CN112927189A - 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 - Google Patents

一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 Download PDF

Info

Publication number
CN112927189A
CN112927189A CN202110120681.5A CN202110120681A CN112927189A CN 112927189 A CN112927189 A CN 112927189A CN 202110120681 A CN202110120681 A CN 202110120681A CN 112927189 A CN112927189 A CN 112927189A
Authority
CN
China
Prior art keywords
image
area
gray
workpiece
flaw
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
CN202110120681.5A
Other languages
English (en)
Inventor
宋寿鹏
刘煌
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202110120681.5A priority Critical patent/CN112927189A/zh
Publication of CN112927189A publication Critical patent/CN112927189A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，属于表面缺陷无损检测领域。本发明通过对工件原始图像灰度信息进行分类，粗定位光斑干扰区域，将光斑干扰区域作为初始掩膜图像，根据光斑与瑕疵图像的三种覆盖情况，通过图像灰度值变化与其邻近背景区域灰度值变化梯度的特征规律，确定光斑过渡区域与瑕疵区域，通过灰度值与不同尺度的高斯函数卷积加权，提取出图像中的光照分量，获取其光照灰度的分布规律，建立其聚类损失函数，迭代计算出隶属度和簇中心，并使其满足收敛条件，根据确定的区域分布修复光斑区域，保留瑕疵区域，进而达到剔除光斑干扰的目的。该发明可用于汽车电镀装饰件等对表面瑕疵有检测需求的场合。

Description

一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法
技术领域
本发明涉及表面缺陷无损检测领域，尤其涉及一种电镀工件表面瑕疵视觉检测中边缘反射光斑的剔除方法。
背景技术
工件通常采用表面处理技术，防止工件表面磨损，提高其美观性、耐蚀性，但工件表面处理技术使工件非常光滑，入射光照射在工件表面上，反射光几乎全部被反射，形成光源反射光斑干扰区域。部分工件加工时，在轮廓边缘处易产生毛刺，采用圆弧形过渡不仅能够去除毛刺，而且可以方便工件的使用，防止边角划伤使用者。但光源照射在倒角结构处，发生反射，易形成反射光斑，通过工业相机对工件进行表面瑕疵检测时，采集到的图像中含有光斑干扰区域，并且干扰区域产生的干扰主要包括光斑误判、光斑完全和部分覆盖瑕疵图像导致的漏检。光斑干扰这个影响因素给后续的瑕疵的识别检出带来很大的难点。
目前在机器视觉图像处理领域中，剔除光源反射光斑干扰区域的方法常采用合理的光源打光方式和设计照射均匀的光源，比如不同角度的照射方式，对表面凹凸表现力强，能够增强表面的瑕疵信息，但是光源在工件表面的轮廓处会产生光斑干扰区域。机器视觉光源的设计需要考虑光源的照射方向、光谱、强度、均匀性等特性，设计不合理影响瑕疵的检出率。部分剔除光源反射光斑干扰的方法不能很好地表现光斑干扰区域边缘纹理信息，并且设计的装置复杂。付方发等人将路面有反光的图像进行RGB三个通道分解并比较，获得灰度值最小的灰度图像与标准阈值比较，确定反光部分，在与滤波后的路面镜面反射图像做差分，获得路面去反光图像，但是获得镜面反射图像的边缘纹理分布不准确(付方发,王瑶,王进祥,石金进,徐伟哲,韩敏.一种用于道路去反光的图像处理方法[P].黑龙江省：CN105678240B,2019-01-18.)。郭剑艇等人设计了一台图像去反光的方法和装置，需要从不同方位拍摄得到的至少两幅图像，其中一幅图像为参考图像，将参考图像和待去除反光的图像的重合图像区域生成估计图像，增加了装置和算法的复杂度(郭剑艇,孙航.图像去反光的方法、装置[P].广东省CN110930323A,2020-03-27.)。
发明内容
