《光学膜内部缺陷的检测研究》4800字（论文）

光学膜内部缺陷的检测研究目录TOC\o"1-2"\h\u14150光学膜内部缺陷的检测研究 115560摘要 130419引言 1152131光学薄膜缺陷分析 2240951.1缺陷成因 226791.2缺陷分类 2221012光学薄膜缺陷检测算法流程 354972.1灰度均衡 3235132.2频域滤波 5270402.3滤波处理 690592.4图像分割 726516总结 825284参考文献 11369致谢 1摘要正常情况下，光学薄膜主要的构成在于薄的分层，属于光学介质材料范畴。回顾以往，光学薄膜最早出现的时间为上世纪初期，历经多年时间发展，其已经逐步得到了健全和完善，现如今，无论是光学领域，还是光电子技术领域等均能随处可见光学薄膜的身影。然而，实际运用中，由于其缺陷检测上出现了一定的问题，导致光学薄膜检测发展受到了阻碍。基于此，本文将为之进行深层次的研究与分析，意在通过研究来找到有效解决此类问题的方式与方法，并为推动光学薄膜的快速发展贡献自身一份力。关键词：光学薄膜；缺陷检测；计算机视觉引言光学薄膜，是一种以光学为介质，由膜分层来组成的材料。从二十世纪三十年代开始，光学薄膜就已经投入应用。在当今社会的光学、光电领域，光学薄膜已经被用于生产各种精密光学仪器。而在二十一世纪电子信息技术高速发展的今天，其应用更加广泛，从电脑屏幕到手机、电视液晶屏幕再到LCD，太阳能电板等等。在光学薄膜的制备过程中，对于其表面有着极高的质量要求，必须借助有效的手段进行缺陷检测。以往的传统的行业检测主要就是人工手段，即通过放大镜，人眼检测缺陷。虽然人工检测能够快速对常见物品进行准确判断，但一旦提高了检测物品的精度和检测标准，人眼检测便很容易产生错误判断，甚至是无法识别。 本毕业设计，利用机器视觉，实现对于光学膜表面的缺陷检测，使检测的正确率能长时间保持稳定，并能对微米级别的缺陷采取分类别的判断，而且检测所得结果拥有客观性。随着工业制备技术的飞速发展，传统的人工方法已无法全面符合高端产品零部件的质量检测要求。以计算机视觉的代替人工，完成对光学薄膜缺陷的特征提取与识别，适应当前生产力，能大大提高生产效率。1光学薄膜缺陷分析1.1缺陷成因 在光学膜的生产过程中，上、下基材的原材料质量偏差，涂布生产环境有污渍，烘箱的温度有变化，辊轴运动不均匀，压轴施加的压力不稳定等因素，都极易造成光学薄膜成品的缺陷。1.2缺陷分类 对于制备过程中各种生产条件影响所产生的光学薄膜内部缺陷，有以下几种： （1）气泡：残存于成品薄膜内的空气泡 （2）垃圾：生产过程中，存在于环境中，最终附着于成品薄膜表面的固体杂质以及漂浮颗粒。 （3）压痕：胶水没被挤压均匀导致某处胶水堆积或缺少，形成压痕。 （4）刮伤：原材料本身带有，或生产机器造成的表面划痕 （5）白污：白色的且反射率较大的杂质，细小而又明亮。[3]气泡垃圾压痕刮伤白污表2.SEQ表\*ARABIC\s11缺陷图示 2光学薄膜缺陷检测算法流程 本课题，采用Python编程语言编写算法，所使用的集成开发环境为PyCharm。实验设计的检测算法流程如图3.1所示。首先对于采集到的光学薄膜图像，先使用灰度均衡增强其对比度，另外其本身带有噪声，以及某些缺陷会与表面纹理混和难以提取，因此需采取合适的滤波算法对图像进行分析。滤波之后，由于图像的背景与缺陷之间的区分度任然不够明显，对此需要采取一个合适的阈值，对图像进行二值化。二值化处理后，由于呈现出的缺陷特征可能还会受到噪声影响或者不够完整，因此还需要进行形态学处理，目的是为了更明显的突出不同特征的几何特点。接着是做图像的边缘检测，目的是突出各缺陷边缘，以便于能区分出不同缺陷类别的几何特征，以便于下一步的特征识别与提取。最后的特征识别与提取即是根据之前操作分析提取缺陷。。图2.SEQ图\*ARABIC\s11检测算法流程图2.1灰度均衡 在图像采集的过程中，由于生产车间环境原因，采集到的图像会显得很暗，需采取一个步骤来增加图像的对比度。