CN103913468A - 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 - Google Patents

Abstract

本发明公开了一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备及方法，该设备使用线扫描成像检测***获得待检测的LCD玻璃基板的高清灰度图像，设备结构简单，操作方便；本发明方法通过对所获取图像进行处理，采用kmeans聚类方法对预处理后的LCD玻璃基板图像进行缺陷存在性判断，通过对缺陷区域进行标记，选用支持向量机SVM的分类方法，判断缺陷类别，并统计缺陷数目。通过现场总线控制***将处理后的图像和检测结果实时地传送到工作室供值班人员查看，同时传输现场生产参数，实现***的远程监测。

Description

生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备及方法

技术领域

本发明属于电子制造生产线上视觉检测设备领域，特别涉及一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备及方法。

背景技术

随着电子技术的发展，消费电子产品的价格越来越低，人们对电子产品的需求量不断扩大，这也带动了LCD玻璃基板制造业的发展。然而为追求更完美视听享受，液晶显示器、液晶电视和移动终端的主流尺寸都在不断扩大，甚至会出现一些超大尺寸的LCD屏幕。因此，大尺寸的LCD玻璃基板生产将是寻求未来行业长足发展的转折点。然而大尺寸LCD玻璃基板的质量检测技术也是制约行业发展的一个瓶颈。

尽管LCD玻璃基板的大部分生产过程都是在高洁净度的无尘室里面完成的，但是LCD玻璃基板上还是不可避免地会出现一些缺陷，这些缺陷将会造成在基板上印刷的集成电路无法正常工作，导致LCD显示器的瑕疵。造成这些缺陷的原因有很多，在其制造的各个环节都可能有缺陷的产生。这些缺陷主要包括划痕，刮擦，孔洞，微粒，气泡，夹杂物等。有的缺陷非常细微，人眼很难观测到。

在高速自动化的电子制造生产线中，如何对LCD玻璃基板进行快速、准确的质量检测，是直接关系到产品质量的重要技术难题。目前大多数生产线的质量检测主要依靠人工方法，即人工观察检测缺陷。人工检测的缺陷在于：1、检测速度慢，效率低下，无法满足高速自动化生产线的需求；2、检测精度低，检测质量受人为因素影响，误检漏检的概率较高；3、工人劳动强度大，工作环境差；4、检测数据的保存及查询不方便，不便于管理。

发明内容

针对现有检测技术的不足，本发明提供了一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备及方法。

一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，包括成像检测***和总线控制***；

其中，所述成像检测***至少包括两个并排安装的线扫描相机11、一个或多个LED线光源12、传动控制装置13和检测计算机14；

所述传动控制装置13包括传送带131、接触传感器132、PLC133及PLC交互显示单元134；

所述接触传感器132、PLC133及PLC交互显示单元134依次相连；所述传送带受控于PLC；所述接触传感器安装于传送带一侧的固定框架上，当LCD玻璃基板随传送带到达预设位置时，接触传感器发送信号至PLC；

所述线扫描相机11与所述检测计算机相连，并受控于PLC133；所述线扫描相机11在PLC的触发控制下，获得LCD玻璃基板的灰度图像，线扫描相机的光轴垂直于LCD玻璃基板的运动平面安装，LED线光源发出的光线平面与传送带的法平面的夹角θ为5°-10°；

所述总线控制***包括监控计算机25、工业以太网总线***21和PROFIBUS现场总线***22；

PLC133作为控制器控制伺服电机带动传送带向固定方向做匀速运动，从而带动LCD玻璃基板匀速运动，与线扫描相机11形成稳定的相对运动，线扫描相机获得LCD玻璃基板的灰度图像，检测计算机12对LCD玻璃基板的灰度图像进行检测识别；

所述检测计算机14输出的图像处理结果通过工业以太网总线***传送到位于工作站的监控计算机21；

所述用于控制传送带运动的PLC133通过PROFIBUS现场总线***22将传送带的运行速度以及被检测玻璃基板所在位置参数传送到工作站监控计算机25。

所述线扫描相机中的线阵CCD传感器具有7450个像素。

所述线扫描相机的镜头距离被检测的玻璃基板距离为400mm。

一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测方法，采用所述的电子制造生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，包括如下步骤：