本发明针对机器视觉中采集到的图像中电镀工件边缘处含有光源反射光斑干扰区域，干扰区域影响后续的图像处理，影响瑕疵的检出率，提出一种反光工件表面瑕疵视觉检测中，边缘处光源反射光斑对瑕疵检测干扰的剔除方法。该方法根据光斑与瑕疵图像完全分离、部分覆盖或完全覆盖三种情况，通过图像灰度值变化与其邻近背景区域灰度值变化梯度的特征规律，确定光斑过渡区域与瑕疵区域，修复光斑区域，保留瑕疵区域，进而达到剔除光斑干扰的目的。本发明的技术方案如下：
步骤S1、获取工件表面视觉图像；
步骤S2、对工件原始图像提取灰度值，再与不同尺度的高斯函数卷积加权，提取出图像中的光照分量；
步骤S3、获取其光照灰度的分布规律，建立聚类损失函数，迭代计算出隶属度和簇中心，并使其满足收敛条件。然后，将灰度信息进行分类，粗定位光斑干扰区域，然后将光斑干扰区域作为初始掩膜图像；
步骤S4、通过图像灰度值变化与其邻近背景区域灰度值变化梯度的特征规律，根据梯度值与阈值的大小，判断光斑干扰区域是否部分覆盖瑕疵图像或者和瑕疵图像完全分离或完全覆盖；
步骤S41、当光斑干扰区域部分覆盖瑕疵图像，通过图像灰度值变化与其邻近区域灰度值变化梯度的特征规律，确定瑕疵区域，并将其灰度设置为背景图像的平均灰度；
步骤S42、当光斑干扰区域与瑕疵图像完全分离，则进行步骤S5；当光斑干扰区域完全覆盖瑕疵图像，通过工件的移动，使瑕疵远离光斑干扰区域，实现完全分离；
步骤S5、通过边缘像素点与周围n×n区域内其它像素点之间灰度差异，将差异值过大的n×n区域的确定光斑干扰过渡区域，获得完整的掩膜图像；
步骤S6、根据获得完整的掩膜图像，以待修复像素点为中心，选取一个小邻域，以邻域内已知像素值来修复该像素点，从完整的掩膜图像外端边缘向内逐层推进，直到修复完区域内所有像素点；
步骤S7、获得剔除光斑干扰后的图像。
本发明中，上述步骤S1具体为：
采用LED光源以低角度方式照射工件，用工业偏振相机获取被测工件灰度图像，工业偏振相机能减弱工件表面光斑反光强度。
上述步骤S2具体为：
根据获取的工件灰度图像提取其灰度值，并与不同尺度高斯函数卷积加权，得到工件表面任意点(x,y)处灰度图像光照分量L(x,y)，即：
Figure BDA0002921947250000031
公式(1)中，F(x,y)为采集的灰度图像灰度值分布；I为尺度数，I∈Z+；Gi(x,y)为不同尺度下的高斯函数，
Figure BDA0002921947250000032
且满足∫∫Gi(x,y)dxdy＝1，σi为尺度值；Mi为第i个尺度对应的权重系数，且满足
Figure BDA0002921947250000033
*为卷积符号。
上述步骤S3具体为：
根据光照分量L(x,y)，建立聚类损失函数JFCM，
Figure BDA0002921947250000034
公式(2)中，N为光照分量L(x,y)内所有像素点的个数；C为簇的数目；uij为第i个像素点属于j类的隶属度，
Figure BDA0002921947250000035
m为隶属度uij的因子,1≤m<∞，且为整数。令聚类损失函数JFCM对uij和Cj的偏导为0，求出隶属度uij和簇中心Cj，迭代计算隶属度uij和簇中心Cj，直到其满足收敛条件
Figure BDA0002921947250000036
停止计算，k为迭代步数；ε为误差阈值。
根据求出的簇中心Cj将图像中的灰度值分类成j+1类，当灰度图像中区域内灰度值的最小值大于簇中心Cj的最大值，将该区域确定为光斑干扰区域。
上述步骤S4具体为：
获取光斑干扰区域的边缘坐标与灰度值，根据瑕疵边缘与光源过渡区域之间的梯度M(x,y)确定一个阈值T1，其中，
Figure BDA0002921947250000037
通过边缘的灰度值变化与其邻近的背景区域灰度值变化梯度M(x,y)的特征规律，根据光斑干扰区域边缘与背景区域的梯度M(x,y)与阈值T1的大小，判断光斑干扰区域是否部分覆盖瑕疵图像或者和瑕疵图像完全分离或完全覆盖。
上述步骤S41具体为：
当光斑干扰区域边缘与背景区域的梯度M(x,y)大于等于阈值T1时，确定光斑干扰区域部分覆盖瑕疵图像，并将其瑕疵图像的灰度值设置为背景图像平均灰度值。
上述步骤S42具体为：
当光斑干扰区域边缘与背景区域的梯度M(x,y)小于阈值T1时，确定光斑干扰区域完全覆盖瑕疵图像或者与瑕疵图像完全分离。当光斑干扰区域完全覆盖瑕疵图像时，通过移动工件，使瑕疵远离光斑干扰区域，实现光斑干扰区域与瑕疵图像完全分离。
所述步骤S5具体为:
根据光照正常区域的背景区域中，在n×n像素区域内，n≥3，且为奇数，(e，f)为n×n像素区域的中心，中心点(e，f)的灰度值F(e,f)与n×n区域内其它像素点灰度值之间偏差H，V，D1，D2，可以确定一个阈值T2，其中，偏差H，V，D1，D2为：
Figure BDA0002921947250000041
Figure BDA0002921947250000042
Figure BDA0002921947250000043
