CN115249246B - 一种光学玻璃表面缺陷检测方法 - Google Patents

一种光学玻璃表面缺陷检测方法 Download PDF

Info

Publication number
CN115249246B
CN115249246B CN202211161290.9A CN202211161290A CN115249246B CN 115249246 B CN115249246 B CN 115249246B CN 202211161290 A CN202211161290 A CN 202211161290A CN 115249246 B CN115249246 B CN 115249246B
Authority
CN
China
Prior art keywords
image block
texture feature
suspected
bubble
determining
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
CN202211161290.9A
Other languages
English (en)
Other versions
CN115249246A (zh
Inventor
卢敏雁
柏昌学
肖强
徐绍军
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.)
Shenzhen Xinguan Precision Technology Co ltd
Original Assignee
Shenzhen Xinguan Precision 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 Shenzhen Xinguan Precision Technology Co ltd filed Critical Shenzhen Xinguan Precision Technology Co ltd
Priority to CN202211161290.9A priority Critical patent/CN115249246B/zh
Publication of CN115249246A publication Critical patent/CN115249246A/zh
Application granted granted Critical
Publication of CN115249246B publication Critical patent/CN115249246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种光学玻璃表面缺陷检测方法，获取图像预处理后的待检测玻璃的灰度图像，将其等分为N个图像块，从而得到N个纹理特征向量；确定任意两个图像块之间的纹理特征距离，进而确定纹理特征距离的最优分割阈值，从而确定各个正常图像块和各个第一疑似气泡缺陷图像块；根据各个第一疑似气泡缺陷图像块对应的多个纹理特征距离和最优分割阈值，确定各个第一缺陷程度指标，进而确定第一缺陷程度指标阈值；根据各个第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷。本发明利用图像数据处理技术，实现光学玻璃缺陷检测，提高了光学玻璃气泡缺陷检测的准确性。

Description

一种光学玻璃表面缺陷检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种光学玻璃表面缺陷检测方法。
背景技术
光学玻璃是光电技术产业的基础和重要组成部分。随着光学与电子信息科学、新材料科学的不断融合，作为光电子基础材料的光学玻璃在光传输、光储存和光电显示三大领域的应用更是突飞猛进，成为社会信息化尤其是光电信息技术发展的基础条件之一。由于光学玻璃生产工艺和环境的影响，会生产出有缺陷的光学玻璃，这严重影响了玻璃的结构性能，例如光学性质和高度光学均匀性。由此，光学玻璃缺陷检测在光学玻璃生产中是非常有必要的一步。
由于气泡缺陷多变的形态结构，导致气泡缺陷的边缘模糊较难分辨，采用传统的边缘检测方法并不能保证可以提取完全出气泡缺陷的边缘，导致无法识别出气泡缺陷的边缘，也就无法准确检测到玻璃图像中的是否存在气泡缺陷。另外，由于气泡表面的光照强度具有不均衡性，导致同一个气泡具有不同的亮度区域，而不同的亮度区域与正常玻璃区域的灰度值又比较接近，采用传统的阈值分割方法很难保证将气泡区域准确地识别出来。因此，现有方法无法准确地检测光学玻璃表面是否存在气泡缺陷。
发明内容
为了解决上述现有光学玻璃表面缺陷检测不准确的技术问题，本发明的目的在于提供一种光学玻璃表面缺陷检测方法。
本发明提供了一种光学玻璃表面缺陷检测方法，包括以下步骤：
获取待检测玻璃的表面图像，进而获取图像预处理后的待检测玻璃的灰度图像，将所述待检测玻璃的灰度图像等分为N个图像块，从而得到N个图像块对应的纹理特征向量；
根据N个图像块对应的纹理特征向量，确定任意两个图像块之间的纹理特征距离，进而确定纹理特征距离的最优分割阈值；
根据任意两个图像块之间的纹理特征距离以及纹理特征距离的最优分割阈值，确定各个正常图像块和各个第一疑似气泡缺陷图像块；
根据各个第一疑似气泡缺陷图像块对应的多个纹理特征距离和纹理特征距离的最优分割阈值，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标；
根据各个正常图像块对应的多个纹理特征距离、纹理特征向量，各个第一疑似气泡缺陷图像块对应的多个纹理特征距离、纹理特征向量以及纹理特征距离的最优分割阈值，确定第一缺陷程度指标阈值；
根据各个第一疑似气泡缺陷图像块的第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷。
进一步的，还包括：
获取各个第一疑似气泡缺陷图像块中存在气泡缺陷的第一疑似气泡缺陷图像块，并将存在气泡缺陷的各个第一疑似气泡缺陷图像块作为第二疑似气泡缺陷图像块；
根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的梯度幅值，进而确定梯度幅值的最优分割阈值；
根据每个像素点对应的梯度幅值以及梯度幅值的最优分割阈值，确定各目标像素点，所述目标像素点为梯度幅值大于最优分割阈值的像素点，进而对各目标像素点进行聚类操作，从而得到满足预设聚类条件的各个聚类簇，所述预设聚类条件为聚类簇内目标像素点的数目大于预设目标像素点数目；
