CN115078388A - 一种基于传统机器视觉的n95口罩缺陷检测方法 - Google Patents
一种基于传统机器视觉的n95口罩缺陷检测方法 Download PDFInfo
- Publication number
- CN115078388A CN115078388A CN202210723812.3A CN202210723812A CN115078388A CN 115078388 A CN115078388 A CN 115078388A CN 202210723812 A CN202210723812 A CN 202210723812A CN 115078388 A CN115078388 A CN 115078388A
- Authority
- CN
- China
- Prior art keywords
- mask
- area
- nose bridge
- image
- bridge strip
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims description 28
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical group O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 65
- 230000000694 effects Effects 0.000 claims abstract description 14
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 238000003825 pressing Methods 0.000 claims abstract description 4
- 238000003466 welding Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 229920001296 polysiloxane Polymers 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 229920002379 silicone rubber Polymers 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000000741 silica gel Substances 0.000 description 6
- 229910002027 silica gel Inorganic materials 0.000 description 6
- 206010063385 Intellectualisation Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- 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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (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)
- Image Analysis (AREA)
Abstract
本发明公开一种基于传统机器视觉的N95口罩检测方法，属于人工智能领域，调节视觉系统成像效果，相机触发拍照；有口罩则继续下一个检测项，无口罩则直接返回NG；无耳带接头则继续下一个检测项，有耳带接头则直接返回NG；耳带个数等于2则继续下一个检测项，耳带个数不等于2则直接返回NG；鼻梁条无缺陷则继续下一个检测，鼻梁条八字、鼻梁条过宽、鼻梁条压超声、无鼻梁条则直接返回NG；硅胶圈个数等于2则继续下一个检，硅胶圈个数不等于2则直接返回NG；硅胶圈末端耳带长度在范围内则继续下一个检测项，硅胶圈末端耳带长度过短或过长则直接返回NG；本发明的检测方法，鲁棒性好，效率高，准确率高，降低了生产成本。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于传统机器视觉的N95 口罩缺陷检测方法。
背景技术
口罩是防护病毒的基本配备，短期内口罩需求量大，为追求高速自动化生产，会产生大量不良品，佩戴不良品口罩，对生命安全造成很严重的影响，所以，口罩生产品质把关尤为关键，现有技术中口罩检测大多采用人工检测的方式，无法进行智能化的口罩检测，同时检测效率低下，出错率高，因此亟需研发一种基于传统机器视觉的N95口罩缺陷检测方法来解决上述问题。
发明内容
针对现有技术的不足，本发明提供了一种基于传统机器视觉的N95口罩缺陷检测方法，以替代人工检测，解决口罩检测的智能化和效率问题。
本发明通过以下技术方案予以实现：
一种基于传统机器视觉的N95口罩缺陷检测方法，包括如下步骤：
步骤一、调节视觉系统成像效果，使得特征明显；
