《光學(xué)膜內(nèi)部缺陷的檢測(cè)研究》4800字（論文）

光學(xué)膜內(nèi)部缺陷的檢測(cè)研究目錄TOC\o"1-2"\h\u14150光學(xué)膜內(nèi)部缺陷的檢測(cè)研究 115560摘要 130419引言 1152131光學(xué)薄膜缺陷分析 2240951.1缺陷成因 226791.2缺陷分類 2221012光學(xué)薄膜缺陷檢測(cè)算法流程 354972.1灰度均衡 3235132.2頻域?yàn)V波 5270402.3濾波處理 690592.4圖像分割 726516總結(jié) 825284參考文獻(xiàn) 11369致謝 1摘要正常情況下，光學(xué)薄膜主要的構(gòu)成在于薄的分層，屬于光學(xué)介質(zhì)材料范疇?；仡櫼酝鈱W(xué)薄膜最早出現(xiàn)的時(shí)間為上世紀(jì)初期，歷經(jīng)多年時(shí)間發(fā)展，其已經(jīng)逐步得到了健全和完善，現(xiàn)如今，無(wú)論是光學(xué)領(lǐng)域，還是光電子技術(shù)領(lǐng)域等均能隨處可見光學(xué)薄膜的身影。然而，實(shí)際運(yùn)用中，由于其缺陷檢測(cè)上出現(xiàn)了一定的問(wèn)題，導(dǎo)致光學(xué)薄膜檢測(cè)發(fā)展受到了阻礙。基于此，本文將為之進(jìn)行深層次的研究與分析，意在通過(guò)研究來(lái)找到有效解決此類問(wèn)題的方式與方法，并為推動(dòng)光學(xué)薄膜的快速發(fā)展貢獻(xiàn)自身一份力。關(guān)鍵詞：光學(xué)薄膜；缺陷檢測(cè)；計(jì)算機(jī)視覺引言光學(xué)薄膜，是一種以光學(xué)為介質(zhì)，由膜分層來(lái)組成的材料。從二十世紀(jì)三十年代開始，光學(xué)薄膜就已經(jīng)投入應(yīng)用。在當(dāng)今社會(huì)的光學(xué)、光電領(lǐng)域，光學(xué)薄膜已經(jīng)被用于生產(chǎn)各種精密光學(xué)儀器。而在二十一世紀(jì)電子信息技術(shù)高速發(fā)展的今天，其應(yīng)用更加廣泛，從電腦屏幕到手機(jī)、電視液晶屏幕再到LCD，太陽(yáng)能電板等等。在光學(xué)薄膜的制備過(guò)程中，對(duì)于其表面有著極高的質(zhì)量要求，必須借助有效的手段進(jìn)行缺陷檢測(cè)。以往的傳統(tǒng)的行業(yè)檢測(cè)主要就是人工手段，即通過(guò)放大鏡，人眼檢測(cè)缺陷。雖然人工檢測(cè)能夠快速對(duì)常見物品進(jìn)行準(zhǔn)確判斷，但一旦提高了檢測(cè)物品的精度和檢測(cè)標(biāo)準(zhǔn)，人眼檢測(cè)便很容易產(chǎn)生錯(cuò)誤判斷，甚至是無(wú)法識(shí)別。 本畢業(yè)設(shè)計(jì)，利用機(jī)器視覺，實(shí)現(xiàn)對(duì)于光學(xué)膜表面的缺陷檢測(cè)，使檢測(cè)的正確率能長(zhǎng)時(shí)間保持穩(wěn)定，并能對(duì)微米級(jí)別的缺陷采取分類別的判斷，而且檢測(cè)所得結(jié)果擁有客觀性。隨著工業(yè)制備技術(shù)的飛速發(fā)展，傳統(tǒng)的人工方法已無(wú)法全面符合高端產(chǎn)品零部件的質(zhì)量檢測(cè)要求。