一种外观缺陷检测方法
文献发布时间:2023-06-19 12:21:13
技术领域
本发明涉及一种外观检测技术领域,具体涉及一种外观缺陷检测方法。
背景技术
在产品生产过程中,为了确保产品的品质,通常都需要对产品进行检测避免出现有缺陷的产品。外观缺陷检测在许多行业都有应用例如:移印检测、激光雕刻等。采用人工方式进行缺陷检测,检测精度受人为主观影响;采用深度学习则需要大量训练样本,在实际工业场景中也受到诸多限制。
为了解决上述问题,本申请提出了一种适用于工业场景的缺陷检测方法,只需要少量训练图像就能进行缺陷检测的方法。
发明内容
本发明提供了一种外观缺陷检测方法,通过对输出图片的位置偏移补补正,对位置偏移补正后的图像训练,计算良品模型;通过计算待检测图像的缺陷,判定样品是否合格;有效地提升外观缺陷检测的场景限制等。
本发明提供了一种外观缺陷检测方法是通过以下技术方案来实现的:包括如下步骤:
步骤一、设置位置补正,并对输入图像进行位置偏移补正;
步骤二、对位置偏移补正后的图像训练,计算良品模型;
步骤三、计算待检测图像的缺陷,判定样品是否合格。
作为优选的技术方案,设置位置补正,并对输入图像进行位置偏移补正包括:输入图像可以是彩色和灰度两种,也可以包含带缺陷的图像;在待检测图像中选择轮廓清晰的区域为位置补正区域,并作为位置补正源对所有输入图像进行位置补正。
作为优选的技术方案,对位置偏移补正后的图像训练,计算良品模型包括:灰度图像每个位置只有一个灰度值时,直接计算灰度图像每个像素的平均值和标准差,保存备用,用3sigma原理判定待检测像素是否有缺陷;彩色图像每个位置有RGB三个灰度值,则使用马氏距离进行判定,计算每个像素的协方差矩阵,计算每个像素马氏距离的平均值和标准差,保存备用,用3sigma原理判定待检测像素是否有缺陷。
作为优选的技术方案,用输入的样品图像学习良品模型,包括:根据缺陷检测需求,对于边缘缺陷的检测,可以学习基于边缘的良品模型,计算图像在水平方向和垂直方向的梯度值,将像素在两个方向的梯度值作为该像素的二维特征,利用该特征计算每个像素的马氏距离的平均值和标准差,保存备用,用 3sigma原理判定待检测像素是否有缺陷。
作为优选的技术方案,用输入的样品图像学习良品模型,包括:剔除输入图像中包含缺陷的图像,用格拉布斯准则对每个像素进行验证,剔除掉含有缺陷的图像;用保留下来的图像重复进行上述权利要求3、4运算,计算得到最终的良品模型。
作为优选的技术方案,计算待检测图像的缺陷,判定样品是否合格,包括:对待检测图像进行位置补正;如果指定变形匹配,则先对待检测图像进行变形匹配。
作为优选的技术方案,计算待检测图像的缺陷,判定样品是否合格,包括:如果待检测图像是灰度图像,用灰度良品模型进行缺陷检测,用3sigma原理判定每个像素的灰度值是否为缺陷;如果待检测图像是彩色图像,用灰度良品模型进行缺陷检测,则首先将彩色图像转换为灰度图像,再按照灰度图像检测方式进行缺陷检测;如果待检测图像是彩色图像,用彩色良品模型进行缺陷检测,计算每个像素RGB灰度值的马氏距离,用3sigma原理进行缺陷检测。
作为优选的技术方案,计算待检测图像的缺陷,判定样品是否合格,包括:如果指定强调边缘缺陷,计算输入图像,当输入为彩色图像时,转化为灰度图像;在水平和垂直两个方向的梯度,将像素在两个方向的梯度值作为像素的二维特征,利用该特征计算每个像素的马氏距离,用3sigma原理进行缺陷检测。
作为优选的技术方案,计算待检测图像的缺陷,判定样品是否合格,包括:对用两种方法检测到的缺陷进行合并,当指定强调边缘强度为普通,对两种检测结果求交集;如果指定强调边缘强度为强,对两种检测结果求并集。
作为优选的技术方案,计算待检测图像的缺陷,判定样品是否合格,包括:对检出的缺陷值进行阈值处理,若缺陷值大于设定阈值则作为缺陷检出,否则不检出;对检出的缺陷面积进行阈值处理,对缺陷进行连通域分析,计算每块缺陷的面积,当缺陷面积大于设定阈值则作为缺陷检出,否则不检出。
本发明的有益效果是:将设置位置补正,并对输入图像进行位置偏移补正;对位置偏移补正后的图像训练,计算良品模型;计算待检测图像的缺陷,判定样品是否合格。本申请能够准确快速的检测产品外观上微小缺陷,对检测目标的微小变形也具有较好的鲁棒性,检测效果好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种外观缺陷检测方法的总流程图;
