CN118209556A - 缺陷检测方法 - Google Patents

缺陷检测方法 Download PDF

Info

Publication number
CN118209556A
CN118209556A CN202410297906.8A CN202410297906A CN118209556A CN 118209556 A CN118209556 A CN 118209556A CN 202410297906 A CN202410297906 A CN 202410297906A CN 118209556 A CN118209556 A CN 118209556A
Authority
CN
China
Prior art keywords
defect
module
frames
defects
detection method
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.)
Pending
Application number
CN202410297906.8A
Other languages
English (en)
Inventor
朱晓春
潘扬敬
帅耀珠
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.)
Luxshare Automation Jiangsu Ltd
Original Assignee
Luxshare Automation Jiangsu 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 Luxshare Automation Jiangsu Ltd filed Critical Luxshare Automation Jiangsu Ltd
Priority to CN202410297906.8A priority Critical patent/CN118209556A/zh
Publication of CN118209556A publication Critical patent/CN118209556A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G01N2021/8887—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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开一种缺陷检测方法，视觉检测模组通过底座与发光组件的组合用于检查多工位的外观缺陷，视觉检测模组通过底座与发光组件通过不同的发光方式与照射角度去检测工件，如此才可以对工件进行最全面的检测。缺陷检测工作站对于声学零部件进行缺陷检测的自动化流程，并且缺陷检测工作站包括多种视觉检测模组针对结构精密复杂的声学零部件分别进行缺陷检测。同时，通过不同深度学习模型串联组合成深度学习算法对缺陷进行检测，并分别定位缺陷区域以及对缺陷分割，如此提高产品缺陷检测效率以及节约人力成本。

