CN115619767B - 基于多光照条件的类镜面工件表面缺陷检测方法及装置 - Google Patents
基于多光照条件的类镜面工件表面缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN115619767B CN115619767B CN202211399716.4A CN202211399716A CN115619767B CN 115619767 B CN115619767 B CN 115619767B CN 202211399716 A CN202211399716 A CN 202211399716A CN 115619767 B CN115619767 B CN 115619767B
- Authority
- CN
- China
- Prior art keywords
- detection
- mirror
- defect
- deformation
- workpiece
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于多光照条件的类镜面工件表面缺陷检测方法及装置。所述方法包括:基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对第一位置进行检测以获得第二图像。基于第一检测模型对第一图像进行处理以识别非形变缺陷,并获取其类型、坐标及尺寸;同时基于相位偏折算法对第二图像进行处理以确认是否存在形变缺陷。若存在形变缺陷,则确认缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像。基于第二检测模型对第三图像进行处理以识别形变缺陷,并获取其类型、坐标及尺寸。重复上述过程直至完成整个类镜面工件的表面缺陷检测。本发明可同时解决在类镜面工件表面检测时存在的漏检及误检。
Description
技术领域
本发明涉及缺陷检测技术领域,具体涉及基于多光照条件的类镜面工件表面缺陷检测方法及装置。
背景技术
类镜面工件指具有高反射性表面的工件,如汽车的漆面车身、车辆零部件、陶瓷产品、芯片的硅圆及显示面板的基板等。
现有的工业质检中,对类镜面工件的表面缺陷检测沿用了对普通工件进行表面缺陷检测的方法。即主要通过如下过程实现:首先,获取工件表面的缺陷图像;其次,使用机器算法对所述缺陷图像进行检测识别以得到工件的表面缺陷情况。但受类镜面工件表面的高反射性影响,该类方法在实际使用时并不能在类镜面工件上有效适用。
具体的,在缺陷图像获取中,为了提高图像清晰度及缺陷可识别度,一般需要人工光源对工件表面进行辅助照射。但类镜面工件的表面缺陷种类繁多,主要包括凹陷、凸起、刮擦、灰尘或油污等;同时,对于任一类型的缺陷,又按具体尺寸包括超大缺陷、大缺陷、一般缺陷、小缺陷及微小缺陷。而受类镜面工件表面的高反射性影响,各种类型的缺陷及各种尺寸的缺陷对不同光源的敏感程度不同,因此常导致工件表面实际存在的所有缺陷不能均被准确检出,即常存在漏检率高、误检率高的问题。
发明内容
本发明目的在于提供一种基于多光照条件的类镜面工件表面缺陷检测方法及装置,用于解决现有类镜面工件的表面缺陷检测中漏检率及误检率均较高的技术问题。
为达成上述目的,本发明提出如下技术方案:
基于多光照条件的类镜面工件表面缺陷检测方法,包括:
基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像;
基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷;其中,所述第一检测模型仅可识别非形变缺陷;
若存在形变缺陷,则确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像;其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测;
基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸;其中,所述第二检测模型仅可识别形变缺陷;
重复上述过程直至完成整个待检测类镜面工件的表面缺陷检测。
进一步的,所述基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像之前,包括:
获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量;
基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
进一步的,所述基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像之前,包括:
基于类镜面工件的表面结构设定检测路径及检测点位;
基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
进一步的,所述基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸之后,包括:
若所述形变缺陷的尺寸大于预设尺寸,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
进一步的,所述重复上述过程直至完成整个待检测类镜面工件的表面缺陷检测之后,还包括:
存储所述类镜面工件的检测结果以生成检出表;
当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
