DE19948140A1

DE19948140A1 - Method and device for detecting defects in and on transparent objects

Info

Publication number: DE19948140A1
Application number: DE1999148140
Authority: DE
Inventors: Wolfgang Fried; Herbert Schulze; Thomas Koerbs; Christian Dullin
Original assignee: Buero fuer Forschungstransfer FSU
Current assignee: Buero fuer Forschungstransfer FSU
Priority date: 1999-09-29
Filing date: 1999-09-29
Publication date: 2001-04-05
Also published as: WO2001023870A1; AU7660000A

Abstract

The invention relates to the detection of defects in and on transparent objects, such as lenses of vehicle headlights, which are optionally structured themselves. Typical defects are i.e. trapped gas bubbles or foreign particles, bent cup-shaped shoulder segments, differences in the thickness of the material and surface deviations that alter the index of refraction. The aim of the invention is to provide as simple a means as possible of identifying defects with poor contrast and bearly visible defects in particular, and of differentiating between the defects and predetermined object structures. The inventive method should be suitable for carrying out the visual check of the test piece as well as an objective evaluation with an image processing system, optionally while the objects to be examined are being produced; so that objects with an unacceptable defect can be selected. According to the method, the test object (1) is transilluminated with sufficiently coherent radiation from a point source (3) using at least one optical imaging element (4) and a camera objective (5) is focused on one or preferably various planes of the object (1). For each selected objective focussing operation (a, b, c), each camera image is evaluated according to the existing half-tones. In this way, all the types of defects can be detected. In particular, it is possible to clearly identify poorly contrasted defects independently of a predetermined object structure. This was previously impossible with the use of dark field illumination which is known per se.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung von Defekten in und an transparenten, gegebenenfalls auch strukturierten Objekten, insbesondere zur Erkennung sehr kontrastarmer und damit schwer erkennbarer Defekte, wie sie z. B. im Herstellungsprozess von Streuscheiben für Autoscheinwerfer entstehen. Typische Fehler sind u. a. Einschlüsse von Gasbläschen oder Fremdpartikeln, gekrümmte kantenförmige Absätze, Dickenunterschiede des Materials und Brechungsindex verändernde Flächenabweichungen.The invention relates to a method and a device for detection of defects in and on transparent, possibly also structured Objects, especially for the detection of very low contrast and therefore difficult recognizable defects, such as z. B. in the manufacturing process of lenses for car headlights. Typical mistakes include a. Inclusions of Gas bubbles or foreign particles, curved edged shoulders, Thickness differences of the material and refractive index changing Area deviations.

Es besteht seit langem die Forderung, solche visuell schwer feststellbaren Defekte zuverlässig zu erkennen und Objekte mit nicht tolerierbaren Defekten, beispielsweise unmittelbar im Fertigungs- bzw. Bearbeitungs prozess auszusortieren. Die in einzelnen Branchen bekannt gewordenen Prüfmethoden nutzen, wie nachfolgende Beispiele belegen, unterschiedliche optische Verfahren. Einschlussfehler und Absatzfehler werden danach zumeist bei schrägen Lichteinfall durch Streueffekte oder veränderte Lichtbrechung und Beugung nach dem Vorbild des klassischen Abbeschen Beleuchtungsapparats erkennbar gemacht. Um Verzerrungen durch Flächenfehler (Brechkraftänderungen) detektieren zu können, werden dagegen meist durch das Objekt projizierte Muster ausgewertet.There has long been a requirement for such visually difficult to determine Detect defects reliably and objects with intolerable Defects, for example directly in the manufacturing or processing process to sort out. Those that have become known in individual industries As the following examples show, test methods use different methods optical processes. Inclusion errors and paragraph errors will appear afterwards mostly in the case of oblique incidence of light due to scattering effects or changes Refraction and diffraction based on the classic approach of shedding Lighting equipment made recognizable. To avoid distortions To be able to detect surface defects (changes in refractive power) however, most of the time, patterns projected by the object are evaluated.