Description

缺陷检测方法
本申请为分案申请，原申请的申请日为：2021年03月19日，申请号：202110295090.1，申请名称为：视觉检测模组、缺陷检测工作站及缺陷检测方法。
技术领域
本申请涉及缺陷检测的技术领域，尤其涉及一种缺陷检测方法。
背景技术
于电子产品和工业产品生产场景中，不同的生产工艺环节会造成不同的产品外观缺陷，常见的缺陷类型有划伤、压伤、脏污、异物、粘胶、溢胶，缺损等等。这些产品表面的缺陷若不能及时检测出来，不仅影响产品外观，还会对产品的质量、性能造成影响。对于结构复杂、材质多样的产品来说，增加了缺陷检测的难度。又，声学零部件作为一种构造精密、结构复杂的工件，外观缺陷多达几十种，实际检测是采用人工目视检查的方法进行质量检测，但人力检测的方式通常会受到质检人员的外在环境因素影响较大，检测标准与检测质量比较难以维持稳定。
发明内容
本申请实施例提供一种缺陷检测方法，可以有效解决目前产品表面的缺陷通过质检人员进行人工检测，检测标准与检测质量比较难以维持稳定的问题。
为了解决上述技术问题，本申请是这样实现的：
提供了一种缺陷检测方法，其特征在于，其步骤包括采集料件的图像，并将所述图像输入定位缺陷区域模块，所述定位缺陷区域模块从所述图像中框选出具有缺陷的区域，以提取出多个缺陷框架，对所述图像进行定位缺陷区域；以及将多个所述缺陷框架输入缺陷分割模块，所述缺陷分割模块对每个所述缺陷框架内的多个像素进行分析为缺陷或非缺陷，将多个所述缺陷框架进行缺陷分割。
在本申请实施例中，通过不同深度学习模型串联组合成深度学习算法对缺陷进行检测，并分别定位缺陷区域以及对缺陷分割，如此提高产品缺陷检测效率以及节约人力成本。
在其中一个实施例中，于所述定位缺陷区域模块从所述图像中框选出具有缺陷的区域，以提取出多个缺陷框架的步骤中，所述定位缺陷区域模块将所述图像划分成多个框架，并对于多个所述框架进行判断具有缺陷或非缺陷，当所述框架判断具有缺陷则提取为所述缺陷框架。
在其中一个实施例中，每个所述缺陷框架具有对应的平面座标位置，再配合对应的所述缺陷框架的宽和高，以定位缺陷区域。
在其中一个实施例中，于进行缺陷检测方法的步骤前，所述定位缺陷区域模块进行深度学习，其步骤包括：采集多个所述图像，并随机挑选多个所述图像成训练集；对所述训练集中的所述图像有缺陷的区域以矩形框标注起来，以作为训练时进行对比的标注；将采集到的多个所述图像及对应的矩形框标注输入所述定位缺陷区域模块进行训练；以及在训练完成后，所述定位缺陷区域模块可对于未标注的所述图像进行定位缺陷，所述定位缺陷区域模块能提取出所述图像里面所有包含缺陷的所述缺陷框架。
在其中一个实施例中，于进行缺陷检测方法的步骤前，所述缺陷分割模块进行深度学习，其步骤包括：所述定位缺陷区域模块提取出的多个所述缺陷框架作为训练集；对多个所述缺陷框架中的多个所述像素进行具有缺陷或无缺陷的标示；将多个所述缺陷框架及对应的具有缺陷或无缺陷的所述标示输入到所述缺陷分割模块进行训练；以及训练完成后，所述缺陷分割模块可对于未标标具有缺陷或无缺陷的所述缺陷框架内的缺陷分割出来。
在其中一个实施例中，将所述图像输入定位缺陷区域模块以提取出多个缺陷框架的步骤中，若发现有未被提取出的缺陷，则要调整所述定位缺陷区域模块设定的缺陷阈值。
在其中一个实施例中，将多个所述缺陷框架输入缺陷分割模块进行缺陷分割的步骤中，若发现分割出来的缺陷不完整，则要调整所述缺陷分割模块设定的缺陷分割阈值。
在本申请实施例中，视觉检测模组通过底座与发光组件的组合用于检查多工位的外观缺陷，视觉检测模组通过底座与发光组件通过不同的发光方式与照射角度去检测工件，如此才可以对工件进行最全面的检测。缺陷检测工作站对于声学零部件进行缺陷检测的自动化流程，并且缺陷检测工作站包括多种视觉检测模组针对结构精密复杂的声学零部件分别进行缺陷检测。同时，通过不同深度学习模型串联组合成深度学习算法对缺陷进行检测，并分别定位缺陷区域以及对缺陷分割，如此提高产品缺陷检测效率以及节约人力成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请的第一实施方式的视觉检测模组的示意图。
图2是本申请的第二实施方式的视觉检测模组的示意图。
图3是本申请的第三实施方式的视觉检测模组的示意图。
图4是本申请的缺陷检测工作站的示意图。
图5是本申请的缺陷检测方法的方块图。
具体实施方式
以下将以图式揭露本申请的多个实施方式，为明确说明起见，许多实施上的细节将在以下叙述中一并说明。然而，应了解到，这些实施上的细节不应用以限制本申请。也就是说，在本申请的部分实施方式中，这些实施上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示。在以下各实施例中，将以相同的标号表示相同或相似的组件。
请参阅图1，是本申请的第一实施方式的视觉检测模组的示意图。如图所示，本实施方式提供一种视觉检测模组1，其包括底座11、发光组件13与检测组件15。底座11具有发光面111。发光组件13位于底座11上方。检测组件15具有检测镜头151，检测镜头151位于发光组件13的上方，检测镜头151用于对料件100的表面缺陷进行检测。
