專利名稱：基于機(jī)器視覺的玻璃缺陷的檢測與分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及玻璃缺陷檢測分類方法，具體地涉及一種基于機(jī)器視覺的玻璃缺陷的檢測與分類方法。
背景技術(shù)：
工業(yè)生產(chǎn)中，由于各種技術(shù)或者生產(chǎn)工藝問題，會(huì)造成一定的缺陷。比如玻璃生產(chǎn)過程中，就會(huì)有氣泡或者雜質(zhì)引入。不同的缺陷對產(chǎn)品質(zhì)量的影響不同。比如氣泡缺陷對于普通日用玻璃可能影響不大，而對于汽車的安全玻璃的性能影響卻非常大。從2003年5 月1日起，我國對汽車安全玻璃、建筑安全玻璃、鐵道車輛用安全玻璃實(shí)行強(qiáng)制檢驗(yàn)。而對于表面積很大的產(chǎn)品，僅靠人工去識別缺陷顯然不是一種高效的方法。為了避免人工檢測誤判造成的損失，有效降低生產(chǎn)成本與提升正品率，應(yīng)用計(jì)算機(jī)視覺來解決缺陷的檢測與分類問題逐漸成為一種趨勢。由于照相機(jī)的精度以及現(xiàn)實(shí)條件問題，有時(shí)候獲取的缺陷圖像的分辨率非常低。有些缺陷只有4-6像素大小。在此尺寸的圖像上，較難獲得有效的特征。因此通過目標(biāo)值的灰度值信息進(jìn)行分類是一個(gè)辦法。經(jīng)過對現(xiàn)有技術(shù)文獻(xiàn)的查找發(fā)現(xiàn)，目前一些研究者的工作集中在缺陷的查找并統(tǒng)計(jì)缺陷的數(shù)目上。周雪芹等人2007年發(fā)表在《微計(jì)算機(jī)信息》上的論文《基于局部區(qū)域閾值的玻璃氣泡的檢測》中采用了如下方法首先求方差圖像并二值化來確定氣泡在圖像中所在的局部區(qū)域，在該局部區(qū)域內(nèi)，可認(rèn)為光照是均勻的，然后運(yùn)用局部區(qū)域閾值法保留較亮的目標(biāo)，從而逐個(gè)提取出氣泡。在Peng等人2008年發(fā)表在hternational Journal of Advanced Manufacturing Technology (先進(jìn)制造技術(shù)國際期刊)上的 An online defects inspection method for float glass fabrication based on machine vision (一禾中基于機(jī)器視覺的浮法玻璃制作過程的缺陷在線檢測方法)論文中采用了 OTSU方法來實(shí)現(xiàn)前景與背景分割。很少一部分研究者有進(jìn)一步研究缺陷的類型。Han等人2009年發(fā)表在 International Conference on Convergence and Hybrid Information Technology(收斂與混合技術(shù)國際會(huì)議)的論文 A study on enhanced algorithms for detecting defects Of glasses (玻璃缺陷監(jiān)測的增強(qiáng)方法研究)中利用提取出來的缺陷的面積、邊界等信息來研究缺陷的圓形度。Hu等人2009年發(fā)表在化{61~皿衍0皿1 Conference on Computational Intelligence and Natural Computing (計(jì)算機(jī)智能與自然計(jì)算國際會(huì)議)的論文An algorithm of glass image recognition based on wavelet packet decomposition (一種基于小波包分解的玻璃圖像識別算法)中采用了小波包分解來實(shí)現(xiàn)對缺陷圖像的二值化，再利用缺陷區(qū)域的面積，長寬比，灰度均值與方差，圓形度等方法嘗試給缺陷進(jìn)行分類。 他們對210個(gè)樣本(其中150個(gè)用于學(xué)習(xí))進(jìn)行實(shí)驗(yàn)，最后的測試樣本的準(zhǔn)確率達(dá)到93. 3%。 該方法雖然可以實(shí)現(xiàn)對缺陷的檢測與分類，不過訓(xùn)練樣本過少?zèng)]法完全體現(xiàn)工業(yè)生產(chǎn)環(huán)境的真實(shí)情況，另外算法速度也不是非常令人滿意