步骤二、放料，使得上料一致性较好，耳带自然垂直向下，采集少量摆放位置较好的图片，以鼻梁条区域建模板；
步骤三、放料，执行相机自动触发检测，依次检测口罩是否含有下述各种缺陷，若含有下述缺陷中的一种，则为NG口罩，直接返回，无须继续下一步检测，这样最终将口罩分成OK/NG两类；首先检测视野内有无N95 口罩，有口罩则继续下一个检测项，无口罩则直接返回NG，无须继续执行后续步骤；
步骤四、检测耳带接头，无耳带接头则继续下一个检测项，有耳带接头则直接返回NG，无须继续执行后续步骤；
步骤五、检测耳带个数，耳带个数等于2则继续下一个检测项，耳带个数不等于2则直接返回NG，无须继续执行后续步骤；
步骤六、检测鼻梁条缺陷，鼻梁条无缺陷则继续下一个检测项，鼻梁条八字、鼻梁条过宽、鼻梁条压超声、无鼻梁条或多个鼻梁条则直接返回 NG，无须继续执行后续步骤；
步骤七、检测硅胶圈个数，硅胶圈个数等于2则继续下一个检测项，硅胶圈个数不等于2则直接返回NG，无须继续执行后续步骤；
步骤八、检测硅胶圈是否穿到位，即硅胶圈末端耳带长度，硅胶圈末端耳带长度在范围内则继续下一个检测项，硅胶圈末端耳带长度过短或过长则直接返回NG，无须继续执行后续步骤；
步骤九、检测焊点到口罩边缘距离，焊点到口罩边缘距离在合理范围内返回OK，焊点到口罩边缘距离过短或过长则直接返回NG，无须继续执行后续步骤。
优选的，所述步骤三中的检测口罩有无方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试，Green 通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，再筛选面积最大的连通域，即可得到口罩主体面料部分区域；再将区域做形状转换，提取凸多边形，消除内部凹陷和不完美的边缘部分，面积为480000，根据这个面积，就能判断图像范围内有无口罩。
优选的，所述步骤四中的检测耳带接头有无方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试， Red通道图减去Blue通道图，得到的差值图再经过线性变换得到ImageSub，红色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，判断区域的面积是否大于100，若大于100，则含耳带接头。
优选的，所述步骤五中的检测耳带个数方法，包括：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，再将Blue通道减去Red通道，得到的差值图再做线性变换得到 ImageSub，ImageSub图像减去Red图像，再做线性变换得到ImageSub7图像；再对ImageSub7图像做滤波，滤除较小的干扰，得到ImageSub7Mean；再对ImageSub7Mean图像做灰度拉伸变换，变换到0-255空间，再对ImageScaleMax做乘法变换，进一步增强了耳带区域的图像效果，这一步的增强效果尤为明显，是整个耳带检测中最关键的一步；最后，再做个动态阈值分割，膨胀处理，提取比较大的黑色区域，即为耳带范围。
优选的，所述步骤六中的检测鼻梁条缺陷方法，包括：针对鼻梁条的区域，建立模板，具体步骤为：先将原图像分解为Red、Green、Blue三通道图像，然后利用Green通道图像和Red通道图像作差，然后做线性变换，生成差值图，再设置斜框矩形框住鼻梁条区域，设定为模板；
鼻梁条区域初定位：
针对每次相机触发拍照的图像，先通过模板匹配算法，初定位鼻梁条的位置，这个区域只是初定位区域，并不是很准确，可能会有位置的偏移，因为不同的口罩鼻梁条存在弯曲变形，鼻梁条的一致性并不好，另外，设定的查找区域为N95口罩的本体区域，如果查找到的鼻梁条超出较多，认为鼻梁条超出口罩，报NG直接返回，否则进入后一步骤，这一步中找不到鼻梁条或者找到的鼻梁条有两个也直接报NG；
找出鼻梁条附近的口罩最外侧边缘：
根据上一步找到的鼻梁条的初定位区域，用形态学做膨胀处理，生成一个更大的矩形区域，用边缘查找算法找出这个矩形区域内的所有边缘，筛选出方向与鼻梁条初定位扩大区域的方向夹角较小的边缘；
上一步提取到的边缘较多，不全是口罩边缘，筛选出与鼻梁条距离最远且处于口罩外侧面的边缘，即为N95口罩的最外侧边缘，排除靠近口罩中心点坐标的边缘；
鼻梁条区域精定位：
由于模板匹配算法，定位到的鼻梁条位置精度不高，会有偏差，所以，将初定位区域做膨胀处理，通过区域分割提取到较亮的区域，然后区域转换为凸包多边形，这样提取到鼻梁条两边的白色区域，排除掉了鼻梁条延长方向黑色干扰部分，这个黑色干扰部分对鼻梁条长度测量会产生误差，这样就将鼻梁条精定位区域进一步缩小，再通过区域分割，提取到较暗部分的区域，此部分为鼻梁条的精定位区域；
鼻梁条精定位区域，长度如果不在合理范围内，较短或较长，或者鼻梁条精定位区域与口罩边缘的夹角过大，或者鼻梁条精定位区域与口罩边缘的距离较小或较大，则直接发送NG返回。
