CN1271095A - 产品图象自动检测*** - Google Patents
产品图象自动检测*** Download PDFInfo
- Publication number
- CN1271095A CN1271095A CN 00114421 CN00114421A CN1271095A CN 1271095 A CN1271095 A CN 1271095A CN 00114421 CN00114421 CN 00114421 CN 00114421 A CN00114421 A CN 00114421A CN 1271095 A CN1271095 A CN 1271095A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- variance
- color
- average
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种产品图象自动检测***。该***包括光照***、彩色CCD像机、真彩色图象采集卡、微机、***软件、应用软件和输出控制卡。本发明的应用软件包括***界面、缺陷检测算法、颜色分类算法等,颜色分类采用最小距离法和神经网络法,并用相对均值与方差替代均值与方差。最小距离法中采用动态样本中心。缺陷检测模块中采用局部方差的图象分割方法代替传统的边缘算子检测方法,并采用动态门限分割。该***适应性强、稳定性好。
Description
本发明属于工业检测和图象处理技术领域,具体地说,它涉及一种产品图象自动检测***。
随着光电信息技术以及计算机技术的发展和进步,许多原先只能由人完成的工作,现在可以采用以计算机为核心的自动***来完成。基于产品图象(此处的“图象”相当于“Pattern”)的工业检测与质量控制***就是这样的领域之一。一般来说现有的这类***由以下硬件组成:CCD摄像机,图象采集卡,微机等。软件则主要包括开发***软件和应用软件两大部分;***软件包括操作***和软件开发平台,如WINDOWS 95操作***,MICROSOFT VISUAL C++等。应用软件则是根据不同检测***要求而由开发人员自行研制的完成特定功能的软件,是自动检测***的核心。上海交通大学罗炜、杨晋夫在“计算机显微检测及数据处理***”(载于≤计算机工程与应用≥,1999年1月,pp.124-126)一文中介绍了一种产品质量检测管理***,该***以灯丝电极产品作检测对象为例,利用显微镜、图象采集卡和微型计算机等设备,结合计算机软件对精细微小产品的质量进行检测。但该***是将由CCD像机所获得的数字图象直接进行处理,因此只能对产品的外观尺寸等进行测量,而难以对于产品的颜色进行分类。根据CCD摄像机的成像原理,颜色取决于光照、物体表面颜色与反射率等多种因素影响,因此颜色的分类检测要困难得多。即使在实验室条件下能取得较好结果,而在工厂等实际环境中则由于受到光照、电磁干扰、振动、电压波动等因素影响,难以稳定运行,最终影响了所开发的检测技术在实际中的应用。因此,能否解决自动检测***的鲁棒性和稳定性是目前常用的工业检测技术所面临的技术难题。
本发明的目的在于提供一种产品图象自动检测***,该***不仅能自动检测产品的颜色、缺陷,以确定产品质量,而且具有较强适应性和较好稳定性。
为了完成上述任务,该产品图象自动检测***包括光照***、彩色CCD像机、真彩色图象采集卡、微机、***软件、应用软件和输出控制卡。真彩色图象采集卡、***软件和应用软件置于微机中。其应用软件的实现方法如下:
(1)利用彩色CCD像机采集被检产品的图像并获取数据,计算由彩色图象分解成的RGB图象的均值与方差,可记为XR、XG、XB、StdR、StdG和StdB,再将R图象的均值XR设定为任一常数M,最后计算出RGB图象的相对均值与方差为:M,M·XG/XR,M·XB/XR,M·StdR/XR,M·StdG/XR,M·StdB/XR;在最小距离分类方法和神经网络分类方法中用相对均值与方差替代均值与方差;
(2)对被检产品进行缺陷检测,其处理步骤如下:①利用N×N模板,计算被检产品图象的局部均值与方差;②当被检产品为单色产品时,直接进行步骤③;为花纹产品时,计算样本图象的局部均值与方差,并将所述被检产品图象的的局部均值与方差与样本图象的的局部均值与方差相减后取绝对值,作为被检产品的新的局部方差图象。③对被检产品的局部方差图象进行动态门限分割,在分割过程中,通过以下的动态门限来加以区分:
T=a+kb
其中,a、b分别代表被检产品的局部方差图象的均值与方差,k为系数,其取值为0-1之间,可以进行调整;小于门限T的象素记为0,高于门限T的象素记为1,后者表示出现疵点的象素。④对步骤③所获得的二值图象进行开运算与闭运算,去除由于微小噪声或微小位移而产生的虚假边缘;⑤对步骤④所获得的图象点进行统计,并根据生产标准判断被检产品是否为合格品;
