一种大功率LED模组封装缺陷的检测方法及应用

本发明涉及led模组缺陷检测技术领域，具体涉及一种大功率led模组封装缺陷的检测方法及应用。

背景技术：

led封装在向高集成度、高可靠性、高亮度发展，封装过程中焊线连接质量决定了后续led是否能够正常发光，而封装后荧光粉胶层是否均匀更是直接影响了led发光品质。为了提升led产品品质，要及时剔除掉焊线断裂、移位等有缺陷的led芯片，和led荧光粉涂层不均匀的产品，所以对led芯片引线的缺陷检测和涂覆后表面均匀度检测至关重要。

目前对于封装过程中的焊线质量检测和荧光粉层均匀度大都通过人工辅助显微镜等工具肉眼观察，长时间工作后容易视觉疲劳，影响检测精度，并且人工方式效率低下，需要一种更高效的检测方法。

技术实现要素：

为了克服现有技术存在的缺陷与不足，本发明提供一种大功率led模组封装缺陷的检测方法。本发明利用自动化检测装置，极大地提升了检测效率和检测精度；本发明的检测方法将原始rgb图像转换到hsi颜色模型上，针对不同的检测问题，提取不同的分量进行处理，提高检测精度，减小计算量。在传统的retinex算法上进行改进，在图像域中进行分解，而不进行对数变换预处理，克服了图像中由于采用对数变换引起的细节缺失。

本发明的第二目的在于提供一种大功率led模组封装缺陷的检测系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

