Halcon表面划痕检测方法

划痕、裂缝等产品缺陷⽤⾁眼来查看可能因为太⼩导致检查不出来，导致产品出⼚后有缺陷，从⽽影响到⼚家的声誉及⽤户体验。有什么办法能解决划痕检测的问题呢？下⾯就告诉您：

在⼯业⽣产中总是经常遇到裂痕、划痕和变⾊等产品的表⾯缺陷问题，⽽这些问题不管对于⼈⼯检测还是机器视觉检测都极富挑战。其难度在于该类缺陷形状不规则、深浅对⽐度低，⽽且往往会被产品表⾯的⾃然纹理或图案所⼲扰。因此，表⾯缺陷检测对于正确打光、相机分辨率、被检测部件与⼯业相机的相对位置、复杂的机器视觉算法等要求⾮常⾼。

机器视觉划痕检测的基本分析过程分为两步：⾸先，确定检测产品表⾯是否有划痕，其次，在确定被分析图像上存在划痕之后，对划痕进⾏提取。

表⾯划痕通常可分为三⼤类：

第⼀类划痕，从外观上较易辨认，同时灰度变化跟周围区域对⽐也⽐较明显。可以选择较⼩的阈值精缺陷部分直接标记。

第⼀类划痕缺陷图像

 

第⼆类划痕，部分灰度值变化并不明显，整幅图像灰度⽐较平均，划痕⾯积也⽐较⼩，只有⼏个像素点，灰度也只⽐周围图像稍低，很难分辨。可以对原图像进⾏均值滤波，得到较平滑的图像，并与原图像相减，当其差的绝对值⼤于阈值时就将其置为⽬标，并对所有的⽬标进⾏标记，计算其⾯积，将⾯积过⼩的⽬标去掉，剩下的就标记为划痕。

 

第三类划痕，各部分灰度差异较⼤，形状通常呈长条形，如果在⼀幅图像上采取固定阈值分割，则标记的缺陷部分会⼩于实际部分。由于这类图像的划痕狭长，单纯依靠灰度检测会将缺陷延伸部分漏掉。对于这类图像，根据其特点选择双阈值和缺陷形状特征相结合的⽅法。

第三类划痕缺陷图像

由于在⼯业检测中图像的多样性，对于每⼀种图像，都要经过分析综合考虑各种⼿段来进⾏处理达到效果。⼀般来说，划痕部分的灰度值和周围正常部分相⽐要暗，也就是划痕部分灰度值偏⼩；⽽且，⼤多都是在光滑表⾯，所以整幅图的灰度变化总体来说⾮常均匀，缺乏纹理特征。因此，划痕的检测⼀般使⽤基于统计的灰度特征或者阈值分割的⽅法将划痕部分标出。