Figure BDA0002921947250000044
根据步骤S41或步骤S42获得的图像，计算边缘所有像素点在n×n区域内其它像素点灰度值之间偏差H，V，D1，D2，当H，V，D1，D2存在一个值大于或等于阈值T2时，该区域为光斑干扰过渡区域，并将其灰度值设置成255，为修复的初始掩膜图像；再获取初始掩膜图像的边缘像素点坐标和灰度值，重新计算偏差H，V，D1，D2，直到偏差H，V，D1，D2都小于阈值T2时，停止计算，最终获得完整的掩膜图像。
所述步骤S6具体为:
根据获得完整的掩膜图像，以待修复像素点p为中心，选取一个小邻域Bε(p)，以邻域内已知像素点q的灰度值来修复该像素点，其中，对于每一个待修复的像素点p的修复值I(p)为：
Figure BDA0002921947250000051
公式(8)中，权重函数
Figure BDA0002921947250000052
Qp为p点到邻域Bε(p)边缘的距离，Qq为q点到邻域Bε(p)边缘的距离；F(q)为q点灰度值；M(q)为q点亮度梯度值。
先修复光斑干扰过渡区域外端边缘的所有像素点，再向内逐层推进，直到修复完区域内所有像素点，得到修复完后的图像，最终实现剔除光斑干扰的目的。
本发明的有益效果是：针对机器视觉中采集到的图像电镀工件边缘处含有光源反射光斑干扰区域，本发明中提出一种剔除光斑干扰的方法。针对光源反射光斑对瑕疵检测产生的干扰主要包括光斑误判、光斑完全和部分覆盖瑕疵图像导致的漏检。本发明可以有效解决这三种干扰造成的影响，提高工件表面瑕疵检测的检出率。
附图说明
图1为本发明流程图；
图2为本发明硬件***图；
图3为本发明实施例中的电镀件照片；
图4为本发明提取光照分量原理框图；
图5为本发明反射光斑剔除实施例；
其中，(a)为具有光斑干扰区域和瑕疵区域的灰度图像，(b)为提取到的光照分量图像，(c)为确定的完整掩膜图像，(d)为剔除光斑干扰后的结果图。
具体实施方式
以下结合附图和实施例对本发明的技术方案做进一步描述，检测对象是汽车电镀装饰件。需要说明的是，本发明还可以通过其他等效实施方式加以应用，本实施方式所述的一种电镀工件表面瑕疵视觉检测中反射光斑剔除方法，图1为本发明流程图，它包括下述步骤：
如图2-3所示，采用偏振相机削弱工件表面光斑反光强度，LED条形光源以低角度照射方式照射测试工件，并通过大恒图像的MER-502-79U3M POL偏振相机采集图像,图5(a)是通过电镀装饰件表面瑕疵视觉检测***采集到的具有光斑干扰区域和瑕疵区域的灰度图像。根据获取的工件灰度图像提取其灰度值，并与不同尺度高斯函数卷积加权，得到工件表面任意点(x,y)处灰度图像光照分量L(x,y)，计算方法参见公式(1)。本发明实施例中I＝3；σ分别采用50,125和250三个尺度；权重系数
Figure BDA0002921947250000061
图4为本发明方法提取光照分量原理框图，图5(b)为本发明实施例中光照分量图像。
根据光照分量L(x,y)，建立聚类损失函数JFCM，损失函数JFCM参见公式(2)。本发明实施例中，C＝2，m＝2。令聚类损失函数JFCM对uij和Cj的偏导为0，求出隶属度uij和簇中心Cj，迭代计算隶属度uij和簇中心Cj，直到其满足收敛条件
Figure BDA0002921947250000062
停止计算，k为迭代步数；ε为误差阈值，本发明实施例中，ε＝0.000001。
根据求出的簇中心C1、C2将图像中的灰度值分类成3类，当灰度图像中某个区域内的灰度值的最小值大于簇中心C1、C2的最大值，将该区域确定为光斑干扰区域，本发明实施例中，C1和C2最大值为129。
获取光斑干扰区域的边缘坐标与灰度值，根据瑕疵边缘与光源过渡区域之间的梯度M(x,y)确定一个阈值T1，梯度M(x,y)参见公式(3)。本发明实施例中，T1＝8。通过边缘的灰度值变化与其邻近的背景区域灰度值变化梯度M(x,y)的特征规律，根据光斑干扰区域边缘与背景区域的梯度M(x,y)与阈值T1的大小，判断光斑干扰区域是否部分覆盖瑕疵图像或者和瑕疵图像完全分离或完全覆盖。
当光斑干扰区域边缘与背景区域的梯度M(x,y)大于等于阈值T1时，确定光斑干扰区域部分覆盖瑕疵图像，并将其瑕疵图像的灰度值设置为背景图像平均灰度值。
当光斑干扰区域边缘与背景区域的梯度M(x,y)小于阈值T1时，确定光斑干扰区域完全覆盖瑕疵图像或者与瑕疵图像完全分离。当光斑干扰区域完全覆盖瑕疵图像时，通过移动工件，使瑕疵远离光斑干扰区域，实现光斑干扰区域与瑕疵图像完全分离。
根据光照正常区域的背景区域中，在3×3像素区域内，(e，f)为3×3像素区域的中心，中心点(e，f)的灰度值F(e,f)与3×3区域内其它像素点灰度值之间偏差H，V，D1，D2，可以确定一个阈值T2，本发明实施例中，T2＝4，其中，偏差H，V，D1，D2为：
Figure BDA0002921947250000063