一种大功率led模组封装缺陷的检测方法，包括焊线缺陷检测步骤和荧光粉胶均匀度检测步骤；

所述焊线缺陷检测步骤包括：

获取焊线完成后的led图像；

对所获得的led图像转换为hsi模型，取i分量基于变分retinex模型进行图像增强；

进行图像预处理，包括图像去噪和二值化；

采用canny算子对图像焊线轮廓进行特征识别；

将待测板与标准板进行图像配准，将待测板和标准板的二值图像做差值运算，检测是否存在缺陷；

若存在缺陷，对缺陷部分进行形态学操作，利用canny算子得到缺陷轮廓，标记缺陷部分；

所述荧光粉胶均匀度检测步骤包括：

获取待检测的led图像，对所获得的led图像转换为hsi模型，取h分量和s分量之和基于变分retinex模型进行图像增强；

进行图像预处理，包括图像去噪和二值化；

将待测板与未贴上荧光粉胶的标准板进行图像配准，图像做差值运算，得到荧光粉分布特征；

利用霍夫圆检测确定每个cob模组位置，计算圆内灰度值标准差，判定低于设定标准值的则为缺陷模块，标记缺陷部分。

作为优选的技术方案，所述对所获得的led图像转换为hsi模型，具体步骤包括：

将led图像进行反色处理，并转换到hsi颜色空间上，转换公式表示为：

其中，h表示色调，s表示饱和度，i表示亮度。

作为优选的技术方案，所述变分retinex模型具体表示为：

其中，光照l是空间光滑的，反射r是分段平滑的，i表示采集到的图像，r和l满足约束0＜τ≤r≤1,l≥i，λ1和λ2是正参数；

输入图像i取i分量时，retinex变分模型对i分量进行估计；

输入图像i取h分量和s分量之和时，retinex变分模型对h、s分量之和构建的颜色特征进行估计；

所述变分retinex模型输出增强后的分量。

作为优选的技术方案，所述变分retinex模型采用交替方向乘子法求解，具体步骤包括：

mine(r,l)的增广拉格朗日函数为：

其中，λu,λv,λp,λq是拉格朗日乘子，σi≥0,i＝1,2,3,4为惩罚参数；

交替方向乘子法从最小化得到，最小化时，每次固定一个变量，其他变量使用前一次的迭代结果，具体计算步骤为：

soft(u,a)＝sign(u)max{|u|-a,0}

其中，表示梯度的转置，和表示在凸集合{r|0＜τ≤r≤1},{l|l≥i}上的投影，即和上标k+1表示第k+1次迭代时的相应参量的取值，soft表示软阈值算子。

作为优选的技术方案，还包括伽马校正步骤，对变分retinex模型输出增强后的分量进行伽马校正，具体表示为：

其中，γ为校正参数，r表示变分retinex模型输出的增强后的分量。

作为优选的技术方案，所述图像去噪采用中值滤波，具体表示为：

g(x,y)＝median{f(x-i,y-i)}

其中，(i,j)∈w，f(x-i,y-i)为滤波前图像中一点的像素值，g(x,y)为目标图像进行中值滤波后得到的该点像素值。

作为优选的技术方案，所述采用canny算子对图像焊线轮廓进行特征识别，具体步骤包括：

采用高斯滤波去除图像噪声，采用高斯函数分布对x、y方向求一阶偏导数，结果再与图像分别进行卷积计算得到p(i,j)和q(i,j)；

计算梯度方向θ(i,j)和幅值s(i,j)，具体公式如下：

对图像进行非极大值抑制：通过计算每一像素点梯度方向相邻两个像素点的梯度幅值，然后同该像素点梯度幅值比较，若该点幅值最大，则为轮廓像素点，反之作为候选轮廓点；

通过双阈值法对候选轮廓点进行判断，设置高、低两个阈值，若候选点梯度幅值高于高阈值，则为轮廓像素点，若候选点低于低阈值，则不为轮廓点；若处于高、低阈值之间，则往下寻找该点邻域像素点是否为轮廓点，是则保留该候选点。

为了达到上述第二目的，本发明采用以下技术方案：

一种大功率led模组封装缺陷的检测系统，包括：图像采集装置、缺陷检测装置和结果显示装置；

所述缺陷检测装置包括焊线缺陷检测模块和荧光粉胶均匀度检测模块；

所述图像采集装置用于采集led图像；

所述焊线缺陷检测模块用于将获得的led图像转换为hsi模型，取i分量基于变分retinex模型进行图像增强，进行图像预处理，采用canny算子对图像焊线轮廓进行特征识别，将待测板与标准板进行图像配准，将待测板和标准板的二值图像做差值运算，检测是否存在缺陷；

所述荧光粉胶均匀度检测模块用于将获得的led图像转换为hsi模型，取h分量和s分量之和基于变分retinex模型进行图像增强，进行图像预处理，将待测板与未贴上荧光粉胶的标准板进行图像配准，图像做差值运算，得到荧光粉分布特征，利用霍夫圆检测确定每个cob模组位置，计算圆内灰度值标准差，判定低于设定标准值的则为缺陷模块，标记缺陷部分；

所述结果显示装置用于对缺陷部分进行形态学处理，输出缺陷标记结果。

为了达到上述第三目的，本发明采用以下技术方案：

一种存储介质，存储有程序，所述程序被处理器执行时实现如上述大功率led模组封装缺陷的检测方法。

为了达到上述第四目的，本发明采用以下技术方案：

一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述大功率led模组封装缺陷的检测方法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明基于hsi颜色空间，采用retinex变分模型，对图像的h、s、i分量进行增强，针对不同的检测问题，选取不同的分量进行处理、识别缺陷，完成大功率led模组焊线的缺陷检测和led模组荧光粉胶均匀度检测，实现自动化检测，极大地提升了检测效率和检测精度。

(2)本发明所提出的方法将原始rgb图像转换到hsi颜色模型上，针对不同的检测问题，提取不同的分量进行处理，提高检测精度，减小计算量。

(3)现有的retinex算法是对彩色图像的rgb分量分别进行增强，在对数域上处理，而本发明是在hsi颜色空间上进行处理，克服了图像中由于采用对数变换引起的细节缺失，经过增强后的图像细节更加清晰。

附图说明

图1为本发明缺陷检测系统示意图；

图2为本发明焊线缺陷检测方法的流程示意图；

图3为本发明荧光粉均匀度检测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本实施例提供一种大功率led模组封装缺陷的检测系统，包括：图像采集装置、缺陷检测装置、结果显示装置；

