CN116523906B - 一种玻璃基板光学性能检测方法和系统 - Google Patents
一种玻璃基板光学性能检测方法和系统 Download PDFInfo
- Publication number
- CN116523906B CN116523906B CN202310768590.1A CN202310768590A CN116523906B CN 116523906 B CN116523906 B CN 116523906B CN 202310768590 A CN202310768590 A CN 202310768590A CN 116523906 B CN116523906 B CN 116523906B
- Authority
- CN
- China
- Prior art keywords
- glass substrate
- image
- optical performance
- calculating
- representing
- 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
- 239000000758 substrate Substances 0.000 title claims abstract description 157
- 239000011521 glass Substances 0.000 title claims abstract description 154
- 230000003287 optical effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000002834 transmittance Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 239000004973 liquid crystal related substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Liquid Crystal (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种玻璃基板光学性能检测方法和系统,包括:S1:采集玻璃基板表面图像,对图像进行灰度化和滤波,获得预处理后的玻璃基板表面图像;S2:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;S3:利用图像分割对预处理后的玻璃基板表面图像进行气泡检测;S4:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;S5:将预处理后的玻璃基板表面图像以及S2至S4中的检测结果输入光学性能检测网络对玻璃基板进行评级。本发明将图像处理与机器学习相融合,从而自动检测玻璃基板表面质量与光学性能,并给出统一评级。
Description
技术领域
本发明属于光学性能检测领域,尤其涉及一种玻璃基板光学性能检测方法和系统。
背景技术
玻璃基板作为许多光学产品的重要元件,其光学性能的精确检测对产品的质量至关重要。目前,玻璃基板光学性能的检测方法主要有人工目视检测、基于图像处理的方法、基于光学传感器的方法。人工目视检测依靠操作员的主观判断,低效、结果不准确,无法实现自动化。基于图像处理的方法利用图像分割和阈值选取检测缺陷,评估光学性能,但不同的参数选择会导致结果偏差,缺乏统一标准。基于光学传感器的方法使用传感器检测光学参数如透光率,但需要复杂的检测系统,并受参数选择影响。
发明内容
有鉴于此,本发明提供一种玻璃基板光学性能检测方法和系统,目的在于将图像处理与机器学习相融合,从而自动检测玻璃基板表面质量与光学性能,并给出统一评级。
实现上述目的,本发明提供的一种玻璃基板光学性能检测方法,包括以下步骤:
S1:采集玻璃基板表面图像,对图像进行灰度化和滤波,获得预处理后的玻璃基板表面图像;
S2:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;
S3:利用图像分割对预处理后的玻璃基板表面图像进行气泡检测;
S4:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;
S5:将预处理后的玻璃基板表面图像以及S2至S4中的检测结果输入光学性能检测网络对玻璃基板进行评级。
可选的,所述S1步骤中采集玻璃基板表面图像,对图像进行灰度化和滤波,获得预处理后的玻璃基板表面图像,包括:
使用高清相机采集玻璃基板表面图像,对该图像进行预处理,所述预处理包括灰度化和滤波,预处理的流程为:
S11:计算玻璃基板表面图像灰度化结果:
;
