基于機器視覺的電容屏非可視區(qū)引線缺陷檢測方法研究.pdf

1、隨著移動通訊設(shè)備的快速增長，觸摸屏作為人機交互中的重要環(huán)節(jié)，已經(jīng)滲透到了人們生活的每個角落。電容屏質(zhì)量的好壞直接影響到產(chǎn)品的市場競爭力，針對電容屏的質(zhì)量檢測也變得越來越重要。傳統(tǒng)的電容屏缺陷檢測主要靠人工實現(xiàn)，但是依靠人工檢測已經(jīng)很難滿足目前高效的工業(yè)生產(chǎn)要求。本文以電容屏為研究對象，對基于機器視覺的電容屏非可視區(qū)缺陷檢測與識別的方法進行研究。主要研究內(nèi)容如下:
　　首先，對常見的電容屏缺陷及檢測要求進行分析，確定缺陷檢測流程，檢

2、測流程可分為圖像預(yù)處理、缺陷檢測、缺陷分割、特征提取和缺陷識別。其次，采用將中值濾波與梯度倒數(shù)加權(quán)法相結(jié)合的方法，對圖像進行濾波操作，有效抑制了噪聲干擾;對濾波后的圖像進行直方圖增強處理，提高了圖像的對比度。再次，通過建立投影變換模型并采用雙線性插值法對圖像進行校正，有效地解決了圖像的投影失真問題;在此基礎(chǔ)上，采用基于SIFT算法的圖像匹配算法對標(biāo)準(zhǔn)圖像和待測圖像進行匹配，找到匹配的特征點;利用匹配特征點對圖像進行差分，通過分析差分結(jié)果

3、實現(xiàn)缺陷檢測。然后，研究并對比了基于相位一致性和基于梯度的邊緣檢測算法、Otsu區(qū)域分割算法及基于Hough變換的直線檢測算法等圖像分割方法，并結(jié)合缺陷特點將缺陷圖像從背景中分割出來。最后，研究了基于輪廓跟蹤原理的特征提取方法，在此基礎(chǔ)上對KNN分類器作了改進并實現(xiàn)缺陷的分類識別。對KNN分類器的改進主要包括:在相似度計算方面，根據(jù)每個特征貢獻的大小采用特征加權(quán)的方法;在分類效率方面，通過K-均值聚類法對樣本實例進行聚類合并，減小計算量