根据各个聚类簇内各目标像素点的坐标位置，确定各个聚类簇的最小外接矩形，进而根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形的灰度丰富指标；
获取灰度丰富指标阈值，根据各个聚类簇的最小外接矩形的灰度丰富指标和灰度丰富指标阈值，判断各个聚类簇的最小外接矩形中是否存在气泡缺陷。
进一步的，确定各个聚类簇的最小外接矩形的灰度丰富指标的步骤包括：
根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形内灰度类别的数目，进而确定各个灰度类别对应的像素灰度均值；
根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个灰度类别的目标像素点在对应最小外接矩形中出现的频率；
根据各个聚类簇的最小外接矩形内灰度类别的数目、各个灰度类别对应的像素灰度均值、各个灰度类别的像素点在对应最小外接矩形中出现的频率以及各个灰度类别的像素灰度，确定各个聚类簇的最小外接矩形的灰度丰富指标。
进一步的，确定各个聚类簇的最小外接矩形的灰度丰富指标的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 769970DEST_PATH_IMAGE002
为各个聚类簇的最小外接矩形的灰度丰富指标，B为各个聚类簇的最小外接矩形内灰度类别的数目，
Figure 798362DEST_PATH_IMAGE003
为第i个灰度类别的像素点在对应最小外接矩形中出现的频率，
Figure 391149DEST_PATH_IMAGE004
为第i个灰度类别的像素灰度，
Figure 848675DEST_PATH_IMAGE005
为各个灰度类别对应的像素灰度均值。
进一步的，确定每个像素点对应的梯度幅值的步骤包括：
根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的水平方向的梯度和竖直方向的梯度；
根据每个像素点对应的水平方向的梯度和竖直方向的梯度，确定每个像素点对应的梯度幅值。
进一步的，所述纹理特征向量包含4个纹理特征，分别为图像块对应的灰度共生矩阵的能量、熵值、对比度以及逆差矩，确定任意两个图像块之间的纹理特征距离的计算公式为：
Figure 709053DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为第w个图像块与第v个图像块之间的纹理特征距离，
Figure 203619DEST_PATH_IMAGE008
为第w个图像块对应纹理特征向量内的第i个纹理特征，
Figure 532969DEST_PATH_IMAGE009
为第v个图像块对应纹理特征向量内的第i个纹理特征。
进一步的，确定各个正常图像块和各个第一疑似气泡缺陷图像块的步骤包括：
统计每个图像块对应的多个纹理特征距离中大于最优分割阈值的纹理特征距离的数目，并统计每个图像块对应的多个纹理特征距离中不大于最优分割阈值的纹理特征距离的数目；
若某个图像块对应的大于最优分割阈值的纹理特征距离的数目大于该图像块对应的不大于最优分割阈值的纹理特征距离的数目，则判定该图像块为第一疑似气泡缺陷图像块，否则，判定该图像块为正常图像块。
进一步的，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标的步骤包括：
从每个第一疑似气泡缺陷图像块对应的多个纹理特征距离中，筛选出大于最优分割阈值的各纹理特征距离；
根据每个第一疑似气泡缺陷图像块对应的大于纹理特征距离的最优分割阈值的各纹理特征距离，确定每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离；
计算每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离的均值，将该均值作为对应第一疑似气泡缺陷图像块的第一缺陷程度指标。
进一步的，确定第一缺陷程度指标阈值的计算公式为：
Figure 780804DEST_PATH_IMAGE010
其中，T为第一缺陷程度指标阈值，
Figure 512000DEST_PATH_IMAGE011
为纹理特征距离的最优分割阈值，
Figure 115151DEST_PATH_IMAGE012
和
Figure 181064DEST_PATH_IMAGE013
为调节参数，
Figure 980393DEST_PATH_IMAGE014
为第一疑似气泡缺陷图像块的数目，
Figure 51248DEST_PATH_IMAGE015
为正常图像块的数目，
Figure 543410DEST_PATH_IMAGE016
为任意两个正常图像块对应的纹理特征距离的方差，
Figure 111268DEST_PATH_IMAGE017
为任意两个第一疑似气泡缺陷图像块对应的纹理特征距离的方差，
Figure 448709DEST_PATH_IMAGE018
为各个正常图像块对应的纹理特征向量均值与各个第一疑似气泡缺陷图像块对应的纹理特征向量均值之间的纹理特征距离。
进一步的，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷的步骤包括：
若任意一个第一疑似气泡缺陷图像块的第一缺陷程度指标大于第一缺陷程度指标阈值，则判定该第一疑似气泡缺陷图像块中存在气泡缺陷，否则，判定该第一疑似气泡缺陷图像块中不存在气泡缺陷。
本发明具有如下有益效果：
本发明对待检测玻璃的表面图像进行图像预处理操作，图像预处理操作有利于后续得到更加准确的图像纹理特征信息，将待检测玻璃的灰度图像等分为N个图像块，是为了克服由于玻璃气泡自身的特点所造成的无法准确提取气泡缺陷边缘的问题，通过分析每个图像块的纹理特征信息，有助于提高了光学玻璃缺陷检测的准确性；通过计算任意两个图像块之间的纹理特征距离，确定纹理特征距离的最优分割阈值，以最优分割阈值为基础，确定各个正常图像块和各个第一疑似气泡缺陷图像块，对N个图像块进行分析，将图像块划分为两个类别，分别为正常图像块和第一疑似气泡缺陷图像块，气泡缺陷很有可能存在于第一疑似气泡缺陷图像块内，其缩小气泡缺陷检测的范围，有助提高了光学玻璃缺陷检测的效率；通过计算各个第一疑似气泡缺陷图像块的第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷，实现玻璃气泡缺陷检测，本发明利用各个正常图像块和各个第一疑似气泡缺陷图像块相关数据得到第一缺陷程度指标阈值，基于自适应方式确定第一缺陷程度指标阈值，有效提高了判断结果的准确性，进而提高了光学玻璃表面缺陷检测的准确性。
