大数跨境

机器视觉技术常见的产品表面【裂痕划痕】检测

机器视觉技术常见的产品表面【裂痕划痕】检测 矩视智能
2022-08-24
0

在工业生产中总是经常遇到裂痕、划痕和变色等产品的表面缺陷问题,而这些问题不管对于人工检测还是机器视觉检测都极富挑战。


其难度在于该类缺陷形状不规则、深浅对比度低,而且往往会被产品表面的自然纹理或图案所干扰。因此,表面缺陷检测对于正确打光、相机分辨率、被检测部件与工业相机的相对位置、复杂的机器视觉算法等要求非常高。

裂纹检测设备由于在工业检测中图像的多样性,对于每一种图像,都要经过分析综合考虑各种手段来进行处理达到效果。

一般来说,划痕部分的灰度值和周围正常部分相比要暗,也就是裂纹部分灰度值偏小;而且,大多都是在光滑表面,所以整幅图的灰度变化总体来说非常均匀,缺乏纹理特征。

因此,裂纹的检测一般使用基于统计的灰度特征或者阈值分割的方法将划痕部分标出。


机器视觉划痕检测的基本分析过程分为两步:首先,确定检测产品表面是否有划痕,其次,在确定被分析图像上存在划痕之后,对划痕进行提取。

相比于人工检测,机器视觉检测可靠性和效率都更高,机器视觉检测是以设定好的标准为基准进行判断。如果标准设定太严,则误判太多;标准设定太宽,又会漏检。尤其是那种在线的检测,对编程的要求更高。但是当程序设定好以后,即可连续测板,机器不会疲劳。对于比较小的元件,用肉眼检测起来比较吃力,而视觉检测具有光学放大作用,所以对于较小的元器件的检测具有比较大的优势。

今天,我们一起来讨论,机器视觉技术常见的产品表面裂痕划痕检测方法。

01

明确检测任务


必须先了解产品表面缺陷是如何产生的,并明确归类这些缺陷在图像中可能呈现的形状。

例如,粉末金属零件在材料比较薄时烧结中会出现裂纹。基于经验知识,我们可以将机器视觉检测集中在产生缺陷的区域、明确检测方向,这样有助于提高缺陷检测的可靠性。

以下这几件事情也必须事先了解清楚:

当前的人工检测操作是如何进行的?

现有检测系统存在哪些不足之处?

精度、速度、全检还是抽检, 可靠性如何?

如果是机器视觉取代人工检测,又是如何要求的?

在人工检测过程中,可以凭直觉和经验来预测缺陷可能呈现的形状。例如,划痕通常呈一系列平直或轻微弯曲线段,人们往往会凭借心态学中的“完形”能力,下意识地将这些线段连成一条线。在机器视觉检测中,这种“完形”能力可通过视觉演算大致显现出来。

在进行高难度检测作业时,检测人员间可能会产生不同意见——那是一个划痕?或者仅仅是恰巧形成一条线的亮点?这说明缺陷检测的可靠性有待考量。

如果表面缺陷较清晰,且缺陷构成很明确,那么机器视觉检测结果的一致性和可靠性要高于人工视觉检测。

照明是产品表面缺陷检测的一个极其重要的因素,因为表面缺陷通常具有低对比度的特点,而通过采用正确的照明可将其与背景分离开来。对于平面凸起缺陷,可采用低角度照明,“照亮”凸起部位边缘。对于平滑缺陷,或进行弯曲表面缺陷检测时,可采用漫射光。

在采集的图像中,裂纹或划痕应至少被三个或更多像素覆盖。有些情况下需使用多个高分辨率相机或单个相机进行多次拍摄,或者更常见的是线扫描相机1K至16k以便采用指定分辨率检测部件整个表面达到用户的精度要求。为检测产品表面的小缺陷,确保部件表面始终处于相机聚焦区域至关重要。

02

阴影校正


有了清晰的零件和缺陷零件的清晰图像,您就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,并且对于检测裂纹和划痕非常有用。

如果刮擦或裂纹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:应用强度阈值以仅显示刮擦或裂纹的像素,而这些像素的数量就是缺陷信号。

但是,超出阈值的像素值可能是由于照明不均匀,而不是划痕或裂缝。阴影校正可消除照明的变化,从而改善裂纹和划痕的检测。阴影校正通常通过空间频率滤波或通过将输入图像除以参考图像来完成。

空间高通滤波器可放大高空间频率的裂纹和划痕,并消除由于照明强度变化而引起的低频变化。该过滤器会破裂和刮擦检测。不幸的是,它还会放大零件的表面纹理,从而产生嘈杂的图像,可能使划痕或裂纹检测变得困难。

