一种面向白玻璃盖板表面微弱缺陷的检测与测量方法技术

本发明专利技术提出面向白玻璃盖板表面微弱缺陷的检测与测量方法，包括：采集玻璃盖板图像，计算盖板图像的显著性图；对显著性图进行快速二值化；利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；提取前景目标的高维形态及密度特征；构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态；利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。本发明专利技术提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检。

【技术实现步骤摘要】
一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
本专利技术涉及图像处理
，特别涉及一种面向白玻璃盖板表面微弱缺陷的检测与测量方法。
技术介绍
玻璃盖板是智能手机的一个重要部件。随着智能手机的日渐普及，玻璃盖板的市场需求也在迅猛增长。在玻璃盖板的生产过程中，需要经过切割、清洗、钢化等多道制造工序。每一道工序都有可能对玻璃表面造成损伤，致使产品废弃。因此，对表面缺陷进行准确地在线检测是玻璃盖板生产过程中的重要步骤，是保证产品质量的关键。传统的白玻璃盖板表面缺陷检测主要依赖于有经验的工人，须以一定角度的强光照射，且以黑色材质辅助，不仅耗时较长，且由于视觉疲劳的影响，容易出现遗漏。基于视觉的自动化检测可利用标准化流程克服人工检测中的主观随意性，而且采取非接触的方式，有效避免待检测元件的二次损伤，在工业检测领域中得到了广泛的应用。然而，划痕、蹭伤等常见的表面缺陷特征十分微弱、对比度低，在工业现场还存在灰尘、脏污等干扰，给自动化检测带来了困难。同时，有些缺陷往往是断续的，难以进行精度测量，导致后续的质量判断过程中出现误判。这些问题导致应用现有的缺陷检测算法或设备检测玻璃盖板表面缺陷时，往往出现较高的漏检率或误检率，无法满足工业现场的应用需求。
技术实现思路
本专利技术的目的在于提供一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，以解决应用现有的缺陷检测算法或设备检测玻璃盖板表面缺陷时，往往出现较高的漏检率或误检率的问题。为了解决上述技术问题，本专利技术的技术方案是：提出一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，包括：采集玻璃盖板图像，计算盖板图像的显著性图；对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；提取前景目标的高维形态及密度特征；构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。进一步地，图像像素点(i,j)在尺度s上的显著性值csi,j计算如下式所示其中，N1、N2分别是矩形R1和R2中像素的个数，vp和vq分别是R1和R2中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R1和R2表示图像上两个矩形窗口，当R1的宽度为1时，表示取原图中的一个像素点，R2的宽度wR2的取值范围为图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和，其中S为所有的尺度，mi,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。进一步地，对显著性图进行快速二值化，包括：计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化。进一步地，密度聚类方法包括以下步骤：S21、初始化核心点集合初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分S22、对于j＝1,2,…,m，首先通过距离度量方式，找到样本xj的ε-邻域子集Nε(xj)，之后当子集点数满足|Nε(xj)|≥MinPts时，将样本xj加入核心点集：Ω＝Ω∪xjS23、如果核心点象集合则算法结束，否则转入步骤S24；S24、在核心点集合Ω中，随机选择一个点o，初始化当前簇核心点集Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇点集Ck＝{o}，更新未访问点集Γ＝Γ/{o}；S25、如果当前簇核心点集则当前聚类簇Ck生成完毕，更新簇划分C＝{C1,C2,…Ck}，更新核心点集合Ω＝Ω/Ck，转入步骤S23；S26、在当前簇核心点队列Ωcur中取出一个核心点o’，通过邻域距离阈值ε找出所有的ε-邻域点集Nε(o’)，令Δ＝Nε(o’)∩Γ，更新当前簇点集Ck＝Ck∪Γ，更新未访问点集Γ＝Γ/Δ，更新Ωcur＝Ωcur∪(Nε(o’)∩Ω)，转入步骤S25；S27、输出簇划分C＝{C1,C2,…Ck}。进一步地，对真实缺陷及干扰进行分类，长宽比为第1维特征，表征样本形状，后8维特征为全局密度特征，统计样本中所有点到中心点的距离，并按预先设定分成8等分，最后64维为局部密度特征，将样本中每个点的密度预分为R1,…,R8八个等级，对每个等级中的点分别统计个数；形态学特征计算：缺陷最小外接矩形的长边与短边的比值：F0＝L/W，其中，L和W分别为缺陷的长和宽，全局密度特征计算：Fi＝|A|,A＝{p|||p-c||2＝Ri},i＝{1,2,…,8}，其中，Fi为第i维全局特征，|·|表示集合中元素个数，c为该样本所有点的中心，Ri为预先设定的距离参数；局部密度特征计算：F(j,k)＝|B|,B＝{p’|D(p)∈Lj,||p-p’||2＝Rk},j＝{1,2,…,8},k＝{1,2,…,8}，其中，D(p)表示点p的像素密度，Lj为第j个密度等级。本专利技术提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检；另外，本专利技术利用密度聚类算法对属于同一缺陷的像素点进行聚类，提升了断续缺陷的尺寸测量精度，进而可有效降低在后续质量判断过程中由于尺寸测量精度不够导致的误判；本专利技术利用高维特征区分真正缺陷与干扰，避免了工业现场中灰尘、脏污等影响，可有效提高检测准确率；最后，本专利技术采用积分图等技术提高了算法效率，能够在检测高分辨率工业图像时满足工业现场对于实时性的要求，具有较大的应用价值。附图说明下面结合附图对专利技术作进一步说明：图1为本专利技术实施例提供的面向白玻璃盖板表面微弱缺陷的检测与测量方法的步骤流程示意图；图2为本专利技术实施例提供的多尺度显著性计算原理示意图；图3为本专利技术实施例提供的非连续前景像素的密度聚类原理示意图；图4为本专利技术实施例提供的高维形态结构示意图。具体实施方式以下结合附图和具体实施例对本专利技术提出的面向白玻璃盖板表面微弱缺陷的检测与测量方法作进一步详细说明。根据下面说明和权利要求书，本专利技术的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本专利技术实施例的目的。本专利技术的核心思想在于，本专利技术提供面向白玻璃盖板表面微弱缺陷的检测与测量方法，可有效检测白玻璃盖板表面微弱缺陷，降低或避免现有方法在检测微弱缺陷时产生的漏检；另外，本专利技术利用密度聚类算法对属于同一缺陷的像素点进行聚类，提升了断续缺陷的尺寸测量精度，进而可有效降低在后续质量判断过程中由于尺寸测量精度不够导致的误判；本专利技术利用高维特征区分真正缺陷与干扰，避免了工业现场中灰尘、脏污等影响，可有效提高检测准确率；最后，本专利技术采用积分图等技术提高了算法效率，能够在检测高分辨率工业图像时满足工业现场对于实时性的要求，具有较本文档来自技高网...