优选的，所述步骤七中的检测硅胶圈个数方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试， Green通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，通过三通道分解，可以得到蓝色分量通道的区域，硅胶圈和N95口罩主体部分都是蓝色的，颜色比较接近；再剔除掉面积最大的连通域，即口罩主体面料部分区域，剩下的部分即为硅胶圈部分，剩下的连通域的个数即为硅胶圈个数；若等于2则进入下一检测步骤，若不等于2 则直接返回NG，不再执行后续步骤。
优选的，所述步骤八中的检测硅胶圈末端耳带长度方法，包括：根据检测到的硅胶圈，如果硅胶圈个数不等于2，则为硅胶圈异常，如果硅胶圈个数为2个，才检测硅胶圈末端耳带长度；
根据两个硅胶圈的位置，练成一条直线，直线与图像的交集，左边部分为硅胶圈末端耳带出现的区域，这里面涉及到直线与矩形的交集；可以将硅胶圈末端耳带的查找区域，进一步缩减，再通过简单的阈值分割即可提取到白色耳带末端的区域，再测量区域长度；检测硅胶圈和硅胶圈末端耳带的区域长度，判断是否是合理的范围内，若在minLen和maxLen范围内，则进入下一个检测步骤，否则直接返回NG，不再执行后续步骤。
优选的，所述步骤九中的检测焊点到口罩边缘距离方法，包括：焊点处为白色耳带在蓝色口罩主体部分的末端的圆圈处，每个N95口罩有两个焊点，焊点位置由深度学习目标检测算法得到，后续焊点到口罩边缘的距离通过传统算法得到；离焊点比较近的口罩边缘处是残缺不全的，计算焊点到边缘处距离的时候，会出错，需要将边缘处补齐；通过区域转换算法可以补齐边缘，将边缘残缺的轮廓补齐为有边缘的轮廓；再遍历轮廓点集，分别计算点集中的点到两个焊点最近距离，即为焊点到口罩边缘最近距离的线段。
本发明的有益效果为：
与人工检测相比，出错率更少，更有效率，避免人眼长期检测疲劳的缺陷，而且节约人工成本，使得口罩的自动化生产程度更高，更为智能。
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是本发明提供的检测方法流程图；
图1-1是N95口罩原图，红色框框区域是口罩主体部分；
图1-2是经过处理后的图，红色框框是口罩主体部分；
图2-1是带有耳带接头异常的口罩原图；
图2-2是经过处理后的耳带异常接头图，绿色框框是耳带接头区域；
图3-1是检测耳带个数的原图；
图3-2是检测耳带个数的图像经过处理后的效果图；
图3-3是检测耳带个数的图像经过进一步处理后的效果图；
图3-4是检测到的耳带区域；
图4是经过处理后的差值图上建立鼻梁条模板；
图4-1是模板匹配初定位找到的鼻梁条区域；
图4-2是初定位鼻梁条区域扩大区域的所有边缘；
图4-3是鼻梁条附近的口罩外侧边缘；
图4-4是鼻梁条扩大区域；
图4-5是鼻梁条扩大区域进一步缩小后的鼻梁条准确区域；
图4-6是鼻梁条精定位区域；
图5-1是检测硅胶圈个数的原图；
图5-2是检测硅胶圈个数的效果图；
图6-1是检测硅胶圈末端耳带长度的原图；
图6-2是检测到的两个硅胶圈连成的直线区域；
图6-3黄色区域是硅胶圈末端耳带出现的区域；
图7-1是N95口罩边缘轮廓图；
图7-2是N95口罩边缘补齐后的边缘轮廓图；
图7-3红色部分是口罩补齐后的边缘轮廓，黄色线段是焊点到口罩边缘的最短距离的垂线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，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作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。
实施例1：
本发明提供一种基于传统机器视觉的N95口罩缺陷检测方法，其流程如图1所示，包括如下步骤：
步骤一、调节视觉系统成像效果，使得特征明显；
步骤二、放料，使得上料一致性较好，耳带自然垂直向下，采集少量摆放位置较好的图片，以鼻梁条区域建模板；
步骤三、放料，执行相机自动触发检测，依次检测口罩是否含有下述各种缺陷，若含有下述缺陷中的一种，则为NG口罩，直接返回，无须继续下一步检测，这样最终将口罩分成OK/NG两类；首先检测视野内有无N95 口罩，有口罩则继续下一个检测项，无口罩则直接返回NG，无须继续执行后续步骤；
检测口罩有无：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像。经过测试，Green通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱。见附图1-1所示。
根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，再筛选面积最大的连通域，即可得到口罩主体面料部分区域。再将区域做形状转换，提取凸多边形，消除内部凹陷和不完美的边缘部分，面积为 480000，根据这个面积，就能判断图像范围内有无口罩。附图1-1和附图 1-2中红色框框Ⅰ中所示为口罩主体部分。