承上所述，发光组件13包括低角度光源组件131、高角度光源组件132与同轴光源组件133，低角度光源组件131位于底座11上方，高角度光源组件132位于低角度光源组件131上方，同轴光源组件133位于高角度光源组件132上方。其中低角度光源组件131为环形光源，低角度光源组件131的光源面1311相对于底座11的发光面111的上表面的夹角介于70度至90度之间。再者，高角度光源组件132为环形光源，高角度光源组件132的光源面1321相对于底座11的发光面111的夹角介于20度至40度之间。另外，同轴光源组件133为面光源，同轴光源组件133的光源面1331相对于底座11的发光面111的夹角介于80度至100度之间。通过上述光学照射方式有利于检测缺陷。
于本实施方式中，检测组件15采用8.9MP相机，并且相机镜头为远心镜头。检测组件15搭配上述底座11的发光面111与发光组件13的低角度光源、高角度光源与同轴光源所形成的光源照射进行检测。本实施方式将受检测的料件100置放于底座11的发光面111上方，再通过发光组件13多角度且大范围的照射于料件100的表面，若料件100的结构正常，则光线照射于料件100的表面会产生正常的反射光线，检测组件15会接收到正常的光源反射。若料件100的表面具有伤痕、破损或脏污等情况发生，则光线照射于料件100的表面会产生不正常的反射光线，检测组件15会收到异常的光源反射。本实施方式的视觉检测模组1适用于检测料件100的表面结构。
请参阅图2，是本申请的第二实施方式的视觉检测模组的示意图。如图所示，本实施方式相较于第一实施方式的差异在于发光组件13。于本实施方式中，发光组件13包括球形光源组件134，球形光源组件134包括球形反射面板1341与环形光件1342，球形反射面板1341罩设于环形光件1342上，并环形光件1342的光源面朝向球形反射面板1341，球形反射面板1341具有检测孔1343，检测孔1343对应于料件100，检测镜头151通过检测孔1343检测料件100。
于本实施方式中，检测组件15采用8.9MP相机，并且相机镜头为远心镜头。检测组件15搭配上述底座11的发光面111与发光组件13形成的球型光源照射进行检测。本实施方式将受检测的料件100置放于底座11的发光面111上，再通过发光组件13球型光源照射于料件100的表面。本实施方式的视觉检测模组1适用于检测环形的料件100的溢胶、破损或变形等等。
请参阅图3，是本申请的第三实施方式的视觉检测模组的示意图。如图所示，本实施方式相较于第一实施方式的差异在于发光组件13。于本实施方式中，发光组件13包括光源组件135与同轴光源组件136，光源组件135位于底座11上方，同轴光源组件136位于光源组件135上方，检测镜头151的检测路径对应于底座11的发光面111具有夹角，夹角介于50度至90度之间。其中光源组件135的光源面1351相对于底座11的发光面111具有角度。同轴光源组件136为面光源，同轴光源组件136的光源面1361相对于底座11的发光面111的角度为90度。
于本实施方式中，检测组件15采用8.9MP相机，并且相机镜头为远心镜头。检测组件15搭配上述底座11的发光面111与发光组件13的低角度光源与面光源照射进行检测。本实施方式将受检测的料件100置放于底座11的发光面111上，再通过发光组件13针对于低角度光源与面光源方式的照射于料件100的表面。本实施方式的视觉检测模组1适用于检测料件100结构破损或偏移等等。
具上论结，有关于上述各实施方式的视觉检测模组1通过底座11与发光组件13的组合可用于检查声学零部件的料件100的外观缺陷，声学零部件的料件100结构复杂，不同的料件100部位会具有多种缺陷，此缺陷包括划伤、压伤、破损、脏污、变形、溢胶圈等，所以需要底座11与发光组件13通过不同的发光方式与照射角度去检测料件100，再进一步通过对检测组件15的聚焦面、曝光时间等和光源的参数设置也需要相应的调整，如此才可以对料件100进行最全面的检测。
请参阅图4，是本申请的缺陷检测工作站的示意图。如图所示，于本实施方式中，缺陷检测工作站2包括输送带21、上料模组22、第一视觉检测模组23、翻转机构24、第二视觉检测模组25与分料模组26。本实施方式通过上述机构进行自动化的制程，说明如下：
于本实施方式中，输送带21用于输送料件100，其中输送带21依序将料件100输送经过上料模组22、第一视觉检测模组23、翻转机构24、第二视觉检测模组25与分料模组26。
上料模组22设置于输送带21的一侧，上料模组22用于将料件100移动至输送带21上。其中上料模组22可为机械手臂，其可通过反复夹取料件100的方式进行上料。
第一视觉检测模组23包括如前述第一到第三实施方式的视觉检测模组1，视觉检测模组1设置于上料模组22之后，第一视觉检测模组23用于检测料件100的第一表面结构。其中料件100需要通过由第一实施方式的视觉检测模组1进行料件100的第一表面结构的检测，检测料件100的伤痕、破损或脏污等情况的大范围区域检测。第二实施方式的视觉检测模组1进行料件100的第一表面结构的溢胶、破损或变形等。第三实施方式的视觉检测模组1进行料件100的第一表面结构的结构破损或偏移等等。上述视觉检测模组1可依据使用者的需求安排对应检测结构的机构。
翻转机构24设置于第一视觉检测模组23之后，翻转机构24用于翻转料件100以使第一表面结构与相对于第一表面结构的第二表面结构的位置互换。如此后续进行料件100的第二表面结构的检测。
