芯片载带缺陷的机器视觉检测方法

目的 针对芯片包装载带在生产过程中经常出现的型腔底部和边缘变形、穿孔等缺陷的检测问题,提出一种机器视觉检测方法。方法 首先离线准备配准模板及标准模板图像,然后根据模板在生产过程中进行在线检测。在检测过程中由传感器触发采集待检测型腔图像,然后通过模板匹配方法配准模板图像和待检测图像,并进行异或运算检测两图像差异从而定位缺陷。结果 实验证明边缘变形检测最大错误率为0.45%,底部变形检测最大错误率为0.50%,穿孔检测最大错误率为0.35%,每帧图像检测平均耗时为0.22 s,满足用户错误率不超过1%和每帧耗时不超过0.5 s的要求。结论 该方法能够实时检测芯片载带边缘变形、穿孔等缺陷,有效地实现载带加工生产过程中的质量监控。     

手机玻璃屏表面缺陷视觉检测方法研究

目的针对手机玻璃屏表面缺陷人工检测存在的准确率低、稳定性差等问题,提出一种基于机器视觉技术的手机玻璃屏表面缺陷检测方法。方法采用统计平均法建立模板图像,以减少外界光照对模板图像的灰度影响。采用基于互信息的配准方法实现模板图像和待测图像的像素对齐,将配准后的待测图像与模板图像进行差分运算,获取残差图像,并采用Niblack方法实现残差图像上的缺陷判断。通过搭建的实验平台获取了300幅手机玻璃屏图像,并采用文中提出的方法、模板匹配法和人工检测法对300幅图像实施缺陷检测。结果实验结果显示,文中方法的真正率为92%,真负率为96.5%和准确率为95%。与模板匹配法和人工检测法相比,文中方法在真正率、真负率和准确率上分别至少提高了5%,4%和4.3%。结论文中方法与人工检测方法相比,提高了手机玻璃屏表面缺陷检测的准确率和稳定性。     

复杂底纹柔性卫生用品表面缺陷检测算法研究

目的 柔性卫生用品由于其材料表面不平整、产品容易发生变形等特性,给机器视觉中图像关键区域的定位和分割带来了很大问题,从而影响检测结果。为了解决复杂底纹柔性卫生用品表面脏点的检测问题,提出一种新型检测算法,以实现对复杂底纹柔性卫生用品快速又精准的检测。方法 在该检测算法中首先对采集的模板图像和样本图像进行预处理,在模板图像中创建一个合适特征模板,根据特征模板进行样本图像的匹配和定位;然后把经过精准定位后的样本图像进行关键区域分割;最后运用差影法把样本关键区域中的缺陷找出。该算法采用德国MVtec公司的halcon算子加以编程实现。结果 实验结果显示,该算法能够识别棉芯表面大于0.04 mm2的脏点,检测1幅图片的平均时间平均在100 ms,检测准确率为100%。结论 文中方法与传统方法相比,鲁棒性强,速度快,能够满足工业高速生产的需求。     

彩色印刷品缺陷快速精确检测方法研究

目的为解决在不同光照强度下,彩色印刷品缺陷检测的实时性和精确性问题,基于CIE L*u*v颜色空间和SURF算法,提出一种面向彩色印刷品缺陷的快速精确检测方法。方法采用中值滤波器,对采集到的待检测印刷图像进行滤波去噪;将采集到的样张图像与待检测印刷图像由RGB颜色空间转换到CIE L*u*v颜色空间;基于SURF算法,构建CIE L*u*v颜色描述向量的122维特征描述符;使用双线程并行方法,计算样张图像与待检测印刷图像中兴趣点间的欧式距离进行匹配,以兴趣点的全部匹配成功来表明待检测印刷图像无缺陷。结果在光照度150~650 lux范围内,能够对常见的位置偏移、墨迹沾染、色彩改变等印刷质量缺陷进行检测,其平均耗时为650 ms。结论该方法所需硬件配置简单,对光照强弱变化有较好的适应性,对常见的印刷质量缺陷能够给予快速精确的检测。     