其中,为彩色图像在坐标处的像素值;,,分别对应红、绿、蓝三个颜色分量;分别对应三个颜色分量的权重;
基于自适应加权法计算三个颜色分量的权重,所述自适应加权法的计算方式为:
;
;
其中,和分别代表第b个分量的均值和方差;M和N分别代表图像的长和宽;基于每个分量的均值和方差计算自适应加权权重:
;
S12:计算玻璃基板表面图像滤波结果:
;
其中,是以为中心的窗口的像素值得平均值;和分别为滤波参数,计算方式为:
;
;
其中,是处的梯度:
;
;
、、和分别代表彩色图像在、、和的梯度;为自适应阈值:
。
可选的,所述S2步骤中基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度,包括:
基于玻璃基板表面图像的灰度化图像计算得到的方差和平均绝对高度差表示玻璃基板的粗糙度,所述方差和平均绝对高度差的计算方式为:
;
;
其中,和分别表示璃基板灰度化图像的方差和平均绝对高度差;
可选的,所述S3步骤中利用图像分割对预处理后的玻璃基板表面图像进行气泡检测,包括:
S31:基于最大类间方差对预处理后的玻璃基板表面图像分割:
根据图像的灰度级构建图像的灰度直方图:
;
其中,;表示像素值为i的像素的数目;
遍历所有阈值,,并计算选取每个将像素分成和两类,,;
计算每个类的概率和,均值和,方差和:
;
;
;
计算整个图像的方差:
;
选择使得整个图像的方差最大的阈值作为最终的分割阈值,并用该阈值对图像进行二值化,得到污渍区域图像;
S32:基于霍夫变换对二值化后的图像进行气泡检测:
对二值化后的图像进行边缘检测,获得边缘图像,对每个边缘点,根据圆的标准方程,可以得到:
;
;
其中,为霍夫空间参数,为圆心,为半径;;
对每一个值,计算对应的圆心坐标并在霍夫空间计算投票累加,累加最大值即为气泡检测出的气泡。
可选的,所述S4步骤中采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率,包括:
S41:图像采集:
使用光学相机采集玻璃基板入射光和透射光的图像,作为检测输入;
S42:图像配准:
提取入射光和透射光图像每个像素点的特征描述符,所述特征描述符的构造方式如下:
计算像素点8个方向的梯度为:
;
其中,表示梯度方向;为待提取特征描述符的图像;表示待提取特征描述符的图像对不同梯度方向的偏导;
对梯度图像进行高斯卷积:
;
其中,表示方差为的高斯核;
基于像素点的8个方向的梯度,构造局部梯度直方图:
;
获得最终特征描述符:
;
其中,表示以为结构中心,第层第个采样点所在的位置,,,表示该采样点的局部梯度方向直方图;
计算玻璃基板入射光和透射光图像中每个像素的特征描述符之间的距离:
;
其中,和分别为入射光和透射光图像特征描述符;选择最小距离的匹配对作为匹配点;
根据匹配点计算仿射变换方程参数,完成入射光和透射光图像配准,所述仿射变换方程为:
;
其中,为入射光图像坐标点;为匹配的透射光图像坐标点;和为仿射变换系数;
S43:玻璃基板透光率计算:
基于S31中的图像分割算法将图像配准后的透射光图像分割为透光区域与非透光区域,玻璃基板的透光率为:
;
其中,为透光像素个数;为图像总像素个数;
可选的,所述S5步骤中将预处理后的玻璃基板表面图像以及S2至S4中的检测结果输入光学性能检测网络对玻璃基板进行评级,包括:
S51:定义光学性能检测网络需要学习的任务:
;
其中,和分别为灰度化和滤波后的玻璃基板表面图像;分别表示璃基板灰度化图像的方差和平均绝对高度差;blob为检测出的气泡;为玻璃基板的透光率;为光学性能检测网络的参数;代表光学性能检测网络对输入的玻璃基板数据进行评级的结果信息;
S52:计算光学性能检测网络预测的结果与真实结果的误差:
;
其中,代表人工提前定义的评级,对于玻璃基板光学性能,分为优、良、不合格三类;表示如果真实的分类为第类,则其值为1,否则为0;为光学性能检测网络预测的类别的概率;为自然常数;
S53:基于S52计算得到的误差调整光学性能检测网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下的梯度;为光学性能检测网络的学习率,用于控制网络参数每次更新的幅度;表示赋值操作。
本发明还公开了一种玻璃基板光学性能检测系统,包括:
图像预处理模块:采集玻璃基板表面图像,对图像进行灰度化和滤波;
粗糙度评估模块:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;
表面缺陷检测模块:对玻璃基板表面图像进行表面缺陷检测;
透光率评估模块:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;
光学性能评级模块:综合玻璃基板各项信息对玻璃基板进行评级。
有益效果
