一种滤光片表面缺陷的分离细化智能检测方法
【专利摘要】本发明公开了一种滤光片表面缺陷的分离细化智能检测方法，该方法包括：拍摄滤光片图像，对滤光片图像进行边缘检测，得到边缘图像；所述边缘图像包含滤光片外缘边缘；提取滤光片外缘边缘，检测滤光片外形尺寸；将滤光片外缘边缘包围的目标区域平均分成多块，判断多块灰度平均值之间的标准偏差值是否小于标准偏差阈值，如果是，判断边缘图像中是否存在尺寸无关表面缺陷边缘，否则判定为膜色不均缺陷；存在尺寸无关表面缺陷边缘则提取缺陷ROI，计算缺陷ROI特征值，并将所述特征值输入不同分类器中提取不同类型的缺陷参数值；否则为无表面缺陷滤光片。本发明能快速、有效地实现滤光片表面缺陷的智能检测与识别。
【专利说明】一种滤光片表面缺陷的分离细化智能检测方法
【技术领域】
[0001]本发明涉及滤光片表面缺陷检测与识别【技术领域】，尤其涉及一种将滤光片表面缺陷的检测对象进行分离与逐级细化的检测与识别方法。
【背景技术】
[0002]光学薄膜滤光片广泛应用于光通信、激光技术、光学成像与检测等领域，在微型摄像头、生物医学仪器、先进激光系统中起着重要作用。如光通信领域中滤光片不仅是波分复用系统的关键器件，还用于增益平坦、全光上下话路、波长开关；光电产品中，每一个手机摄像头须配备一片滤光片。国内、国际市场对滤光片的需求巨大，国内仅手机摄像头滤光片的年需求量就有700，000, 000片。
[0003]对滤光片的检测包括光谱检测及表面缺陷检测，其中表面缺陷目前普遍采用人工逐片检测的方法，在强光照射下通过显微镜观察作出判断，劳动强度大，无法实现在线检测。视觉检测通过摄像机拍摄被测物图像，利用图像处理等技术能够实现对滤光片表面缺陷的在线智能检测，不仅保证每片滤光片的检测精度，还用于统计各类缺陷出现的概率，进行质量控制。
[0004]目前产品缺陷的自动检测对象多为钢板、焊缝等，主要步骤包括图像采集与缺陷检测、缺陷特征参数选择、缺陷识别与分类。其中特征参数选择即选取一组对各类缺陷区分能力最强的参数作为特征参数；缺陷识别与分类即根据某个缺陷的特征参数取值判断其类另O，通常由分类器完成。分类器判定的缺陷类别越多，所须特征参数的数量随之增多，分类器结构及分类算法越复杂，误判率升高。以BP神经网络分类器为例，该网络分为输入层、隐含层、输出层，其中输入层的神经元数量η等于特征参数个数；输出层神经元数量m与缺陷类别个数有关，类别较少时等于类别个数；隐含层的神经元数量nl与n、m之间的经验关系
满足n,[刘怀广.浮法玻璃缺陷在线识别算法的研究及系统实现.华中科技大学
博士.2011.]。可见缺陷类别越多BP神经网络各层神经元越多，而神经元数量决定了 BP网络的复杂度。因此同等条件下二分类器(识别两个类别)的性能优于多分类器(识别两个以上类别)，应优先选用二分类器[汪云云.结合先验知识的分类器设计研究.南京航空航天大学博士.2011.]。
[0005]滤光片表面缺陷检测对象包括外形尺寸、斜切缺陷、膜色不均缺陷、崩缺陷、划伤缺陷、点缺陷、斑印缺陷。若滤光片的各类缺陷统一采用一个分类器进行识别，必然导致算法复杂、分类耗时长，难以保证分类正确率。分析滤光片的各类缺陷，发现它们具有如下特点:斜切缺陷导致外形尺寸不合格；膜色不均缺陷导致滤光片各区域内的颜色存在明显差别；崩缺陷与划伤缺陷的共同点是缺陷区域狭长，不同点是崩缺陷出现在滤光片外边缘处、划伤缺陷出现在滤光片中间区域；点缺陷与斑印缺陷的共同点是缺陷区域为矩形，不同点是点缺陷覆盖面积小、斑印缺陷覆盖面积大。
【发明内容】
[0006]为解决上述技术问题，本发明的目的是提供一种滤光片表面缺陷的分离细化智能检测方法，该方法针对滤光片表面缺陷检测对象的特点，依次分离外形尺寸等检测任务，再利用结构简单、性能优良的二分类器处理其余缺陷，逐级细化识别缺陷类型，实现对滤光片表面缺陷的智能检测。
[0007]本发明的目的通过以下的技术方案来实现:
[0008]一种滤光片表面缺陷的分离细化智能检测方法，包括:
[0009]A拍摄滤光片图像，对滤光片图像进行边缘检测，得到边缘图像；所述边缘图像包含滤光片外缘边缘；
[0010]B提取滤光片外缘边缘，检测滤光片外形尺寸；
[0011]C将滤光片外缘边缘包围的目标区域平均分成多块，判断多块灰度平均值之间的标准偏差值是否小于标准偏差阈值，如果是，执行步骤D，否则判定为膜色不均缺陷；
[0012]D判断边缘图像中是否存在尺寸无关表面缺陷边缘，如果是，执行步骤E，否则为无表面缺陷滤光片；
[0013]E提取缺陷R0I，计算缺陷ROI特征值，并将所述特征值输入不同分类器中提取不同类型的缺陷参数值。