(3)当被检产品为不合格产品时,直接进行步骤(4);被检产品为合格产品时,采用最小距离分类方法对被检产品图象的颜色进行检测,其处理方法为:先设定类内最大距离门限R和分类数I,再计算被检图象与样本图象之间的距离r,取其中的最小值rj,当rj小于距离门限R时,将被测产品归入第j类,并将被检产品的图象与第j类的样本中心合并作为第j类新的样本中心,当rj大于距离门限R时,如果增加一个新的类其类别数少于等于分类数I,则将被检产品作为新的一类,并将被检产品图象作为新增加的类的样本中心,否则可选择修改距离门限R或分类数I后再按照同样的方法对被检产品进行分类;但能提供实验类型样本且颜色的分类数I≤6时,也可采用神经网络方法进行检测;
(4)根据检测结果输出被检产品的产品质量信息。
在采用上述神经网络方法中其中间结点层数目可以取值为3;上述产品缺陷检测中的模板尺寸可取值为7×7。;
采用本发明对产品图象进行自动检测,检测对象广,缺陷检测精度高,能适应实际生产环境的不同需要,并且当光照、振动、电压等因素变化时检测结果能保持相对稳定。该***还具有操作简单、易于掌握和经济实用等特点。本发明可用于对瓷质产品、木质产品、棉质产品和玻璃产品等进行产品图象自动检测。发明人采用彩色地砖为例实施本发明对,缺陷检测精度最高可达0.5毫米,1毫米检测概率接近100%;在进行产品颜色检测时,采用相对均值与方差替代均值与方差的方法可将同一类型地砖的均值变化范围从近十个象素减少到0.2个象素;该***具有较好稳定度,长达几十天的实验证明了该***工作稳定可靠。
下面结合附图对本发明作进一步详细的说明。
图1为本发明的产品图象自动检测***结构示意图;
图2为本发明的产品图象自动检测软件总体流程图;
图3为本发明中的单色产品缺陷检测方法流程图;
图4为本发明中的花纹产品缺陷检测方法流程图;
图5为本发明中的神经网络分类方法流程图;
图6为本发明中的最小距离分类方法流程图;
图7为实施例中的地砖分拣运行界面;
图8为实施例中的***参数界面;
图9为实施例中的神经网络分类方法中的学习功能界面。
如图1所示,本发明的***装置包括光照***、彩色面阵CCD摄像机、真彩色图象采集卡、计算机、***软件、***硬件以及输出控制卡。计算机可为586及其以上配置的微机,***软件可以是WINDOW95、VISUALC++5.00及其以上版本的软件。在图2所示的产品图象自动检测软件总体流程图中,应用软件包括***界面、缺陷检测算法、颜色分类算法等部分。***界面包括采像初始化、图象存盘、样本学习、综合检测以及退出***主菜单组成。其中综合检测包括基于神经网络的颜色分类判别、基于最小距离判别的颜色分类判别以及基于数学形态学的缺陷检测三个部分组成。样本学习由***参数、神经网络、样本采集三个子菜单组成。而样本采集则是将摄像机所实时采集的图象数据进行处理,并作为神经网络的训练样本存储下来。该***界面可在WINDOWS 95环境下采用VISUAL C++5.0编程实现。
图2中计算RGB图象相对均值与方差的方法如下:先将复合彩色图象信号分解为对应于RGB三个不同波段的灰度图象,再计算它们的均值与方差。这六个不同的特征量就构成了颜色分类的输入特征。为了解决输入图象均值与方差随光照变化大、稳定性差等问题,本发明提出了一种相对均值与方差的预处理方法。其具体处理步骤为:计算RGB图象的均值与方差,并分别记为XR、XG、XB、StdR、StdG和StdB;再将R图象的均值XR设定为任一常数M,最后计算出RGB图象的相对均值与方差:M,M·XG/XR,M·XB/XR,M·StdR/XR,M·StdG/XR,M·StdB/XR;该***的应用软件中的颜色分类算法均采用相对均值与方差取代均值与方差。
图2中的单色产品缺陷检测方法如图3所示;花纹产品缺陷检测方法如图4所示。缺陷检测方法主要由以下步骤组成;①利用N×N模板,计算局部方差图象的均值与方差
缺陷如疵点、裂纹等在图象上一般都将产生灰度上的跳变。为了检测这种跳变本发明提出采用局部方差图象分割方法,而不是传统的边缘算子检测方法。在计算局部方差时所采用的子图象大小可根据所检测产品来确定。一般来说,模板越大,去除灰度变化的能力也就越强,但是同时缺陷检测的能力也就越差。在实验中一般可取模板的尺寸N×N为7×7。②计算模板图象均值与方差
对于有花纹产品,为了解决产品图象本身图案变化所产生的灰度跳变问题,必须存储根据已知样本图象计算局部方差图象,同时将被检图象的局部方差图象与样本图象的局部方差图象相减后取绝对值,作为新的局部方差图象,计算该新的局部方差图象的均值与方差,用于动态门限分割。单色产品检测不需要这一步骤。③动态门限分割。
由于产品图象本身的不均匀性,因此即使没有出现疵点也会产生灰度的跳变。因此,在分割过程中,通过以下的动态门限来加以区分:
T=a+kb
这里a、b分别代表局部方差图象的均值与方差,k为系数,由实验确定。一般来说,K越大,检测到的疵点也就越少,漏检的可能性也就越大;反之,K越小,检测到的疵点也就越多,虚警概率也就越大。一般在实验中K取值为0-1之间,可以通过界面调整。利用动态门限对局部方差图象进行分割,小于门限T的象素为0,高于门限T的象素为1,后者表示出现疵点的象素。④数学形态学运算
对于由③的二值图象进行开运算和闭运算,去除由于微小噪声或微小位移而产生的虚假边缘。⑤对于由④所获得的图象点进行统计,并根据生产标准判断是否为合格品。