基于多光照条件的类镜面工件表面缺陷检测装置,包括:
第一检测模块,用于基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像;
第一识别模块,用于基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷;
第二检测模块,用于在存在形变缺陷时,确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像;其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测;
第二识别模块,用于基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸;
循环模块,用于重复调用上述模块直至完成整个待检测类镜面工件的表面缺陷检测。
进一步的,包括:
第一获取模块,用于获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量;
第一设定模块,用于基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
进一步的,包括:
第二设定模块,用于基于类镜面工件的表面结构设定检测路径及检测点位;
第三设定模块,用于基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
进一步的,包括:
第一预警模块,用于在所述形变缺陷的尺寸大于预设尺寸时,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
进一步的,包括:
第一生成模块,用于存储所述类镜面工件的检测结果以生成检出表;
第二预警模块,当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
有益效果:
由以上技术方案可知,本发明的技术方案提供了一种基于多光照条件的类镜面工件表面缺陷检测方法,以改善现有类镜面工件表面缺陷检测中存在的各种缺陷。
对于具有高反射性的类镜面工件的表面而言,白光、余弦条纹光及二值条纹光均可检出不同尺寸的形变缺陷及非形变缺陷;但形变缺陷更易于被余弦条纹光及二值条纹光检出,而非形变缺陷更易于被白光检出。因此本技术方案在检出过程中,对两种缺陷进行分别检测处理。即:首先,同时采用白光及余弦条纹光同时对一位置进行检测以同时获取与该位置相应的第一图像和第二图像。然后,将第一图像输入第一检测模型,由于所述第一检测模型被训练用于仅可识别非形变缺陷。因此,通过第一检测模型即可对所述类镜面工件上所有的非形变缺陷全部检出,且避免了利用其同时进行形变缺陷及非形变缺陷检测时造成检测结果重复或检测混乱等,进而引发误检的情况。同时,通过余弦条纹光获取的图像不可被检测模型直接识别。且需要采用相位偏折算法确定其上是否存在缺陷;此时,受相位偏折算法影响,余弦条纹光具有检测精度高的优点,即毫米级甚至亚毫米级的缺陷也可被检出;但也导致形变缺陷区域存在不完备的情况。而二值条纹光则在缺陷检测中,具有与所述余弦条纹光优缺点互补的特性。因此基于同时提高检测效率、检测精度及避免漏检考虑,将所述第二图像作为初筛手段,即基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷。若存在形变缺陷,则触发二值条纹光再对相应的缺陷区域进行检测,且考虑余弦条纹光定位精度较低的因素,为防止漏检在具体实践时采用扩区检测以获得第三图像。继续地,将第三图像输入第二检测模型,由于所述第二检测模型被训练用于仅可识别形变缺陷。因此,通过第二检测模型即可对所述类镜面工件上所有的形变缺陷全部检出,且避免了利用其同时进行形变缺陷及非形变缺陷检测时造成检测结果重复或检测混乱等,进而引发误检的情况。
由此可见,本技术方案基于不同缺陷对不同光源的敏感程度,设计了一利用多光源进行分类检测识别的类镜面工件的表面缺陷检测方法,在实际检测中具有检测速度快、检测效率高的优点,可实现类镜面工件的在线实时检测;具有检测精度高的优点,可实现毫米级甚至亚毫米级尺寸的缺陷检测。更同时具有漏检率和误检率均极低的优点,可实现对类镜面工件表面所有存在缺陷的准确检出。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本实施例中所述的多光照条件的类镜面工件表面缺陷检测方法的流程图;
图2为对图1中第一检测模型进行训练的流程图;
图3为对图1中第一检测模型进行训练的流程图;
图4为设置全检频率及抽检频率的流程图;
图5为设置检测路径及检测次数的流程图;
图6为形变缺陷的尺寸超规时的处理流程图;
图7为形变缺陷的数目超规时的处理流程图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
现有的类镜面工件的表面缺陷检测中仍沿用了传统工件的表面缺陷检测方法;而未考虑类镜面工件的表面高反射性导致的不同缺陷对不同光源的敏感度差异,进而导致在类镜面工件的表面缺陷检测中常存在漏检率高、误检率高的问题。基于此本实施例旨在提供一种基于多光照条件的类镜面工件的表面缺陷检测方法及装置,以改善现有类镜面工件的表面缺陷检测中存在的上述缺陷。
下面结合附图,对本实施例公开的基于多光照条件的类镜面工件的表面缺陷检测方法作具体介绍。
结合图1所示,所述方法包括如下步骤:
步骤S102、基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像。
在具体实施时,所述余弦条纹光可由程控光源获取,也可由投影方式获取。基于不同类型缺陷对不同光源的敏感程度,同时使用白光及余弦条纹光可使非形变缺陷及形变缺陷均被有效检出。
步骤S104、基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷。
为了避免缺陷识别过程中的识别混乱而导致的误检,本实施例设置所述第一检测模型仅用于进行非形变缺陷的检测。
作为一种具体的实施方式,如图2所示,对所述第一检测模型的训练过程包括:
步骤S202、获取若干白光图像样本,并将其分为训练集及测试集。
步骤S204、基于卷积神经网络算法,以所述训练集作为输入量,以检出任一白光图像样本上的非形变缺陷为目标,并以非形变缺陷的类型及坐标作为输出量;对第一模型进行训练。
步骤S206、基于测试集对本轮训练后的第一模型进行测试以确认训练结果。
步骤S208、重复上述过程对所述第一模型进行迭代优化以得到所述第一检测模型。
通过上述步骤S202~步骤S204,通过深度学习对所述第一检测模型中的图像识别功能进行了训练,使其可准确进行非形变缺陷的类型及坐标识别。
所述第一检测模型中对非形变缺陷的尺寸则通过用于图像拍摄的相机标定结合计算机视觉中的图像处理算法获取。
虽然余弦条纹光与二值条纹光均对非形变缺陷有良好的检测效果。但二者相比,余弦条纹光对应的第二图像仅可通过相位偏折算法获取其上的缺陷信息,从而造成余弦条纹光在检测时具有如下优势:检测精度高,可实现毫米级甚至亚毫米级的形变缺陷检出;且在数据处理效率方面更占优势;同时也导致其存在如下缺点:图像中的缺陷区域显示不完备。同时所述第二图像还无法被图像识别模型识别而无法获取形变缺陷的类型。二值条纹光的优势在于:缺陷区域显示完备,且可被图像识别模型识别;缺点在于:数据处理效率较低。因此本实施例中综合考虑两种光源的优势及缺陷;设计了一种两者互补共同实现形变缺陷检测的方案。即以余弦条纹光进行形变缺陷的初筛,以二值条纹光进行形变缺陷的具体检测。
因此当通过与余弦条纹光相应的所述第二图像确认存在形变缺陷时,继续进行如下步骤:
步骤S106、若存在形变缺陷,则确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像。
其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测。所述扩增区域的外扩比例一般为20%~50%。
本实施例中,所述二值条纹光通过程控光源或投影方式获取。
步骤S108、基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸。
本实施例中,为了避免缺陷识别过程中的识别混乱而导致的误检,本实施例设置第二检测模型仅用于进行形变缺陷的检测。
作为一种具体的实施方式,如图3所示,对所述第二检测模型的训练过程包括:
步骤S302、获取若干二值条纹光图像样本,并将其分为训练集及测试集。
步骤S304、基于卷积神经网络算法,以所述训练集作为输入量,以检出任一二值条纹光图像样本上的形变缺陷为目标,并以形变缺陷的类型、坐标作为输出量;对第二模型进行训练。
步骤S306、基于测试集对本轮训练后的第二模型进行测试以确认训练结果。
步骤S308、重复上述过程对所述第二模型进行迭代优化以得到所述第二检测模型。
通过上述步骤302~步骤S306,通过深度学习对所述第一检测模型中的图像识别功能进行了训练,使其可准确进行形变缺陷的类型及坐标识别。
所述第二检测模型中对形变缺陷的尺寸则通过用于图像拍摄的相机标定结合计算机视觉中的图像处理算法获取。
步骤S110、重复上述过程直至完成整个待检测类镜面工件的表面缺陷检测。
本实施例所述的方法虽然可实现类镜面工件的在线实时检测,但在具体生产中,为了满足工业生产的效率需求及产能节约的需要;因此在进行在线检测的过程中,还基于生产的实际情况对类镜面工件进行分检。结合图4所示,具体包括:
步骤S101.2、获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量。
步骤S101.4、基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
由于表面检测的最终目的在于提高类镜面工件的产品质量;而同时在检测过程还需考虑检测是否会影响后续生产的类镜面工件的正常产品流转。因此本实施例中综合考虑生产数量和生产质量设定实际生产中的全检及抽检情况。
在具体实施时,若该段时间内生产质量良好且生产数量较大,则可降低全检的频率并相应的提高抽检的频率。若该段时间内生产质量较差,则需提高全检的频率。
具体的,所述全检的频率及所述抽检的频率之和可以为1,也可以小于1。
作为另一种具体的实施方式,为了防止漏检并提高检测准确性,在检测前还需设定检测路径等。结合图5所示,具体包括:
步骤S100.2、基于类镜面工件的表面结构设定检测路径及检测点位。
在具体实施时,若类镜面工件的表面为圆形,则可按表面的径向依照环形轨迹向内检测。若类镜面工件的表面为矩形,则可按长边或短边依次向下检测。
由于各光源具有出光范围,因此所述检测点位依据所述出光范围设置从而使通过相应的检测点位实现整个表面的检测。
步骤S100.4、基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
