朱孔輝, 王紹杰, 金偉偉

(合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院, 合肥230009)

0 引 言

超薄平板玻璃主要有玻璃基板、保護(hù)玻璃及ITO 導(dǎo)電玻璃三類產(chǎn)品,是平板顯示產(chǎn)業(yè)重要的上游產(chǎn)品之一,其中玻璃基板是平板顯示制造行業(yè)中需求量最高的玻璃產(chǎn)品。

玻璃基板主要作為承載液晶面板的顯示單元,當(dāng)前商業(yè)上主流的玻璃基板厚度主要有0.7 mm、0.6 mm以及更薄的0.4 mm［1］。 玻璃基板的生產(chǎn)工藝主要有鉑合金流孔下引技術(shù)、浮法拉制技術(shù)和熔融溢流技術(shù)三種［2］,生產(chǎn)流程如圖1 所示。 由于目前的生產(chǎn)工藝水平限制,在生產(chǎn)過程中,玻璃基板加工制造過程不可避免地產(chǎn)生一些微小的缺陷：在前期加熱熔融和薄板成形工序中易在玻璃基板內(nèi)部殘留氣泡及金屬顆粒；玻璃基板在傳送過程中接觸金屬滾輪容易劃傷玻璃表面產(chǎn)生點狀及線狀劃痕；玻璃基板在切割分裝時容易產(chǎn)生微小裂痕和玻璃碎渣；在清洗工序中可能在玻璃表面殘留表面顆粒物和黏附物等［3］。 作為一種對表面潔凈度極高的產(chǎn)品,如果玻璃基板存在缺陷,可能會損傷液晶顯示面板內(nèi)部集成電路,由此對玻璃基板的質(zhì)量提出了如下要求：玻璃基板表面必須十分平滑,不能有任何的點狀、線狀劃傷,表面顆粒狀污點缺陷應(yīng)小于幾微米,玻璃基板內(nèi)部不得檢出大于50 μm 的氣泡、結(jié)石等缺陷［4］。 因此,對玻璃基板進(jìn)行缺陷檢測是其生產(chǎn)過程中必不可少的一項工序。

以往的玻璃基板缺陷檢測主要采用人工檢測檢查的方法,檢測人員勞動強度較大,檢測結(jié)果容易受主觀因素干擾,存在缺陷誤檢率和漏檢率高、檢測效率低、檢測成本高等缺點,因此人工檢測方法已不能滿足現(xiàn)代大規(guī)模的生產(chǎn)要求,玻璃基板缺陷檢測技術(shù)亟需改進(jìn)升級。 目前,由機器視覺理論提出的自動光學(xué)檢測是玻璃基板缺陷檢測最為常用的技術(shù)手段［5］。自動光學(xué)檢測由光學(xué)成像系統(tǒng)和圖像處理系統(tǒng)兩部分組成,通過圖像處理手段對被測物體存在的缺陷進(jìn)行檢測、判別和分類。 圖像處理流程作為玻璃基板自動光學(xué)檢測中的重要一環(huán),對其研究改進(jìn)具有重要意義。

圖1 玻璃基板生產(chǎn)流程Fig. 1 Flow chart of glass substrate production

1 光學(xué)成像系統(tǒng)的搭建

搭建玻璃基板缺陷檢測系統(tǒng)時,在照明的選擇方案上有反射式與透射式兩種［6］：反射式照明方案光源與相機在玻璃基板同側(cè)；透射式照明方案光源與相機分別位于玻璃基板兩側(cè)。 本文主要研究在透射式照明方案下的玻璃基板缺陷檢測方法,搭建的玻璃基板透射式缺陷成像系統(tǒng)示意圖如圖2 所示,其中相機采用線陣掃描相機,相機拍攝的單幅圖像像素為15424×8192,光源采用LED 線光源。鹽噪聲進(jìn)行抑制［7］。

圖3 玻璃基板圖像處理流程圖Fig. 3 Flow chart of glass substrate image processing

圖2 玻璃基板缺陷光學(xué)成像系統(tǒng)示意圖Fig. 2 Schematic diagram of optical imaging system for glass substrate defects

2 圖像處理流程的設(shè)計

圖像處理過程是玻璃基板AOI 系統(tǒng)中的關(guān)鍵環(huán)節(jié)。 圖像處理的流程設(shè)計是否恰當(dāng)、合理直接影響玻璃基板缺陷在線檢測的實時性、準(zhǔn)確性和可靠性。 圖3 為玻璃基板缺陷檢測算法流程圖。