代替放大高空间频率,我们可以减去低空间频率。首先,通过平均每个像素周围的像素强度,根据输入图像制作低通(模糊)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,留下高空间频率变化(划痕和裂缝),而强度背景几乎保持不变。

03

黄金参考方法


大多数零件的反射率或透射率变化会掩盖划痕和裂纹。我们可以通过平均已知好零件的准确对齐图像(而不是空图像)来扩展参考图像的概念,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值。

从输入零件图像中减去或分割该黄金参考,以消除照明变化和零件反射率或透射率变化。方差度量用于设置图像中每个点的检测阈值。当零件强度结构受到非常严格的控制时(例如,使用半导体),此方法效果很好。黄金参考图像和零件输入图像还须在位置,旋转和比例上准确对齐。

04

匹配过滤器去除重复图案


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。但是,如果零件的结构和反射率或透射率不受严格控制,则黄金方法会发出错误警报。在这些情况下,匹配的滤波器可能会产生更好的结果。

基本思想是构建一个与零件重复图案的空间频率分量匹配的滤波器,然后应用该滤波器滤除图案,使表面缺陷大部分保持完好无损,从而优化表面缺陷的信噪比。使用匹配滤镜的优点包括对滤镜和输入图像之间的对齐不匹配具有一定的容忍度,并且通过归一化可以对图案强度变化具有容忍度。

使用快速傅立叶变换(FFT)将重复图案的已知良好图像转换为空间频率空间,以制成匹配滤波器。然后将FFT应用于输入的零件图像。现在,在空间频域中,我们将输入图像除以匹配的滤波器,从而有效地去除了输入图像中与匹配的滤波器的频率匹配的空间频率。如果我们不在乎表面缺陷的位置和结构,那么有时可以在空间频域中检测到缺陷。或者,我们使用逆FFT构造没有重复图案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,则缺陷将被部分擦除。如果有足够的重叠,则滤波后的信号将不足以提供可靠的缺陷检测。

05

结构方法


即使使用上述方法,缺陷信号通常仍然太弱而无法可靠检测。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约在一条线上的点,通过放大或累积沿线的点,我们可以提高此类缺陷的检测可靠性。这是许多结构方法中的两种。

数学形态法 —— 修改及检测图像中部件的形状(形态)。腐蚀运算用于剥离发亮物体边缘的像素。膨胀运算则用于将像素添加至发亮物体边缘。假设某个表面划痕的亮度高于物体本身,而且已了解划痕的大致方位。在此情况下,可以运用定向膨胀运算,扩展和放大划痕上的各点。然后,可以选择是否采用定向腐蚀运算法,对得到的线条进行细化处理,同时减少先前被放大的噪声像素。在事先了解缺陷结构的情况下,我们还可使用其他各种形态学算子提高缺陷检测的可靠性。

霍夫变换法 —— 在检测阈值范围外的各像素点“投票”其所有可能位于的像素线。由一定数量阈值外像素组成的像素线即为划痕或裂纹。霍夫变换法可用于检测极弱的线条信号,因为它可以集合多个像素组成的像素线。这一方法在某些情况下非常有效,但存在运行慢,检测设置难度高的缺点。

任何新出现的表面缺陷都是一个挑战。但是,只要凭借一定经验和正确使用工具,我们就可战胜挑战。本文中介绍的检测方法,仅仅只是该领域的冰山一角。

声明:文章素材来自Dr. Ben Dawson Teledyne DALSA Industrial Products, Inc. 700 Technology Park Drive Billerica,MA,01821-4153U.S.A.


矩视智能机器视觉低代码平台是一个面向机器视觉应用的云端协同开发平台,始终秉承0成本、0代码、0门槛、0硬件的产品理念。

平台以人工智能技术为核心,在机器视觉应用开发环节,为开发者提供图像采集、图像标注、算法开发、算法封装和应用集成的一站式完整工具链。覆盖字符识别、缺陷检测、目标定位、尺寸测量、3D测量、视频开发等上百项通用功能,致力于成为全球用户量最多,落地场景最广泛的机器视觉低代码平台。

现在长按下方二维码,即可获得立即免费试用机会!


如果您有相关检测需求
可扫码申请  ·  免费试用
👇👇👇
申请后我们会有工作人员第一时间与您联系
请耐心等待!

—往期回顾—



更多功能正在开发中,最新信息会第一时间在官方公众号进行公布,大家持续关注哦!

【声明】内容源于网络
0
0
矩视智能
1234
内容 312
粉丝 0
矩视智能 1234
总阅读0
粉丝0
内容312