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和优点，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的介绍，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它附图。
图1为本发明一种光学玻璃表面缺陷检测方法的流程图；
图2为本发明实施例中判断各个聚类簇的最小外接矩形中是否存在气泡缺陷的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种光学玻璃表面缺陷检测方法，如图1所示，该方法包括以下步骤：
（1）获取待检测玻璃的表面图像，进而获取图像预处理后的待检测玻璃的灰度图像，将所述待检测玻璃的灰度图像等分为N个图像块，从而得到N个图像块对应的纹理特征向量，其步骤包括：
（1-1）获取待检测玻璃的表面图像，进而获取图像预处理后的待检测玻璃的灰度图像。
本实施例检测玻璃板表面的气泡缺陷，首先利用相机拍摄待检测的玻璃板，得到待检测玻璃的表面图像，待检测玻璃的表面图像为
Figure 701966DEST_PATH_IMAGE019
的可见光图像，也就是RGB彩色图像（Red Blue Green）。为了便于后续确定待检测玻璃的表面图像的图像特征信息，对待检测玻璃的表面图像进行图像预处理操作。具体为：将待检测玻璃的表面图像转换成灰度图像，得到待检测玻璃的灰度图像，然后采用高斯滤波对待检测玻璃的灰度图像进行噪声过滤处理，得到过滤处理后的待检测玻璃的灰度图像，之后采用直方图均衡化技术对过滤处理后的待检测玻璃的灰度图像进行图像增强处理，最终得到图像预处理操作后的待检测玻璃的灰度图像。图像灰度化过程、高斯滤波过程以及直方图均衡化过程均为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（1-2）将所述待检测玻璃的灰度图像等分为N个图像块，从而得到N个图像块对应的纹理特征向量。
需要说明的是，由于玻璃的气泡缺陷的形态结构是多变的，多变的形态结构导致很难确定气泡缺陷边缘，而采用传统的边缘检测方法不能保证能够将气泡缺陷边缘准确地提取出来，不能识别出气泡缺陷边缘也就无法检测到玻璃图像的气泡缺陷。考虑到待检测玻璃的表面图像中出现气泡缺陷区域的纹理特征偏离正常区域的纹理特征，由此本实施例将通过分析不同图像块的纹理特征来判断待检测玻璃中是否存在气泡缺陷。
为了便于后续准确地确定气泡缺陷的具体位置，将待检测玻璃的灰度图像等分为N个图像块，可以将N设置为
Figure 833871DEST_PATH_IMAGE020
，每个图像块的尺寸是相等的。然后，采用灰度共生矩阵提取N个图像块的纹理特征，计算出每个图像块对应的灰度共生矩阵的能量ASM、熵值ENT、对比度CON和逆差矩IDM，将该4个数值作为图像块的纹理特征，并将该4个数值构成纹理特征向量，记为
Figure 874377DEST_PATH_IMAGE021
，
Figure 297399DEST_PATH_IMAGE022
，此时，本实施例得到了N个图像块对应的纹理特征向量。
（2）根据N个图像块对应的纹理特征向量，确定任意两个图像块之间的纹理特征距离，进而确定纹理特征距离的最优分割阈值，其步骤包括：
（2-1）根据N个图像块对应的纹理特征向量，确定任意两个图像块之间的纹理特征距离。
在本实施例中，由于包含气泡缺陷的图像块与不包含缺陷的图像块具有不同的纹理特征，所以本实施例对不同的图像块对应的纹理特征向量进行异常检测，可以实现气泡缺陷检测。纹理特征向量包含4个纹理特征，分别为图像块对应的灰度共生矩阵的能量、熵值、对比度以及逆差矩。对于每个图像块而言，计算每个图像块对应的纹理特征向量与其余的N-1个图像块对应的纹理特征向量之间的纹理特征距离，也就是计算任意两个图像块之间的纹理特征距离，得到每个图像块对应的多个纹理特征距离，其计算公式为：
Figure 857693DEST_PATH_IMAGE023
其中，
Figure 943854DEST_PATH_IMAGE007
为第w个图像块与第v个图像块之间的纹理特征距离，
Figure 956810DEST_PATH_IMAGE008
为第w个图像块对应纹理特征向量内的第i个纹理特征，
Figure 652364DEST_PATH_IMAGE009
为第v个图像块对应纹理特征向量内的第i个纹理特征。
需要说明的是，任意两个图像块之间的纹理特征距离较大时，该两个图像块中一个是气泡缺陷图像块，另一个图像块是正常图像块；任意两个图像块之间的纹理特征距离较小时，该两个图像块有可能是同类型的图像块，也就是该两个图像块可能都为气泡缺陷图像块，也可能都为正常图像块。
（2-2）根据任意两个图像块之间的纹理特征距离，确定纹理特征距离的最优分割阈值。
若待检测玻璃中存在气泡缺陷，可能不止出现一个气泡缺陷，即多个图像块内存在气泡缺陷。基于上述分析，本实施例采用Otsu大津法（最大类间方差法）对每个图像块对应的多个纹理特征距离进行分割，得到纹理特征距离的最优分割阈值。Otsu大津法确定最优分割阈值的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（3）根据任意两个图像块之间的纹理特征距离以及纹理特征距离的最优分割阈值，确定各个正常图像块和各个第一疑似气泡缺陷图像块，进而根据各个第一疑似气泡缺陷图像块对应的多个纹理特征距离和最优分割阈值，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标，其步骤包括：
（3-1）根据任意两个图像块之间的纹理特征距离以及纹理特征距离的最优分割阈值，确定各个正常图像块和各个第一疑似气泡缺陷图像块，其步骤包括：
（3-1-1）统计每个图像块对应的多个纹理特征距离中大于最优分割阈值的纹理特征距离的数目，并统计每个图像块对应的多个纹理特征距离中不大于最优分割阈值的纹理特征距离的数目。
需要说明的是，为了避免待检测玻璃的表面图像中可能不止出现一个气泡缺陷的干扰，同时为了排除选择的图像块为正常图像块的干扰，本实施例通过统计每个图像块对应的多个纹理特征距离与最优分割阈值的关系，来区分N个图像块中的正常图像块和第一疑似气泡缺陷图像块。另外，将每个图像块对应的多个纹理特征距离中大于最优分割阈值的纹理特征距离的数目记为
Figure 863903DEST_PATH_IMAGE024
，并将每个图像块对应的多个纹理特征距离中不大于最优分割阈值的纹理特征距离的数目记为
Figure 852456DEST_PATH_IMAGE025
。