Figure BDA0002921947250000064
Figure BDA0002921947250000065
Figure BDA0002921947250000071
由公式(9)～(12)分别求出H，V，D1，D2，当H，V，D1，D2只要有一个值大于阈值T2时，将该3×3窗口的区域确定为光斑干扰过渡区域，并将该区域内所有像素点灰度设置为255，若都小于阈值T2时，确定为光照正常区域。对所有的边缘信息进行检测完成后，再进行边缘算法检测，获得其轮廓信息，并进行检测，直到H，V，D1，D2的值都小于阈值T2时，完成最终的图像掩膜。图5(c)为本发明实施例中确定的最终完整的掩膜图像。
最后，根据获得完整的掩膜图像，以待修复像素点p为中心，选取一个小邻域Bε(p)，本发明实施例中，邻域Bε(p)选取5×5的像素区域，以5×5的像素区域内已知像素点q的灰度值来修复该像素点，其中，对于每一个待修复的像素点p的修复值I(p)参见公式(8)。
通过掩膜图像外的小领域区域修复边缘上的像素，然后层层向内推进，直到修复完区域内的所有像素点，得到修复完后的图像，最终能够实现剔除光斑干扰的目的。
该发明能够实现剔除图像中光斑干扰区域，并且能够很好地修复其区域。剔除反光后的图像如图5(d)所示。
实施例中的详细说明仅是针对本发明可行性实施方式的具体展示，并非用以限制本发明的保护范围。凡是未脱离本发明技艺精神的等效实施方式或变更均应包含在本发明的保护范围之内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，包括以下步骤：
S1、获取工件表面视觉图像；
S2、对工件原始图像提取灰度值，再与不同尺度的高斯函数卷积加权，提取出图像中的光照分量；
S3、获取其光照灰度的分布规律，建立聚类损失函数，迭代计算出隶属度和簇中心，并使其满足收敛条件；然后将灰度信息进行分类，粗定位光斑干扰区域，然后将光斑干扰区域作为初始掩膜图像；
S4、通过图像灰度值变化与其邻近背景区域灰度值变化梯度的特征规律，根据梯度值与阈值的大小，判断光斑干扰区域是否部分覆盖瑕疵图像或者和瑕疵图像完全分离或完全覆盖；
S4.1、若光斑干扰区域部分覆盖瑕疵图像，通过图像灰度值变化与其邻近区域灰度值变化梯度的特征规律，确定瑕疵区域，并将其灰度设置为背景图像的平均灰度；
S4.2、当光斑干扰区域与瑕疵图像完全分离，则进行步骤S5；
若光斑干扰区域完全覆盖瑕疵图像，通过工件的移动，使瑕疵远离光斑干扰区域，实现完全分离；
S5、通过边缘像素点与周围n×n区域内其它像素点之间灰度差异，将差异值过大的n×n像素区域的确定光斑干扰过渡区域，获得完整的掩膜图像，n≥3，且为奇数；
S6、根据获得完整的掩膜图像，以待修复像素点为中心，选取一个小邻域，以邻域内已知像素值来修复该像素点，从完整的掩膜图像外端边缘向内逐层推进，直到修复完区域内所有像素点；
S7、获得剔除光斑干扰后的图像。
2.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S1包括：
采用LED光源以低角度方式照射工件，用工业偏振相机获取被测工件灰度图像，工业偏振相机能减弱工件表面光斑反光强度。
3.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S2包括：
根据获取的工件灰度图像提取其灰度值，并与不同尺度高斯函数卷积加权，得到工件表面任意点(x,y)处灰度图像光照分量L(x,y)，即：
Figure FDA0002921947240000021
其中，F(x,y)为采集的灰度图像灰度值分布；I为尺度数，I∈Z+；Gi(x,y)为不同尺度下的高斯函数，
Figure FDA0002921947240000022
且满足∫∫Gi(x,y)dxdy＝1，σi为尺度值；Mi为第i个尺度对应的权重系数，且满足
Figure FDA0002921947240000023
*为卷积符号。
4.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S3包括：
根据光照分量L(x,y)，建立聚类损失函数JFCM，
Figure FDA0002921947240000024
其中，N为光照分量L(x,y)内所有像素点的个数；C为簇的数目；uij为第i个像素点属于j类的隶属度，
Figure FDA0002921947240000025
m为隶属度uij的因子,1≤m<∞，m为整数；令聚类损失函数JFCM对uij和Cj的偏导为0，求出隶属度uij和簇中心Cj，迭代计算隶属度uij和簇中心Cj，直到其满足收敛条件
Figure FDA0002921947240000026
停止计算，k为迭代步数；ε为误差阈值；
根据求出的簇中心Cj将图像中的灰度值分类成j+1类，当灰度图像中区域内灰度值的最小值大于簇中心Cj的最大值，将该区域确定为光斑干扰区域。
