CN117232791A - 一种光学膜表面瑕疵缺陷智能检测方法 - Google Patents
一种光学膜表面瑕疵缺陷智能检测方法 Download PDFInfo
- Publication number
- CN117232791A CN117232791A CN202311472129.8A CN202311472129A CN117232791A CN 117232791 A CN117232791 A CN 117232791A CN 202311472129 A CN202311472129 A CN 202311472129A CN 117232791 A CN117232791 A CN 117232791A
- Authority
- CN
- China
- Prior art keywords
- optical film
- image
- gray level
- connected domain
- level image
- 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
- 239000012788 optical film Substances 0.000 title claims abstract description 223
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 title claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 104
- 238000011156 evaluation Methods 0.000 claims abstract description 100
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000007373 indentation Methods 0.000 claims abstract description 44
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 239000010408 film Substances 0.000 description 15
- 238000012549 training Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及使用光学手段测试瑕疵的技术领域,具体涉及一种光学膜表面瑕疵缺陷智能检测方法,包括:采集光学膜的光学膜灰度图像;根据光学膜灰度图像得到连通域中每个初始主方向的方向像素点量;根据方向像素点量得到连通域的评价指标;获取对照参数;根据评价指标以及对照参数得到初始边缘检测图像的中断指标;根据中断指标得到光学膜灰度图像的待检光学膜灰度图像;根据待检光学膜灰度图像得到连通域像素点的原始梯度幅值;根据原始梯度幅值得到光学膜灰度图像的第二导向矩阵;根据第二导向矩阵进行瑕疵检测得到压痕瑕疵。本发明使微小的压痕瑕疵显示更加清晰,提高了瑕疵检测结果的准确性。
Description
技术领域
本发明涉及使用光学手段测试瑕疵的技术领域,具体涉及一种光学膜表面瑕疵缺陷智能检测方法。
背景技术
光学膜由多层不同材料的薄膜组成,主要用于调节光的传输和反射特征,为了保证调节的准确性,需要对光学膜进行瑕疵检测;传统方法通过对采集的光学膜图像进行阈值分割,从而将光学膜表面的瑕疵分割而出,但光学膜本身包含多层薄膜,若内部薄膜出现微小压痕瑕疵时,会因外面薄膜的遮挡,导致光学膜表面的压痕瑕疵并不明显,从而无法将微小的压痕瑕疵有效分割而出。
发明内容
本发明提供一种光学膜表面瑕疵缺陷智能检测方法,以解决现有的问题:光学膜本身包含多层薄膜,若内部薄膜出现微小压痕瑕疵,会因外面薄膜的遮挡,导致光学膜表面微小的压痕瑕疵并不明显,从而无法利用传统的阈值分割方法将微小的压痕瑕疵有效分割而出。
本发明的一种光学膜表面瑕疵缺陷智能检测方法采用如下技术方案:
包括以下步骤:
采集若干光学膜的光学膜灰度图像;
将任意一个光学膜灰度图像的频谱图像划分为若干参考区域;对于任意一个参考区域,将去除参考区域后的频谱图像记为过滤中心频谱图像,将过滤中心频谱图像进行逆傅里叶变换得到过滤后的光学膜灰度图像,记为初始光学膜灰度图像;对初始光学膜灰度图像进行Canny边缘检测得到初始边缘检测图像,所述初始边缘检测图像上的所有边缘像素点构成多个连通域,将连通域中每个像素点记为连通域像素点;对初始边缘检测图像的连通域进行方向分析得到每个连通域中每个初始主方向的方向像素点量;根据方向像素点量得到每个连通域的评价指标,所述评价指标用于描述连通域属于压痕瑕疵的可能性;
