CN116228758A - 一种用于偏光片生产的内部气泡检测方法 - Google Patents
一种用于偏光片生产的内部气泡检测方法 Download PDFInfo
- Publication number
- CN116228758A CN116228758A CN202310504599.1A CN202310504599A CN116228758A CN 116228758 A CN116228758 A CN 116228758A CN 202310504599 A CN202310504599 A CN 202310504599A CN 116228758 A CN116228758 A CN 116228758A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel point
- edge pixel
- offset
- polarizer
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及一种用于偏光片生产的内部气泡检测方法。方法包括:基于偏光膜的灰度图像中各边缘像素点的预设邻域内边缘像素点的个数判断是否存在边缘粘连位置,若存在,则基于各边缘像素点的梯度向量和灰度值,得到对应的偏移可能性,进而获得偏移像素点,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正;根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度,进而得到气泡的边缘;基于气泡的边缘判断偏光片的质量。本发明提高了偏光片内部气泡的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于偏光片生产的内部气泡检测方法。
背景技术
偏光片在生产质检的过程中,多张结构膜进行堆叠空气会进入层间产生气泡,生产线安装的图像采集设备在采集图像后控制计算机检测有无气泡,但层间出现多层气泡重叠时,边缘之间产生粘连现象,需要将气泡的边缘进行准确识别。现有技术基于待检测偏光片的透射及反射图像中不同层间的气泡对于光线的折射角度不同的原理对气泡边缘进行定位,但其并未考虑层间气泡在堆叠是随机产生的,而偏光膜层间气泡堆叠重合时,会导致边缘粘连从而使透射及反射图像判断气泡所在区域的识别精确度降低。
发明内容
为了解决现有方法在偏光膜层间气泡出现堆叠现象时气泡所在区域存在识别精确度较低的问题,本发明的目的在于提供一种用于偏光片生产的内部气泡检测方法,所采用的技术方案具体如下:
本发明提供了一种用于偏光片生产的内部气泡检测方法,该方法包括以下步骤:
获取待检测的偏光片的偏光膜的灰度图像;
获取所述灰度图像中的边缘像素点;基于各边缘像素点的预设邻域内边缘像素点的个数判断所述灰度图像中是否存在边缘粘连位置,若存在,则基于所述灰度图像中的各边缘像素点的梯度向量和灰度值,得到各边缘像素点的偏移可能性;基于所述偏移可能性获得偏移像素点,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正;
基于每条边缘线上每个边缘像素点的梯度方向获取每条边缘线对应的聚焦位置;根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度;根据所述匹配程度获得气泡的边缘;
基于所述气泡的边缘对待检测的偏光片的质量进行判断。
优选的,所述基于各边缘像素点的预设邻域内边缘像素点的个数判断所述灰度图像中是否存在边缘粘连位置,包括:
对于任一边缘像素点:若该边缘像素点的预设邻域内的边缘像素点的个数大于2,则判定该边缘像素点为一个边缘粘连位置。
优选的,所述基于所述灰度图像中的各边缘像素点的梯度向量和灰度值,得到各边缘像素点的偏移可能性,包括:
对于任一边缘像素点:
计算该边缘像素点的梯度向量和与该边缘像素点相邻的边缘像素点的梯度向量的余弦相似度,将所述余弦相似度与调节参数之和记为第一相似指标;计算该边缘像素点的灰度值和与该边缘像素点相邻的边缘像素点的灰度值的差值的绝对值,作为灰度差异;所述与该边缘像素点相邻的边缘像素点为该边缘像素点的顺时针方向与该边缘像素点相邻的边缘像素点或该边缘像素点的逆时针方向与该边缘像素点相邻的边缘像素点;以自然常数为底数,以负的所述灰度差异为指数的指数函数的值作为第一差异指标;计算所述第一相似指标的倒数和所述第一差异指标的乘积,对该乘积进行归一化处理,将归一化结果作为该边缘像素点的偏移可能性。
优选的,所述基于所述偏移可能性获得偏移像素点,包括:
分别判断每个边缘像素点的偏移可能性是否大于可能性阈值,若大于,则判定对应边缘像素点为偏移像素点;若小于等于,则判定对应边缘像素点为正常像素点。
优选的,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正,包括:
对于任一偏移像素点:获取与该偏移像素点相邻的所有正常像素点的梯度向量,计算与该偏移像素点相邻的所有正常像素点的梯度向量的均值,记为目标梯度向量;将目标梯度向量替换该偏移像素点的原始梯度向量。
优选的,所述基于每条边缘线上每个边缘像素点的梯度方向获取每条边缘线对应的聚焦位置,包括:
对于任一边缘线:沿该边缘线上的所有边缘像素点的梯度方向作延长线,得到延长线的交点,若交点的个数为1个,则将该交点作为该边缘线对应的聚焦位置;若交点的个数大于1个,则将相交次数最多的交点作为该边缘线对应的聚焦位置。
优选的,所述根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度,包括:
对于任意两条边缘线:
计算这两条边缘线对应的聚焦位置之间的欧式距离,对所述欧式距离进行归一化
处理;获取其中一条边缘线的两端的两个边缘像素点与该边缘线对应的聚焦位置之间的连
线所形成的角度,记为第一角度;获取另一条边缘线的两端的两个边缘像素点与该边缘线
对应的聚焦位置之间的连线所形成的角度,记为第二角度;计算减去所述第一角度再减
去所述第二角度得到的差值,对该差值进行归一化处理,将归一化结果记为角度差;计算欧
式距离的归一化结果与所述角度差的乘积,记为第一乘积;将第一乘积与调节参数之和记
为第一特征指标;对所述第一特征指标的倒数进行归一化处理,将归一化结果作为这两条
边缘线之间的匹配程度;其中,为圆周率。
优选的,所述根据所述匹配程度获得气泡的边缘,包括:
对于任一边缘线:判断该边缘线与其它所有边缘线之间的匹配程度是否大于匹配程度阈值,若大于,则将该边缘线与其它对应的边缘线进行连接获得气泡的边缘。
优选的,所述基于所述气泡的边缘对待检测的偏光片的质量进行判断,包括:
基于所述气泡的边缘获得待检测的偏光片的偏光膜上的所有气泡区域,计算待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量;若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量大于气泡像素点的数量阈值,则判定待检测的偏光片的质量不符合要求;若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量小于等于气泡像素点的数量阈值,则判定待检测的偏光片的质量符合要求。
本发明至少具有如下有益效果:
本发明考虑到结构膜压制过程中,气泡的边缘会出现堆叠的现象,堆叠现象一旦产生,气泡就会出现粘连的情况,会影响气泡边缘的匹配结果,现有的霍夫圆检测对于边缘需要逐像素点进行判断,计算效率不高,本发明首先基于灰度图像中的各边缘像素点的梯度向量和灰度值,对偏移像素点的梯度向量进行了校正,使得后续气泡的边缘的获取结果更加准确,然后根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度,基于匹配程度获取准确的气泡边缘,提高了计算效率,减少了单个像素点梯度随机性较大从而降低判断效果的准确度,提高了气泡检测结果的准确性,进而能够保证待检测的偏光片质量的检测精度。
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为本发明提供的一种用于偏光片生产的内部气泡检测方法的流程图。
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一种用于偏光片生产的内部气泡检测方法进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种用于偏光片生产的内部气泡检测方法的具体方案。
一种用于偏光片生产的内部气泡检测方法实施例:
本实施例提出了一种用于偏光片生产的内部气泡检测方法,如图1所示,本实施例的一种用于偏光片生产的内部气泡检测方法包括以下步骤:
步骤S1,获取待检测的偏光片的偏光膜的灰度图像。
本实施例针对的具体场景为:在偏光片生产完毕后,采集偏光片的表面图像,基于偏光片的表面图像对其内部进行检测,判断是否存在气泡,若存在气泡,则对气泡进行准确定位。
本实施例首先在生产线的正上方设置相机,相机以俯视视角拍摄待检测的偏光片的RGB图像,考虑到相机采集到的待检测的偏光片的RGB图像中存在一些干扰信息,例如背景等,这些干扰信息的存在会增加计算量,同时影响分析结果,因此本实施例采用语义分割网络对待检测的偏光片的RGB图像进行分割,获得偏光膜所在的区域的图像,将图像组进行等大裁剪,便于后续通过神经网络进行气泡危险系数的识别;然后对偏光膜所在的区域的图像进行灰度化处理,获得待检测的偏光片的偏光膜的灰度图像。语义分割网络的训练过程以及图像的灰度化处理均为现有技术,此处不再过多赘述。
步骤S2,获取所述灰度图像中的边缘像素点;基于各边缘像素点的预设邻域内边缘像素点的个数判断所述灰度图像中是否存在边缘粘连位置,若存在,则基于所述灰度图像中的各边缘像素点的梯度向量和灰度值,得到各边缘像素点的偏移可能性;基于所述偏移可能性获得偏移像素点,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正。