[0014]与现有技术相比，本发明的一个或多个实施例可以具有如下优点:
[0015]从滤光片表面缺陷检测对象中依次分离外形尺寸等部分检测任务，每次针对一项任务进行检测，简化了算法；其余缺陷利用二分类器逐级细化识别，从而简化分类器结构、优化分类性能；通过对检测对象的分离与细化，避免采用一个分类器统一识别时导致的算法复杂、耗时长、分类正确率难以保证的问题。通过本发明能快速、有效地实现滤光片表面缺陷的智能检测与识别。
【专利附图】
【附图说明】
[0016]附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中:
[0017]图1是滤光片表面缺陷的分离细化智能检测方法流程图。
【具体实施方式】
[0018]容易理解，根据本发明的技术方案，在不变更本发明的实质精神下，本领域的一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下【具体实施方式】以及附图仅是本发明的技术方案的具体说明，而不应当视为本发明的全部或者视为本发明技术方案的限定或限制。
[0019]下面结合实施例及附图对本发明作进一步详细的描述。
[0020]图1是滤光片表面缺陷的分离细化智能检测方法，该方法包括:
[0021]步骤101拍摄滤光片图形，进行边缘检测，得到边缘图像；
[0022]上述边缘图形中必定包含滤光片外缘边缘；当滤光片存在尺寸无关表面缺陷，即膜色不均缺陷、划伤缺陷、崩缺陷、斑印缺陷或点缺陷时，上述边缘图像中还包含尺寸无关表面缺陷边缘。
[0023]步骤102提取滤光片外缘边缘，检测滤光片外形尺寸；[0024]边缘图像中滤光片外缘边缘包围尺寸无关表面缺陷边缘，根据边缘出现位置实现从边缘图像中提取滤光片边缘边缘，完成滤光片外形尺寸检测。
[0025]步骤103判断滤光片外形尺寸是否满足公差要求，满足要求执行步骤104，否则判定为斜切缺陷。
[0026]步骤104将滤光片图像中由滤光片外缘边缘包围的目标区域平均分为9块，计算9块灰度平均值之间的标准偏差；
[0027]所述目标区域平均分为9块即将目标区域分为3行3列，当目标区域由M行XN列像素组成时，分别以m及Am表示M/3的整数部分及余数，η及Λ η表示Ν/3的整数部分及余数，将所述目标区域分为9块时位于第1、2行的块均含m行像素，位于第3行的块均含m+Am行像素，位于第1、2列的块均含η列像素，第3列的块均含η+ Λ η列像素。
[0028]步骤105判断9块灰度平均值之间的标准偏差是否小于标准偏差阈值，如果小于标准偏差阈值执行步骤106，否则判定为膜色不均缺陷。
[0029]步骤106判断是否存在尺寸无关表面缺陷边缘，如果是，执行步骤107，否则判定为无表面缺陷滤光片；
[0030]上述边缘图像中判断是否存在尺寸无关表面缺陷边缘的方法包括:在上述步骤102已提取出滤光片外缘边缘，将滤光片外缘边缘在所述边缘图像中除去滤光片外缘边缘后若还存在边缘，即判定为存在尺寸无关表面缺陷边缘，否则判定为不存在尺寸无关表面缺陷边缘。
[0031]步骤107提取每个尺寸无关表面缺陷边缘的外接矩形，形成缺陷R0I，计算缺陷ROI 的 Curve-Rectangle 特征值；
[0032]上述缺陷ROI的Curve-Rectangle特征值是将尺寸无关表面缺陷分为划伤_崩、斑印-点两种类型时的特征参数的取值。
[0033]步骤108将上述步骤107计算的缺陷ROI的Curve-Rectangle特征值输入Curve-Rectangle分类器,判定尺寸无关表面缺陷在划伤-崩、斑印_点中的类别；
[0034]上述划伤-崩类型将划伤缺陷与崩缺陷合并起来作为所述Curve-Rectangle分类器的第一种输出类型，所述斑印-点类型将斑印缺陷与点缺陷合并起来作为所述Curve-Rectangle分类器的第二种输出类型。
[0035]步骤109将步骤108判定为划伤-崩类型的缺陷ROI的Scratch-Broken特征值输入Scratch-Broken分类器,判定为划伤_崩的尺寸无关表面缺陷在划伤缺陷、崩缺陷中的类型；
[0036]上述缺陷ROI的Scratch-Broken特征值是将所述划伤_崩类型分为划伤缺陷、崩缺陷时的特征参数的取值。
[0037]步骤110将上述步骤108判定为斑印-点的缺陷ROI的Mark-Point特征值输入Mark-Point分类器，判定为斑印-点的尺寸无关表面缺陷在斑印缺陷、点缺陷中的类型；
[0038]所述缺陷ROI的Mark-Point特征值是将所述斑印_点类型分为斑印缺陷、点缺陷时的特征参数的取值。
