一种基于机器视觉的柱状二极管表面缺陷检测装置的制造方法
【技术领域】
[0001] 本发明设及一种用于柱状二极管表面缺陷检测的硬件装置及软件方法。
【背景技术】
[0002] 目前，机器视觉的被测对象大都是平面结构，形状和纹理的一致性很高，比如SMT 表面贴装、晶片的缺陷检测等。随着自动化程度的进一步提高，对视觉系统的适应性提出更 高的要求，需要更多优秀的特征算子和基于机器学习的分类器，W保证系统对复杂对象有 一个更全面和智能的学习和认识。
[0003] 对于立体结构对象来说，表面纹理分布于四周，缺陷的空间位置、形状特征和灰度 特征的不确定性很大，而且可能出现正常纹理与缺陷相混，不同缺陷相混的情况，增大了图 像分割和特征提取的难度。
[0004] 对于该种S维对象，目前有两种解决方案，第一种是基于图像分析的平面视觉；第 二种是基于=维建模的重构技术。前者的检测难度较大，更多的是检测侧面外形缺陷和少 数纹理缺陷，若要进行完整检测，需要增加工业相机的数量，成本很高。后者又细分为两类 方法，分别是基于图像的方法和基于几何的方法，基于图像的单目/双目立体视觉不太成 熟，耗时较长，不适合实时性在线检测。基于几何的激光扫描可W获取对象的深度数据来建 立=维模型，精度和实时性都很高，缺点是丢失了纹理信息，成本较高。
[0005] 相对于平面对象来说，S维对象包含了更多复杂的信息，而且受到光照不均匀、深 度信息不一致、局部图像崎变等不利因素。该种视觉系统的开发就不能简单的按照灰度进 行图像分割，也不能简单的按照灰度、形状特征进行特征提取，而是要考虑包括边缘、纹理 等更多的信息，该样才能对=维对象有更全面、准确的描述。如何利用平面视觉对=维对象 进行检测和识别是机器视觉一个重要应用方向。
【发明内容】
[0006] 本发明的目的是提供一种利用平面视觉对柱状二极管进行检测和识别的装置。
[0007] 为了达到上述目的，本发明的技术方案是提供了一种基于机器视觉的柱状二极管 表面缺陷检测装置，其特征在于，包括用于传输二极管的传送带，在传送带的上方设有用于 拍摄二极管正面图像的工业相机一，在传送带的下方设有用于拍摄二极管背面图像的工业 相机二，传送带分别与工业相机一和二之间安放特定空间角度和照明方式的条形散射光 源，工业相机一及工业相机二均连接电脑，电脑连接驱动单元，驱动单元与剔除装置相连， 剔除装置用于剔除经工业相机一及工业相机二拍摄后检验不合格的柱状二极管，其中，电 脑对工业相机一及工业相机二拍摄到的原始图像做如下处理：
[000引步骤1、利用双射线管体分割算法从原始图像中分割出柱状二极管的管体；
[0009] 步骤2、利用设限最大类间方差法二值化及闭运算对步骤1分割得到的管体进行 预处理；
[0010] 步骤3、在笔画宽度转换的基础上增加两条与梯度方向呈±45°的射线去计算笔 画宽度，通过计算每个边缘点梯度方向上的笔画宽度将文字和边缘弥散光区域从管体上分 割出来；
[0011] 步骤4、遍历去除文字和边缘弥散光区域的管体所包含的各区域的轮廓，分别计算 各区域的面积，若某区域的面积大于事先设定的阔值，则将该区域设定为缺陷感兴趣区域， 若没有找到面积大于阔值的区域，则返回步骤1对下一个柱状二极管进行计算；
[0012] 步骤5、提取缺陷感兴趣区域的形状和纹理特征；
[0013] 步骤6、基于决策树分类，利用步骤5提取到的特征对缺陷感兴趣区域所属的缺陷 类别进行判定。
[0014] 优选地，所述步骤1的具体步骤为：
[0015] 分别绘制两条射线，根据管体的边缘信息确定管体直角点的粗略感兴趣区域，然 后在粗略感兴趣区域内进行角点检测，最后确定管体的两个相对的直角点，从而将管体从 原始图像中分割出来。
[0016] 优选地，所述步骤5中的特征包括；缺陷感兴趣区域的平均灰度，缺陷感兴趣区域 的空间边缘方向直方图，缺陷感兴趣区域的环状度，缺陷感兴趣区域的模式化梯度方向，缺 陷感兴趣区域的梯度幅值直方图特征算子。
[0017] 优选地，所述步骤6包括：
[001引步骤6. 1、判断缺陷感兴趣区域的平均灰度是否大于设定阔值，若是，则缺陷感兴 趣区域为高灰度感兴趣区域，进入步骤6. 2,若否，则缺陷感兴趣区域为低灰度感兴趣区域， 进入步骤6. 3 ;
[0019] 步骤6. 2、基于欧氏距离，利用缺陷感兴趣区域的空间边缘方向直方图及环状度， 判断当前柱状二极管的缺陷属于露白胶或属于侧面缺陷；
[0020] 步骤6. 3、基于BP神经网络分类，利用缺陷感兴趣区域的梯度幅值直方图特征算 子，判断当前柱状二极管的缺陷属于片状印染或属于内部缺陷。
[0021] 本发明有益效果是；通过光源合适的安放方式和照明方式得到受光均匀、低反光 的高清图像；通过双射线分割法很好地将管体分割出来；通过改进型SWT很好地将缺陷ROI 分割出来；通过外形特征和基于HPG的纹理特征提取，更有效地将缺陷ROI进行分类。
【附图说明】
[002引图1是封装D0-41外形尺寸示意图；
[0023] 图2是机器视觉系统方框图；
[0024] 图3是机器视觉系统结构示意图；
[0025] 图4是条形光源安放示意图，其中，（a)条形光源外形；化）侧视图；（C)俯视图；
[0026] 图5是缺陷检测算法流程图；
[0027] 图6是双射线法管体分割示意图；
[002引图7是SWT笔画宽度法示意图；
[0029] 图8(a)是梯度方向的8种模式示意图；图8化）是模式1的示意图；
[0030] 图9是按特征二次划分后的决策树分类器结构图。
【具体实施方式】
[0031] 为使本发明更明显易懂，