DD298159A5 - Verfahren zur defektdetektion an periodischen, kleingemussterten oberflaechen - Google Patents

Abstract

Das Verfahren wird vorzugsweise zur Automatisierung der industriellen Qualitaetspruefung von Oberflaechen verschiedener Materialien, die eine periodische Musterung aufweisen, eingesetzt. Dabei soll ein Verfahren unter Verwendung an sich bekannter Methoden der digitalen Bildverarbeitung geschaffen werden, welches auf den densiometrischen und strukturellen Bezuegen im Bild aufbaut und auf einem Vergleich der Werte, der die Oberflaeche beschreibenden statistischen Texturmerkmale, beruht. Dabei werden in einer Lernphase ueber einer fehlerfreien Region Bildfragmente positioniert, aus denen ueber Grauwerthistogramme die Sollwerte der Texturmerkmale und deren Streuungen ermittelt werden. Im Unterschied zu unifarbenen, ungemusterten Oberflaechen sind hier die Bildfragmente nicht starr, sondern haben eine Groesze abhaengig vom Muster. Diese Fragmentgroeszen werden berechnet, indem die Periodenlaengen des Musters in horizontaler bzw. vertikaler Richtung ermittelt werden. Die Streuungsparameter dienen zur Einstellung der Toleranzschwellen eines Klassifikators. In der Detektionsphase werden die Istwerte ermittelt und die Anzahl der UEberschreitungen der jeweiligen Toleranzschwellen des Klassifikators als Masz fuer die Fehlerauspraegung aufsummiert. Zur schnellen Fehlererkennung werden zunaechst nur einfache, schnell berechenbare Merkmale erhoben und nur im Falle eines fehlerverdaechtigen Bildfragmentes alle uebrigen Merkmale zur Fehlererkennung herangezogen.{periodische, kleingemusterte Oberflaechen; Periodenfindung; Fehlererkennung; digitale Bildverarbeitung; strukturelle Bezuege; Texturanalyse; statistische Strukturmerkmale; Grauwerthistogramme; Toleranzschwellen; Parallelepipedklassifikator}

Description

wiederum auf dem bildelementweisen Vergleich zwischen zwei Bildern, von denen das eine von der zu prüfenden Oberfläche und das andere von der Vergleichsoberfläche herrühren. Die Verschiebung zwischen den beiden Bildern bei der Differenzbildung beträgt in der Regel ein oder mehrere Bildelemente in einer oder beiden Koordinatenrichtungen.