5.根据权利要求3所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S4包括：
获取光斑干扰区域的边缘坐标与灰度值，根据瑕疵边缘与光源过渡区域之间的梯度M(x,y)确定一个阈值T1，其中，
Figure FDA0002921947240000027
通过边缘的灰度值变化与其邻近的背景区域灰度值变化梯度M(x,y)的特征规律，根据光斑干扰区域边缘与背景区域的梯度M(x,y)与阈值T1的大小，判断光斑干扰区域是否部分覆盖瑕疵图像或者和瑕疵图像完全分离或完全覆盖。
6.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S4.1包括：
当光斑干扰区域边缘与背景区域的梯度M(x,y)大于等于阈值T1时，确定光斑干扰区域部分覆盖瑕疵图像，并将其瑕疵图像的灰度值设置为背景图像平均灰度值。
7.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S4.2包括：
当光斑干扰区域边缘与背景区域的梯度M(x,y)小于阈值T1时，确定光斑干扰区域完全覆盖瑕疵图像或者与瑕疵图像完全分离，当光斑干扰区域完全覆盖瑕疵图像时，通过移动工件，使瑕疵远离光斑干扰区域，实现光斑干扰区域与瑕疵图像完全分离。
8.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S5包括：
根据光照正常区域的背景区域中，在n×n像素区域内，n≥3，且为奇数，(e，f)为n×n像素区域的中心，中心点(e，f)的灰度值F(e,f)与n×n区域内其它像素点灰度值之间偏差H，V，D1，D2，可以确定一个阈值T2，其中，偏差H，V，D1，D2为：
Figure FDA0002921947240000031
Figure FDA0002921947240000032
Figure FDA0002921947240000033
Figure FDA0002921947240000034
根据步骤S4.1或步骤S4.2获得的图像，计算边缘所有像素点在n×n区域内其它像素点灰度值之间偏差H，V，D1，D2，当H，V，D1，D2存在一个值大于或等于阈值T2时，该区域为光斑干扰过渡区域，并将其灰度值设置成255，为修复的初始掩膜图像；再获取初始掩膜图像的边缘像素点坐标和灰度值，重新计算偏差H，V，D1，D2，直到偏差H，V，D1，D2都小于阈值T2时，停止计算，最终获得完整的掩膜图像。
9.根据权利要求1所述的电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法，其特征在于，所述步骤S5还包括：
根据获得完整的掩膜图像，以待修复像素点p为中心，选取一个小邻域Bε(p)，以邻域内已知像素点q的灰度值来修复该像素点，其中，对于每一个待修复的像素点p的修复值I(p)为：
Figure FDA0002921947240000041
其中，权重函数
Figure FDA0002921947240000042
Qp为p点到邻域Bε(p)边缘的距离，Qq为q点到邻域Bε(p)边缘的距离；F(q)为q点灰度值；M(q)为q点亮度梯度值；先修复光斑干扰过渡区域外端边缘的所有像素点，再向内逐层推进，直到修复完区域内所有像素点，得到修复完后的图像，最终实现剔除光斑干扰的目的。
CN202110120681.5A 2021-01-28 2021-01-28 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 Pending CN112927189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110120681.5A CN112927189A (zh) 2021-01-28 2021-01-28 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110120681.5A CN112927189A (zh) 2021-01-28 2021-01-28 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法

Publications (1)

Publication Number Publication Date
CN112927189A true CN112927189A (zh) 2021-06-08

Family

ID=76168147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110120681.5A Pending CN112927189A (zh) 2021-01-28 2021-01-28 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法