基于比例特征的区域分割算法在药板缺陷检测中的研究

目的 为解决铝塑泡罩药板图像ROI区域定位慢、精度差等问题,本文提出一种基于比例特征的泡罩区域分割算法,该算法可以快速定位并分割泡罩ROI区域,结合图像相关性特征算法对铝塑泡罩药板进行缺陷检测。方法 首先通过工业相机采集药品包装生产线上的药板原始图像,接着使用Blob分析从原始图片中分离出铝塑泡罩主体部分,然后通过仿射变换将图像放置在中心区域,并使用比例特征分割算法对泡罩区域进行分割,最后通过金字塔加速的NCC算法完成缺陷检测。结果 实验结果表明,基于比例特征分割后的图像平均NCC匹配时间为9 ms,在缺陷样本占比20%的实验中误检率为0.167%,漏检率为0.556%。结论 通过比例特征分割出精准的泡罩ROI区域结合改进的NCC算法,在拥有较高准确率的同时大幅减少了缺陷检测时图像匹配的时间,能较好地完成铝塑泡罩药板的缺陷检测任务。     

一种基于改进动态阈值的缺陷提取算法

通过研究经典的缺陷识别算法,提出了一种改进的动态阈值的图像差分算法。该算法采用整体灰度特征与局部相结合的方法,得到差分图像进行印刷缺陷提取。实验运行表明,此方法能快速检出印刷缺陷的位置及面积,准确率高达98%,效率比传统的动态阈值法高26%,在高速生产环境下运行稳定可靠,能够满足印刷品在线质量检测的要求。     

印刷品自动光学检测伪缺陷去除方法

目的 为了解决使用差影法进行印刷品表面缺陷自动光学检测存在伪缺陷从而造成误检的问题,提出一套通过提高配准精度和空间滤波来减少伪缺陷的方法。方法 使用连续域蚁群算法求全局最优解,改进基于轮廓的模板匹配算法配准精度,减少伪缺陷的产生;配准时的仿射变换会产生轮廓伪影,根据伪影的分布特点将图像切分成轮廓区和非轮廓区。分别使用不同的空间滤波方法削弱伪缺陷,再使用阈值分割将其剔除。结果 在实验环境中,连续域蚁群算法改进的基于轮廓的模板匹配配准方法,可精确到亚像素级,配准率为92%;使用空间滤波剔除伪缺陷后进行缺陷检测,缺陷误检率为0,漏检率为3%;印刷品表面缺陷平均检测时间为1.05 s,最长时间小于1.5 s。结论 该研究改善了差影法在自动光学检测中的效果,方法快速、有效、易于实现;在降低了缺陷误检率的同时不会造成大量漏检;满足在线检测的要求,可用于实际工业生产。     

小样本药用玻璃瓶缺陷生成方法及应用

目的 为了克服药包玻璃瓶缺陷样本不足带来的缺陷检测模型精度不准的问题,提出改进StyleGAN2-ADA的缺陷样本生成方法,提升模型鲁棒性。方法 首先,基于StyleGAN2-ADA算法,在无缺陷图像集上训练网络模型并作为骨干。其次,在骨干网络上添加缺陷感知残差块,生成缺陷掩码,在少量的缺陷图像数据集上训练网络模型操纵掩码区域的特征,模拟缺陷图像生成过程,合成缺陷图像。最后,采用YOLOv7检测网络验证该样本生成方法的效果。结果 实验结果表明,该方法在大量正常图像和少量缺陷图像基础上生成逼真且多样性的缺陷图像,应用该缺陷样本合成方法丰富数据集后,西林瓶缺陷检测平均准确率（mAP）达到97.3%,较原始数据集合和StyleGAN2-ADA算法分别提高了33.1%和4.1%。结论 该图像生成方法可以在少量缺陷样本下生成高质量的缺陷图像,优化不均衡数据集,增强模型训练的稳定性,提高药用玻璃包装产品的质量和合格率。     

基于骨架模板匹配的彩色印刷品文字缺陷检测

针对彩色印刷品文字缺陷检测难等问题,提出了基于骨架模板匹配的文字缺陷检测方法。选取标准样本图像中有代表性的颜色,经过粗分割和精分割,提取主颜色;在每个主颜色的色板上分析连通分量区域几何位置关系,定位文字区;逐步细化文字区色板并赋予不同权值,得到骨架模板;把待检样品图像与骨架模板匹配得到缺陷信息并标记在待检样品图像上,完成缺陷检测。实验结果表明,该方法能有效消除印刷过程中多种干扰带来的抖动和配准精度对文字缺陷检测的影响,精确实现文字缺陷检测。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