步骤1：实时采集生产线上LCD玻璃基板的图像；

接触传感器接收到的玻璃基板达到预设位置的信号传送至PLC133，PLC133触发线扫描相机进行图像采集；

步骤2：对采集的生产线上的LCD玻璃基板图像进行去噪和锐化的预处理，提高图像质量；

步骤3：采用kmeans聚类方法对预处理后的LCD玻璃基板图像进行缺陷存在性判断，若当前图像存在缺陷区域，则进入步骤4，否则，结束本次缺陷检测，返回步骤1对下一幅图像进行缺陷检测；

步骤4：对缺陷区域进行标记，并提取缺陷特征；

步骤5：采用支持向量机SVM的分类方法，依据提取的缺陷特征进行缺陷类别识别，完成缺陷检测；

所述步骤3采用kmeans聚类方法对预处理后的LCD玻璃基板图像进行缺陷存在性判断的过程包括以下具体步骤：

1）首先对预处理后的LCD玻璃基板图像分成若干个8*8矩形子块g(x,y)，按以下二维DCT变换公式分别对每个矩形子块g(x,y)进行离散余弦变换DCT，得到每个矩形子块g(x,y)的DCT系数C(u,v)；

$C(u,v)=a\left(u\right)a\left(v\right)\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}g(x,y)\cos \left[\frac{(2x+1)\mathrm{u\π}}{2N}\right]\cos \left[\frac{(2y+1)\mathrm{v\π}}{2N}\right]$

其中，(x,y)表示每个矩形子块中的像素点坐标，N=8，u和v均取[0,7]之间的整数， $a\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (u=0)\\ \sqrt{2/N},& (u=\mathrm{1,2}...N-1)\end{array}\right.,$ $a\left(v\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (v=0)\\ \sqrt{2/N},& (v=\mathrm{1,2}...N-1)\end{array}\right.;$

2）计算每个矩形子块的高频系数平均值mean_high和低频系数平均值mean_low；

mean_high=avg{C(u_h,v_h)|u_h,v_h∈[0,2]}，mean_low=avg{C(u_l,v_l)|u_l,v_l∈[3,7]}，其中，agv表示求平均值运算；

3）计算出每个矩形子块在DCT域中的高频系数平均值和低频系数平均值比值ratio： $\mathrm{ratio}=\frac{\mathrm{mean}\_\mathrm{high}}{\mathrm{mean}\_\mathrm{low}}\×100;$

4）利用kmeans聚类方法对每个矩形子块高频系数平均值mean_high和低频系数平均值mean_low以及二者的比值ratio所组成的三维特征量进行分类，具体步骤如下：

步骤a：对每个矩形子块高频系数平均值mean_high和低频系数平均值mean_low以及二者的比值ratio分别进行归一化处理，得到每个矩形子块归一化后的三维特征向量；

步骤b：按从左至右、从上到下的顺序构建所有矩形子块的归一化后的ratio直方图序列，并对直方图序列进行一阶差分计算，以小于第一设定阈值T1的差分值对应的ratio值作为直方图峰值，计算归一化后的ratio直方图峰值个数hist_peak；T1取15-25之间的整数；

