一種精粗結(jié)合的光學(xué)表面缺陷的檢測方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像模式識別領(lǐng)域，特別是設(shè)及一種精粗結(jié)合的光學(xué)表面缺陷的檢測 方法及裝置。
【背景技術(shù)】
[0002] 如今高透光性的光學(xué)元件已是各種圖像采集設(shè)備和顯示設(shè)備中重要的組件。在光 學(xué)元件檢測的過程中，光學(xué)表面的潔凈度與損傷檢測是一個非常重要的環(huán)節(jié)。目前多數(shù)檢 測依靠人工肉眼識別。依靠人工肉眼識別的方式不僅耗費時間，且由于視覺疲勞的影響，容 易出現(xiàn)遺漏現(xiàn)象。目前較為先進(jìn)的檢測方式是采用機器視覺手段獲取放大的光學(xué)表面圖 像，進(jìn)而通過模式識別的方式進(jìn)行損傷檢測。
[0003] 目前主要應(yīng)用于光學(xué)表面污潰損傷分析的手段主要有:Canny算子進(jìn)行邊緣檢測 法、灰度共生矩陣法、不變矩法W及頻域分析方法等;其中，Canny邊緣檢測要求前景相對于 背景具有較為顯著的輪廓，當(dāng)目標(biāo)物呈絮狀、點劃線狀時，難W提取;灰度共生矩陣方法計 算圖像的紋理信息，通過比較灰度共生矩陣的能量、賭、對比度、方差等參數(shù)，可W有效的區(qū) 分不同的紋理;不變矩是通過計算圖像的幾何不變矩，從而區(qū)分不同幾何特征;而純粹頻域 分析法只能分析圖像的整體特征，忽略了圖像的局部特征。
[0004] 光學(xué)表面的損傷具有良好的直線性特征，在提取出的圖像上呈現(xiàn)一條水平的或略 帶彎曲的細(xì)實線或者是虛線形式存在。然而光學(xué)表面上的污潰沒有固定的方向性、紋理信 息不統(tǒng)一、位置分布各異。因此，基于邊緣提取或者是整體特征分析的方法在進(jìn)行損傷和污 潰的區(qū)分時表現(xiàn)不佳。

【發(fā)明內(nèi)容】

[0005] 為了解決上述問題，本發(fā)明的目的在于提供一種有效的基于圖像處理和模式識別 技術(shù)的精粗結(jié)合的光學(xué)表面缺陷的檢測方法。
[0006] 為了達(dá)到上述目的，本發(fā)明提供了一種精粗結(jié)合的光學(xué)表面缺陷的檢測方法，其 包括：
[0007] 步驟一:對材料表面的圖像進(jìn)行直接利用建模的方差信息進(jìn)行快速粗檢測，確定 疑似缺陷區(qū)域位置及輪廓；
[000引步驟二:對疑似缺陷區(qū)域利用基于Gist的模式識別方法進(jìn)行精檢測，得到圖像的 GIST特征向量；
[0009] 步驟所述GIST特征向量為缺陷分類依據(jù)，輸入到分類器進(jìn)行分類，對分類結(jié) 果進(jìn)行分析，輸出最終精檢測后的損傷信息；
[0010] 其中，步驟一中通過將原始圖像進(jìn)行分塊得到多個塊圖像，并根據(jù)塊圖像的方差 判斷其是否為疑似缺陷塊圖像，對于超出預(yù)定方差闊值的塊圖像判斷為疑似缺陷塊圖像， 將未超出預(yù)定方差闊值的塊圖像判斷為非疑似缺陷塊圖像;根據(jù)疑似缺陷塊圖像得到整個 圖像上的疑似缺陷區(qū)域；
[0011] 步驟二具體包括：
[0012] 根據(jù)所述疑似缺陷區(qū)域的方向?qū)λ鰣D像進(jìn)行旋轉(zhuǎn)，使得旋轉(zhuǎn)后疑似缺陷區(qū)域的 外接矩形的主軸與水平方向重合；
[0013] 對旋轉(zhuǎn)后的所述圖像進(jìn)行歸一化處理；
[0014] 對歸一化后的所述圖像進(jìn)行GIST特征提取，得到GIST特征向量；
[001引將所述GIST特征向量進(jìn)行PCA降維，使得PCA覆蓋能量在90% W上的維數(shù)，
[0016] 步驟Ξ中利用所述降維后的所述GIST特征向量進(jìn)行分類。
[0017] 本發(fā)明還提供了一種精粗結(jié)合的光學(xué)表面缺陷的檢測裝置，其包括：
[0018] 粗檢測模塊，對材料表面的圖像進(jìn)行直接利用建模的方差信息進(jìn)行快速粗檢測， 確定疑似缺陷區(qū)域位置及輪廓；
[0019]精檢測模塊，對疑似缺陷區(qū)域利用基于Gist的模式識另巧法進(jìn)行精檢測，得到圖 像的GIST特征向量；
[0020] 分類模塊，W所述GIST特征向量為缺陷分類依據(jù)，輸入到分類器進(jìn)行分類，對分類 結(jié)果進(jìn)行分析，輸出最終精檢測后的損傷信息；
[0021] 其中，粗檢測模塊通過將原始圖像進(jìn)行分塊得到多個塊圖像，并根據(jù)塊圖像的方 差判斷其是否為疑似缺陷塊圖像，對于超出預(yù)定方差闊值的塊圖像判斷為疑似缺陷塊圖 像，將未超出預(yù)定方差闊值的塊圖像判斷為非疑似缺陷塊圖像;根據(jù)疑似缺陷塊圖像得到 整個圖像上的疑似缺陷區(qū)域；
[0022] 所述精檢測模塊具體進(jìn)行如下處理：
[0023] 根據(jù)所述疑似缺陷區(qū)域的方向?qū)λ鰣D像進(jìn)行旋轉(zhuǎn)，使得旋轉(zhuǎn)后疑似缺陷區(qū)域的 外接矩形的主軸與水平方向重合；
[0024] 對旋轉(zhuǎn)后的所述圖像進(jìn)行歸一化處理；
[0025] 對歸一化后的所述圖像進(jìn)行GIST特征提取，得到GIST特征向量；
[0026] 將所述GIST特征向量進(jìn)行PCA降維，使得PCA覆蓋能量在90% W上的維數(shù)，
[0027] 所述分類模塊利用所述降維后的所述GIST特征向量進(jìn)行分類。
[0028] 本發(fā)明提供的基于圖像處理和模式識別技術(shù)的一種精粗結(jié)合的光學(xué)表面缺陷的 檢測方法在進(jìn)行損傷檢測中表現(xiàn)出色，檢測速度快，精度較高。該方法充分利用了圖像的區(qū) 域性，直接利用建模的方差信息進(jìn)行快速粗檢測，利用圖像的方向性，在進(jìn)行精檢測之前先 對圖像的方向進(jìn)行了矯正，并且對圖像進(jìn)行了歸一化處理。進(jìn)而計算圖像的Gist場景信息， 使用一個高維的特征向量來表征圖像的局部特征W及局部特征。圖像的矯正使得所有圖像 的場景信息基于同一個參考系，因此可W使用線性的SVM分類器對圖像進(jìn)行精檢測分類。實 驗結(jié)果表明，本發(fā)明提供的粗精結(jié)合的檢測方法具有良好的檢測效果和高度的穩(wěn)定性。
【附圖說明】
[0029] 圖1為本發(fā)明中精粗結(jié)合的光學(xué)表面損傷檢測方法流程圖；
[0030] 圖2為本發(fā)明實施例中索引矩陣樣例示意圖；
[0031 ]圖3為本發(fā)明實施例中異常區(qū)域樣本及檢測效果圖；
[0032]圖4為本發(fā)明實施例中異常區(qū)域最小外接矩形輪廓提取圖。
【具體實施方式】
[0033] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，W下結(jié)合具體實施例，并參照 附圖，對本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0034] 如圖1所示，本發(fā)明提供的一種精粗結(jié)合的光學(xué)表面缺陷的檢測方法包括按順序 進(jìn)行的下列步驟：
[0035] 步驟一：對材料表面的（灰度）圖像進(jìn)行直接利用建模的方差信息進(jìn)行快速粗檢 巧。，確定異常區(qū)域位置及輪廓；
[0036] 該步驟具體包括：
[0037] 步驟101:將原始圖像分割為64*64像素的多個方塊；
[0038] 步驟102:對每個方塊實行方差分析，W方差為依據(jù)判定區(qū)域是否異常，將超出預(yù) 定方差闊值的方塊判定為疑似缺陷區(qū)域;其中方差闊值的選取依據(jù)為:對圖像進(jìn)行全局的 灰度直方圖分析，使用灰度值的均勻分布模型對其進(jìn)行建模，利用該均勻分布模型的方差 作為初始方差闊值，根據(jù)數(shù)據(jù)集合進(jìn)行校正;設(shè)擬合出的均值分布區(qū)間為[y-r，y+r]，u為擬 合均勻分布區(qū)間中屯、點，r為擬合均勻分布的半徑。則初始方差闊值的取值為
[0039]
[0040] 步驟103:根據(jù)方差判斷生成疑似缺陷區(qū)域的索引矩陣Ind，如圖2所示，若第i行、 第巧揃方塊被標(biāo)記為受污染區(qū)域，則Indu = l，否則lndu = 0;
[0041] 步驟104:對索引矩陣進(jìn)行閉運算操作，消除索引矩陣中的空桐或者是空隙；窗口 半徑為W的閉運算定義為半徑為W的膨脹和腐蝕的復(fù)合運算；
[0042] 步驟105:利用索引矩陣將原圖