發(fā)明內(nèi)容
本發(fā)明具體涉及一種從玻璃圖像中提取目標(biāo)區(qū)域并進(jìn)行圖像處理，然后根據(jù)處理后獲得的特征信息將缺陷類型進(jìn)行分類的方法。可應(yīng)用于工業(yè)品表面缺陷檢測與識別，屬于模式識別中的分類問題。本發(fā)明的目的在于針對玻璃表面缺陷檢測問題，提出一種基于圖像處理的缺陷類型的快速判斷方法。該方法能在光照不均勻，以及其他光源干擾(如玻璃氣泡中形成的透鏡)等背景下獲取的低分辨率缺陷圖像進(jìn)行特征分析，從而判斷缺陷的類型。為實(shí)現(xiàn)上述目的，本發(fā)明首先提取相機(jī)(線掃描)給出的圖片中的缺陷區(qū)域，從而獲得目標(biāo)的最小連通域。之后對目標(biāo)區(qū)域進(jìn)行二值化處理。按行按列掃描最小連通域，統(tǒng)計(jì)9類二值特征模式(下文將介紹)的數(shù)目。在此基礎(chǔ)上判斷缺陷的類型(空心的為氣泡，實(shí)心的為雜質(zhì))。根據(jù)本發(fā)明的一個(gè)方面，提供一種基于機(jī)器視覺的玻璃缺陷的檢測與分類方法， 其特征在于，包括如下步驟
步驟一對圖像進(jìn)行缺陷邊緣檢測以獲得缺陷的邊緣信息，根據(jù)所述邊緣信息確定目標(biāo)區(qū)域；
步驟二 對所述目標(biāo)區(qū)域進(jìn)行二值化處理；
步驟三去除所述目標(biāo)區(qū)域中的噪聲點(diǎn)；
步驟四根據(jù)某行灰度值跳變的次數(shù)來定義9類特征模式；
步驟五提取二值特征序列直方圖，對于獲得的所述目標(biāo)區(qū)域的二值化圖像逐行逐列尋找所述9類特征模式，統(tǒng)計(jì)所述9類特征模式在所述目標(biāo)區(qū)域出現(xiàn)的頻率從而完成目標(biāo)缺陷類型的判斷。優(yōu)選地，在所述步驟一中，把將需要檢測的玻璃利用攝像設(shè)備讀入計(jì)算機(jī)，利用邊緣檢測獲得缺陷的邊緣信息，將每個(gè)缺陷最左面的點(diǎn)與最右面的點(diǎn)的距離作為所述目標(biāo)區(qū)域的寬度，將每個(gè)缺陷最上面的點(diǎn)與最下面的點(diǎn)的距離作為所述目標(biāo)區(qū)域的高度。優(yōu)選地，在所述步驟二中，對每一個(gè)像素點(diǎn)(ij〕求其局部灰度信息值T(U),并將其二值化，用bati記錄二值化后的灰度值信息，其中
權(quán)利要求
1.一種基于機(jī)器視覺的玻璃缺陷的檢測與分類方法，其特征在于，包括如下步驟 步驟一對圖像進(jìn)行缺陷邊緣檢測以獲得缺陷的邊緣信息，根據(jù)所述邊緣信息確定目標(biāo)區(qū)域；步驟二 對所述目標(biāo)區(qū)域進(jìn)行二值化處理；步驟三去除所述目標(biāo)區(qū)域中的噪聲點(diǎn)；步驟四根據(jù)某行灰度值跳變的次數(shù)定義9類特征模式；步驟五提取二值特征序列直方圖，對于獲得的所述目標(biāo)區(qū)域的二值化圖像逐行逐列尋找所述9類特征模式，統(tǒng)計(jì)所述9類特征模式在所述目標(biāo)區(qū)域出現(xiàn)的頻率從而完成目標(biāo)缺陷類型的判斷。