步骤c：设置聚类类别数cluster=hist_peak，并随机选取一个矩形子块归一化后的三维特征向量作为聚类中心的初始值；

步骤d：利用k-means聚类方法将所有矩形子块分为cluster类，同时得到cluster个聚类中心；

步骤e：从cluster个聚类中心中，删除ratio值最大和最小的两个聚类中心，将剩余的聚类中心所表示的类别作为缺陷类别；

步骤f：计算所有属于各缺陷类别的矩形子块总个数count；

若count小于第二阈值T2，则判定当前图像中不存在缺陷，否则，判定当前图像中存在缺陷；T2的取值为50到200之间的整数；

所述步骤4中对缺陷区域进行标记，并提取缺陷特征，具体过程如下：

1）依据步骤3的聚类结果，将被判断为缺陷的矩形子块中的每个像素点的像素值均置为255，将被判为非缺陷的矩形子块中每个像素点的像素值均置为0，得到二值图像；

2）利用opencv轮廓查找算法提取缺陷矩形区域轮廓，并以每个缺陷区域的最小外接矩形标记缺陷区域；

3）获取每个缺陷区域的轮廓位置(Px,Py)，面积S，平均灰度L以及圆形度E；

其中，缺陷的轮廓位置(Px,Py)是缺陷部分外接矩形的左下角点坐标；

面积S为以缺陷区域最小外接矩形中不为零的像素数目；

平均灰度L为缺陷区域的最小外接矩形区域中所有像素点的灰度平均值；

圆形度E，P为缺陷区域最小外接矩形的周长。

圆形度E值越接近1，表示物体形状越接近圆；其取值越大，表示物体形状越细长；

所述步骤5中采用支持向量机SVM的分类方法，依据提取的缺陷特征进行缺陷类别识别，完成缺陷检测，具体过程如下：

首先采集含有缺陷区域的样本数据，样本数据中包含划痕、刮擦及孔洞；

分别计算每个样本数据中的缺陷区域的面积S，平均灰度L和圆形度E；

利用样本数据的面积S，平均灰度L和圆形度E三个特征向量构建两个支持向量机SVM分类器，第一个分类器对孔洞一类和划痕及刮擦组成的一类进行区分，第二个分类器对划痕和刮擦进行区分；

利用构建的两个分类器对实时提取的缺陷特征进行分类识别，完成缺陷检测。

所述步骤2中对采集的生产线上的LCD玻璃基本图像进行去噪和锐化的预处理，是指采用3*3的窗口进行中值滤波去噪，得到去噪图像；然后采用拉普拉斯锐化算子对去噪后的图像进行锐化处理。

有益效果

与现有技术相比，本发明的优点在于：

本发明所述设备结构简单紧凑，成本低廉，操作简便，精确度高，检测速度快等优点，实现了LCD玻璃基板自动化生产线对于基板质量的在线实时检测，且具有每分钟3.8米以上的检测速度，每一台线扫描相机的可检测宽度为20厘米。其检测效率远高于人工检测，而且在检测过程中不会引入其他污染。另外，本发明还采用分布式控制概念，各检测工位之间并不相互依赖，同时实现了各检测工位计算机与监控主机的实时通讯。本发明的检测算法可以用于同类型的缺陷检测中，具有广泛的通用性，稍加改造即可用于同类型产品的质量检测。

附图说明

图1为本发明中成像检测机***结构示意图；

图2为成像原理示意图；

图3是本发明装置成像检测***工作流程图；

图4是本装置所获取到的被检对象的真实图像；

图5是现场总线控制***结构示意图；

图6是LCD玻璃基板缺陷检测***的工作流程示意图；

图7是本发明中LCD玻璃基板缺陷检测方法的图像处理流程示意图；

图8是DCT变换8*8子块分区图；

图9是ratio的直方图；

图10是图像分割效果图；

图11是本发明检测方法的检测效果示意图；

标号说明：

11-线扫描相机，12-LED线光源，13-运动装置，14-检测计算机，131-传送带，132-接触传感器，133-PLC，134-PLC交互显示单元，21-监控计算机，22-工业以太网总线***，23-PROFIBUS现场总线***。

具体实施方式

下面将结合具体实例和说明书附图对本发明做进一步详细说明。

针对现有检测技术的不足，本发明提供了一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备及方法。

一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，包括成像检测***和总线控制***；

其中，所述成像检测***至少包括两个并排安装的线扫描相机11、一个或多个LED线光源12、传动控制装置13和检测计算机14；

所述传动控制装置13包括传送带131、接触传感器132、PLC133及PLC交互显示单元134；

所述接触传感器132、PLC133及PLC交互显示单元134依次相连；所述传送带受控于PLC；所述接触传感器安装于传送带一侧的固定框架上，当LCD玻璃基板随传送带到达预设位置时，接触传感器发送信号至PLC；

所述线扫描相机11与所述检测计算机相连，并受控于PLC133；所述线扫描相机11在PLC的触发控制下，获得LCD玻璃基板的灰度图像，线扫描相机的光轴垂直于LCD玻璃基板的运动平面安装，LED线光源发出的光线平面与传送带的法平面的夹角θ为5°-10°；

所述总线控制***包括监控计算机21、工业以太网总线***23和PROFIBUS现场总线***22；

PLC133作为控制器控制伺服电机带动传送带向固定方向做匀速运动，从而带动LCD玻璃基板匀速运动，与线扫描相机11形成稳定的相对运动，线扫描相机获得LCD玻璃基板的灰度图像，检测计算机12对LCD玻璃基板的灰度图像进行检测识别；