图像采集装置：由摄像机和光源组成，将摄像机镜头竖直朝下，使镜头照射方向可以和待测物体表面呈垂直角度。

在本实施例中，图像采集部分摄像头采用工业ccd数字相机，光源用led白光照明，克服环境亮度不够的情况。

缺陷检测装置：接收拍摄采集到的图像，将原始图像转换到hsi颜色空间模型上，针对不同的检测问题，取不同的分量基于变分retinex算法进行图像增强、预处理和特征识别，最后同标准板做差值运算，确定是否存在缺陷，获取缺陷位置。

缺陷检测装置包括焊线缺陷检测模块和荧光粉胶均匀度检测模块；

焊线缺陷检测模块用于将获得的led图像转换为hsi模型，取i分量基于变分retinex模型进行图像增强，进行图像预处理，采用canny算子对图像焊线轮廓进行特征识别，将待测板与标准板进行图像配准，将待测板和标准板的二值图像做差值运算，检测是否存在缺陷；

荧光粉胶均匀度检测模块用于将获得的led图像转换为hsi模型，取h分量和s分量之和基于变分retinex模型进行图像增强，进行图像预处理，将待测板与未贴上荧光粉胶的标准板进行图像配准，图像做差值运算，得到荧光粉分布特征，利用霍夫圆检测确定每个cob模组位置，计算圆内灰度值标准差，判定低于设定标准值的则为缺陷模块，标记缺陷部分；

结果显示装置：对缺陷部分进行形态学处理，输出缺陷标记结果。

实施例2

本实施例提供一种大功率led模组封装缺陷的检测方法，包括焊线缺陷检测步骤和荧光粉胶均匀度检测步骤，用于检测led模组上焊线缺陷和led模组荧光粉胶是否均匀，本实施例的检测对象为大功率cob-led模组。

s1：如图2所示，进行焊线缺陷检测，具体包括下述步骤：

s11：通过摄像设备获取焊线完成后的led图像；

s12：对所获得的图像转换为hsi模型，取i分量基于变分retinex模型进行图像增强；

s121：在本实施例中，将原始的rgb图像先进行反色处理，再将其转换到hsi颜色空间上，转换公式如下所示：

其中，h表示色调，s表示饱和度，i表示亮度；

s122：假定光照l是空间光滑的，反射r是分段平滑的，i表示采集到的图像，r和l满足约束0＜τ≤r≤1,l≥i，基于该假设，提出retinex变分模型：

其中，λ1和λ2是正参数，上述retinex变分模型中，第一项为l2数据保真相，使得r·l和i相接近；第二项是全变分正则项，保证r分段光滑性；第三项是h¹正则性，保证l空间光滑性。

