2021年2月19日 机器视觉与计算机视觉技术

CCD成像在光源和色彩检测中的优势和应用

图1 – X、Y和Z曲线下的空间代表胡人眼睛所能看到的所有颜色。

人类视觉感知是任何旨在被人类观看的照明或显示产品质量的最终标准。从平板电视到智能手机,灯泡到交通信号,VR球场的jumbotrons体育场,您的车内GPS到喷气式飞机的驾驶舱仪表,人类用户感知的以及他们注意到的任何缺陷都是决定性因素设备质量。人类对亮度和颜色的感知为操作和安全公差设定了基准。

没有任何机器视觉或其他传感系统能够完全重现人眼的识别和准确性水平,但是我们可以使用基于CCD的成像技术来获得非常接近的效果。诸如使用CCD传感器的成像色度计等光测量系统提供了与人类视觉的精确度和灵敏度几乎匹配的系统。校准的基于CCD的色度计可以提供光线和颜色的绝对测量值。更重要的是,CCD成像系统为生产线上的自动视觉检测和质量控制提供必要的可重复性,速度和数据采集。

CCD技术

在数码摄影中,图像是通过图像传感设备(CMOS或CCD)将光子转换为电荷(电子)时形成的。在曝光期间(例如,当相机快门打开时),入射电子累积在相机的各个检测器元件中,称为像素。读取每个像素中收集的电荷量可以让设备重新创建原始图像。

目前有两种类型的图像传感器:CMOS(互补金属氧化物半导体)和CCD(电荷耦合器件)传感器。由于基础技术,CCD像素大于CMOS(更大的电子阱深度),它们可以产生更高分辨率的图像(高达2900万像素),并具有较低的“噪点”(光线和颜色随机变化)
通过适当的滤光片和校准,基于CCD的图像可以为每个像素提供计量学声音亮度和CIE色彩值。基于CCD的色度计提供了与人类视觉敏锐度相匹配的光度测量光和色彩评估功能。

成像色度计

图2 – 该成像色度计使用镜头,经过校准的CIE匹配三色滤光片,ND滤光片和CCD,以最精确地匹配人类视觉感受。

CCD成像的优点

为了满足人类视觉标准对发光设备的质量检测和测试,基于CCD的摄像机与其他类型的检测系统(如点测光计和光谱仪)相比具有优势。它们也超出了机器视觉系统的功能 – 但与人工检测相比,具有类似的自动化优势。这些无数的优势包括:

光测量。绝对亮度(亮度)和色度(颜色)数据是从图像中解释出来的,超出了标准机器视觉的能力;

一次测量所有数据点。 CCD相机可以捕捉和评估完整的图像,而不仅仅是单个点(或点测光点);

可量化的数据。捕获和存储大量数据以进行分析和趋势分析,速度和准确度超出人类的能力;

重复性和一致性。自动化成像系统不像人类检查员那样容易疲劳或具有主观性。

凭借这些优势,使用校准的基于CCD的系统进行光和色彩测量可以帮助组织:

根据人类视觉感受确保光线和颜色的准确性

在整个图像上执行尺寸测量

提高测量效率

执行自动化生产级检查

确保测量标准始终得到应用

图3 – 具有高级分析软件的基于CCD的成像色度计系统执行的显示mura(瑕疵)检测示例。从左上角开始顺时针方向:黑色mura,蝴蝶mura,漏光图案,角落mura,LED mura(背光单元通用 – BLU),斑点mura。

颜色准确度

在人眼中,有三种类型的光感受器(视锥细胞)有助于颜色辨别。每个对不同但重叠的光波长敏感;人类可见的整个光谱落在大约380纳米(nm)和750nm之间。硅CCD传感器通常对约300nm至1080nm的电磁辐射敏感 – 超出人类感知的范围。

捕获准确的彩色图像以进行产品评估需要过滤入射光,以便只有符合人眼三个圆锥的所需波长才能到达CCD表面。

1931年,CIE标准被定义为数学表示的三刺激响应曲线(图1)。为了与人类视觉感知相匹配,成像系统必须捕捉单个三色红色(x-bar),绿色(y-bar)和蓝色(z-bar)滤波图像。然后按照CIE标准将单个组件图像聚合成完整的颜色测量。