图像偏暗的特点，可以由图3.2的灰度直方图可以看出，图像中的像素数量主要分布在了20~60之间的灰度级，因此才导致了图像很暗，缺陷、背景、噪声全部混在了一起，难以区分，因此需采取灰度均衡增强图像的对比度。图2.SEQ图\*ARABIC\s12灰度直方图 均衡化的过程，其实质为图像的灰度变换过程。在灰度直方图中可以看出，大部分的像素都集中在了极小的一个范围里面，该问题所导致的就是使图像细节看起来不会很清晰。根据这个问题，采取的直方图均衡化，原理就是使原来集中在一个小范围灰度的像素点，通过拉开图像的灰度范围，增加其对比度，从而呈现出更清晰的细节。该步骤处理之后所呈现出的直方图形状更为平坦。其主要步骤为： （1）计算原图像灰度直方图：P 该公式中，n所表示的为像素点总数，nk为灰度级Sk上所聚集的像素总个数 （2）原图像的累积直方图：CDF （3）目的图像的像素由：Dj CDF(Si)为原图像中灰度为i的累计分布，L为图像中最大灰度级（本图为255） 以划痕为例，经过灰度均衡之后的缺陷如表3.1所示，呈现出了更强的对比度。原图灰度均衡之后图2.3处理对比2.2频域滤波 对于光学薄膜等一类玻璃制品而言，其在生产过程中，其表面会形成纹理，同时，由于生产车间设备以及环境等因素的影响，表面也会产生一些缺陷隐藏于纹理当中，比如在压制过程中，压制不均匀而形成的压痕。由于其纹理与光学膜表面纹理及其相似，使用常用的斑点检测或者边缘检测无法将纹理缺陷很好的从背景中分离出来。因此考虑采用频域滤波来提取此类缺陷。 相比于下文所提到的几种直接使用模板对图像进行卷积运算的空间域滤波，频域滤波是利用傅里叶变换，将图像信息转换到频域中，使用高通滤波模板，提取缺陷的轮廓特征。对于一个二维的M*N的平面图像f(x,y)，其通过二维傅里叶变换（DFT）转换到F(u,v)的公式为：F 对于公式中的变量u、v，其变化与对应的x、y相同，都为0,1,2,…,M-1和0,1,2,…,N-1。在时域中，(x,y)确定平面坐标，在频域中，(u,v)确定频率。[4] 当处理好之后，根据傅里叶变换的可逆性，可将频域图像转换为时域图像，将F(u,v)做逆变换（IDFT），转换回f(x,y)，其公式为：f 由上述公式可得，f(x,y)结果为实数的话，在傅里叶变换所得结果形式也是复数。由此可得，在傅里叶变换之后所得的频谱图，实际上为F(u,v)的幅度图。对于幅度，即取模，在傅里叶变换中的公式定义为：F 对于其相位角（即幅角），其所求公式为：φ 由相位角以及幅度公式可能，F(u,v)转换为极坐标表示，其公式为：F 把光学薄膜表表面图像经过傅里叶变换之后，其纹理在频域当中会呈现出相应的特性，对此可以在频域中进行处理。2.3滤波处理 采用该步骤主要的目的是为了将图像采集环节出现的图像噪声问题得到妥善的解决。所谓图像噪声主要指的是，图像内部影响与干扰到正常观察与检测的信息。其来源可归为两类，即外部噪声与内部噪声： （1）外部噪声：是指系统内部受到了外界电磁波或经由外部电源线影响而从产生的噪声。 （2）内部噪声：一般是指系统内部电路异常而导致的噪声。 理论上来说，噪声是随机的，无法预知的。可以把它理解为一种随机误差，可通过不同的概率统计模型来表示。所以，按照其所计算出的概率密度和概率分布两种函数数值，便能将噪声分为多种类型，如高斯噪声等等。[5]具体情况如下所述： 所谓高斯噪声主要指的是，正态分布环境下，概率密度函数所呈现出的噪声情况。关于其有关的计算方式具体如下：f 椒盐噪声，也被叫做脉冲噪声，是在图像采集中较常出现的一种噪声，其主要表现为随机出现在图像中的白点与黑点。其概率密度函数为：f 均匀分布噪声，即服从均匀分布的噪声，在实际生产过程中较为少见。其概率密度函数为：f 根据一些实验表明，薄膜表面最常见的为椒盐噪声。 对于噪声处理所采用的图像滤波方法，常见的有： （1）中值滤波 一种较为典型的非线性滤波，其理论知识基于排序统计，中值滤波能较为有效的抑制噪声。