CN114881915A - 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 - Google Patents
一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 Download PDFInfo
- Publication number
- CN114881915A CN114881915A CN202210128421.7A CN202210128421A CN114881915A CN 114881915 A CN114881915 A CN 114881915A CN 202210128421 A CN202210128421 A CN 202210128421A CN 114881915 A CN114881915 A CN 114881915A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- defect
- window area
- glass cover
- 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 118
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 239000011521 glass Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/90—
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
Abstract
一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,本发明涉及手机玻璃盖板缺陷检测,由黑白周期结构光拍摄的图像序列计算缺陷增强图像,再预处理去噪。提取ROI,再通过亚像素边缘检测方法对视窗区进行两次轮廓提取,分别是真实的轮廓边缘和直线拟合的标准轮廓边缘并计算对称轴。根据两轮廓的差异检测边缘的崩边、毛刺。对称轴两侧在空间域进行对应位置像素点的相减运算,利用差值信息提取出只有缺陷区域的二值化图像,以检测视窗区表面的缺陷。本发明的检测方法克服了传统模板匹配需要标准模板且无法适应多种型号检测的问题,可实现对手机玻璃盖板视窗区缺陷的快速、高识别率的自动化检测。
Description
技术领域
本发明涉及玻璃缺陷检测领域,具体涉及一种基于对称性的手机玻璃盖板视窗区缺陷检测方法。
背景技术
随着无线充电和5G等技术的不断发展,玻璃材质凭借其良好的力学和光学特性以及相比于陶瓷材料的低成本,成为手机盖板生产厂商的首选原材料。然而玻璃盖板作为手机最外层而且是消费者经常接触的部件,在生产过程中无可避免的会产生各种各样的特征不同的缺陷,常见的有划痕、凹坑、崩边、杂质、异色等缺陷。在出厂之前生产厂商和采购厂商都会要求对其进行严格的质检流程来监控产品的生产品质,提升自己的产品竞争力。
现在玻璃盖板生产线其它生产流程都已实现自动化,但缺陷检测仍全部采用的是人工目检的方法,这种方法不能精确量化缺陷,而且很容易受人的主观意识所影响,所以存在着效率低下,漏检误检率高的问题。质检员需要在周围是黑暗环境但检测工位是在高强光环境进行检测,对质检员的视力也有一定程度的损害,厂商也面临着招工难、人工成本高等难题,急需引进先进的自动检测设备降低人力成本,提高生产效率。
发明内容
为了解决以上问题,本发明提供一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,适用于手机玻璃盖板中间视窗区的缺陷检测。首先利用黑白周期条纹结构光拍摄多幅玻璃盖板图像序列,再经过图像增强算法得到一幅最终的缺陷增强图像,其中缺陷处会更暗,非缺陷处则会更亮,达到凸显缺陷的目的。
为达到上述目的,本发明采用的技术方案是:
一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,其特征在于,包括如下步骤:
1)、图像数据采集
显示器上投射周期性移动的黑白周期条纹结构光,通过面阵相机拍摄的图像序列计算缺陷增强图像;屏幕上显示的黑白周期条纹图像可以表示为:
式中,fdb(x,y)表示黑白周期条纹图像坐标(x,y)处像素的灰度值,T为黑白周期条纹图像的周期,δ为黑白周期条纹中白色条纹的宽度,T 为δ的4倍,w为黑白周期条纹图像的宽度,设经过黑白周期条纹光投影反射拍摄到的手机玻璃盖板图像记为Idb;
经过黑白周期条纹光反射拍摄到的手机玻璃盖板图像序列合成的手机玻璃盖板增强图片对发生漫反射的缺陷可以稳定提升缺陷与背景的对比度,凸显缺陷,手机玻璃盖板缺陷增强图像的获取过程可以表示为:
2)、图像预处理
对图像先进行中值滤波,再进行形态学闭运算,去除噪声干扰,减少毛刺粘连;再采用均方差归一化来减小光照对图像灰度的影响,图像均方差的计算公式为:
式中,σ为标准差,M*N表示图像的大小,P(i,j)表示第i行、第j列的像素值,u为像素的均值;
将像素值归一化到均值为0、方差为1的过程可表示为:
P'(i,j)=P(i,j)-uσ
其中P'(i,j)表示第i行、第j列经均方差归一化后的像素值;
3)、亚像素轮廓提取
先定位ROI视窗区区域,再通过亚像素边缘检测方法对视窗区进行两次轮廓提取,包括实际真实的轮廓边缘和直线拟合的标准轮廓边缘;利用离散的图像数据建立二次曲线边缘阶跃模型来进行亚像素边缘参数的计算,完成边缘检测,二次曲线可表示为:
y=ax2+bx+c
其中,a,b,c是二次曲线的参数。
对于离散型数据的数字图像,一维离散q阶灰度矩可表示为:
其中,gi(i=1,2,...,n)是图像中实际的灰度值,n是总像素点数。
首先利用像素级检测算子Sobel算子对图像进行像素级边缘检测,再求出图像中边缘所在点的一阶和二阶灰度矩,即对应上述灰度矩公式中的q=1、q=2,最后建立基于一维灰度矩亚像素边缘检测的边缘模型图,可计算得到全部曲线边缘参数,检测出手机玻璃盖板视窗区的实际亚像素边缘轮廓,设视窗区实际亚像素轮廓记为Sreal(x,y);
Hough直线检测抗干扰能力强,对图像中直线的残缺部分、噪声等不敏感,设点A(xA,yA),点B(xB,yB),霍夫空间中直线AB倾斜角度θ可表示为:
对手机玻璃盖板的实际边缘检测出来后,本发明利用基于改进的 Hough_line的亚像素直线检测方法精确检测Sreal(x,y)中的直线,避免玻璃盖板边缘处可能存在的崩边、毛刺等缺陷对检测造成影响,设定θ的计算范围,取一个最小值θmin和一个最大值θmax,此范围内霍夫空间各点的公式为:
rij=xi cosθj+yi sinθj
其中,rij为某一边缘的像素点,xi为横坐标,yi为纵坐标。当 r出现的次数大于设定的阈值时,对应的点将在平面中形成一条直线,当θj取最小值时,所得到的直线即为视窗区边缘的亚像素位置,其边缘方向垂直于θ方向所在的直线,设经过改进Hough_line的亚像素直线检测方法提取的视窗区标准轮廓记为Sideal(x,y),设视窗区标准轮廓的每个边所在的直线在笛卡尔坐标系中分别表示为:
式中,ytop,ybottom,yleft,yright分别代表视窗区标准轮廓上、下、左、右四条边所在直线的数学表达式中的纵坐标,ki(i=1,2,3,4)表示各直线的斜率,且有k1=k2,k3=k4;
4)、计算视窗区对称轴
根据检测到的标准轮廓边缘,计算出视窗区表面的横向对称轴和纵向对称轴;由于视窗区几乎都是标准的轴对称矩形,所以对称轴跟两边是平行的,即其斜率和两边的斜率是一样的,以上下边为例,可以设横向对称轴所在直线在笛卡尔直线坐标系中表达式为:
ysymmetry=kx+b
其中k为斜率,且k=k3=k4,b为截距,且b=(b1+b2)/2;
5)、边缘处缺陷检测
根据实际轮廓和标准轮廓的差异检测边缘上的崩边、毛刺缺陷;根据生产线检测标准设置检测精度阈值δ,根据步骤3)检测到的实际轮廓Sreal(x,y)和标准轮廓Sideal(x,y)对比来检测崩边、毛刺缺陷,检测过程可以表示为:
6)、视窗区表面缺陷检测
