基于机器视觉的器件气孔大小估计方法及系统与流程

1.本发明涉及气密性检测领域，具体为一种基于机器视觉的器件气孔大小估计方法及系统。


背景技术：

2.气密性检测中，对器件气孔缺陷大小的检测也是重要的检测指标。针对器件气孔缺陷大小的问题，气压检测法通过容器压强和充气压差等指标可以对缺陷大小进行定量分析，但该方法由于不能准确获取气孔泄漏气体量，往往会导致最终得到的气孔缺陷大小存在偏差。


技术实现要素：

3.为了解决上述问题，本发明提出一种基于机器视觉的器件气孔大小估计方法，该方法包括：
4.检测池中包括水体和有倾斜面的待检测器件，对待检测器件进行充气后，获取检测池图像，所述检测池图像垂直于水体水平面和待检测器件的倾斜面；
5.在连续帧检测池图像中检测气泡，根据气泡的运动特征进行待检测器件气孔大小的估计；所述气泡的运动特征包括表征单个气泡沿倾斜面上升过程中面积变化情况的第一特征和表征气泡轨迹弯曲度的第二特征。
6.进一步地，所述气泡的运动特征还包括表征气泡脱离倾斜面之前单个气泡沿倾斜面上升长度的第三特征。
7.进一步地，利用神经网络对第一特征、第二特征和第三特征的值进行处理，估计待检测器件的气孔大小。
8.进一步地，所述神经网络为全连接网络。
9.进一步地，对于某一气泡，获取该气泡脱离倾斜面之前的检测池图像序列，根据检测池图像序列内每相邻两帧检测池图像中该气泡面积的差值得到的面积变化平均速率为第一特征。
10.本发明还提出一种基于机器视觉的器件气孔大小估计系统，该系统包括：
11.图像获取模块，用于对待检测器件进行充气后，获取检测池图像，检测池中包括水体和有倾斜面的待检测器件，所述检测池图像垂直于水体水平面和待检测器件的倾斜面；
12.气孔大小估计模块，用于在连续帧检测池图像中检测气泡，根据气泡的运动特征进行待检测器件气孔大小的估计；所述气泡的运动特征包括表征单个气泡沿倾斜面上升过程中面积变化情况的第一特征和表征气泡轨迹弯曲度的第二特征。
13.进一步地，所述气泡的运动特征还包括表征气泡脱离倾斜面之前单个气泡沿倾斜面上升长度的第三特征。
14.进一步地，利用神经网络对第一特征、第二特征和第三特征的值进行处理，估计待检测器件的气孔大小。
15.进一步地，所述神经网络为全连接网络。
16.进一步地，对于某一气泡，获取该气泡脱离倾斜面之前的检测池图像序列，根据检测池图像序列内每相邻两帧检测池图像中该气泡面积的差值得到的面积变化平均速率为第一特征。
17.本发明的有益效果在于：
18.1.本发明基于气泡的轨迹特征，具体地，根据单个气泡沿倾斜面上升的长度、沿倾斜面上升过程中面积变化情况以及气泡轨迹的弯曲度可准确估计有倾斜面的待检测器件上气孔缺陷的大小。
19.2.基于单个气泡沿倾斜面上升的长度估计待检测器件的气孔大小，相较于现有技术，本发明能够准确的区分气孔较小和气孔较大时气泡动态特性，例如气泡堆积情况的差异，保证对器件的气孔大小进行准确估计。
具体实施方式
20.为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
21.实施例一：
22.该实施例针对的应用场景为：在气密性检测池中对单一器件进行气密性检测，且单一器件为有倾斜面的器件，水池灯光稳定且最佳，在进行气孔定位和气孔大小估计的过程中不考虑水体晃动的影响。气密性检测池内采用对器件进行连续不断充气，观察是否有气泡产生的方式，进行气密性检测，保证器件内部气压稳定不变，不考虑温度和水体浑浊对气密性检测的影响。