基于改进YOLOv5的药用胶囊表面缺陷检测方法

目的 在质检过程中精确快速地检测到药用空心胶囊的表面缺陷。方法 基于YOLOv5算法,针对模型网络参数量大和对长距离依赖关系的学习能力较弱的问题,提出在主干网络部分引入GhostNet模块和坐标注意力机制,使网络有效捕捉数据位置信息和通道信息的关系。结果 实验结果表明,改进的网络结构能够在参数量下降为原来的57%的前提下,对药用胶囊表面的破损、印刷错误、孔洞、划痕、凹陷等5类缺陷的平均检测精度达到96.9%,相较于YOLOv5s提高了2.4个百分点,检测速度提升了12帧/s。结论 文中方法能够有效对药用胶囊表面缺陷进行分类和定位,提高缺陷检测的准确率。     

基于改进YOLOv5的新材料地板表面缺陷检测研究

目的 提升质检过程中新材料地板的表面缺陷检测精度。方法 通过翻转、水平迁移和垂直迁移对采集到的缺陷图像进行扩充,构建新材料地板缺陷数据集。基于YOLOv5算法,增加一个预测头,使算法对微小缺陷更加敏感;其次在网络的特征融合层应用Swin Transformer模块,形成注意力机制预测头,提高网络特征提取效率;然后在网络主干末端加入SE模块,使网络提取有用的信息特征,提高模型精度。结果 实验结果表明,提出的新材料地板表面缺陷检测方法能够准确判别地板好坏,并能够识别出白色杂质、黑斑、边损、气泡胶等4类表面缺陷,各缺陷类型的平均精确均值为82.30%,比YOLOv5 Baseline提高了6.58%,相比其他典型目标检测算法也能够更准确和快速地识别地板表面缺陷。结论 通过改进的YOLOv5算法可以更准确地对地板表面缺陷进行分类与定位,从而大大提高工业质检效率。     

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

目的 为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。方法 通过设计高质量图像采集方案来避免胶囊表面出现光斑,以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法,建立深度学习检测模型,利用多尺度特征提取以及训练策略,增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值,以提高模型对胶囊表面缺陷的预测性能。结果 实验结果表明,提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷,其中对于胶囊有无缺陷的平均精确均值达99.05%,各缺陷类型的平均精确率为91.81%,而每秒检测图像可达22张。与其他典型的目标检测方法相比,文中方法在检测速度和精度上都有一定优势。结论 文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位,具有较好的检测效果和稳定性,在满足生产质量管控要求的同时,可大幅降低人工成本。     

基于增强的低对比度印品缺陷的识别技术研究

目的 针对当前印刷缺陷检测系统中存在的低对比度印刷缺陷检测精度不高等问题,基于HSV颜色空间,提出一种增强的低对比度印刷缺陷识别方法。方法 首先,将标准样张图像与采集到的印刷图像由RGB颜色空间转换到HSV颜色空间,并提取视觉上变化敏感的亮度分量V作为待检测对象;其次,将对比度受限的局部直方图均衡（CLAHE）与数学形态学相结合,来增强显现待检测图像中的缺陷;再次,使用连通域分析方法来获取缺陷的面积、周长、离心率、长宽比和圆形度等5种特征信息,并以此建立15个特征模型;最后,构建基于PNN的印刷缺陷识别神经网络,并在Matlab中实现对低对比度印刷缺陷的识别。结果 15个模型的平均耗时为475 ms,都控制在毫秒级别,满足了现代印刷缺陷检测对于实时性的要求。其中模型2的测试正确率为95%,能够识别污点等点缺陷,模型3和模型12的测试正确率为93%和93.3%,能够识别刮痕等线缺陷,模型5的测试正确率为93.1%,能够识别墨迹等面缺陷,且测试正确率高于基于BP神经网络的缺陷识别方法。结论 从缺陷检测的实时性和精确性上来讲,提出的方法能够对低对比度印刷缺陷进行实时和精确的检测。     

基于 DP 方法的印刷品图像检测技术研究

目的研究印刷品图像质量在线检测及反馈。方法利用机器视觉检测技术、数字图像处理技术,并基于DP方法对标准样张和有缺陷样张进行分割和匹配,根据图像不同的分辨率和所需检测精度来设计图像不同的分割方式,从而进行颜色信息的检测和分析,利用二级识别缺陷分类技术将缺陷进行分类,显示相应的缺陷类型,从而提高印品总体质量。结果与传统的印品质量检测相比,实现了对印刷质量检测的高速度和高精度的要求。结论基于DP方法结合缺陷特征,能够快速、准确地检测出印刷品缺陷。     