根据计算出的对称轴在空间域进行对应位置像素点的相减运算,利用差值信息提取出只有缺陷区域的二值化图像,检测视窗区表面的缺陷,检测出视窗区的横向对称轴和纵向对称轴,分别将视窗区表面分割为相同的上下两部分,记为Stop(x,y),Sbottom(x,y),和相同的左右两部分,记为Sleft(x,y),Sright(x,y),分别通过类似传统模板匹配的方法检测视窗区表面的缺陷,即对称轴两边的部分在空间域进行对应位置下像素的相减运算,用左边图像Sleft(x,y)减去右边图像Sright(x,y)得到两边图像的差值信息,用上边图像Stop(x,y)减去下边图像Sbottom(x,y)得到两边图像的差值信息,并将上下和左右检测的结果进行融合,得到最终的检测结果。
所述的步骤6)中检测出的横向对称轴和纵向对称轴分别将手机玻璃盖板标准轮廓所构成的区域等分为两块相同的区域。
所述的经过缺陷增强后的图像,在缺陷处会更暗,在非缺陷处会更亮,且在数字图像中,暗处对应的灰度值小,亮处对应的灰度值大,即缺陷处与非缺陷处相减后的差值为负值,对于跨越对称轴的缺陷,判断图像相减后差值信息的正负来判断缺陷位于图像中具体的位置,对于差值为正值的位置,对其做关于对称轴的镜像操作恢复在原视窗区中的位置。
所述的由于图像获取过程中会受到不可避免的噪声的干扰,即使上文已经对图像进行预处理去噪处理,仍是会有少量噪声存在,对于由对称轴分割得到的两个1/2区域,即使无缺陷的背景处得到的灰度值差值信息也会出现正值或负值,而不是标准的0,利用两边区域的灰度值均值差值作为阈值thresh来进一步过滤噪声,差值低于阈值的像素点可考虑为噪声造成的微小范围内的灰度值波动。
本发明的有益效果是:
手机玻璃盖板视窗区明显具有左右且上下对称的特性,这是对视窗区缺陷检测的一大优势,但以往的研究都忽视了这一点。本发明利用手机玻璃盖板视窗区轴对称的特点,提出一种简单快速的基于对称性的视窗区缺陷检测方法,满足工业生产线检测的实时性要求。传统的模板匹配方法大多先对预处理后的图片提取其角点特征来进行图像配准,之后用差影法分割出缺陷区域的方式来进行缺陷检测,这种方法需要预先准备一张完美的标准图像来进行对比,易受环境光线变化影响,且无法适用于不同型号玻璃盖板检测。本发明利用手机玻璃盖板视窗区轴对称的特点,克服了传统模板匹配的不足之处,可以自适应各种型号。
随着科技技术的发展,像素级的边缘检测精度并不能满足实际的生产与应用。本发明提出的方法先用基于一维灰度矩的亚像素边缘检测方法检测出视窗区的实际边缘,再基于改进Hough_line的亚像素直线检测方法检测出视窗区的理想轮廓,利用二者的差别检测手机玻璃盖板视窗区边缘处的崩边、毛刺缺陷。手机玻璃盖板视窗区完美无缺的情况下是标准的矩形,通过检测到的横向对称轴和纵向对称轴,将视窗区表面分割成两个相同的区域后,通过两区域之间的差异来检测视窗区表面上的缺陷。
附图说明
图1为本发明的光线散射的物理原理示意图;
图2为本发明的玻璃盖板分区的结构示意图;
图3为本发明的视窗区边缘提取图;
图4为本发明视窗区对称轴的示意图;
图5为本发明的边缘缺陷检测图。
图6为本发明的检测流程框图。
具体实施方式
以下结合附图对本发明进一步叙述。
如图6所示,在图像数据采集系统中,通过玻璃盖板自动传送系统将待检测玻璃盖板放置于在线检测系统,在线检测系统的显示屏显示如图1所示的黑白周期条纹图像作为投影光源,并利用控制器控制面阵相机对待测玻璃盖板反射的黑白周期条纹图像进行抓取,光线散射物理示意图如图2所示;然后将黑白周期条纹在显示器上整体右移一个固定步长,面阵相机再次拍摄一幅玻璃盖板图像;重复前述步骤直至白条纹扫过一个周期且显示屏上每一个像素点都至少出现在白条纹内部一次,并将采集到的图像通过图像采集卡传输到对应的计算机处理模块中;
屏幕上显示的黑白周期条纹图像可以表示为:
式中,fdb(x,y)表示黑白周期条纹图像坐标(x,y)处像素的灰度值,T为黑白周期条纹图像的周期,δ为黑白周期条纹中白色条纹的宽度,T 为δ的4倍,w为黑白周期条纹图像的宽度。设经过黑白周期条纹光投影反射拍摄到的手机玻璃盖板图像记为Idb。
下面涉及图像处理,为了实现手机玻璃盖板视窗区亚像素精度的缺陷检测,处理算法使用了亚像素边缘检测和改进的霍夫直线检测等算法。
1)计算手机玻璃盖板缺陷增强图像
经过黑白周期条纹光反射拍摄到的手机玻璃盖板图像序列合成的手机玻璃盖板增强图片对发生漫反射的缺陷可以稳定提升缺陷与背景的对比度,凸显缺陷。手机玻璃盖板缺陷增强图像的获取过程可以表示为:
2)图像预处理