2.1 圖像預(yù)處理

由于各種因素干擾,從圖像傳感器獲取的玻璃基板圖像總是摻雜著噪聲,缺陷特征與背景信息區(qū)別可能不明,不能直接進(jìn)行缺陷特征的提取,需要進(jìn)行圖像的預(yù)處理,增加圖像對比度,使缺陷特征更加明顯。

在獲取和傳輸玻璃基板圖像中會因各種因素干擾,使圖像不可避免的摻雜噪聲,從而導(dǎo)致缺陷識別準(zhǔn)確率降低。 經(jīng)分析,玻璃基板圖像通常會摻雜高斯噪聲和椒鹽噪聲。 選擇濾波方法的原則是：盡可能使圖像清晰、不破壞缺陷的輪廓邊緣信息。 因此本文選用均值濾波和中值濾波分別對高斯噪聲和椒

普通的算術(shù)均值濾波算法通過對圖像上一像素值為S 的像素點(x,y),取窗口鄰域大小為m × n 的矩形模板SXY,用模板內(nèi)除中心像素點的平均值對中心像素值進(jìn)行替換,替換后的中心像素點值為S＾,見公式(1)：

其中,z 為中心像素點的某一鄰域像素點。 算術(shù)均值濾波算法計算簡單,但圖片內(nèi)所有像素點系數(shù)均為1／mn,造成濾波圖像整體模糊,丟失缺陷邊緣信息。

幾何均值濾波算法是在算術(shù)均值法基礎(chǔ)上改進(jìn)的算法,計算給定矩形模板的所有像素點值乘積的1／mn 次冪,相較于算術(shù)均值濾波,幾何均值濾波的優(yōu)點是在過濾高斯噪聲的同時完整地保存缺陷邊緣信息,公式(2)如下：

中值濾波是一種基于排序統(tǒng)計的濾波算法,可以有效去除圖像內(nèi)隨機出現(xiàn)的椒鹽噪聲［8］。 首先選取鄰域模板大小,通過計算鄰域內(nèi)所有像素灰度值并對其進(jìn)行排序,原有像素灰度值將被計算選取的鄰域內(nèi)像素灰度值的中值代替。

算術(shù)均值濾波和中值濾波的內(nèi)核模板選取范圍為3×3,5×5,7×7 等,經(jīng)過實驗對比,算術(shù)均值濾波和中值濾波的內(nèi)核模板分別選取為3×3 和5×5 降噪效果較好。 圖4 為缺陷原圖及經(jīng)過兩種濾波算法后的圖像,其中,(a)、(b)、(c)分別為不同缺陷的原始圖像,(d)、(e)、(f)為濾波后圖像。 測試結(jié)果表明,玻璃基板圖像經(jīng)過濾波操作之后,可以減少因噪聲引起的缺陷誤判,突出缺陷特征。

圖4 缺陷原圖及濾波后圖像Fig. 4 The original defect image and the filtered image

圖像經(jīng)過預(yù)處理后還需要對缺陷特征進(jìn)行提取,特征提取是一種將玻璃基板圖像中的缺陷與背景分離開來的處理方法。

圖像分割可以去除玻璃基板背景信息,提取缺陷信息。 圖像分割方法主要有基于閾值的分割方法、基于邊緣的分割方法以及基于區(qū)域的分割方法等［9］。 閾值分割具有計算快、處理直觀等優(yōu)點,并且分割后產(chǎn)生的是二值圖像,方便后續(xù)的特征提取,所以本文使用閾值分割方法。

閾值分割方法主要有自適應(yīng)閾值法和固定閾值法等。 固定閾值法根據(jù)所設(shè)定的閾值的大小對像素灰度值進(jìn)行判斷：若圖像中存在一像素點, 灰度值為src(x,y), 首先選定閾值T1和最大灰度值maxval,將圖像像素分為低于閾值T1的A1 部分和高于閾值T1的A2 部分,根據(jù)所需要的顯示效果如二進(jìn)制,反二進(jìn)制,截斷閾值等,對A1 和A2 部分的所有像素設(shè)定為maxval、0、 T1或src(x,y)。 自適應(yīng)閾值有MEAN＿C 和GAUSSIAN＿C 兩種算法。 首先設(shè)定最大灰度值maxval 和像素鄰域尺寸blockSize 及常量C,若像素源灰度值為src(x,y),目標(biāo)圖像為dst(x,y),則二值化公式(3) 如下：

當(dāng)選取MEAN＿C 算法時,將閾值T 的值設(shè)置為該像素點選定的鄰域內(nèi)像素灰度的平均值與常量C的差值。 當(dāng)選取GAUSSIAN＿C 算法時,閾值T 的值等于該像素點選定的鄰域內(nèi)像素灰度的加權(quán)均值與常量C 的差值。

經(jīng)實驗驗證,在固定閾值中T1 設(shè)定為97,maxval 設(shè)定為255 顯示效果較好；自適應(yīng)閾值maxval 設(shè)定為255,blockSize 設(shè)置為9,常量C 設(shè)置為5 時顯示效果較好。 圖5 為兩種閾值處理方法的結(jié)果圖,圖中所有圖像邊框為人為添加,(a)、(b)、(c)為基本閾值處理結(jié)果圖,(d)、(e)、(f)為自適應(yīng)閾值處理結(jié)果圖。 對比顯示,自適應(yīng)閾值法對缺陷邊緣的細(xì)節(jié)保存的更好,有利于缺陷特征提取。

圖5 基本閾值與自適應(yīng)閾值處理結(jié)果Fig. 5 Basic threshold and adaptive threshold processing results

玻璃基板圖像經(jīng)過閾值化分割后,得到的二值圖像不能描述缺陷的紋理特征信息,可以計算提取缺陷的形狀和幾何特征參數(shù)實現(xiàn)缺陷的分類與識別。 玻璃基板的缺陷如點、線狀劃痕和表面顆粒物等都具有不同的形狀特征和幾何特征,形狀特征主要有缺陷的圓形度、矩形度等；幾何特征主要有缺陷的邊界周長、面積值、區(qū)域占空比等,經(jīng)過對這些數(shù)據(jù)進(jìn)行分析之后可以找出不同缺陷之間的差別進(jìn)而確定缺陷類型［10］。

設(shè)玻璃基板二值圖像中某一缺陷區(qū)域E,將E對應(yīng)的像素位置坐標(biāo)設(shè)定為(xi,yj),其中i ∈(1,2,…,m), j ∈(1,2,…,n)。

周長L：表示缺陷E 的邊界長度,常用的周長計算方法主要有間隙法、鏈碼法和面積法。

面積S：衡量缺陷所占范圍,由邊界像素決定。采用像素計數(shù)法表示面積,見公式(4)：

其中,μE是區(qū)域E 的重心與邊緣之間的平均距離,δE是區(qū)域E 的重心到邊緣距離的均方差［11］。

2.2 實際缺陷檢測

圖6 為玻璃基板實際缺陷圖片及其進(jìn)行濾波與自適應(yīng)閾值分割后的效果圖,其中(c)的邊框為人為添加,在缺陷原圖(a)中可見7 處缺陷以及少量圖像噪點。 對圖6(c)中的缺陷特征參數(shù)檢測結(jié)果如表1 所示。

圖6 玻璃基板實際缺陷檢測效果圖Fig. 6 Actual defect detection effect of glass substrate

表1 特征參數(shù)檢測結(jié)果Tab. 1 Characteristic parameter detection results

經(jīng)表1 統(tǒng)計,缺陷共計9 個,與自適應(yīng)閾值分割圖對比發(fā)現(xiàn),缺陷序號8 和9 應(yīng)為沒有去除的噪點,與玻璃基板原始缺陷圖對比,本圖像處理流程能夠去除絕大多數(shù)玻璃基板的噪點,使得缺陷誤檢率大為降低,為接下來的缺陷識別與分類提供了可靠數(shù)據(jù)支持。

3 結(jié)束語

本文設(shè)計了一種玻璃基板在透射式光源成像系統(tǒng)下的缺陷檢測算法,采用了幾何均值濾波和中值濾波算法分別對圖像進(jìn)行降噪處理,確定了幾何均值濾波與中值濾波在最佳去噪效果時的內(nèi)核模板的大??；在圖像分割過程中分別分析了固定閾值和自適應(yīng)閾值對圖像分割效果的差別,根據(jù)顯示的分割效果確定選用自適應(yīng)閾值法；最后對玻璃基板常見缺陷進(jìn)行了形狀特征和幾何特征分析,通過算法統(tǒng)計計算了缺陷個數(shù)及其特征參數(shù),并與實際圖像中缺陷數(shù)量進(jìn)行對比,驗證了該圖像處理流程對玻璃基板存在的缺陷具有較好的檢測效果。