图2为本发明一种外观缺陷检测方法计算良品模型的流程图;
图3为本发明一种外观缺陷检测方法马氏距离原理示意图一;
图4为本发明一种外观缺陷检测方法马氏距离原理示意图二;
图5为本发明一种外观缺陷检测方法检测图像缺陷的流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
在发明的描述中,需要理解的是,术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如,如果将图中的设备翻转,则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此,示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向(旋转90度或其他朝向),并相应地解释本文使用的与空间相关的描述语。
在本发明中,除非另有明确的规定和限定,术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明的一种外观缺陷检测方法,包括如下步骤:
步骤一、设置位置补正,并对输入图像进行位置偏移补正;
步骤二、对位置偏移补正后的图像训练,计算良品模型;
步骤三、计算待检测图像的缺陷,判定样品是否合格。
本实施例中,输入图像可以分为两类:训练图像、待检测图像。两类图像的颜色模式必须相同,即训练图像和待检测图像必须都是灰度或彩色在步骤S1 中,位置补正;该步骤的主要目的是对图像进行位置跟随,使当前图像和基准图像的补正源在窗口中的位置相同。这里可以用轮廓匹配但不限于轮廓匹配,首先选择一张没有缺陷的图像作为基准图像,选择轮廓清晰的区域作为补正源,用轮廓匹配计算当前图像补正源和基准图像补正源之间的偏差,然后利用该偏差对当前图像进行补正(旋转、平移),使当前图像与基准图像的补正源在窗口中的位置相同。由于本申请主要目的是缺陷检测,因此该步骤不做详细说明。在步骤S2中,学习良品模型,为了更加清楚的说明学习良品模型的原理,图2 给出了学习良品模型的流程图;训练图像经过上述位置补正后,所有训练图像的补正源在窗口中的位置基本一致,如果有图像位置补正失败则从训练样本中剔除。灰度图像中的每个位置只有一个灰度值,设p为图像中的任一位置,如果训练样本没有缺陷,则所有训练图像在p点的灰度值都会在平均图像对应p 点的灰度值附近上下波动,且遵守3sigma原理;如果待检测图像在p点的灰度值超过3sigma阈值,则认为该点为一个异常点,否则为正常点。彩色图像中的每个位置有三个灰度值,若采用与灰度图相同计算方法,即每个通道各自计算平均值和标准差,然后再用3sigma原理进行异常值检测,当图像为灰度时该方法可行,但当图像为彩色时该方法不可行。直接套用该方法并不能检测出彩色图像的缺陷,例如:当所有训练图像的RGB三个通道的灰度值相同,且取值范围是[50,200],若测试点的灰度值分别为R:200,G:50,B:50,可以看到该点灰度值在[50,200]范围内,但是该点的颜色是红色。因此彩色图像的R、G、B值之间不是相互独立的,需要对彩色图像的RGB值进行转换才能用3sigma原理,这里采用马氏距离的方法。此外,除3sigma原理外,这里还可以用其他异常值检测方法或几种方法的组合,例如箱型图、孤立森林、局部异常因子等方法进行异常值检测。
如图2所示,本实施例中,步骤S201为输入图像是灰度图像时,计算所有补正后训练图像的平均图像和标准差图像,即每个位置计算平均值和标准差,并把平均图和标准差图保存作为灰度良品模型。
如果输入图像是彩色图像,若指定灰度良品模型,则同样采用步骤S201,即把RGB彩色图像转换到YCbCr颜色空间,取亮度成分,采用和灰度图像相同处理方法。
图2中步骤S202为输入图像是彩色图像且指定彩色良品模型。该步骤主要计算图像中每个位置的马氏距离,即把每个位置的RGB值转换到马氏距离度量空间,再用3sigma原理进行异常值检测。具体方法如下:
D(x,μ)
通过上式可以计算训练图像与平均图像之间的马氏距离,设p为图像中任一位置,x为p点的RGB值,μ为p点RGB的平均值,Σ为p点的方差矩阵,则p点的马氏距离D(x,μ)可以通过上式计算得到,其中协方差矩阵如下:
矩阵中每个元素都是一个协方差,计算过程相似,这里以cov(r,g)为例,计算方式如下:
上式中n为图像个数,
通过上述步骤可以将彩色图像每个像素的灰度值转化到马氏距离度量空间,该转化过程消除了不同颜色通道之间的联系,使各维度间相互独立且归一化,最终使得各维度同分布。每个位置3个灰度值在颜色空间的分布可以看成一个椭球,各个维度间的度量不同,经过上述转化后每个位置的分布变成一个球,即各维度间已经同分布。
经过上述步骤计算后,已经可以得到灰度和彩色良品模型,如果不需要强调边缘缺陷,则学习步骤结束;如果需要强调边缘缺陷,则需要学习边缘良品模型,即图2中步骤S203,经过该步骤可以得到边缘良品模型。
图像边缘是图像非常重要的一个特征,如果要增强边缘缺陷检测效果,仅仅通过上述检测方法效果不太明显,因此本申请为了强调边缘缺陷检测效果,可以指定强调边缘缺陷。具体步骤如下,计算图像在水平和垂直方向的梯度值,设图像中任一位置p的梯度为:dx、dy,将(dx、dy)作为p点的特征,与平坦区域相比边缘区域的梯度值比较大,因此为了强调边缘区域,计算每点的梯度并将其转化到马氏距离度量空间,然后再用3sigma原理进行缺陷检测。
如图3和图4所示,本实施例中,给出了从几何方向理解将(dx、dy)转化为马氏距离的示意图,将dx作为p点的x轴坐标,将dy作为p点的y轴坐标,将所有训练图像位置p点的两个梯度值按该方法画到坐标系中,结果如图3所示,可以看出所有点都分布在一个椭圆内,两个维度间度量不同,因此不能直接通过距离来判定异常值。这里通过计算特征向量和特征值,然后将所有点投影到特征向量上的方式来消除各维度度量不同的影响,通过该过程可以求出协方差矩阵,进而得到马氏距离。通过上述特征向量投影后,各个点的位置变成图4所示,可以看出,图3中无法区分点1和2那个为异常值,图4中可以轻松区分点2为异常值。
计算边缘马氏距离的方法与公式一相同,但意义略有变化,设p为图像中任一位置,这里x为p点的在两个方向上的梯度(dx、dy),μ为p点梯度值的平均值,Σ为p点的2×2协方差矩阵,形式如下:
矩阵中每个元素的计算步骤与公式三相似,为了增量计算梯度的马氏距离,这里也可以通过增量计算均值来增量计算协方差矩阵。
通过上述学习步骤,在输入训练图像都是没有缺陷的图像的情况下可以获得最终的良品模型,但是如果输入训练图像有缺陷(例如:移印检测中漏印、多印),则会影响良品模型的准确性。因此为了增加算法的鲁棒性,这里需要增加一个筛选步骤,即剔除掉训练图像中带有缺陷的图像。训练图像经过上述步骤后已经获得每个像素的均值和方差,用格拉布斯准则对所有训练图像进行筛选,剔除掉不满足条件的图像,然后再利用保留下来的图像重复上述步骤,即可获得最终的良品模型。
在步骤S3中,检出缺陷,为了更加清楚的说明检出缺陷的原理,图4给出了检出缺陷的流程图;
训练图像经过上述步骤后可以得到良品模型,待检测图像输入后可以利用良品模型进行缺陷检测。先对待检测图像进行位置补正,使待检测图像与基准图像显示位置一致。
如图5所示,本实施例中,S303步阈值处理,经过上述步骤后,当前的所有缺陷都可以被检测出,但是某些与均值偏差较小的或缺陷面积较小的缺陷都会被检查出来,这样会造成过检,因此需要对检出的缺陷进一步处理。
对检出的缺陷值进行阈值处理,每个缺陷值代表该点与平均值的偏差程度。若某个点的缺陷值越大,则说明该点越应该被作为缺陷检出;反之,则越不应该被检出。对每个缺陷进行阈值处理,若缺陷值大于设定阈值则则作为缺陷检出,否则不检出;
对检出的缺陷面积进行阈值处理,缺陷面积越小越有可能是噪声引起的缺陷,越不应该被检出;缺陷面积越大越有可能是真实缺陷,越应该作为缺陷被检出。对所有缺陷进行连通域分析,计算每块缺陷的面积,当缺陷面积大于设定阈值则作为缺陷检出,否则不检出;最后,经过上述步骤后待检测图像的缺陷可以按照要求被检出,缺陷比率和缺陷量也可以用已经检测出的缺陷简单的计算出,进而可以判定待检测图像是为合格品。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
- 一种显示面板外观缺陷检测网络及其缺陷检测方法
- 一种基于深度学习的预制棒外观缺陷自动化检测方法