例如,对于显示面板,所述易损区域包括:任一工艺层的边界区;相邻两工艺层的连接区;对于漆面车身,所述易损区域包括:相邻车身面的交接区。
由于易损区域存在缺陷,特别是形变缺陷的几率更大。因此此处设置易损区域的检测次数大于其他区域的检测次数则可有效提高易损区域缺陷的检出率,避免漏检。
作为另一种具体的实施方式,由于形变缺陷的尺寸决定了该缺陷是否可进行修补从而降低其对产品质量的影响程度。因此结合图6所示,还对大于预设尺寸的形变缺陷进行如下处理:
步骤S109.2、若所述形变缺陷的尺寸大于预设尺寸,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
同理,对于部分类型的非镜面工件,非形变缺陷的尺寸也决定了该缺陷是否可进行修补而降低其对产品质量的影响程度。因此,在步骤S104之后,还对大于预设尺寸的非形变缺陷进行如下处理:
步骤S105.2、若所述非形变缺陷的尺寸大于预设尺寸,发送第三预警信息至检测前端;其中,所述第三预警信息包括:前述超规的非形变缺陷的检出时间、类型、坐标及尺寸。
由于形变缺陷的数目也与对该类镜面工件进行修补的必要性相关;因此结合图7所示,还包括:
步骤S111.2、存储所述类镜面工件的检测结果以生成检出表。
步骤S111.4、当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
同理,步骤S111.4中的形变缺陷的相应操作也适用于非形变缺陷,此时若当所述检出表中与任一类型非形变缺陷相应的数目超出预设的数目阈值时,则发送第四预警信息至检测前端;其中,所述第四预警信息包括:前述超规的非形变缺陷的类型、总数及集中分布区域。
本实施例中,所述集中分布区域的众数分布区域。
作为一种可以选择的实施方式,为了对该段时间内同类类镜面工件的整体情况进行统计,因此在步骤S111.1之后,还包括:
步骤S111.3、将所述检出表插入汇总表;其中,所述汇总表包括自当前时间前溯一预设时间段内所有该类的类镜面工件的检测结果。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体,如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
本实施例还提供了基于多光照条件的类镜面工件表面缺陷检测装置。所述装置包括:
第一检测模块,用于基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像。
第一识别模块,用于基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷。
第二检测模块,用于在存在形变缺陷时,确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像;其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测。
第二识别模块,用于基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸。
循环模块,用于重复调用上述模块直至完成整个待检测类镜面工件的表面缺陷检测。
该装置用于实现上述方法的步骤,因此已经进行说明的,在此不再赘述。
例如,所述装置还包括:
第一获取模块,用于获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量。
第一设定模块,用于基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
例如,所述装置还包括:
第二设定模块,用于基于类镜面工件的表面结构设定检测路径及检测点位。
第三设定模块,用于基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
例如,所述装置还包括:
第一预警模块,用于在所述形变缺陷的尺寸大于预设尺寸时,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
例如,所述装置还包括:
第一生成模块,用于存储所述类镜面工件的检测结果以生成检出表。
第二预警模块,当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.基于多光照条件的类镜面工件表面缺陷检测方法,其特征在于,包括:
基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像;
基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷;其中,所述第一检测模型仅可识别非形变缺陷;
若存在形变缺陷,则确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像;其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测;
基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸;其中,所述第二检测模型仅可识别形变缺陷;
重复上述过程直至完成整个待检测类镜面工件的表面缺陷检测。
2.根据权利要求1所述的基于多光照条件的类镜面工件表面缺陷检测方法,其特征在于,所述基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像之前,包括:
获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量;
基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
3.根据权利要求1所述的基于多光照条件的类镜面工件表面缺陷检测方法,其特征在于,所述基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像之前,包括:
基于类镜面工件的表面结构设定检测路径及检测点位;
基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
4.根据权利要求1所述的基于多光照条件的类镜面工件表面缺陷检测方法,其特征在于,所述基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸之后,包括:
若所述形变缺陷的尺寸大于预设尺寸,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
5.根据权利要求1所述的基于多光照条件的类镜面工件表面缺陷检测方法,其特征在于,所述重复上述过程直至完成整个待检测类镜面工件的表面缺陷检测之后,还包括:
存储所述类镜面工件的检测结果以生成检出表;
当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
6.基于多光照条件的类镜面工件表面缺陷检测装置,其特征在于,包括:
第一检测模块,用于基于白光对第一位置进行检测以获得第一图像,同时基于余弦条纹光对所述第一位置进行检测以获得第二图像;
第一识别模块,用于基于第一检测模型对所述第一图像进行处理以识别非形变缺陷,并获取所述非形变缺陷的类型、坐标及尺寸;同时基于相位偏折算法对所述第二图像进行处理以确认是否存在形变缺陷;
第二检测模块,用于在存在形变缺陷时,确认所述形变缺陷的缺陷区域,并触发二值条纹光对所述缺陷区域进行扩区检测以获得第三图像;其中,所述扩区检测包括:先按预设比例对所述缺陷区域的范围进行扩大以确定扩增区域,再对所述扩增区域进行检测;
第二识别模块,用于基于第二检测模型对所述第三图像进行处理以识别形变缺陷,并获取所述形变缺陷的类型、坐标及尺寸;
循环模块,用于重复调用上述模块直至完成整个待检测类镜面工件的表面缺陷检测。
7.根据权利要求6所述的基于多光照条件的类镜面工件表面缺陷检测装置,其特征在于,包括:
第一获取模块,用于获取自当前时间前溯一预设时间段内类镜面工件的生产数量及生产质量;
第一设定模块,用于基于所述生产数量及生产质量确定全检的频率及抽检的频率;其中,所述全检用于对类镜面工件表面的任一位置均进行检测;所述抽检用于仅对类镜面工件表面的部分位置进行检测。
8.根据权利要求6所述的基于多光照条件的类镜面工件表面缺陷检测装置,其特征在于,包括:
第二设定模块,用于基于类镜面工件的表面结构设定检测路径及检测点位;
第三设定模块,用于基于类镜面工件的表面结构确定任一所述检测点位的检测次数,及与任一次检测相应的检测设置;其中,所述表面结构中易损区域的检测次数大于其他区域的检测次数,所述检测设置包括获取图像时的光源角度、光源强度及拍摄角度;其中,对于同一所述检测点位的不同次检测中,所述检测设置不完全相同。
9.根据权利要求6所述的基于多光照条件的类镜面工件表面缺陷检测装置,其特征在于,包括:
第一预警模块,用于在所述形变缺陷的尺寸大于预设尺寸时,发送第一预警信息至检测前端;其中,所述第一预警信息包括:前述超规的形变缺陷的检出时间、类型、坐标及尺寸。
10.根据权利要求6所述的基于多光照条件的类镜面工件表面缺陷检测装置,其特征在于,包括:
第一生成模块,用于存储所述类镜面工件的检测结果以生成检出表;
第二预警模块,当所述检出表中与任一类型形变缺陷相应的数目超出预设的数目阈值时,则发送第二预警信息至检测前端;其中,所述第二预警信息包括:前述超规的形变缺陷的类型、总数及集中分布区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399716.4A CN115619767B (zh) | 2022-11-09 | 2022-11-09 | 基于多光照条件的类镜面工件表面缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399716.4A CN115619767B (zh) | 2022-11-09 | 2022-11-09 | 基于多光照条件的类镜面工件表面缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619767A CN115619767A (zh) | 2023-01-17 |
CN115619767B true CN115619767B (zh) | 2023-04-18 |
Family
ID=84878464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211399716.4A Active CN115619767B (zh) | 2022-11-09 | 2022-11-09 | 基于多光照条件的类镜面工件表面缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619767B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557101A (zh) * | 2018-12-29 | 2019-04-02 | 桂林电子科技大学 | 一种非标高反射曲面工件的缺陷检测装置及方法 |