其基本的原理为：通过统计一个块的领域中所有值，取当中的中值，代替其余所有值，该操作能让其领域像素点的值能更接近其真实值，从而消除一些单独的噪声点。例如：{1，2，5，7，9}中，取5作为这串数字的中指，若为偶数个数字，则取中间两位数字的平均值。该方法不仅能消除椒盐噪声，还能保留住图像缺陷的边缘细节。 （2）均值滤波 一种线性的滤波，属于平滑滤波。基本思想为，取一像素点与它相邻其余八个像素点的值累加，取平均值代替为新的像素值。但该种滤波对于椒盐噪声，达不到很好的消除效果。 （3）高斯滤波 该滤波也是属于线性的。该滤波的处理过程，是对整一副图像进行加权平均操作，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。其主要用途是消除高斯滤波。 此处以薄膜表面白污为例，分别经过了中值滤波、均值滤波、高斯滤波之后，如表3.2所示（卷积核都设置为3*3）：中值滤波均值滤波高斯滤波表3.SEQ表\*ARABIC\s12几种滤波方式的比较2.4图像分割 图像的分割，即是指选择一个合适的分割阈值Val，将图像二值化，其处理公式可按如下表达：fG(x,y)所表示为图像中某一处像素值，若该处像素值大于等于所选的阈值，则把此像素点的值赋值为255，若此处像素值小于所选分割阈值，则赋值为0。 对于分割阈值的确定，主要有以下几种方法： （1）大津法 大津法在实际运用中常被称之为“最大类间方差法”，此方法主要是由日本著名研究者Otsu提出，实际运用中，其具体的操作方式为：在某种判定条件下分离程度可以达到最优化。该算法的判断依据就是最大类间方差：ICV=PA∗ 在获取的图像的灰度直方图中，PA表示的为目标区域的像素数量占据总数的百分比，PB所表示的为背景区域的像素数量占据总数的百分比。T即为最佳阈值，使得ICV最大。 （2）双峰法 由Prewitt与1996年提出。该算法的实现原理为：对于一幅图像的灰度直方图，若其形状呈现出明显的双峰造型，那么可以选取双峰中间最低处的值作为图像二值化的分割阈值。如图3.3所示，Zt处的值即为双峰法所得的分割阈值：图2.4呈现双峰的灰度直方图 （3）自适应阈值法 在采集光学膜表面图像时，由于环境等因素影响，采集到的图像各区域亮度会有差别，在该情况下，采用全局阈值就很难将目标与背景区分开来。因此根据该情况提出了自适应阈值的方法，该方法可以将图像划分为多个区域，并计算出不同区域的阈值后，将此阈值设置为该区域的分割阈值。此方法可以更好的适应那些光线不均匀图像的二值化处理，从而得到更好的结果。 采用自适应阈值的方法，经过二值化处理后，图像缺陷细节如表所示：划伤白点图2.5自适应阈值分割之后的结果 可以看出，在自适应阈值过后所提取的缺陷周围仍然有一些噪声的存在。总结 随着工业生产中，对于产品要求的良品率以及检测精度越来越高，一般的人工检测方式已经越来越难适应如今的生产环境。本课题所研究的适用于光学薄膜表面缺陷检测的算法，能较有效的弥补传统人眼易疲劳、精度低等缺陷。根据光学薄膜生产环境与生产流程，了解不同种类缺陷的成因以及其呈现出的几何特征。在了解不同种类缺陷的几何特征后，设计算法，算法实现的功能为，对图像经过预处理之后，通过滤波处理，二值化，形态学处理，边缘检测等过程，提取并分类检测出光学薄膜制备过程中常见的缺陷。参考文献[1]N.G.Shankar,Z.W.Zhong.Defectdetectiononsemiconductorwafersurface[J].MicroelectronicEngineering,2016(3)[2]黄文清，汪亚明，周志宇.计算机视觉技术在工业领域的应用[J].浙江工程学院学报,2015(2):32-35[3]钟球盛，胡广华，李静蓉.光学薄膜表面微细缺陷在线检测方法研究[J].机械设计与制造,2017(10):102-104[4]刘伟斌，郑力新，周凯汀.采用频域滤波的织物疵点检测方法[A].华侨大学学报（自然科学版）,