第二视觉检测模组25包括如前述第一到第三实施方式的视觉检测模组1，视觉检测模组1设置于翻转机构24之后，第二视觉检测模组25对于料件100的第二表面结构进行检测，其中第一视觉检测模组23与第二视觉检测模组25相同，第二视觉检测模组25同样通过第一实施方式到第三实施方式的视觉检测模组1分别进行检测料件100的第二表面结构。
分料模组26设置于第二视觉检测模组25之后，分料模组26将料件100依据第一视觉检测模组23与第二视觉检测模组25的检测结果分成良品或不良品。
另外，缺陷检测工作站2还包括扫码模组27，扫码模组27位于上料模组22与第一视觉检测模组23之间，扫码模组27用于扫描料件100的编码。其中除了当料件100被检测出异常时，其能够快速且有效的确认料件100之外，也可以查询制作料件100的来源，以确认料件100的结构发生异常的原因。
于本实施方式中，通过缺陷检测工作站2对于声学零部件的料件100进行缺陷检测的自动化流程，并且缺陷检测工作站2包括多种视觉检测模组针对结构精密复杂的声学零部件的料件100分别进行缺陷检测，如此自动化流程有利于提高检测速度。同时，多种视觉检测模组有利于提高检测质量。
请参阅图5，是本申请的缺陷检测方法的方块图。如图所示，本实施方式提供一种缺陷检测方法，其步骤包括：
步骤S100：采集料件的图像，并将图像输入定位缺陷区域模块，定位缺陷区域模块从图像中框选出具有缺陷的区域，以提取出多个缺陷框架，对图像进行定位缺陷区域，其中定位缺陷区域模块将图像划分成多个框架，并对于多个框架进行判断具有缺陷或非缺陷，当框架判断具有缺陷则提取为缺陷框架。若发现有未被提取出的缺陷，则要调整定位缺陷区域模块设定的缺陷阈值。
于本实施方式中，每个缺陷框架为矩形框架，缺陷框架具有对应的平面座标位置的X,Y座标，其中X,Y座标是缺陷框架的中心座标，再配合对应的缺陷框架的宽W和高H，以定位缺陷区域的缺陷框架座标(X,Y,W,H)。如此简化了网络的复杂度，对于模型的训练推理性能以及速度都有提升，且更加适用于当前场景。在此基础上，最后对得到的所有缺陷框架，做一次非极大值抑制，最终留下最匹配的目标区域的缺陷框架为最终结果。
步骤S200：将多个缺陷框架输入缺陷分割模块，缺陷分割模块对每个缺陷框架内的多个像素进行分析为缺陷或非缺陷，将多个缺陷框架进行缺陷分割，若发现分割出来的缺陷不完整，则要调整缺陷分割模块设定的缺陷分割阈值。
另外，于进行缺陷检测方法的步骤前，定位缺陷区域模块与缺陷分割模块都需要先进行深度学习，其步骤包括：
步骤一：采集多个图像，其中具体数量根据现场需求以及训练模型需要的需求量来进行确定，并随机挑选多个图像成训练集；
步骤二：为训练集中的多个图像有缺陷的区域以矩形框标注起来，以作为训练时进行对比的标注；
步骤三：将采集到的多个图像及对应的矩形框标注输入定位缺陷区域模块进行训练，在训练完成后，定位缺陷区域模块可对于未标注的图像进行定位缺陷，定位缺陷区域模块能成功地提取出图像里面所有包含缺陷的缺陷框架；
步骤四：对于步骤三提取出来的缺陷框架，检查是否提取出来的缺陷框架均包含标注。如果都包含标注则可以将所有提取出来的缺陷框架作为缺陷分割模块的训练集。
步骤五：对多个缺陷框架中的多个像素进行具有缺陷或无缺陷的标示。对于缺陷框架内有缺陷的像素点标注为1，没有缺陷的像素点标注为0。
步骤六：将多个缺陷框架及对应的具有缺陷或无缺陷的标示输入到缺陷分割模块进行训练，训练完成后，缺陷分割模块可对于未标标具有缺陷或无缺陷的缺陷框架内的缺陷分割出来。其中缺陷分割模块其实相当于判定一个像素点是属于缺陷或非缺陷，因此这是一个典型的二分类问题，可以使用交叉熵损失函数。具体来说，在训练阶段，对于图像里的每一个像素点，缺陷分割模块均会输出一个0到1之间的预测值,如下示公式中的pi，代表像素点属于缺陷的概率，越接近1代表是缺陷的可能性越大。又，由于我们拥有对应的缺陷标注,如下示公式中的yi，标注为1代表缺陷，标注为0代表非缺陷，因此使用交叉熵损失函数来对比预测值和缺陷标注之间的差异就可以得到Loss，经过多次迭代优化Loss到最小值便可以得到最佳的缺陷分割模型。
公式：
于本实施方式中，通过不同深度学习模型串联组合成深度学习算法对缺陷进行检测，并分别定位缺陷区域以及对缺陷分割，如此提高产品缺陷检测效率以及节约人力成本。
综上所述，本申请提供一种视觉检测模组、缺陷检测工作站以及缺陷检测方法，视觉检测模组通过底座与发光组件的组合用于检查多工位的外观缺陷，视觉检测模组通过底座与发光组件通过不同的发光方式与照射角度去检测工件，如此才可以对工件进行最全面的检测。缺陷检测工作站对于声学零部件进行缺陷检测的自动化流程，并且缺陷检测工作站包括多种视觉检测模组针对结构精密复杂的声学零部件分别进行缺陷检测。同时，通过不同深度学习模型串联组合成深度学习算法对缺陷进行检测，并分别定位缺陷区域以及对缺陷分割，如此提高产品缺陷检测效率以及节约人力成本。
还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述说明示出并描述了本申请的若干优选实施方式，但如前对象，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施方式的排除，而可用于各种其他组合、修改和环境，并能够在本文对象发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (7)