23.该实施例的主要目的为：对气密性检测池内的器件进行缺陷气孔检测后，估计缺陷气孔的大小。
24.基于上述应用场景和目的，该实施例提供了一种基于机器视觉的器件气孔大小估计方法，具体地，该方法包括：
25.步骤s1，检测池中包括水体和有倾斜面的待检测器件，对待检测器件进行充气后，获取检测池图像，所述检测池图像垂直于水体水面和待检测器件的倾斜面。
26.通过相机获取连续多帧检测池正视图像，实施例中采集检测池图像的频率为10帧/秒；为了更好的提取气泡特征，实施例中在检测池图像中进行先验roi区域的划分，获取roi图像，roi图像中仅包括待检测器件和待检测器件周围的水体区域，且在待检测器件周围的水体区域中要能观察到气泡竖直上升的现象。
27.为了减少图像噪声对图像特征的影响，提高最后估计的气孔大小的准确率，实施例中对，roi图像进行预处理，优选地，实施例中预处理操作为去噪处理，具体地，中值滤波克服了线性滤波器带来的图像模糊的影响，能够较好的保留图像的边缘信息，从而消除孤立的噪声点对实验造成的影响，因此实施例中采用中值滤波进行图像去噪。
28.步骤s2，在连续帧检测池图像中检测气泡，根据气泡的运动特征进行待检测器件气孔大小的估计；所述气泡的运动特征包括表征单个气泡沿倾斜面上升过程中面积变化情况的第一特征、表征气泡轨迹弯曲度的第二特征和表征气泡脱离倾斜面之前单个气泡沿倾
斜面上升长度的第三特征。
29.a)在连续帧检测池图像中检测气泡：
30.对预处理后的roi图像进行灰度化处理后，为了后续更好的获取气泡的移动特性，实施例中利用边缘检测算法分别获取器件和气泡的边缘轮廓信息，由于canny算子对边缘细节反应准确，定位精度高，优选地，实施例采用高阈值为0.1，低阈值为0.04的canny算子完成边缘检测，即梯度值大于高阈值的像素点为气泡边缘像素点，梯度值小于低阈值的像素点为待检测器件边缘像素点，提取气泡和待检测器件的边缘信息。在每帧roi图像中基于提取的气泡边缘信息进行气泡连通域检测。
31.b)获取第一特征、第二特征和第三特征的值：
32.当待检测器件的倾斜面上有气孔缺陷，且当气孔较小时，气泡的运动特性为：先在气孔附近进行不断堆积，堆积气泡的体积越来越大，然后剥离气孔，沿着器件的倾斜面上升，上升过程中气泡的面积缓慢变大，上升到一定高度后再垂直向上冒出；当气孔较大时，气泡的运动特性为：一部分气泡从气孔倾斜上升，一部分气泡沿着斜面上升然后再垂直向上冒出，可能出现多个气泡的上升轨迹且气泡轨迹出现弯曲，随着气孔越来越大，气泡轨迹的弯曲程度会不断变小。因此，本发明中根据第一特征、第二特征和第三特征的值进行气孔大小的估计。
33.获取第一特征、第二特征和第三特征的值之前，首先寻找气孔处产生气泡的初始位置点，以及单个气泡脱离倾斜面时的脱离位置点；具体地，气泡的初始位置点的获取方法为：对于采集的任意一帧roi图像，基于气泡的边缘信息，获取roi图像中气泡边缘上任意一点的曲率，根据先验知识可知，曲率发生突变的点为气孔位置点，实施例中将曲率发生突变的点视为气孔处产生气泡的初始位置点；若没有找到曲率发生突变的点，则获取每帧roi图像中每个气泡的连通域中心点坐标，所有连通域中心点坐标中横纵坐标最小的连通域中心点为初始位置点；单个气泡脱离倾斜面时的脱离位置点的获取方法为：获取单个气泡在多帧roi图像中的连通域中心点，根据同一气泡在相邻两帧roi图像中连通域中心点坐标的变化情况获取气泡脱离倾斜面时的脱离位置点，即当同一气泡在相邻两帧roi图像中连通域中心点到倾斜面的垂直距离差值大于预设距离差值阈值时，时序在前的roi图像中的气泡连通域中心点为脱离位置点。
34.上述先验知识具体为：当器件气孔较小时，气泡在冒出的过程中，会在气孔附近不断堆积，气泡面积在不断扩大，然后再剥离气孔缓慢沿器件倾斜面上升；在气泡堆积的过程中，由于附着在待检测器件的倾斜面，所以气孔处的堆积气泡会在倾斜面上呈现越靠近检测池池底的气泡边缘点到倾斜面的垂直距离越小，越远离检测池池底的气泡边缘点到倾斜面的垂直距离越大，即气孔处的堆积气泡的形状是不对称的，所以，气孔处的堆积气泡的边缘点对应的曲率应该是随着边缘点与检测池池底间距离的增大而不断增大的过程，但是，在气泡边缘点的曲率随着边缘点在倾斜面上的高度不断增加而不断变大的过程中，在气孔所处区域处上述边缘点曲率的变化过程会发生突变，此时曲率突变点即为气孔的位置。因此，基于此先验知识，本发明基于每个气泡中相邻的两个气泡边缘点对应的曲率增长速率的变化寻找发生突变的点。
35.优选地，表征单个气泡沿倾斜面上升过程中面积变化情况的第一特征值的获取方法为：对于某一气泡，获取该气泡脱离倾斜面之前的检测池图像序列或roi图像序列，根据
检测池图像序列或roi图像序列内每相邻两帧检测池图像或roi图像中该气泡面积的差值得到的面积变化平均速率为第一特征值；其中，根据单个气泡的初始位置点和脱离倾斜面时的脱离位置点确定计算第一特征值的检测池图像序列或roi图像序列；具体地，第一特征值s
i 1
、s
i
分别为检测池图像序列或roi图像序列中第i 1、i帧图像中气泡的面积，n表示检测池图像序列或roi图像序列中共有n帧图像，t表示检测池图像的采样时间间隔。
36.优选地，表征气泡轨迹弯曲度的第二特征值的获取方法为：对多帧roi图像进行叠加，获取气泡轨迹线，根据气泡轨迹线上每个轨迹点对应的曲率计算气泡轨迹线的曲率均值，则得到的曲率均值为第二特征值，具体地，第二特征值ρ
j
为气泡轨迹线上第j个轨迹点的曲率，m为气泡轨迹线上轨迹点的总个数。
37.若得到多条气泡轨迹线，则第二特征值为多条气泡轨迹线对应的曲率均值的均值。
38.优选地，表征气泡脱离倾斜面之前单个气泡沿倾斜面上升长度的第三特征值的获取方法为：基于单个气泡的初始位置点和脱离倾斜面时的脱离位置点的坐标，获取两点间的欧式距离，所得欧式距离为气泡脱离倾斜面之前该单个气泡沿倾斜面上升长度l，则第三特征值l
max
为气泡的初始位置点到待检测器件倾斜面上边缘的最短垂直距离。
39.需要说明，气孔处稳定产生气泡后可在图像中任选一个气泡计算f1和f3。
40.步骤s3，利用神经网络对第一特征、第二特征和第三特征的值进行处理，估计待检测器件的气孔大小。优选地，所述神经网络为全连接网络；基于历史特征数据对全连接网络进行训练，网络的标签为相对应的气孔大小值，采用的损失函数为均方误差损失函数。
41.实施例二：
42.基于与上述方法实施例相同的发明构思，该实施例提供了一种基于机器视觉的器件气孔大小估计系统，具体地，该系统包括：
43.图像获取模块，用于对待检测器件进行充气后，获取检测池图像，检测池中包括水体和有倾斜面的待检测器件，所述检测池图像垂直于水体水平面和待检测器件的倾斜面；
44.气孔大小估计模块，用于在连续帧检测池图像中检测气泡，根据气泡的运动特征进行待检测器件气孔大小的估计；所述气泡的运动特征包括表征单个气泡沿倾斜面上升过程中面积变化情况的第一特征和表征气泡轨迹弯曲度的第二特征。
45.关于系统实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。