图2中的神经网络分类方法如图5所示,本发明中的神经网络分类方法与通常的神经网络分类方法相同。基于神经网络的颜色分类方法以图象相对均值与方差作为BP神经网络的输入层,期待样本的判别结果作为输出层,中间结点层的数目可调(利用***界面,不需修改程序),一般当中间节点数过多时,虽然有利于获得最终的期望值,但是由于需要调整的权系数太多,使得神经网络学习的时间大大加长;而如果过少,则可能使得误差和难以降到规定的门限,从而使得学习难以收敛。在实验中发明人发现采用与输出类别数相近的值比较适当。该方法适用于能够提供实验类型样本的情形,但当分类数太大(如大于6)时,需要进行样本学习的时间较长。通过样本产品的学习,可以确定神经网络的连接权系数。在实验中发明人将节点层数选为3。当识别时,对于待检测产品提取相同特征,然后将其作为神经网络的输入。这样,输出层中输出值最大的类即为该产品所应归属的类别。具体实现的程序框图如图4所示。
图2中的最小距离分类方法如图6所示。传统的最小距离分类方法基于固定的样本中心,难以适应当样本中心发生波动时所产生的变化。在本发明中的最小距离分类方法采用动态样本中心的方法以来解决这一问题。其具体方法是先设定距离门限R和分类数I,再计算被检图象与样本图象之间的距离r,取其中的最小值rj,当rj小于最大类内距离门限R时,将被测产品归入第j类,并将被检产品的图象与第j类的样本中心合并作为第j类新的样本中心,当rj大于距离门限R时,如果增加一个新的类其类别数少于等于I则将被检产品作为新的一类,并将被检产品图象作为新增加的类的样本中心,否则可选择修改距离门限R或分类数I。如果选择修改分类数I,则将被检产品作为新的一类,并将被检产品图象作为新增加的类的样本中心;如果选择修改距离门限R,则可按照前述同样的方法对被检产品进行分类。从该被检产品开始,该自动检测***按照新的距离门限R对后续产品进行分类。距离门限R的确定应当以最终输出类别的多寡来判断。如果输出的类别适中,则该距离门限也就是适当的。该方法以同类划分准则来实现颜色分类,保证了同一类产品的颜色差控制在给定的范围以内。此外,该方法不同于神经网络方法,它将学习与识别过程融为一体,不仅大大减少了学习时间,而且使得它能够完成样本的自动学习与更新。实验结果表明,它是保证***长时间工作稳定性的有效途径。具体步骤方法如图4所示。
实施例
1、被检产品以瓷质地砖为例;
2、硬件环境包括彩色CCD面阵摄象机,北京大恒图象公司生产的DH-VRT-CG200/6彩色图象采集卡,8×20瓦节能白炽灯,PENTIUM 100M微机和A-7225输入/输出接口卡。
3、软件环境包括Window 95操作***,Visual C++5.0集成开发环境,N=7,M=200,I=6,R=10。
4、程序框图如图2至图6所示。
5、运行界面如图7所示。
6、***参数界面及其参数取值如图8所示,神经网络分类方法中的学习参数设置如图9所示。
Claims (5)
1、一种产品图象自动检测***,包括彩色CCD像机、真彩色图象采集卡、微机、***软件、应用软件和输出控制卡,所述真彩色图象采集卡、***软件和应用软件置于所述微机中,由所述彩色CCD像机摄取被检产品的彩色图象,再输入到真彩色图象采集卡,微机中的***软件和应用软件对彩色图象进行检测处理,检测结果通过输出控制卡输出以供使用,其特征在于:所述产品图象自动检测***还包括一个光照***,该光照***供所述彩色CCD像机摄取所述被检产品彩色图象时使用;所述应用软件的实现方法如下:
(1)利用彩色CCD像机采集被检产品的彩色图像并获取数据,计算由所述彩色图象分解成的RGB图象的均值与方差,其中R图象的均值记为XR、G图象的均值记为XG、B图象的均值记为XB、R图象的方差记为StdR、G图象的方差记为StdG,B图象的方差记为StdB,再将R图象的均值XR设定为任一常数M,最后计算出RGB图象的相对均值与方差为:M,M·XG/XR,M·XB/XR,M·StdR/XR,M·StdG/XR,M·StdB/XR;在最小距离分类方法和神经网络分类方法中用相对均值与方差替代均值与方差;
(2)对所述被检产品进行缺陷检测,其处理步骤如下:A.判断所述被检产品是单色产品还是花纹产品;B.利用N×N模板,计算所述被检图象的局部均值与方差,得到局部方差图象;C.当所述被检产品为单色产品时,直接进行步骤D;当所述被检产品为花纹产品时,计算样本图象的局部均值与方差,并将所述被检图象的局部方差图象与样本图象的局部方差图象相减后取绝对值,作为所述被检产品的新的局部方差图象;D.对所述被检产品的局部方差图象进行动态门限分割,在分割过程中,通过以下的动态门限来加以区分:
T=a+kb
其中,a、b分别代表所述被检产品的局部方差图象的均值与方差,k为系数,其取值为0-1之间,可以进行调整;小于门限T的象素记为0,高于门限T的象素记为1,后者表示出现疵点的象素。E.对步骤D所获得的二值图象进行开运算与闭运算,去除由于微小噪声或微小位移而产生的虚假边缘;F.对步骤E所获得的图象点进行统计,并根据生产标准判断所述被检产品是否为合格产品;