步骤四、检测耳带接头，无耳带接头则继续下一个检测项，有耳带接头则直接返回NG，无须继续执行后续步骤；
检测耳带接头有无：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像。经过测试，Red通道图减去Blue通道图，得到的差值图再经过线性变换得到ImageSub，红色部分Ⅱ最为显著，其它部分较弱。见附图2-2所示。根据得到的ImageSub图，简单的动态二值化，得到较亮部分Ⅲ的区域，判断区域的面积是否大于100，若大于100，则含耳带接头。
步骤五、检测耳带个数，耳带个数等于2则继续下一个检测项，耳带个数不等于2则直接返回NG，无须继续执行后续步骤；
检测耳带个数：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像。再将Blue通道减去Red通道，得到的差值图再做线性变换得到ImageSub，ImageSub图像减去Red图像，再做线性变换得到ImageSub7图像；再对ImageSub7图像做滤波，滤除较小的干扰，得到ImageSub7Mean；再对ImageSub7Mean图像做灰度拉伸变换，变换到0-255空间，见附图3-2所示。
再对ImageScaleMax做乘法变换，进一步增强了耳带区域的图像效果，效果见附图3-3所示，这一步的增强效果尤为明显，是整个耳带检测中最关键的一步。
最后，再做个动态阈值分割，膨胀处理，提取比较大的黑色区域，即为耳带范围，见附图3-4所示。
步骤六、检测鼻梁条缺陷，鼻梁条无缺陷则继续下一个检测项，鼻梁条八字、鼻梁条过宽、鼻梁条压超声、无鼻梁条或多个鼻梁条则直接返回 NG，无须继续执行后续步骤；
检测鼻梁条：
针对鼻梁条的区域，建立模板。具体实施方案为：先将原图像分解为 Red、Green、Blue三通道图像，然后利用Green通道图像和Red通道图像作差，然后做线性变换，生成差值图，如附图4所示，再设置斜框矩形框住鼻梁条区域，设定为模板。
鼻梁条区域初定位：
针对每次相机触发拍照的图像，先通过模板匹配算法，初定位鼻梁条的位置，见附图4-1红色区域Ⅳ所示，这个区域只是初定位区域，并不是很准确，可能会有位置的偏移，因为不同的口罩鼻梁条存在弯曲变形，鼻梁条的一致性并不好，另外，设定的查找区域为N95口罩的本体区域，见附图1-2中红色框框I中的区域，如果查找到的鼻梁条超出红色框框I较多，认为鼻梁条超出口罩，报NG直接返回，否则进入后一步骤。这一步中找不到鼻梁条或者找到的鼻梁条有两个也直接报NG。
找出鼻梁条附近的口罩最外侧边缘：
根据上一步找到的鼻梁条的初定位区域，用形态学做膨胀处理，生成一个更大的矩形区域，用边缘查找算法找出这个矩形区域内的所有边缘，筛选出方向与鼻梁条初定位扩大区域的方向夹角较小的边缘，见附图4-2 所示。
上一步提取到的边缘较多，不全是口罩边缘，筛选出与鼻梁条距离最远且处于口罩外侧面的边缘，即为N95口罩的最外侧边缘，排除靠近口罩中心点坐标的边缘，见附图4-3所示。
鼻梁条区域精定位：
由于模板匹配算法，定位到的鼻梁条位置精度不高，会有偏差，所以，将初定位区域做膨胀处理，得到附图4-4所示的区域。通过区域分割提取到较亮的区域，即附图4-4中的白色部分，然后区域转换为凸包多边形，见附图4-5中绿色框V中区域，这样提取到鼻梁条两边的白色区域，排除掉了鼻梁条延长方向黑色干扰部分，这个黑色干扰部分对鼻梁条长度测量会产生误差，这样就将鼻梁条精定位区域进一步缩小到附图4-5中的绿色框V中区域，再通过区域分割，提取到较暗部分的区域，见附图4-6中的绿色框Ⅵ区域所示，此部分为鼻梁条的精定位区域。
鼻梁条精定位区域，长度如果不在合理范围内，较短或较长，或者鼻梁条精定位区域与口罩边缘的夹角过大，或者鼻梁条精定位区域与口罩边缘的距离较小或较大，则直接发送NG返回。
步骤七、检测硅胶圈个数，硅胶圈个数等于2则继续下一个检测项，硅胶圈个数不等于2则直接返回NG，无须继续执行后续步骤；
检测硅胶圈有无及个数：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像。经过测试，Green通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱。见附图5-2所示。
根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，如下图所示，通过三通道分解，可以得到蓝色分量通道的区域，硅胶圈和N95口罩主体部分都是蓝色的，颜色比较接近，见附图5-2。
再剔除掉面积最大的连通域，即口罩主体面料部分区域，剩下的部分即为硅胶圈部分，剩下的连通域的个数即为硅胶圈个数。若等于2则进入下一检测步骤，若不等于2则直接返回NG，不再执行后续步骤。
步骤八、检测硅胶圈是否穿到位，即硅胶圈末端耳带长度，硅胶圈末端耳带长度在范围内则继续下一个检测项，硅胶圈末端耳带长度过短或过长则直接返回NG，无须继续执行后续步骤；
检测硅胶圈末端耳带长度：
根据检测到的硅胶圈，如果硅胶圈个数不等于2，则为硅胶圈异常，如果硅胶圈个数为2个，才检测硅胶圈末端耳带长度。