In der US 3,925,049 wird ein Beleuchtungsverfahren zur Darstellung genannter Fehler bei der noch subjektiven Flachglasprüfung beschrieben. Danach werden die Glasdefekte auf Grund der bei flachem Lichteinfall verstärkt wirksamen Aberrationen deutlich sichtbar. Nachteilig ist, dass der Prüfer in einer Prüfkabine die Flachglasscheiben direkt visuell begutachten und Fehler manuell markieren muss. Daraus folgen die für die subjektive Sichtkontrolle typischen Probleme, wie starke Abhängigkeit des Einsatzortes der Prüfperson von den Umweltbedingungen, Abhängigkeit der Fehlerquote vom Ermüdungszustand der Prüfperson und von der geforderten Prüfgeschwindigkeit.In US 3,925,049 an illumination method is used for the display mentioned error in the still subjective flat glass test described. Then the glass defects due to the flat incidence of light more effective aberrations clearly visible. The disadvantage is that the Inspectors inspect the flat glass panes directly in a test cabin and must mark errors manually. From this follow those for the subjective Visual inspection typical problems, such as strong dependence on the place of use the test person from the environmental conditions, dependence of the error rate the fatigue state of the test person and the required Test speed.

Die schräge Beleuchtung wird in weiteren Erfindungen aufgegriffen. In der US 4,306,808 wird ein automatisches Inspektionssystem speziell für einen typischen Floatglasfehler (Typ Zinntropfen) vorgestellt. Das fortlaufende Glasband wird bei diesem System mit einem flach einfallenden Laserstrahl punktweise in einer Linie über die gesamte Breite des Glasbandes abgetastet. Mit zwei Fotodetektoren die jeweils mit einem Linienfaserbündel die gesamte Abtastbreite des Lasers erfassen, vorgeschalteten Zylinderlinsen und Spiegeln wird der durch veränderte Brechung an dem speziellen Glasfehler gegenüber dem normalen Strahlungsverlauf veränderte Verlauf selektiert. Nachteilig bei diesem Verfahren ist die spezielle Ausrichtung auf einen Fehlertyp und eine bestimmte Fehlergröße.The oblique lighting is taken up in other inventions. In the US 4,306,808 is an automatic inspection system especially for one typical float glass defects (tin drop type) presented. The ongoing In this system, glass ribbon is used with a flatly incident laser beam scanned point by point in a line across the entire width of the glass ribbon. With two photo detectors each with a line fiber bundle capture the entire scanning width of the laser, upstream cylindrical lenses and This is reflected by the changed refraction of the special glass defect selected course changed compared to the normal radiation course. A disadvantage of this method is the special orientation towards one Error type and a certain error size.

Ein breiteres Anwendungsfeld wird durch die DE 41 39 094 A1 erreicht. Gezielt wird durch die bekannten Methoden schräges Einstrahlen bzw. zentrale Aperturabschattung ein Dunkelfeld-Beleuchtungsverfahren zur kontrastreichen Abbildung von Defekten in Flachglasscheiben realisiert. Durch die bandförmige Beleuchtung und eine angepasste zeilenförmige Auswertung werden Flächenfehler nicht detektiert. Der Prüfaufwand ist auch hier relativ hoch. Außerdem ist zu beachten, dass für eine empfindliche Fehlerdetektion die Ausrichtung der Defekte in eine durch das Beleuchtungsband vorgegebene Vorzugsrichtung vorausgesetzt wird. A broader field of application is achieved by DE 41 39 094 A1. The well-known methods aim at oblique irradiation or central aperture shading a dark field illumination process for high-contrast imaging of defects in flat glass panes. Due to the band-shaped lighting and an adapted line-shaped Area errors are not detected. The testing effort is too relatively high here. It should also be noted that for a sensitive Error detection the alignment of the defects in one by the Illumination band given the preferred preferred direction.

In der DE 19 80 95 OS A1 wird ebenfalls eine Anordnung mit zentraler bandförmiger Abschattung vorgestellt. Diese wird aufwendig durch Hilfsstrahlungsquellen ergänzt, die das Objekt aus verschiedenen Richtungen schräg mit parallelen Bündeln durchstrahlen. Damit sollen Defekte erkannt werden, die eine von der Bandabschaltung vorgegebenen Vorzugsrichtung abweichende Ausrichtung aufweisen.DE 19 80 95 OS A1 also describes an arrangement with a central one ribbon-shaped shading presented. This is complicated by Auxiliary radiation sources supplemented the object from different directions radiate at an angle with parallel bundles. This is supposed to identify defects be a preferred direction specified by the band switch-off have a different orientation.