所述检测计算机14输出的图像处理结果通过工业以太网总线***传送到位于工作站的监控计算机21；

所述PLC133通过PROFIBUS现场总线***22将传送带的运行速度以及被检测玻璃基板所在位置参数传送到工作站监控计算机21。

所述线扫描相机中的线阵CCD传感器具有7450个像素。

所述线扫描相机的镜头距离被检测的玻璃基板距离为400mm。

在本实例中，采用两个装有线性传感器镜头的线扫描相机，通过图像采集卡与计算机连接；采用PLC逻辑控制器输出线形扫描相机的触发信号，控制传送带的速度，加速度等参数。

参见图1，是本发明装置成像检测机***1结构示意图，图2是本发明成像原理示意图，镜头焦距为50mm，镜头距离被检基板400mm，水平视野为240mm。线阵相机为含有7450个像素的线阵CCD传感器，传送带带动被检测的玻璃基板以3.8米每分钟的速度运行能够使成像检测***获得在运动方向上畸变最小的图像。

其成像原理如下：当平行光以一定的入射角照射玻璃到玻璃表面时，若玻璃表面光滑、无缺陷，则发生镜面反射，位于正上方的摄像头接收到不到反射光线，所拍摄的图像区域应为黑色；当光线入射处有缺陷存在时，将会发生漫反射，位于正上方的摄像头会接收到被缺陷反射的光线，从而在暗背景下形成灰度值较高的缺陷图像。线扫描相机安装在被检测玻璃基板的正上方，其拍摄方向与玻璃基板运动方向垂直。线阵LED光源位于相机与玻璃基板之间，LED线光源光线与运动平面法平面成一5到10度的小角度θ安装，具体安装角度以能够获取被检测物体的清晰图像为准则。在本***中，被检测玻璃基板下方1米内不可以有任何遮挡物体，否侧会影响成像效果。

如图3所示是本发明装置成像检测***工作流程图，传动控制装置在PLC的控制下带动被检测的玻璃基板朝固定的运动方向匀速运动，当传送带运动到固定的触发位置时PLC触发成像检测***开始工作，多个线扫描相机对被检玻璃基板进行图像采集，现场检测计算机对图像进行一系列的处理实现对缺陷位置，面积和类型的计算，并将检测结果传到监控计算机进行统计、保存和显示。

如图4所示是本发明的被检对象玻璃基板的真实图像，其中包括划痕，刮擦和孔洞三种缺陷。其中2,4,5为划痕，3为刮擦，1,6为孔洞。划痕是在生产过程中玻璃基板和一些硬度较高且较尖锐的物体如螺丝、钉子等接触所产生的细长的纹理缺陷；刮擦是生产过程中玻璃基板与表面与一些表面粗糙的物体如传送带上的灰尘摩擦或者清洁环节中的器件摩擦所产生的缺陷，孔洞是由于生产工艺中用料不均或者气泡所产生的缺陷。

如图5所示是本发明中现场总线控制***的结构示意图，基于工业以太网和PROFIBUS总线的现场总线控制***，其中计算机按其功能分为现场检测计算机和工作站监控计算机。检测计算机在现场对玻璃基板的图像进行处理，得到缺陷数据和处理后的图像，通过工业以太网将图像数据和处理结果传送到位于工作站的监控计算机。同时通过PROFIBUS总线将现场电机的运行速度以及现场传感器的各项参数传送到工作站。工作站的工作人员可以浏览历史缺陷数据和观看实时图像并作出对现场的远程控制决策。

LCD玻璃基板缺陷检测***的工作流程图6所示，传送带带动被检测的玻璃基板朝固定的运动方向匀速运动，PLC(133)在传送带运动到固定的触发位置时触发成像检测***开始工作，成像检测***采集处理单元图像传到现场检测计算机，现场工控机对图像进行处理后将处理结果通过工业以太网总线***传到工作站检测计算机，工作站的工作人员浏览处理结果并做出决策。

如图7所示是所述现场检测计算机对所述成像检测***所采集到的图像的处理流程示意图，其中主要包括采集图像，图像预处理，快速判断，特征提取，模式识别五个步骤。分别叙述如下：

步骤1：实时采集生产线上LCD玻璃基板的图像；

传送带带动被检测的玻璃基板朝固定的运动方向匀速运动，与位于其正上方的先扫描相机形成相对稳定的相对运动，线光源所发出的光线平面与运动平面法平面成一小角度θ照射，利用镜面发射和漫反射的原理对玻璃基板成像。PLC在传送带运动到固定的触发位置时触发成像检测***开始工作，成像检测***采处理单元图像传到现场工控机。

