s11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片,并进行匹配定位;
s12、对所述凸台图片进行仿射变换后与端面图片对齐;
s13、根据自定义的核提取所述端面图片的高频分量;
s14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片;
s15、依照所述融合图片进行缺陷检测。
我们是一群由杭州电子科技大学赵巨峰带领的台湾研发及业务团队其中imagemerge1表示初步融合图片,imagemerge2表示融合图片,k1代表image1的权重系数,k2代表image2的权重系数,a表示拉伸系数,b表示拉伸偏移;image1表示凸台图片,image2表示端面图片。
根据本发明的一个方面,所述步骤s2包括:
s21、利用层拍相机沿z轴方向对镜头内部进行层拍获得多张图片,并按照顺序等分为多组;
s22、对每一组图片进行缺陷分割和识别,将符合缺陷标准的所有缺陷放入到缺陷容器中;
s23、在所述缺陷容器中,通过比较缺陷中心距离偏差值将同一位置处的缺陷筛选出来;
s24、根据清晰度算法筛选出同一位置处表现为清晰的缺陷,按照此缺陷判断其尺寸是否为缺陷产品。
因为手机镜头的端面区域和凸台区域存在一定的高度差,现有技术中需要拍摄两张图像并进行两次算法检测,导致检测速度慢、cpu负载高。而本发明的端面和凸台检测方法有效地解决了这一问题,具体来说,根据本发明的一种实施方式,本发明的端面和凸台检测方法需要对端面和凸台按照如下公式的模板匹配获得r(x,y)值时得到两组值(x1,y1,phi1;x2,y2,phi2)分别代表定位的x坐标、y坐标和角度:
之后对凸台图片进行仿射变换后与端面图片对齐,
1.1缺陷的定义
当前对于缺陷有两种认知的方式,种是有监督的方法,也就是体现在利用标记了标签(包括类别、矩形框
或逐像素等)的缺陷图像输入到网络中进行训练.此时'缺陷意味着标记过的区域或者图像。第二种是无监督的
方法,就是将正常无缺陷的样本进行学习,学习正常区域的特征,网络检测异常的区域。
缺陷检测的任务大致分为三个阶段分别是缺陷分类、缺陷定位、缺陷分割,如下图所示,缺陷分类需要分类出
缺陷的类别(色、空洞、经线) ; 缺陷定位不仅需要获取缺陷的类别还需要标注出缺陷的位置; 缺陷分割将
缺陷逐像素从背景中分割出来。
以上信息由专业从事表面瑕疵检测系统的宣雄于2024/5/12 5:29:51发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2750972871.html