以計(jì)算機(jī)視覺的代替人工，完成對(duì)光學(xué)薄膜缺陷的特征提取與識(shí)別，適應(yīng)當(dāng)前生產(chǎn)力，能大大提高生產(chǎn)效率。1光學(xué)薄膜缺陷分析1.1缺陷成因 在光學(xué)膜的生產(chǎn)過(guò)程中，上、下基材的原材料質(zhì)量偏差，涂布生產(chǎn)環(huán)境有污漬，烘箱的溫度有變化，輥軸運(yùn)動(dòng)不均勻，壓軸施加的壓力不穩(wěn)定等因素，都極易造成光學(xué)薄膜成品的缺陷。1.2缺陷分類 對(duì)于制備過(guò)程中各種生產(chǎn)條件影響所產(chǎn)生的光學(xué)薄膜內(nèi)部缺陷，有以下幾種： （1）氣泡：殘存于成品薄膜內(nèi)的空氣泡 （2）垃圾：生產(chǎn)過(guò)程中，存在于環(huán)境中，最終附著于成品薄膜表面的固體雜質(zhì)以及漂浮顆粒。 （3）壓痕：膠水沒被擠壓均勻?qū)е履程幠z水堆積或缺少，形成壓痕。 （4）刮傷：原材料本身帶有，或生產(chǎn)機(jī)器造成的表面劃痕 （5）白污：白色的且反射率較大的雜質(zhì)，細(xì)小而又明亮。[3]氣泡垃圾壓痕刮傷白污表2.SEQ表\*ARABIC\s11缺陷圖示 2光學(xué)薄膜缺陷檢測(cè)算法流程 本課題，采用Python編程語(yǔ)言編寫算法，所使用的集成開發(fā)環(huán)境為PyCharm。實(shí)驗(yàn)設(shè)計(jì)的檢測(cè)算法流程如圖3.1所示。首先對(duì)于采集到的光學(xué)薄膜圖像，先使用灰度均衡增強(qiáng)其對(duì)比度，另外其本身帶有噪聲，以及某些缺陷會(huì)與表面紋理混和難以提取，因此需采取合適的濾波算法對(duì)圖像進(jìn)行分析。濾波之后，由于圖像的背景與缺陷之間的區(qū)分度任然不夠明顯，對(duì)此需要采取一個(gè)合適的閾值，對(duì)圖像進(jìn)行二值化。二值化處理后，由于呈現(xiàn)出的缺陷特征可能還會(huì)受到噪聲影響或者不夠完整，因此還需要進(jìn)行形態(tài)學(xué)處理，目的是為了更明顯的突出不同特征的幾何特點(diǎn)。接著是做圖像的邊緣檢測(cè)，目的是突出各缺陷邊緣，以便于能區(qū)分出不同缺陷類別的幾何特征，以便于下一步的特征識(shí)別與提取。最后的特征識(shí)別與提取即是根據(jù)之前操作分析提取缺陷。。圖2.SEQ圖\*ARABIC\s11檢測(cè)算法流程圖2.1灰度均衡 在圖像采集的過(guò)程中，由于生產(chǎn)車間環(huán)境原因，采集到的圖像會(huì)顯得很暗，需采取一個(gè)步驟來(lái)增加圖像的對(duì)比度。圖像偏暗的特點(diǎn)，可以由圖3.2的灰度直方圖可以看出，圖像中的像素?cái)?shù)量主要分布在了20~60之間的灰度級(jí)，因此才導(dǎo)致了圖像很暗，缺陷、背景、噪聲全部混在了一起，難以區(qū)分，因此需采取灰度均衡增強(qiáng)圖像的對(duì)比度。圖2.SEQ圖\*ARABIC\s12灰度直方圖 均衡化的過(guò)程，其實(shí)質(zhì)為圖像的灰度變換過(guò)程。在灰度直方圖中可以看出，大部分的像素都集中在了極小的一個(gè)范圍里面，該問(wèn)題所導(dǎo)致的就是使圖像細(xì)節(jié)看起來(lái)不會(huì)很清晰。根據(jù)這個(gè)問(wèn)題，采取的直方圖均衡化，原理就是使原來(lái)集中在一個(gè)小范圍灰度的像素點(diǎn)，通過(guò)拉開圖像的灰度范圍，增加其對(duì)比度，從而呈現(xiàn)出更清晰的細(xì)節(jié)。該步驟處理之后所呈現(xiàn)出的直方圖形狀更為平坦。其主要步驟為： （1）計(jì)算原圖像灰度直方圖：P 該公式中，n所表示的為像素點(diǎn)總數(shù)，nk為灰度級(jí)Sk上所聚集的像素總個(gè)數(shù) （2）原圖像的累積直方圖：CDF （3）目的圖像的像素由：Dj CDF(Si)為原圖像中灰度為i的累計(jì)分布，L為圖像中最大灰度級(jí)（本圖為255） 以劃痕為例，經(jīng)過(guò)灰度均衡之后的缺陷如表3.1所示，呈現(xiàn)出了更強(qiáng)的對(duì)比度。原圖灰度均衡之后圖2.3處理對(duì)比2.2頻域?yàn)V波 對(duì)于光學(xué)薄膜等一類玻璃制品而言，其在生產(chǎn)過(guò)程中，其表面會(huì)形成紋理，同時(shí)，由于生產(chǎn)車間設(shè)備以及環(huán)境等因素的影響，表面也會(huì)產(chǎn)生一些缺陷隱藏于紋理當(dāng)中，比如在壓制過(guò)程中，壓制不均勻而形成的壓痕。由于其紋理與光學(xué)膜表面紋理及其相似，使用常用的斑點(diǎn)檢測(cè)或者邊緣檢測(cè)無(wú)法將紋理缺陷很好的從背景中分離出來(lái)。因此考慮采用頻域?yàn)V波來(lái)提取此類缺陷。 相比于下文所提到的幾種直接使用模板對(duì)圖像進(jìn)行卷積運(yùn)算的空間域?yàn)V波，頻域?yàn)V波是利用傅里葉變換，將圖像信息轉(zhuǎn)換到頻域中，使用高通濾波模板，提取缺陷的輪廓特征。對(duì)于一個(gè)二維的M*N的平面圖像f(x,y)，其通過(guò)二維傅里葉變換（DFT）轉(zhuǎn)換到F(u,v)的公式為：F 對(duì)于公式中的變量u、v，其變化與對(duì)應(yīng)的x、y相同，都為0,1,2,…,M-1和0,1,2,…,N-1。在時(shí)域中，(x,y)確定平面坐標(biāo)，在頻域中，(u,v)確定頻率。[4] 當(dāng)處理好之后，根據(jù)傅里葉變換的可逆性，可將頻域圖像轉(zhuǎn)換為時(shí)域圖像，將F(u,v)做逆變換（IDFT），轉(zhuǎn)換回f(x,y)，其公式為：f 由上述公式可得，f(x,y)結(jié)果為實(shí)數(shù)的話，在傅里葉變換所得結(jié)果形式也是復(fù)數(shù)。由此可得，在傅里葉變換之后所得的頻譜圖，實(shí)際上為F(u,v)的幅度圖。對(duì)于幅度，即取模，在傅里葉變換中的公式定義為：F 對(duì)于其相位角（即幅角），其所求公式為：φ 由相位角以及幅度公式可能，F(xiàn)(u,v)轉(zhuǎn)換為極坐標(biāo)表示，其公式為：F 把光學(xué)薄膜表表面圖像經(jīng)過(guò)傅里葉變換之后，其紋理在頻域當(dāng)中會(huì)呈現(xiàn)出相應(yīng)的特性，對(duì)此可以在頻域中進(jìn)行處理。2.3濾波處理 采用該步驟主要的目的是為了將圖像采集環(huán)節(jié)出現(xiàn)的圖像噪聲問(wèn)題得到妥善的解決。所謂圖像噪聲主要指的是，圖像內(nèi)部影響與干擾到正常觀察與檢測(cè)的信息。其來(lái)源可歸為兩類，即外部噪聲與內(nèi)部噪聲： （1）外部噪聲：是指系統(tǒng)內(nèi)部受到了外界電磁波或經(jīng)由外部電源線影響而從產(chǎn)生的噪聲。 （2）內(nèi)部噪聲：一般是指系統(tǒng)內(nèi)部電路異常而導(dǎo)致的噪聲。 理論上來(lái)說(shuō)，噪聲是隨機(jī)的，無(wú)法預(yù)知的?？梢园阉斫鉃橐环N隨機(jī)誤差，可通過(guò)不同的概率統(tǒng)計(jì)模型來(lái)表示。所以，按照其所計(jì)算出的概率密度和概率分布兩種函數(shù)數(shù)值，便能將噪聲分為多種類型，如高斯噪聲等等。[5]具體情況如下所述： 所謂高斯噪聲主要指的是，正態(tài)分布環(huán)境下，概率密度函數(shù)所呈現(xiàn)出的噪聲情況。關(guān)于其有關(guān)的計(jì)算方式具體如下：f 椒鹽噪聲，也被叫做脈沖噪聲，是在圖像采集中較常出現(xiàn)的一種噪聲，其主要表現(xiàn)為隨機(jī)出現(xiàn)在圖像中的白點(diǎn)與黑點(diǎn)。其概率密度函數(shù)為：f 均勻分布噪聲，即服從均勻分布的噪聲，在實(shí)際生產(chǎn)過(guò)程中較為少見。其概率密度函數(shù)為：f 根據(jù)一些實(shí)驗(yàn)表明，薄膜表面最常見的為椒鹽噪聲。 對(duì)于噪聲處理所采用的圖像濾波方法，常見的有： （1）中值濾波 一種較為典型的非線性濾波，其理論知識(shí)基于排序統(tǒng)計(jì)，中值濾波能較為有效的抑制噪聲。其基本的原理為：通過(guò)統(tǒng)計(jì)一個(gè)塊的領(lǐng)域中所有值，取當(dāng)中的中值，代替其余所有值，該操作能讓其領(lǐng)域像素點(diǎn)的值能更接近其真實(shí)值，從而消除一些單獨(dú)的噪聲點(diǎn)。例如：{1，2，5，7，9}中，取5作為這串?dāng)?shù)字的中指，若為偶數(shù)個(gè)數(shù)字，則取中間兩位數(shù)字的平均值。該方法不僅能消除椒鹽噪聲，還能保留住圖像缺陷的邊緣細(xì)節(jié)。 （2）均值濾波 一種線性的濾波，屬于平滑濾波。基本思想為，取一像素點(diǎn)與它相鄰其余八個(gè)像素點(diǎn)的值累加，取平均值代替為新的像素值。但該種濾波對(duì)于椒鹽噪聲，達(dá)不到很好的消除效果。 （3）高斯濾波 該濾波也是屬于線性的。該濾波的處理過(guò)程，是對(duì)整一副圖像進(jìn)行加權(quán)平均操作，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過(guò)加權(quán)平均后得到。其主要用途是消除高斯濾波。 此處以薄膜表面白污為例，分別經(jīng)過(guò)了中值濾波、均值濾波、高斯濾波之后，如表3.2所示（卷積核都設(shè)置為3*3）：中值濾波均值濾波高斯濾波表3.SEQ表\*ARABIC\s12幾種濾波方式的比較2.4圖像分割 圖像的分割，即是指選擇一個(gè)合適的分割閾值Val，將圖像二值化，其處理公式可按如下表達(dá)：fG(x,y)所表示為圖像中某一處像素值，若該處像素值大于等于所選的閾值，則把此像素點(diǎn)的值賦值為255，若此處像素值小于所選分割閾值，則賦值為0。 對(duì)于分割閾值的確定，主要有以下幾種方法： （1）大津法 大津法在實(shí)際運(yùn)用中常被稱之為“最大類間方差法”，此方法主要是由日本著名研究者Otsu提出，實(shí)際運(yùn)用中，其具體的操作方式為：在某種判定條件下分離程度可以達(dá)到最優(yōu)化。該算法的判斷依據(jù)就是最大類間方差：ICV=PA? 在獲取的圖像的灰度直方圖中，PA表示的為目標(biāo)區(qū)域的像素?cái)?shù)量占據(jù)總數(shù)的百分比，PB所表示的為背景區(qū)域的像素?cái)?shù)量占據(jù)總數(shù)的百分比。T即為最佳閾值，使得ICV最大。 （2）雙峰法 由Prewitt與1996年提出。該算法的實(shí)現(xiàn)原理為：對(duì)于一幅圖像的灰度直方圖，若其形狀呈現(xiàn)出明顯的雙峰造型，那么可以選取雙峰中間最低處的值作為圖像二值化的分割閾值。如圖3.3所示，Zt處的值即為雙峰法所得的分割閾值：圖2.4呈現(xiàn)雙峰的灰度直方圖 （3）自適應(yīng)閾值法 在采集光學(xué)膜表面圖像時(shí)，由于環(huán)境等因素影響，采集到的圖像各區(qū)域亮度會(huì)有差別，在該情況下，采用全局閾值就很難將目標(biāo)與背景區(qū)分開來(lái)。因此根據(jù)該情況提出了自適應(yīng)閾值的方法，該方法可以將圖像劃分為多個(gè)區(qū)域，并計(jì)算出不同區(qū)域的閾值后，將此閾值設(shè)置為該區(qū)域的分割閾值。此方法可以更好的適應(yīng)那些光線不均勻圖像的二值化處理，從而得到更好的結(jié)果。 采用自適應(yīng)閾值的方法，經(jīng)過(guò)二值化處理后，圖像缺陷細(xì)節(jié)如表所示：劃傷白點(diǎn)圖2.5自適應(yīng)閾值分割之后的結(jié)果 可以看出，在自適應(yīng)閾值過(guò)后所提取的缺陷周圍仍然有一些噪聲的存在?？偨Y(jié) 隨著工業(yè)生產(chǎn)中，對(duì)于產(chǎn)品要求的良品率以及檢測(cè)精度越來(lái)越高，一般的人工檢測(cè)方式已經(jīng)越來(lái)越難適應(yīng)如今的生產(chǎn)環(huán)境。本課題所研究的適用于光學(xué)薄膜表面缺陷檢測(cè)的算法，能較有效的彌補(bǔ)傳統(tǒng)人眼易疲勞、精度低等缺陷。根據(jù)光學(xué)薄膜生產(chǎn)環(huán)境與生產(chǎn)流程，了解不同種類缺陷的成因以及其呈現(xiàn)出的幾何特征。在了解不同種類缺陷的幾何特征后，設(shè)計(jì)算法，算法實(shí)現(xiàn)的功能為，對(duì)圖像經(jīng)過(guò)預(yù)處理之后，通過(guò)濾波處理，二值化，形態(tài)學(xué)處理，邊緣檢測(cè)等過(guò)程，提取并分類檢測(cè)出光學(xué)薄膜制備過(guò)程中常見的缺陷。參考文獻(xiàn)[1]N.G.Shankar,Z.W.Zhong.Defectdetectiononsemiconductorwafersurface[J].MicroelectronicEngineering,2016(3)[2]黃文清，汪亞明，周志宇.計(jì)算機(jī)視覺技術(shù)在工業(yè)領(lǐng)域的應(yīng)用[J].浙江工程學(xué)院學(xué)報(bào),2015(2):32-35[3]鐘球盛，胡廣華，李靜蓉.光學(xué)薄膜表面微細(xì)缺陷在線檢測(cè)方法研究[J].機(jī)械設(shè)計(jì)與制造,2017(10):102-104[4]劉偉斌，鄭力新，周凱汀.采用頻域?yàn)V波的織物疵點(diǎn)檢測(cè)方法[A].華僑大學(xué)學(xué)報(bào)（自然科學(xué)版）,