Das Vergleichsbild oder die Vergleichsbilder werden oft extrem einfach gestaltet, indem alle Bildelemente mit einem konstanten Wert belegt wer'en. Dann läuft die Oberflächenprüfung auf Schwellenvergleiche hinaus. Es werden eine oder mehrere Schwellen verwendet, je nachdem, ob die Grauwerte der Bildelemente im Normalfall oberhalb einer Schwelle liegen oder sich innerhalb eines bestimmten endlichen Intervalls, gebildet aus unterer und oberer Schranke, befinden. Alle die genannten Verfahren sind bekannt und werden für die Prüfung homogener Oberflächen oder transparenter Medien mit Erfolg eingesetzt. Der Einsatz derartiger Verfahren beschränkt sich aufgrund der einfachen Vergleichsoperationen auf eine begrenzte Klasse von Oberflächenmatarialien wie unifarbene, ungemusterte Oberflächen mit wenig Struktur. Eine Beschreibung derartiger Verfahren findet man zum Beispiel bei Fricke, H.: Bildverarbeitungssystem mit Zeilenkamera, Zeltschrift für wirtschaftliche Fertigung 1 5)86, Heft 11. Vielen gefundenen Lösungen über Prüfen von Oberflächen (Warenbahnen), insbesondere Textilien ist gemeinsam, daß ein auf den zu untersuchenden Stoff auftreffender Lichtstrahl remitiert und transmitiert wird und daß dieses Licht auf Lichtsensoren fällt, dort in ein analoges elektrisches Signal gewandelt und einer Auswertungsschaltung mit Summen-, Differenzbildung u.a. zugeführt wird. Die Auswertung besteht in einer analogen Diskriminierung bei festen oder empirisch veränderbaren bzw. aus anderen Signalen erzeugbaren Schwellen. Weiterhin wird in DE-PS 3426065 mit einer Kamera (Videokamera) das 512 χ 512-BiId eines textlien Flächengebildes im Durchlicht abgetastet, verbessert, digitalisiert und gespeichert. Aus diesem werden die geometrischen Daten berechnet und unter dem Gesichtspunkt einer Statistik mit Modelldaten bei tolerierbaren Fehlern verglichen bzw. klassifiziert. Bildverbesserungstechniken wie Bildaddition, Histogramm-Modifikation, Bildglätturg und -Verschärfung sowie Kantendetektion werden vorgeschlagen. Gesteuert wird der Bildverarbeitungsprozeß und -analyseprozeß durch einen Mikrorechner, der gegebenenfalls eine Fehlermarkierung veranlaßt. Mit dem Verfahren sollen unter vielen anderen Fehlern Maßabweichungen, Gewebefehler, Farbabweichungen, Flecken, Falten und Ris 3 detektierbar sein. Aus dieser Patentschrift geht allerdings nicht hervor, wie die Fehlerdetektion konkret realisiert werden soll und welche evtl. schon bekannten Verfahren angewendet werden sollen. Nachteilig bei den bekannten Verfahren zur Fehlerdetektion in Flächengebilden ist, daß sich die Auswertung des aus Remission bzw. Transmission erhaltenen Lichtstroms nur auf elektrisch-elektronische Signale bezieht. Damit gelangen allein die plötzlichen Änderungen der Signalparameter bezüglich eines statistisch erfaßbaren Normalstandes längs der Zeilen zur Auswertung und die strukturellen Bezüge zwischen den nächsten (und übernächsten usw.) Zeilen müssen unberücksichtigt bleiben. Damit wird die wesentliche Eigenschaft eines 2dimensionalen Bildes, Struktur und Textur aufgrund von Nachbarschaftsbeziehungen zwischen beliebigen Bildelementen zu besitzen, durch Schnitte in Form von bildzeilen zerstört. Diese Verfahren zerlegen ursprünglich 2dimensionale Bilder in 1 dimensionale Signale, womit ihre Schwächen, z. B. textile Fehler in Schußrichtung zu erkennen aber solche in Kettrichtung nicht detektieren zu können, grundsätzlich erklärbar sind.

Dia Überwindung dieser Mängel setzt die Berücksichtigung allgemeiner Nachbarschaftsbeziehungen in 2dimensionalen Bildern voraus. Dazu ist jedoch ein wesentlich höherer Berechnungsaufwand sowie das Ablegen meherer Bildzeilen (je nach Reichweite der Nachbarschaftsbeziehungen) in zusätzlichen schnellen Pufferspeichern erforderlich. Weiterhin entspricht es dem bekannten Stand der Technik, daß die Prüfverfahren belehrbar sind. Dies bedeutet, daß die Prüfparameter wie z. B. das Format der Prüffragmente die Schwellen oder die Vergleichsbilder vom System selbst eingestellt werden, wenn diesem Bilder von fehlerfreien Flächen bzw. fehlerbehafteten Flächen gezeigt werden.

In der Literatur werden Verfahren zui Defektdetektion bei ungemusterten, unifarbenen Oberflächen (Textilien) beschrieben, die auf dem Einsatz der statistischen Texturanalyse mittels einfacher Schwellenklassifikatoren beruhen (siehe Fritzsch, Röster, Schwarze: Vision & Voice Magazin 3/1990).

Es wurden auch Ansätze zur Untersuchung kleingemusturter Oberflächen (Textilien, Holz) veröffentlicht (Tufis: Bild und Ton 9/1989), die sich aber zunächst als nicht einsatzfähig für die Industrie erwiesen.

ZIoI der Erfindung

Das Ziel der Erfindung besteht in der schnellen Defektdetektion an periodischen, kleingemusterten Oberflächen in der industriellen Qualitätskontrolle.

