一種濾光片表面缺陷的分離細(xì)化智能檢測方法
【專利摘要】本發(fā)明公開了一種濾光片表面缺陷的分離細(xì)化智能檢測方法，該方法包括：拍攝濾光片圖像，對濾光片圖像進(jìn)行邊緣檢測，得到邊緣圖像；所述邊緣圖像包含濾光片外緣邊緣；提取濾光片外緣邊緣，檢測濾光片外形尺寸；將濾光片外緣邊緣包圍的目標(biāo)區(qū)域平均分成多塊，判斷多塊灰度平均值之間的標(biāo)準(zhǔn)偏差值是否小于標(biāo)準(zhǔn)偏差閾值，如果是，判斷邊緣圖像中是否存在尺寸無關(guān)表面缺陷邊緣，否則判定為膜色不均缺陷；存在尺寸無關(guān)表面缺陷邊緣則提取缺陷ROI，計(jì)算缺陷ROI特征值，并將所述特征值輸入不同分類器中提取不同類型的缺陷參數(shù)值；否則為無表面缺陷濾光片。本發(fā)明能快速、有效地實(shí)現(xiàn)濾光片表面缺陷的智能檢測與識別。
【專利說明】一種濾光片表面缺陷的分離細(xì)化智能檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及濾光片表面缺陷檢測與識別【技術(shù)領(lǐng)域】，尤其涉及一種將濾光片表面缺陷的檢測對象進(jìn)行分離與逐級細(xì)化的檢測與識別方法。
【背景技術(shù)】
[0002]光學(xué)薄膜濾光片廣泛應(yīng)用于光通信、激光技術(shù)、光學(xué)成像與檢測等領(lǐng)域，在微型攝像頭、生物醫(yī)學(xué)儀器、先進(jìn)激光系統(tǒng)中起著重要作用。如光通信領(lǐng)域中濾光片不僅是波分復(fù)用系統(tǒng)的關(guān)鍵器件，還用于增益平坦、全光上下話路、波長開關(guān)；光電產(chǎn)品中，每一個(gè)手機(jī)攝像頭須配備一片濾光片。國內(nèi)、國際市場對濾光片的需求巨大，國內(nèi)僅手機(jī)攝像頭濾光片的年需求量就有700，000, 000片。
[0003]對濾光片的檢測包括光譜檢測及表面缺陷檢測，其中表面缺陷目前普遍采用人工逐片檢測的方法，在強(qiáng)光照射下通過顯微鏡觀察作出判斷，勞動強(qiáng)度大，無法實(shí)現(xiàn)在線檢測。視覺檢測通過攝像機(jī)拍攝被測物圖像，利用圖像處理等技術(shù)能夠?qū)崿F(xiàn)對濾光片表面缺陷的在線智能檢測，不僅保證每片濾光片的檢測精度，還用于統(tǒng)計(jì)各類缺陷出現(xiàn)的概率，進(jìn)行質(zhì)量控制。
[0004]目前產(chǎn)品缺陷的自動檢測對象多為鋼板、焊縫等，主要步驟包括圖像采集與缺陷檢測、缺陷特征參數(shù)選擇、缺陷識別與分類。其中特征參數(shù)選擇即選取一組對各類缺陷區(qū)分能力最強(qiáng)的參數(shù)作為特征參數(shù)；缺陷識別與分類即根據(jù)某個(gè)缺陷的特征參數(shù)取值判斷其類另O，通常由分類器完成。分類器判定的缺陷類別越多，所須特征參數(shù)的數(shù)量隨之增多，分類器結(jié)構(gòu)及分類算法越復(fù)雜，誤判率升高。以BP神經(jīng)網(wǎng)絡(luò)分類器為例，該網(wǎng)絡(luò)分為輸入層、隱含層、輸出層，其中輸入層的神經(jīng)元數(shù)量η等于特征參數(shù)個(gè)數(shù)；輸出層神經(jīng)元數(shù)量m與缺陷類別個(gè)數(shù)有關(guān)，類別較少時(shí)等于類別個(gè)數(shù)；隱含層的神經(jīng)元數(shù)量nl與n、m之間的經(jīng)驗(yàn)關(guān)系
滿足n,[劉懷廣.浮法玻璃缺陷在線識別算法的研究及系統(tǒng)實(shí)現(xiàn).華中科技大學(xué)
博士.2011.]?？梢娙毕蓊悇e越多BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元越多，而神經(jīng)元數(shù)量決定了 BP網(wǎng)絡(luò)的復(fù)雜度。因此同等條件下二分類器(識別兩個(gè)類別)的性能優(yōu)于多分類器(識別兩個(gè)以上類別)，應(yīng)優(yōu)先選用二分類器[汪云云.結(jié)合先驗(yàn)知識的分類器設(shè)計(jì)研究.南京航空航天大學(xué)博士.2011.]。
[0005]濾光片表面缺陷檢測對象包括外形尺寸、斜切缺陷、膜色不均缺陷、崩缺陷、劃傷缺陷、點(diǎn)缺陷、斑印缺陷。若濾光片的各類缺陷統(tǒng)一采用一個(gè)分類器進(jìn)行識別，必然導(dǎo)致算法復(fù)雜、分類耗時(shí)長，難以保證分類正確率。分析濾光片的各類缺陷，發(fā)現(xiàn)它們具有如下特點(diǎn):斜切缺陷導(dǎo)致外形尺寸不合格；膜色不均缺陷導(dǎo)致濾光片各區(qū)域內(nèi)的顏色存在明顯差別；崩缺陷與劃傷缺陷的共同點(diǎn)是缺陷區(qū)域狹長，不同點(diǎn)是崩缺陷出現(xiàn)在濾光片外邊緣處、劃傷缺陷出現(xiàn)在濾光片中間區(qū)域；點(diǎn)缺陷與斑印缺陷的共同點(diǎn)是缺陷區(qū)域?yàn)榫匦危煌c(diǎn)是點(diǎn)缺陷覆蓋面積小、斑印缺陷覆蓋面積大。

【發(fā)明內(nèi)容】
[0006]為解決上述技術(shù)問題，本發(fā)明的目的是提供一種濾光片表面缺陷的分離細(xì)化智能檢測方法，該方法針對濾光片表面缺陷檢測對象的特點(diǎn)，依次分離外形尺寸等檢測任務(wù)，再利用結(jié)構(gòu)簡單、性能優(yōu)良的二分類器處理其余缺陷，逐級細(xì)化識別缺陷類型，實(shí)現(xiàn)對濾光片表面缺陷的智能檢測。
[0007]本發(fā)明的目的通過以下的技術(shù)方案來實(shí)現(xiàn):
[0008]一種濾光片表面缺陷的分離細(xì)化智能檢測方法，包括:
[0009]A拍攝濾光片圖像，對濾光片圖像進(jìn)行邊緣檢測，得到邊緣圖像；所述邊緣圖像包含濾光片外緣邊緣；
[0010]B提取濾光片外緣邊緣，檢測濾光片外形尺寸；
[0011]C將濾光片外緣邊緣包圍的目標(biāo)區(qū)域平均分成多塊，判斷多塊灰度平均值之間的標(biāo)準(zhǔn)偏差值是否小于標(biāo)準(zhǔn)偏差閾值，如果是，執(zhí)行步驟D，否則判定為膜色不均缺陷；
[0012]D判斷邊緣圖像中是否存在尺寸無關(guān)表面缺陷邊緣，如果是，執(zhí)行步驟E，否則為無表面缺陷濾光片；
[0013]E提取缺陷R0I，計(jì)算缺陷ROI特征值，并將所述特征值輸入不同分類器中提取不同類型的缺陷參數(shù)值。
[0014]與現(xiàn)有技術(shù)相比，本發(fā)明的一個(gè)或多個(gè)實(shí)施例可以具有如下優(yōu)點(diǎn):
[0015]從濾光片表面缺陷檢測對象中依次分離外形尺寸等部分檢測任務(wù)，每次針對一項(xiàng)任務(wù)進(jìn)行檢測，簡化了算法；其余缺陷利用二分類器逐級細(xì)化識別，從而簡化分類器結(jié)構(gòu)、優(yōu)化分類性能；通過對檢測對象的分離與細(xì)化，避免采用一個(gè)分類器統(tǒng)一識別時(shí)導(dǎo)致的算法復(fù)雜、耗時(shí)長、分類正確率難以保證的問題。通過本發(fā)明能快速、有效地實(shí)現(xiàn)濾光片表面缺陷的智能檢測與識別。
【專利附圖】

【附圖說明】
[0016]附圖用來提供對本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實(shí)施例共同用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中:
[0017]圖1是濾光片表面缺陷的分離細(xì)化智能檢測方法流程圖。
【具體實(shí)施方式】
[0018]容易理解，根據(jù)本發(fā)明的技術(shù)方案，在不變更本發(fā)明的實(shí)質(zhì)精神下，本領(lǐng)域的一般技術(shù)人員可以提出本發(fā)明的多個(gè)結(jié)構(gòu)方式和制作方法。因此以下【具體實(shí)施方式】以及附圖僅是本發(fā)明的技術(shù)方案的具體說明，而不應(yīng)當(dāng)視為本發(fā)明的全部或者視為本發(fā)明技術(shù)方案的限定或限制。
[0019]下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述。
[0020]圖1是濾光片表面缺陷的分離細(xì)化智能檢測方法，該方法包括:
[0021]步驟101拍攝濾光片圖形，進(jìn)行邊緣檢測，得到邊緣圖像；
[0022]上述邊緣圖形中必定包含濾光片外緣邊緣；當(dāng)濾光片存在尺寸無關(guān)表面缺陷，即膜色不均缺陷、劃傷缺陷、崩缺陷、斑印缺陷或點(diǎn)缺陷時(shí)，上述邊緣圖像中還包含尺寸無關(guān)表面缺陷邊緣。
[0023]步驟102提取濾光片外緣邊緣，檢測濾光片外形尺寸；[0024]邊緣圖像中濾光片外緣邊緣包圍尺寸無關(guān)表面缺陷邊緣，根據(jù)邊緣出現(xiàn)位置實(shí)現(xiàn)從邊緣圖像中提取濾光片邊緣邊緣，完成濾光片外形尺寸檢測。
[0025]步驟103判斷濾光片外形尺寸是否滿足公差要求，滿足要求執(zhí)行步驟104，否則判定為斜切缺陷。
[0026]步驟104將濾光片圖像中由濾光片外緣邊緣包圍的目標(biāo)區(qū)域平均分為9塊，計(jì)算9塊灰度平均值之間的標(biāo)準(zhǔn)偏差；
[0027]所述目標(biāo)區(qū)域平均分為9塊即將目標(biāo)區(qū)域分為3行3列，當(dāng)目標(biāo)區(qū)域由M行XN列像素組成時(shí)，分別以m及Am表示M/3的整數(shù)部分及余數(shù)，η及Λ η表示Ν/3的整數(shù)部分及余數(shù)，將所述目標(biāo)區(qū)域分為9塊時(shí)位于第1、2行的塊均含m行像素，位于第3行的塊均含m+Am行像素，位于第1、2列的塊均含η列像素，第3列的塊均含η+ Λ η列像素。
[0028]步驟105判斷9塊灰度平均值之間的標(biāo)準(zhǔn)偏差是否小于標(biāo)準(zhǔn)偏差閾值，如果小于標(biāo)準(zhǔn)偏差閾值執(zhí)行步驟106，否則判定為膜色不均缺陷。
[0029]步驟106判斷是否存在尺寸無關(guān)表面缺陷邊緣，如果是，執(zhí)行步驟107，否則判定為無表面缺陷濾光片；
[0030]上述邊緣圖像中判斷是否存在尺寸無關(guān)表面缺陷邊緣的方法包括:在上述步驟102已提取出濾光片外緣邊緣，將濾光片外緣邊緣在所述邊緣圖像中除去濾光片外緣邊緣后若還存在邊緣，即判定為存在尺寸無關(guān)表面缺陷邊緣，否則判定為不存在尺寸無關(guān)表面缺陷邊緣。
[0031]步驟107提取每個(gè)尺寸無關(guān)表面缺陷邊緣的外接矩形，形成缺陷R0I，計(jì)算缺陷ROI 的 Curve-Rectangle 特征值；
[0032]上述缺陷ROI的Curve-Rectangle特征值是將尺寸無關(guān)表面缺陷分為劃傷_崩、斑印-點(diǎn)兩種類型時(shí)的特征參數(shù)的取值。
[0033]步驟108將上述步驟107計(jì)算的缺陷ROI的Curve-Rectangle特征值輸入Curve-Rectangle分類器,判定尺寸無關(guān)表面缺陷在劃傷-崩、斑印_點(diǎn)中的類別；
[0034]上述劃傷-崩類型將劃傷缺陷與崩缺陷合并起來作為所述Curve-Rectangle分類器的第一種輸出類型，所述斑印-點(diǎn)類型將斑印缺陷與點(diǎn)缺陷合并起來作為所述Curve-Rectangle分類器的第二種輸出類型。
[0035]步驟109將步驟108判定為劃傷-崩類型的缺陷ROI的Scratch-Broken特征值輸入Scratch-Broken分類器,判定為劃傷_崩的尺寸無關(guān)表面缺陷在劃傷缺陷、崩缺陷中的類型；
[0036]上述缺陷ROI的Scratch-Broken特征值是將所述劃傷_崩類型分為劃傷缺陷、崩缺陷時(shí)的特征參數(shù)的取值。
[0037]步驟110將上述步驟108判定為斑印-點(diǎn)的缺陷ROI的Mark-Point特征值輸入Mark-Point分類器，判定為斑印-點(diǎn)的尺寸無關(guān)表面缺陷在斑印缺陷、點(diǎn)缺陷中的類型；
[0038]所述缺陷ROI的Mark-Point特征值是將所述斑印_點(diǎn)類型分為斑印缺陷、點(diǎn)缺陷時(shí)的特征參數(shù)的取值。
[0039]步驟111輸出濾光片表面缺陷檢測結(jié)果。
[0040]濾光片表面缺陷的分離細(xì)化智能檢測實(shí)驗(yàn)在100片含斜切、膜色不均、劃傷、崩、斑印、點(diǎn)缺陷及無表面缺陷的濾光片圖像中進(jìn)行，利用上述步驟101?步驟111進(jìn)行表面缺陷檢測，選取缺陷ROI的Curve-Rectangle特征參數(shù)為缺陷長短徑比及偏心率,選取缺陷ROI的Scratch-Broken特征參數(shù)為質(zhì)心相對坐標(biāo)及歐拉數(shù),選取缺陷ROI的Mark-Point特征參數(shù)為缺陷面積，Curve-Rectangle分類器、Scratch-Broken分類器及Mark-Point分類器均采用Matlab工具箱中的支持向量機(jī)，實(shí)驗(yàn)結(jié)果是濾光片表面缺陷的檢測與識別正確率為100%。
[0041]雖然本發(fā)明所揭露的實(shí)施方式如上，但所述的內(nèi)容只是為了便于理解本發(fā)明而采用的實(shí)施方式，并非用以限定本發(fā)明。任何本發(fā)明所屬【技術(shù)領(lǐng)域】內(nèi)的技術(shù)人員，在不脫離本發(fā)明所揭露的精神和范圍的前提下，可以在實(shí)施的形式上及細(xì)節(jié)上作任何的修改與變化，但本發(fā)明的專利保護(hù)范圍，仍須以所附的權(quán)利要求書所界定的范圍為準(zhǔn)。
【權(quán)利要求】
1.一種濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，所述方法包括: A拍攝濾光片圖像，對濾光片圖像進(jìn)行邊緣檢測，得到邊緣圖像；所述邊緣圖像包含濾光片外緣邊緣； B提取濾光片外緣邊緣，檢測濾光片外形尺寸； C將濾光片外緣邊緣包圍的目標(biāo)區(qū)域平均分成多塊，判斷多塊灰度平均值之間的標(biāo)準(zhǔn)偏差值是否小于標(biāo)準(zhǔn)偏差閾值，如果是，執(zhí)行步驟D，否則判定為膜色不均缺陷； D判斷邊緣圖像中是否存在尺寸無關(guān)表面缺陷邊緣，如果是，執(zhí)行步驟E，否則為無表面缺陷濾光片； E提取缺陷ROI，計(jì)算缺陷ROI特征值，并將所述特征值輸入不同分類器中提取不同類型的缺陷參數(shù)值。
2.根據(jù)權(quán)利要求1所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，步驟B中提取濾光片外緣邊緣，所述濾光片外緣邊緣包圍尺寸無關(guān)表面缺陷邊緣，根據(jù)邊緣位置從所述邊緣圖像中提取濾光平片外緣邊緣； 所述步驟B還包括判斷濾光片外形尺寸是否滿足公差要求，如果是，執(zhí)行上述步驟C ；否則判定為斜切缺陷。
3.根據(jù)權(quán)利要求1所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，所述步驟E具體包括: 提取每個(gè)尺寸無關(guān)表面缺陷邊緣的外接矩形，形成缺陷R0I，計(jì)算缺陷ROI的Curve-Rectangle 特征值； 將缺陷ROI的Curve-Rectangle特征值輸入Curve-Rectangle分類器,判定尺寸無關(guān)表面缺陷的類型； 將所述Curve-Rectangle分類器判定的不同類型尺寸無關(guān)表面缺陷的特征值分別輸入不同的分類器；判定尺寸無關(guān)表面缺陷在類型組中的具體類型。
4.根據(jù)權(quán)利要求3所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，所述將缺陷ROI的Curve-Rectangle特征值輸入Curve-Rectangle分類器,判定的尺寸無關(guān)表面的缺陷類型包括劃傷-崩類型和斑印-點(diǎn)類型。
5.根據(jù)權(quán)利要求3或4所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于， 將所述Curve-Rectangle分類器判定為劃傷-崩類型的缺陷ROI的Scratch-Broken特征值輸入Scratch-Broken分類器,判定為劃傷_崩的尺寸無關(guān)表面缺陷在劃傷缺陷、崩缺陷中的類型； 將所述Curve-Rectangle分類器判定為斑印-點(diǎn)類型的缺陷ROI的Mark-Point特征值輸入Mark-Point分類器，判定為斑印-點(diǎn)的尺寸無關(guān)表面缺陷在斑印缺陷、點(diǎn)缺陷中的類型。
6.根據(jù)權(quán)利要求5所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，所述 缺陷ROI的Scratch-Broken特征值是將所述劃傷-崩類型分為劃傷缺陷、崩缺陷時(shí)的特征參數(shù)的取值； 缺陷ROI的Mark-Point特征值是將所述斑印-點(diǎn)類型分為斑印缺陷、點(diǎn)缺陷時(shí)的特征參數(shù)的取值。
7.根據(jù)權(quán)利要求6所述的濾光片表面缺陷的分離細(xì)化智能檢測方法，其特征在于，根據(jù)劃傷缺陷、 崩缺陷、斑印缺陷和點(diǎn)缺陷的特征參數(shù)的取值，輸出濾光片表面缺陷檢測結(jié)果ο
【文檔編號】G01B11/00GK103759644SQ201410033503
【公開日】2014年4月30日 申請日期:2014年1月23日 優(yōu)先權(quán)日:2014年1月23日
【發(fā)明者】王小輝, 衛(wèi)紅, 曹一鳴 申請人:廣州市光機(jī)電技術(shù)研究院