一种基于固定轮廓的平面外观检测方法

摘要

本发明公开了一种基于固定轮廓的平面外观检测方法，平面外观缺陷检测以检测平面外观上存在具有颜色差异或者表面具有3D形态凹凸状缺陷为主，针对一幅数字图像，要有效的区分出平面轮廓，然后对轮廓内的异常进行分割和分析，该方法以自身轮廓为依托，目的是在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和优化处理效果。

权利要求

1.一种基于固定轮廓的平面外观检测方法，其特征在于：平面外观缺陷检测以检测平面外观上存在具有颜色差异或者表面具有3D形态凹凸状缺陷为主，针对一幅数字图像，要有效的区分出平面轮廓，然后对轮廓内的异常进行分割和分析，具体步骤如下：第一步，采集平面外观的图像，并获取被检测对象的平面轮廓，针对采集到的外观图像进行边界检测，在边界图像中对平面轮廓进行标识，包括外围轮廓以及内部的孔型，对轮廓的位置和大小进行量化提取和保存，该过程属于一次参数学习和配置过程；

第二步，针对待检测对象采集外观图像，对平面外观图像进行边界检测和滤波、梯度运算，并进行二值化处理得到二值化图像，根据上一步获得的轮廓标识，对本次获得图像的轮廓进行标识和提取；

第三步，在外观图像的二值化图像中对轮廓进行剔除，将第二步标识和提取的轮廓进行膨胀处理，然后在二值化图像减去该轮廓，具体操作为，将二值图像中的轮廓膨胀区域的图像灰度值进行置零操作；

第四步，对图像中余下的异常目标进行连通区域的聚类分析，定量化异常区域的位置、面积信息；

第五步，根据第四步的结果，融合二值化图像信息、对应原始图像中的灰度信息，对外观异常进行区域分析，确定异常的缺陷类型和划分缺陷的严重程度。

说明书

一种基于固定轮廓的平面外观检测方法

技术领域

[0001] 本发明涉及机器视觉检测领域，具体涉及一种基于固定轮廓的平面外观检测方法。

背景技术

[0002] 在工业自动化生产中，产品外观检测求应用非常广泛，比如手机、平板和各种电子产品、冰箱和洗衣机等家电产品。以往通常采用人工检测，人工检测存在检测工人劳动强度大、检测稳定性差等不足，而且检测结果一致性差，还存在漏检和误检的风险。

[0003] 随着微电子技术、计算机技术和图像处理技术的蓬勃发展，机器视觉检测技术逐渐从实验走向了实际应用阶段。以其具有的检测效率高、检测一致性好等优点，逐渐减少或者替代人工，实现高度自动化。

[0004] 以手机或者平板的面板缺陷检测为例，不同型号面板尺寸不一样，上面开孔的布置也不一样，通常需要进行面板参数配置后，输入到检测系统中之后，再以固定模板为样板进行学习和对比检测。该流程中输入模板参数较为复杂，还需要对模板进行空间校准，位置匹配之后才能进行外观缺陷检测。

发明内容

[0005] 本发明所要解决的技术问题是提供一种基于固定轮廓的平面外观检测方法，该方法以自身轮廓为依托，目的是在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和优化处理效果。

[0006] 本发明是通过以下技术方案来实现的：一种基于固定轮廓的平面外观检测方法，平面外观缺陷检测以检测平面外观上存在具有颜色差异或者表面具有3D形态凹凸状缺陷为主，针对一幅数字图像，要有效的区分出平面轮廓，然后对轮廓内的异常进行分割和分析，具体步骤如下：

[0007] 第一步，采集平面外观的图像，并获取被检测对象的平面轮廓，针对采集到的外观图像进行边界检测，在边界图像中对平面轮廓进行标识，包括外围轮廓以及内部的孔型，对轮廓的位置和大小进行量化提取和保存，该过程属于一次参数学习和配置过程；

[0008] 第二步，针对待检测对象采集外观图像，对平面外观图像进行边界检测和滤波、梯度运算，并进行二值化处理得到二值化图像，根据上一步获得的轮廓标识，对本次获得图像的轮廓进行标识和提取；