CN109632809A (zh) * | 2018-12-19 | 2019-04-16 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109829906A (zh) * | 2019-01-31 | 2019-05-31 | 桂林电子科技大学 | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 |
CN109916922A (zh) * | 2019-04-02 | 2019-06-21 | 易思维(杭州)科技有限公司 | 镜面/类镜面物体的缺陷检测方法 |
CN110332907A (zh) * | 2019-08-19 | 2019-10-15 | 珠海博明视觉科技有限公司 | 一种提高面条纹光重建精度的方法 |
CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
JP2020008501A (ja) * | 2018-07-11 | 2020-01-16 | 日本製鉄株式会社 | 表面欠陥検出装置及び表面欠陥検出方法 |
CN111257338A (zh) * | 2020-02-14 | 2020-06-09 | 易思维(杭州)科技有限公司 | 镜面、类镜面物体表面缺陷检测方法 |
CN111579564A (zh) * | 2020-05-18 | 2020-08-25 | 深圳市中钞科信金融科技有限公司 | 一种透明平板缺陷和屈光度变化检测系统及方法 |
CN114280075A (zh) * | 2021-12-28 | 2022-04-05 | 无锡维度机器视觉产业技术研究院有限公司 | 一种管类零件表面缺陷在线视觉检测系统及检测方法 |
CN115018846A (zh) * | 2022-08-09 | 2022-09-06 | 东声(苏州)智能科技有限公司 | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 |
CN115170804A (zh) * | 2022-07-26 | 2022-10-11 | 无锡九霄科技有限公司 | 基于深度学习的表面缺陷检测方法、装置、系统和介质 |
-
2022
- 2022-11-09 CN CN202211399716.4A patent/CN115619767B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020008501A (ja) * | 2018-07-11 | 2020-01-16 | 日本製鉄株式会社 | 表面欠陥検出装置及び表面欠陥検出方法 |
CN109632809A (zh) * | 2018-12-19 | 2019-04-16 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109557101A (zh) * | 2018-12-29 | 2019-04-02 | 桂林电子科技大学 | 一种非标高反射曲面工件的缺陷检测装置及方法 |
CN109829906A (zh) * | 2019-01-31 | 2019-05-31 | 桂林电子科技大学 | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 |
CN109916922A (zh) * | 2019-04-02 | 2019-06-21 | 易思维(杭州)科技有限公司 | 镜面/类镜面物体的缺陷检测方法 |
CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
CN110332907A (zh) * | 2019-08-19 | 2019-10-15 | 珠海博明视觉科技有限公司 | 一种提高面条纹光重建精度的方法 |
CN111257338A (zh) * | 2020-02-14 | 2020-06-09 | 易思维(杭州)科技有限公司 | 镜面、类镜面物体表面缺陷检测方法 |
CN111579564A (zh) * | 2020-05-18 | 2020-08-25 | 深圳市中钞科信金融科技有限公司 | 一种透明平板缺陷和屈光度变化检测系统及方法 |
CN114280075A (zh) * | 2021-12-28 | 2022-04-05 | 无锡维度机器视觉产业技术研究院有限公司 | 一种管类零件表面缺陷在线视觉检测系统及检测方法 |
CN115170804A (zh) * | 2022-07-26 | 2022-10-11 | 无锡九霄科技有限公司 | 基于深度学习的表面缺陷检测方法、装置、系统和介质 |
CN115018846A (zh) * | 2022-08-09 | 2022-09-06 | 东声(苏州)智能科技有限公司 | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 |
Non-Patent Citations (6)
Title |
---|