(3)当所述被检产品为不合格产品时,直接进行步骤D;所述被检产品为合格产品时,从采用最小距离分类方法和神经网络分类方法中选择其中一种方法对所述被检产品图象的颜色进行检测,任何情形下均可选用最小距离分类方法进行颜色检测,在能提供实验类型样本且颜色的分类数I≤6时,也可采用神经网络分类方法进行检测;所述最小距离分类方法的步骤为:先设定类内最大距离门限R和分类数I,再计算被检图象与样本图象之间的距离r,取其中的最小值rj,当rj小于距离门限R时,将被测产品归入第j类,并将被检产品的图象与第j类的样本中心合并作为第j类新的样本中心,当rj大于距离门限R时,如果增加一个新的类其类别数少于等于分类数I则将被检产品作为新的一类,并将被检产品图象作为新增加的类的样本中心,否则可选择修改距离门限R或分类数I后再按照同样的方法对被检产品进行分类。
(4)根据检测结果输出所述被检产品的产品质量信息。
2、根据权利要求1所述的产品图象自动检测***,其特征在于:所述应用软件的实现方法中的处理步骤可以改变为按步骤(1)(3)(2)(4)顺序进行。
3、根据权利要求1或2所述的产品图象自动检测***,其特征在于:所述神经网络方法中的节点层数目为3。
4、根据权利要求1或2所述的产品图象自动检测***,其特征在于:所述N×N模板的尺寸为7×7。
5、根据权利要求3所述的产品图象自动检测***,其特征在于:所述N×N模板的尺寸为7×7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB001144219A CN1147723C (zh) | 2000-03-14 | 2000-03-14 | 产品图象自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB001144219A CN1147723C (zh) | 2000-03-14 | 2000-03-14 | 产品图象自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1271095A true CN1271095A (zh) | 2000-10-25 |
CN1147723C CN1147723C (zh) | 2004-04-28 |
Family
ID=4584105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB001144219A Expired - Fee Related CN1147723C (zh) | 2000-03-14 | 2000-03-14 | 产品图象自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1147723C (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1305292C (zh) * | 2003-09-15 | 2007-03-14 | 北京中星微电子有限公司 | 对连续图像帧间偏移的估计方法 |
CN100401786C (zh) * | 2002-12-14 | 2008-07-09 | 三星电子株式会社 | 再现视频信号中的肤色的装置和方法 |
CN102456128A (zh) * | 2010-10-27 | 2012-05-16 | 徐继圣 | 未控制环境下的立体视觉骰点辨识***及方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108693441A (zh) * | 2018-04-16 | 2018-10-23 | 华北电力大学(保定) | 一种输电线路绝缘子识别方法及*** |
-
2000
- 2000-03-14 CN CNB001144219A patent/CN1147723C/zh not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100401786C (zh) * | 2002-12-14 | 2008-07-09 | 三星电子株式会社 | 再现视频信号中的肤色的装置和方法 |
CN1305292C (zh) * | 2003-09-15 | 2007-03-14 | 北京中星微电子有限公司 | 对连续图像帧间偏移的估计方法 |
CN102456128A (zh) * | 2010-10-27 | 2012-05-16 | 徐继圣 | 未控制环境下的立体视觉骰点辨识***及方法 |