在手机玻璃盖板生产环节和人为因素的影响下,图像在采集传输过程中会受到各种噪声的干扰。对图像进行滤波预处理操作,可改善图像质量,抑制图像的噪声有助于后续图像处理操作。本发明采用中值滤波,抑制图像在拍摄过程中所引进的随机噪声。为提取清晰轮廓,为了弥补中值滤波需要用到比较大的掩膜才能达到效果这一不足,本发明在中值滤波后进行形态学闭运算,有效减少毛刺粘连。
再采用均方差归一化来减小光照对图像灰度的影响,图像均方差的计算公式为:
式中,σ为标准差,M*N表示图像的大小,P(i,j)表示第i行、第j列的像素值,u为像素的均值。
将像素值归一化到均值为0、方差为1的过程可表示为:
P'(i,j)=P(i,j)-uσ
其中P'(i,j)表示第i行、第j列经均方差归一化后的像素值。
3)亚像素轮廓提取
手机玻璃盖板分区示意图如图3所示,手机玻璃盖板的视窗区大多数规则的矩形,视窗区的左右边界分别对应手机玻璃盖板的左右边界,上下边界分别对应视窗区与油墨区的交界处,即在边缘处存在明显的灰度值跃变,首先使用掩膜提取ROI视窗区。考虑到视窗区边缘处可能会存在崩边、毛刺等缺陷,本发明对视窗区进行两次轮廓提取,包括实际的轮廓边缘和直线拟合的标准的轮廓边缘,利用实际轮廓边缘与标准的轮廓边缘对比,检测边缘处的崩边、毛刺缺陷。再通过标准轮廓边缘得到视窗区对称轴,进而完成视窗区缺陷检测。手机玻璃盖板缺陷的检测精度在微米级别,传统的像素级缺陷检测难以满足高精度要求,本发明采用亚像素边缘检测方法对视窗区实际的轮廓进行检测,利用离散的图像数据建立二次曲线边缘阶跃模型来进行亚像素边缘参数的计算,完成边缘检测。二次曲线可表示为:
y=ax2+bx+c
其中,a,b,c是二次曲线的参数。
对于离散型数据的数字图像,一维离散q阶灰度矩可表示为:
其中,gi(i=1,2,...,n)是图像中实际的灰度值,n是总像素点数。
首先利用像素级检测算子Sobel算子对图像进行像素级边缘检测,再求出图像中边缘所在点的一阶和二阶灰度矩,即对应上述灰度矩公式中的q=1、q=2,最后建立基于一维灰度矩亚像素边缘检测的边缘模型图,可计算得到全部曲线边缘参数,检测出手机玻璃盖板视窗区的实际亚像素边缘轮廓。设视窗区实际亚像素轮廓记为Sreal(x,y)。
Hough直线检测抗干扰能力强,对图像中直线的残缺部分、噪声等不敏感。设点A(xA,yA),点B(xB,yB),霍夫空间中直线AB倾斜角度θ可表示为:
对手机玻璃盖板的实际边缘检测出来后,本发明利用基于改进的 Hough_line的亚像素直线检测方法精确检测Sreal(x,y)中的直线,避免玻璃盖板边缘处可能存在的崩边、毛刺等缺陷对检测造成影响。传统的霍夫直线检测中,θ一般设置为0~180°,本发明重新设定θ的计算范围,取一个最小值θmin和一个最大值θmax,此范围内霍夫空间各点的公式为:
rij=xi cosθj+yi sinθj
其中,rij为某一边缘的像素点,xi为横坐标,yi为纵坐标。当 r出现的次数大于设定的阈值时,对应的点将在平面中形成一条直线,当θj取最小值时,所得到的直线即为视窗区边缘的亚像素位置,其边缘方向垂直于θ方向所在的直线。设经过改进Hough_line的亚像素直线检测方法提取的视窗区标准轮廓记为Sideal(x,y)。设视窗区标准轮廓的每个边所在的直线在笛卡尔坐标系中分别表示为:
式中,ytop,ybottom,yleft,yright分别代表视窗区标准轮廓上、下、左、右四条边所在直线的数学表达式中的纵坐标,ki(i=1,2,3,4)表示各直线的斜率,且有k1=k2,k3=k4。如图4所示,选取手机玻璃盖板视窗区对角线所在直线为坐标轴,可避免边缘所在直线斜率不存在的情况。
4)计算对称轴
在步骤4中,获得了视窗区的实际曲线轮廓和标准轮廓以及对应每条边所在直线或曲线的数学表达式,为了避免视窗区边缘可能存在的崩边、毛刺缺陷影响视窗区对称轴的高精度检测,本发明采用标准轮廓来检测视窗区的上下边对应的横向对称轴及左右边对应的纵向对称轴。由于视窗区几乎都是标准的轴对称矩形,所以对称轴跟两边是平行的,即其斜率和两边的斜率是一样的,以上下边为例,可以设横向对称轴所在直线在笛卡尔直线坐标系中表达式为:
ysymmetry=kx+b
其中k为斜率,且k=k3=k4,b为截距,且b=(b1+b2)/2。
5)缺陷检测
对于手机玻璃盖板视窗区的缺陷检测,本发明将其分为边缘和视窗区表面两部分分别进行检测。
a)边缘缺陷检测
根据生产线检测标准设置检测精度阈值δ,如图5所示,根据步骤4检测到的实际轮廓Sreal(x,y)和标准轮廓Sideal(x,y)对比来检测崩边、毛刺缺陷,检测过程可以表示为:
其中,结果为1表示实际轮廓中的该亚像素点被判定为缺陷。
b)视窗区表面缺陷检测
步骤5检测出视窗区的横向对称轴和纵向对称轴,分别将视窗区表面分割为相同的上下两部分,记为Stop(x,y),Sbottom(x,y),和相同的左右两部分,记为Sleft(x,y),Sright(x,y),我们对此分别通过类似传统模板匹配的方法检测视窗区表面的缺陷,即对称轴两边的部分在空间域进行对应位置下像素的相减运算,用左边图像Sleft(x,y)减去右边图像 Sright(x,y)得到两边图像的差值信息,用上边图像Stop(x,y)减去下边图像 Sbottom(x,y)得到两边图像的差值信息,并将上下和左右检测的结果进行融合,得到最终的检测结果。
进一步地,上文提到经过缺陷增强后的图像,在缺陷处会更暗,在非缺陷处会更亮,且在数字图像中,暗处对应的灰度值小,亮处对应的灰度值大,即缺陷处与非缺陷处相减后的差值为负值,本发明结合此特征,对于跨越对称轴的缺陷,判断图像相减后差值信息的正负来判断缺陷位于图像中具体的位置。对于差值为正值的位置,对其做关于对称轴的镜像操作,即可得到在原视窗区中的位置。比如Sleft(x,y) 减去Sright(x,y),若有一像素的差值为正,则缺陷点位于Sright(x,y)区域,反之则位于Sleft(x,y)区域,因为Sleft(x,y)和Sright(x,y)关于对称轴对称,且差值信息是只包括在原视窗区的1/2区域,所以需要对差值为正值的位置,做关于对称轴的镜像操作以恢复其在原视窗区中的真实位置,得到缺陷区域灰度图,记为Isub(x,y)。进一步地,由于图像获取过程中会受到不可避免的噪声的干扰,即使上文已经对图像进行预处理去噪处理,仍是会有少量噪声存在,对于由对称轴分割得到的两个1/2 区域,即使无缺陷的背景处得到的灰度值差值信息也会出现正值或负值,而不是标准的0,所以本发明利用两边区域的灰度值均值差值作为阈值thresh来进一步过滤噪声,差值低于阈值的像素点可考虑为噪声造成的微小范围内的灰度值波动。
进一步地,在手机玻璃盖板生产过程中产生缺陷的面积大多是是远小于背景区域的面积,所以图像中背景的灰度值很接近图像整体的灰度平均值,考虑对于本发明所采用的照明方式获取的图像,缺陷呈现的是较暗,所以只有成像为暗色的噪声会对检测照成影响,且噪声引起的背景灰度值波动一般是很小的范围,一般为5灰度值左右,考虑实际手机玻璃盖板生产线上产生瑕疵的概率很小,大部分产品都是无缺陷的,为保证选取的阈值thresh对带有暗噪声的无缺陷的玻璃盖板的正确检测,本发明引入一个偏移量offset,对波动范围在offset 大小内的噪声进行过滤,避免造成误检,低于thresh+offset大小灰度值的像素点是由噪声所引起的,进而修正阈值为thresh+offset。
进一步地,视窗区表面缺陷区域灰度图像中既含有黑色背景部分同时又含有不同灰度的缺陷部分或噪声部分。为提取出只有缺陷区域的二值化图像,要对图像的缺陷区域和背景区域做二值化分割处理。本发明在判断噪声和缺陷的同时,对缺陷灰度图像进行二值化处理,使得背景为黑色(0),视窗区表面缺陷区域为白色(255)。
根据灰度平均值分割出缺陷后,再根据差值的正负来判断缺陷的具体位置,对差值为正值的位置,做关于对称轴的镜像操作以恢复其在原视窗区中的真实位置,确定位置的过程可表示为:
Isub(x,y)=S1(x,y)-S2(x,y)
进一步地,本发明阐述了一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,利用待测手机玻璃盖板视窗区轴对称的特点,不同于传统模板匹配算法,克服了传统模板匹配需要标准模板的限制,能够在产品类型众多且更新较快的场景下应用。
Claims (4)
1.一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,其特征在于,包括如下步骤:
1)、图像数据采集
显示器上投射周期性移动的黑白周期条纹结构光,通过面阵相机拍摄的图像序列计算缺陷增强图像;屏幕上显示的黑白周期条纹图像可以表示为:
式中,fdb(x,y)表示黑白周期条纹图像坐标(x,y)处像素的灰度值,T为黑白周期条纹图像的周期,δ为黑白周期条纹中白色条纹的宽度,T为δ的4倍,w为黑白周期条纹图像的宽度,设经过黑白周期条纹光投影反射拍摄到的手机玻璃盖板图像记为Idb;
经过黑白周期条纹光反射拍摄到的手机玻璃盖板图像序列合成的手机玻璃盖板增强图片对发生漫反射的缺陷可以稳定提升缺陷与背景的对比度,凸显缺陷,手机玻璃盖板缺陷增强图像的获取过程可以表示为:
2)、图像预处理
对图像先进行中值滤波,再进行形态学闭运算,去除噪声干扰,减少毛刺粘连;再采用均方差归一化来减小光照对图像灰度的影响,图像均方差的计算公式为:
式中,σ为标准差,M*N表示图像的大小,P(i,j)表示第i行、第j列的像素值,u为像素的均值;
将像素值归一化到均值为0、方差为1的过程可表示为:
P'(i,j)=P(i,j)-uσ
其中P'(i,j)表示第i行、第j列经均方差归一化后的像素值;
3)、亚像素轮廓提取
先定位ROI视窗区区域,再通过亚像素边缘检测方法对视窗区进行两次轮廓提取,包括实际真实的轮廓边缘和直线拟合的标准轮廓边缘;利用离散的图像数据建立二次曲线边缘阶跃模型来进行亚像素边缘参数的计算,完成边缘检测,二次曲线可表示为:
y=ax2+bx+c
其中,a,b,c是二次曲线的参数。
对于离散型数据的数字图像,一维离散q阶灰度矩可表示为:
其中,gi(i=1,2,...,n)是图像中实际的灰度值,n是总像素点数。
首先利用像素级检测算子Sobel算子对图像进行像素级边缘检测,再求出图像中边缘所在点的一阶和二阶灰度矩,即对应上述灰度矩公式中的q=1、q=2,最后建立基于一维灰度矩亚像素边缘检测的边缘模型图,可计算得到全部曲线边缘参数,检测出手机玻璃盖板视窗区的实际亚像素边缘轮廓,设视窗区实际亚像素轮廓记为Sreal(x,y);
Hough直线检测抗干扰能力强,对图像中直线的残缺部分、噪声等不敏感,设点A(xA,yA),点B(xB,yB),霍夫空间中直线AB倾斜角度θ可表示为:
对手机玻璃盖板的实际边缘检测出来后,本发明利用基于改进的Hough_line的亚像素直线检测方法精确检测Sreal(x,y)中的直线,避免玻璃盖板边缘处可能存在的崩边、毛刺等缺陷对检测造成影响,设定θ的计算范围,取一个最小值θmin和一个最大值θmax,此范围内霍夫空间各点的公式为:
rij=xicosθj+yisinθj
其中,rij为某一边缘的像素点,xi为横坐标,yi为纵坐标。当r出现的次数大于设定的阈值时,对应的点将在平面中形成一条直线,当θj取最小值时,所得到的直线即为视窗区边缘的亚像素位置,其边缘方向垂直于θ方向所在的直线,设经过改进Hough_line的亚像素直线检测方法提取的视窗区标准轮廓记为Sideal(x,y),设视窗区标准轮廓的每个边所在的直线在笛卡尔坐标系中分别表示为:
式中,ytop,ybottom,yleft,yright分别代表视窗区标准轮廓上、下、左、右四条边所在直线的数学表达式中的纵坐标,ki(i=1,2,3,4)表示各直线的斜率,且有k1=k2,k3=k4;
4)、计算视窗区对称轴
根据检测到的标准轮廓边缘,计算出视窗区表面的横向对称轴和纵向对称轴;由于视窗区几乎都是标准的轴对称矩形,所以对称轴跟两边是平行的,即其斜率和两边的斜率是一样的,以上下边为例,可以设横向对称轴所在直线在笛卡尔直线坐标系中表达式为:
ysymmetry=kx+b
其中k为斜率,且k=k3=k4,b为截距,且b=(b1+b2)/2;
5)、边缘处缺陷检测
根据实际轮廓和标准轮廓的差异检测边缘上的崩边、毛刺缺陷;根据生产线检测标准设置检测精度阈值δ,根据步骤3)检测到的实际轮廓Sreal(x,y)和标准轮廓Sideal(x,y)对比来检测崩边、毛刺缺陷,检测过程可以表示为:
6)、视窗区表面缺陷检测
根据计算出的对称轴在空间域进行对应位置像素点的相减运算,利用差值信息提取出只有缺陷区域的二值化图像,检测视窗区表面的缺陷,检测出视窗区的横向对称轴和纵向对称轴,分别将视窗区表面分割为相同的上下两部分,记为Stop(x,y),Sbottom(x,y),和相同的左右两部分,记为Sleft(x,y),Sright(x,y),分别通过类似传统模板匹配的方法检测视窗区表面的缺陷,即对称轴两边的部分在空间域进行对应位置下像素的相减运算,用左边图像Sleft(x,y)减去右边图像Sright(x,y)得到两边图像的差值信息,用上边图像Stop(x,y)减去下边图像Sbottom(x,y)得到两边图像的差值信息,并将上下和左右检测的结果进行融合,得到最终的检测结果。
2.根据权利要求1所述的一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,其特征在于,所述的步骤6)中检测出的横向对称轴和纵向对称轴分别将手机玻璃盖板标准轮廓所构成的区域等分为两块相同的区域。
3.根据权利要求1所述的一种基于对称性的手机玻璃盖板视窗区亚像素精度缺陷检测方法,其特征在于,所述的经过缺陷增强后的图像,在缺陷处会更暗,在非缺陷处会更亮,且在数字图像中,暗处对应的灰度值小,亮处对应的灰度值大,即缺陷处与非缺陷处相减后的差值为负值,对于跨越对称轴的缺陷,判断图像相减后差值信息的正负来判断缺陷位于图像中具体的位置,对于差值为正值的位置,对其做关于对称轴的镜像操作恢复在原视窗区中的位置。
4.根据权利要求1所述的一种基于对称性的手机玻璃盖板视窗区缺陷检测方法,其特征在于,所述的由于图像获取过程中会受到不可避免的噪声的干扰,即使上文已经对图像进行预处理去噪处理,仍是会有少量噪声存在,对于由对称轴分割得到的两个1/2区域,即使无缺陷的背景处得到的灰度值差值信息也会出现正值或负值,而不是标准的0,利用两边区域的灰度值均值差值作为阈值thresh来进一步过滤噪声,差值低于阈值的像素点可考虑为噪声造成的微小范围内的灰度值波动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210128421.7A CN114881915A (zh) | 2022-02-11 | 2022-02-11 | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210128421.7A CN114881915A (zh) | 2022-02-11 | 2022-02-11 | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881915A true CN114881915A (zh) | 2022-08-09 |
Family
ID=82668305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210128421.7A Pending CN114881915A (zh) | 2022-02-11 | 2022-02-11 | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881915A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082504A (zh) * | 2022-08-23 | 2022-09-20 | 菏泽学院 | 一种太阳能光伏板光斑识别方法 |
CN115239709A (zh) * | 2022-09-21 | 2022-10-25 | 南通钇龙玻璃制品有限公司 | 一种玻璃瓶烫金工艺的质量检测方法 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115937216A (zh) * | 2023-03-09 | 2023-04-07 | 青岛金立磁性材料有限公司 | 一种新能源汽车用磁转子外观质量检测方法 |
CN116129364A (zh) * | 2023-04-17 | 2023-05-16 | 山东山矿机械有限公司 | 一种皮带集控系统 |
CN116664586A (zh) * | 2023-08-02 | 2023-08-29 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