根据相邻初始边缘检测图像的若干评价指标得到若干对照参数;根据评价指标以及对照参数得到每张初始边缘检测图像的中断指标,所述中断指标用于描述瑕疵区域显示的清晰度;根据初始光学膜灰度图像以及中断指标进行阈值判断得到每张光学膜灰度图像的待检光学膜灰度图像;根据待检光学膜灰度图像进行梯度分析得到每个连通域像素点的原始梯度幅值;根据原始梯度幅值以及初始边缘检测图像进行梯度替换得到每张光学膜灰度图像的第二导向矩阵;
根据第二导向矩阵以及光学灰度图像进行瑕疵检测得到若干压痕瑕疵。
优选的,所述将任意一个光学膜灰度图像的频谱图像划分为若干参考区域,包括的具体方法为:
对于任意一张光学膜灰度图像,对光学膜灰度图像的频谱图像进行频谱中心化得到中心化后的频谱图像,将中心化后的频谱图像记为中心频谱图像;
对于任意一张中心频谱图像,以r为半径做圆形区域,其中以r=1为初始值,以1为步长,依次令r递增,得到若干个圆形区域;将每个圆形区域在中心频谱图像中所占的区域记为参考区域。
优选的,所述对初始边缘检测图像的连通域进行方向分析得到每个连通域中每个初始主方向的方向像素点量,包括的具体方法为:
对于任意一张初始边缘检测图像中任意一个连通域,利用PCA主成分分析法获取连通域的所有特征向量,将每个特征向量在连通域中对应的方向记为初始主方向;
对于任意一个初始主方向,在连通域中,将初始主方向上所包含连通域像素点的最大数量记为初始主方向的方向像素点量。
优选的,所述根据方向像素点量得到每个连通域的评价指标,包括的具体方法为:
将每个连通域像素点在初始光学膜灰度图像中的灰度值记为连通域像素点的原始灰度值;
;
对于任意一张初始边缘检测图像中任意一个连通域,式中,表示连通域的评价指
标;表示连通域中所有初始主方向的方向像素点量的最大值;表示连通域中所有初
始主方向的方向像素点量的最小值;表示连通域中所有连通域像素点的数量;表示连
通域中第个连通域像素点的原始灰度值;表示连通域中所有连通域像素点的原始灰度
值的均值;表示连通域中所有连通域像素点的原始灰度值的标准差;表示预设的超参
数。
优选的,所述根据相邻初始边缘检测图像的若干评价指标得到若干对照参数,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将连通域数量最大的初始边缘检测图像记为第一参照边缘图像,将另一张初始边缘检测图像记为第二参照边缘图像;第一参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为基准序列;将第二参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为参照序列;
将预设的评价指标数量记为T0;将基准序列中任意一个评价指标记为第一评价指标,在参照序列中获取与第一评价指标的差值的绝对值最小的T0个评价指标,将这T0个评价指标记为第一评价指标的对照评价指标;
对于第一评价指标的任意一个对照评价指标,将对照评价指标与第一评价指标的差值的绝对值记为第一评价指标的一个对照参数。
优选的,所述根据评价指标以及对照参数得到每张初始边缘检测图像的中断指标,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将第二张初始边缘检测图像记为目标边缘检测图像;
;
式中,表示目标边缘检测图像的中断指标;表示基准序列中所有评价指标的
数量;表示基准序列中第个评价指标的所有对照参数的最大值;表示基准序列
中第个评价指标的所有对照参数的最小值;表示基准序列中第个评价指标的所有
对照参数的均值;表示基准序列中第个评价指标;表示辛格函数;表示
取绝对值。
优选的,所述根据初始光学膜灰度图像以及中断指标进行阈值判断得到每张光学膜灰度图像的待检光学膜灰度图像,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将第二张初始边缘检测图像记为目标边缘检测图像,将预设的中断指标阈值记为T1;
若目标边缘检测图像的中断指标大于T1,将目标边缘检测图像对应的初始光学膜灰度图像记为光学膜灰度图像的一个初始待检灰度图像;获取光学膜灰度图像的所有初始待检灰度图像,将光学膜灰度图像的第一个初始待检灰度图像记为光学膜灰度图像的待检光学膜灰度图像。
优选的,所述根据待检光学膜灰度图像进行梯度分析得到每个连通域像素点的原始梯度幅值,包括的具体方法为:
对于任意一张光学膜灰度图像的待检光学膜灰度图像,利用sobel算子获取待检光学膜灰度图像中所有像素点的梯度幅值;对于待检光学膜灰度图像的初始边缘检测图像中任意一个连通域内任意一个连通域像素点,将连通域像素点在待检光学膜灰度图像中的梯度幅值记为连通域像素点的初始原始梯度幅值;
;
式中,表示连通域像素点的原始梯度幅值;表示连通域像素点的初始原始梯
度幅值;表示连通域的评价指标;表示所有连通域的评价指标的最大值。
优选的,所述根据原始梯度幅值以及初始边缘检测图像进行梯度替换得到每张光学膜灰度图像的第二导向矩阵,包括的具体方法为:
对于任意一张光学膜灰度图像的待检光学膜灰度图像,构建一个矩阵大小与待检光学膜灰度图像大小相同的空矩阵;对于待检光学膜灰度图像的初始边缘检测图像中任意一个连通域像素点,将连通域像素点的原始梯度幅值赋予空矩阵中与连通域像素点位置序号相同的元素;将每个连通域像素点的梯度幅值赋予空矩阵中与每个连通域像素点位置序号相同的元素后,将空矩阵记为待检光学膜灰度图像的第一导向矩阵;
将待检光学膜灰度图像的初始边缘检测图像中除连通域像素点以外的任意一个像素点记为常规像素点,将常规像素点在待检光学膜灰度图像中的梯度幅值记为常规像素点的原始梯度幅值,将常规像素点的原始梯度幅值赋予第一导向矩阵中与常规像素点位置序号相同的元素;将每个常规像素点的梯度幅值赋予第一导向矩阵中与每个常规像素点位置序号相同的元素后,将第一导向矩阵记为光学膜灰度图像的第二导向矩阵。
优选的,所述根据第二导向矩阵以及光学灰度图像进行瑕疵检测得到若干压痕瑕疵,包括的具体方法为:
对于任意一张光学膜灰度图像,在光学膜灰度图像的第二导向矩阵中,将每个元素的数值重新赋予光学膜灰度图像中对应像素点的梯度幅值后,将光学膜灰度图像记为光学膜灰度图像的导向光学膜灰度图像;
将光学膜灰度图像作为导向滤波器的目标图像,将光学膜灰度图像的导向光学膜灰度图像作为导向滤波器的引导图像,根据目标图像以及引导图像利用导向滤波器得到滤波结果图像,并记为光学膜灰度图像的增强图像;
将光学膜灰度图像的增强图像输入训练好的神经网络中获取光学膜灰度图像中的若干压痕瑕疵。
本发明的技术方案的有益效果是:根据光学膜灰度图像进行半径划分得到参考区域,根据参考区域得到初始边缘检测图像,根据初始边缘检测图像得到连通域的评价指标,根据评价指标得到中断指标,根据中断指标进行梯度分析得到原始梯度幅值,根据原始梯度幅值得到第二导向矩阵,根据第二导向矩阵进行瑕疵检测;相较于现有技术内部薄膜出现微小压痕瑕疵,会因外面薄膜的遮挡,导致光学膜表面微小的压痕瑕疵并不明显,无法利用传统的阈值分割方法将微小的压痕瑕疵有效分割而出;本发明的评价指标反映了连通域边缘的平整性以及连通域属于压痕瑕疵的概率,中断指标反映了瑕疵区域显示的清晰度,原始梯度幅值反映了连通域像素点的初始原始梯度幅值需要调整的幅度;使微小的压痕瑕疵显示更加清晰,提高了瑕疵检测结果的准确性。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种光学膜表面瑕疵缺陷智能检测方法的步骤流程图。
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光学膜表面瑕疵缺陷智能检测方法,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种光学膜表面瑕疵缺陷智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光学膜表面瑕疵缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干光学膜的光学膜灰度图像。
需要说明的是,传统方法通过对采集的光学膜图像进行阈值分割,从而将光学膜表面的瑕疵分割而出,但光学膜本身包含多层薄膜,若内部薄膜出现微小压痕瑕疵,会因外面薄膜的遮挡,导致光学膜表面的压痕瑕疵并不明显,从而无法将微小的压痕瑕疵有效分割而出。为此,本实施例提出了一种光学膜表面瑕疵缺陷智能检测方法。
具体的,为了实现本实施例提出的一种光学膜表面瑕疵缺陷智能检测方法,首先需要采集光学膜灰度图像,具体过程为:使用工业相机拍摄若干光学膜的图像,记为光学膜图像;将每张光学膜图像进行灰度化处理得到若干灰度图像,记为光学膜灰度图像。其中灰度化处理是公知技术,本实施例不再赘述。
至此,通过上述方法得到所有光学膜的光学膜灰度图像。
步骤S002:根据光学膜灰度图像得到每张初始边缘检测图像,对初始边缘检测图像的连通域进行方向分析得到每个连通域中每个初始主方向的方向像素点量;根据方向像素点量得到每个连通域的评价指标。
需要说明的是,光学膜本身由多层薄膜组成,若层数较深的薄膜出现微小压痕瑕疵,层数较浅的薄膜会不断使压痕瑕疵所反射的光线进行散射,从而使压痕瑕疵变得更加模糊,使边缘显示不清晰。而图像中分布着各种频率的图像信息,一般情况下,高频的图像信息对应图像中边缘以及纹理等细节,低频的图像信息对应图像中的背景以及大颜色区域等较为平滑的区域;对于显示模糊的压痕瑕疵而言,由于与外界区分的边缘模糊,导致压痕瑕疵更隶属于低频信息,为了使压痕瑕疵更清楚,需要将其边缘显示更加清晰,所以可以通过逐步抑制低频信息将压痕瑕疵的边缘逐步清晰。
进一步需要说明的是,在逐步抑制低频信息将压痕瑕疵的边缘逐步清晰的过程中,由于压痕瑕疵本身形状通常为矩形,所以压痕瑕疵的边缘通常较为平整;同时因压痕瑕疵与正常的光学膜区域存在一定程度的灰度差异,所以可以根据灰度差异以及边缘的平整程度得到不同区域的评价指标,以便后续进行分析处理。
具体的,以任意一张光学膜灰度图像为例,对该光学膜灰度图像进行傅里叶变换得到该光学膜灰度图像的频谱图像;对该频谱图像进行频谱中心化得到中心化后的频谱图像,并将该中心化后的频谱图像记为该频谱图像的中心频谱图像。其中傅里叶变换、频谱中心化均为公知技术,本实施例不再赘述。
进一步的,以该中心频谱图像内的中心像素点作为圆心,步长为1,依次获取以中心像素点为圆心的若干半径,将这些半径记为参考半径;以任意一个参考半径为例,以该中心频谱图像内的中心像素点作为圆心,获取半径为该参考半径的圆,将这个圆在该中心频谱图像中所占的区域记为该中心频谱图像内的一个参考区域。其中每个中心频谱图像包含多个参考区域。
进一步的,将去除该参考区域后的该中心频谱图像记为该中心频谱图像的过滤中心频谱图像,将该过滤中心频谱图像进行逆傅里叶变换得到过滤后的光学膜灰度图像,记为初始光学膜灰度图像;对该初始光学膜灰度图像进行Canny边缘检测得到边缘检测图像,记为初始边缘检测图像;获取该初始边缘检测图像中所有连通域。其中每张光学膜灰度图像对应一张中心频谱图像,每张中心频谱图像对应多个参考半径,每个参考半径对应一张过滤中心频谱图像,每张过滤中心频谱图像对应一张初始光学膜灰度图像,每张初始光学膜灰度图像对应一张初始边缘检测图像,每张初始边缘检测图像包含多个连通域。需要说明的是,逆傅里叶变换、Canny边缘检测算法以及连通域的获取均为公知技术,本实施例不再赘述。
进一步的,以该初始边缘检测图像中任意一个连通域为例,利用PCA主成分分析法获取该连通域的所有特征向量,将每个特征向量在该连通域中对应的方向记为初始主方向;将该连通域中的每个像素点记为连通域像素点,将每个连通域像素点在该初始光学膜灰度图像中的灰度值记为该连通域像素点的原始灰度值;以任意一个初始主方向为例,在该连通域中,将该初始主方向上所包含连通域像素点的最大数量记为该初始主方向的方向像素点量,获取该连通域中所有初始主方向的方向像素点量。其中连通域的特征向量的获取过程均为PCA主成分分析法的公知内容,本实施例不再赘述。另外需要说明的是,每个特征向量在连通域中对应一个初始主方向,每个连通域包含多个初始主方向,每个连通域包含多个连通域像素点。
进一步的,根据该连通域中所有初始主方向的方向像素点量以及该连通域中每个连通域像素点的原始灰度值得到该连通域的评价指标。其中该连通域的评价指标的计算方法为:;
式中,表示该连通域的评价指标;表示该连通域中所有初始主方向的方向
像素点量的最大值;表示该连通域中所有初始主方向的方向像素点量的最小值;表
示该连通域中所有连通域像素点的数量;表示该连通域中第个连通域像素点的原始灰
度值;表示该连通域中所有连通域像素点的原始灰度值的均值;表示该连通域中所有
连通域像素点的原始灰度值的标准差;表示预设的超参数,本实施例预设,用于防
止分母为0;表示该连通域所呈现边缘方向的平整度;表示该连通域中原
始灰度值的波动程度。其中若连通域的评价指标越大,说明该连通域的边缘越平整,该连通
域在对应初始光学膜灰度图像中的灰度分布越离散,反映该连通域越有可能为压痕瑕疵。
获取该初始边缘检测图像中所有连通域的评价指标;获取所有初始边缘检测图像中所有连
通域的评价指标。
至此,通过上述方法得到所有初始边缘检测图像中所有连通域的评价指标。
步骤S003:根据相邻初始边缘检测图像的若干评价指标得到若干对照参数;根据评价指标以及对照参数得到每张初始边缘检测图像的中断指标;根据初始光学膜灰度图像以及中断指标进行阈值判断得到每张光学膜灰度图像的待检光学膜灰度图像;根据待检光学膜灰度图像进行梯度分析得到每个连通域像素点的原始梯度幅值;根据原始梯度幅值以及初始边缘检测图像进行梯度替换得到每张光学膜灰度图像的第二导向矩阵。
需要说明的是,随着初始边缘检测图像的变化,其中对应连通域的评价指标也会发生变化,压痕瑕疵所显示的清晰度也会不断发生变化,为了尽快确定合适的初始边缘检测图像,可以根据相邻初始边缘检测图像之间评价指标的差异得到中断指标,通过中断指标确定合适的初始边缘检测图像,然后根据合适的初始边缘检测图像对光学膜灰度图像进行调整,以便后续压痕瑕疵的检测。
具体的,以该光学膜灰度图像的任意两张相邻的初始边缘检测图像为例,在这两张初始边缘检测图像中,将第二张初始边缘检测图像记为目标边缘检测图像,将连通域数量最大的初始边缘检测图像记为第一参照边缘图像,将另一张初始边缘检测图像记为第二参照边缘图像;第一参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为基准序列;将第二参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为参照序列。
进一步的,预设一个评价指标数量T0,其中本实施例以T0=5为例进行叙述,本实施例不进行具体限定,其中T0可根据具体实施情况而定;以基准序列中任意一个评价指标为例,在参照序列中获取与该评价指标的差值的绝对值最小的T0个评价指标,将这T0个评价指标记为该评价指标的对照评价指标;以该评价指标的任意一个对照评价指标为例,将该对照评价指标与该评价指标的差值的绝对值记为该评价指标的一个对照参数;获取该基准序列中该评价指标的所有对照参数,获取该基准序列中所有评价指标的所有对照参数。
进一步的,根据该基准序列中所有评价指标的所有对照参数得到该目标边缘检测图像的中断指标。其中该目标边缘检测图像的中断指标的计算方法为:;
式中,表示该目标边缘检测图像的中断指标;表示该基准序列中所有评价
指标的数量;表示该基准序列中第个评价指标的所有对照参数的最大值;表示
该基准序列中第个评价指标的所有对照参数的最小值;表示该基准序列中第个评
价指标的所有对照参数的均值;表示该基准序列中第个评价指标;表示
辛格函数;表示取绝对值;表示该基准序列中第个评价指标的所有对照参数对应的
连通域边缘的相对平整性;表示该基准序列中第个评价指标的所有对照参数对应连通
域的平整特征。其中若该目标边缘检测图像的中断指标越大,说明该目标边缘检测图像中
瑕疵区域显示越明显,反映该目标边缘检测图像中剩余频率对应的图像信息越合理。
进一步的,预设一个中断指标阈值T1,其中本实施例以T1=0.75为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;若该目标边缘检测图像的中断指标大于T1,将该目标边缘检测图像对应的初始光学膜灰度图像记为该光学膜灰度图像的一个初始待检灰度图像;获取该光学膜灰度图像的所有初始待检灰度图像,将该光学膜灰度图像的第一个初始待检灰度图像记为该光学膜灰度图像的待检光学膜灰度图像。其中每张光学膜灰度图像对应一张待检光学膜灰度图像,每张光学膜灰度图像对应一张初始边缘检测图像。需要说明的是,该光学膜灰度图像的中心频谱图像内所有参考半径的获取顺序与该光学膜灰度图像的所有初始边缘检测图像的排列顺序一致。
进一步的,利用sobel算子获取该待检光学膜灰度图像中所有像素点的梯度幅值;以该待检光学膜灰度图像的初始边缘检测图像中任意一个连通域内任意一个连通域像素点为例,将该连通域像素点在该待检光学膜灰度图像中的梯度幅值记为该连通域像素点的初始原始梯度幅值,根据该连通域像素点的初始原始梯度幅值得到该连通域像素点的原始梯度幅值。其中该连通域像素点的原始梯度幅值的计算方法为:;
式中,表示该连通域像素点的原始梯度幅值;表示该连通域像素点的初始
原始梯度幅值;表示该连通域的评价指标;表示所有连通域的评价指标的最大值。
其中若该连通域像素点的原始梯度幅值越大,说明该连通域像素点的初始原始梯度幅值需
要调整的幅度越大,反映该连通域像素点原本存在的误差越大。获取所有连通域像素点的
原始梯度幅值。
进一步的,构建一个矩阵大小与该待检光学膜灰度图像大小相同的空矩阵;以该待检光学膜灰度图像的初始边缘检测图像中任意一个连通域像素点为例,将该连通域像素点的原始梯度幅值赋予空矩阵中与该连通域像素点位置序号相同的元素;将每个连通域像素点的梯度幅值赋予空矩阵中与每个连通域像素点位置序号相同的元素后,将此时的空矩阵记为该待检光学膜灰度图像的第一导向矩阵;将该待检光学膜灰度图像的初始边缘检测图像中除连通域像素点以外的任意一个像素点记为常规像素点,将该常规像素点在该待检光学膜灰度图像中的梯度幅值记为该常规像素点的原始梯度幅值,将该常规像素点的原始梯度幅值赋予第一导向矩阵中与该常规像素点位置序号相同的元素;将每个常规像素点的梯度幅值赋予第一导向矩阵中与每个常规像素点位置序号相同的元素后,将此时的第一导向矩阵记为该光学膜灰度图像的第二导向矩阵;获取每张光学膜灰度图像的第二导向矩阵。例如:一个连通域像素点在初始边缘检测图像中的位置序号是第2行第5列,这个连通域像素点的原始梯度幅值为50,那么在矩阵中第2行第5列的元素数值为50;一个常规像素点在初始边缘检测图像中的位置序号是第3行第2列,这个常规像素点的原始梯度幅值为25,那么在矩阵中第3行第2列的元素数值为25。其中,初始边缘检测图像中每个像素点在第二导向矩阵中对应一个元素;sobel算子是公知技术,本实施例不再赘述。
至此,通过上述方法得到每张光学膜灰度图像的第二导向矩阵。
步骤S004:根据第二导向矩阵以及光学灰度图像进行瑕疵检测得到若干压痕瑕疵。
具体的,以任意一张光学膜灰度图像为例,在该光学膜灰度图像的第二导向矩阵中,将每个元素的数值重新赋予该光学膜灰度图像中对应像素点的梯度幅值后,将这时的光学膜灰度图像记为该光学膜灰度图像的导向光学膜灰度图像。将该光学膜灰度图像作为导向滤波器的目标图像,将该光学膜灰度图像的导向光学膜灰度图像作为导向滤波器的引导图像,根据目标图像以及引导图像利用导向滤波器得到滤波结果图像,并记为该光学膜灰度图像的增强图像。其中根据目标图像以及引导图像获取滤波结果图像的过程是导向滤波器的公知内容,本实施例不再赘述。
进一步的,将该光学膜灰度图像的增强图像输入训练好的神经网络中获取该光学膜灰度图像中的若干压痕瑕疵;其中本实施例使用的神经网络为Resnet50,训练该神经网络的数据集的获取方法为:
采集大量光学膜灰度图像的增强图像,人为地在每个光学膜灰度图像的增强图像中标记出压痕瑕疵位置,也即光学膜灰度图像中压痕瑕疵位置标记为1,非压痕瑕疵置标记为0,这个标记结果记为每个光学膜灰度图像的增强图像的标签;采集大量光学膜灰度图像的增强图像以及其对应的标签构成数据集;利用该数据集训练该神经网络,训练过程中使用的损失函数为交叉熵损失函数;其中具体的训练过程是神经网络的公知内容,本实施例不再赘述具体的训练过程。
至此,通过上述方法得到所有光学膜灰度图像中的若干压痕瑕疵。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,该方法包括以下步骤:
采集若干光学膜的光学膜灰度图像;
将任意一个光学膜灰度图像的频谱图像划分为若干参考区域;对于任意一个参考区域,将去除参考区域后的频谱图像记为过滤中心频谱图像,将过滤中心频谱图像进行逆傅里叶变换得到过滤后的光学膜灰度图像,记为初始光学膜灰度图像;对初始光学膜灰度图像进行Canny边缘检测得到初始边缘检测图像,所述初始边缘检测图像上的所有边缘像素点构成多个连通域,将连通域中每个像素点记为连通域像素点;对初始边缘检测图像的连通域进行方向分析得到每个连通域中每个初始主方向的方向像素点量;根据方向像素点量得到每个连通域的评价指标,所述评价指标用于描述连通域属于压痕瑕疵的可能性;
根据相邻初始边缘检测图像的若干评价指标得到若干对照参数;根据评价指标以及对照参数得到每张初始边缘检测图像的中断指标,所述中断指标用于描述瑕疵区域显示的清晰度;根据初始光学膜灰度图像以及中断指标进行阈值判断得到每张光学膜灰度图像的待检光学膜灰度图像;根据待检光学膜灰度图像进行梯度分析得到每个连通域像素点的原始梯度幅值;根据原始梯度幅值以及初始边缘检测图像进行梯度替换得到每张光学膜灰度图像的第二导向矩阵;
根据第二导向矩阵以及光学灰度图像进行瑕疵检测得到若干压痕瑕疵。
2.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述将任意一个光学膜灰度图像的频谱图像划分为若干参考区域,包括的具体方法为:
对于任意一张光学膜灰度图像,对光学膜灰度图像的频谱图像进行频谱中心化得到中心化后的频谱图像,将中心化后的频谱图像记为中心频谱图像;
对于任意一张中心频谱图像,以r为半径做圆形区域,其中以r=1为初始值,以1为步长,依次令r递增,得到若干个圆形区域;将每个圆形区域在中心频谱图像中所占的区域记为参考区域。
3.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述对初始边缘检测图像的连通域进行方向分析得到每个连通域中每个初始主方向的方向像素点量,包括的具体方法为:
对于任意一张初始边缘检测图像中任意一个连通域,利用PCA主成分分析法获取连通域的所有特征向量,将每个特征向量在连通域中对应的方向记为初始主方向;
对于任意一个初始主方向,在连通域中,将初始主方向上所包含连通域像素点的最大数量记为初始主方向的方向像素点量。
4.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据方向像素点量得到每个连通域的评价指标,包括的具体方法为:
将每个连通域像素点在初始光学膜灰度图像中的灰度值记为连通域像素点的原始灰度值;
;
对于任意一张初始边缘检测图像中任意一个连通域,式中,表示连通域的评价指标;表示连通域中所有初始主方向的方向像素点量的最大值;/>表示连通域中所有初始主方向的方向像素点量的最小值;/>表示连通域中所有连通域像素点的数量;/>表示连通域中第/>个连通域像素点的原始灰度值;/>表示连通域中所有连通域像素点的原始灰度值的均值;/>表示连通域中所有连通域像素点的原始灰度值的标准差;/>表示预设的超参数。
5.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据相邻初始边缘检测图像的若干评价指标得到若干对照参数,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将连通域数量最大的初始边缘检测图像记为第一参照边缘图像,将另一张初始边缘检测图像记为第二参照边缘图像;第一参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为基准序列;将第二参照边缘图像中所有连通域的评价指标进行降序排列,将排列后的序列记为参照序列;
将预设的评价指标数量记为T0;将基准序列中任意一个评价指标记为第一评价指标,在参照序列中获取与第一评价指标的差值的绝对值最小的T0个评价指标,将这T0个评价指标记为第一评价指标的对照评价指标;
对于第一评价指标的任意一个对照评价指标,将对照评价指标与第一评价指标的差值的绝对值记为第一评价指标的一个对照参数。
6.根据权利要求5所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据评价指标以及对照参数得到每张初始边缘检测图像的中断指标,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将第二张初始边缘检测图像记为目标边缘检测图像;
;
式中,表示目标边缘检测图像的中断指标;/>表示基准序列中所有评价指标的数量;/>表示基准序列中第/>个评价指标的所有对照参数的最大值;/>表示基准序列中第/>个评价指标的所有对照参数的最小值;/>表示基准序列中第/>个评价指标的所有对照参数的均值;/>表示基准序列中第/>个评价指标;/>表示辛格函数;/>表示取绝对值。
7.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据初始光学膜灰度图像以及中断指标进行阈值判断得到每张光学膜灰度图像的待检光学膜灰度图像,包括的具体方法为:
对于任意一张光学膜灰度图像的任意两张相邻的初始边缘检测图像,在两张初始边缘检测图像中,将第二张初始边缘检测图像记为目标边缘检测图像,将预设的中断指标阈值记为T1;
若目标边缘检测图像的中断指标大于T1,将目标边缘检测图像对应的初始光学膜灰度图像记为光学膜灰度图像的一个初始待检灰度图像;获取光学膜灰度图像的所有初始待检灰度图像,将光学膜灰度图像的第一个初始待检灰度图像记为光学膜灰度图像的待检光学膜灰度图像。
8.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据待检光学膜灰度图像进行梯度分析得到每个连通域像素点的原始梯度幅值,包括的具体方法为:
对于任意一张光学膜灰度图像的待检光学膜灰度图像,利用sobel算子获取待检光学膜灰度图像中所有像素点的梯度幅值;对于待检光学膜灰度图像的初始边缘检测图像中任意一个连通域内任意一个连通域像素点,将连通域像素点在待检光学膜灰度图像中的梯度幅值记为连通域像素点的初始原始梯度幅值;
;
式中,表示连通域像素点的原始梯度幅值;/>表示连通域像素点的初始原始梯度幅值;/>表示连通域的评价指标;/>表示所有连通域的评价指标的最大值。
9.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据原始梯度幅值以及初始边缘检测图像进行梯度替换得到每张光学膜灰度图像的第二导向矩阵,包括的具体方法为:
对于任意一张光学膜灰度图像的待检光学膜灰度图像,构建一个矩阵大小与待检光学膜灰度图像大小相同的空矩阵;对于待检光学膜灰度图像的初始边缘检测图像中任意一个连通域像素点,将连通域像素点的原始梯度幅值赋予空矩阵中与连通域像素点位置序号相同的元素;将每个连通域像素点的梯度幅值赋予空矩阵中与每个连通域像素点位置序号相同的元素后,将空矩阵记为待检光学膜灰度图像的第一导向矩阵;
将待检光学膜灰度图像的初始边缘检测图像中除连通域像素点以外的任意一个像素点记为常规像素点,将常规像素点在待检光学膜灰度图像中的梯度幅值记为常规像素点的原始梯度幅值,将常规像素点的原始梯度幅值赋予第一导向矩阵中与常规像素点位置序号相同的元素;将每个常规像素点的梯度幅值赋予第一导向矩阵中与每个常规像素点位置序号相同的元素后,将第一导向矩阵记为光学膜灰度图像的第二导向矩阵。
10.根据权利要求1所述一种光学膜表面瑕疵缺陷智能检测方法,其特征在于,所述根据第二导向矩阵以及光学灰度图像进行瑕疵检测得到若干压痕瑕疵,包括的具体方法为:
对于任意一张光学膜灰度图像,在光学膜灰度图像的第二导向矩阵中,将每个元素的数值重新赋予光学膜灰度图像中对应像素点的梯度幅值后,将光学膜灰度图像记为光学膜灰度图像的导向光学膜灰度图像;
将光学膜灰度图像作为导向滤波器的目标图像,将光学膜灰度图像的导向光学膜灰度图像作为导向滤波器的引导图像,根据目标图像以及引导图像利用导向滤波器得到滤波结果图像,并记为光学膜灰度图像的增强图像;
将光学膜灰度图像的增强图像输入训练好的神经网络中获取光学膜灰度图像中的若干压痕瑕疵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472129.8A CN117232791B (zh) | 2023-11-07 | 2023-11-07 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472129.8A CN117232791B (zh) | 2023-11-07 | 2023-11-07 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117232791A true CN117232791A (zh) | 2023-12-15 |
CN117232791B CN117232791B (zh) | 2024-02-09 |
Family
ID=89082829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311472129.8A Active CN117232791B (zh) | 2023-11-07 | 2023-11-07 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117232791B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280823A (zh) * | 2017-12-29 | 2018-07-13 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
CN111899215A (zh) * | 2020-06-15 | 2020-11-06 | 浙江大学 | 一种光学元件体缺陷的提取方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN113706461A (zh) * | 2021-07-19 | 2021-11-26 | 浙江中新电力工程建设有限公司配电分公司 | 一种基于图像识别的绝缘毯微缺陷识别系统 |
CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及系统 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
-
2023
- 2023-11-07 CN CN202311472129.8A patent/CN117232791B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280823A (zh) * | 2017-12-29 | 2018-07-13 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
CN111899215A (zh) * | 2020-06-15 | 2020-11-06 | 浙江大学 | 一种光学元件体缺陷的提取方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN113706461A (zh) * | 2021-07-19 | 2021-11-26 | 浙江中新电力工程建设有限公司配电分公司 | 一种基于图像识别的绝缘毯微缺陷识别系统 |
CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及系统 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117232791B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116092015B (zh) | 一种道路施工状态监测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN117232791B (zh) | 一种光学膜表面瑕疵缺陷智能检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN116612125B (zh) | 基于人工智能的食药品胶囊质量检测方法 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN108734706A (zh) | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 | |
CN114742786A (zh) | 基于人工智能的齿面磨粒磨损程度评估方法 | |
CN116109543A (zh) | 一种数据快速识别读取方法及装置、计算机可读存储介质 | |
CN117934456B (zh) | 一种基于图像处理的包装盒印刷质量检测方法 | |
CN117173168B (zh) | 基于人工智能的oled显示屏质量检测方法 | |
CN116452467B (zh) | 基于激光数据的集装箱实时定位方法 | |
CN115511803B (zh) | 一种大米碎米检测方法和系统 |
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 |