步骤2：图像预处理；

图像预处理的目的是提高图像的质量，为后续的图像算法提供更好的输入图像。预处理包括去噪和锐化两个步骤。

采用3*3的窗口进行中值滤波。按以下公式实现，其中f(t，f)表示中值滤波后图像中位置(i,j)的像素值，Z_k是以(i,j)为中心的3*3窗口内源图像数据像素值按从小到大的顺序排列后的数组，Med表示求中值运算。

f(i,j)=Med{Z_k|k=1,2,3,4,5,6,7,8,9}

进而采用拉普拉斯锐化算子与图像矩阵进行卷积，将计算结果与f(t，f)相加减得到锐化结果g(x，y)，实现过程如下：

首先使用拉普拉斯算子对图像进行卷积运算，

${\▿}^{2}f(i,j)=[f(x+1,y)+f(x-1,y)+f(x,y+f)+f(x,y-1)]-4f(x,y)$

然后将卷积运算后的结果与原图像数据相结合，

经过锐化后可以得到视觉效果更好的图像。为后面的缺陷特征提取提供良好的源图像。

步骤3：缺陷快速判断；

本***实现了对玻璃基板的不间断视觉检测，但实际中玻璃基板并不是每一段都会有缺陷，如果对成像检测***所采集的每一个处理单元图像都进行同样的处理会则造成了对资源的浪费，这也是没有必要的。因此，本发明设计了一个快速判断正在处理的图像中是否存在缺陷的方法。

图像中缺陷部分与非缺陷背景部分的差别主要在于灰度和灰度变化。由于各种缺陷都没有特定的纹理特性，是一种没有规律的纹理图像。所以无论缺陷是孔洞、划痕还是颗粒，在灰度和灰度变化方面都具有一样的特性。而在离散余弦变换系数中，低频系数正代表了图像中的灰度均值，高频部分代表了图像中的灰度变化。正是基于这样的原因，本方案采用离散余弦变换计算的特征向量来表征缺陷。对特征空间进行分析从而得到缺陷是否存在的结论。该方法对于图像中的一些细微缺陷也具有良好的效果。

本方案采用对图像进行离散余弦变换DCT来判断图像中是否存在细微的缺陷。首先将图像分成若干个8*8大小的矩形块，按以下二维DCT变换公式分别对其进行离散余弦变换DCT，得到DCT系数C(u,v)：

$C(u,v)=a\left(u\right)a\left(v\right)\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}g(x,y)\cos \left[\frac{(2x+1)\mathrm{u\π}}{2N}\right]\cos \left[\frac{(2y+1)\mathrm{v\π}}{2N}\right]$

其中，(x,y)表示每个矩形子块中的像素点坐标，N=8，u和v的取值范围均是[0,7]之间的整数， $a\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (u=0)\\ \sqrt{2/N},& (u=\mathrm{1,2}...N-1)\end{array}\right.,$ $a\left(v\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (v=0)\\ \sqrt{2/N},& (v=\mathrm{1,2}...N-1)\end{array}\right.;$

对于8*8的矩形子块，本方案将其分为两个区域，高频区域和低频区域，如图8所示，其中的斜线阴影区域为低频区域，竖线阴影区域为高频区域。

定义高频系数平均值mean_high=agv{C(u_h，v_h)|u_h，v_h∈[0，2]}，低频系数均值mean_low=agv{C(u_v，u_t)|u_Vv_l∈[3，7]}，agv表示求均值运算。

计算出DCT域中的高频系数平均值和低频系数平均值以及二者的比值ratio，按以下公式计算： $\mathrm{ratio}=\frac{\mathrm{mean}\_\mathrm{high}}{\mathrm{mean}\_\mathrm{low}}\×100;$

用以下公式分别对mean_high、mean_low和ratio进行归一化处理，其中y为归一化后的结果，x为归一化前的数据。max和min分别代表归一化前的数据的最大值和最小值。

