CN110672617A 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 （华南理工大学）

基于机器视觉的智能手机玻璃盖板丝印区本发明公开了一种基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，包括如下步2利用深度学习对线缺陷、IR孔缺陷和字符缺2.根据权利要求1所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特征在于，所述采集手机玻璃盖板图像具体采用16K的线阵相机分别对上半片与下半片的手3.根据权利要求1所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特4.根据权利要求3所述所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，5.根据权利要求1所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特利用所采的标准的手机盖板图像，通过全局阈值在线检测时，利用模板匹配法，对检测中的手机利用获取的信息，把手机盖板的标准模板仿射变换至37.根据权利要求6所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特述的孔的标准模板和字符的标准模板分别移动到对应的位置，在原图上获取该区域的图获取干扰区，根据读取的信息中的干扰区信息的8.根据权利要求1所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特9.根据权利要求1所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其特宽为1～5个像素的长条矩形进行开运算，去除小于0～100个像素的垂直方向的边缘凸起；4将得到的修正轮廓与原来的检测轮廓进行布尔运算，即可得到边缘的崩边的缺陷信11.根据权利要求10所述基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法，其针对点状不良：针对线状不良：针对面状不良：5选取预处理模型，所述预处理模型是由HALCON软件所提供的pretrained_dl_若缺陷的最小正外接矩的宽或者长小于标准的最小正外接矩大2～20个像素的框的灰度值平均值填充,主要是为了提取缺陷附近的平获得训练好的深度学习分类器后，直接把缺陷或者整6[0003]目前，玻璃盖板的缺陷检测采用人工检测和AOI检测(AutomatedOptical7[0018]进一步地，所述采集手机玻璃盖板图像具体采用16K的线阵相机分别对上半片与[0020]预先制作一个比视窗小1～10个像素的检测框架，然后利用全局阈值初步把手机[0023]利用所采的标准的手机盖板图像，通过全局阈值分割提取手机把所述孔标准模板和字符的标准模板分别移动到对应的位置，在原图上获取该区域的图8填补小于0～100个像素的垂直方向的边缘9[0062]选取预处理模型，所述预处理模型是由HALCON软件所提供的pretrained_dl_缺陷的最小正外接矩大2～20个像素的框的灰度值平均值填充,主要是为了提取缺陷附近[0082]图1是本发明缺陷提取流程示意图。基于机器视觉的智能手机玻璃盖板丝印区缺~10个像素的检测框架，然后利用全局阈值初步把手机盖板的区域筛选出来，接着先判断体是利用单通道的图像的灰度值在0～255之间的特性，设定一个在0～255范围内的数值，神经网络以输入-输出模式时，它可以通过自我调整使误差达到最小，即通过训练进行学些缺陷处于的背景十分复杂或者形状相似，利用传统的神经网络分类器是难以识别出来间代价相比于传统的分类器较大，因此用来处理后者无法有效处理的问题上比较贴合实[0128]S101、选取预处理模型，该模型是由HALCON软件所提供的pretrained_dl_陷的最小正外接矩大2～20个像素的框的灰度值平均值填充,主要是为了提取缺陷附近的过多步的特征提取，再输入到一个model里训练出一个function，需要寻找最优的特征组