本发明利用图像分割和特征提取检测表面缺陷,计算入射光与透射光图像的透光率,作为光学性能检测网络的输入,可以更全面地评估玻璃基板的表面质量与光学参数。光学性能检测网络经过大量数据训练可以给出统一的质量评级,避免了传统方法过于依赖经验参数设置导致的结果偏差,具有更高的精度与统一性。
本发明融合了计算机视觉与深度学习技术,实现自动检测表面缺陷、计算光学参数并输出检测结果。相比人工目视检测,实现了全自动高速的检测流程,大大提高了检测效率与产品质量。
本发明同时考虑了玻璃基板的表面质量与光学参数,可以满足玻璃基板光学性能检测的多元化需求。且基于深度学习的检测模型可以通过不断训练适应不同类型玻璃基板的检测,具有很好的通用性。
本发明不需要复杂的光学检测系统,通过普通工业相机和图像处理技术即可完成检测,系统成本较低。
附图说明
图1为本发明一实施例的一种玻璃基板光学性能检测方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:一种玻璃基板光学性能检测方法,如图1所示,包括以下步骤:
S1:采集玻璃基板表面图像,对图像进行灰度化和滤波,获得预处理后的玻璃基板表面图像。
使用高清相机采集玻璃基板表面图像,对该图像进行预处理,所述预处理包括灰度化和滤波,预处理的流程为:
S11:计算玻璃基板表面图像灰度化结果:
;
其中,为彩色图像在坐标处的像素值;,,分别对应红、绿、蓝三个颜色分量;分别对应三个颜色分量的权重;
基于自适应加权法计算三个颜色分量的权重,所述自适应加权法的计算方式为:
;
;
其中,和分别代表第b个分量的均值和方差;M和N分别代表图像的长和宽;基于每个分量的均值和方差计算自适应加权权重:
;
S12:计算玻璃基板表面图像滤波结果:
;
其中,是以为中心的窗口的像素值得平均值;和分别为滤波参数,计算方式为:
;
;
其中,是处的梯度:
;
;
、、和分别代表彩色图像在、、和的梯度;为自适应阈值:
。
通过灰度化处理,将彩色图像转换为灰度图像,简化了图像的信息表示,降低了后续处理的复杂度。滤波处理有助于去除图像中的噪声和干扰,使得预处理后的图像更加清晰和可辨认。滤波可以平滑图像,突出重要的细节和纹理特征,提高后续分析的准确性。
通过预处理,去除了图像中的噪声和冗余信息,使得后续的分析和检测步骤更加准确和可靠。预处理后的图像能够更好地展现玻璃基板的表面特征,为后续步骤的精确度和稳定性提供了基础。预处理可以剔除冗余的图像信息,减少了后续处理过程中的计算量和内存需求,提高了算法的运行效率和响应速度。
S2:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度。
基于玻璃基板表面图像的灰度化图像计算得到的方差和平均绝对高度差表示玻璃基板的粗糙度,所述方差和平均绝对高度差的计算方式为:
;
;
其中,和分别表示璃基板灰度化图像的方差和平均绝对高度差;
使用图像评估方法进行粗糙度评估,无需直接接触玻璃基板,避免了潜在的物理接触可能对基板表面造成的影响,同时提高了检测的安全性。通过对灰度化图像进行粗糙度评估,可以在较短的时间内对大量玻璃基板进行快速评估。这对于大规模生产环境下的快速品质检测和排序具有重要意义。基于图像的粗糙度评估方法可以提供定量的结果,通过数值化的粗糙度指标对玻璃基板进行评估。这提供了一个可重复性高、结果精确的量化评估方式。
S3:利用图像分割对预处理后的玻璃基板表面图像进行气泡检测。
S31:基于最大类间方差对预处理后的玻璃基板表面图像分割:
根据图像的灰度级构建图像的灰度直方图:
;
其中,;表示像素值为i的像素的数目;
遍历所有阈值,,并计算选取每个将像素分成和两类,,;
计算每个类的概率和,均值和,方差和:
;
;
;
计算整个图像的方差:
;
选择使得整个图像的方差最大的阈值作为最终的分割阈值,并用该阈值对图像进行二值化,得到污渍区域图像;
S32:基于霍夫变换对二值化后的图像进行气泡检测:
对二值化后的图像进行边缘检测,获得边缘图像,对每个边缘点,根据圆的标准方程,可以得到:
;
;
其中,为霍夫空间参数,为圆心,为半径;;
对每一个值,计算对应的圆心坐标并在霍夫空间计算投票累加,累加最大值即为气泡检测出的气泡。
图像分割通过识别图像中的对象及边界,将图像分离为表面正常区域和缺陷区域,根据区域特征判断并定位表面缺陷,可由计算机程序实现自动完成,不需要人工目视判断。
霍夫变换能够在图像中检测到圆形等特定形状的目标。通过应用霍夫变换,可以有效地检测和定位玻璃基板表面的气泡,实现高效准确的气泡检测。霍夫变换可以精确地定位玻璃基板表面上的气泡,得到它们的位置信息。这有助于后续的缺陷分析和处理,提供了准确的气泡位置参考。
S4:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率。
S41:图像采集:
使用光学相机采集玻璃基板入射光和透射光的图像,作为检测输入;
S42:图像配准:
提取入射光和透射光图像每个像素点的特征描述符,所述特征描述符的构造方式如下:
计算像素点8个方向的梯度为:
;
其中,表示梯度方向;为待提取特征描述符的图像;表示待提取特征描述符的图像对不同梯度方向的偏导;
对梯度图像进行高斯卷积:
;
其中,表示方差为的高斯核;
基于像素点的8个方向的梯度,构造局部梯度直方图:
;
获得最终特征描述符:
;
其中,表示以为结构中心,第层第个采样点所在的位置,,,表示该采样点的局部梯度方向直方图;
计算玻璃基板入射光和透射光图像中每个像素的特征描述符之间的距离:
;
其中,和分别为入射光和透射光图像特征描述符;选择最小距离的匹配对作为匹配点;
根据匹配点计算仿射变换方程参数,完成入射光和透射光图像配准,所述仿射变换方程为:
;
其中,为入射光图像坐标点;为匹配的透射光图像坐标点;和为仿射变换系数;
S43:玻璃基板透光率计算:
基于S31中的图像分割算法将图像配准后的透射光图像分割为透光区域与非透光区域,玻璃基板的透光率为:
;
其中,为透光像素个数;为图像总像素个数;
透光率是描述光线通过玻璃基板的百分比,通过直接采集入射光和透射光图像计算得到,不受人工读数误差的影响,结果较为精确和客观。通过编程控制图像采集设备自动拍摄入射光和透射光图像,并计算两个图像的光强比值,可以自动进行透光率的测量,不需要人工操作,大大提高了检测效率。
通过采集玻璃基板的入射光和透射光图像,可以实现对玻璃基板透光率的测量,而无需直接接触基板。这种非接触性测量方法避免了物理上对基板的干扰,保护了基板的完整性和光学性能。通过测量入射光和透射光图像,可以综合考虑玻璃基板对光的吸收和散射效果,从而全面评估透光率。这有助于准确了解玻璃基板的光学性能,为产品的选型和质量控制提供重要参考。
S5:将预处理后的玻璃基板表面图像以及S2至S4中的检测结果输入光学性能检测网络对玻璃基板进行评级。
S51:定义光学性能检测网络需要学习的任务:
;
其中,和分别为灰度化和滤波后的玻璃基板表面图像;分别表示璃基板灰度化图像的方差和平均绝对高度差;blob为检测出的气泡;为玻璃基板的透光率;为光学性能检测网络的参数;代表光学性能检测网络对输入的玻璃基板数据进行评级的结果信息;
S52:计算光学性能检测网络预测的结果与真实结果的误差:
;
其中,代表人工提前定义的评级,对于玻璃基板光学性能,分为优、良、不合格三类;表示如果真实的分类为第类,则其值为1,否则为0;为光学性能检测网络预测的类别的概率;为自然常数;
S53:基于S52计算得到的误差调整光学性能检测网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下的梯度;为光学性能检测网络的学习率,用于控制网络参数每次更新的幅度;表示赋值操作;
光学性能检测网络是通过数据训练获得的,可以综合考虑玻璃基板的各项检测结果及其图像特征,给出一个统一的质量评级,避免了不同人员基于主观判断得出评级偏差的问题。深度学习模型具有很强的特征学习能力,可以从大量的数据中自动学习到与玻璃基板光学性能密切相关的特征,并据此给出较为精确的质量评估。光学性能检测网络可以自动处理玻璃基板的检测数据与图像,并输出对应质量评级,实现了整个评估过程的自动化,无需人工参与,大大提高了评估效率。
实施例2:本发明还公开了一种玻璃基板光学性能检测系统,包括以下模块:
图像预处理模块:采集玻璃基板表面图像,对图像进行灰度化和滤波;
粗糙度评估模块:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;
表面缺陷检测模块:对玻璃基板表面图像进行表面缺陷检测;
透光率评估模块:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;
光学性能评级模块:综合玻璃基板各项信息对玻璃基板进行评级。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种玻璃基板光学性能检测方法,其特征在于,包括以下步骤:
S1:采集玻璃基板表面图像,对图像进行灰度化和滤波,获得预处理后的玻璃基板表面图像,所述步骤S1包括以下步骤:
通过高清相机采集玻璃基板表面图像,所述预处理的流程为:
S11:计算玻璃基板表面图像灰度化结果:
;
其中,为彩色图像在坐标处的像素值;,,分别对应红、绿、蓝三个颜色分量;分别对应三个颜色分量的权重;
基于自适应加权法计算三个颜色分量的权重,所述自适应加权法的计算方式为:
;
;
其中,和分别代表第b个分量的均值和方差;M和N分别代表图像的长和宽;基于每个分量的均值和方差计算自适应加权权重:
;
S12:计算玻璃基板表面图像滤波结果:
;
其中,是以为中心的窗口的像素值得平均值;和分别为滤波参数,计算方式为:
;
;
其中,是处的梯度:
;
;
、、和分别代表彩色图像在、、和的梯度;为自适应阈值:
;
S2:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;所述步骤S2包括:
基于玻璃基板表面图像的灰度化图像计算得到的方差和平均绝对高度差表示玻璃基板的粗糙度,所述方差和平均绝对高度差的计算方式为:
;
;
其中,和分别表示璃基板灰度化图像的方差和平均绝对高度差;
S3:利用图像分割对预处理后的玻璃基板表面图像进行气泡检测;所述步骤S3包括以下步骤:
S31:基于最大类间方差对预处理后的玻璃基板表面图像分割:
根据图像的灰度级构建图像的灰度直方图:
;
其中,;表示像素值为i的像素的数目;
遍历所有阈值,,并计算选取每个将像素分成和两类,,;
计算每个类的概率和,均值和,方差和:
;
;
;
计算整个图像的方差:
;
选择使得整个图像的方差最大的阈值作为最终的分割阈值,并用该阈值对图像进行二值化,得到污渍区域图像;
S32:基于霍夫变换对二值化后的图像进行气泡检测:
对二值化后的图像进行边缘检测,获得边缘图像,对每个边缘点,根据圆的标准方程,可以得到:
;
;
其中,为霍夫空间参数,为圆心,为半径;;
对每一个值,计算对应的圆心坐标并在霍夫空间计算投票累加,累加最大值即为气泡检测出的气泡;
S4:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;
S5:将预处理后的玻璃基板表面图像以及S2至S4中的检测结果输入光学性能检测网络对玻璃基板进行评级。
2.根据权利要求1所述的玻璃基板光学性能检测方法,其特征在于,所述步骤S4包括以下步骤:
S41:图像采集:
通过光学相机采集玻璃基板入射光和透射光的图像,作为检测输入;
S42:图像配准:
提取入射光和透射光图像每个像素点的特征描述符,所述特征描述符的构造方式如下:
计算像素点8个方向的梯度为:
;
其中,表示梯度方向;为待提取特征描述符的图像;表示待提取特征描述符的图像对不同梯度方向的偏导;
对梯度图像进行高斯卷积:
;
其中,表示方差为的高斯核;
基于像素点的8个方向的梯度,构造局部梯度直方图:
;
获得最终特征描述符:
;
其中,表示以为结构中心,第层第个采样点所在的位置,,,表示该采样点的局部梯度方向直方图;
计算玻璃基板入射光和透射光图像中每个像素的特征描述符之间的距离:
;
其中,和分别为入射光和透射光图像特征描述符;选择最小距离的匹配对作为匹配点;
根据匹配点计算仿射变换方程参数,完成入射光和透射光图像配准,所述仿射变换方程为:
;
其中,为入射光图像坐标点;为匹配的透射光图像坐标点;和为仿射变换系数;
S43:玻璃基板透光率计算:
基于S31中的图像分割算法将图像配准后的透射光图像分割为透光区域与非透光区域,玻璃基板的透光率为:
;
其中,为透光像素个数;为图像总像素个数。
3.根据权利要求2所述的玻璃基板光学性能检测方法,其特征在于,所述步骤S5包括以下步骤:
S51:定义光学性能检测网络需要学习的任务:
;
其中,和分别为灰度化和滤波后的玻璃基板表面图像;分别表示璃基板灰度化图像的方差和平均绝对高度差;blob为检测出的气泡;为玻璃基板的透光率;为光学性能检测网络的参数;代表光学性能检测网络对输入的玻璃基板数据进行评级的结果信息;
S52:计算光学性能检测网络预测的结果与真实结果的误差:
;
其中,代表人工提前定义的评级,对于玻璃基板光学性能,分为优、良、不合格三类;表示如果真实的分类为第类,则其值为1,否则为0;为光学性能检测网络预测的类别的概率;为自然常数;
S53:基于S52计算得到的误差调整光学性能检测网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下的梯度;为光学性能检测网络的学习率,用于控制网络参数每次更新的幅度;表示赋值操作。
4.一种玻璃基板光学性能检测系统,其特征在于,包括:
图像预处理模块:采集玻璃基板表面图像,对图像进行灰度化和滤波;
粗糙度评估模块:基于玻璃基板表面图像的灰度化图像评估玻璃基板的粗糙度;
表面缺陷检测模块:对玻璃基板表面图像进行表面缺陷检测;
透光率评估模块:采集玻璃基板入射光和透射光图像,计算玻璃基板的透光率;
光学性能评级模块:综合玻璃基板各项信息对玻璃基板进行评级;
以实现如权利要求1-3任意一项所述的一种玻璃基板光学性能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768590.1A CN116523906B (zh) | 2023-06-28 | 2023-06-28 | 一种玻璃基板光学性能检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768590.1A CN116523906B (zh) | 2023-06-28 | 2023-06-28 | 一种玻璃基板光学性能检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523906A CN116523906A (zh) | 2023-08-01 |
CN116523906B true CN116523906B (zh) | 2023-09-12 |
Family
ID=87408588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768590.1A Active CN116523906B (zh) | 2023-06-28 | 2023-06-28 | 一种玻璃基板光学性能检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523906B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003188A1 (ja) * | 2012-06-25 | 2014-01-03 | 日本電気硝子株式会社 | 強化ガラス基板及びその製造方法 |
DE102014224127A1 (de) * | 2014-11-26 | 2016-06-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Überwachung der Oberflächenrauigkeit einer Scheibe |
CN107036560A (zh) * | 2016-11-09 | 2017-08-11 | 上海理工大学 | 光学玻璃精密磨削加工的表面粗糙度检测方法 |
CN110610496A (zh) * | 2019-04-24 | 2019-12-24 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
WO2020132960A1 (zh) * | 2018-12-26 | 2020-07-02 | 合刃科技(深圳)有限公司 | 缺陷检测方法及缺陷检测系统 |
CN112529875A (zh) * | 2020-12-14 | 2021-03-19 | 孙占民 | 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统 |
CN113781400A (zh) * | 2021-08-18 | 2021-12-10 | 平潭煜想时代科技有限公司 | 一种基于深度学习光伏电池板玻璃破损预测方法及系统 |
CN114235847A (zh) * | 2021-12-20 | 2022-03-25 | 深圳市尊绅投资有限公司 | 一种液晶面板玻璃基板表面缺陷检测装置及检测方法 |
CN114445402A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
CN114782387A (zh) * | 2022-04-29 | 2022-07-22 | 苏州威达智电子科技有限公司 | 一种表面缺陷检测系统 |
CN115880301A (zh) * | 2023-03-06 | 2023-03-31 | 长沙韶光芯材科技有限公司 | 一种玻璃基板气泡缺陷的识别系统 |
CN116245879A (zh) * | 2023-05-08 | 2023-06-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板平整度评估方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11650164B2 (en) * | 2019-05-15 | 2023-05-16 | Getac Technology Corporation | Artificial neural network-based method for selecting surface type of object |
CN114091606B (zh) * | 2021-11-24 | 2024-07-02 | 华侨大学 | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 |
-
2023
- 2023-06-28 CN CN202310768590.1A patent/CN116523906B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003188A1 (ja) * | 2012-06-25 | 2014-01-03 | 日本電気硝子株式会社 | 強化ガラス基板及びその製造方法 |
DE102014224127A1 (de) * | 2014-11-26 | 2016-06-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Überwachung der Oberflächenrauigkeit einer Scheibe |
CN107036560A (zh) * | 2016-11-09 | 2017-08-11 | 上海理工大学 | 光学玻璃精密磨削加工的表面粗糙度检测方法 |
WO2020132960A1 (zh) * | 2018-12-26 | 2020-07-02 | 合刃科技(深圳)有限公司 | 缺陷检测方法及缺陷检测系统 |
CN110610496A (zh) * | 2019-04-24 | 2019-12-24 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
CN112529875A (zh) * | 2020-12-14 | 2021-03-19 | 孙占民 | 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统 |
CN113781400A (zh) * | 2021-08-18 | 2021-12-10 | 平潭煜想时代科技有限公司 | 一种基于深度学习光伏电池板玻璃破损预测方法及系统 |
CN114235847A (zh) * | 2021-12-20 | 2022-03-25 | 深圳市尊绅投资有限公司 | 一种液晶面板玻璃基板表面缺陷检测装置及检测方法 |
CN114445402A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
CN114782387A (zh) * | 2022-04-29 | 2022-07-22 | 苏州威达智电子科技有限公司 | 一种表面缺陷检测系统 |
CN115880301A (zh) * | 2023-03-06 | 2023-03-31 | 长沙韶光芯材科技有限公司 | 一种玻璃基板气泡缺陷的识别系统 |
CN116245879A (zh) * | 2023-05-08 | 2023-06-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板平整度评估方法和系统 |
Non-Patent Citations (1)
Title |
---|
光学薄膜表面微细缺陷在线检测方法研究;钟球盛;胡广华;李静蓉;;机械设计与制造(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523906A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN109946303A (zh) | 检查装置和方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114998323A (zh) | 基于注意力机制的螺纹钢异常判定方法 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
JPH08189904A (ja) | 表面欠陥検出装置 | |
CN110687120A (zh) | 法兰外观质量检测系统 | |
CN117237747A (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116523906B (zh) | 一种玻璃基板光学性能检测方法和系统 | |
Kuo et al. | Automated inspection of micro-defect recognition system for color filter | |
CN116245879B (zh) | 一种玻璃基板平整度评估方法和系统 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN114742832B (zh) | 一种MiniLED薄板的焊接缺陷检测方法 | |
CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN114943738A (zh) | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 |
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 |