1.一种缺陷检测方法，其特征在于，其步骤包括：
采集料件的图像，并将所述图像输入定位缺陷区域模块，所述定位缺陷区域模块从所述图像中框选出具有缺陷的区域，以提取出多个缺陷框架，对所述图像进行定位缺陷区域；以及
将多个所述缺陷框架输入缺陷分割模块，所述缺陷分割模块对每个所述缺陷框架内的多个像素进行分析为缺陷或非缺陷，将多个所述缺陷框架进行缺陷分割。
2.如权利要求1所述的缺陷检测方法，其特征在于，于所述定位缺陷区域模块从所述图像中框选出具有缺陷的区域，以提取出多个缺陷框架的步骤中，所述定位缺陷区域模块将所述图像划分成多个框架，并对于多个所述框架进行判断具有缺陷或非缺陷，当所述框架判断具有缺陷则提取为所述缺陷框架。
3.如权利要求2所述的缺陷检测方法，其特征在于，每个所述缺陷框架具有对应的平面座标位置，再配合对应的所述缺陷框架的宽和高，以定位缺陷区域。
4.如权利要求1所述的缺陷检测方法，其特征在于，于进行缺陷检测方法的步骤前，所述定位缺陷区域模块进行深度学习，其步骤包括：
采集多个所述图像，并随机挑选多个所述图像成训练集；
对所述训练集中的所述图像有缺陷的区域以矩形框标注起来，以作为训练时进行对比的标注；
将采集到的多个所述图像及对应的所述矩形框标注输入所述定位缺陷区域模块进行训练；以及
在训练完成后，所述定位缺陷区域模块可对于未标注的所述图像进行定位缺陷，所述定位缺陷区域模块能提取出所述图像里面所有包含缺陷的所述缺陷框架。
5.如权利要求4所述的缺陷检测方法，其特征在于，于进行缺陷检测方法的步骤前，所述缺陷分割模块进行深度学习，其步骤包括：
所述定位缺陷区域模块提取出的多个所述缺陷框架作为训练集；
对多个所述缺陷框架中的多个所述像素进行具有缺陷或无缺陷的标示；
将多个所述缺陷框架及对应的具有缺陷或无缺陷的所述标示输入到所述缺陷分割模块进行训练；以及
训练完成后，所述缺陷分割模块可对于未标标具有缺陷或无缺陷的所述缺陷框架内的缺陷分割出来。
6.如权利要求1所述的缺陷检测方法，其特征在于，将所述图像输入定位缺陷区域模块以提取出多个缺陷框架的步骤中，若发现有未被提取出的缺陷，则要调整所述定位缺陷区域模块设定的缺陷阈值。
7.如权利要求1所述的缺陷检测方法，其特征在于，将多个所述缺陷框架输入缺陷分割模块进行缺陷分割的步骤中，若发现分割出来的缺陷不完整，则要调整所述缺陷分割模块设定的缺陷分割阈值。
CN202410297906.8A 2021-03-19 2021-03-19 缺陷检测方法 Pending CN118209556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410297906.8A CN118209556A (zh) 2021-03-19 2021-03-19 缺陷检测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410297906.8A CN118209556A (zh) 2021-03-19 2021-03-19 缺陷检测方法
CN202110295090.1A CN113466235A (zh) 2021-03-19 2021-03-19 视觉检测模组、缺陷检测工作站及缺陷检测方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202110295090.1A Division CN113466235A (zh) 2021-03-19 2021-03-19 视觉检测模组、缺陷检测工作站及缺陷检测方法