（3-1-2）若某个图像块对应的大于最优分割阈值的纹理特征距离的数目大于该图像块对应的不大于最优分割阈值的纹理特征距离的数目，则判定该图像块为第一疑似气泡缺陷图像块，否则，判定该图像块为正常图像块。
在本实施例中，若某个图像块对应的大于最优分割阈值的纹理特征距离的数目
Figure 352708DEST_PATH_IMAGE024
大于该图像块对应的不大于最优分割阈值的纹理特征距离的数目
Figure 586374DEST_PATH_IMAGE025
，判定该图像块为第一疑似气泡缺陷图像块，否则，判定该图像块为正常图像块。基于此，将N个图像块划分为
Figure 170196DEST_PATH_IMAGE015
个正常图像块和
Figure 80383DEST_PATH_IMAGE014
个第一疑似气泡缺陷图像块。
需要说明的是，一般情况下，玻璃图像中出现气泡缺陷的图像块数目要小于没有气泡缺陷正常的图像块数目。由此可知，当某个图像块为疑似气泡缺陷图像块时，计算该图像块与正常图像块之间的纹理特征距离的次数较多，但该图像块对应的纹理特征向量与正常图像对应的纹理特征向量的相似性较低，纹理特征距离较大，那么该图像块对应的大于最优分割阈值的纹理特征距离的数目
Figure 818663DEST_PATH_IMAGE024
就会较多；当某个图像块为正常图像块时，计算该图像块与正常图像块之间的纹理特征距离的次数较多，但该图像块对应的纹理特征向量与正常图像对应的纹理特征向量的相似性较高，纹理特征距离较小，那么该图像块对应的不大于最优分割阈值的纹理特征距离的数目
Figure 105288DEST_PATH_IMAGE025
较多。
（3-2）根据各个第一疑似气泡缺陷图像块对应的多个纹理特征距离和纹理特征距离的最优分割阈值，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标，其步骤包括：
（3-2-1）从每个第一疑似气泡缺陷图像块对应的多个纹理特征距离中，筛选出大于最优分割阈值的各纹理特征距离。
使每个第一疑似气泡缺陷图像块对应的各个纹理特征距离与纹理特征距离的最优分割阈值作比较，筛选出大于纹理特征距离的最优分割阈值的各纹理特征距离，从而得到每个第一疑似气泡缺陷图像块对应的大于纹理特征距离的最优分割阈值的各纹理特征距离。
（3-2-2）根据每个第一疑似气泡缺陷图像块对应的大于纹理特征距离的最优分割阈值的各纹理特征距离，确定每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离。
在本实施例中，对步骤（3-2-1）得到的每个第一疑似气泡缺陷图像块对应的大于纹理特征距离的最优分割阈值的各纹理特征距离按照从小到大的顺序进行排序，得到排序后的大于纹理特征距离的最优分割阈值的各纹理特征距离，选取预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离，本实施例中将预设数目设置
Figure 478369DEST_PATH_IMAGE026
。
（3-2-3）计算每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离的均值，并将该均值作为对应第一疑似气泡缺陷图像块的第一缺陷程度指标。
需要说明的是，
Figure 356195DEST_PATH_IMAGE026
个较小的大于纹理特征距离的最优分割阈值的纹理特征距离的均值能够表征对应第一疑似气泡缺陷图像块的纹理特征，选取预设数目较小的大于最优分割阈值的纹理特征距离是为了提高气泡缺检测的准确性，当第一疑似气泡缺陷图像块对应的较小的纹理特征距离都大于后续确定的第一缺陷程度指标阈值，那么该第一疑似气泡缺陷图像块内存在气泡缺陷的可能性就会较大。计算均值的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（4）根据各个正常图像块对应的多个纹理特征距离、纹理特征向量，各个第一疑似气泡缺陷图像块对应的多个纹理特征距离、纹理特征向量以及纹理特征距离的最优分割阈值，确定第一缺陷程度指标阈值，进而根据各个第一疑似气泡缺陷图像块的第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷。
（4-1）根据各个正常图像块对应的多个纹理特征距离、纹理特征向量，各个第一疑似气泡缺陷图像块对应的多个纹理特征距离、纹理特征向量以及纹理特征距离的最优分割阈值，确定第一缺陷程度指标阈值。
通常情况下，经过专业人员的经验来确定最终阈值或经过多次实验采用试凑法选择效果最好的阈值作为最终阈值，该方法所确定的阈值的精准性较差，很容易出现所确定的阈值不合理的情况。为了避免该方法所带来的弊端，本实施例通过自适应的方法确定第一缺陷程度指标阈值，其计算公式为：
Figure 581771DEST_PATH_IMAGE010
其中，T为第一缺陷程度指标阈值，
Figure 721022DEST_PATH_IMAGE011
为纹理特征距离的最优分割阈值，
Figure 964921DEST_PATH_IMAGE012
和
Figure 702064DEST_PATH_IMAGE013
为调节参数，根据经验值
Figure 460942DEST_PATH_IMAGE027
，
Figure 73058DEST_PATH_IMAGE028
，
Figure 718934DEST_PATH_IMAGE014
为第一疑似气泡缺陷图像块的数目，
Figure 938563DEST_PATH_IMAGE015
为正常图像块的数目，
Figure 362898DEST_PATH_IMAGE016
为任意两个正常图像块对应的纹理特征距离的方差，
Figure 873645DEST_PATH_IMAGE017
为任意两个第一疑似气泡缺陷图像块对应的纹理特征距离的方差，
Figure 606983DEST_PATH_IMAGE018
为各个正常图像块对应的纹理特征向量均值与各个第一疑似气泡缺陷图像块对应的纹理特征向量均值之间的纹理特征距离，所述纹理特征向量均值是指各个图像块对应的4个纹理特征相加，再对各个图像块对应的相加后的4个纹理特征求均值，将各个图像块对应的每个纹理特征的均值作为各个图像块对应的纹理特征向量均值。
Figure 466355DEST_PATH_IMAGE029
，
Figure 622661DEST_PATH_IMAGE030
为修正参量，若正常图像块的数目
Figure 655208DEST_PATH_IMAGE015
与第一疑似气泡缺陷图像块的数目
Figure 714824DEST_PATH_IMAGE014