Darlegung des Wesens der Erfindung

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur schnellen Erkennung von Fehlern in periodischen, kleingemusterten Oberflächen unter Verwendung an sich bekannter Verfahren der digitalen Bildverarbeitung zu schaffen, das auf den densiometrischen und strukturellen Bezügen der Warenoberfläche aufbaut und die fehlerfreien und fehlerbehafteten Oberflächenregionen mit statistischen Texturmerkmalen beschreibt und vergleicht. Die durch die bekannte Technik bisher gegebenen Grenzen der Anwendbarkeit von Verfahren der automatischen Oberflächeninspektion von kleingemusterten, periodischen Oberflächen werden bei Einsät? des erfindungsgemäßen Verfahrens aufgehoben. Der Anwendungsbereich des Verfahrens betrifft Oberflächen, die sich durch eine periodische Wiederkehr bestimmter Musterelemente auszeichnen. Erfindungsgemäß werden während der sogenannten Trainingsphase die für den späteren automatischen Ablauf des Verfahrens in der Inspektionsphase erforderlichen Parameter ermittelt. Die automatisch» Trainingsphase besteht aus den beiden Verfahrensteilen „Periodanfindung und Fragmentierung" und „Erhebung von Merkmalen in jedem Fragment in einem fehlerfreiem Gebiet".

Von der zu untersuchenden Oberflächen wird zunächst ein digitales Grauwertbild mit 16 Graustufen der Größe 128 x 128 bzw. 256 χ 256 erzeugt. Erfindungsgomäß werden vor der eigentlichen Inspektion die Periodenlängen in vertikaler und horizontaler Richtung mittels an sich bekannter Verfahren ermittelt und das zu untersuchende Gebiet wird mit einem Rechteckraster überzogen, in dem jedes Rechteck die Seitenlängen entsprechend der vorher ermittelten Periode besitzt. In jedem dieser

rechteckigen Fragmente existiert die gleiche Grauwertverteilung. Bei der Ermittlung der Periodenlängen kann man sich auf die Periode in horizontaler bzw. vertikaler Richtung beschränken. Dazu wird für jede der beiden Richtungen die Paarhäufigkeitsmatrix für die Abstände d = 1,2,..., dmax-1 berechnet. Ein Element cm(i, j) der Paarhäufigkeitsmatrix CM ist gleich oder proportional der Häufigkeit, mit der das Grauwertpaar (i, j) in je zwei Bildelementen vorkommt, die um einen Verschiebungsvektor, der durch den Abstand d und die Richtung a bestimmt ist, getrennt wird. Mittels Auswertung des Merkmals

Kontrast = L£(i - j)²cm(i,j)

der Paarhäufigkeitsmatrix für die Abstände d = 1,2,..., dmax-1 kann man die Periodenlängen des Musters in horizontaler und vertikaler Richtung erhalten. Trägt man die Werte für das Merkmal Kontrast in Abhängigkeit von der Richtung (a = 0° bzw. 90°) und dem Abstand d (d = 1,2,..., dmax-1) in ein rechtwinkliges Koordinatensystem ein, so entstehen zwei periodische Kurven von denen man jeweils die Orte der lokalen Minima bestimmt. Die Abstände je zwei benachbarter solcher Orte lokaler Minima werden erfaßt. Der Mittelwert aller dieser ermittelten Werte liefert die Periodenlänge in der gerade betrachteten Richtung (siehe Conners, Harlow: CGIP12 [1980] pp. 224-256). Mit Hilfe des entstandenen Rasters ist es nun möglich in jedem Fragment eine Grauwertstatistikzu erstellen und auszuwerten. Im Gegensatz zur Untersuchung unifarbener, ungemusterter Oberflächen ist die Fragmentgröße hier nicht starr, sondern richtet sich nach dem Muster. In der Lernphase wird, wie an sich bekannt, ein Klassifikator anhand eines fehlerfreien Bildes aufgestellt (siehe Fritzsch, Rosier, Schwarze: Vision & Voice Magazin 3/1990).

Über jedem fehlerfreien Bildfragmont des Rechteckrasters wird hiernach eine Grauwertstatistik erhoben und es werden Merkmale des ein- und zweidimensionalen Histogrammes berechnet und jeweils die minimalen und maximalen Werte dieser Merkmale ermittelt, die als Toleranzschwellen des Klassifikators dienen.

In der Detektionsphase wird die gesamte zu untersuchende Oberfläche (das entsprechende digitale Grauwertbild) mit dem gefundenen Raster überzogen und in jedem Fragment werden unter gleichbleibenden optischen Aufnahmebedingungen die Grauwerthistogramme erstellt uno untersucht, ob sich die Merkmale der Grauwertstatistik innerhalb der erlaubten Grenzen des Klassifikators befinden. Wenn nicht, hat man ein fehlerbehaftetes Goblet gefunden. Im diesem Fall werden die Koordinaten des entsprechenden Fragmentes sowie die Fehlerstärke (richtet sich nach der Größe der Abweichung von den Grenzwerten des Klassifikators und der Anzahl der Merkmale, die von diesen Grenzwerten abweichen) ausgegeben.

Zur Beschleunigung des Inspektionsvorganges wird ein zweistufige;, Verfahren bevorzugt. Es besteht darin, zunächst mit nchentechnisch einfachen Verfahren, die fehlerverdächtigen Gebieto zu ermitteln und nur im Falle eines Verdachtes die genaue Analyse durchzuführen.

Di 3 schnelle Verarbeitung wird dadurch erreicht, daß das an sich bekannte Prinzip eines sequentiellen Klassifikators in einer speziellen zweistufigen Form angewendet wird. Dazu worden von den in der Lernphase benutzten Texturmerkmalen nur einige relevante, jedoch sehr schnell berechenbare Merkmale ausgewählt und die Toleranzschwellen wie oben beschrieben festgelegt.

In der ersten Stufe des sequentiellen Klassifikators wird eine Grobklassifikation in der Weise durchgeführt, daß mit Hilfe der schnell berechenbaren Merkmale klassifiziert wird, ob es sich um ein fehlerfreies oder ein fehlverdächtiges Bildfragment handelt.

Liegt ein fehlerfreies Bildfragment vor, so wird die Bearbeitung mit dem nächsten Bildfragment fortgesetzt.

Liegt ein fehlerverdächtiges Bildfragment vor, so wird in der zweiten Stufe des sequentiellen Klassifikators eine Feinklassifikation in der Weise durchgeführt, daß mit dem entsprechenden Parallelepipedklassifikator alle übrigen Merkmale entsprechend der oben beschriebenen Vorgehensweise herangezogen werden und klassifiziert wird, ob es sich um ein fehlerfreies oder fehlerbehaftetes Bildfragment handelt.

Da die Fehlergebiete in der Regel nur eine sehr geringe Ausdehnung gegenüber der gesamten Oberfläche aufweisen, ist auch die Anzahl der fehlerverdächtigen Bildfragmente sehr klein gegenüber der Gesamtanzahl der Bildfragmente. Damit ist eine erhebliche Steigerung der Verarbeitungsgeschwindigkeit möglich. Die Wahl der Toleranzschwellen innerhalb des aus den schnell berechenbaren Merkmalen erhaltenen Parallelepiped.« zur Grobklassifikation muß einerseits so erfolgen, daß die geforderte Verarbeitungsgeschwindigkeit möglichst erreicht wird und andererseits möglichst wenig sogenannter „falscher Alarm", d. h. fehlerfreie Fragmente werden als fehlerbehaftet gemeldet, angezeigt wird.

Die Detektionsphase wird über einem zusammenhängenden Oberflächengebiet bei sich vorteilhafter Weise überlappenden Bildfragmenten durchgeführt und liefert vermittels der berechneten Fehlerausprägungen als Resultat ein Fehlerbild des gegebenen Oberflächengebietes mit hoher Datenreduktion. Aus diesem lassen sich die Orte der Fehler, ihre Ausdehnung in horizontaler und vertikaler Richtung, ihre Formen u.a. anhand morphometrischer Merkmale bestimmen.

