缺陷检测方法及缺陷检测系统技术方案

一种缺陷检测方法，包括：利用不同波长的相干光源(11、12、13、14)照射被测物体；拍摄被测物体在不同波长的相干光源(11、12、13、14)照射下生成的多幅散斑图像；利用散斑图像检测被测物体的缺陷。有益效果：测量精度达到了光波波长量级，可以检测微米级别的微缺陷，是一种非接触、高精度、在线式、实时性的无损检测方法。

Defect detection method and system

【技术实现步骤摘要】
【国外来华专利技术】缺陷检测方法及缺陷检测系统
本专利技术涉及检测
，特别涉及一种缺陷检测方法及缺陷检测系统。
技术介绍
现有技术中，金属材质的产品在机械加工、化学加工、喷镀涂层等过程中由于摩擦、切削引起的变形和撕裂以及加工环境变化等原因，会在金属材质的产品表面留下一些形状、尺寸各异的不良缺陷，主要包括缩孔、气泡、裂纹、翻皮、白点、晶间裂纹等肉眼无法识别的细微缺陷。同时，对于低纹理高反光的曲面物体，例如封装用锡球(BGA锡球)、高亮金属球、手机金属外壳等，其表面纹理特征单一甚至是缺失的，其表面光滑且具极强的反光特性，导致其容易产生过亮的光斑。现有技术中的一种常规检测方法为自动光学检测(AutomaticOpticInspection，简称AOI)方法，AOI检测方法对检测对象进行直接或间接的显微放大，通过显微成像后利用数字图像算法进行目标分割识别处理，从而检测出产品表面各个缺陷区域。AOI检测方法对光学检测系统的纵向及横向分辨率要求较高，而金属材质的产品表面的高反光和表面曲率不同则会造成光照不均匀，即在AOI检测中照明光源对检测结果的本文档来自技高网...

【技术保护点】
1.一种缺陷检测方法，其特征在于，包括：/n利用不同波长的相干光源照射被测物体；/n拍摄所述被测物体在所述不同波长的相干光源照射下生成的散斑图像；/n利用神经网络及所述散斑图像检测所述被测物体的缺陷，将所述散斑图像和/或由所述散斑图像提取的特征参数输入至所述神经网络，由所述神经网络输出检测结果，所述检测结果为所述被测物体的缺陷种类。/n

【技术特征摘要】
【国外来华专利技术】1.一种缺陷检测方法，其特征在于，包括：
利用不同波长的相干光源照射被测物体；
拍摄所述被测物体在所述不同波长的相干光源照射下生成的散斑图像；
利用神经网络及所述散斑图像检测所述被测物体的缺陷，将所述散斑图像和/或由所述散斑图像提取的特征参数输入至所述神经网络，由所述神经网络输出检测结果，所述检测结果为所述被测物体的缺陷种类。


2.根据权利要求1所述的缺陷检测方法，其特征在于，
其中，由所述散斑图像提取的特征参数包括通过所述散斑图像的自相关函数计算得到的散斑延长率。


3.根据权利要求1所述的缺陷检测方法，其特征在于，
其中，由所述散斑图像提取的特征参数包括通过计算得到的所述散斑图像的一阶统计特性和二阶统计特性。


4.根据权利要求1-3中任一项所述的缺陷检测方法，其特征在于，
所述利用神经网络及所述散斑图像检测所述被测物体的缺陷包括训练阶段及检测阶段；
所述训练阶段包括：
对多个被测物体样品的不同缺陷进行分类，分类结果作为神经网络输出层的输出特征；切换不同的波长拍摄所述多个被测物体样品的多幅散斑图像，针对每类缺陷采集多幅被测物体表面的散斑图像，利用所述散斑图像和/或由所述散斑图像提取的特征参数构成用于训练神经网络的训练数据集；
将所述散斑图像和/或由所述散斑图像提取的特征参数作为神经网络输入层的输入特征，将分类结果作为神经网络输出层的输出特征，利用所述输入特征、输出特征对神经网络进行训练，训练得到所述被测物体表面散斑图像和/或由所述散斑图像提取的特征参数与所述被测物体表面缺陷之间关系的神经网络模型；
所述检测阶段包括：
将所述不同波长的相干光源对应的散斑图像和/或由所述散斑图像提取的特征参数输入至训练得到的神经网络模型的输入层中进行检测，其中，所述散斑图像和/或由所述散斑图像提取的特征参数为神经网络的输入特征；
所述神经网络的输出层输出检测结果，所述检测结果为包括无缺陷、气泡、变形中的一种或多种。


5.根据权利要求4所述的缺陷检测方法，其特征在于，
在利用神经网络及所述散斑图像检测所述被测物体的缺陷之前，采用包括邻域均值滤波、中值滤波、低通滤波、同态滤波中的一种或多种滤除所述散斑图像中的噪声。<...

【专利技术属性】
技术研发人员：王星泽，舒远，
申请(专利权)人：合刃科技深圳有限公司，
类型：发明
国别省市：广东;44