的比值越小，说明将最优分割阈值
Figure 292567DEST_PATH_IMAGE011
作为第一缺陷程度指标阈值越合理，减少修正参量
Figure 185437DEST_PATH_IMAGE030
，反之，则增大修正参量
Figure 208625DEST_PATH_IMAGE030
，增大修正参量是为了降低图像块被认为是包含气泡缺陷的图像块的可能性，减少正常图像块和疑似气泡缺陷图像块被误分类的概率；若任意两个正常图像块和任意两个第一疑似气泡缺陷图像块对应的纹理特征距离的方差之和较小，说明各个正常图像块和各个第一疑似气泡缺陷图像块对应的纹理特征距离的稳定性都比较高，此时被误分类的概率会比较小，也就是将最优分割阈值
Figure 932867DEST_PATH_IMAGE011
作第一缺陷程度指标阈值进行分类时被误分类的可能性比较小；若各个正常图像块对应的纹理特征向量均值和各个第一疑似气泡缺陷图像块对应的纹理特征向量均值之间的纹理特征距离越小，说明正常图像块与第一疑似气泡缺陷图像块的差距越小，越难区分正常图像块与第一疑似气泡缺陷图像块，此时需要增大修正参量
Figure 619195DEST_PATH_IMAGE030
，增大第一缺陷程度指标阈值T，减少被误分类的概率。
（4-2）根据各个第一疑似气泡缺陷图像块的第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷。
若任意一个第一疑似气泡缺陷图像块的第一缺陷程度指标大于第一缺陷程度指标阈值，则判定该第一疑似气泡缺陷图像块中存在气泡缺陷，否则，判定该第一疑似气泡缺陷图像块中不存在气泡缺陷。也就是当各个第一疑似气泡缺陷图像块的第一缺陷程度指标均不大于第一缺陷程度指标阈值时，说明待检测玻璃的表面图像中不存在气泡缺陷，否则，说明待检测玻璃中存在气泡缺陷。
当待检测玻璃中存在气泡缺陷，受到光照强度不均衡性的影响，同一个气泡表面会产生不同的亮度区域，玻璃的亮度区域与正常区域的灰度值比较接近，采用传统的边缘检测方法和阈值分割方法就不能保证将气泡缺陷全部检测出来。为了提高光学玻璃表面缺陷检测的准确性，对存在气泡缺陷的各第一疑似气泡缺陷图像块再次进行气泡缺陷检测，判断各个聚类簇的最小外接矩形中是否存在气泡缺陷的流程图如图2所示，其步骤包括：
（4-2-1）获取各个第一疑似气泡缺陷图像块中存在气泡缺陷的第一疑似气泡缺陷图像块，并将存在气泡缺陷的各个第一疑似气泡缺陷图像块作为第二疑似气泡缺陷图像块。
在本实施例中，根据各个第一疑似气泡缺陷图像块的第一缺陷程度指标与第一缺陷程度指标阈值的比较结果，得到大于第一缺陷程度指标阈值的各第一疑似气泡缺陷图像块，将大于第一缺陷程度指标阈值的第一疑似气泡缺陷图像块判定为存在气泡缺陷，从而得到各个第一疑似气泡缺陷图像块中存在气泡缺陷的第一疑似气泡缺陷图像块，并将存在气泡缺陷的各个第一疑似气泡缺陷图像块作为第二疑似气泡缺陷图像块。
（4-2-2）根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的梯度幅值，进而确定梯度幅值的最优分割阈值，其步骤包括：
（4-2-2-1）根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的水平方向的梯度和竖直方向的梯度。
在本实施例中，通过各个第二疑似气泡缺陷图像块内每个像素点的灰度值，采用sobel算子，计算每个像素点对应的水平方向的梯度和竖直方向的梯度，并将每个像素点的水平方向的梯度记为
Figure 264940DEST_PATH_IMAGE031
，将竖直方向的梯度记为
Figure 625907DEST_PATH_IMAGE032
。sobel算子计算像素点梯度的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（4-2-2-2）根据每个像素点对应的水平方向的梯度和竖直方向的梯度，确定每个像素点对应的梯度幅值。
通过步骤（4-2-2-1）得到的每个像素点对应的水平方向的梯度
Figure 158651DEST_PATH_IMAGE031
和竖直方向的梯度
Figure 327464DEST_PATH_IMAGE032
，计算每个像素点对应的梯度幅值，其计算公式为：
Figure 709773DEST_PATH_IMAGE033
，g为每个像素点对应的梯度幅值。
（4-2-2-3）根据每个像素点对应的梯度幅值，确定梯度幅值的最优分割阈值。
在本实施例中，为了便于后续确定目标像素点，基于每个像素点对应的梯度幅值，采用Otsu大津法对每个像素点对应的梯度幅值进行分割处理，从而得到梯度幅值的最优分割阈值。Otsu大津法对每个像素点对应的梯度幅值进行分割处理的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（4-2-3）根据每个像素点对应的梯度幅值以及梯度幅值的最优分割阈值，确定各目标像素点，所述目标像素点为梯度幅值大于最优分割阈值的像素点，进而对各目标像素点进行聚类操作，从而得到满足预设聚类条件的各个聚类簇，所述预设聚类条件为聚类簇内目标像素点的数目大于预设目标像素点数目。
在本实施例中，对每个像素点对应的梯度幅值与梯度幅值的最优分割阈值作比较，得到梯度幅值大于最优分割阈值的各个像素点，将梯度幅值大于最优分割阈值的像素点作为目标像素点，从而得到各目标像素点。
为了判断各目标像素点是否具有空间位置上的相关性，也就是判断各目标像素点中是否是孤立存在的噪声点，本实施例基于各目标像素点的位置，采用DBSCAN聚类算法，DBSCAN聚类算法的邻域半径设置为3，对各目标像素点进行聚类操作，从而得到各个聚类簇。根据各个聚类簇内目标像素点的个数和预设目标像素点数目，将目标像素点的个数大于预设目标像素点数目的聚类簇剔除掉，得到满足预设聚类条件的各个聚类簇，所述预设聚类条件为聚类簇内目标像素点的数目大于预设数目，本实施例将预设数目设置为4。DBSCAN聚类算法实现聚类的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（4-2-4）根据各个聚类簇内各目标像素点的坐标位置，确定各个聚类簇的最小外接矩形，进而根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形的灰度丰富指标，其步骤包括：
首先，确定各个聚类簇的最小外接矩形，通过各个聚类簇中目标像素点的最大行坐标、最小行坐标、最大列坐标以及最小列坐标，构建各个聚类簇的最小外接矩形。构建最小外接矩形的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形的灰度丰富指标，其步骤包括：