Alexandre Morgand等.A Geometric Model for Specularity Prediction on Planar Surfaces with Multiple Light Sources.《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》.2018,第24卷(第5期),第1691-1704页. * |
Monica Dalla Valle等.Mirror Synthesis in a Mechatronic System for Superficial Defect Detection.《IEEE/ASME TRANSACTIONS ON MECHATRONICS》.2003,第8卷(第3期),第309-317页. * |
姜硕等.基于相位偏折的类镜面物体表面缺陷检测.《激光与光电子学进展》.2020,第57卷(第3期),第1-9页. * |
曾小星.基于结构光的偏光片外观缺陷检测技术研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2017,(第(2017)05期),I138-1020. * |
陈芳. 针对类镜面物体的高光缺陷检测技术的研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,(第(2019)01期),I138-4086. * |
陈金萍.基于红外条纹偏折的表面缺陷检测技术.《中国优秀硕士学位论文全文数据库 工程科技I辑》.2022,(第(2022)01期),B022-52. * |
Also Published As
Publication number | Publication date |
---|---|
CN115619767A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9916653B2 (en) | Detection of defects embedded in noise for inspection in semiconductor manufacturing | |
US6865288B1 (en) | Pattern inspection method and apparatus | |
US7315642B2 (en) | System and method for measuring thin film thickness variations and for compensating for the variations | |
US9171364B2 (en) | Wafer inspection using free-form care areas | |
EP0374694A2 (en) | Defect detection system and method for pattern to be inspected | |
US8611638B2 (en) | Pattern inspection method and pattern inspection apparatus | |
KR102352701B1 (ko) | 투명 또는 반투명 웨이퍼 상에서의 결함 검출 | |
CN113269762B (zh) | 屏幕不良检测方法、系统及计算机存储介质 | |
CN113160161B (zh) | 目标边缘处缺陷的检测方法和装置 | |
JP2006284447A (ja) | 欠陥検査装置及び欠陥検査方法 | |
US20080240510A1 (en) | Method and system for examining a surface | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN1898555B (zh) | 基板检查装置 | |
CN112730459B (zh) | 基于多角度光源拍摄图像的轴承内圈端面缺陷检测方法 | |
CN115619767B (zh) | 基于多光照条件的类镜面工件表面缺陷检测方法及装置 | |
CN114609139A (zh) | 检查系统、管理装置、检查方法、记录介质和物品的制造方法 | |
CN115496755B (zh) | 基于结构光及梯度分析的类镜面缺陷检测方法及装置 | |
CN115452844A (zh) | 一种基于机器视觉的注塑件检测方法及系统 | |
CN115360116A (zh) | 一种晶圆的缺陷检测方法及系统 | |
CN111693533B (zh) | 工件表面质量的检测方法及检测装置、外观机 | |
Brambilla et al. | Automated Vision Inspection of Critical Steel Components based on Signal Analysis Extracted form Images | |
CN115457034B (zh) | 一种类镜面工件表面的缺陷检测方法及装置 | |
CN115753816B (zh) | 一种隧道式类镜面工件表面缺陷检测方法及系统 | |
CN116385418B (zh) | 整叠硅片的图像处理方法及硅片整叠检测系统 | |
JPH0374855A (ja) | チップサイズ検出方法およびチップピッチ検出方法およびチップ配列データ自動作成方法ならびにそれを用いた半導体基板の検査方法および装置 |
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 |