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN112669265A (zh) * | 2020-12-17 | 2021-04-16 | 华中科技大学 | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 |
CN113189119A (zh) * | 2021-04-30 | 2021-07-30 | 东明县人民医院 | 一种医用光学元件内部缺陷检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114820617A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356608B (zh) | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 | |
KR100532635B1 (ko) | 외형 검사를 위한 이미지 프로세싱 방법 | |
CN115760654B (zh) | 一种工业显微镜图像处理系统 | |
JP4061289B2 (ja) | 画像検査方法及び装置 | |
CN111383227A (zh) | 基于神经网络的刀具磨损类型识别方法及磨损值测定方法 | |
CN107533759A (zh) | 对于关注图案图像群体的异常检测 | |
CN114820617B (zh) | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN112396575A (zh) | 基于影像的分类系统 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN112907556A (zh) | 一种基于机器视觉的旋转刀具磨损量自动测量方法 | |
CN111912835A (zh) | 一种具备烧蚀量测量功能的libs装置及方法 | |
Hsu | Automatic compensation for defects of laser reflective patterns in optics-based auto-focusing microscopes | |
CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN111879789A (zh) | 金属表面缺陷检测方法及系统 | |
CN218350145U (zh) | 四焦距相位相干成像的光学测量机器视觉装置 | |
Yang et al. | Surface defects evaluation system based on electromagnetic model simulation and inverse-recognition calibration method | |
JP3806125B2 (ja) | 欠陥検査装置および欠陥検査方法 | |
JP4405407B2 (ja) | 欠陥検査装置 | |
CN115829981A (zh) | 一种退役轴承端面损伤的视觉检测方法 | |
CN115502940A (zh) | 一种适用于精密光学元件表面疵病三维检测的仪器 | |
CN113240629B (zh) | 基于边缘的图像匹配窄间隙焊缝初始点定位装置和方法 | |
Zexian et al. | A novel coarse-to-fine localization algorithm for automated Vickers hardness measurement | |
DE102007045277A1 (de) | Verfahren zur Bestimmung des Kantenortes bei Antastung im Auflicht in der optischen Längenmesstechnik |
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 |