（4-2-4-1）根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形内灰度类别的数目，进而确定各个灰度类别对应的像素灰度均值。
灰度类别是指目标像素点的不同灰度值，例如，某个聚类簇的最小外接矩形内每个目标像素点的灰度值为[3，5，6，6，8，8]，该聚类簇的最小外接矩形内灰度类别的数目为4个，分别为[3，5，6，8]，4个灰度类别对应的像素灰度均值的计算公式为(3+5+6+8)÷4=5.5，所以4个灰度类别对应的像素灰度均值为5.5。
（4-2-4-2）根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个灰度类别的目标像素点在对应最小外接矩形中出现的频率。
在本实施例中，统计各个灰度类别的像素点在各个目标像素点中的数目，将各个灰度类别的目标像素点数目除以目标像素点的总数目，将各个灰度类别的目标像素点数目比值作为各个灰度类别的目标像素点在对应最小外接矩形中出现的频率，得到各个灰度类别的像素点在对应最小外接矩形中出现的频率。
（4-2-4-3）根据各个聚类簇的最小外接矩形内灰度类别的数目、各个灰度类别对应的像素灰度均值、各个灰度类别的像素点在对应最小外接矩形中出现的频率以及各个灰度类别的像素灰度，确定各个聚类簇的最小外接矩形的灰度丰富指标。
灰度丰富指标是通过聚类簇内目标像素点的灰度级别数目、各个灰度类别的像素均值以及不同灰度类别的像素点在全部目标像素点中的占比，来评估聚类簇内目标像素点的灰度值的复杂情况，计算各个聚类簇的最小外接矩形的灰度丰富指标的计算公式为：
Figure 107387DEST_PATH_IMAGE034
其中，
Figure 9484DEST_PATH_IMAGE002
为各个聚类簇的最小外接矩形的灰度丰富指标，B为各个聚类簇的最小外接矩形内灰度类别的数目，
Figure 335817DEST_PATH_IMAGE003
为第i个灰度类别的像素点在对应最小外接矩形中出现的频率，
Figure 424995DEST_PATH_IMAGE004
为第i个灰度类别的像素灰度，
Figure 891880DEST_PATH_IMAGE005
为各个灰度类别对应的像素灰度均值。
需要说明的是，某个聚类簇的最小外接矩形的灰度丰富指标越大，说明该聚类簇存在气泡缺陷的可能性越大，相反，则说明该聚类簇存在气泡缺陷的可能性越小。
（4-2-5）获取灰度丰富指标阈值，根据各个聚类簇的最小外接矩形的灰度丰富指标和灰度丰富指标阈值，判断各个聚类簇的最小外接矩形中是否存在气泡缺陷。
获取灰度丰富指标阈值，获取步骤（3-1-2）得到的u个正常图像块，将u设置为数值10，根据u个正常图像块内每个像素点的灰度值，参考步骤（4-2-2）至步骤（4-2-4）确定各个聚类簇的最小外接矩形的灰度丰富指标的过程，得到u个正常图像块对应的灰度丰富指标，计算u个正常图像块对应的灰度丰富指标的平均值，记为
Figure 632172DEST_PATH_IMAGE035
，将1.5倍的u个正常图像块对应的灰度丰富指标的平均值
Figure 877208DEST_PATH_IMAGE036
作为灰度丰富指标阈值。通过待检测玻璃的灰度图像的各个正常区域的数据信息为基础，计算灰度丰富指标阈值，使所得到的灰度丰富指标阈值更加准确，提高了玻璃气泡缺陷检测的准确性。
根据各个聚类簇的最小外接矩形的灰度丰富指标和灰度丰富指标阈值，判断各个聚类簇的最小外接矩形中是否存在气泡缺陷。将各个聚类簇的最小外接矩形的灰度丰富指标与灰度丰富指标阈值作比较，若某个聚类簇的最小外接矩形的灰度丰富指标
Figure 735574DEST_PATH_IMAGE002
大于灰度丰富指标阈值
Figure 253754DEST_PATH_IMAGE036
，则判定该聚类簇的最小外接矩形为气泡缺陷区域，否则，判定该聚类簇的最小外接矩形不为气泡缺陷区域。若各个聚类簇的最小外接矩形的灰度丰富指标均不大于灰度丰富指标阈值，则说明待检测玻璃不存在气泡缺陷。至此，本实施例完成了对待检测玻璃的气泡缺陷检测。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种光学玻璃表面缺陷检测方法，其特征在于，包括以下步骤：
获取待检测玻璃的表面图像，进而获取图像预处理后的待检测玻璃的灰度图像，将所述待检测玻璃的灰度图像等分为N个图像块，从而得到N个图像块对应的纹理特征向量；
根据N个图像块对应的纹理特征向量，确定任意两个图像块之间的纹理特征距离，进而确定纹理特征距离的最优分割阈值；
根据任意两个图像块之间的纹理特征距离以及纹理特征距离的最优分割阈值，确定各个正常图像块和各个第一疑似气泡缺陷图像块；
根据各个第一疑似气泡缺陷图像块对应的多个纹理特征距离和纹理特征距离的最优分割阈值，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标；
根据各个正常图像块对应的多个纹理特征距离、纹理特征向量，各个第一疑似气泡缺陷图像块对应的多个纹理特征距离、纹理特征向量以及纹理特征距离的最优分割阈值，确定第一缺陷程度指标阈值；
根据各个第一疑似气泡缺陷图像块的第一缺陷程度指标和第一缺陷程度指标阈值，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷。
2.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，还包括：
获取各个第一疑似气泡缺陷图像块中存在气泡缺陷的第一疑似气泡缺陷图像块，并将存在气泡缺陷的各个第一疑似气泡缺陷图像块作为第二疑似气泡缺陷图像块；
根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的梯度幅值，进而确定梯度幅值的最优分割阈值；
根据每个像素点对应的梯度幅值以及梯度幅值的最优分割阈值，确定各目标像素点，所述目标像素点为梯度幅值大于最优分割阈值的像素点，进而对各目标像素点进行聚类操作，从而得到满足预设聚类条件的各个聚类簇，所述预设聚类条件为聚类簇内目标像素点的数目大于预设目标像素点数目；
根据各个聚类簇内各目标像素点的坐标位置，确定各个聚类簇的最小外接矩形，进而根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形的灰度丰富指标；
获取灰度丰富指标阈值，根据各个聚类簇的最小外接矩形的灰度丰富指标和灰度丰富指标阈值，判断各个聚类簇的最小外接矩形中是否存在气泡缺陷。