结构膜在压制的过程中会产生气泡,但层间气泡的产生是随机的,不同层间气泡区域会存在重叠现象,从而产生边缘堆积,影响霍夫圆检测的圆心定位结果。对于重叠的层间气泡,通过边缘检测能够获得多个重叠的边缘,而若边缘选取的不当,则会影响霍夫圆检测的准确性,使气泡的位置检测的不准确,考虑到属于同一个气泡的边缘的梯度导向方向相似,梯度幅值相近,而气泡边缘重叠产生导向混乱的区域,所以通过确定气泡边缘的延伸方向之间的关系能够判断气泡的边缘。
偏光膜质地较为均匀,而气泡破坏了均匀的表面纹理,形成较大梯度的边缘,通过常规的边缘检测算法首先获取待检测的偏光片的偏光膜的灰度图像中存在的边缘。本实施例首先采用Canny算子对待检测的偏光片的偏光膜的灰度图像进行边缘检测,获取待检测的偏光片的偏光膜的灰度图像中的所有边缘像素点,当气泡出现粘连现象时,表现为粘连点位置存在多个连接方向,也即气泡的边缘线会存在交叉现象。
由于Canny算子检测出的边缘为单像素点的边缘,因此通过单像素点之间的边缘延伸特征将边缘发生位置进行判断,对边缘发生粘连的位置进行准确定位,不再对未粘连位置进行判断,减少计算量。Canny算子获得的是单像素点的边缘,因此对于任一边缘像素点,其预设邻域内存在的其他每个边缘像素点,都代表一个边缘的可能,若该边缘像素点的预设邻域中存在的边缘像素点的个数大于2,则判定该边缘像素点为一个边缘粘连位置;采用上述方法,能够获得待检测的偏光片的偏光膜的灰度图像中的所有边缘粘连的位置。本实施例中预设邻域为3x3的邻域,在具体应用中,实施者可根据具体情况进行设置。
对于边缘像素点来说,通过边缘检测仅能判断存在梯度较大的像素点,而不能对像素点的梯度方向是否产生偏移进行判断,梯度方向产生偏移的像素点会对后续进行聚焦位置的判断产生影响,导致获得的聚焦位置不准确,最终影响边缘之间的匹配精度。
本实施例获取待检测的偏光片的偏光膜的灰度图像中每个边缘像素点的梯度方向和梯度幅值;梯度方向和梯度幅值的获取方法为现有技术,此处不再过多赘述。接下来本实施例需要通过粘连位置的各边缘之间的梯度方向对产生梯度偏移的位置进行判断,通过边缘梯度方向之间夹角的突变位置判断梯度偏移位置,并通过其他像素点的梯度方向进行纠正。对于第i个边缘像素点,该边缘像素点和与其相邻的第i+1个边缘像素点的梯度方向越不相似、第i个边缘像素点与第i+1个边缘像素点的灰度差异越小,说明第i个边缘像素点的偏移可能性越大;基于此,本实施例根据各边缘像素点的梯度向量和灰度值以及与各边缘像素点相邻的边缘像素点的梯度向量和灰度值,计算各边缘像素点的偏移可能性;对于第i个边缘像素点,计算该边缘像素点的梯度向量和与该边缘像素点相邻的边缘像素点的梯度向量的余弦相似度,将所述余弦相似度与调节参数之和记为第一相似指标;计算该边缘像素点的灰度值和与该边缘像素点相邻的边缘像素点的灰度值的差值的绝对值,作为灰度差异;所述与该边缘像素点相邻的边缘像素点为该边缘像素点的顺时针方向与该边缘像素点相邻的边缘像素点或该边缘像素点的逆时针方向与该边缘像素点相邻的边缘像素点,在具体应用中,实施者可根据具体情况选取一个方向获取相邻的边缘像素点;以自然常数为底数,以负的所述灰度差异为指数的指数函数的值作为第一差异指标;计算所述第一相似指标的倒数和所述第一差异指标的乘积,对该乘积进行归一化处理,将归一化结果作为该边缘像素点的偏移可能性;该边缘像素点的偏移可能性的具体计算公式为:
其中,为第i个边缘像素点的偏移可能性,为第i个边缘像素点的梯度向量,为第i+1个边缘像素点的梯度向量,为第i个边缘像素点的灰度值,为第i+1个边
缘像素点的灰度值,为自然常数,为取绝对值,为归一化函数,为调节参数。
引入调节参数是为了防止分母为0,本实施例设置的值为0.01,在具体应用中,实
施者可根据具体情况进行设置;表征第i个边缘像素点与第i+1个边缘像素点的
灰度差异,边缘粘连实际上为气泡堆叠,气泡的产生破坏了偏光膜表面的均一性,若第i个
边缘像素点与第i+1个边缘像素点的灰度差异越大,则说明像素点本身产生的梯度影响越
大,而不是边缘粘连产生的梯度变化;像素点的灰度差异与偏移的可能性呈反比,通过e的
负指数函数对其进行负相关映射,反映出灰度差异越小越可能受到边缘粘连的影响;表征第i个边缘像素点与第i+1个边缘像素点的梯度方向的余弦相似度,余弦相似
度越小,说明第i个边缘像素点与第i+1个边缘像素点的梯度方向差异越大,第i个边缘像素
点的偏移可能性越大。需要说明的是,本实施例中的第i+1个边缘像素点为第i个边缘像素
点的顺时针方向与第i个边缘像素点相邻的边缘像素点。本实施例通过sigmoid函数对计算
结果进行归一化,使得偏移可能性的值在[0,1]区间中,偏移可能性的值越大,说明第i个边
缘像素点为偏移位置的可能性越大,设置可能性阈值,分别判断每个边缘像素点的偏移