Country Status (1)

Country Link
CN (1) CN112927189A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742826A (zh) * 2022-06-09 2022-07-12 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN114764821A (zh) * 2022-04-19 2022-07-19 成都极米科技股份有限公司 移动物体检测方法、装置、电子设备和存储介质
CN114813783A (zh) * 2022-03-31 2022-07-29 慧之安信息技术股份有限公司 芯片表面瑕疵检测方法
CN115049644A (zh) * 2022-08-12 2022-09-13 山东三微新材料有限公司 一种基于铝管表面瑕疵识别的温度控制方法及***
CN115082477A (zh) * 2022-08-23 2022-09-20 山东鲁芯之光半导体制造有限公司 一种基于去反光效果的半导体晶圆加工质量检测方法
CN115082504A (zh) * 2022-08-23 2022-09-20 菏泽学院 一种太阳能光伏板光斑识别方法
CN115330770A (zh) * 2022-10-12 2022-11-11 南通宝江家用纺织品有限公司 一种布匹区域类疵点识别方法
CN115760654A (zh) * 2023-01-10 2023-03-07 南京木木西里科技有限公司 一种工业显微镜图像处理***
CN116148265A (zh) * 2023-02-14 2023-05-23 浙江迈沐智能科技有限公司 一种基于合成革高质量图像获取的瑕疵分析方法及***
CN116385445A (zh) * 2023-06-06 2023-07-04 东莞市希锐自动化科技股份有限公司 一种基于视觉技术的电镀五金件瑕疵检测方法
CN116503388A (zh) * 2023-06-25 2023-07-28 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及存储介质
CN117232791A (zh) * 2023-11-07 2023-12-15 智翼博智能科技(苏州)有限公司 一种光学膜表面瑕疵缺陷智能检测方法
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN117333480A (zh) * 2023-10-31 2024-01-02 曲阜冶通铸材科技发展有限公司 一种铸材表面瑕疵边缘视觉检测方法、***、装置及介质
CN117808812A (zh) * 2024-03-01 2024-04-02 深圳市福源晖科技有限公司 一种柔性电路板瑕疵检测方法及***
CN117929280A (zh) * 2024-03-21 2024-04-26 宁德时代新能源科技股份有限公司 电池蓝膜包覆***及电池蓝膜包覆的检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075353A1 (en) * 2006-09-22 2008-03-27 Mehmet Tek System and method for defect detection threshold determination in an workpiece surface inspection system
JP2012229928A (ja) * 2011-04-25 2012-11-22 Jfe Steel Corp 表面欠陥検出方法、および表面欠陥検出装置
CN102842131A (zh) * 2012-07-10 2012-12-26 中联重科股份有限公司 一种监测目标物体缺陷的方法及设备
DE102012010190A1 (de) * 2011-07-18 2013-01-24 Cornelius Hahlweg Verfahren, Vorrichtung und Endoskop sowieAufsatz
CN105427324A (zh) * 2015-12-07 2016-03-23 电子科技大学 基于二值化阈值自动搜索的磁光成像缺陷检测方法
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量***及方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测***
