表面缺陷检测系统 流程
产品表面缺陷检测方法及系统及设备及介质的制作流程
图片简介:本技术介绍了一种产品表面缺陷检测方法及系统及装置及介质，包括：构建图片重构网络；采集无缺陷图片方法训练图片；利用训练图片训练图片重构网络，得到训练后的图片重构网络；采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果；本技术仅使用良品图片进行表面缺陷检测，本技术基于全卷积神经网络，通过重构良品图片学习到对表面缺陷的修复能力，从而实现对于各种表面缺陷的像素级识别能力。
技术要求1.一种产品表面缺陷检测方法，其特征在于，所述方法包括：构建图片重构网络，图片重构网络对图片的处理过程包括：下采样过程、上采样过程和跨层链接过程；下采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；上采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；跨层链接过程包括：将下采样过程中的若干特征图添加到上采样过程中对应尺度的特征图上；采集无缺陷图片得到训练图片；利用训练图片训练图片重构网络，得到训练后的图片重构网络；采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果。
2.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，图片重构网络使用3*3的卷积层输出与输入图片通道数相同的重构图片，并使用激活函数将图片重构网络输出限制在-1到1范围内。
3.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，利用训练图片训练图片重构网络，得到训练后的图片重构网络，具体包括：从训练图片集中提取若干原始图片，在提取的原始图片中添加随机缺陷或噪声，得到不良图片；将不良图片输入图片重构网络进行计算，输出重构后的图片；计算重构后的图片与对应原始图片之间的L1 loss与多尺度SSIM loss，并使用随机梯度下降法更新图片重构网络参数，训练至loss收敛时停止训练，得到训练后的图片重构网络。
AOI作业指导书
AOI作业指导书一、概述AOI（Automatic Optical Inspection，自动光学检测）是一种使用光学设备进行电子元器件表面缺陷检测的技术。
本文档旨在提供AOI作业指导，以确保操作人员能够正确、高效地进行AOI检测工作。
二、设备准备1. 确保AOI设备处于正常工作状态，检查设备的电源、通风和冷却系统是否正常。
2. 检查AOI设备的光源和相机是否清洁，并及时清理灰尘和污渍。
3. 确保AOI设备的软件程序已经正确安装，并且可以正常启动。
三、样品准备1. 根据检测要求，选择合适的样品进行测试。
确保样品符合相关标准和规范。
2. 清洁样品表面，确保没有灰尘、污渍或者其他杂质。
3. 根据样品的尺寸和形状，调整AOI设备的夹具和支撑装置，以确保样品能够稳定地放置在检测区域。
四、操作流程1. 启动AOI设备，并确保设备已经完成自检过程。
2. 在AOI软件界面上选择合适的检测程序，并加载样品图象。
3. 调整相机和光源的参数，以确保能够获得清晰、准确的图象。
4. 将样品放置在夹具上，并根据需要调整样品的位置和角度。
5. 点击“开始检测”按钮，AOI设备将开始自动检测样品表面的缺陷。
6. 在检测过程中，观察AOI软件界面上显示的图象，并注意是否有任何异常情况。
7. 根据检测结果，判断样品是否合格。
如果发现缺陷，记录缺陷的类型、位置和数量。
8. 完成检测后，关闭AOI设备，并保存检测结果和相关数据。
五、故障处理1. 如果在操作过程中遇到任何故障或者异常情况，首先检查设备的电源和连接是否正常。
2. 检查样品是否正确放置，并确保样品表面没有污染物。
3. 检查AOI软件的设置，确保参数和程序选择正确。
4. 如果问题仍然存在，及时联系维修人员或者技术支持团队进行故障排除。
六、安全注意事项1. 在操作AOI设备时，必须戴上适当的个人防护装备，如手套和护目镜。
2. 禁止将手指或者其他物体插入设备内部，以免造成意外伤害。
表面缺陷检测训练 python
表面缺陷检测训练 python表面缺陷检测是指利用计算机视觉技术对产品表面进行缺陷检测的过程。
在Python中进行表面缺陷检测的训练可以通过以下步骤来实现：1. 数据收集，首先需要收集包含有缺陷和正常产品的图像数据集。
这些图像可以是通过摄像头拍摄的实时图像，也可以是通过其他渠道获取的图像数据集。
2. 数据预处理，对于收集到的图像数据，需要进行预处理操作，包括但不限于图像去噪、尺寸标准化、灰度化或彩色转换等操作，以便于后续的特征提取和模型训练。
3. 特征提取，利用Python中的图像处理库（如OpenCV）对图像进行特征提取，提取图像的纹理、形状、颜色等特征，以便于后续的模型训练。
4. 模型选择，选择合适的机器学习或深度学习模型来进行表面缺陷检测的训练。
常用的机器学习模型包括支持向量机（SVM）、随机森林（Random Forest）等，深度学习模型可以选择使用卷积神经网络（CNN）等。
5. 模型训练，利用Python中的机器学习库（如scikit-learn、TensorFlow、Keras等）对选定的模型进行训练，使用预处理后的图像数据集进行训练。
6. 模型评估，训练完成后，需要对模型进行评估，可以使用交叉验证、混淆矩阵等方法对模型进行性能评估，确保模型的准确性和泛化能力。
7. 模型部署，最后，将训练好的模型部署到实际的表面缺陷检测系统中，可以使用Python的相关库来实现模型的部署和集成。
需要注意的是，在进行表面缺陷检测训练的过程中，需要考虑数据的质量、模型的选择和调参、评估指标的选择等问题，以确保训练得到的模型能够准确地检测表面缺陷。
同时，还需要关注模型的实时性和稳定性，以适应实际生产环境中表面缺陷检测的需求。
缺陷检测方法
缺陷检测方法缺陷检测是产品质量控制中至关重要的一环。
在制造过程中，可能存在各种不同类型的缺陷，例如裂痕、气泡、变形等。
缺陷检测的目的是尽早发现这些问题，避免产品在后续的使用中出现安全隐患或影响产品的寿命。
本文将介绍缺陷检测的几种方法及其流程。
一、目视检查法目视检查法是最简单、最常用的缺陷检测方法，它通常在生产流程的最后一步进行。
操作人员使用肉眼观察产品外观是否有明显的缺陷，例如裂纹、凹陷等等。
这种方法的优点是操作简单、成本低，缺点是主观性强，对于微小缺陷的检测效果较差。
1、准备工作目视检查前需要准备好检查产品、检查工具以及检查环境等，确保检查环境光线充足、产品摆放在平稳的位置上、检查工具清洁无污渍。
必须确保操作人员能够观察到产品表面的所有区域。
2、检查步骤目视检查通常按照产品表面形状的复杂程度分为两个阶段。
第一阶段，操作人员需用裸眼自上而下仔细检查产品表面，观察是否有肉眼可见的缺陷；第二阶段，操作人员使用放大镜或显微镜放大视野，进一步检查产品表面，以便发现微小缺陷。
二、放射性检测法放射性检测法是利用放射性同位素的特性，结合探测仪器对材料进行检测的一种方法。
这种方法最初用于工业无损检测中，后来被广泛应用于材料表面和材料内部的缺陷检测。
1、准备工作放射性检测前需要准备同位素源、探测仪器以及防护衣等。
操作人员需要接受相关培训，掌握危险程度和操作安全规范。
2、检测步骤首先将同位素源置于被检测材料一侧，辐射穿透样品并被探测仪测量。
通过测量系数的变化确定样品内部的缺陷有多少，缺陷的大小和位置在显示器上得以反映认证。
三、超声波检测法超声波检测法是利用超声波在物质中的传播和反射能力，对材料进行非破坏性缺陷检测的方法。
该方法常用于金属、塑料、陶瓷等材料的缺陷检测。
1、准备工作超声波检测前需要准备超声波探头、探测仪器以及工作站等设备。
操作人员需要接受相关培训，确保操作安全规范以及qualify or authorize the operation.2、操作步骤操作人员在材料表面施加超声波并通过探测仪器对其进行接收。
aoi的工作流程
aoi的工作流程AOI, or Automated Optical Inspection, is a critical process in manufacturing, particularly in electronics. Here's a typical workflow for AOI:1.Preparation:•Before starting the AOI process, the inspectionsystem needs to be set up and calibrated properly. Thisincludes configuring the inspection parameters such asdefect criteria and acceptable tolerances.2.Inspection:•Once the preparation is complete, the manufacturing line proceeds with the production of PCBs (Printed CircuitBoards) or other electronic components.•As the PCBs are produced, they are passed through the AOI system where cameras capture images of theboards.•The AOI software then analyzes these images to identify any defects or anomalies on the PCB surface, suchas missing components, misaligned parts, solderingdefects, or shorts.3.Defect Detection:•Detected defects are categorized based on theirseverity and type. Critical defects may require immediate intervention, while minor defects may be logged for later analysis.•AOI systems often use machine learning algorithms to improve defect detection accuracy and reduce false positives.4.Reporting and Feedback:•The AOI system generates reports detailing the defects found during inspection. These reports provide valuable feedback to operators and engineers for process improvement.•Engineers may use this information to adjust manufacturing parameters, identify recurring issues, or optimize the production process.5.Rejection or Rework:•Depending on the severity of defects detected, PCBs may be rejected outright or sent for rework.•Rework may involve manual correction of defects or reprocessing of the PCB to fix issues identified during AOI inspection.6.Continuous Improvement:•The data collected from AOI inspections can be usedfor ongoing quality improvement initiatives.•By analyzing trends in defect occurrences andaddressing root causes, manufacturers can enhanceproduct quality, reduce defects, and optimize productionefficiency over time.Now, here's the analysis in Chinese:AOI（自动光学检测）是制造业中的一个关键流程，尤其是在电子领域。
基于重建的缺陷检测方法流程
基于重建的缺陷检测方法流程在现代化工业生产中，缺陷检测是保证产品质量的关键环节。
基于重建的缺陷检测方法是一种新兴的技术，通过对产品表面进行三维重建，进而实现缺陷的精确识别与定位。
本文将详细介绍基于重建的缺陷检测方法的流程。
一、数据采集数据采集是缺陷检测的第一步，主要包括对被测物体表面的扫描。
常用的数据采集设备有激光扫描仪、结构光扫描仪、光学相机等。
在数据采集过程中，要确保扫描速度与分辨率，以保证后续重建过程的准确性。
二、三维重建三维重建是对采集到的数据进行处理，恢复物体表面形状的过程。
主要方法包括：1.点云处理：将采集到的散乱点云数据进行预处理，如去噪、滤波等，然后通过点云配准、曲面重建等技术，获得完整的三维模型。
2.纹理映射：将采集到的纹理信息映射到三维模型上，提高模型的真实感。
3.三维网格优化：对重建得到的三维网格进行优化，如简化、平滑等，降低模型复杂度，提高计算效率。
三、缺陷检测在完成三维重建后，进行缺陷检测。
主要包括以下步骤：1.特征提取：从三维模型中提取缺陷可能存在的特征，如边缘、角点、曲率等。
2.缺陷识别：通过机器学习方法（如深度学习、支持向量机等）对特征进行训练，建立缺陷识别模型。
3.缺陷定位：对识别出的缺陷进行定位，确定缺陷在三维模型中的具体位置。
4.缺陷分类：根据缺陷的形状、大小、深度等特征，对缺陷进行分类，为后续修复提供依据。
四、结果输出与评估将检测结果以报告或可视化界面的形式输出，供用户评估。
同时，根据检测结果，对检测流程进行优化，提高检测精度与效率。
1.结果输出：包括缺陷的位置、大小、形状、类别等信息。
2.评估指标：如检测准确率、召回率、F1值等。
3.检测优化：根据评估结果，调整检测参数，优化检测流程。
五、实际应用基于重建的缺陷检测方法在工业生产中具有广泛的应用前景，如汽车制造、航空航天、模具制造等领域。
通过实时检测，可以有效降低生产过程中的缺陷率，提高产品质量。
总结：基于重建的缺陷检测方法流程主要包括数据采集、三维重建、缺陷检测、结果输出与评估等环节。
基于Halcon_的手机背板表面缺陷快速检测方法
第37卷第1期湖南理工学院学报(自然科学版)V ol. 37 No. 1 2024年3月 Journal of Hunan Institute of Science and Technology (Natural Sciences) Mar. 2024基于Halcon的手机背板表面缺陷快速检测方法朱志鹏, 陈腾飞, 廖杜杰, 张国云, 赵林(三维重建与智能应用技术湖南省工程研究中心, 湖南岳阳 414006;湖南理工学院信息科学与工程学院, 湖南岳阳 414006)摘要:针对人工检测手机背板表面缺陷效率低、成本高等问题, 提出一种基于Halcon的手机背板表面缺陷检测方法. 该方法可快速定位并校正光照不均、位置偏差等成像不一的背板图像, 同时运用二进制大型对象分析、形态学处理和模板匹配等算法实现对手机背板表面缺陷图像的检测与分类. 针对logo区域和非logo区域, 该检测系统采用不同的策略来检测缺陷. 缺陷分类环节利用Halcon中的分类工具, 结合事先定义的特征集合, 根据其形状、大小和颜色等特征进行分类, 以便后续的品质监控和反馈. 一方面对120张缺陷图片进行检测, 检出113张缺陷图片, 单张图片平均耗时约500 ms, 检出率达94%以上; 另一方面对800张同样条件下的无缺陷图片进行测试, 检出25张误判的图片, 即误判率约3%. 实验表明, 该方法具有较高的准确性和实用性, 相较于传统的人工检测, 可大幅度提升生产效率和检测精度, 有效控制企业人力成本. 该方法已在工业生产线实际应用.关键词:Halcon; 缺陷检测; 手机背板; 图像处理中图分类号: TP391 文章编号: 1672-5298(2024)01-0020-07Surface Defect Detection Rapid Method ofMobile Phone Backplane Based on Halcon ZHU Zhipeng, CHEN Tengfei, LIAO Dujie, ZHANG Guoyun, ZHAO Lin (Hunan Engineering Research Center of 3D Reconstruction and Intelligent Application Technology, Yueyang 414006, China;School of Information Science and Engineering, Hunan Institute of Science and Technology, Yueyang 414006, China) Abstract:Aiming at the problems of low efficiency and high cost of manually detecting defects on the surface of mobile phone backplane, a method based on Halcon was proposed for surface defects detection of mobile phone backplane. The method can quickly locate and correct the backplane images with different images such as uneven illumination and position deviation. At the same time, the algorithm of binary large object analysis, morphological processing and template matching was used to detect and classify the surface defect images of mobile phone backplane. For logo area and non-logo area, the detection system adopts different strategies to detect defects. The defect classification process utilizes the classification tool in Halcon, combined with the predefined feature set, according to its shape, size, color and other characteristics, so as to facilitate subsequent quality monitoring and feedback. On one hand, through the detection experiment of 120 defect diagrams, 113 defect diagrams were detected, and the average time of a single image was about 500 ms, and the detection rate was more than 94%. On the other hand, 800 non-defect pictures were tested under the same conditions, and 25 misjudgments were detected, that is, the misjudgment rate was 3%. The experiment shows that the method has high accuracy and practicability, compared with the traditional manual detection, can greatly improve the production efficiency and detection accuracy, and effectively control the labor cost of enterprises. At the same time, the method has been applied in industrial production lines.Key words: Halcon; defect detection; mobile phone backplane; image processing0 引言随着移动通信技术的快速发展, 智能手机已成为现代社会不可或缺的一部分. 而手机背板作为智能手机的外壳, 不仅承担着保护内部电路和组件的功能, 同时也具备提升美观和质感的重要作用. 然而, 在手机背板的制造过程中, 由于材料、工艺等方面的不确定因素, 不可避免地会产生各种各样的缺陷[1]. 准确、高效地检测手机背板的缺陷, 对于保证产品质量、提高生产效率以及增强品牌竞争力具有重要意义. 而Halcon作为一种先进的机器视觉软件系统, 它提供了大量的视觉处理函数, 支持各种图像采集、处理、收稿日期: 2023-02-15基金项目: 湖南省研究生科研创新项目(CX20221237, CX20221212)作者简介: 朱志鹏, 男, 硕士研究生. 主要研究方向: 机器视觉、人工智能通信作者: 赵林, 男, 博士, 副教授. 主要研究方向: 图像信息处理、智能控制第1期 朱志鹏, 等: 基于Halcon 的手机背板表面缺陷快速检测方法 21 分析、识别和检测任务[2].传统的手机背板表面缺陷检测方法主要是人工检测, 该方法耗时耗力且效率低下, 无法满足大规模生产的质量控制需求[3]. 此外, 人工检测容易受到操作人员主观判断的影响, 导致检测结果的不一致性和可重复性差[4]. 随着计算机视觉技术、图像处理技术以及人工智能的发展, 自动化视觉检测系统能够提供一个高效、准确并且客观的解决方案, 以确保产品质量和提升生产效率[5].本文提出一种基于Halcon 的手机背板表面缺陷检测方法. 通过结合高分辨率成像技术和先进的图像处理算法, 尝试解决实际工业生产线上的手机背板缺陷快速检测问题. 先提出包含图像预处理、特征提取、模板匹配以及缺陷分类等多个步骤的综合解决方案[6], 然后在此基础上开展一系列实验, 验证所提方法的有效性和实用性, 并探讨在实际应用时的潜在挑战及可能的解决策略.1 手机背板表面缺陷检测系统总体方案根据手机背板表面缺陷快速检测的需求构建一个综合性系统, 一方面包括硬件部分对图像的获取和采集, 另一方面包括软件部分对图像的处理以及对缺陷的识别和分类. 旨在通过优化硬件配置和软件算法, 实现自动化的高性能缺陷检测, 从而为手机背板检测提供一个可靠的方案.1.1 机械硬件结构手机背板缺陷检测机械结构包括提取背板的吸盘及气缸、工业相机、光源、工控机、图像采集模块、图像处理模块等. 当机台启动时, 载有手机背板的托盘被送入机台指定位置, 吸盘提取背板并放置在相机下方进行图像采集, 通过相机、光源、传感器等图像采集单元将图像信号传输到工控机上[7]. 工控机上的图像处理模块利用Halcon 中的图像处理算法对背板进行图像定位、图像增强等预处理操作, 然后根据预定的手机背板表面缺陷检测算法判断待检品是否存在缺陷, 最后由运控模块将检测出的OK 、NG 产品分类放置. 手机背板缺陷检测系统如图1所示.1.2 图像处理软件结合VS 2022集成开发环境, 使用图像处理开源库研发, 实现基于Halcon 的手机背板表面缺陷快速检测. Halcon 的开发接口支持几乎所有的工业相机和框架抓取卡, 功能覆盖数学运算、图像滤波、形态学分析、图像校正、颜色处理和几何及模式识别等计算任务. 手机背板的表面缺陷主要包括脏污、划伤、腐蚀点、水渍等. 手机背板的常见表面缺陷如图2所示.图像采集模块载有手机背板的托盘图1 手机背板缺陷检测系统 图2 手机背板常见表面缺陷手机背板缺陷检测流程如图3所示. 检测的主要步骤包括: (1)图像采集模块采集图像传输至图像处理模块; (2)运用图像定位、通道转换、图像增强和感兴趣区域(Region Of Interest, ROI)提取进行图像预处理;(3)将手机背板图像非logo 区域和logo 区域分开; (4)对不同区域进行检测, 并根据各缺陷特征将识别的缺22 湖南理工学院学报(自然科学版) 第37卷进而提取到特定特征点(角点、边缘、logo等)的位置信息, 后续在对齐的图像上应用相应的缺陷检测算法. 图4为部分特征点提取结果展示.2.2 通道转化现场缺陷检测机台CCD相机采集的图像为4096像素×4096像素RGB三通道的彩色图像. 为简化后续图像处理与分析, 并降低计算复杂度, 可将三通道图像转换成单通道图像, 对于特定问题只提取某个通道作为灰度图像. 该环节应尽可能防止手机背板部分颜色信息的丢失, 故按照Halcon中decompose3算子将输入的RGB图像分解为红、绿、蓝三个通道的图像. 图5为通道转换后的相应效果图. 在RGB图像中, 每个像素的颜色由红、绿、蓝三个通道的亮度值确定, 其亮度值范围为0~255, 0最暗, 255最亮. decompose3算子将每个像素的RGB值分别存储在三个通道图像中, 将RGB图像转换为三个独立的8位灰度图像, 每个灰度图像对应一个通道. 分解后的图像, 可根据后期实际项目情况达到特定的图像效果和任务需求.输入：Image输出：Image1输出：Image2输出：Image3图4 图像特征点区域及其坐标信息图5 通道转换效果2.3 图像增强实际检测流水线中采集的手机背板图像数量众多, 且图像易受外界传感器、环境或者传输影响, 带来图3 手机背板缺陷检测流程第1期 朱志鹏, 等: 基于Halcon 的手机背板表面缺陷快速检测方法 23 的变化具有不确定性, 因此成像的统一性是缺陷检测中不可忽视的重要问题之一. 图像增强的作用是改善图像的质量、对比度、清晰度或者细节等以突出图像中的一些重要的缺陷特征, 同时弱化非必要的图像信息. 以腐蚀点缺陷特征为例, 使用scale_image 算子调整图像的对比度, 调整前后对比如图6所示.scale_image 算子根据设定的目标值对输入的手机背板图像像素值进行线性映射, 即scale max min255factor ,value value =- (1) scale min offset factor value ,=-⨯ (2)new scale pixel factor pixel offset.=⨯+ (3)其中max value 、min value 分别是输入图像像素值的最大值和最小值, scale factor 、offset 分别是像素映射的斜率和偏移, new pixel 是线性映射后的新像素值. 通过增强图像, 可以使采集到的图像更易于观察、分析和处理, 以适应不同的要求和环境, 进而提高缺陷检测算法的准确性和效果.2.4 感兴趣区域提取受工业环境复杂性等影响, 实际采集到的手机背板图像有较多非必要背景, 还需将背板图像中的相机孔、logo 区域分离开, 即对感兴趣区域(ROI)进行提取, 以便进行后续的缺陷检测工作. 图7为手机背板部分点位的感兴趣区域提取过程效果图.通过ROI 提取可以减少图像处理的时间和计算量, 进而提高检测算法的效率和性能. 本文数据集单张图片规格为4096像素×4096像素, 占据内存48 MB, 每一组图像(包含可采集到手机背板全部信息的8个点位图像)占内存384 MB, 且每次至少检测100组数据, 因此缺陷检测的数据集属于大型数据集.调整前调整后原图分离背景分离相机孔、logo 图6 scale_image 算子调整图像对比度效果图7 ROI 提取效果 3 手机背板表面缺陷检测智能手机在设计的时候会划分不同的功能和装饰区域, 其中之一是logo 区域. 这个区域通常包括特定图案及文字, 往往会采用不同于手机背板其余区域的材料和颜色等. 由于这种划分, 手机背板的缺陷检测需要能区分这两个区域, 即logo 区域和非logo 区域. 因此, 需根据每个区域的特定性质实施不同的检测策略.3.1 logo 区域检测手机背板上的logo 和小字体通常设计为尺寸、形状固定, 具有高度标准化[8], 模板匹配算法能够轻松识别出其在不同图片中的相似区域. 这种一致性降低了算法出错的可能性, 提高了检测的准确性. 由于logo 等字体区域包含大量可区分的特征信息, 即使存在噪声或图像质量的轻微变化, 模板匹配技术通常也能可靠执行. 本文采用最小二乘法模板匹配遍历待检测图像的每个像素点, 将待检测图像与模板图像进行匹配, 通过对比计算两者对应位置的匹配得分来确定它们之间的差异, 匹配效果如图8所示. 设置一24 湖南理工学院学报(自然科学版) 第37卷个分数阈值, 当匹配得分超过设定的阈值时, 可以认为该位置与模板匹配良好, 从而达到对logo文字区域的检测效果.模板图待检测图8 手机背板logo区域检测3.2 非logo区域检测(1) 缺陷初筛对于非logo区域缺陷的检测, 先读取图像并将其转换为灰度图像, 水平和垂直方向遍历ROI图像的每一个像素点, 根据需求筛选出特定的灰度值. 记录所选灰度值像素点的位置信息, 并绘制出对应的散点图, 通过观察散点图来初步识别缺陷. 如果特定灰度值与缺陷特性相关, 那么这些灰度值的像素点的聚集可能就暗示着潜在缺陷的存在. 同理, 特定灰度值可换成其他缺陷相关的特征信息. 图9为背板ROI图像缺陷初筛灰度散点分布.图9 背板ROI图像缺陷初筛灰度散点分布(2) 缺陷检测初筛之后, 基于Halcon机器视觉软件平台, 对经过预处理的手机背板表面缺陷图像进行二进制大型对象(Blob)分析处理来细化缺陷检测, 提取出脏污、划伤、亮斑、腐蚀点等缺陷特征, 然后使用select_shape( )算子基于面积、周长、圆度、长短轴比、平均灰度等特征将识别出的非缺陷特征部分排除掉. 再采用area_center( )和intensity( )算子计算剩余区域的中心位置、面积和灰度值平均强度、标准偏差, 其中intensity( )算子可分析区域的纹理和一致性. 这种综合利用面积、位置和灰度信息的方法极大提高了对真第1期 朱志鹏, 等: 基于Halcon 的手机背板表面缺陷快速检测方法 25 实缺陷的识别能力. 最后, 通过对剩余候选区域的细致分析, 能够进一步筛选出真正的缺陷, 降低漏检率和误判率, 提高手机背板表面缺陷检测的精确度和可靠性.(3) 缺陷分类 接下来对手机背板表面几种常见工艺缺陷进行特征分析, 目的是选出有效特征进行提取. 这些特征包括几何特征、形状特征、颜色特征等. 为将缺陷及其相关特征进行可视化和量化, 对各类缺陷图像及其特征进行统计, 结果见表1. 每种缺陷类型都会与相应的示例检出图像配对展示, 紧接其后是各自的特征统计数据. 这些数据的统计不仅有助于揭示缺陷的本质和特征, 更重要的是, 为后续的分类算法设计提供了依据. 表1中单位pixel 表示像素.表1 各类缺陷图像及其特征统计特征类别缺陷名称脏污碰伤水渍斑点划伤异色 擦伤面积/pixel 1869 11006 151868 960 9550 365705 11671周长/pixel 213.581 407.061 3248.130126.627 1691.8505014.200 1500.480宽/pixel 40 112 950 36 88 1297 398高/pixel 87 136 274 34 736 560 68最大直径/pixel 90.758 135.724 953.546 38.079 739.899 1401.700 400.522圆度 0.273 0.735 0.200 0.805 0.022 0.154 0.086矩形度 0.820 0.780 0.670 0.851 0.762 0.630 0.610紧密度 1.942 1.198 5.528 1.329 23.851 5.470 15.351凸形 0.929 1.00 0.816 0.944 0.756 0.936 0.669长短轴比 3.664 1.308 3.616 1.042 40.718 2.984 7.723蓬松度 1.035 1.010 1.224 1.017 1.040 1.174 1.237平均灰度67.153 151.121 155.856 39.413 92.731 100.489 121.421 4 实验结果与分析出率是互补的, 其计算公式为FN MR 1DR.TP FN==-+ (5) 误判率是系统错误标记为缺陷的非缺陷项目与所有实际非缺陷项目的比例, 反映系统产生误报的频率, 其计算公式为FP FAR .FP TN=+ (6)26 湖南理工学院学报(自然科学版) 第37卷其中TP为真阳性(正确识别为缺陷的数量), TN为真阴性(正确识别为非缺陷的数量), FP为假阳性(错误识别为缺陷的数量), FN为假阴性(错误识别为非缺陷的数量, 即漏检数).按照本文的缺陷检测方案, 实际的检测结果见表2. 可以看出, 基于Halcon的自动化图像处理系统在扫描手机背板表面缺陷方面表现优异. 该系统的检出率达到94.167%, 这意味着其能够检测到几乎所有缺陷, 确保产品质量的高标准. 同时, 误判率仅为3.125%, 表示它几乎不会将良好的产品错误判定为次品, 这对于减少浪费和维护生产流程的连续性至关重要. 此外, 该系统的图像处理速度达到平均500 ms/张, 这样的速度可以轻松适应快节奏的工业生产线, 确保不会成为生产效率的瓶颈. 与传统的人工检测方式相比, 这种自动化缺陷检测方案显著提升了检测的速度, 同时也提高了结果的一致性和可重复性, 减少了因人为判断不一致引起的误差.表2 检测结果统计有缺陷样本数/个检出数/个检出率/% 平均耗时/ms 120 113 94.167 524.1无缺陷样本数/个检出数/个误判率/% 平均耗时/ms 800 25 3.125 512.75 结束语本文基于Halcon图像处理软件, 提出了一种先进的手机背板表面缺陷检测方法. 该方法利用Halcon 强大的图像分析库, 结合自定义的算法, 实现了对手机背板上各类缺陷的快速准确检测. 通过采集高分辨率图像, 并运用Halcon中的图像预处理、特征提取、分类器训练和模板匹配等多种算子, 本文方案能够有效区分正常品和次品, 提高了生产线的自动化水平和质量控制精度. 实验结果表明, 缺陷检出率达到了94%以上的高水平, 同时将误判率控制在3%左右, 证明了该方法的可靠性和实用性. 此外, 每张图像的平均处理时间约为500 ms, 使得本方法能够适应高速的工业生产环境. 另外, 本文提出的快速检测方法已应用于成都、杭州等地企业的实际项目.本文虽然给出基于工业背景下的手机背板表面缺陷快速检测方法, 但该方法在一些极端工作条件下仍存在一些局限性, 例如在背景复杂或光照条件极端变化时, 检测性能可能受到影响. 因此, 未来的工作将致力于提高算法的鲁棒性, 以确保算法在不同的生产环境下都能保持高效稳定的检测性能. 此外, 随着人工智能和机器学习技术的快速发展, 如何进一步融入深度学习等创新方法以提升检测准确度和速度, 也将是我们下一步研究的重点.参考文献:[1]陶显, 侯伟, 徐德. 基于深度学习的表面缺陷检测方法综述[J]. 自动化学报, 2021, 47(5): 1017−1034.[2]郭绍陶, 苑玮琦. 基于双高斯纹理滤波模板和极值点韦伯对比度的圆柱锂电池凹坑缺陷检测[J]. 电子学报, 2022, 50(3): 637−642.[3]高春艳, 秦燊, 李满宏, 等. 改进YOLOv7算法的钢材表面缺陷检测研究[J/OL]. 计算机工程与应用, 1−12[2024-01-22].[4]CHAO S M, TSAI D M, LI W C, et al. A generalized anisotropic diffusion for defect detection in low-contrast surfaces[C]// Proceedings of the 20thInternational Conference on Pattern Recognition, IEEE, 2010: 4408−4411.[5]曾毅, 郭龙源, 罗百通. 基于BP神经网络和均值差分的TFT-LCD MURA缺陷检测方法[J]. 湖南理工学院学报(自然科学版), 2017, 30(1):32−38.[6]任鹏霏, 周传德, 胡帅, 等. HALCON图像处理在纸杯缺陷检测中的应用[J]. 自动化应用, 2019 (6): 98−99+103.[7]贺振东, 王耀南, 毛建旭, 等. 基于反向P-M扩散的钢轨表面缺陷视觉检测[J]. 自动化学报, 2014, 40(8): 1667−1679.[8]汪成龙, 黄余凤, 陈铭泉, 等. 基于Halcon的字符缺陷检测系统[J]. 制造业自动化, 2018, 40(9): 38−41.。
aoi工艺流程
aoi工艺流程
Aoi工艺流程是指自动光学检测（Automatic Optical Inspection，AOI）技术在工业生产过程中的应用流程。
AOI是一种通过光
学设备进行自动化检测的技术，用于检测产品的质量、组装错误和焊接不良等问题。
以下是一般的AOI工艺流程：
1. 准备工作：包括设备的安装和调试、设置产品参数和检测要求等。
2. 产品进料：将待检产品送入AOI设备，可以是单个零件、
组件或成品。
3. 光学扫描：AOI设备使用光学摄像头等装置对产品进行扫描和拍照。
4. 图像处理：将采集到的图像传输到计算机系统中进行处理。
这一步通常包括图像滤波、增强、分析和特征提取等算法。
5. 缺陷检测：通过图像处理算法，对产品进行检测和分析，确定其中存在的缺陷，如表面裂纹、短路、焊接不良、贴装错误等。
6. 缺陷分类：根据不同的缺陷类型，将产品进行分类，以便后续的处理和修复。
7. 结果输出：将检测结果输出到显示屏或其他媒介中供操作员查看和分析。
通常采用图像标记或标注的方式，将缺陷位置和类型标示在产品图像上。
8. 后续处理：根据检测结果，对存在缺陷的产品进行分拣、修复或退回重新加工等操作。
9. 数据分析和统计：对检测到的缺陷数据进行分析和统计，以评估生产质量和改进生产工艺。
10. 设备维护：定期对AOI设备进行维护和保养，确保其正常运行和精确检测。
以上是一般的AOI工艺流程，具体的操作步骤和流程可能根据不同的工艺需求和设备配置而有所差异。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
表面缺陷检测系统流程
表面缺陷检测系统的流程一般包括以下几个步骤：
1. 图像采集：首先将待检测的物体放置在检测区域，并使用相机或其他图像采集设备对其表面进行拍摄或扫描，获取高分辨率的图像。
2. 图像预处理：对采集到的图像进行预处理，包括图像去噪、增强、灰度化、二值化等处理步骤，以提高后续缺陷检测算法的准确性和鲁棒性。
3. 特征提取：从预处理后的图像中提取与缺陷相关的特征信息，例如颜色、纹理、形状等特征，以帮助系统进行缺陷的分类和识别。
4. 缺陷检测算法：根据特征提取的结果，采用相应的检测算法进行缺陷的判断。
常用的缺陷检测算法有基于规则的方法、基于统计学习的方法、基于深度学习的方法等。
5. 缺陷分类与识别：对检测到的缺陷进行分类和识别，根据事先定义好的缺陷类型，将每个缺陷标记为特定的类别，并输出相应的检测结果。
6. 缺陷定位与标注：根据检测结果，在原始图像或者标注图像上进行缺陷的定位和标注，将缺陷的位置信息和相应的类别信息进行标记。
7. 输出结果显示：将检测结果通过人机界面或其他形式进行显示，使操作人员可以直观地了解缺陷检测的结果。
整个流程可能会根据具体的系统和应用场景而有所差异，上述步骤只是一般的流程框架。
具体的实施细节和算法选择会根据实际情况进行调整。