可能性是否大于,若大于,则判定对应边缘像素点为偏移像素点,进行校正;若小于等于,
则判定对应边缘像素点为正常像素点。本实施例设置的值为0.7,在具体应用中,实施者
可根据具体情况进行设置。
偏移像素点的具体校正过程为:
对于任一偏移像素点,获取与该偏移像素点相邻的所有正常像素点的梯度向量,计算与该偏移像素点相邻的所有正常像素点的梯度向量的均值,记为目标梯度向量,将目标梯度向量替换该偏移像素点的原始梯度向量;本实施例采取最近替换,防止边缘不规则选取过远的位置仍然产生较大的梯度偏移。采用上述方法,对所有偏移像素点的梯度向量进行校正。
至此,完成对待检测的偏光片的偏光膜的灰度图像中的所有偏移像素点的校正。需要说明的是,后续提到的梯度向量均为替换后的梯度向量,也即目标梯度向量。
步骤S3,基于每条边缘线上每个边缘像素点的梯度方向获取每条边缘线对应的聚焦位置;根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度;根据所述匹配程度获得气泡的边缘。
本实施例在步骤S2中对待检测的偏光片的偏光膜的灰度图像中的每个偏移像素点进行了校正,接下来将通过各个粘连位置及其边缘之间的导向方向计算边缘像素点的边缘匹配程度,通过边缘像素点的梯度方向聚焦位置之间的偏差以及边缘导向的相似关系,对边缘之间进行匹配。
由于气泡的粘连位置是多个边缘交汇的位置,因此,本实施例将通过粘连位置以外的像素点的梯度方向进行叠加,获得边缘梯度的聚焦位置。具体的,对于任意一条边缘线,沿该边缘线上的所有边缘像素点的梯度方向作延长线,得到延长线的交点,若交点的个数为1个,则将该交点作为该边缘线对应的聚焦位置;若交点的个数大于1个,则将相交次数最多的交点作为该边缘线对应的聚焦位置。至此,采用上述方法,能够获得每条边缘线对应的聚焦位置。本实施例通过多个边缘像素点的梯度朝向获得聚焦位置,将具有相同聚焦位置的像素点划为一类,便于后续根据聚焦位置的空间距离判断边缘之间的匹配程度,从而避免仅通过像素点的梯度方向进行判断的判断结果准确度较低。需要说明的是,若某条边缘线与其它边缘线存在重叠现象,即某条边缘线被另外一条边缘线从中间划分开,则本实施例将这一整条边缘线看作两条短的边缘线进行分析。
当气泡出现重叠现象时,气泡的形状不同,会有不同的边缘进行粘连,产生的气泡
不全为正圆,但同一个气泡作为一个连通域进行判断,边缘的聚焦位置并不重合,而根据边
缘之间聚焦位置的远近和边缘相叠加的角度范围进行判断。气泡的形状一般较接近规整的
圆形,而正圆仅有一个圆心,若边缘的聚焦位置越相近,则气泡位置越接近正圆,说明边缘
之间的匹配程度越高。基于此,本实施例根据每两条边缘线对应的聚焦位置之间的欧式距
离、每两条边缘线的两端的两个边缘像素点与该边缘线对应的聚焦位置之间的连线所形成
的角度,计算每两条边缘线之间的匹配程度;对于第1条边缘线和第2条边缘线,计算第1条
边缘线对应的聚焦位置和第2条边缘线对应的聚焦位置之间的欧式距离,对该欧式距离进
行归一化处理;获取第1条边缘线的两端的两个边缘像素点与该边缘线对应的聚焦位置之
间的连线所形成的角度,记为第一角度;获取第2条边缘线的两端的两个边缘像素点与该边
缘线对应的聚焦位置之间的连线所形成的角度,记为第二角度;计算减去所述第一角度
再减去所述第二角度得到的差值,对该差值进行归一化处理,将归一化结果记为角度差;计
算欧式距离的归一化结果与所述角度差的乘积,记为第一乘积;将第一乘积与调节参数之
和记为第一特征指标;对所述第一特征指标的倒数进行归一化处理,将归一化结果作为这
两条边缘线之间的匹配程度;这两条边缘线之间的匹配程度的具体计算公式为:
其中,为第1条边缘线和第2条边缘线之间的匹配程度,为第1条边缘线对应的
聚焦位置,为第2条边缘线对应的聚焦位置,为第1条边缘线对应的聚焦位置和第2
条边缘线对应的聚焦位置之间的欧式距离,为所有聚焦位置之间的欧式距离的最大
值,为第1条边缘线的两端的两个边缘像素点与该边缘线对应的聚焦位置之间的连线所
形成的角度,为第2条边缘线的两端的两个边缘像素点与该边缘线对应的聚焦位置之间
的连线所形成的角度,为归一化函数,为圆周率,为调节参数。
引入调节参数是为了防止分母为0,本实施例设置的值为0.01,在具体应用中,实
施者可根据具体情况进行设置。第1条边缘线对应的聚焦位置和第2条边缘线对应的聚焦位
置之间的欧式距离越小,说明这两条边缘线构成的区域越接近正圆,这两条边缘线之间的
匹配程度越高;表征边缘夹角之和与正圆的差距,该差距越小,说明第1条边
缘线和第2条边缘线之间合成正圆的完整程度越高,用于对该差距进行归一化处
理;本实施例利用sigmoid函数对计算结果进行归一化处理,使得匹配程度的取值范围在
[0,1]区间内,便于后续根据匹配程度对边缘进行分析。当两条边缘线线的聚焦位置之间的
欧式距离越近、边缘夹角之和与的差距越小时,说明这两条边缘线越可能为同一个气泡