In einer ersten Stufe zur Fehlertypklassifizierung können mindestens punktförmige und flächige Fehler voneinander unterschieden werden.

In einer zweiten Stufe zur Typklassifizierung können die Häufigkeiten der aktiven Merkmale bezüglich jeweils eines in der ersten Stufe segmentierten Fehlers analysiert werden. Zusammengefaßt ergeben sie ein Merkmalshistogramm, das sich von den Merkmalshistogrammen anderer Fehler unterscheidet. Damit ist eine objektive Bewertung der Fehler möglich und das spezielle Fachwissen eines Warenschauers o.a. ist hier nicht notwendig.

Der Lösung der Aufgabe lagen folgende Prämissen zugrunde: Das optische Erscheinungsbild einer Materialfläche läßt sich als quasiperiodische Anordnung von nicht scharf definierbaren und mite'nander vernetzten Strukturelementen charakterisieren, die zufällig oder schwach strukturiert angeordnet sind. Diesem Bild kommt die Eigenschaft einer Textur zu. Ein Fehler in einer Oberfläche eines bestimmten Materials bewirkt eine Texturstörung oder -änderung, die vom menschlichen Betrachter als lokale Auffälligkeit signalisiert wird. Damit sollen nicht Texturen an sich unterschieden werden. Vielmehr sind Abweichungen von einer durch Material- und Fabrikationsart bedingten Textur zu erkennen und diese quantitativ und möglichst auch qualitativ zu bewerten.

Zur objektiven Beurteilung von Fehlern wurde unter Beachtung von Materialeigenschaften und der enormen Fehlervielfalt der statistische Zugang gewählt. Er beruht auf der Berechnung von Merkmalen (vornehmlich gewichteten Flächenmomenten und deren Modifkation) aus Häufigkeitsverteilungen (Histogrammen) verschieden hoher Ordnung über Grauwerten von Bildelementen, die während der Analyse der optoelektronischen abgebildeten Materialoberfläche aus systematisch

verschiebbaren Bildfragmenten, deren Größe sich nach dem Muster richtet, entnommen werden. Die erhaltenen Merkmalswerte hängen von der Textur bzw. ihrer Störung, der Beleuchtungsart und von der geometrischen und teilweise auch von der densiometrischen Auflösung ab.

Sobald ein Fehler von dem positionierten Bildfragment erfaßt wird, zeigen die Merkmalswerte keine, eine geringe bzw. eine wesentliche Abweichung, die von der Material- besonders aber von der Fehlerart abhängig ist. Dabei stützt sich die Fehlererkennung auf die Erkennung der Abweichungen von textureilen Merkmalswerten gegenüber solchen prototypischen Werten, die aus fehlerfreien Bildregioiien des gleichen Materials unter gleichen Aufnahmebedingungen gewonnen werden. Die Verteilungen der Merkmalswerte aus einer Folge von Bildfragmenten über einem fehlerfreien Gebiet unterliegen texturbedingten Streuungen, die sich durch Streuparameter kennzeichnen lassen, und aus welchen in einer Lernphase ein Parallelepiped mit Toleranzschwellen als Klassifikator konstruiert wird.

Ausführungsbeispiel

Das erfindungsgemäße Verfahren soll nachstehend anhand der zweistufigen Detektion eines Fehlers in einer kleingemusterten Oberfläche näher erläutert werden. Die dazu gehörigen Abbildungen zeigen in

Fig. 1: Bild einer Oberfläche mit periodischem Muster

Fig.2: Kurvenverlai f des Merkmals Kontrast, in vertikaler bzw. horizontaler Richtung einer periodischen Oberfläche Fig. 3: Bild einer fehlerfreien Oberfläche mit einem Rechteckraster entsprechend dem Muster Fig.4: Bild einer fehlerbehafteten Oberfläche

Fig. 5: Bild einer fehlerbehafteten Oberfläche mit Rechteckraster

Fig. 6: Anzeige der Fehlerregionen und Stärke des Fehlers.

Mittels eines der bekannten Abtaster bzw. einer Kamera erzeugt man von einem fehlerfreiem Gebiet ein digitales Grauwertbild mit 16 Graustufen der Größe 128 χ 128. Die Auflösung beträgt 4 Bildpunkte je mm. Figur 1 zeigt eine schematische Darstellung eines Bildes einer periodischen, kleingemusterten Oberfläche.

Im nächsten Schritt werden die Periodenlängen in horizontaler und vertikaler Richtung berechnet. Dazu wird für jede der beiden Richtungen (a = 0°bzw. a = 90°) die Paarhäufigkeitsmatrix für die Abstände d = 1,2,..., 127 berechnet. Ein Element e'er Paarhäufigkeitsmatrix CM bezeichnet man mit cm (i, j) (Definition von cm (i, j): siehe Abschnitt „Wesen der Erfindung"). Mittels Auswertung des Merkmals

Kontrast = ΣΣ (i - j)² cm (i, j)

der Paarhäufigkeitsmatrix für die Abstände d = 1,2,..., 127 kann man die Periodenlängen des Musters in horizontaler und vertikaler Richtung erhalten. Es entstehen zwei periodische Kurven von denen man jeweils die Orte der lokalen Minima bestimmt. Die Abstände je zwei benachbarter solcher Orte lokaler Minima werden erfaßt. Der Mittelwert aller dieser ermittelten Werte liefert die Periodenlänge in der gerade betrachteten Richtung (siehe Conners, Harlow: CGIP12 [1980] pp. 224-256). Figur 2 zeigt die Darstellung der entstehenden Kurven, wenn man das Merkmal Kontrast der Paarhäufigkeitsmatrix CM in horizontaler und vertikaler Richtung für die Abstände d = 1,2,..., 127 in einem rechtwinkligen Koordinatensystem abträgt. Mittels der Abstände der Orte der lokalen Minima der Kurven erhält man die entsprechenden Periodenlängen (siehe Abschnitt „Wesen der Erfindung").

Dann überzieht man das digitale Grauwertbild mit einem Rechteckraster (unter Umständen mehrmals den Startpunkt des Rasters verändern, so daß über dem gesamten zur Verfügung stehendem Bild gelernt werden kann), bestehend aus rechteckigen Fragmenten, deren Seitenlängen die entsprechenden Periodenlängen sind (siehe Figur 3). In jedem der Fragmente wird die Grauwertstatistik erstellt und die jeweiligen Sollwerte der einzelnen Merkmale ermittelt (Klassifikator wird eingestellt). Aus dem eindimensionalen Histogramm HIS(i), i = 0,1,..., GW-1, mit GW Grauwerten lassen sich die Werte der Merkmale

Spannweite WE und WZ aus den 1%igen bzw. 10%igen oberen und unteren Quantilen Maximale Häufigkeit HM

Mittelwert	M1	= Ii«HIS(i)/M0
Varianz	VA	= I(i-M1)2«HIS(i)/M0
Variationskoeffizient	VK	= WA/M1
Kontrast	M2	= Zi*»HIS(i)/M0
Schiefe	SK	= Σ ((i - M1)3 * HIS(l)/M0/V(VA)3
Energie	EN	= ΣΗΙ82(ΐ)/Μ0

berechnen, wobei Μ0 = Σ HIS(i) die Summe der Häufigkeit oder die Anzahl aller Bildelemente des Fragmentes ist.

Das zweidimensionale Histogramm (Paarhaufigkeitsmatrix) CM mit den Elementen cm (i, j), i, j = 0,1,..., GW-1, liefert die Werte der Merkmale:

Mittelwert bzgl. i Mittelwert bzgl. j

Varianz bzgl. i

Varianz bzgl. j

Kovarianz

Korrelation

Energie

Kontrast

Homogenität

M10 =

M01 =

M11 =

M20 =

M02 =

VAX =

VAY =

COV =

COR =

ASM =

SDM =

IDM =

ZZj«cm(i,j)/MOO

ZZi»j*cm(i,j)/MO.O

ZZi»i»cm(i,j)/M00

IIj*j»cm(i,j)/MOO

M20-M10²

MO2-MO1²

M11/M1O»MO1

C0V/y(VAX + VAY)

ZI(i-j)'*cm(i,j)/M00

wobei M 00 = ΣΣ cm (i, j) die Summe der Paarhäufigkeiten ist. Aus den Merkmalswerten der verschiedenen Fragmentpositionen ergeben sich für jedes Merkmal die Streuparameter z. B. in Form ihrer Extremwerte MIN (Fn) und MAX(Fn), die als Toleranzschwellen für die Konstruktion der zwei Parallelepipede PE 1 und PE 2 im entsprechend dimensionierten Merkmalsraum dienen. Nun erzeugt man ein Bild des zu untersuchenden (u.U. fehlerbehafteten) Stoffes (16 Graustufen, 4 Bildpunkte je mm, siehe Fig. 4) und überzieht es mit dem oben erzeugten Raster. Aufgrund der Periodizität des Musters kann man den oberen linken Bildpunkt als Startpunkt benutzen (siehe Figur 5).

In der Detektionphase werden in jedem Fragment zunächst nur sehr schnell berechenbare Merkmale (WE, WZ, HM) berechnet und bei jedem erhobenem Merkmal wird geprüft, ob es sich innerhalb der Toleranzgrenzen des Klassifikators befindet. Liegt ein fehlerfreies Gebiet vor, wird mit der Bearbeitung des nächsten Bildfragmentes fortgefahren. Anderenfalls hat man ein fehlerverdächtiges Bildfragment gefunden. Dann werden in dem betreffendem Bildfragment alle anderen Merkmale des ein- und zweidimensionalen Histogrammes erhoben und os wird geprüft, ob sich die ermittelten Werte innerhalb der Toleranzschwellen des Klassifikators befinden, um eine Zuordnung zu fehlerfrei oder fehlerbehaftet durchführen zu können. Im Falle eines fehlerbehafteten Bildfragmentes erscheint innerhalb des entsprechenden Fragmente? eine Markierung (hier ist es ein Kreis mit einem Radius der von der Fehlerstärke abhängt [siehe Figur 6]), die den Ort der Fehler egion angibt. Danach wird ein Fehlerprotokoll erstellt.

Claims (2)

1. Verfahren zur schnellen Erkennung von Fehlern in periodischen, kleingemusterten Oberflächen, bei dem von der Oberfläche ein zweidimensional digitales Rasterbild erzeugt, gespeichert und " wahlweise mit bekannten Verfahren der Bildverarbeitung behandelt wird, wobei der Abstand der Musterelemente in horizontaler bzw. vertikaler Richtung (Periodenlänge) der zu untersuchenden Oberfläche dabei klein ist und in der Lernphase über einem als fehlerfrei deklariertem Gebiet des Rasterbildes der Oberfläche in den rechteckigen Fragmenten jeweils die Grauwerthistogramme und daraus die Toleranzgrenzen der Histogrammerkmale, die die Oberflächentextur beschreiben, so ermittelt werden, daß die Streuungen der Merkmale zur Einstellung der Toleranzschwellen eines Parallelepipedklassifikators im Merkmalsraum verwendet werden können, wobei jeweils zwei Toleranzschwellen (Minimum und Maximum des jeweiligen Merkmals) festgelegt werden, um in der anschließenden Detektionsphase über dem unter gleichen Aufnahmebedingungen erzeugten Rasterbild der zu untersuchenden Oberfläche in den oben ermittelten Fragmenten Grauwerthistoj ramme zu erstellen und die Istwerte der Merkmale zu ermitteln und mittels des Parallelpipedes zu entscheiden, ob ein Fehlerfragment vorliegt oder nicht, wobei die Anzahl der Toleranzschwellenüberschreitungen eine lokale Fehlerausprägung darstellt, wobeiim Falle eines fehlerfreien Fragmentes zur Verarbeitung des nächsten Bildfragmentes übergegangen wird, und die Fehlerausprägungen aller Bildfragmente zu einem Fehlerbild zusammengefaßt werden und dieses Fehlerbild mit bekannten Verfahren der digitalen Bildverarbeitung behandelt wird, wobei eine Charakterisierung der Fehler vorgenommen wird, dadurch gekennzeichnet, daß zunächst die Periodenlängen in horizontaler und vertikaler Richtung ermittelt werden, und das Bild in rechteckige Fragmente, deren Seitenlängen den ermittelten Periodenlängen in der jeweiligen Richtung entsprechen, zerlegt wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Startpunkt des ermittelten Rechteckrasters mehrmals verändert wird, so daß eine möglichst große Anzahl von Fragmenten zum Lernen benutzt wird.

Hierzu 6 Seiten Zeichnungen

Anwendungsgebiet der Erfindung

Das erfindungsgemäße Verfahren dient der flächendeckenden Fehlerinspektion an Oberflächen, die eine regelmäßige, periodische Musterung aufweisen. Die Musterung besteht aus einer sich periodisch wiederholenden Anordnung von Musterelementen (z. B. Kreise, Punkte oder Karos auf einfarbigem Untergrund oder auch Zusammenfassung meherer solcher Objekte). Es wird eine Einteilung der Oberfläche in rechteckige Fragmente so vorgenommen, daß in jedem Fragment sich solch ein Musterelement befindet. In jedem Fragment ist demzufolge der Inhalt annähernd gleich. Beispiele für die zu untersuchenden Oberflächen sind Folien, Textilien mit Druckmustern oder textile Flächengebilde mit Musterungen aufgrund unterschiedlicher Bindung unterschiedlicher Garne. Als Fehler wird jede visuell auffällige Abweichung innerhalb der Musterelemente von der normalen Beschaffenheit betrachtet. Es gibt daher für jedes Musterelement eine Beschreibung des normalen Zustandes. Dieser normale Zustand ist für jedes Musterelement im Rahmen zufälliger Abweichungen gleich.

Charakteristik des bekannten Standes der Technik

Fortgeschrittene Verfahren der automatischen visuellen Oberflächeninspektion nutzen die digitale Bildverarbeitung und Bildanalyse. Die Oberfläche wird als eben angenommen und auf ein Rechteckraster von Bildelementen abgebildet. Mehrere der bekannten Verfahren beruhen auf der bildelementweisen Auswertung des Rasterbildes. Rasterbilder entstehen durch Abtastung der Oberfläche mit bekannten Abtastern oder Kameras und anschließende Analog-Digital-Wandlung des Signals in jedem Bildelement. So ist es bekannt, daß die Auswertung erfolgen kann, indem das Rasterbild der zu inspizierenden Oberfläche Bildelement für Bildelement mit dem im Prüfsystem verfügbaren Bild einer normalen, d. h. fehlerfreien Oberfläche verglichen wird. Liegt die Grauwertdifferenz zweier sich entsprechender Bildelemente außerhalb bestimmter vorgegebener Schranken, so liegt möglicherweise ein Fehler vor. Überschreitet die Anzahl fehlerhafter Bildelemente eine vorgebene Grenze, wird an der betreffenden Stelle ein Fehler angezeigt.

Als Vergleichsbasis werden einerseits die originalen digitalen Bilder fehlerfreier Oberflächen verwendet. In anderen, v\ eiter fortgeschrittenen, Verfahren werden bearbeitete Bilder herangezogen. Diese entstehen beispielsweise, indem das Differenzbild aus dem Original und einer in einer gewissen Richtung um eine gewisse Anzahl von Bildelementen verschobenen Kopie gebildet wird. So wird in der Patentschrift DE-PS 3304817 die Differenz zwischen zwei Bildzeilen gebildet und geprüft, ob sie eine vorgegebene Schwelle überschreitet. Es werden auch Differenzbilder von Differenzbildern verwendet. Die Inspektion beruht