人工目检产品表面的划痕缺陷，会因为工人的经验，疲劳等客观因素，导致检测结果不一致，检测效率也难以提升。采用机器视觉的方法可以对缺陷进行实时检测，快速且准确的识别划痕，大幅提高了产线的生产效率，提高了产品的生产质量。

一．方案背景

传统的人工方法检测产品表面划痕缺陷，可能会因为工人经验等主观因素，导致检测结果不一致和检测效率难以提升。采用机器视觉的方法可以对缺陷进行检测，快速且准确的识别划痕，大幅提高了生产线的效率，提高了产品的生产质量。以下案例我们用做过的ipad外壳划痕缺陷来分享产品外观缺陷检测。

检测对象：ipad

检测项目：划痕检测

被测物尺寸： 7.9英寸

划痕宽度：最小0.3mm

选型思路：

1）视野确定：320mm* 300 mm（视野要比样品大，有充分的冗余空间）。

2）相机分辨率确定：根据算法精度（最少3个像素）和单像素精度（每个像素最少0.3mm），长边像素数量至少为：350/0.3*3=3500pixel，选用1200万像素工业相机（4024×3036）。

3）工作距离310mm，带入公式即可得到最终选择镜头焦距为12mm。

二．方案架构

ipad表面划痕缺陷检测系统主要由1200万像素工业相机、FL为12mm的FA工业镜头以及箱体光源组成，为了使视野范围内的ipad成像更均匀，选用箱体光源。ipad静止拍照，现场无其他干扰。


三．算法检测方案

检测时使用深度学习分割算法进行检测，生成缺陷的热度图像，使用BLOB工具进行识别。深度学习缺陷检测工具在使用前需要进行训练。训练工具中选择图像分割进行训练。



选择缺陷进行标注，训练后生成模型，导入检测流程使用。


检测流程使用深度学习算法，即DL图像分割模块做为检测算法。DL图像分割将与训练特征相似的值按概率大小生成不同亮度的色块于输出图上，概率越大亮度越高


使用特征匹配对检测物进行定位，再使用BLOB分析工具用于在检测物表面区域内部的亮区并圈出，用于后续的流程进行处理、判断等工序


特征匹配选取的特征模板选用明显的logo轮廓。BLOB工具将图像分割工具输出的概率图作为图像输入源，再运行参数中选择高于60，面积大于100的灰度色块作为缺陷点。



最后在原图上将BLOB结果叠加，即可显示出缺陷检测结果。



来自V社区
联系我时，请说是在东莞机械网看到的，谢谢！