2.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的玻璃缺陷的檢測與分類方法，其特征在于， 在所述步驟一中，把將需要檢測的玻璃利用攝像設(shè)備讀入計(jì)算機(jī)，利用邊緣檢測獲得缺陷的邊緣信息，將每個(gè)缺陷最左面的點(diǎn)與最右面的點(diǎn)的距離作為所述目標(biāo)區(qū)域的寬度，將每個(gè)缺陷最上面的點(diǎn)與最下面的點(diǎn)的距離作為所述目標(biāo)區(qū)域的高度。
3.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的玻璃缺陷的檢測與分類方法，其特征在于，在所述步驟二中，對每一個(gè)像素點(diǎn)(U)求其局部灰度信息值τα )，并將其二值化，用b(i,J) 記錄二值化后的灰度值信息，其中h(i j) = fl p(i j) > T(U)或者存在 W特征 ‘‘ Io p(i,j) < r(ij)且不存在W特征其中，p(m,n〕為(m, η)像素的灰度值，ω(πι,η)為權(quán)值，其中，權(quán)值模板如下其中，某像素點(diǎn)是否存在W特征的判斷方法包括先求下列四個(gè)特征值然后，如果WFV11、WFV12、WFV21、WFV22滿足以下兩個(gè)條件中的一個(gè)，那么就判斷該像素點(diǎn)存在W特征條件 1 (WFV11>2 & WFV12>2) | (WFV21>2 & WFV22>2) 條件 2: (WFVll)I & WFV12>1) & (WFV21>1 & WFV22>1)。
4.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的玻璃缺陷的檢測與分類方法，其特征在于， 在所述步驟三中，對于每一個(gè)像素點(diǎn)bCU),如果b(i,j) = 0,計(jì)算
5.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的基于機(jī)器視覺的玻璃缺陷的檢測與分類方法， 其特征在于，在所述步驟四中，對二值化后的目標(biāo)區(qū)域的每一行提取二值特征序列L，包括如下子步驟子步驟1 令序列L第1個(gè)編碼L[l]等于該行第一個(gè)像素的灰度值b (i, 1)，置k=l，j=2 ；子步驟2:讀取該行第j個(gè)像素灰度值b(i,j),若b(i，j)與L[k]不一致，則更新二值特征序列L[k+l]=b (i, j)，置k:=k+l ；否則，則置J進(jìn)行所述子步驟2直到完成該行的二值特征序列的提?。蛔硬襟E3 根據(jù)該行的二值特征序列的長度，更新相應(yīng)的二值特征模式出現(xiàn)的次數(shù)。
全文摘要
本發(fā)明涉及一種基于機(jī)器視覺的玻璃缺陷的檢測與分類方法。方法包括首先利用Canny邊緣檢測提取相機(jī)(線掃描)給出的圖片中缺陷區(qū)域，從而獲得缺陷的最小連通域。之后根據(jù)本發(fā)明提出的濾波器與W特征對目標(biāo)區(qū)域進(jìn)行處理。再定義9類特征模式并按行按列掃描最小連通域并統(tǒng)計(jì)這9類特征模式在樣本中出現(xiàn)的頻率。再此基礎(chǔ)上判斷缺陷的類型(如空心的為氣泡，實(shí)心的為雜質(zhì))。本發(fā)明與現(xiàn)有技術(shù)相比的顯著效果在于具有算法簡單、運(yùn)算速度快、精確度高等優(yōu)點(diǎn)，為玻璃缺陷檢測提供了一種新的可靠的方法。
文檔編號G01N21/958GK102305798SQ201110219599
公開日2012年1月4日 申請日期2011年8月2日 優(yōu)先權(quán)日2011年8月2日
發(fā)明者劉允才, 吳哲, 孔慶杰, 趙旭, 趙杰 申請人:上海交通大學(xué)