外观缺陷检测中相机的选择取决于多种因素,以下是一些常见的用于外观缺陷检测的相机类型:

(一)工业相机

CCD相机(电荷耦合器件相机)

CCD相机具有高分辨率、低噪声等优点。在对精度要求较高的外观缺陷检测场景中表现出色,例如电子元器件表面微小缺陷的检测。它能够清晰地捕捉图像细节,有助于发现诸如芯片表面的划痕、焊点的微小瑕疵等缺陷。

CMOS相机(互补金属氧化物半导体相机)

外观缺陷检测用什么相机;表面缺陷检测的几种方法

CMOS相机的成本相对较低,并且在功耗方面具有优势。其成像速度较快,适合于需要高速检测的外观缺陷检测场景,比如在自动化生产线上对快速移动的产品进行外观检测,像饮料瓶身标签的印刷完整性检测等。

随着技术的发展,CMOS相机的分辨率也在不断提高,能够满足许多常规外观缺陷检测的需求。

(二)线扫相机

高分辨率线扫相机

当需要检测的物体尺寸较大或者需要较高的检测精度时,高分辨率线扫相机是一种很好的选择。例如在检测大幅面的板材表面缺陷时,线扫相机可以通过逐行扫描的方式获取整个表面的图像。

它能够提供连续的图像数据,对于检测细长的缺陷,如板材上的长划痕等非常有效。

二、表面缺陷检测的方法

(一)光学相关方法

目视检查法

这是最基本的检测方法,检测人员直接用肉眼观察物体表面的缺陷。这种方法简单易行,但受检测人员主观因素影响较大,且对于微小缺陷或不易察觉的缺陷可能会漏检。适用于对表面缺陷要求不高、检测精度较低的情况,例如一些大型建筑玻璃的初步检测。

照明检测法

通过不同的照明方式来突出物体表面的缺陷。例如采用背光源可以检测透明物体内部的杂质或划痕;利用多角度照明可以检测出物体表面不同方向的划痕和凹凸不平。在手机玻璃盖板的检测中,合适的照明方式能够提高缺陷检测的准确性。

摄像检测法

利用摄像机获取物体表面的图像,然后通过图像处理算法来检测缺陷。可以使用普通的CCD或CMOS摄像机,结合机器视觉技术,能够实现对多种类型表面缺陷的自动检测。例如在汽车零部件的外观检测中,摄像检测法可以快速准确地检测出零部件表面的划痕、凹坑等缺陷。

光学机器视觉缺陷检测技术

将特定的光源照在待测制造件表面上,利用高清高速摄像机获得制造件表面图像,通过图像处理技术,提取图像特征,再通过分类技术对表面缺陷进行检测与分类。这种方法更多地应用于分类上,广泛应用于各种工业制造件的外观缺陷检测。

激光检测法

这种测量方法是非接触式检测设备,适用于轧制中的长材检测,如圆钢、方钢、螺纹钢、T型钢等。一般的表面缺陷如划痕、折叠、凸起、凹坑等均可检测,以中心分布的检测设施可以实现全方位的全检,做到无盲区测量。可以检测出局部和周期性的表面缺陷,以及轧制产品的尺寸变化,检测缺陷情况为0.5mm及以上的表面缺陷。

光谱共焦检测法

以海伯森的HPS – LCF1000为例,这是一款基于光谱共焦原理的非接触式光学检测传感器,具有检测速度快、成像分辨率高、2D/3D复合等特点,其产品检测过程不受杂光的影响,完全适用于各种电子元器件、玻璃、锂电、精密工件等任意材质物体的在线检测。

(二)物理特性相关方法

超声波探伤检测

根据声波在缺陷处发生波形变化的原理来检测缺陷。声波在工件内的反射状况就会显示在屏幕上,根据反射波的时间及形状来判断工业制造件内部缺陷及材料性质的方法,常用于各种金属管道内部的缺陷检测。虽然主要用于内部缺陷检测,但对于一些表面下的缺陷也能提供一定的检测能力。

红外线缺陷检测

通过高频感应线圈使制造件表面产生感应电流,在高频交换感应的集肤效应作用下,其穿透深度小于1mm,且在表面缺陷区域的感应电流会导致单位长度的表面上消耗更多电能,引起制造件局部表面的温度上升,从而测得缺陷位置。

漏磁缺陷检测

广泛应用于钢铁产品的无损检测,其检测原理是利用磁源对被测材料局部磁化,如材料表面存在裂纹或坑点等缺陷,被测材料局部区域的磁导率将会降低,且磁阻增加,磁化场将部分从此区域外泄,从而形成可检验的漏磁信号。

(三)基于算法和模型的方法

location+blob+feature

是一种在表面缺陷检测中使用的方法,通过定位(location)、斑点(blob)分析和特征(feature)提取等操作来识别缺陷。这种方法在图像处理和机器视觉领域有着广泛的应用,通过对图像中特定区域(斑点)的分析以及相关特征的提取,来判断是否存在缺陷以及缺陷的类型等。

location+differ+feature

同样基于定位和特征提取,通过比较(differ)不同区域或者不同图像之间的差异来检测缺陷。例如在对比产品的标准图像和实际检测图像时,通过分析两者之间的差异区域的特征,来确定表面是否存在缺陷。

frequency domain+spatial domain

结合频域(frequency domain)和空域(spatial domain)的分析方法。在频域中,可以分析图像的频率成分,对于一些周期性的缺陷或者纹理相关的缺陷检测有较好的效果;在空域中,则直接对图像的像素空间分布进行分析,综合两者的信息可以更全面地检测表面缺陷。

photometric stereo

光度立体法(photometric stereo)是一种通过不同光照条件下的图像来获取物体表面形状和反射特性信息的方法,进而检测表面的缺陷。通过在多个不同方向的光照下拍摄物体的图像,然后根据图像的灰度变化来计算物体表面的法向量等信息,从而判断表面是否存在缺陷以及缺陷的形状等。

calibration+fitting

通过校准(calibration)和拟合(fitting)操作来检测表面缺陷。在校准过程中,确定检测系统的参数,例如相机的内部和外部参数等;拟合操作则是将检测到的数据与预先定义的模型或者标准形状进行匹配,通过分析拟合的误差来判断是否存在缺陷。

train model(模型训练法)

利用机器学习或深度学习算法,通过大量的带有标注(标注出是否存在缺陷以及缺陷类型等)的图像数据来训练模型。训练后的模型可以对新的图像进行缺陷检测,这种方法在处理复杂的外观缺陷检测场景中具有很大的优势,例如对于一些不规则形状、多种类型缺陷混合的表面缺陷检测场景。