基于YOLOv3的医药玻璃瓶缺陷检测方法

目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。     

包装印刷品条码质量检测方法

目的为保证商品条码在物流系统中的快速识别和信息传递,研究条码的质量检测方法。方法首先分出条码区域,考虑到条码的特殊属性,需要满足其可识读功能,设计针对EAN-13商品条码的印制质量检测方法,包括可识读检测和印刷缺陷检测。根据条码检测的国家标准,条码可识读检测部分,采用扫描反射率曲线分析法和条码质量分级法对条码的可识读性进行判定。条码缺陷检测部分经过条码校正、条码与字符的分割和条码大小的归一化等处理后,选定基于垂直投影的缺陷检测算法对条码的脱墨和污点缺陷进行检测。结果条码识读程序对合格品和缺陷品的识读准确率都为100%,条码缺陷检测算法程序的平均检测耗时为93.35 ms,检测准确率为94%。结论条码质量检测系统具有较高的检测准确率,并且能够很好地满足机器视觉缺陷检测速度的要求。     

基于GRNN-PNN神经网络的印铁缺陷分类方法

目的针对在印铁过程中缺陷检测系统存在不同缺陷类型检测精度不高,对于产品整体质量无法实现智能判断的问题,基于GRNN-PNN神经网络,提出一种适用于印铁在线检测的分类算法。方法对平面印刷铁片进行小波变换提取低频信息,在低频信息中进行缺陷定位并对缺陷区域进行标记和分割。通过缺陷面积、周长等评价指数和缺陷形状构建GRNN神经网络,对缺陷进行分类。通过构建PNN神经网络智能化判别整体产品是否属于合格产品。结果 GRNN-PNN平均耗时0.69s,达到了厂方对于缺陷在线检测的响应时间要求。GRNN-PNN多分类的准确率为86%,能够对印铁过程中产生的主要缺陷进行分类。二分类的灵敏度为96%,可以准确地判断产品整体的合格性。在5%的椒盐噪声干扰下,准确率为63%,具有良好的鲁棒性。结论该设计能够对印铁缺陷进行精确的分类和智能的判断,GRNN-PNN神经网络可以在印铁过程中进一步提高检测精度,GRNN-PNN神经网络可帮助质检员及时判断生产质量。     

粉状炸药自动包装工艺的改进研究

目的 针对印刷品表面缺陷检测中计算实时性差、缺陷类型识别率不高等问题,提出一种改进灰度共生矩阵(GLCM)的印刷品表面缺陷检测方法。方法 首先对主流的缺陷检测流程进行优化设计,通过对图像进行预处理和差分操作,判断待测印刷品表面是否存在形状缺陷;然后针对传统灰度共生矩阵的特征提取维度高、信息易丢失、旋转不变性差等问题,设计一种综合考虑效率和实时性的缺陷区域特征参数提取算法;最后结合得到的特征参量,通过基于支持向量机的分类器完成不同形状缺陷的分类识别。结果 实验结果表明,文中所设计的改进算法所提取的特征参量更能精确表征缺陷区域的特征,同时,特征参数的提取时间和缺陷分类识别率等指标均比传统检测方法更有优势。结论 在保证计算实时性的前提下,文中所设计的检测方法能有效完成印刷品表面缺陷区域的纹理特征识别能力,具有较高的分类识别率。     

Algorithmic Scheme for Concurrent Detection and Classification of Printed Circuit Board Defects

An ideal printed circuit board (PCB) defect inspection system can detect defects and classify PCB defect types. Existing defect inspection technologies can identify defects but fail to classify all PCB defect types. This research thus proposes an algorithmic scheme that can detect and categorize all 14-known PCB defect types. In the proposed algorithmic scheme, fuzzy c-means clustering is used for image segmentation via image subtraction prior to defect detection. Arithmetic and logic operations, the circle hough transform (CHT), morphological reconstruction (MR), and connected component labeling (CCL) are used in defect classification. The algorithmic scheme achieves 100% defect detection and 99.05% defect classification accuracies. The novelty of this research lies in the concurrent use of CHT, MR, and CCL algorithms to accurately detect and classify all 14-known PCB defect types and determine the defect characteristics such as the location, area, and nature of defects. This information is helpful in electronic parts manufacturing for finding the root causes of PCB defects and appropriately adjusting the manufacturing process. Moreover, the algorithmic scheme can be integrated into machine vision to streamline the manufacturing process, improve the PCB quality, and lower the production cost.