机器视觉有助于解决表面缺陷

半导体

检测产品表面缺陷，例如变色，灼伤，裂缝和划痕，对于人类或机器视觉来说是一项艰巨的任务。这些缺陷可能具有随机形状和低对比度，并且经常被产品的天然表面纹理或图案遮挡。利用机器视觉检测这些缺陷需要了解缺陷的外观，注意照明，相机分辨率和部件显示以及复杂的机器视觉算法。

我们通过直观和通过培训了解这些缺陷的外观来检测表面缺陷。例如，划痕通常表现为一系列直线或轻微弯曲的线段，我们使用我们的“格式塔”能力下意识地连接成一条线。对于机器视觉，这些能力必须通过视觉算法来近似。

照明在表面缺陷检测中尤其重要，因为这些缺陷通常具有低对比度，适当的照明可以放大。对于提高平面高度的缺陷，尝试低角度照明以“照亮”凸起区域的边缘。对于平坦的缺陷，或在曲面上寻找缺陷时，请尝试漫射光。

相机和镜头必须在裂缝或划痕上以三个像素或更多像素成像。有时需要多个摄像机或踩踏零件以检查具有所需分辨率的零件的整个表面。因为我们正在寻找小缺陷，所以零件表面保持清晰对焦非常重要。当零件表面弯曲时，这可能是一个挑战。

阴影校正

通过清晰的好的和有缺陷的部件图像，您可以尝试各种机器视觉算法。包含此类算法的软件可以轻松尝试不同的解决方案，并且可用于检测裂缝和划痕。

如果划痕或裂缝的强度远高于或低于零件的自然纹理，则检测任务似乎很容易：应用强度阈值仅显示划痕或裂缝中的像素，并且这些像素的计数是您的缺陷信号。

然而，阈值之外的像素值可能是由于不均匀的照明，而不是划痕或裂缝。阴影校正消除了照明的变化，因此改善了裂缝和划痕检测。阴影校正通常通过空间频率滤波或通过将输入图像划分为参考图像来完成。

空间高通滤波器放大高空间频率裂缝和划痕，并消除由于光强度变化引起的低频变化。该过滤器可以破裂和划伤检测。不幸的是，它还会放大零件的表面纹理，从而产生可能使划痕或裂缝检测变得困难的嘈杂图像。

我们可以减去低空间频率，而不是放大高空间频率。首先，通过平均每个像素周围的像素强度，从输入图像中制作低通）图像。这些局部平均值近似于缓慢变化的光强度。接下来，从输入图像中减去低通图像，在几乎平坦的强度背景下留下高空间频率变化，划痕和裂缝。

通过在没有部件就位的情况下对图像序列进行时间平均来创建参考图像。参考图像显示照明分布。随后的输入图像被参考图像分割以消除照明效果。因为图像强度是照明和部件的反射或透射的乘积，所以参考图像的逐像素分割抵消了照明因子，仅留下部件的反射或透射。这种方法通常用于显微镜检查，但在生产线上则较少。

黄金参考方法

大多数零件都有反射率或透射率变化，可能会遮挡划痕和裂缝。我们可以通过平均已知良好部分的精确对准图像而不是空图像来扩展参考图像的想法，以产生黄金参考图像。整体方差给出了零件上每个点的自然或可接受变化的估计。

从输入部分图像中减去或划分该黄金参考以消除光照变化和部分反射或透射变化。方差度量用于设置图像中每个点的检测阈值。当部件强度结构受到非常严格的控制时，例如半导体，该方法很有效。黄金参考图像和零件输入图像也必须在位置，旋转和比例方面精确对齐。

匹配滤波器去除重复模式

黄金参考方法有时可以删除重复的零件图案，例如网格或网格。然而，如果零件在结构和反射率或透射率方面没有严格控制，则黄金方法会发出错误警报。在这些情况下，匹配的过滤器可能会提供更好的结果。

基本思想是构建一个匹配零件重复模式的空间频率分量的滤波器，然后应用该滤波器滤除模式，使表面缺陷大部分保持完整，优化表面缺陷的信噪比。使用匹配滤波器的优点包括对滤波器和输入图像之间的对准失配的一些容忍度，并且通过归一化，对图案强度变化的容忍度。

使用快速傅里叶变换（FFT）将重复模式的已知良好图像变换为空间频率空间以制作匹配滤波器。然后将FFT应用于输入部分图像。现在在空间频率域中，我们将输入图像除以匹配滤波器，有效地去除输入图像中与匹配滤波器频率匹配的空间频率。如果我们不关心表面缺陷的位置和结构，那么有时可以在空间频率域中检测缺陷。或者我们使用逆FFT来构建没有重复模式结构的空间强度图像，并在空间域中进行检测。

如果缺陷中的空间频率与滤波器中的空间频率重叠，则将部分地擦除缺陷。如果有足够的重叠，则滤波的信号将不足以提供可靠的缺陷检测。

结构方法

即使在使用上述方法之后，缺陷信号通常仍然太弱而不能进行可靠的检测。结构方法使用缺陷结构的先验知识来改进检测。例如，划痕在图像中显示为大致成一直线的点。通过沿线放大或累积点，我们可以提高这种类型缺陷的检测可靠性。以下是许多结构方法中的两种。

数学形态学修改并检测图像中的形状（形态）。侵蚀操作从明亮物体的边缘“剥离”像素。扩张操作将像素添加到明亮物体。假设划痕比它所在的物体更亮，并且我们知道划痕的大致方向。然后使用定向扩张，我们可以延伸并“增加”划痕中的点，使它们接触。然后定向侵蚀可以选择“减薄”生成的线条，以减少“肥胖”的噪声像素。还有许多其他形态运算符可用于改善缺陷检测，假设您事先知道缺陷结构。

在霍夫变换中，高于阈值的每个像素“投票”所有可能的线，它可能是其中的一部分。具有足够票数（高于阈值）的可能行表示图像中的像素线是划痕或裂缝。霍夫方法能够检测非常弱的线信号，因为它们整合了许多像素上的线的证据。它们在某些情况下工作得很好，但通常很慢或很难设置。

王栋春 · 2019-8-12 21:51:17

在焊接探伤领域应该非常看好

搜索历史

机器视觉有助于解决表面缺陷

相关推荐

1 条评论

评论

精选推荐

站长推荐 /6