CN102456128B (zh) * | 2010-10-27 | 2014-06-11 | 徐继圣 | 未控制环境下的立体视觉骰点辨识***及方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108181316B (zh) * | 2018-03-13 | 2019-12-20 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108693441A (zh) * | 2018-04-16 | 2018-10-23 | 华北电力大学(保定) | 一种输电线路绝缘子识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN1147723C (zh) | 2004-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moselhi et al. | Classification of defects in sewer pipes using neural networks | |
Song et al. | Defect detection in random colour textures | |
Moaveni et al. | Evaluation of aggregate size and shape by means of segmentation techniques and aggregate image processing algorithms | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN107328776B (zh) | 一种免疫层析试纸卡的快速检测方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
EP0382466A2 (en) | Methods and apparatus for optically determining the acceptability of products | |
CN100341313C (zh) | 判定影像的颜色组成的方法 | |
EP0628189A1 (en) | Adaptive display system | |
CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
Mahler et al. | Pavement distress analysis using image processing techniques | |
EP4058986A1 (en) | Method and device for identification of effect pigments in a target coating | |
CN1271095A (zh) | 产品图象自动检测*** | |
Mirbod et al. | Intelligent concrete surface cracks detection using computer vision, pattern recognition, and artificial neural networks | |
CN117611551A (zh) | 基于物联网的显示屏异常检测方法及*** | |
Öztürk et al. | Real-time product quality control system using optimized Gabor filter bank | |
Armingol et al. | Statistical pattern modeling in vision-based quality control systems | |
Cheng et al. | Automated real-time pavement distress analysis | |
Desoli et al. | A system for automated visual inspection of ceramic tiles | |
McAlorum et al. | Automated concrete crack inspection with directional lighting platform | |
Cao et al. | Method for detecting surface defects of ceramic tile based on improved Cascade RCNN | |
CN113808206B (zh) | 一种基于视觉追踪机器人的排版***及方法 | |
CN114648507A (zh) | 对骨料进行在线检测的方法、可读存储介质及终端设备 | |
Rodriguez et al. | Image segmentation by successive background extraction | |
Lee et al. | Contaminated facade identification using convolutional neural network and image processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C06 | Publication | ||
PB01 | Publication | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |