單邊側(cè)入光式導(dǎo)光板質(zhì)量可視化檢測(cè)方法①

張滬強(qiáng), 李俊峰, 戴文戰(zhàn)

1(浙江理工大學(xué) 機(jī)械與自動(dòng)控制學(xué)院, 杭州 310018)

2(浙江工商大學(xué) 信息與電子工程學(xué)院, 杭州 310018)

1 引言

由于加工工藝、模具保養(yǎng)不當(dāng)、工人操作等因素,導(dǎo)光板在生產(chǎn)制造過(guò)程中不可避免會(huì)出現(xiàn)亮點(diǎn)、卡料、劃傷、壓傷、臟污、暗影等缺陷, 其中亮白點(diǎn)、壓傷和劃傷最為常見(jiàn).目前國(guó)內(nèi)導(dǎo)光板生產(chǎn)廠家的產(chǎn)品質(zhì)量檢測(cè)還停留在人工檢測(cè)階段, 即通過(guò)人工裸眼檢測(cè)產(chǎn)品是否合格.但長(zhǎng)時(shí)間強(qiáng)光環(huán)境下工作容易使驗(yàn)光人員患上職業(yè)病, 而且評(píng)判標(biāo)準(zhǔn)因人而異, 無(wú)法形成統(tǒng)一的產(chǎn)品輸出標(biāo)準(zhǔn).

隨著電子、計(jì)算機(jī)和通信技術(shù)的發(fā)展, 基于機(jī)器視覺(jué)的缺陷檢測(cè)成為可能, 國(guó)內(nèi)外學(xué)者對(duì)此開(kāi)展了廣泛的研究, 一些研究成果已經(jīng)成功應(yīng)用于液晶面板、磁瓦等產(chǎn)品的表面缺陷檢測(cè), 但在導(dǎo)光板缺陷檢測(cè)方面的研究還很少.

導(dǎo)光板作為液晶屏的重要組件, 其缺陷檢測(cè)可以借鑒液晶屏缺陷檢測(cè)的研究成果.液晶屏中的缺陷通常表現(xiàn)為低對(duì)比度和模糊輪廓, 與周?chē)鷧^(qū)域沒(méi)有明顯的強(qiáng)度差異.畢昕等[1]研究基于實(shí)值Gabor 小波濾波的紋理背景抑制方法, 該方法可以有效抑制液晶屏的紋理背景, 但對(duì)導(dǎo)光板的網(wǎng)點(diǎn)背景并不適用.張昱等[2]結(jié)合專(zhuān)家系統(tǒng)和模糊理論建立的檢測(cè)系統(tǒng), 解決了缺陷判定的模糊性和不確定性, 但該方法漏檢率過(guò)高.梅爽[3]提出基于多模態(tài)特征描述的完備特征表示模型JFRDRF, 結(jié)合無(wú)監(jiān)督學(xué)習(xí)特征提取和人工特征提取, 實(shí)現(xiàn)多維度的特征描述, 但該方法算法處理速度較低, 無(wú)法滿足工業(yè)檢測(cè)需要.何志勇等[4]提出利用圖像梯度方差尋找缺陷的方式, 對(duì)背景波動(dòng)小的圖像有較好的應(yīng)用效果, 但不適合布滿網(wǎng)點(diǎn)的導(dǎo)光板檢測(cè).楊成立等[5]提出基于非下采樣Shearlet 變換的缺陷檢測(cè)方法, 根據(jù)高低頻不同特征針對(duì)性處理, 可以有效抑制紋理與噪聲,但該方法假陽(yáng)性率過(guò)高.郭萌等[6]提出通過(guò)結(jié)合Kirsch和Canny 算子提取邊緣, 該方法可以有效抑制噪聲干擾, 但不適用于有紋理背景的缺陷檢測(cè).Tseng 等[7]提出利用多圖像疊加對(duì)Mura 進(jìn)行灰度提升, 該方法可以有效增強(qiáng)缺陷與背景的對(duì)比度, 抑制噪聲, 但該方法不適用于高分辨率的線陣相機(jī).Yang 等[8]提出一種圖像背景構(gòu)造算法OPBC 用于快速篩選Mura 疑似區(qū)域, 使用基于區(qū)域梯度的水平集算法RGLS分割缺陷, 該方法在不均勻光照條件下有較好的檢測(cè)效果, 但檢測(cè)效率偏低.李俊峰等[9,10]設(shè)計(jì)使用多方向Gabor 濾波器和高斯導(dǎo)數(shù)濾波器, 該方法可以有效檢測(cè)劃傷和亮點(diǎn)缺陷,但對(duì)某些成像較暗的點(diǎn)狀缺陷效果并不理想.Ming 等[11]提出動(dòng)態(tài)權(quán)重組合分類(lèi)器CCDW 對(duì)樣本進(jìn)行分類(lèi), 可以根據(jù)預(yù)測(cè)概率優(yōu)化基分類(lèi)器的權(quán)重比例, 但預(yù)測(cè)準(zhǔn)確率仍無(wú)法達(dá)到檢測(cè)需求.

基于此, 針對(duì)單邊側(cè)入光式導(dǎo)光板的網(wǎng)點(diǎn)分布特點(diǎn)、光學(xué)特性和質(zhì)量檢測(cè)要求, 利用16 K 高精度線陣相機(jī)和定制的多角度光源獲得高質(zhì)量的導(dǎo)光板圖像,并根據(jù)導(dǎo)光板圖像的背景復(fù)雜、導(dǎo)光點(diǎn)無(wú)序、亮度不均勻等特點(diǎn)提出了一種可視化質(zhì)量檢測(cè)方法.該方法根據(jù)網(wǎng)點(diǎn)的排列特點(diǎn)將圖像劃分成疏區(qū)和密區(qū), 分別設(shè)計(jì)檢測(cè)算法提取缺陷區(qū)域, 并根據(jù)產(chǎn)線質(zhì)檢要求提取篩特征進(jìn)行缺陷判定.該算法在自主研發(fā)的導(dǎo)光板缺陷檢測(cè)系統(tǒng)上進(jìn)行了大量的在線測(cè)試, 測(cè)試結(jié)果表明, 針對(duì)亮白點(diǎn)、壓傷和劃傷缺陷具有較高的檢測(cè)精度, 檢測(cè)精度可達(dá)99%以上, 可以滿足工業(yè)檢測(cè)要求.

2 導(dǎo)光板表面缺陷分類(lèi)

根據(jù)對(duì)導(dǎo)光板生產(chǎn)廠家、技術(shù)人員及一線工人的調(diào)研情況, 導(dǎo)光板的缺陷主要有亮點(diǎn)、壓傷、線刮傷、黑點(diǎn)及暗影等.在上述缺陷中, 暗影利用線陣相機(jī)無(wú)法呈現(xiàn), 但在面陣相機(jī)下可以有效獲取其信息.由于亮點(diǎn)、壓傷、線刮傷等缺陷尺寸較小, 而本文的研究對(duì)象為電腦顯示屏用導(dǎo)光板, 尺寸相對(duì)比較大, 檢測(cè)精度要求高, 需要檢出10 um 以上的缺陷, 采用16 K 線陣相機(jī)可呈現(xiàn)其清晰圖像.此外, 由于暗影、黑點(diǎn)缺陷出現(xiàn)的情況非常少, 本文主要研究亮點(diǎn)、壓傷及線刮傷缺陷檢測(cè)方法, 這些缺陷的形成原理及特征如下:

(1)亮點(diǎn)

在塑化過(guò)程中, 熔料溫度過(guò)低, 背壓過(guò)小, 轉(zhuǎn)速過(guò)快, 未能將塑膠料完全均勻的熔化, 在塑膠熔料中存在著固體; 塑膠原料不干凈, 混有白色的雜質(zhì); 成型機(jī)周邊環(huán)境受到污染, 空氣中粉塵較重; 模仁過(guò)于粗糙, 導(dǎo)致在取出產(chǎn)品時(shí)拉傷產(chǎn)品而產(chǎn)生的白點(diǎn)等.線陣圖像中表現(xiàn)為某一顆導(dǎo)光點(diǎn)亮度明顯大于周?chē)鷮?dǎo)光點(diǎn), 其面積也比正常導(dǎo)光點(diǎn)要大, 如圖1(a)所示.

圖1 缺陷圖像

(2)壓傷

導(dǎo)光板生產(chǎn)模具槍體內(nèi)有異物, 壓傷了導(dǎo)光板網(wǎng)面.線陣圖像中成塊狀灰色斑點(diǎn), 形狀大小不一, 如圖1(b).

(3)線劃傷

導(dǎo)光板表面出現(xiàn)劃傷痕跡, 前制程中主要是模仁表面劃傷, 后制程中主要是導(dǎo)光板接觸面的不潔凈(有粉粒、異物等)導(dǎo)致與導(dǎo)光板表面產(chǎn)生較大的摩擦而致產(chǎn)品表面劃傷, 如裁切平臺(tái)、拋光平臺(tái)、清潔滾輪等.明顯的線劃傷呈現(xiàn)粗線條狀傷痕, 看起來(lái)很像導(dǎo)光點(diǎn)的合并; 輕微線劃傷呈現(xiàn)細(xì)絲狀劃痕, 某些輕微線刮傷的寬度不到一個(gè)像素, 且斷斷續(xù)續(xù), 肉眼很難分辨,如圖1(c)所示.

(4)暗影

加熱筒(螺桿)里面的熔料中混有較多的氣體沒(méi)有被排出, 在高速充模的情況下較多的氣體難以完全排出, 在模具型腔內(nèi)的某部分產(chǎn)生劇烈灼燒, 將產(chǎn)品燒黑而形成的暗區(qū); 在高速充模時(shí), 空隙處被冷卻的熔料被帶入模具型腔, 被后面熔料包住而形成的一塊區(qū)域等.該缺陷范圍較大, 面陣相機(jī)下成像一部分較亮一部分較暗, 在交界處可見(jiàn)輕微輪廓.

(5)黑點(diǎn)

塑膠原料在塑化過(guò)程中因背壓、溫度、轉(zhuǎn)速過(guò)高,導(dǎo)致熔料分解碳化; 在高速充填過(guò)程中, 模具型腔的氣體不能順利排出, 聚集在某個(gè)角落與熔料產(chǎn)生劇烈的灼燒而燒焦熔料等, 如圖1(d)所示.

3 導(dǎo)光板缺陷檢測(cè)算法

通過(guò)成像設(shè)備采集導(dǎo)光板圖像, 提取導(dǎo)光板本體.由于導(dǎo)光板上網(wǎng)點(diǎn)分布不均勻, 從入光側(cè)向出光側(cè)逐漸變密, 為適應(yīng)網(wǎng)點(diǎn)分布情況, 同時(shí)提高檢測(cè)速度和精度, 本文將圖像均分成5 個(gè)區(qū)域.入光側(cè)的4 個(gè)區(qū)構(gòu)成疏區(qū), 最后一個(gè)區(qū)為密區(qū), 各區(qū)域的檢測(cè)原理如圖2.

對(duì)于疏區(qū), 先利用高斯算子和拉普拉斯算子[12]銳化圖像, 設(shè)計(jì)點(diǎn)濾波模板對(duì)圖像進(jìn)行濾波, 留下網(wǎng)點(diǎn)部分, 并對(duì)網(wǎng)點(diǎn)進(jìn)行灰度增強(qiáng)與均值濾波, 還原網(wǎng)點(diǎn)大小,再利用OTSU 算法獲取網(wǎng)點(diǎn)區(qū)域, 在此基礎(chǔ)上將原圖分成網(wǎng)點(diǎn)圖與背景圖兩部分:

(1)對(duì)于網(wǎng)點(diǎn)圖, 進(jìn)行二值化并轉(zhuǎn)連通域, 再通過(guò)網(wǎng)點(diǎn)的灰度、圓度等特征進(jìn)行判斷是否有缺陷;

(2)對(duì)于背景圖, 進(jìn)行二值化并轉(zhuǎn)連通域, 再通過(guò)灰度、長(zhǎng)度、面積等特征判別是否有缺陷.

對(duì)于密區(qū), 本文根據(jù)缺陷的類(lèi)型通過(guò)兩個(gè)方面進(jìn)行缺陷檢測(cè):

(1)通過(guò)兩種結(jié)構(gòu)元素對(duì)圖像分別進(jìn)行灰度開(kāi)操作, 將圖像相乘并設(shè)計(jì)高斯梯度濾波器對(duì)其進(jìn)行卷積,設(shè)置閾值提取圖像中灰度較大的缺陷;

(2)將原圖像進(jìn)行灰度值拉伸及圖像整體增強(qiáng), 另對(duì)原圖進(jìn)行增強(qiáng)并與前圖像相減, 再利用圖像灰度形態(tài)學(xué)凸顯缺陷, 最后設(shè)定閾值進(jìn)行缺陷提取.

3.1 稀區(qū)檢測(cè)算法

3.1.1 網(wǎng)點(diǎn)提取

由于缺陷的大小、形狀、位置及灰度沒(méi)有規(guī)律,網(wǎng)點(diǎn)對(duì)于缺陷的判定會(huì)產(chǎn)生較大的干擾.基于此, 本文提出了網(wǎng)點(diǎn)分離算法, 通過(guò)將圖像分成網(wǎng)點(diǎn)與背景部分, 再進(jìn)行缺陷的提取與判定.首先利用高斯算子和拉普拉斯算子銳化圖像, 并設(shè)計(jì)點(diǎn)濾波模板增強(qiáng)網(wǎng)點(diǎn)部分; 然后利用灰度拉伸、最大類(lèi)間方差法等方法將導(dǎo)光板圖像分離成網(wǎng)點(diǎn)圖與背景圖.

在線掃相機(jī)采集導(dǎo)光板圖像過(guò)程中, 可能會(huì)存在一定程度的高斯噪聲, 故設(shè)計(jì)二維高斯濾波器對(duì)圖像進(jìn)行卷積去噪, 離散高斯卷積核函數(shù)為:

其中, σ為標(biāo)準(zhǔn)差, k為卷積核的大小.

使用拉普拉斯算子對(duì)去噪之后的圖像進(jìn)行銳化處理:

其中, g(x,y) 經(jīng)過(guò)銳化后的圖像, f(x,y)為高斯去噪后的圖像, ?2f(x,y)為拉普拉斯算子濾波后的圖像, 其離散形式為:

一般的圖像增強(qiáng)算法對(duì)于導(dǎo)光網(wǎng)點(diǎn)這種緩慢變化的邊緣很難確定其邊緣線的位置, 但拉普拉斯算子可以利用二次微分正峰和負(fù)峰的過(guò)零點(diǎn)來(lái)確定, 比較適合用于突出圖像中的網(wǎng)點(diǎn)部分.由于網(wǎng)點(diǎn)近似呈圓形,本文設(shè)計(jì)了一種新型濾波模板對(duì)圖像進(jìn)行濾波, 用于增強(qiáng)網(wǎng)點(diǎn)區(qū)域, 濾波模板如圖3 所示.

圖2 導(dǎo)光板缺陷視覺(jué)檢測(cè)方法原理

經(jīng)過(guò)濾波之后的圖像, 雖然保留了網(wǎng)點(diǎn)區(qū)域, 但是因?yàn)檎w灰度被壓縮, 所以圖像整體偏暗, 需要對(duì)其進(jìn)行線性調(diào)整, 充分利用其動(dòng)態(tài)范圍.線性調(diào)整后的網(wǎng)點(diǎn)邊緣較為陡峭, 與原圖差異較大, 不適合直接選取作為網(wǎng)點(diǎn)區(qū)域.為了盡可能還原原圖的網(wǎng)點(diǎn)特征, 本文采用均值濾波來(lái)模擬網(wǎng)點(diǎn)邊緣緩慢變化的情況.并在此基礎(chǔ)上, 利用最大類(lèi)間方差法將導(dǎo)光板圖像根據(jù)灰度等級(jí)分成前景與背景兩個(gè)部分, 通過(guò)尋找最佳閾值, 使得兩個(gè)部分之間的灰度方差最大, 每個(gè)部分之間的灰度方差最小.

其中, t 為根據(jù)OTSU 計(jì)算出的最佳閾值, w0為前景部分所占的比例, u0為前景部分的灰度均值, w1為背景部分所占的比例, u1為 背景部分的灰度均值, u為整張導(dǎo)光板的灰度均值.

圖3 濾波模板

通過(guò)OTSU 算法[13]雖然可以提取較為明顯的網(wǎng)點(diǎn)部分, 但由于導(dǎo)光網(wǎng)點(diǎn)邊緣不清晰, 為了盡可能的提取網(wǎng)點(diǎn)部分, 本文設(shè)置了閾值偏差ti, 對(duì)最佳閾值t進(jìn)行了調(diào)整, 提取網(wǎng)點(diǎn)部分的區(qū)域?yàn)?

根據(jù)計(jì)算得到的網(wǎng)點(diǎn)區(qū)域?qū)?dǎo)光板分為網(wǎng)點(diǎn)與景兩個(gè)部分, 如圖4 所示:

圖4 原圖、網(wǎng)點(diǎn)與背景

3.1.2 缺陷區(qū)域提取

經(jīng)過(guò)處理得到的背景圖, 因?yàn)榕懦司W(wǎng)點(diǎn)因素的干擾, 缺陷較為明顯, 但仍存在其他干擾因素, 需要進(jìn)行判斷.在對(duì)背景圖進(jìn)行閾值分割提取疑似缺陷的過(guò)程中, 由于網(wǎng)點(diǎn)分離, 存在線缺陷斷開(kāi)的情況, 需要對(duì)其連接恢復(fù).

本文使用區(qū)域閉操作, 由于斷開(kāi)部分多處于網(wǎng)點(diǎn)區(qū)域, 故針對(duì)不同分區(qū)分別設(shè)計(jì)不同尺寸的圓形結(jié)構(gòu)元進(jìn)行線缺陷重連, 公式如下:

其中, R 為經(jīng)過(guò)處理后的區(qū)域, A 為未經(jīng)處理的區(qū)域, B為結(jié)構(gòu)元, ·代表閉操作, ⊕代表膨脹操作, Θ代表腐蝕操作.

閉操作首先使用結(jié)構(gòu)元B 對(duì)區(qū)域A 進(jìn)行膨脹操作, 將斷開(kāi)的線缺陷重新連接在一起, 再使用結(jié)構(gòu)元B 對(duì)區(qū)域A 進(jìn)行腐蝕操作, 使得其他缺陷恢復(fù)原本大小, 以便于后續(xù)的缺陷判定.

由于在前景部分網(wǎng)點(diǎn)分布較為規(guī)則, 正常網(wǎng)點(diǎn)間距處在一定的范圍, 若出現(xiàn)異常圓點(diǎn)狀缺陷, 此時(shí)該處的網(wǎng)點(diǎn)間距必然過(guò)小, 對(duì)于該種情況, 本文在二值化提取網(wǎng)點(diǎn)主體部分后, 進(jìn)行形態(tài)學(xué)閉運(yùn)算, 使用的結(jié)構(gòu)元為半徑不同的圓形, 通過(guò)將異常圓點(diǎn)與其周?chē)^(guò)于靠近的網(wǎng)點(diǎn)粘連在一起, 如圖5 所示.再進(jìn)行連通域處理,提取特征進(jìn)行判斷.

圖5 缺陷區(qū)域提取

3.2 密區(qū)檢測(cè)算法

3.2.1 亮點(diǎn)缺陷檢測(cè)

由于密區(qū)的網(wǎng)點(diǎn)分布過(guò)于集中, 網(wǎng)點(diǎn)之間的距離很小, 網(wǎng)點(diǎn)與背景分離的算法不適用.針對(duì)此區(qū)域缺陷的成像情況及網(wǎng)點(diǎn)的密集分布情況, 本文根據(jù)高斯導(dǎo)數(shù)濾波器提出一種新的缺陷檢測(cè)方法.首先, 使用圖像形態(tài)學(xué)算法對(duì)密區(qū)圖像進(jìn)行預(yù)處理; 然后, 設(shè)計(jì)高斯導(dǎo)數(shù)濾波器對(duì)圖像進(jìn)行卷積, 并進(jìn)行二值化閾值分割; 最后, 利用區(qū)域閉操作連接相連的疑似區(qū)域, 進(jìn)行缺陷判斷.

由于密區(qū)部分網(wǎng)點(diǎn)密集, 整體區(qū)域較亮, 缺陷與網(wǎng)點(diǎn)的對(duì)比度不高, 如圖6(a)所示, 故需要通過(guò)處理對(duì)缺陷進(jìn)行增強(qiáng).本文設(shè) 7×7的 八邊形結(jié)構(gòu)元 B1和 7×7的菱形結(jié)構(gòu)元 B2, 分別對(duì)導(dǎo)光板密區(qū)進(jìn)行灰度級(jí)開(kāi)操作, 以降低整體灰度, 抑制網(wǎng)點(diǎn)部分.

圖6 亮點(diǎn)缺陷提取

其中, I0為導(dǎo)光板密區(qū)原圖, I1、 I2為經(jīng)過(guò)灰度開(kāi)處理后的圖像, B1、 B2為 結(jié)構(gòu)元, ?代表開(kāi)操作.

對(duì)圖像進(jìn)行算術(shù)操作, 如圖6(b)所示.

運(yùn)用如下高斯梯度[14]對(duì)圖像進(jìn)行卷積, 結(jié)果如圖6(c)所示.

3.2.2 暗劃傷檢測(cè)

密區(qū)除了亮點(diǎn)缺陷外, 還存在較暗的劃傷缺陷, 如圖7(a)所示.對(duì)原圖進(jìn)行灰度值拉伸.

圖7 疑似劃傷缺陷提取

對(duì)原圖 I0和拉伸圖 I4分別進(jìn)行圖像增強(qiáng)得到 I5和I6, 增強(qiáng)算法如下所示:

計(jì)算時(shí)先對(duì)原圖( orig)進(jìn)行低通濾波操作, 將得到的灰度值( me an)與原始灰度值進(jìn)行運(yùn)算得到增強(qiáng)圖( res ).F actor為對(duì)比度增強(qiáng)因子.

對(duì) I5與 I6進(jìn)行圖像灰度值運(yùn)算, 如圖7(b)所示.

I7保留了原圖中一部分的低頻部分, 主要為網(wǎng)點(diǎn)的邊緣部分, 也包含某些較暗的缺陷, 此時(shí)網(wǎng)點(diǎn)邊緣部分對(duì)缺陷的提取有較大的干擾, 根據(jù)其特征, 設(shè)計(jì)結(jié)構(gòu)元進(jìn)行灰度開(kāi)操作, 可以有效去除網(wǎng)點(diǎn)邊緣部分, 如圖7(c).

3.3 缺陷判定

經(jīng)過(guò)上述處理之后, 可以從導(dǎo)光板圖像中提取疑似缺陷, 但由于機(jī)器視覺(jué)與人眼視覺(jué)系統(tǒng)存在差異, 需要對(duì)疑似缺陷進(jìn)行判定, 使檢測(cè)結(jié)果更加符合生產(chǎn)現(xiàn)場(chǎng)人工判定規(guī)則.

通過(guò)采集大量帶實(shí)際缺陷的導(dǎo)光板圖像, 并經(jīng)現(xiàn)場(chǎng)驗(yàn)光人員確認(rèn)缺陷類(lèi)型, 通過(guò)圖像與實(shí)物的對(duì)照, 研究缺陷區(qū)域的特征, 發(fā)現(xiàn)可以通過(guò)面積A、最大長(zhǎng)度L、圓度C 及疑似缺陷的平均灰度G 等進(jìn)行判定.

(1)面積A

設(shè) F( x,y) 表示圖像在點(diǎn)( x, y)處的灰度值, 某個(gè)疑似缺陷為 R, 其0 階幾何矩[15]為:

若將圖像轉(zhuǎn)換為二值圖, 則區(qū)域面積A 可通過(guò)其0 階幾何矩求出:

其中, f(x,y)為其二值化圖像.

(2)最大長(zhǎng)度L

通過(guò)二值圖的一階幾何矩:

可求出R 的中心為:

二階矩:

若將R 擬合成橢圓, 據(jù)此可求出其長(zhǎng)軸半徑 Ia, 短軸半徑 Ib, 橢圓方向θ:

其中,

為了簡(jiǎn)化計(jì)算, 本文將 R區(qū) 域θ 方向的最大距離近似為其最大距離L.

(3)圓度C

圓度表示疑似缺陷面積近似理論圓的程度, 取值在0～1 之間, 1 表示該區(qū)域?yàn)檎龍A, 0 表示線段.

其中, C 是圓度, A 是區(qū)域面積, m ax是中心點(diǎn)到輪廓邊緣的最大值.

(4)平均灰度G

平均灰度G, 即表示R 區(qū)域整體灰度的平均值, 反映了該區(qū)域的亮暗程度:

在背景部分對(duì)缺陷的評(píng)判標(biāo)準(zhǔn)為, 若G ＞G1∩A ＞A1或 G ＞ G2∩L ＞L1∩C ＜C1則將該疑似缺陷視為缺陷.

在前景部分存在成像的缺陷有重劃傷、較重的壓傷、白點(diǎn)、亮點(diǎn)、異物等, 在將網(wǎng)點(diǎn)區(qū)域進(jìn)行閉運(yùn)算并轉(zhuǎn)換為連通域后, 觀察缺陷發(fā)現(xiàn)可通過(guò)面積A、圓度C 進(jìn)行判定.

在前景部分對(duì)缺陷的評(píng)判標(biāo)準(zhǔn)為, 若C ＞C2∩A ＞A3, 則將疑似缺陷視為缺陷.

密區(qū)部分由于圖像在經(jīng)過(guò)處理后, 缺陷較為明顯,針對(duì)密區(qū)亮點(diǎn)算法通過(guò)設(shè)置高斯梯度閾值將圖像二值化后, 進(jìn)行連通域, 通過(guò)面積進(jìn)行缺陷的篩選; 針對(duì)密區(qū)劃傷的算法則是先進(jìn)行灰度閾值二值化, 進(jìn)行閉運(yùn)算連接斷線, 求連通域, 根據(jù)長(zhǎng)度和圓度進(jìn)行缺陷篩選.

4 實(shí)驗(yàn)結(jié)果分析

4.1 導(dǎo)光板缺陷檢測(cè)裝置設(shè)計(jì)

根據(jù)線掃相機(jī)的拍照方式設(shè)計(jì)導(dǎo)光板自動(dòng)檢測(cè)裝置, 如圖8 所示.在機(jī)臺(tái)上安裝皮帶傳送裝置, 皮帶前方有導(dǎo)輪對(duì)產(chǎn)品進(jìn)行限位, 使產(chǎn)品始終處于光源和相機(jī)的有效范圍內(nèi), 光源前方設(shè)置有光電傳感器, 產(chǎn)品經(jīng)皮帶傳輸觸發(fā)傳感器后直接觸發(fā)光源持續(xù)打光, 經(jīng)過(guò)延時(shí)后觸發(fā)相機(jī)拍照.實(shí)驗(yàn)機(jī)臺(tái)對(duì)皮帶的穩(wěn)定性要求較高, 不能有抖動(dòng).產(chǎn)品流過(guò)后, 上位機(jī)會(huì)給PLC 產(chǎn)品OK 或NG 的信號(hào), 以便后續(xù)機(jī)械手將產(chǎn)品分開(kāi)放置.

軟件部分采用Visual Studio 2015 聯(lián)合Halcon 18.11 作為開(kāi)發(fā)平臺(tái), 采用C++編程語(yǔ)言來(lái)編寫(xiě)算法,進(jìn)行圖像處理與分析.

圖8 導(dǎo)光板缺陷檢測(cè)裝置

4.2 參數(shù)分析

4.2.1 基于稀區(qū)網(wǎng)點(diǎn)分離的 σ, k, ti參數(shù)確定

根據(jù)高斯函數(shù)的分布特性可知, 在中心值左右3 個(gè)標(biāo)準(zhǔn)差的范圍內(nèi)占據(jù)99.7%的數(shù)據(jù), 模板大小與σ的取值是相關(guān)的, 在Halcon 中已給出模板大小k 與σ的對(duì)應(yīng)關(guān)系, σ越大對(duì)圖像的平滑效果越強(qiáng).圖9 為不同卷積核大小及其對(duì)應(yīng)的 σ的濾波效果, 本文選k=5,σ=1.075.

圖9 不同k 、σ 取值對(duì)比圖

通過(guò)最大類(lèi)間方差法可以求得使兩類(lèi)之間方差最大的灰度閾值, 但實(shí)際上導(dǎo)光網(wǎng)點(diǎn)與背景之間并無(wú)明顯的分界線, 以最佳閾值對(duì)網(wǎng)點(diǎn)與背景進(jìn)行分割時(shí), 會(huì)將網(wǎng)點(diǎn)的外延部分劃分為背景, 這對(duì)在背景部分進(jìn)行缺陷檢測(cè)時(shí)將產(chǎn)生較大干擾, 故本文對(duì)最佳閾值設(shè)置偏差ti, 使得盡可能的包圍網(wǎng)點(diǎn)的外延部分.根據(jù)實(shí)際效果, 本文將 t1設(shè) 置為-10, t2設(shè)置為-7, t3設(shè) 置為-7, t4設(shè)置為-5.

4.2.2 缺陷判定標(biāo)準(zhǔn)

(1)疏區(qū)背景部分:

點(diǎn)狀不良:

線狀不良:

(2)疏區(qū)網(wǎng)點(diǎn)部分(亮白點(diǎn)):

(3)密區(qū)亮點(diǎn)檢測(cè)算法:

(4)密區(qū)暗劃傷檢測(cè)算法:

4.3 算法比較

目前國(guó)內(nèi)對(duì)導(dǎo)光板缺陷檢測(cè)的算法較少, 文獻(xiàn)[10]提出的導(dǎo)光板檢測(cè)方法取得了較好的效果.實(shí)驗(yàn)收集壓傷, 劃傷, 亮點(diǎn)3 種缺陷的板子各150 張, 分別用本文算法與文獻(xiàn)[10]算法進(jìn)行檢測(cè), 結(jié)果如表1 所示.

表1 兩種算法檢測(cè)準(zhǔn)確率對(duì)比(%)

由表1 可以看出: 本文算法在壓傷, 亮點(diǎn), 劃傷等缺陷的檢測(cè)準(zhǔn)確率方面均高于文獻(xiàn)[10], 文獻(xiàn)[10]算法雖然對(duì)亮點(diǎn)這種灰度特征明顯的缺陷有較高的準(zhǔn)確率,但對(duì)壓傷和劃傷的檢測(cè)準(zhǔn)確率偏低; 本文檢測(cè)算法通過(guò)網(wǎng)點(diǎn)分離的方法, 從兩個(gè)層面對(duì)缺陷進(jìn)行檢測(cè), 可以有效抑制網(wǎng)點(diǎn)對(duì)壓傷、亮點(diǎn)缺陷檢測(cè)時(shí)的干擾, 具有較高的準(zhǔn)確率.

4.4 實(shí)驗(yàn)結(jié)果分析

本檢測(cè)系統(tǒng)在生產(chǎn)現(xiàn)場(chǎng)實(shí)際檢測(cè)效果如表2 所示.

表2 現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)

檢測(cè)系統(tǒng)于3.21 正式上線實(shí)測(cè), 產(chǎn)品經(jīng)過(guò)檢測(cè)系統(tǒng)檢測(cè)后, 全部經(jīng)驗(yàn)光人員復(fù)檢.初期漏檢率偏高, 后經(jīng)過(guò)算法優(yōu)化漏檢率有明顯下降.漏檢的缺陷主要為某些成像極為暗淡的線劃傷, 通過(guò)分析此類(lèi)缺陷的特征, 運(yùn)用圖像增強(qiáng)算法, 在背景圖上增強(qiáng)此類(lèi)缺陷, 同時(shí)在缺陷判定上, 加嚴(yán)對(duì)暗劃傷的判定標(biāo)準(zhǔn), 加強(qiáng)對(duì)此類(lèi)缺陷的檢出能力.某些缺陷需要特定的角度才能看見(jiàn), 線掃相機(jī)只能從正視角方向拍取圖像, 缺陷成像效果幾乎為零, 導(dǎo)致漏檢.5.9-5.13 的漏檢率比4.28-5.4的漏檢率高, 原因是在產(chǎn)線中, 有些未成像的缺陷形成于生產(chǎn)工藝中, 一旦出現(xiàn)即為批量性的, 這種屬于偶發(fā)事件.

5 結(jié)束語(yǔ)

針對(duì)目前導(dǎo)光板缺陷檢測(cè)效率低下的問(wèn)題, 本文在分析導(dǎo)光板網(wǎng)點(diǎn)與缺陷特征的基礎(chǔ)上提出了一種基于機(jī)器視覺(jué)的導(dǎo)光板缺陷檢測(cè)技術(shù).根據(jù)網(wǎng)點(diǎn)與背景及缺陷的區(qū)別, 設(shè)計(jì)了濾波模板, 通過(guò)多次濾波突出網(wǎng)點(diǎn)部分, 計(jì)算最佳分割閾值, 將圖像分離成網(wǎng)點(diǎn)與背景兩部分.再根據(jù)灰度、面積、圓度等特征進(jìn)行缺陷的準(zhǔn)確判定.實(shí)驗(yàn)結(jié)果表明, 該算法的運(yùn)行效率高、準(zhǔn)確率高, 穩(wěn)定性、魯棒性強(qiáng), 不僅能夠識(shí)別常見(jiàn)的缺陷,對(duì)于不常見(jiàn)的微小缺陷也具有比較高的檢測(cè)能力.