CN111899215A (zh) * 2020-06-15 2020-11-06 浙江大学 一种光学元件体缺陷的提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080075353A1 (en) * 2006-09-22 2008-03-27 Mehmet Tek System and method for defect detection threshold determination in an workpiece surface inspection system
JP2012229928A (ja) * 2011-04-25 2012-11-22 Jfe Steel Corp 表面欠陥検出方法、および表面欠陥検出装置
DE102012010190A1 (de) * 2011-07-18 2013-01-24 Cornelius Hahlweg Verfahren, Vorrichtung und Endoskop sowieAufsatz
CN102842131A (zh) * 2012-07-10 2012-12-26 中联重科股份有限公司 一种监测目标物体缺陷的方法及设备
CN105427324A (zh) * 2015-12-07 2016-03-23 电子科技大学 基于二值化阈值自动搜索的磁光成像缺陷检测方法
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量***及方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测***
CN111899215A (zh) * 2020-06-15 2020-11-06 浙江大学 一种光学元件体缺陷的提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨世坤;杨逸峰;姜丽辉;左乐;: "基于梯度卷积的激光光斑图像分割", 激光与红外, no. 06, 20 June 2020 (2020-06-20) *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813783B (zh) * 2022-03-31 2022-11-15 慧之安信息技术股份有限公司 芯片表面瑕疵检测方法
CN114813783A (zh) * 2022-03-31 2022-07-29 慧之安信息技术股份有限公司 芯片表面瑕疵检测方法
CN114764821A (zh) * 2022-04-19 2022-07-19 成都极米科技股份有限公司 移动物体检测方法、装置、电子设备和存储介质
CN114764821B (zh) * 2022-04-19 2023-07-28 极米科技股份有限公司 移动物体检测方法、装置、电子设备和存储介质
CN114742826B (zh) * 2022-06-09 2022-09-02 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN114742826A (zh) * 2022-06-09 2022-07-12 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN115049644A (zh) * 2022-08-12 2022-09-13 山东三微新材料有限公司 一种基于铝管表面瑕疵识别的温度控制方法及***
CN115082504A (zh) * 2022-08-23 2022-09-20 菏泽学院 一种太阳能光伏板光斑识别方法
CN115082504B (zh) * 2022-08-23 2022-11-11 菏泽学院 一种太阳能光伏板光斑识别方法
CN115082477B (zh) * 2022-08-23 2022-10-28 山东鲁芯之光半导体制造有限公司 一种基于去反光效果的半导体晶圆加工质量检测方法
CN115082477A (zh) * 2022-08-23 2022-09-20 山东鲁芯之光半导体制造有限公司 一种基于去反光效果的半导体晶圆加工质量检测方法
CN115330770A (zh) * 2022-10-12 2022-11-11 南通宝江家用纺织品有限公司 一种布匹区域类疵点识别方法
CN115760654A (zh) * 2023-01-10 2023-03-07 南京木木西里科技有限公司 一种工业显微镜图像处理***
CN116148265A (zh) * 2023-02-14 2023-05-23 浙江迈沐智能科技有限公司 一种基于合成革高质量图像获取的瑕疵分析方法及***
CN116385445A (zh) * 2023-06-06 2023-07-04 东莞市希锐自动化科技股份有限公司 一种基于视觉技术的电镀五金件瑕疵检测方法