Der in DE 198 24 623 A1 vorgestellte miniaturisierte Streulichtmesskopf ist ein sehr empfindliches Messmittel für die genannten kontrastarmen Defekte, die damit auch unterschieden werden können. Durch die verfahrensbedingte aufwendige punktförmige Inspektion der Objektoberflächen mit winkel aufgelöster Streulichtanalyse bleibt der Einsatz jedoch praktisch auf besonders bedeutende Einzelprüfungen beschränkt. Das Prüfobjekt selbst darf, wie bei den schon dargestellten Lösungen, nicht strukturiert sein.The miniaturized scattered light measuring head presented in DE 198 24 623 A1 is a very sensitive measuring device for the mentioned low-contrast defects, which can also be distinguished. Due to the procedural time-consuming inspection of the object surfaces with angles resolved scattered light analysis, however, the use remains practically open particularly important individual exams limited. The test object itself As with the solutions already presented, it must not be structured.

Ein spezielles Verfahren zur Detektion von Flächenfehlern in Windschutz scheiben für Kraftfahrzeuge wird in der DE 39 37 559 A1 beschrieben. Mit Hilfe eines projizierten Rasters wird eine Brechkraftanalyse der Scheibe durchgeführt. Dazu wird das Bild des von der zu untersuchenden Windschutzscheibe beeinflussten Rasters mit einem Referenzraster überlagert und das entstehende Superponat mit Hilfe der Moire-Bildverarbeitung ausgewertet. Weil das für das Verfahren störende Bild der Objektscheibe bewusst unterdrückt wird, sind alle anderen eingangs genannten Fehler nicht nachweisbar.A special method for the detection of surface defects in wind protection Disks for motor vehicles is described in DE 39 37 559 A1. With With the help of a projected grid, a refractive power analysis of the pane is carried out carried out. To do this, the image of the one to be examined Windscreen affected grid overlaid with a reference grid and the resulting superponate with the help of the Moire image processing evaluated. Because the image of the object disk that is disruptive to the process is deliberately suppressed, all other errors mentioned at the beginning are not detectable.

Ein Verfahrensanspruch auf den Einsatz von Kontrastmustern, deren durch das Prüfobjekt beeinflusste Abbild auszuwerten ist, wird auch in der DE 197 41 384 A1 erhoben. Hier besteht die spezielle Aufgabe, damit die sehr mannigfaltig auftretenden strukturlosen, semitransparenten Verunreini gungen von transparenten Gegenständen, insbesondere von Flaschen, zu erkennen. Abhängig von der konkreten Objektform, der Objektgröße und der Fehlerart sind verschiedene Kontrastmuster vorgesehen. Es bleibt zu prüfen, ob mit angepassten Kontrastmustern die eingangs genannten Fehler mit hinreichender Empfindlichkeit nachzuweisen sind. Der Prüfaufwand wird damit jedoch relativ hoch.A procedural claim to the use of contrast patterns, the by the image influenced by the test object is also evaluated in the DE 197 41 384 A1 raised. Here is the special task so that the very diverse, structureless, semi-transparent Verunreini transparent objects, especially bottles detect. Depending on the concrete object shape, the object size and the Different contrast patterns are provided for the type of error. It remains to be checked whether with adjusted contrast patterns the errors mentioned at the beginning sufficient sensitivity must be demonstrated. The testing effort will however, relatively high.

Die in DE 197 31 545 C1 eingesetzte Matrix aus Punktlichtquellen löst die Projektion eines Rasters auf besondere Weise. Die Abbildungsoptik bildet die Punktlichtquellen selbst in die Bildebene ab. Die Darstellung ist jedoch auf die Flächenfehlerprüfung von Reflexionsflächen, insbesondere die fehler hafte Neigung der Oberfläche einer CD, beschränkt.The matrix of point light sources used in DE 197 31 545 C1 solves this Project a grid in a special way. The imaging optics form the Point light sources themselves into the image plane. However, the representation is on the surface error check of reflection surfaces, especially the errors limited inclination of the surface of a CD.