输入图像i仅取i分量，retinex变分模型通过对图像的反射分量进行估计，即对i分量进行估计；

s123：采用交替方向乘子法求解retinex变分模型，将多个变量的最优化问题进行分解，逐一求解单个优化问题，简化求解难度。

在本实施例中，为便于运算，将模型等价变换为：

其中，n1(r)和n2(l)表示在约束集合{r|0＜τ≤r≤1},{l|l≥i}上的指示函数，u＝r,v＝l,

mine(r,l)的增广拉格朗日函数为：

其中，λu,λv,λp,λq是拉格朗日乘子，σi≥0,i＝1,2,3,4为惩罚参数。

retinex变分模型采用交替方向乘子法进行迭代，交替方向乘子法从最小化得到，最小化时，每次固定一个变量，其他变量使用前一次的迭代结果，具体计算步骤为：

其中，表示梯度的转置，和表示在凸集合{r|0＜τ≤r≤1},{l|l≥i}上的投影，即和上标k+1表示第k+1次迭代时的相应参量的取值；

soft为软阈值算子，为：

soft(u,a)＝sign(u)max{|u|-a,0}

基于retinex变分模型图像增强过程为：

输入i，迭代次数n>0，设置λ1,λ2,σ1,σ2,σ3,σ4＞0，设置停止参数∈＞0

初始化为与输入i大小相同的0矩阵；

通过交替方向乘子法进行retinex变分模型循环迭代，更新r^k,l^k,u^k,v^k,p^k,q^k,

当满足停止条件时迭代k次后的反射分量r^k，由于此处是对i分量进行估计，所以输出的就是重构后的i分量，即增强后的i分量；

停止条件为：

对增强后的分量(即增强后的i分量)进行伽马校正，按下式计算：

其中，γ为校正参数。

s13：进行图像预处理，包括图像去噪和二值化；

本实施例图像去噪采用中值滤波，其数学表达式如下所示：

g(x,y)＝median{f(x-i,y-i)},(i,j)∈w

其中，f(x-i,y-i)为滤波前图像中一点的像素值，g(x,y)为目标图像进行中值滤波后得到的该点像素值。

s14：用canny算子对图像焊线轮廓进行特征识别；

canny算子提取图像边缘具体步骤包括：

高斯滤波去除图像噪声，用高斯函数分布对x、y方向求一阶偏导数，结果再与图像分别进行卷积计算得到p(i,j)和q(i,j)。

计算梯度方向θ(i,j)和幅值s(i,j)，具体公式如下：

对图像进行非极大值抑制：通过计算每一像素点梯度方向相邻两个像素点的梯度幅值，然后同该像素点梯度幅值比较，若该点幅值最大，则为轮廓像素点；反之作为候选轮廓点；

通过双阈值法对候选轮廓点进行判断，设置高、低两个阈值，若候选点梯度幅值高于高阈值，则为轮廓像素点；若候选点低于低阈值，则不为轮廓点；若处于高、低阈值之间，则往下寻找该点邻域像素点是否为轮廓点，是则保留该候选点。

s15：将待测板与标准板进行图像配准，然后将待测板和标准板的二值图像做差值运算，检测是否存在缺陷，差值运算后，还存在的像素点就是缺陷部分；

s16：若存在缺陷，对缺陷部分进行形态学操作，形态学操作包括腐蚀和膨胀，再利用canny算子得到缺陷轮廓，标记缺陷部分。

s2：如图3所示，进行荧光粉胶均匀度检测，具体包括下述步骤：

s21：通过摄像设备获取待检测的led图像；

s22：对所获得的图像转换为hsi模型，取h分量和s分量之和基于变分retinex模型进行图像增强；本实施例的输入图像i取h、s分量之和构建的新的颜色特征，retinex模型通过对图像的反射分量进行估计，此时就是对新的颜色特征进行估计，具体的图像增强步骤与上述取i分量的步骤相同，只是此步骤下的retinex变分模型通过对图像的反射分量进行估计时，采用的是增强后的h、s混合分量；

s23：进行图像预处理，包括图像去噪和二值化；

s24：将待测板与未贴上荧光粉胶的标准板进行图像配准，然后将它们做差值运算，得到荧光粉分布特征；

在本实施例中，差值运算后剩下的像素点即为荧光粉胶的像素值，观察这部分像素分布就是荧光粉分布特征，因为大功率led模组是一块矩形板上放的圆形的cob模组，只需要检测cob模组内荧光粉是否均匀，利用霍夫圆检测确定cob模组的范围；

s25：利用霍夫圆检测确定每个cob模组位置，然后计算圆内灰度值标准差，低于标准值的则为缺陷模块，标记缺陷部分。

在本实施例中，采用opencv的霍夫圆检测函数确定每个cob模组位置。

实施例3

本实施例提供一种存储介质，存储介质可以是rom、ram、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，程序被处理器执行时，实现实施例2的大功率led模组封装缺陷的检测方法。

实施例4

本实施例提供一种计算设备，该计算设备可以是台式电脑、笔记本电脑、智能手机、pda手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例2的大功率led模组封装缺陷的检测方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。