根据两个硅胶圈的位置，练成一条直线，直线与图像的交集，左边部分为硅胶圈末端耳带出现的区域，这里面涉及到直线与矩形的交集，见附图6-2所示。如下图所示，可以将硅胶圈末端耳带的查找区域，进一步缩减到下图的黄色区域Ⅶ部分，见附图6-3所示。
再通过简单的阈值分割即可提取到白色耳带末端的区域，再测量区域长度。检测硅胶圈和硅胶圈末端耳带的区域长度，判断是否是合理的范围内，若在minLen和maxLen范围内，则进入下一个检测步骤，否则直接返回NG，不再执行后续步骤。
步骤九、检测焊点到口罩边缘距离，焊点到口罩边缘距离在合理范围内返回OK，焊点到口罩边缘距离过短或过长则直接返回NG，无须继续执行后续步骤。
检测焊点到口罩边缘的距离：
焊点处为白色耳带在蓝色口罩主体部分的末端的圆圈处，每个N95口罩有两个焊点，焊点位置由深度学习目标检测算法得到，后续焊点到口罩边缘的距离通过传统算法得到。
如下图所示，离焊点比较近的口罩边缘处是残缺不全的，见附图7-1 所示，计算焊点到边缘处距离的时候，会出错，需要将边缘处补齐。通过区域转换算法可以补齐边缘，将边缘残缺的轮廓补齐为有边缘的轮廓，见附图7-2所示。
再遍历轮廓点集，分别计算点集中的点到两个焊点最近距离，见附图 7-3黄色部分Ⅷ所示，即为焊点到口罩边缘最近距离的线段。
本发明的检测方法，鲁棒性好，效率高，准确率高，降低了生产成本。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，包括如下步骤：
步骤一、调节视觉系统成像效果，使得特征明显；
步骤二、放料，使得上料一致性较好，耳带自然垂直向下，采集少量摆放位置较好的图片，以鼻梁条区域建模板；
步骤三、放料，执行相机自动触发检测，依次检测口罩是否含有下述各种缺陷，若含有下述缺陷中的一种，则为NG口罩，直接返回，无须继续下一步检测，这样最终将口罩分成OK/NG两类；首先检测视野内有无N95口罩，有口罩则继续下一个检测项，无口罩则直接返回NG，无须继续执行后续步骤；
步骤四、检测耳带接头，无耳带接头则继续下一个检测项，有耳带接头则直接返回NG，无须继续执行后续步骤；
步骤五、检测耳带个数，耳带个数等于2则继续下一个检测项，耳带个数不等于2则直接返回NG，无须继续执行后续步骤；
步骤六、检测鼻梁条缺陷，鼻梁条无缺陷则继续下一个检测项，鼻梁条八字、鼻梁条过宽、鼻梁条压超声、无鼻梁条或多个鼻梁条则直接返回NG，无须继续执行后续步骤；
步骤七、检测硅胶圈个数，硅胶圈个数等于2则继续下一个检测项，硅胶圈个数不等于2则直接返回NG，无须继续执行后续步骤；
步骤八、检测硅胶圈是否穿到位，即硅胶圈末端耳带长度，硅胶圈末端耳带长度在范围内则继续下一个检测项，硅胶圈末端耳带长度过短或过长则直接返回NG，无须继续执行后续步骤；
步骤九、检测焊点到口罩边缘距离，焊点到口罩边缘距离在合理范围内返回OK，焊点到口罩边缘距离过短或过长则直接返回NG，无须继续执行后续步骤。
2.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤三中的检测口罩有无方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试，Green通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，再筛选面积最大的连通域，即可得到口罩主体面料部分区域；再将区域做形状转换，提取凸多边形，消除内部凹陷和不完美的边缘部分，面积为480000，根据这个面积，就能判断图像范围内有无口罩。
3.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤四中的检测耳带接头有无方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试，Red通道图减去Blue通道图，得到的差值图再经过线性变换得到ImageSub，红色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，判断区域的面积是否大于100，若大于100，则含耳带接头。
4.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤五中的检测耳带个数方法，包括：
原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，再将Blue通道减去Red通道，得到的差值图再做线性变换得到ImageSub，ImageSub图像减去Red图像，再做线性变换得到ImageSub7图像；再对ImageSub7图像做滤波，滤除较小的干扰，得到ImageSub7Mean；再对ImageSub7Mean图像做灰度拉伸变换，变换到0-255空间，再对ImageScaleMax做乘法变换，进一步增强了耳带区域的图像效果，这一步的增强效果尤为明显，是整个耳带检测中最关键的一步；最后，再做个动态阈值分割，膨胀处理，提取比较大的黑色区域，即为耳带范围。