Zusammenfassend ist festzustellen, dass sowohl die genannten Verfahren der Kontrastmusterabbildung als auch die unter dem Begriff schräge Beleuchtung (Dunkelfeldbeleuchtung) zusammenfassbaren Verfahren nur Teillösungen der gestellten Prüfaufgabe liefern. Insbesondere liegen keine hinreichenden Lösungen für strukturierte Objekte vor.In summary, it can be stated that both the mentioned procedures of Contrast pattern illustration as well as the under the term oblique lighting (Dark field lighting) summarizable process only partial solutions deliver the test task. In particular, there are no sufficient ones Solutions for structured objects.

Der Erfindung liegt deshalb die Aufgabe zu Grunde, Defekte eingangs genannter Art in und auf transparenten Objekten, die gegebenenfalls selbst strukturiert sind, insbesondere kontrastarme und visuell schwer erkennbare Defekte, wie sie beispielsweise beim Herstellungsprozess von Streuscheiben für Fahrzeugscheinwerfer entstehen, möglichst aufwandgering festzustellen. Das Verfahren soll sowohl für eine visuelle Prüflingskontrolle als auch für eine objektive Auswertung mit einem Bildverarbeitungssystem, ggf. unmittelbar im Herstellungsprozess der zu untersuchenden Objekte, geeignet sein, um Objekte mit nicht tolerierbaren Defekten zu selektieren. Darüber hinaus sollen die Defekte von ggf. am oder im Objekt vorgegebenen einfachen oder auch komplizierten Strukturen unterscheidbar sein. The invention is therefore based on the object of defects at the outset of the type mentioned in and on transparent objects, which, if applicable, themselves are structured, especially low-contrast and difficult to see visually Defects, such as those in the manufacturing process of spreading discs arise for vehicle headlights, as little effort as possible. The method is intended for both a visual inspection of test objects and for an objective evaluation with an image processing system, if necessary directly in the manufacturing process of the objects to be examined to select objects with intolerable defects. About that In addition, the defects of any given on or in the object should simple or complicated structures can be distinguished.

Erfindungsgemäß wird die Aufgabe dadurch gelöst, dass das Objekt durch eine hinreichend kohärente Punktquelle beleuchtet wird. Mindestens ein lichtquellenseitig unmittelbar vor dem Objekt angeordnetes optisches Abbildungselement (Kondensor) bildet diese Punktquelle auf das Objektiv (vorzugsweise auf dessen Eintrittspupille) einer Kamera ab. Bedingt durch die von der hinreichend kohärenten Punktquelle ausgehenden ungerichteten Strahlen, bildet dieses Objektiv bei Fokussierung auf das Objekt ein Objektbild ohne erkennbare Defekte ab. Bei gezielter Defokussierung in Bezug auf das Objekt wird jedoch durch veränderte Phasenlage von Lichtquellenbild und Beugungsbild der als Phasenobjekte wirkenden Defekte ein kontrastreiches Bild der Defekte auf der Empfängerfläche der Kamera abbildbar. Die als Amplitudenobjekte wirkenden Objektstrukturen können damit von den als Phasenobjekte wirkenden Defekten unterschieden werden. Auf diese Weise können optisch alle Arten von Defekten detektiert werden. Insbesondere gelingt es, sehr kontrastarme Defekte unabhängig von einer vorgegebenen Objektstruktur, deutlich festzustellen, was mit der üblichen Anwendung der an sich bekannten Dunkelfeldbeleuchtung bisher nicht gelang.According to the invention the object is achieved in that the object a sufficiently coherent point source is illuminated. At least one Optical source arranged directly in front of the object on the light source side Imaging element (condenser) forms this point source on the lens (preferably on the entrance pupil) of a camera. Due the undirected from the sufficiently coherent point source Rays, this lens forms when focusing on the object Object image without recognizable defects. With targeted defocusing in However, reference to the object is changed by the phase position of Light source image and diffraction image of the defects acting as phase objects a high-contrast image of the defects on the receiving surface of the camera mappable. The object structures acting as amplitude objects can to be distinguished from the defects acting as phase objects. In this way, all types of defects can be optically detected. In particular, very low-contrast defects succeed independently of one given object structure, clearly determine what with the usual So far, no use of the known dark field lighting succeeded.

Je nach Größe des Objektes oder des Defektbereiches kann das Objekt jeweils vollständig oder in Teilbildern erfasst werden.Depending on the size of the object or the defect area, the object can in each case in full or in partial images.