$y=\frac{255}{\max -\min }(x-\min );$

归一化后得到若干个成表征8*8矩形子块的三维特征向量(mean_high，mean_low，ratio),本应用中，通过对ratio的直方图分析，ratio的直方图如图9所示，从图中可以得到聚类类数cluster应该取hist_peak=3，通过计算ratio的直方图序列的一阶差分，本实例中，通过对若干范例的分析发现直方图峰值位置的一阶差分值90%以上都在20以下，由此取T1=20，将差分值小于T1个像素即作为直方图峰值，从而得到直方图的峰值个数为hist_peak=3，设置聚类算法类别数cluster=count_peak。以mean_high、mean_low和ratio组成表征8*8矩形子块的三维特征向量，随机选取cluster个初始聚类中心，利用k-means聚类方法将矩形子块分为cluster类，聚类结果中raito的分布呈现区间性，不同类别的raito值分别分布在(0,0.4)，(0.4,3)和(3,+∞)三个不相交的区间中。聚类结果中ratio值大小位于中间即(0.4,3)的类别属于缺陷区域。计算属于缺陷区域的8*8矩形子块的个数count。若count大于某一阈值T2是即认为图像中不存在缺陷，进而进行下一步处理，否则，判定当前矩形小方块中存在缺陷，将不进行后续的处理；T2的取值为50到200之间的整数。

步骤4：目标区域特征提取；

在经过了步骤3经过以上步骤3后，将图像中被分类为缺陷区域的每个矩形子块中的8*8个像素的值全部设置为255，然后对图像进行反色处理，即缺陷部分图像的像素值变为255，背景部分的像素值变为0。从而得到分割后的二值图像，分割效果如图10所示，图中缺陷轮廓并没有被作为一个整体保存，所以接下来使用了轮廓查找算法来将每一个轮廓作为一个整体保存，以便后续的参数计算。使用opencv轮廓查找算法进行缺陷轮廓查找，用表示轮廓的一系列顶点组成轮廓序列。用轮廓的外接矩形框在原图像上将缺陷轮廓标记出来，并按照从左到右，从上到下的顺序排列标号。如图11是缺陷标记的最终效果。

分别计算每个缺陷轮廓的位置(Px,Py)，面积S，平均灰度L，圆形度E参数。

其中，缺陷的轮廓位置(Px,Py)是缺陷部分外接矩形的左下角点坐标；面积S以二值图像中不为零的像素数目表示，平均灰度L以矩形区域所包含像素的灰度平局值表示，圆形度E按以下公式计算：E=P²/4πS；

其中，P为周长，由顶点序列之间的距离累加计算得到。S为面积，以缺陷图像像素数表示。圆形度E值越接近1，表示物体形状越接近圆；其取值越大，表示物体形状越细长。

步骤5：缺陷类型识别；

本发明将缺陷分为划痕，刮擦，孔洞三类。首先对之前计算的面积S，圆形度E，平均灰度L三个特征量按以下公式进行归一化处理，其中y为归一化后的结果，x为归一化前的数据，max和min分别代表归一化前的数据的最大值和最小值：

$y=\frac{x-\min }{\max -\min };$

将归一化后的三维特征向量作为输入特征量进行分类。这里采用支持向量机(SVM)的分类方法。构造2个二分类SVM分类器，实现将对数据的三类划分。定义划痕，刮擦的标签分别为1和2，孔洞类别的标签为3；分类器C1实现1与2对3的分类，分类器C2实现1对2的分类。

SVM方法是通过函数将输入空间中的样本映射到高维特征空间中，并在该特征空间中构造最优分类面。而当在特征空间中构造最优超平面的时候，训练算法仅适用特征空间中的点积，即所以，若能找到一个函数K使这样，在高维空间中实际上只需进行内积运算，甚至不必知道变换的形式。

经过一系列变换，SVM方法即为以下最优化问题。

$\min \frac{1}{2}{\mathrm{\α}}^T\mathrm{Q\α}-e^T\mathrm{\α}$

满足条件y^Tα=0,0≤α_i≤C,其中i=1,…n

式中，C是惩罚系数，e是单位矩阵，Q是n*n的半正定矩阵Q(ⁱ,j)=yiy_jK(xi,x_j)本例采用RBF核函数：

K(x_i,x_j)=exp(-γ||x_i-x_j||²),γ>0，其中γ称为径向基半径。

构造SVM分类器即确定C和γ的过程。

实验样本为划痕，刮擦和孔洞三类缺陷各20个，记三个样本集分别为S1，S2和S3，从划痕和刮擦样本中随机各选取10个样本组成标签为0的样本集S0。一共四组实验样本，随机选取每组样本中的14个作为训练集，6个样本作为测试集。应用本发明所述方法进行训练，样本训练数据如下表所示：

表1样本训练数据

采用试验的方法来确定参数C和γ。用样本集S0和样本集S3训练分类器C1，样本集S1和S2训练分类器C2。通过反复的测试，确定分类器参数，实验的参数范围为C∈(60，300),γ∈(0.2，3.0)分类器C1的参数C=120,γ=0.4时得到的结果是最好的，此时的测试正确率可达到100%；分类器C2的参数C=180,γ=1.2时得到的结果是最好的，此时的测试正确率可达到83.33%。

如图11所示是本实例检测方案的最终处理结果示例，其中缺陷2,4,5被划分为划痕，3被划分为刮擦，1,6被划分为孔洞。

Claims (6)

1.一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，其特征在于，包括成像检测***和总线控制***；

其中，所述成像检测***至少包括一套成像检测装置，所述成像检测装置至少包括两个并排安装的线扫描相机(11)、一个或多个LED线光源(12)、传动控制装置（13）和检测计算机(14)；

所述传动控制装置(13)包括传送带(131)、接触传感器(132)、PLC(133)及PLC交互显示单元(134)；

所述接触传感器(132)、PLC(133)及PLC交互显示单元(134)依次相连；所述传送带受控于PLC；所述接触传感器安装于传送带一侧的固定框架上，当LCD玻璃基板随传送带到达预设位置时，接触传感器发送信号至PLC；

所述线扫描相机（11）与所述检测计算机相连，并受控于PLC(133)；所述线扫描相机(11)在PLC的触发控制下，获得LCD玻璃基板的灰度图像，线扫描相机的光轴垂直于LCD玻璃基板的运动平面安装，LED线光源发出的光线平面与传送带的法平面的夹角θ为5°-10°；

所述总线控制***包括监控计算机(21)、工业以太网总线***(23)和PROFIBUS现场总线***(22)；

所述检测计算机（14）输出的图像处理结果通过工业以太网总线***传送到位于工作站的监控计算机(21)；

所述用于控制传送带运动的PLC(133)通过PROFIBUS现场总线***(22)将传送带的运行速度以及被检测玻璃基板所在位置参数传送到工作站的监控计算机(21)。

2.根据权利要求1所述的生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，其特征在于，所述线扫描相机中的线阵CCD传感器具有7450个像素。

3.根据权利要求1或2所述的生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，其特征在于，所述线扫描相机的镜头距离被检测的玻璃基板距离为400mm。

4.一种生产线上大尺寸LCD玻璃基板的多视觉缺陷检测方法，其特征在于，采用权利要求1或2所述的电子制造生产线上大尺寸LCD玻璃基板的多视觉缺陷检测设备，包括如下步骤：

步骤1：实时采集生产线上LCD玻璃基板的图像；

接触传感器接收到的玻璃基板达到预设位置的信号传送至PLC(133)，PLC(133)触发线扫描相机进行图像采集；

步骤2：对采集的生产线上的LCD玻璃基板图像进行去噪和锐化的预处理；

步骤3：采用kmeans聚类方法对预处理后的LCD玻璃基板图像进行缺陷存在性判断，若当前图像存在缺陷区域，则进入步骤4，否则，结束本次缺陷检测，返回步骤1对下一幅图像进行缺陷检测；

步骤4：对缺陷区域进行标记，并提取缺陷特征；

步骤5：采用支持向量机SVM的分类方法，依据提取的缺陷特征进行缺陷类别识别，完成缺陷检测；

所述步骤3采用kmeans聚类方法对预处理后的LCD玻璃基板图像进行缺陷存在性判断的过程包括以下具体步骤：

1）首先对预处理后的LCD玻璃基板图像分成若干个8*8矩形子块g(x,y)，按以下二维DCT变换公式分别对每个矩形子块g(x,y)进行离散余弦变换DCT，得到每个矩形子块g(x,y)的DCT系数C(u,v)；

$C(u,v)=a\left(u\right)a\left(v\right)\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}g(x,y)\cos \left[\frac{(2x+1)\mathrm{u\π}}{2N}\right]\cos \left[\frac{(2y+1)\mathrm{v\π}}{2N}\right]$