5.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤六中的检测鼻梁条缺陷方法，包括：针对鼻梁条的区域，建立模板，具体步骤为：先将原图像分解为Red、Green、Blue三通道图像，然后利用Green通道图像和Red通道图像作差，然后做线性变换，生成差值图，再设置斜框矩形框住鼻梁条区域，设定为模板；
鼻梁条区域初定位：
针对每次相机触发拍照的图像，先通过模板匹配算法，初定位鼻梁条的位置，这个区域只是初定位区域，并不是很准确，可能会有位置的偏移，因为不同的口罩鼻梁条存在弯曲变形，鼻梁条的一致性并不好，另外，设定的查找区域为N95口罩的本体区域，如果查找到的鼻梁条超出较多，认为鼻梁条超出口罩，报NG直接返回，否则进入后一步骤，这一步中找不到鼻梁条或者找到的鼻梁条有两个也直接报NG；
找出鼻梁条附近的口罩最外侧边缘：
根据上一步找到的鼻梁条的初定位区域，用形态学做膨胀处理，生成一个更大的矩形区域，用边缘查找算法找出这个矩形区域内的所有边缘，筛选出方向与鼻梁条初定位扩大区域的方向夹角较小的边缘；
上一步提取到的边缘较多，不全是口罩边缘，筛选出与鼻梁条距离最远且处于口罩外侧面的边缘，即为N95口罩的最外侧边缘，排除靠近口罩中心点坐标的边缘；
鼻梁条区域精定位：
由于模板匹配算法，定位到的鼻梁条位置精度不高，会有偏差，所以，将初定位区域做膨胀处理，通过区域分割提取到较亮的区域，然后区域转换为凸包多边形，这样提取到鼻梁条两边的白色区域，排除掉了鼻梁条延长方向黑色干扰部分，这个黑色干扰部分对鼻梁条长度测量会产生误差，这样就将鼻梁条精定位区域进一步缩小，再通过区域分割，提取到较暗部分的区域，此部分为鼻梁条的精定位区域；
鼻梁条精定位区域，长度如果不在合理范围内，较短或较长，或者鼻梁条精定位区域与口罩边缘的夹角过大，或者鼻梁条精定位区域与口罩边缘的距离较小或较大，则直接发送NG返回。
6.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤七中的检测硅胶圈个数方法，包括：原图为彩色图像，先将原图Image分解为Red、Green、Blue三个通道图像，经过测试，Green通道图减去Red通道图，得到的差值图ImageSub，蓝色部分最为显著，其它部分较弱，根据得到的ImageSub图，简单的动态二值化，得到较亮部分的区域，通过三通道分解，可以得到蓝色分量通道的区域，硅胶圈和N95口罩主体部分都是蓝色的，颜色比较接近；再剔除掉面积最大的连通域，即口罩主体面料部分区域，剩下的部分即为硅胶圈部分，剩下的连通域的个数即为硅胶圈个数；若等于2则进入下一检测步骤，若不等于2则直接返回NG，不再执行后续步骤。
7.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤八中的检测硅胶圈末端耳带长度方法，包括：根据检测到的硅胶圈，如果硅胶圈个数不等于2，则为硅胶圈异常，如果硅胶圈个数为2个，才检测硅胶圈末端耳带长度；
根据两个硅胶圈的位置，练成一条直线，直线与图像的交集，左边部分为硅胶圈末端耳带出现的区域，这里面涉及到直线与矩形的交集；可以将硅胶圈末端耳带的查找区域，进一步缩减，再通过简单的阈值分割即可提取到白色耳带末端的区域，再测量区域长度；检测硅胶圈和硅胶圈末端耳带的区域长度，判断是否是合理的范围内，若在minLen和maxLen范围内，则进入下一个检测步骤，否则直接返回NG，不再执行后续步骤。
8.根据权利要求1所述的一种基于传统机器视觉的N95口罩缺陷检测方法，其特征在于，所述步骤九中的检测焊点到口罩边缘距离方法，包括：焊点处为白色耳带在蓝色口罩主体部分的末端的圆圈处，每个N95口罩有两个焊点，焊点位置由深度学习目标检测算法得到，后续焊点到口罩边缘的距离通过传统算法得到；离焊点比较近的口罩边缘处是残缺不全的，计算焊点到边缘处距离的时候，会出错，需要将边缘处补齐；通过区域转换算法可以补齐边缘，将边缘残缺的轮廓补齐为有边缘的轮廓；再遍历轮廓点集，分别计算点集中的点到两个焊点最近距离，即为焊点到口罩边缘最近距离的线段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723812.3A CN115078388B (zh) | 2022-06-24 | 2022-06-24 | 一种基于传统机器视觉的n95口罩缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723812.3A CN115078388B (zh) | 2022-06-24 | 2022-06-24 | 一种基于传统机器视觉的n95口罩缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115078388A true CN115078388A (zh) | 2022-09-20 |
| CN115078388B CN115078388B (zh) | 2024-08-09 |
Family
ID=83255058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210723812.3A Active CN115078388B (zh) | 2022-06-24 | 2022-06-24 | 一种基于传统机器视觉的n95口罩缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115078388B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587999A (zh) * | 2022-10-27 | 2023-01-10 | 中科芯集成电路有限公司 | 一种基于深度学习的n95口罩面脏污破损褶皱缺陷检测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107014822A (zh) * | 2017-02-28 | 2017-08-04 | 深圳市维图视技术有限公司 | 一种无纺布口罩缺陷视觉检测系统及方法 |
| CN109374634A (zh) * | 2018-11-20 | 2019-02-22 | 深圳市维图视技术有限公司 | 一种口罩在线检测系统及方法 |
| CN109374635A (zh) * | 2018-11-20 | 2019-02-22 | 深圳市维图视技术有限公司 | 一种口罩缺陷检测装置及方法 |
| CN109507198A (zh) * | 2018-12-14 | 2019-03-22 | 航天科工智能机器人有限责任公司 | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 |
| CN112083009A (zh) * | 2020-07-23 | 2020-12-15 | 广州超音速自动化科技股份有限公司 | 视频检测口罩质量的方法、装置及存储介质 |
| CN112161993A (zh) * | 2020-10-27 | 2021-01-01 | 江苏汇林智能制造有限公司 | 口罩检测机构 |
| CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
| CN214252049U (zh) * | 2020-06-28 | 2021-09-21 | 中国电器科学研究院股份有限公司 | 一种带视觉检测装置的kn95口罩生产线 |
| KR102314997B1 (ko) * | 2021-05-20 | 2021-10-20 | (주)네온테크 | 마스크 이어밴드의 합착 상태를 자동으로 검사 가능한 마스크 제조 디바이스 및 이를 사용한 마스크 이어밴드의 합착 상태를 자동으로 검사하는 방법 |
| CN215115950U (zh) * | 2021-06-05 | 2021-12-10 | 深圳市麦序科技有限公司 | 基于机器视觉的口罩的检测装置 |
| CN114324397A (zh) * | 2022-01-05 | 2022-04-12 | 倪雨濛 | 一种仿真视觉检测的口罩质量测试设备 |
| WO2022095175A1 (zh) * | 2020-11-06 | 2022-05-12 | 上海态镀智能科技有限公司 | 口罩成型机及成型方法 |
| CN114527075A (zh) * | 2022-02-28 | 2022-05-24 | 中科芯集成电路有限公司 | 一种口罩缺陷检测装置及方法 |
-
2022
- 2022-06-24 CN CN202210723812.3A patent/CN115078388B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107014822A (zh) * | 2017-02-28 | 2017-08-04 | 深圳市维图视技术有限公司 | 一种无纺布口罩缺陷视觉检测系统及方法 |
| CN109374634A (zh) * | 2018-11-20 | 2019-02-22 | 深圳市维图视技术有限公司 | 一种口罩在线检测系统及方法 |
| CN109374635A (zh) * | 2018-11-20 | 2019-02-22 | 深圳市维图视技术有限公司 | 一种口罩缺陷检测装置及方法 |
| CN109507198A (zh) * | 2018-12-14 | 2019-03-22 | 航天科工智能机器人有限责任公司 | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 |
| CN214252049U (zh) * | 2020-06-28 | 2021-09-21 | 中国电器科学研究院股份有限公司 | 一种带视觉检测装置的kn95口罩生产线 |