上的边缘线,即这两条边缘线之间的匹配程度越高;当两条边缘线线的聚焦位置之间的欧
式距离越远、边缘夹角之和与的差距越大时,说明这两条边缘线越不可能为同一个气泡
上的边缘线,即这两条边缘线之间的匹配程度越低。
根据边缘之间的夹角与边缘聚焦位置的差距对边缘之间的匹配程度进行了计算,因边缘数量远小于边缘像素点数量,因此为了减少边缘匹配的计算量,对同一条边缘线的特征综合判断,避免了单个边缘像素点的梯度混乱从而导致计算结果误差较大,提高了边缘之间进行匹配的精准度。采用上述方法,能够获得每两条边缘线之间的匹配程度。
对于任一边缘线,该边缘线与其它所有边缘线都有对应的匹配程度,设置匹配程
度阈值,判断该边缘线与其它所有边缘线之间的匹配程度是否大于,若大于,则将该边
缘线与其它对应的边缘线进行连接;采用上述方法,对满足条件的边缘线进行连接,获得多
条边缘线,也即得到了准确的气泡边缘,根据连接完成的气泡边缘,得到待检测的偏光片的
偏光膜的灰度图像中的气泡区域。本实施例中的值为0.8,在具体应用中,实施者可根据
具体情况进行设置。
步骤S4,基于所述气泡的边缘对待检测的偏光片的质量进行判断。
本实施例通过上述步骤获得了准确的气泡边缘,接下来将基于气泡的边缘对待检测的偏光片的质量进行判断。
具体的,对待检测的偏光片的偏光膜的灰度图像中的气泡边缘进行标记,基于待检测的偏光片的偏光膜的灰度图像中的气泡边缘获得待检测的偏光片的偏光膜上的所有气泡区域,统计每个气泡区域中像素点的数量,基于每个气泡区域中像素点的数量,计算待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量;气泡区域的像素点的总数量越多,说明待检测的偏光片的质量越差;在具体应用中,实施者可设置气泡像素点的数量阈值,根据气泡像素点的数量阈值与待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量的大小关系,判断待检测的偏光片的质量是否合格,若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量大于气泡像素点的数量阈值,则说明待检测的偏光片的质量不符合要求;若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量小于等于气泡像素点的数量阈值,则说明待检测的偏光片的质量符合要求;在具体应用中,实施者可根据具体情况设置气泡像素点的数量阈值,此处不再过多赘述。
本实施例考虑到结构膜压制过程中,气泡的边缘会出现堆叠的现象,堆叠现象一旦产生,气泡就会出现粘连的情况,会影响气泡边缘的匹配结果,现有的霍夫圆检测对于边缘需要逐像素点进行判断,计算效率不高,本实施例首先基于灰度图像中的各边缘像素点的梯度向量和灰度值,对偏移像素点的梯度向量进行了校正,使得后续气泡的边缘的获取结果更加准确,然后根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度,基于匹配程度获取准确的气泡边缘,提高了计算效率,减少了单个像素点梯度随机性较大从而降低判断效果的准确度,提高了气泡检测结果的准确性,进而能够保证待检测的偏光片质量的检测精度。
Claims (9)
1.一种用于偏光片生产的内部气泡检测方法,其特征在于,该方法包括以下步骤:
获取待检测的偏光片的偏光膜的灰度图像;
获取所述灰度图像中的边缘像素点;基于各边缘像素点的预设邻域内边缘像素点的个数判断所述灰度图像中是否存在边缘粘连位置,若存在,则基于所述灰度图像中的各边缘像素点的梯度向量和灰度值,得到各边缘像素点的偏移可能性;基于所述偏移可能性获得偏移像素点,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正;
基于每条边缘线上每个边缘像素点的梯度方向获取每条边缘线对应的聚焦位置;根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度;根据所述匹配程度获得气泡的边缘;
基于所述气泡的边缘对待检测的偏光片的质量进行判断。
2.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述基于各边缘像素点的预设邻域内边缘像素点的个数判断所述灰度图像中是否存在边缘粘连位置,包括:
对于任一边缘像素点:若该边缘像素点的预设邻域内的边缘像素点的个数大于2,则判定该边缘像素点为一个边缘粘连位置。
3.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述基于所述灰度图像中的各边缘像素点的梯度向量和灰度值,得到各边缘像素点的偏移可能性,包括:
对于任一边缘像素点:
计算该边缘像素点的梯度向量和与该边缘像素点相邻的边缘像素点的梯度向量的余弦相似度,将所述余弦相似度与调节参数之和记为第一相似指标;计算该边缘像素点的灰度值和与该边缘像素点相邻的边缘像素点的灰度值的差值的绝对值,作为灰度差异;所述与该边缘像素点相邻的边缘像素点为该边缘像素点的顺时针方向与该边缘像素点相邻的边缘像素点或该边缘像素点的逆时针方向与该边缘像素点相邻的边缘像素点;以自然常数为底数,以负的所述灰度差异为指数的指数函数的值作为第一差异指标;计算所述第一相似指标的倒数和所述第一差异指标的乘积,对该乘积进行归一化处理,将归一化结果作为该边缘像素点的偏移可能性。
4.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述基于所述偏移可能性获得偏移像素点,包括:
分别判断每个边缘像素点的偏移可能性是否大于可能性阈值,若大于,则判定对应边缘像素点为偏移像素点;若小于等于,则判定对应边缘像素点为正常像素点。
5.根据权利要求4所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,根据与各偏移像素点相邻的正常像素点的梯度向量,对各偏移像素点的梯度向量进行校正,包括:
对于任一偏移像素点:获取与该偏移像素点相邻的所有正常像素点的梯度向量,计算与该偏移像素点相邻的所有正常像素点的梯度向量的均值,记为目标梯度向量;将目标梯度向量替换该偏移像素点的原始梯度向量。
6.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述基于每条边缘线上每个边缘像素点的梯度方向获取每条边缘线对应的聚焦位置,包括:
对于任一边缘线:沿该边缘线上的所有边缘像素点的梯度方向作延长线,得到延长线的交点,若交点的个数为1个,则将该交点作为该边缘线对应的聚焦位置;若交点的个数大于1个,则将相交次数最多的交点作为该边缘线对应的聚焦位置。
7.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述根据每两条边缘线对应的聚焦位置之间的欧式距离、每两条边缘线的两端的两个边缘像素点与对应的聚焦位置之间的连线所形成的角度,得到每两条边缘线之间的匹配程度,包括:
对于任意两条边缘线:
8.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述根据所述匹配程度获得气泡的边缘,包括:
对于任一边缘线:判断该边缘线与其它所有边缘线之间的匹配程度是否大于匹配程度阈值,若大于,则将该边缘线与其它对应的边缘线进行连接获得气泡的边缘。
9.根据权利要求1所述的一种用于偏光片生产的内部气泡检测方法,其特征在于,所述基于所述气泡的边缘对待检测的偏光片的质量进行判断,包括:
基于所述气泡的边缘获得待检测的偏光片的偏光膜上的所有气泡区域,计算待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量;若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量大于气泡像素点的数量阈值,则判定待检测的偏光片的质量不符合要求;若待检测的偏光片的偏光膜的灰度图像中所有气泡区域的像素点的总数量小于等于气泡像素点的数量阈值,则判定待检测的偏光片的质量符合要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504599.1A CN116228758B (zh) | 2023-05-08 | 2023-05-08 | 一种用于偏光片生产的内部气泡检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504599.1A CN116228758B (zh) | 2023-05-08 | 2023-05-08 | 一种用于偏光片生产的内部气泡检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228758A true CN116228758A (zh) | 2023-06-06 |
CN116228758B CN116228758B (zh) | 2023-07-07 |
Family
ID=86569842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310504599.1A Active CN116228758B (zh) | 2023-05-08 | 2023-05-08 | 一种用于偏光片生产的内部气泡检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228758B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN117115146A (zh) * | 2023-10-19 | 2023-11-24 | 深圳宝铭微电子有限公司 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
CN117152144A (zh) * | 2023-10-30 | 2023-12-01 | 潍坊华潍新材料科技有限公司 | 基于图像处理的导辊监测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568007A (zh) * | 2011-03-22 | 2012-07-11 | 黄海清 | 利用改进霍夫变换进行类圆形检测的图像处理方法 |
US20130094726A1 (en) * | 2011-10-18 | 2013-04-18 | Olympus Corporation | Image processing device, image processing method, and computer readable storage device |
US9342881B1 (en) * | 2013-12-31 | 2016-05-17 | Given Imaging Ltd. | System and method for automatic detection of in vivo polyps in video sequences |
CN109840909A (zh) * | 2019-01-18 | 2019-06-04 | 西安科技大学 | 一种坩埚气泡计数装置及计数方法 |
CN113034485A (zh) * | 2021-04-09 | 2021-06-25 | 浙江欧视电科技有限公司 | 融合Hough变换和卡尺聚类的圆检测方法 |
CN113658123A (zh) * | 2021-08-11 | 2021-11-16 | 沭阳天勤工具有限公司 | 一种基于人工智能的气密性检测中多气孔检测方法及系统 |
CN114820529A (zh) * | 2022-04-28 | 2022-07-29 | 海门市腾飞橡塑厂 | 一种橡胶制品气泡检测方法及系统 |
CN115018834A (zh) * | 2022-08-08 | 2022-09-06 | 山东光岳九州半导体科技有限公司 | 一种半导体晶片图像对准方法 |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及系统 |
CN115187599A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 基于几何性质的轻量化的单晶硅椭圆参数辨识方法和系统 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
-
2023
- 2023-05-08 CN CN202310504599.1A patent/CN116228758B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568007A (zh) * | 2011-03-22 | 2012-07-11 | 黄海清 | 利用改进霍夫变换进行类圆形检测的图像处理方法 |
US20130094726A1 (en) * | 2011-10-18 | 2013-04-18 | Olympus Corporation | Image processing device, image processing method, and computer readable storage device |
US9342881B1 (en) * | 2013-12-31 | 2016-05-17 | Given Imaging Ltd. | System and method for automatic detection of in vivo polyps in video sequences |
CN109840909A (zh) * | 2019-01-18 | 2019-06-04 | 西安科技大学 | 一种坩埚气泡计数装置及计数方法 |
CN113034485A (zh) * | 2021-04-09 | 2021-06-25 | 浙江欧视电科技有限公司 | 融合Hough变换和卡尺聚类的圆检测方法 |
CN113658123A (zh) * | 2021-08-11 | 2021-11-16 | 沭阳天勤工具有限公司 | 一种基于人工智能的气密性检测中多气孔检测方法及系统 |
CN114820529A (zh) * | 2022-04-28 | 2022-07-29 | 海门市腾飞橡塑厂 | 一种橡胶制品气泡检测方法及系统 |
CN115018834A (zh) * | 2022-08-08 | 2022-09-06 | 山东光岳九州半导体科技有限公司 | 一种半导体晶片图像对准方法 |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及系统 |
CN115187599A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 基于几何性质的轻量化的单晶硅椭圆参数辨识方法和系统 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
喻婷;朱善安;: "基于数学形态学的气泡水平尺自动检测系统研究", 机电工程, no. 3, pages 213 - 218 * |
廖一鹏等: "结合分数阶微分的浮选泡沫图像NSCT多尺度增强", 《华南理工大学学报(自然科学版)》, pages 92 - 100 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116577351B (zh) * | 2023-07-14 | 2023-09-19 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN117115146A (zh) * | 2023-10-19 | 2023-11-24 | 深圳宝铭微电子有限公司 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
CN117115146B (zh) * | 2023-10-19 | 2024-03-19 | 深圳宝铭微电子有限公司 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
CN117152144A (zh) * | 2023-10-30 | 2023-12-01 | 潍坊华潍新材料科技有限公司 | 基于图像处理的导辊监测方法及装置 |
CN117152144B (zh) * | 2023-10-30 | 2024-01-30 | 潍坊华潍新材料科技有限公司 | 基于图像处理的导辊监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116228758B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116228758B (zh) | 一种用于偏光片生产的内部气泡检测方法 | |
US8121400B2 (en) | Method of comparing similarity of 3D visual objects | |
US7697749B2 (en) | Stereo image processing device | |
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
CN109190628A (zh) | 一种基于机器视觉的板材镰刀弯检测方法 | |
CN117011297B (zh) | 基于图像处理的铝合金汽配件模具缺陷检测方法 | |
US9019487B2 (en) | Method for detecting parfocality of zoom-stereo microscope | |
CN114494045B (zh) | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 | |
CN116402808B (zh) | 一种电缆夹板模具制造智能化检测方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN116228747A (zh) | 一种金属柜加工质量监测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN112396617A (zh) | 仪表视觉读数监测系统的抗干扰方法 | |
CN110889874B (zh) | 一种双目相机标定结果的误差评估方法 | |
CN110807354B (zh) | 一种工业流水线产品计数方法 | |
CN115861307A (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115861318B (zh) | 一种棉花加工生产质量检测方法 | |
CN115205317B (zh) | 一种桥梁监测光电标靶图像光斑中心点提取方法 | |
CN109584239B (zh) | 一种基于反射光的高光物体表面缺陷检测系统及方法 | |
CN116206140A (zh) | 一种基于双目立体视觉与U-Net神经网络的裂缝图像匹配方法 | |
CN113012121B (zh) | 裸片扫描结果的处理方法、装置、电子设备与存储介质 | |
CN113920065B (zh) | 用于工业现场的视觉检测系统成像质量评价方法 | |
CN117372422B (zh) | 用于零件生产的材料折弯程度检测方法 |
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 |