CN116385445B (zh) * 2023-06-06 2023-08-11 东莞市希锐自动化科技股份有限公司 一种基于视觉技术的电镀五金件瑕疵检测方法
CN116503388A (zh) * 2023-06-25 2023-07-28 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及存储介质
CN116503388B (zh) * 2023-06-25 2023-11-14 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及存储介质
CN117333480A (zh) * 2023-10-31 2024-01-02 曲阜冶通铸材科技发展有限公司 一种铸材表面瑕疵边缘视觉检测方法、***、装置及介质
CN117333480B (zh) * 2023-10-31 2024-03-01 曲阜冶通铸材科技发展有限公司 一种铸材表面瑕疵边缘视觉检测方法、***、装置及介质
CN117232791A (zh) * 2023-11-07 2023-12-15 智翼博智能科技(苏州)有限公司 一种光学膜表面瑕疵缺陷智能检测方法
CN117232791B (zh) * 2023-11-07 2024-02-09 智翼博智能科技(苏州)有限公司 一种光学膜表面瑕疵缺陷智能检测方法
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN117314924B (zh) * 2023-11-30 2024-02-09 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN117808812A (zh) * 2024-03-01 2024-04-02 深圳市福源晖科技有限公司 一种柔性电路板瑕疵检测方法及***
CN117808812B (zh) * 2024-03-01 2024-05-07 深圳市福源晖科技有限公司 一种柔性电路板瑕疵检测方法及***
CN117929280A (zh) * 2024-03-21 2024-04-26 宁德时代新能源科技股份有限公司 电池蓝膜包覆***及电池蓝膜包覆的检测方法

Similar Documents

Publication Publication Date Title
CN112927189A (zh) 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN108280823B (zh) 一种工业生产中光缆表面弱边缘瑕疵的检测方法及***
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN107610111B (zh) 一种基于深度学习的焊点图像检测方法
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
US20180253836A1 (en) Method for automated detection of defects in cast wheel products
US8116522B1 (en) Ship detection system and method from overhead images
CN102306384B (zh) 一种基于单幅图像的颜色恒常性处理方法
CN116990323B (zh) 一种高精密印刷版视觉检测***
CN116309559B (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN103400357B (zh) 一种去除图像椒盐噪声的方法
CN112734720B (zh) 基于视觉识别的船壳激光清洗在位检测方法及***
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN115063407B (zh) 一种用于环形铜垫片的划痕及裂纹识别方法
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN116152247B (zh) 一种聚氨酯涂膜的质量评估方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN114018946B (zh) 一种基于OpenCV的高反光瓶盖缺陷检测方法
CN113781413B (zh) 一种基于Hough梯度法的电解电容定位方法
CN114937004A (zh) 一种基于计算机视觉的机械零件表面气孔缺陷检测方法
CN109767407A (zh) 一种去雾过程中大气透射率图像的二次估计方法

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