[发明专利]一种基于机器视觉的多类型材质表面缺陷检测方法

说明书

技术领域

本发明涉及检测领域，尤其涉及一种基于机器视觉的多类型材质表面缺陷检测方法。

背景技术

随着人们对产品品质的不断提高，产品在生产过程和生成后都需要进行严格的外观检测，以确保产品外观无瑕疵。目前，绝大部分的产品检测都需要人工完成，人力对产品质量的判断是主观随机的，无定量的标准，且随着工作时间的增加，工人的精力下降，容易产生错误检测和判断。人工检测的低效率使企业需要投入大量的精力和财力来保证产品质量。随着现代计算机技术、图像处理技术、机器视觉技术的发展，利用机器视觉系统应用于工业产品质量检测的自动化表面缺陷检测系统具有良好的应用和前景。表面缺陷检测的目的是检测产品表面的非量化但是视觉上可见的划痕、磨损、突起、污渍、裂隙、气泡、凹坑、印刷缺陷、麻点、水印、指纹等缺陷，将合格产品与存在缺陷的产品区分开来，以降低次品率，提高产品品质。

基于机器视觉的缺陷检测方法绝大多数可归类于纹理分析技术以检测不同纹理表面的缺陷。纹理分析技术总体上可分为四大类：第一类是空间域的统计方法，如分析图像的灰度直方图和灰度共生矩阵等空域特征，利用距离度量判别缺陷；第二类是空频域变换的方法，将空间域的像素图像转换为频率域或其他空间的幅值图像，分析频域中图像的数据，如傅里叶变换,Gabor变换和小波变换等，该类方法是缺陷检测当中应用最多最广的。其他两类是基于结构的方法和基于模型的方法。这些方法通过用来检测特定表面的缺陷，如钢板，LCD显示屏，编织物，瓷砖等材质的表面缺陷。此外，利用各种各样的图像处理技术，如图像增强，图像分割等检测特定产品缺陷的方法也普遍存在。这些方法中图像预处理也是必不可少的。

若仅按照是否需要样本进行特征训练，缺陷检测方法可分为两大类，一类是监督检测，检测产品需先验经验，在提取合格品与缺陷样本的特征基础上，利用机器学习算法，如k近邻、决策树、支持向量机、Logistic回归、自组织映射等监督学习算法对特征进行训练，得到缺陷分类器以对产品表面图像提取特征后进行缺陷判断。另一类是非监督检测，无先验知识，无需检测产品的训练样本而直接对产品的单幅进行缺陷检测。

目前已有的缺陷检测专利包括：专利201210092225提供了一种晶圆表面缺陷检测方法；专利201210065030通过一种模糊识别分类器将铜带表面上的缺陷进行分类，但前提是必须先获得铜带上的缺陷，而这个任务本身是很困难的，该发明并没有给出如何检测出缺陷的方法；专利201210086505利用激光相干性、方向集中和高分辨率的特性，结合光机电一体化以及图像算法的方法进行晶硅抛光片表面质量的检测，实现了晶硅抛光片表面细小裂纹、细小颗粒、沾污、凸凹等缺陷的检测。专利201010534162也提供了一种晶圆表面的缺陷检测方法；专利201010266622提出了一种玻璃划伤缺陷检测方法及其装置；专利200710066671提出了一种微小轴承表面的缺陷进行检测的方法及装置；专利201210101070提出了一种基于印刷质量在线检测的卷盘烟标生产系统及缺陷处理方法。

综上所述，目前已有的缺陷检测算法都只是针对某种特定的物体表面或特定的某类缺陷进行检测。但是，工业产品表面缺陷的产生多种多样，具有不确定性，无规则可循，传统的产品缺陷检测算法只能检测一种材质表面的缺陷，不同的产品表面需要设计开发不同的算法，系统开发周期长，灵活性差。

发明内容

本发明利用子图像灰度差、彩色直方图、像素均匀度作为特征，通过机器学习得到获得平均的合格品图像特征，即理想的合格品特征，并于在线检测阶段计算待检测产品的上述图像特征，设定简单的阈值将缺陷快速分割出来，确定检测产品有无缺陷。最后，本发明综合上述三种特征的检测结果作最终判断，提高了产品检测的稳定性，同时能够满足不同材质的多种工业产品表面缺陷检测的需求。

为了解决现有技术中问题，本发明提供了一种基于机器视觉的多类型材质表面缺陷检测方法，

步骤1：图像采集：

对产品表面进行拍摄，获得图像后进行特征计算；

步骤2：位置对齐：

对获取的图像进行位置对齐，获得位姿一致性的图像；

步骤3：特征计算：

步骤3.1计算子图像灰度差：首先将彩色图像转化为灰度图像，在灰度图像中计算子图像的灰度差特征；

步骤3.2彩色直方图：根据图像的彩色图像的RGB模型中三个通道中像素值的分布来描述的彩色直方图特征；