3.根据权利要求2所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定各个聚类簇的最小外接矩形的灰度丰富指标的步骤包括：
根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个聚类簇的最小外接矩形内灰度类别的数目，进而确定各个灰度类别对应的像素灰度均值；
根据各个聚类簇的最小外接矩形内每个目标像素点的灰度值，确定各个灰度类别的目标像素点在对应最小外接矩形中出现的频率；
根据各个聚类簇的最小外接矩形内灰度类别的数目、各个灰度类别对应的像素灰度均值、各个灰度类别的像素点在对应最小外接矩形中出现的频率以及各个灰度类别的像素灰度，确定各个聚类簇的最小外接矩形的灰度丰富指标。
4.根据权利要求3所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定各个聚类簇的最小外接矩形的灰度丰富指标的计算公式为：
Figure 718349DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为各个聚类簇的最小外接矩形的灰度丰富指标，B为各个聚类簇的最小外接矩形内灰度类别的数目，
Figure 337549DEST_PATH_IMAGE004
为第i个灰度类别的像素点在对应最小外接矩形中出现的频率，
Figure DEST_PATH_IMAGE005
为第i个灰度类别的像素灰度，
Figure 712905DEST_PATH_IMAGE006
为各个灰度类别对应的像素灰度均值。
5.根据权利要求2所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定每个像素点对应的梯度幅值的步骤包括：
根据各个第二疑似气泡缺陷图像块内每个像素点的灰度值，确定每个像素点对应的水平方向的梯度和竖直方向的梯度；
根据每个像素点对应的水平方向的梯度和竖直方向的梯度，确定每个像素点对应的梯度幅值。
6.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，所述纹理特征向量包含4个纹理特征，分别为图像块对应的灰度共生矩阵的能量、熵值、对比度以及逆差矩，确定任意两个图像块之间的纹理特征距离的计算公式为：
Figure 318329DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第w个图像块与第v个图像块之间的纹理特征距离，
Figure 770564DEST_PATH_IMAGE010
为第w个图像块对应纹理特征向量内的第i个纹理特征，
Figure DEST_PATH_IMAGE011
为第v个图像块对应纹理特征向量内的第i个纹理特征。
7.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定各个正常图像块和各个第一疑似气泡缺陷图像块的步骤包括：
统计每个图像块对应的多个纹理特征距离中大于最优分割阈值的纹理特征距离的数目，并统计每个图像块对应的多个纹理特征距离中不大于最优分割阈值的纹理特征距离的数目；
若某个图像块对应的大于最优分割阈值的纹理特征距离的数目大于该图像块对应的不大于最优分割阈值的纹理特征距离的数目，则判定该图像块为第一疑似气泡缺陷图像块，否则，判定该图像块为正常图像块。
8.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定各个第一疑似气泡缺陷图像块的第一缺陷程度指标的步骤包括：
从每个第一疑似气泡缺陷图像块对应的多个纹理特征距离中，筛选出大于最优分割阈值的各纹理特征距离；
根据每个第一疑似气泡缺陷图像块对应的大于纹理特征距离的最优分割阈值的各纹理特征距离，确定每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离；
计算每个第一疑似气泡缺陷图像块对应的预设数目个较小的大于纹理特征距离的最优分割阈值的纹理特征距离的均值，将该均值作为对应第一疑似气泡缺陷图像块的第一缺陷程度指标。
9.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，确定第一缺陷程度指标阈值的计算公式为：
Figure DEST_PATH_IMAGE013
其中，T为第一缺陷程度指标阈值，
Figure 498348DEST_PATH_IMAGE014
为纹理特征距离的最优分割阈值，
Figure DEST_PATH_IMAGE015
和
Figure 33104DEST_PATH_IMAGE016
为调节参数，
Figure DEST_PATH_IMAGE017
为第一疑似气泡缺陷图像块的数目，
Figure 176640DEST_PATH_IMAGE018
为正常图像块的数目，
Figure DEST_PATH_IMAGE019
为任意两个正常图像块对应的纹理特征距离的方差，
Figure 811277DEST_PATH_IMAGE020
为任意两个第一疑似气泡缺陷图像块对应的纹理特征距离的方差，
Figure DEST_PATH_IMAGE021
为各个正常图像块对应的纹理特征向量均值与各个第一疑似气泡缺陷图像块对应的纹理特征向量均值之间的纹理特征距离。
10.根据权利要求1所述的一种光学玻璃表面缺陷检测方法，其特征在于，判断各个第一疑似气泡缺陷图像块中是否存在气泡缺陷的步骤包括：
若任意一个第一疑似气泡缺陷图像块的第一缺陷程度指标大于第一缺陷程度指标阈值，则判定该第一疑似气泡缺陷图像块中存在气泡缺陷，否则，判定该第一疑似气泡缺陷图像块中不存在气泡缺陷。
CN202211161290.9A 2022-09-23 2022-09-23 一种光学玻璃表面缺陷检测方法 Active CN115249246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161290.9A CN115249246B (zh) 2022-09-23 2022-09-23 一种光学玻璃表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161290.9A CN115249246B (zh) 2022-09-23 2022-09-23 一种光学玻璃表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115249246A CN115249246A (zh) 2022-10-28