【技术保护点】
1.一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，包括：/n采集玻璃盖板图像，计算盖板图像的显著性图；/n对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；/n提取前景目标的高维形态及密度特征；/n构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。/n

【技术特征摘要】
1.一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，包括：
采集玻璃盖板图像，计算盖板图像的显著性图；
对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类；
提取前景目标的高维形态及密度特征；
构建缺陷的正负样本库，正样本库里包含了所有划痕可能的形态，负样本库里包含了实际生产环境下可能出现的绝大多数脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试。


2.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，图像像素点(i,j)在尺度s上的显著性值csi,j计算如下式所示



其中，N1、N2分别是矩形R1和R2中像素的个数，vp和vq分别是R1和R2中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R1和R2表示图像上两个矩形窗口，当R1的宽度为1时，表示取原图中的一个像素点，R2的宽度wR2的取值范围为图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和，其中S为所有的尺度，mi,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。


3.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，对显著性图进行快速二值化，包括：
计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；
对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化。


4.如权利要求3所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，密度聚类方法包括以下步骤：
S21、初始化核心点集合初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分
S22、对于j＝...

【专利技术属性】
技术研发人员：姜锐，苏虎，
申请(专利权)人：上海海事大学，中国科学院自动化研究所，
类型：发明
国别省市：上海;31