其中，(x,y)表示每个矩形子块中的像素点坐标，N=8，u和v均取[0,7]之间的整数， $a\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (u=0)\\ \sqrt{2/N},& (u=\mathrm{1,2}...N-1)\end{array}\right.,$ $a\left(v\right)=\left\{\begin{array}{cc}\sqrt{1/N},& (v=0)\\ \sqrt{2/N},& (v=\mathrm{1,2}...N-1)\end{array}\right.;$

2）计算每个矩形子块的高频系数平均值mean_high和低频系数平均值mean_low；

mean_high=avg{C(u_h,v_h)|u_h,v_h∈[0,2]}，mean_low=avg{C(u_l,v_l)|u_l,v_l∈[3,7]}，其中，agv表示求平均值运算；

3）计算出每个矩形子块在DCT域中的高频系数平均值和低频系数平均值比值ratio： $\mathrm{ratio}=\frac{\mathrm{mean}\_\mathrm{high}}{\mathrm{mean}\_\mathrm{low}}\×100;$

4）利用kmeans聚类方法对每个矩形子块高频系数平均值mean_high和低频系数平均值mean_low以及二者的比值ratio所组成的三维特征量进行分类，具体步骤如下：

步骤a：对每个矩形子块高频系数平均值mean_high和低频系数平均值mean_low以及二者的比值ratio分别进行归一化处理，得到每个矩形子块归一化后的三维特征向量；

步骤b：按从左至右、从上到下的顺序构建所有矩形子块的归一化后的ratio直方图序列，并对直方图序列进行一阶差分计算，以小于第一设定阈值T1的差分值对应的ratio值作为直方图峰值，计算归一化后的ratio直方图峰值个数hist_peak；T1取15-25之间的整数；

步骤c：设置聚类类别数cluster=hist_peak，并随机选取一个矩形子块归一化后的三维特征向量作为聚类中心的初始值；

步骤d：利用k-means聚类方法将所有矩形子块分为cluster类，同时得到cluster个聚类中心；

步骤e：从cluster个聚类中心中，删除ratio值最大和最小的两个聚类中心，将剩余的聚类中心所表示的类别作为缺陷类别；

步骤f：计算所有属于各缺陷类别的矩形子块总个数count；

若count小于第二阈值T2，则判定当前图像中不存在缺陷，否则，判定当前图像中存在缺陷；T2的取值为50到200之间的整数；

所述步骤4中对缺陷区域进行标记，并提取缺陷特征，具体过程如下：

1）依据步骤3的聚类结果，将被判断为缺陷的矩形子块中的每个像素点的像素值均置为255，将被判为非缺陷的矩形子块中每个像素点的像素值均置为0，得到二值图像；

2）利用opencv轮廓查找算法提取缺陷矩形区域轮廓，并以每个缺陷区域的最小外接矩形标记缺陷区域；

3）获取每个缺陷区域的轮廓位置(Px,Py)，面积S，平均灰度L以及圆形度E；

其中，缺陷的轮廓位置(Px,Py)是缺陷部分外接矩形的左下角点坐标；

面积S为以缺陷区域最小外接矩形中不为零的像素数目；

平均灰度L为缺陷区域的最小外接矩形区域中所有像素点的灰度平均值；

圆形度E，P为缺陷区域最小外接矩形的周长。

5.根据权利要求4所述的生产线上大尺寸LCD玻璃基板的多视觉缺陷检测方法，其特征在于，所述步骤5中采用支持向量机SVM的分类方法，依据提取的缺陷特征进行缺陷类别识别，完成缺陷检测，具体过程如下：

首先采集含有缺陷区域的样本数据，样本数据中包含划痕、刮擦及孔洞；

分别计算每个样本数据中的缺陷区域的面积S，平均灰度L和圆形度E；

利用样本数据的面积S，平均灰度L和圆形度E三个特征向量构建两个支持向量机SVM分类器，第一个分类器对孔洞一类和划痕及刮擦组成的一类进行区分，第二个分类器对划痕和刮擦进行区分；

利用构建的两个分类器对实时提取的缺陷特征进行分类识别，完成缺陷检测。

6.根据权利要求5所述的生产线上大尺寸LCD玻璃基板的多视觉缺陷检测方法，其特征在于，所述步骤2中对采集的生产线上的LCD玻璃基本图像进行去噪和锐化的预处理，是指采用3*3的窗口进行中值滤波去噪，得到去噪图像；然后采用拉普拉斯锐化算子对去噪后的图像进行锐化处理。