工业检测中的图像处理 - 从外观检查到尺寸测量
工业检测中图像处理的角色
机器视觉在制造业质量控制中扮演核心角色。相比人工目视检查,图像处理系统可实现更高的检测速度、一致性和精度。
应用领域:
- 电子制造:PCB 焊点检查、芯片封装缺陷、连接器对位
- 汽车制造:车身表面缺陷、零件尺寸测量、装配验证
- 食品/医药:包装完整性、标签检查、异物检测
- 半导体:晶圆缺陷检测、光刻对准、薄膜厚度测量
系统组成:工业相机 + 光源 + 镜头 + 图像处理软件 + 执行机构(剔除/标记)。光源设计往往比算法更关键。
缺陷检测 - 从模板匹配到异常检测
缺陷检测是工业检测中最常见的任务,目标是找出产品表面或结构中的异常。
传统方法:
- 模板匹配:将检测图像与标准模板对比,差异区域即为缺陷。适合形状固定的产品
- 边缘检测 + 轮廓分析:检测产品轮廓,与标准轮廓对比找出变形或缺损
- 阈值分割:利用缺陷与背景的亮度差异进行分割。需要稳定的光照条件
- 纹理分析:对规则纹理(如织物、金属表面),检测纹理的异常区域
深度学习方法:
- 分类模型:判断产品是否有缺陷(OK/NG 二分类)
- 目标检测:定位缺陷位置并分类(YOLO、Faster R-CNN)
- 语义分割:像素级标注缺陷区域(U-Net)
- 异常检测:仅用正常样本训练,检测偏离正常模式的异常(适合缺陷样本稀少的场景)
尺寸测量 - 亚像素精度的实现
图像测量将像素坐标转换为物理尺寸,实现非接触式的精密测量。
测量流程:
- 标定:确定像素与物理尺寸的对应关系(mm/pixel)。使用标定板(棋盘格)进行相机标定
- 边缘检测:精确定位被测物体的边缘。亚像素边缘检测可达到 0.1 像素精度
- 几何计算:根据边缘点计算距离、角度、圆度等几何参数
亚像素精度技术:
- 边缘亚像素定位:在边缘附近拟合灰度曲线(高斯、抛物线),找到精确的过渡点
- 圆/椭圆拟合:对边缘点进行最小二乘拟合,得到亚像素精度的几何参数
- 相位相关:利用傅里叶相位信息实现亚像素级的位移测量
精度影响因素:镜头畸变(需要校正)、光照均匀性、振动、温度变化导致的热膨胀。
表面检查 - 光照设计与缺陷增强
表面缺陷(划痕、凹坑、污渍、色差)的检测高度依赖光照设计。正确的光照可以让缺陷「自己显现」。
光照技术:
- 明场照明:光源从正面照射,反射光进入相机。适合检测色差、污渍等平面缺陷
- 暗场照明:光源从侧面低角度照射,仅散射光进入相机。划痕和凸起在暗背景上发亮,极易检测
- 背光照明:光源在物体背面。用于检测通孔、裂缝、轮廓
- 结构光:投射条纹或网格图案,通过变形分析表面 3D 形状
多光照融合:同一位置使用多种光照条件拍摄,综合分析。不同类型的缺陷在不同光照下最明显。
深度学习在工业检测中的应用
深度学习正在革新工业检测,特别是在传统方法难以处理的复杂缺陷检测场景。
优势:
- 可处理形态多变的缺陷(无需为每种缺陷编写规则)
- 对光照变化和位置偏移更鲁棒
- 可从数据中自动学习特征,减少人工特征工程
挑战:
- 数据不足:缺陷样本通常很少(良品率 > 99%)。需要数据增强或异常检测方法
- 实时性:产线速度要求毫秒级推理。需要模型优化和 GPU/NPU 加速
- 可解释性:需要解释为什么判定为缺陷(质量追溯要求)
实用架构:
- 边缘部署:NVIDIA Jetson 或工业 PC + GPU 运行推理
- 模型:YOLOv8(检测)、U-Net(分割)、PatchCore(异常检测)
- 持续学习:收集新的缺陷样本持续更新模型
系统集成与部署考虑
工业检测系统的部署需要考虑产线环境的特殊要求。
硬件选型:
- 相机:面阵(静止物体)vs 线阵(连续运动物体)。分辨率根据检测精度需求选择
- 镜头:远心镜头(消除透视变形,适合精密测量)vs 普通镜头(成本低)
- 光源:LED 条形光、环形光、同轴光、穹顶光等,根据检测对象选择
软件架构:
- 实时采集 → 预处理 → 检测/测量 → 判定 → 输出(IO 信号/数据库记录)
- 需要与 PLC、MES 系统集成
- 数据存储:保存缺陷图像用于追溯和模型改进
可靠性要求:
- 7x24 小时连续运行,故障率极低
- 误检率和漏检率的平衡(宁可误检不可漏检)
- 环境适应:温度、振动、粉尘、电磁干扰