[0039]步骤111输出滤光片表面缺陷检测结果。
[0040]滤光片表面缺陷的分离细化智能检测实验在100片含斜切、膜色不均、划伤、崩、斑印、点缺陷及无表面缺陷的滤光片图像中进行，利用上述步骤101?步骤111进行表面缺陷检测，选取缺陷ROI的Curve-Rectangle特征参数为缺陷长短径比及偏心率,选取缺陷ROI的Scratch-Broken特征参数为质心相对坐标及欧拉数,选取缺陷ROI的Mark-Point特征参数为缺陷面积，Curve-Rectangle分类器、Scratch-Broken分类器及Mark-Point分类器均采用Matlab工具箱中的支持向量机，实验结果是滤光片表面缺陷的检测与识别正确率为100%。
[0041]虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属【技术领域】内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
【权利要求】
1.一种滤光片表面缺陷的分离细化智能检测方法，其特征在于，所述方法包括: A拍摄滤光片图像，对滤光片图像进行边缘检测，得到边缘图像；所述边缘图像包含滤光片外缘边缘； B提取滤光片外缘边缘，检测滤光片外形尺寸； C将滤光片外缘边缘包围的目标区域平均分成多块，判断多块灰度平均值之间的标准偏差值是否小于标准偏差阈值，如果是，执行步骤D，否则判定为膜色不均缺陷； D判断边缘图像中是否存在尺寸无关表面缺陷边缘，如果是，执行步骤E，否则为无表面缺陷滤光片； E提取缺陷ROI，计算缺陷ROI特征值，并将所述特征值输入不同分类器中提取不同类型的缺陷参数值。
2.根据权利要求1所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于，步骤B中提取滤光片外缘边缘，所述滤光片外缘边缘包围尺寸无关表面缺陷边缘，根据边缘位置从所述边缘图像中提取滤光平片外缘边缘； 所述步骤B还包括判断滤光片外形尺寸是否满足公差要求，如果是，执行上述步骤C ；否则判定为斜切缺陷。
3.根据权利要求1所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于，所述步骤E具体包括: 提取每个尺寸无关表面缺陷边缘的外接矩形，形成缺陷R0I，计算缺陷ROI的Curve-Rectangle 特征值； 将缺陷ROI的Curve-Rectangle特征值输入Curve-Rectangle分类器,判定尺寸无关表面缺陷的类型； 将所述Curve-Rectangle分类器判定的不同类型尺寸无关表面缺陷的特征值分别输入不同的分类器；判定尺寸无关表面缺陷在类型组中的具体类型。
4.根据权利要求3所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于，所述将缺陷ROI的Curve-Rectangle特征值输入Curve-Rectangle分类器,判定的尺寸无关表面的缺陷类型包括划伤-崩类型和斑印-点类型。
5.根据权利要求3或4所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于， 将所述Curve-Rectangle分类器判定为划伤-崩类型的缺陷ROI的Scratch-Broken特征值输入Scratch-Broken分类器,判定为划伤_崩的尺寸无关表面缺陷在划伤缺陷、崩缺陷中的类型； 将所述Curve-Rectangle分类器判定为斑印-点类型的缺陷ROI的Mark-Point特征值输入Mark-Point分类器，判定为斑印-点的尺寸无关表面缺陷在斑印缺陷、点缺陷中的类型。
6.根据权利要求5所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于，所述 缺陷ROI的Scratch-Broken特征值是将所述划伤-崩类型分为划伤缺陷、崩缺陷时的特征参数的取值； 缺陷ROI的Mark-Point特征值是将所述斑印-点类型分为斑印缺陷、点缺陷时的特征参数的取值。
7.根据权利要求6所述的滤光片表面缺陷的分离细化智能检测方法，其特征在于，根据划伤缺陷、 崩缺陷、斑印缺陷和点缺陷的特征参数的取值，输出滤光片表面缺陷检测结果ο
【文档编号】G01B11/00GK103759644SQ201410033503
【公开日】2014年4月30日 申请日期:2014年1月23日 优先权日:2014年1月23日
【发明者】王小辉, 卫红, 曹一鸣 申请人:广州市光机电技术研究院