[0009] 第三步，在外观图像的二值化图像中对轮廓进行剔除，将第二步标识和提取的轮廓进行膨胀处理，然后在二值化图像减去该轮廓，具体操作为，将二值图像中的轮廓膨胀区域的图像灰度值进行置零操作；

[0010] 第四步，对图像中余下的异常目标进行连通区域的聚类分析，定量化异常区域的位置、面积信息；

[0011] 第五步，根据第四步的结果，融合二值化图像信息、对应原始图像中的灰度信息，对外观异常进行区域分析，确定异常的缺陷类型和划分缺陷的严重程度。

[0012] 本发明的有益效果是：本发明以自身轮廓为依托，在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和处理效果。

附图说明

[0013] 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。

[0014] 图1为本发明的面板灰度图像示意图；

[0015] 图2为本发明的轮廓标识和提取图像示意图；

[0016] 图3为本发明的平面外观图像边界二值化图像示意图；

[0017] 图4为本发明的平面外观图像边界膨胀后图像效果图；

[0018] 图5为本发明的平面外观图像去除轮廓后效果示意图；

[0019] 图6为本发明的图像处理流程图。

具体实施方式

[0020] 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。

[0021] 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。

[0022] 如图1所示，如附图1所示，面板整理轮廓为一个带圆角的矩形，内部包括一个圆孔和长条孔。

[0023] 对附图1的图像进行边界提取，获得轮廓边界，如附图2所示，在附图2中分别标识和提取轮廓形状：轮廓1为带圆角的矩形；轮廓2位长条孔型；轮廓3为圆孔；包络矩形面积分别为A1、A2和A3，中心位置分别为P1、P2和P3。

[0024] 在缺陷检测时，拍得图像如附图1所示，面板中存在异常区域A，进行图像预处理，获得图像的梯度图并且二值化，如附图3所示，根据已知轮廓的位置信息和面积信息；

[0025] 在附图3中找到面积和位置近似的轮廓1、轮廓2和轮廓3，对图像进行膨胀处理，即将轮廓边界内外进行放大，如附图4所示，在附图3上将附图4中不为背景颜色的区域置为背景，结果如附图5所示，相当于图像中只有缺陷，没有了外观轮廓。

[0026] 对附图5进行联通区域分析，即可以获得异常区域A的位置PA和面积AA，可以将该区域映射回到附图1，可以根据附图1中的更丰富的灰度信息，对缺陷进行种类和严重程度的划分。

[0027] 该方法以自身轮廓为依托，在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和处理效果。随着，电子产品数量需求的增加和外观检测精度需求的提高，本发明在图像处理流程和效果方面具有更好的灵活性，因此，该技术具有广阔的应用前景。

[0028] 如图6所示，(1)采集平面外观的图像，并获取被检测对象的平面轮廓，针对采集到的外观图像进行边界检测，在边界图像中对平面轮廓进行标识，包括外围轮廓以及内部的孔型等，对轮廓的位置和大小进行量化提取和保存，该过程属于一次参数学习和配置过程；

[0029] (2)针对待检测对象采集外观图像，对平面外观图像进行边界检测和滤波、梯度等运算，并进行二值化处理得到二值化图像，根据上一步获得的轮廓标识，对本次获得图像的轮廓进行标识和提取；

[0030] (3)在外观图像的二值化图像中对轮廓进行剔除，将第二步标识和提取的轮廓进行膨胀处理，然后在二值化图像减去该轮廓，具体操作为，将二值图像中的轮廓膨胀区域的图像灰度值进行置零操作；

[0031] (4)对图像中余下的异常目标进行连通区域的聚类分析，定量化异常区域的位置、面积等信息；

[0032] (5)根据第四步的结果，融合二值化图像信息、对应原始图像中的灰度信息，对外观异常进行区域分析，确定异常的缺陷类型和划分缺陷的严重程度。

[0033] 本发明的有益效果是：本发明以自身轮廓为依托，在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和处理效果。

[0034] 本发明该方法以自身轮廓为依托，在处理过程中去除自身轮廓的影响，直接处理和分析表面内部的外观缺陷，简化图像处理流程，提高运算效率和处理效果。随着，电子产品数量需求的增加和外观检测精度需求的提高，本发明在图像处理流程和效果方面具有更好的灵活性，因此，该技术具有广阔的应用前景。

[0035] 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。