Es ist vorteilhaft, zur Auswertung der Kamerabilder ein lemfähiges Bildverarbeitungssystem, beispielsweise unter Verwendung eines Neuronalen Netzes, einzusetzen. Es sind unterschiedliche Vorgehensweisen zur Fehler diskriminierung in den aufgenommenen Bildern möglich. Vorteilhafterweise werden zur Defekterkennung Bilder eines Objektes für mindestens zwei Fokuslagen erzeugt, welche einzeln oder in Beziehung zueinander ausgewertet werden können. It is advantageous to be able to evaluate the camera images Image processing system, for example using a neural Network. There are different ways of dealing with errors discrimination in the captured images possible. Advantageously defect images are images of an object for at least two Focus positions are generated individually or in relation to each other can be evaluated.

Grundsätzlich besteht das Bildverarbeitungssystem aus einem Modul zur Merkmalsgewinnung und einem lernfähigen Modul zur Klassifikation. Mit Hilfe des Moduls zur Merkmalsgewinnung wird in einem ersten Schritt eine Zuordnung verschiedener Strukturen in den Bildern zu ihrer örtlichen Lage im Bild vorgenommen. Beispielsweise kann dies durch Unterteilung des aufgenommen Bildes in Teilbilder oder durch eine Konturerkennung erfolgen. In einem zweiten Schritt folgt eine Berechnung von signifikanten Merkmalen, je nach Aufgabenstellung bzw. zu untersuchendem Objekt durch Anwendung von Verfahren der Bildverarbeitung, der Datenanalyse und/oder der Berechnung verschiedenster z. B. statistischer Parameter. Diese werden in einem Merkmalvektor zusammengefasst und einem lernfähigen Verfahren zur automatischen Klassifkation übergeben. Die Ergebnisse der Klassifika tion des Merkmalvektors durch dieses Verfahren hängen von einer vorher durchzuführenden Trainingsphase ab. In der Trainingsphase werden beispielsweise dem gesamten Bildverarbeitungssystem Trainingsdatensätze von Beispielobjekten mit bekannten Fehlerklassen präsentiert und dem lernfähigen Verfahren für jedes einzelne Beispielobjekt eine gewünschte Sollausgabe vorgegeben. In der späteren Detektion von Fehlern der zu untersuchenden Objekte entscheidet das Verfahren selbständig welcher Fehlerklasse die präsentierten Muster angehören. Auf diese Art und Weise ist nicht nur eine automatische Erkennung von Defekten der eintrainierten Fehlerarten, sondern auch eine automatische Selektion anhand vorgegebener Fehlertoleranzen möglich. Objektabhängig können auch geeignete Merkmale zur Klassifikation direkt ausgewertet werden.The image processing system basically consists of a module for Features acquisition and a learning module for classification. With With the help of the module for the acquisition of features, a Allocation of different structures in the pictures to their local position made in the picture. For example, this can be done by dividing the captured image in partial images or by a contour recognition respectively. In a second step, significant figures are calculated Characteristics, depending on the task or object to be examined Use of image processing, data analysis and / or processes the calculation of various z. B. statistical parameters. These are in summarized a feature vector and a learning process handed over for automatic classification. The results of the classics tion of the feature vector by this method depend on a previous one training phase to be carried out. Be in the training phase for example the entire image processing system training data sets presented by example objects with known error classes and the a process that can be learned for each individual sample object Target output specified. In the later detection of errors the The method decides which objects to examine independently Error class the presented patterns belong to. That way not just automatic detection of defects in the trained Types of errors, but also an automatic selection based on predefined Fault tolerances possible. Suitable features can also depend on the object can be evaluated directly for classification.

Die Erfindung soll nachstehend anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert werden.The invention will now be described with reference to one in the drawing Embodiment will be explained in more detail.

Es zeigen: Show it:

Fig. 1 Prinzipdarstellung des opto-mechanischen Aufbaus der erfindungs gemäßen Messanordnung mit angeschlossener Auswerteeinheit, Fig. 1 Schematic diagram of the opto-mechanical structure of the measuring arrangement according to Invention with a connected evaluation unit,

Fig. 2 Auswerteeinheit unter Anwendung eines lernfähigen Neuronalen Netzes. Fig. 2 evaluation unit using an adaptive neural network.

In Fig. 1 ist eine Messanordnung zur Defekterkennung in bzw. an einem transparenten Objekt 1 in ihrem Prinzipaufbau dargestellt. Das zu untersu chende Objekt 1 befindet sich auf einer Transport- und Positionier einrichtung 2, die beispielsweise in eine aus Übersichtsgründen nicht in der Zeichnung offenbarte Fließlinie des Herstellungs- oder Bearbeitungs prozesses integriert ist, um Objekte 1 mit nicht tolerierbaren Defekten automatisch im Prozess zu erkennen und selektieren zu können. Das Objekt 1 wird mit einer Lichtemitterdiode 3 durchleuchtet, wobei die Strahlung der Lichtemitterdiode 3 über einen unmittelbar vor dem Objektiv 1 angeordneten Kondensor 4 auf ein Kameraobjektiv 5 einer Matrixkamera 6 abgebildet wird. Das Kameraobjektiv 5 ist auf unterschiedliche Ebenen im Bereich des Objektes 1 fokussierbar, wobei die mit der Fokussierung gewählte Ebene jeweils auf eine Empfängerfläche 7 der Matrixkamera 6 abgebildet wird. Bei einer Objektivfokussierung a wird das Kameraobjektiv 5 exakt auf diejenige Ebene eingestellt, in welcher sich das Objekt 1 befindet. Bei dieser Fokussierung wird das Objekt 1 scharf auf die Empfängerfläche 7 der Matrixkamera 6 abgebildet, so dass auch seine eventuell vorhandenen Objektstrukturen zur Unterscheidung von festzustellenden Objektdefekten, die in der Objektivfokussierung a nicht erkennbar sind, sichtbar gemacht werden. In Objektivfokussierungen b und c wird das Kameraobjektiv 5 jeweils auf eine Ebene vor oder hinter die Ebene mit dem Objekt 1 eingestellt. Bei vorhandenen Objektdefekten entstehen dabei durch veränderte Phasenlage von Lichtquellenbild und Beugungsbild der Defekte kontrastreiche Defektkonturen, die auf die Empfängerfläche 7 abgebildet werden. Bei Fokussierung auf eine objektivseitige Ebene vor dem Objekt 1 (Objektivfokussierung b) entsteht ein helles Defektbild, und bei Fokussierung auf eine quellenseitige Ebene hinter dem Objekt 1 (Objektivfokussierung c) entsteht ein dunkles Defektbild in Bezug auf die Hintergrundhelligkeit. Die unterschiedlichen Objektivfokussierungen a, b, c lassen somit (abhängig von der Einstellung des Kameraobjektivs 5) sowohl ein Objektbild ohne erkennbare Defekte (jedoch mit ggf. vorhandenen Objektstrukturen) als auch ein Objektbild mit kontrastreichen Bildern vorhandener Defekte auf der Empfängerfläche 7 der Matrixkamera 6 erfas sen. Für eine gesteuerte Fokussierung sind angepasst auf die konkrete Prüfaufgabe verschiedene an sich bekannte Autofokusverfahren einzusetzen. Im Ausführungsbeispiel werden die Objektfokussierungen a, b, c in einem kontinuierlichen Durchfahren eines Fokusbereiches, der mit Sicherheit die Objektfokussierungen a, b, c, enthält, aufgefunden.In Fig. 1, a measuring arrangement for defect detection in or on a transparent object 1 is shown in its basic structure. The object to be examined 1 is located on a transport and positioning device 2 , which is integrated, for example, in a flow line of the manufacturing or processing process not shown in the drawing for reasons of clarity, in order to automatically detect objects 1 with intolerable defects in the process and to be able to select. The object 1 is illuminated with a light emitting diode 3, wherein the radiation of the light emitting diode 3 is imaged via a lens disposed immediately before the condenser 1 to 4, a camera lens 5 of a matrix camera. 6 The camera lens 5 can be focused on different planes in the area of the object 1 , the plane selected with the focusing being imaged in each case on a receiver surface 7 of the matrix camera 6 . With lens focusing a, camera lens 5 is set exactly to the plane in which object 1 is located. With this focusing, the object 1 is imaged sharply onto the receiver surface 7 of the matrix camera 6 , so that its possibly existing object structures for distinguishing between object defects to be determined, which are not recognizable in the lens focusing a, are made visible. In lens focussing b and c, the camera lens 5 is set to a level in front of or behind the level with the object 1 . In the case of existing object defects, the changed phase position of the light source image and the diffraction image of the defects result in high-contrast defect contours, which are imaged on the receiver surface 7 . When focusing on a lens-side plane in front of object 1 (lens focusing b), a bright defect image is produced, and when focusing on a source-side plane behind object 1 (lens focusing c), a dark defect image is produced in relation to the background brightness. The different lens focussing a, b, c thus (depending on the setting of the camera lens 5 ) both capture an object image without recognizable defects (however with object structures that may be present) and an object image with high-contrast images of existing defects on the receiver surface 7 of the matrix camera 6 sen. For a controlled focusing, different autofocus methods, which are known per se, are to be used, adapted to the specific test task. In the exemplary embodiment, the object focusses a, b, c are found in a continuous passage through a focus area which certainly contains the object focusses a, b, c.

Auf diese Weise können auch ansonsten schwer erkennbare kontrastarme Defekte deutlich dargestellt, von vorgegebenen Objektstrukturen unter schieden und wahlweise manuell oder automatisch ausgewertet werden. An die Matrixkamera 6 ist dazu eine Auswerteeinheit 8 angeschlossen, die im Fall einer manuellen Kontrolle der Objekte 1 aus einem Monitor bestehen kann und die für eine automatische Bildauswertung ein lernfähiges Bildverarbeitungssystem enthält.In this way, defects that are otherwise difficult to detect can be clearly displayed, differentiated from specified object structures and optionally evaluated manually or automatically. For this purpose, an evaluation unit 8 is connected to the matrix camera 6 , which can consist of a monitor in the case of a manual control of the objects 1 and which contains an adaptive image processing system for automatic image evaluation.

In Fig. 2 ist die Matrixkamera 6 mit einem lernfähigen Bildverarbeitungs system als Auswertestufe 8 gekoppelt. Dieses besteht aus einem Modul 9 zur Merkmalsgewinnung und einem Neuronalen Netz 10. Mit Hilfe des Moduls 9 zur Merkmalsgewinnung erfolgt die Unterteilung des mit der Matrixkamera 6 aufgenommen Bildes in Teilbilder. Jedem Teilbild wird dabei ein zugehöri ges Koordinatenwertepaar (x_i, y_i ) zugeordnet, so dass jedem erkanntem Fehler ein Ortsbereich zugewiesen wird. Anschließend erfolgt die Berechnung verschiedener statistischer Parameter, im einfachsten Falle des Histogrammes der Grauwerte, in den Teilbildern. Diese werden zu einem Merkmalsvektor zusammengestellt und nachfolgend durch das Neuronale Netz 10 klassifiziert. Die Klassifikationsfähigkeiten des Neuronalen Netzes 10 hängen von einer vorher durchzuführenden Trainingsphase ab. In dieser werden dem gesamten Bildverarbeitungssystem Bilder mit bekannten Fehlerklassen präsentiert und dem Neuronalen Netz 10 eine gewünschte Sollausgabe vorgegeben. Die Einteilung der Bilder in die gewünschten Fehlerklassen erfolgt durch einen Trainer 11, welcher mit der zu lösenden Problemstellung vertraut ist. Bei der späteren automatischen Detektion von Fehlern entscheidet das Neuronale Netz 10 selbständig, welcher Fehlerklasse das präsentierte Bild angehört. Durch eine an die Auswerteeinheit 8 anschließbare Steuerstufe 12 wird abschließend eine Selektion der untersuchten Objekte 1, beispielsweise die Aussonderung aus dem Herstellungs- oder Bearbeitungsprozess, sowie die Einstellung der Objektivfokussierungen a, b, c des Kameraobjektivs 5 vorgenommen. In Fig. 2, the matrix camera 6 is coupled to an adaptive image processing system as an evaluation stage 8 . This consists of a module 9 for feature acquisition and a neural network 10 . With the aid of the module 9 for obtaining features, the image taken with the matrix camera 6 is subdivided into partial images. An associated pair of coordinate values (x _i , y _i ) is assigned to each partial image, so that a location area is assigned to each detected error. Subsequently, various statistical parameters are calculated, in the simplest case the histogram of the gray values, in the partial images. These are compiled into a feature vector and subsequently classified by the neural network 10 . The classification capabilities of the neural network 10 depend on a training phase to be carried out beforehand. In this, images with known error classes are presented to the entire image processing system and a desired target output is given to the neural network 10 . The images are divided into the desired error classes by a trainer 11 , who is familiar with the problem to be solved. In the later automatic detection of errors, the neural network 10 independently decides which error class the presented image belongs to. A control stage 12 , which can be connected to the evaluation unit 8 , finally makes a selection of the examined objects 1 , for example the separation from the manufacturing or processing process, and the setting of the lens focusses a, b, c of the camera lens 5 .

List of the reference symbols used

11

Objekt
object

22nd

Transport- und Positioniereinrichtung
Transport and positioning device

33rd

Lichtemitterdiode
Light emitting diode

44th

Kondensor
Condenser

55

Kameraobjektiv
Camera lens

66

Matrixkamera
Matrix camera

77

Kamerachip
Camera chip

88th

Auswerteeinheit
Evaluation unit

99

Modul zur Merkmalsgewinnung
Feature extraction module

1010th

Neuronales Netz
Neural network

1111

Trainer
Trainer

1212th

Steuerstufe
a, b, c Objektivfokussierungen
Tax level
a, b, c lens focusing

Claims

1. A method for detecting defects in and on transparent objects, in which the image of the object to be examined and illuminated by a punctiform radiation source is recorded with a camera for visual control and / or for evaluation with image processing software, characterized in that the object is illuminated with a sufficiently coherent radiation emanating from the punctiform radiation source via at least one optical imaging element, which images the radiation source onto a lens of the camera, which is focused on at least one plane in the region of the object to generate at least one object image, and that the camera image in each case with respect to the high-contrast defect structures caused by the sufficiently coherent radiation and the associated interference effects in the optical imaging of the object is checked or evaluated according to gray values.

2. The method according to claim 1, characterized in that the lens the camera in sequence on at least two different levels Area of the object is focused.

3. The method according to claim 1, characterized in that each Camera image with learning-capable image processing software according to grayscale is evaluated.

4. The method according to claim 3, characterized in that the image processing software, the camera image in each case in partial images to be evaluated disassembled for feature extraction.

5. The method according to claim 3, characterized in that the image processing processing software from the camera image a list of contours for the Feature extraction generated.

6. The method according to claim 4, characterized in that a coordinate value pair (x _i , y _i ) is assigned to each won characteristic to assign a location to a defect.

7. The method according to claim 3, characterized in that the camera image is evaluated with an adaptive neural network.

8. The method according to claim 7, characterized in that for calculation of the feature vector as input for the neural network known per se Methods of image processing, data analysis and statistical features of images can be used individually or in combination.

9. Device for detecting defects in and on transparent objects with a punctiform radiation source for illuminating the object and with a camera for recording the image of the object being illuminated, characterized in that a point light source ( 3 ) for illuminating the object to be examined ( 1 ) with sufficiently coherent radiation in connection with at least one optical imaging element ( 4 ), which images the point light source ( 3 ) onto a lens ( 5 ) of the camera ( 6 ), and that the lens ( 5 ) for the purpose of generating at least one Object image in the receiver plane of the camera ( 6 ) can be focused on at least one plane in the area of the object ( 1 ).

10. The device according to claim 9, characterized in that a light emitting diode is provided as the punctiform radiation source ( 3 ) for illuminating the object to be examined ( 1 ).

11. The device according to claim 9, characterized in that the at least one optical imaging element ( 4 ) is realized with a Fresnel lens.

12. The device according to claim 9, characterized in that the object to be examined ( 1 ) is arranged as close as possible to the at least one optical imaging element ( 4 ).

13. The apparatus according to claim 9, characterized in that a monitor for visual control is connected to the camera ( 6 ).

14. The apparatus according to claim 9, characterized in that an evaluation unit ( 8 ) with a learning-capable image processing software is connected to the camera ( 6 ).

15. The apparatus according to claim 9, characterized in that the evaluation unit ( 8 ) contains a module ( 9 ) for feature extraction and a neural network ( 10 ).

16. The apparatus according to claim 9, characterized in that the lens ( 5 ) from the camera ( 6 ) for the purpose of focusing it on different levels in the area of the object ( 1 ) is coupled to a control stage ( 12 ).

17. The apparatus according to claim 16, characterized in that the control stage ( 12 ) with the evaluation unit ( 8 ) is connected.