| CN112083009A (zh) * | 2020-07-23 | 2020-12-15 | 广州超音速自动化科技股份有限公司 | 视频检测口罩质量的方法、装置及存储介质 |
| CN112161993A (zh) * | 2020-10-27 | 2021-01-01 | 江苏汇林智能制造有限公司 | 口罩检测机构 |
| WO2022095175A1 (zh) * | 2020-11-06 | 2022-05-12 | 上海态镀智能科技有限公司 | 口罩成型机及成型方法 |
| CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
| KR102314997B1 (ko) * | 2021-05-20 | 2021-10-20 | (주)네온테크 | 마스크 이어밴드의 합착 상태를 자동으로 검사 가능한 마스크 제조 디바이스 및 이를 사용한 마스크 이어밴드의 합착 상태를 자동으로 검사하는 방법 |
| CN215115950U (zh) * | 2021-06-05 | 2021-12-10 | 深圳市麦序科技有限公司 | 基于机器视觉的口罩的检测装置 |
| CN114324397A (zh) * | 2022-01-05 | 2022-04-12 | 倪雨濛 | 一种仿真视觉检测的口罩质量测试设备 |
| CN114527075A (zh) * | 2022-02-28 | 2022-05-24 | 中科芯集成电路有限公司 | 一种口罩缺陷检测装置及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587999A (zh) * | 2022-10-27 | 2023-01-10 | 中科芯集成电路有限公司 | 一种基于深度学习的n95口罩面脏污破损褶皱缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115078388B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7860280B2 (en) | Facial feature detection method and device | |
| CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
| CN108230315B (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
| CN104298996B (zh) | 一种应用于仿生机器鱼的水下主动视觉跟踪方法 | |
| CN105067638A (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
| CN108615239A (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
| CN111932490B (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
| CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
| CN115078388A (zh) | 一种基于传统机器视觉的n95口罩缺陷检测方法 | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN112101260A (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
| CN115587993A (zh) | 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 | |
| CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
| CN117808799A (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
| CN114283157A (zh) | 一种基于椭圆拟合的椭圆形物体分割方法 | |
| CN117392201A (zh) | 一种基于视觉检测的靶纸弹孔识别及报靶方法 | |
| CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
| CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
| CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
| CN116128833A (zh) | 焊缝缺陷检测方法、装置、可读存储介质及电子设备 | |
| CN115063603A (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |