基于机器视觉的【高反光工件】外观瑕疵检测方法

在工业中经常使用高光面材质加工一些平整度较高，且表面要求较高的工件。

由于这些工件表面光滑，同时具有高反光等特性，导致缺陷表露不清晰，检测时会影响被测物的特征提取，降低表面缺陷检测成功率。

传统的检测方法仍然依靠大量人工凭借肉眼检测，不仅影响工作效率， 而且由于工人视觉疲劳、个人评判标准等因素存在， 直接影响零件的使用寿命和性能。除此之外， 还有采用激光探伤法、超声扫描检测法、红外检测法等无损检测方法，但因其检测成本较高，大多局限于部分高精密零件抽检。

为了解决高反光工件表面缺陷检测的问题，机器视觉的引入提高了金属表面缺陷检测的效率和精度，可以通过从图像中提取信息并处理后实现最终的智能检测与控制。

该方法区别于传统的视觉算法，优化后的算法可有效地解决图像采集时出现的高反光问题，同时可识别出产品划痕、裂纹、凹坑等缺陷类型，提供了更高的准确性，为后续的缺陷检测提供数据支持，提高生产效率。

场景一

高反光金属工件表面缺陷检测

检测项目

待检测产品为钛合金材质棒材，检测长度为215mm，直径约10mm，需要检测产品表面裂纹、坑点、表面啃伤、表面氧化皮等缺陷。检测时产品直线通过，并需要>6米/分钟。

检测难点

圆柱类金属件表面缺陷分布具有随机性和多样性，而金属件的表面纹理分布无规律，在缺陷检测时容易产生干扰，使得工件图像中夹杂较多的高光噪声，从而提取出很多虚假的目标缺陷，最终造成误检。

检测方法

由于工业现场环境复杂，任何一个小的变动都可能会涉及到整个项目的改造，从而导致项目周期长，实施成本高。针对这一系列问题，可针对性设计专用光源系统和光照方式，加之以深度学习技术为基础的智能视觉算法，即使在光照有微小变化的同时，也能保证各种缺陷都能准确的被检测出来，完美地解决高反光造成的噪声问题。

检测效果

检测表面氧化缺陷

检测表面坑点缺陷

场景二

高反光卫浴零部件表面缺陷检测

检测项目

待测试物料为卫浴零部件，需要对其表面划痕进行检测识别。

检测难点

生产制造中出现的细微划痕与加工的纹理易混淆，并且金属表面易反光，传统算法难以识别。

检测效果

场景三

高反光苹果LOGO瑕疵检测

检测项目

待测试物料为苹果LOG，需要对其表面瑕疵进行检测识别。

检测难点

此类型的工样品本身是属于镜面反光，工件本身平整度高，且易粘黏油污、手印等。

反光问题：由于材质表面光洁度很高，已经形成一个高光镜面，光源即使在很弱的状态下，表面的反光也会有非常强的对比度，这种对比度会把表面本身的杂质、划痕、研磨痕等缺陷覆盖，使得视觉拍照无法检测出零件表面缺陷。

倒影问题：由于材质表面已经形成一个镜面，一般的光学镜头和视觉光源的灯珠等都会在材质表面形成倒影，这个倒影会成像在最后的检测画面上,会严重影响材质表面的成像效果，造成检测无法进行。

传统视觉系统（无法进行检测 ）

检测方法反光问题：反射照明，平行光成像的光学原理，可以把镜面反光问题完美解决，即使表面有微小的划痕、擦伤、指纹、油污等缺陷也会以很高的灰度对比呈现出来，极大的降低了后期图像算法的难度。 倒影问题：同轴照明成像系统，路平行度高，光斑均匀且全覆盖检测样品本身，不会产生系统硬件在镜面本身上的倒影。 检测效果

矩视智能低代码平台可针对高反光工件检测，可应用于线缆、带钢、薄膜、玻璃、造纸、铝板带、铝箔、铜箔、无纺布等整个制造过程中。并在生产制造过程中对产品进行全方位检测，以确保出厂产品的品质要求，从而提高产品质量和工作效率。

审核编辑 ：李倩