Publications (1)

Publication Number Publication Date
CN118209556A true CN118209556A (zh) 2024-06-18

Family

ID=77868572

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110295090.1A Pending CN113466235A (zh) 2021-03-19 2021-03-19 视觉检测模组、缺陷检测工作站及缺陷检测方法
CN202410297906.8A Pending CN118209556A (zh) 2021-03-19 2021-03-19 缺陷检测方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110295090.1A Pending CN113466235A (zh) 2021-03-19 2021-03-19 视觉检测模组、缺陷检测工作站及缺陷检测方法

Country Status (1)

Country Link
CN (2) CN113466235A (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608127A (zh) * 2012-04-09 2012-07-25 杭州智感科技有限公司 基于机器视觉的金属盖表面缺陷检测设备
CN105757606A (zh) * 2016-03-03 2016-07-13 英华达（上海）科技有限公司 照明系统及图像获取系统
CN108144873B (zh) * 2017-12-29 2020-06-16 深圳市智能机器人研究院 一种视觉检测系统及方法
CN109859171B (zh) * 2019-01-07 2021-09-17 北京工业大学 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
CN110110723B (zh) * 2019-05-07 2021-06-29 艾瑞迈迪科技石家庄有限公司 一种图像中目标区域自动提取的方法及装置
CN110335239A (zh) * 2019-05-09 2019-10-15 菲特(天津)智能科技有限公司 基于深度学习的缺陷检测训练机器及其使用方法
CN112394070A (zh) * 2019-08-16 2021-02-23 研祥智能科技股份有限公司 产品图标的检测系统及方法
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN111103292A (zh) * 2019-12-31 2020-05-05 深圳市智信精密仪器有限公司 一种基于深度学习的手机缺陷检查视觉装置
CN111896550A (zh) * 2020-03-31 2020-11-06 广西师范大学 一种表面缺陷检测装置及方法
CN111951232A (zh) * 2020-07-24 2020-11-17 上海微亿智造科技有限公司 一种金属粉末注射成型外观缺陷检测方法及系统

Also Published As

Publication number Publication date
CN113466235A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
KR101772673B1 (ko) 멀티 광학 모듈 비전 검사 시스템
KR102102874B1 (ko) 자동 광학 검사 시스템 및 그 동작 방법
KR102636309B1 (ko) 결함 검사 장치
US7477370B2 (en) Method of detecting incomplete edge bead removal from a disk-like object
JP2007147442A (ja) 木材の検査方法及び装置及びプログラム
CN114742818A (zh) 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法
CN212301356U (zh) 一种轮毂焊缝视觉检测装置
US11378520B2 (en) Auto focus function for vision inspection system
CN109991232B (zh) 芯片崩边缺陷检测方法
CN115312414A (zh) 一种缺陷检测方法
CN108615232B (zh) 瓷层缺陷的检测方法、装置和检测平台
JP2006251561A (ja) 欠陥画素リペア方法
US6477265B1 (en) System to position defect location on production wafers
CN117558643A (zh) 一种晶圆ebr区域的检测方法
CN118209556A (zh) 缺陷检测方法
CN114113112B (zh) 一种基于三光源显微系统的表面微缺陷定位与识别方法
CN115165920B (zh) 一种三维缺陷检测方法及检测设备
KR102572968B1 (ko) 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치
US20230237636A1 (en) Vision inspection system for defect detection
WO2004107268A1 (en) Method and system for detecting top surface non-uniformity of fasteners
WO2010112894A1 (en) Automated 3d article inspection
WO2022044307A1 (ja) アライメント装置及びアライメント方法
CN114130709A (zh) 一种led晶粒外观检测方法
TWI724590B (zh) 自動缺陷檢測系統及檢測方法
JP4563183B2 (ja) スジ状ムラ欠陥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