CN115249246B true CN115249246B (zh) 2022-12-02

Family

ID=83699755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161290.9A Active CN115249246B (zh) 2022-09-23 2022-09-23 一种光学玻璃表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115249246B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228758B (zh) * 2023-05-08 2023-07-07 深圳市前海誉卓科技有限公司 一种用于偏光片生产的内部气泡检测方法
CN116342597B (zh) * 2023-05-29 2023-07-28 深圳市民达科技有限公司 一种汽车配件表面电镀加工缺陷检测方法和系统
CN116934752B (zh) * 2023-09-18 2023-12-08 山东国泰民安玻璃科技有限公司 一种基于人工智能的玻璃检测方法及系统
CN117173492B (zh) * 2023-10-30 2024-01-23 张家港飞腾复合新材料股份有限公司 一种复合板生产异常智能识别方法
CN117173188B (zh) * 2023-11-03 2024-01-26 泸州通鑫显示科技有限公司 一种玻璃瘢痕识别方法
CN117237340B (zh) * 2023-11-10 2024-01-26 江西省中鼐科技服务有限公司 一种基于人工智能的手机外壳外观检测方法及系统
CN117392136B (zh) * 2023-12-13 2024-02-09 日照市茂源电子有限责任公司 基于图像处理的玻璃盖板透光异常检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5027417A (en) * 1989-03-31 1991-06-25 Dainippon Screen Mfg. Co., Ltd. Method of and apparatus for inspecting conductive pattern on printed board
CN103049340A (zh) * 2012-10-26 2013-04-17 中山大学 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法
CN107945152A (zh) * 2017-10-27 2018-04-20 深圳市创科自动化控制技术有限公司 工业相机的缺陷检测控制系统及方法
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180028147A1 (en) * 2016-07-26 2018-02-01 General Electric Company Auto finger joint detection for robotic hand ultrasound scanner

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5027417A (en) * 1989-03-31 1991-06-25 Dainippon Screen Mfg. Co., Ltd. Method of and apparatus for inspecting conductive pattern on printed board
CN103049340A (zh) * 2012-10-26 2013-04-17 中山大学 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法
CN107945152A (zh) * 2017-10-27 2018-04-20 深圳市创科自动化控制技术有限公司 工业相机的缺陷检测控制系统及方法
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏优化的织物缺陷检测方法;张健 等;《机床与液压》;20210331;第77-81页 *

Also Published As

Publication number Publication date
CN115249246A (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN115249246B (zh) 一种光学玻璃表面缺陷检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN110334706B (zh) 一种图像目标识别方法及装置
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN115147414B (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
CN115601367A (zh) 一种led灯芯缺陷检测方法
CN109636824B (zh) 一种基于图像识别技术的多目标计数方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN115294140A (zh) 一种五金零件缺陷检测方法及系统
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN115375690B (zh) 一种舌象腐腻苔分类识别方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN116468728B (zh) 一种五金冲压件模具生产质量检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN111860531A (zh) 一种基于图像处理的扬尘污染识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN117078688A (zh) 一种用于强磁钕铁硼磁体的表面缺陷识别方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统

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
GR01 Patent grant
GR01 Patent grant