CN117783155A (zh) * | 2024-02-23 | 2024-03-29 | 江苏华鸥玻璃有限公司 | 一种基于机器视觉的玻璃仪器缺陷检测系统及方法 |
CN117783155B (zh) * | 2024-02-23 | 2024-04-26 | 江苏华鸥玻璃有限公司 | 一种基于机器视觉的玻璃仪器缺陷检测系统及方法 |
-
2022
- 2022-02-11 CN CN202210128421.7A patent/CN114881915A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115082504B (zh) * | 2022-08-23 | 2022-11-11 | 菏泽学院 | 一种太阳能光伏板光斑识别方法 |
CN115082504A (zh) * | 2022-08-23 | 2022-09-20 | 菏泽学院 | 一种太阳能光伏板光斑识别方法 |
CN115239709A (zh) * | 2022-09-21 | 2022-10-25 | 南通钇龙玻璃制品有限公司 | 一种玻璃瓶烫金工艺的质量检测方法 |
CN115239709B (zh) * | 2022-09-21 | 2022-12-23 | 南通钇龙玻璃制品有限公司 | 一种玻璃瓶烫金工艺的质量检测方法 |
CN115937216B (zh) * | 2023-03-09 | 2023-05-19 | 青岛金立磁性材料有限公司 | 一种新能源汽车用磁转子外观质量检测方法 |
CN115937216A (zh) * | 2023-03-09 | 2023-04-07 | 青岛金立磁性材料有限公司 | 一种新能源汽车用磁转子外观质量检测方法 |
CN116129364A (zh) * | 2023-04-17 | 2023-05-16 | 山东山矿机械有限公司 | 一种皮带集控系统 |
CN116129364B (zh) * | 2023-04-17 | 2023-06-30 | 山东山矿机械有限公司 | 一种皮带集控系统 |
CN116664586A (zh) * | 2023-08-02 | 2023-08-29 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
CN116664586B (zh) * | 2023-08-02 | 2023-10-03 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
CN117783155A (zh) * | 2024-02-23 | 2024-03-29 | 江苏华鸥玻璃有限公司 | 一种基于机器视觉的玻璃仪器缺陷检测系统及方法 |
CN117783155B (zh) * | 2024-02-23 | 2024-04-26 | 江苏华鸥玻璃有限公司 | 一种基于机器视觉的玻璃仪器缺陷检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
Choi et al. | Detection of pinholes in steel slabs using Gabor filter combination and morphological features | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN113838043A (zh) | 金属箔材制造中基于机器视觉的质量分析方法 | |
CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN115345821A (zh) | 基于主动视觉成像的钢卷捆带松动异常检测及量化方法 | |
CN117011291A (zh) | 一种手表外壳质量视觉检测方法 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 |
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 |