为获得最佳颜色精度,滤光片必须与CIE三色激励响应曲线非常匹配。今天,最精密的色度计使用移动的滤光轮来实现与CIE值相匹配的快速和准确的光照和色彩测量。

应用:测量显示器

基于CCD的比色系统已被证明对于测量各种各样的发光显示设备特别有效 – 即每天围绕着我们的屏幕。 LCD(液晶显示器)和OLED(有机LED)显示器被发现在消费电子设备中,如手机,笔记本电脑和电视机;内置于汽车仪表板和GPS系统;以及具有可视显示面板界面的各种“智能”设备。一些最新的应用包括虚拟现实耳机和可穿戴设备中的“近眼”显示器(NED),以及航空航天和汽车的“抬头”显示器(HUD)。

成像光度计和色度计可识别多种类型的显示缺陷,帮助研发实验室改进产品设计和工程设计,以及稍后发现缺陷产品到达客户手中之前生产线上的缺陷。常见的缺陷包括背光单元中的漏光(BLU),不均匀性(屏幕上亮度,颜色和对比度的变化),异物(玻璃和基板之间或之间的污垢和纤维),坏点,线条,和瑕疵(mura)。

成像色度计解决方案包括成像透镜,CIE匹配滤色器,CCD检测器以及数据采集和图像处理硬件/软件(Rykowski,R。和Kostal,H.,“Imaging Colorimetry:Accuracy in Display and光源计量学“,光子手册(2008))。

其他元件可能包括中性密度(ND)滤光片和机械快门。为了执行色度测量,系统依次通过每个CIE匹配的滤色器获取待测设备(DUT)的图像。在需要时,中性密度,ND滤光片(如相机的太阳镜)用于非常明亮的设备,以确保足够长的曝光时间以获取准确的亮度测量。然后处理图像数据以产生图像中每个像素的准确颜色或亮度数据。

使用成像色度计的好处是可以同时测量显示屏中的每个像素。

由于基于CCD的色度计在单次测量中获取多个数据点,因此它比基于点的测量解决方案本质上是一个快得多的检测解决方案。同时测量DUT的整个表面也是测量总体颜色和亮度均匀性,识别非常小的缺陷并分级缺陷严重程度所必需的。成像色度计甚至可以用来渲染显示器的处理图像,以显示微妙的色彩,这在大型高分辨率屏幕上尤其难以检测到。

明显的差异

基于CCD的成像色度计擅长捕捉详细的视觉信息和识别缺陷。事实上,他们的视力水平甚至可能超过人眼的水平。人类的视觉感受可能是主观的,无法量化的,并且难以从观察者复制到观察者。这种不精确性使得很难始终如一地应用标准,特别是随着时间的推移,在开发环境中,从批次到批次或从设置到设置(例如,在生产设施之间,或者在比较传入和传出的质量控制数据时)。这种可变性也使得在整个供应链中对多个来源应用统一的标准尤其困难。

根据所应用的公差,可变性增加了接受有缺陷的显示器或失败的显示器的风险 – 这两者都增加了制造成本。为模拟人类视觉敏感度来模拟显示缺陷的实验导致开发了一种自动分类显示技术“明显差异”(JND)的系统。

基于人类观察者的抽样,定义JND尺度以使得JND = 0表示与标准人类观察者没有可见的空间对比,并且JND = 1在统计上仅仅是明显的。由于基于CCD的成像系统能够跨显示器和其他大型空间区域进行均匀性测试,所以可以通过成像色度计将JND测量纳入缺陷检测。制造商可以使用这些测量值来根据定义的公差对缺陷进行分级,这会导致设备从生产中拉出。

先进的基于CCD的视觉检测

图4 – 基于CCD的高级视觉检测示例:识别可能通过人体检测甚至功能测试的错位连接器,但稍后会在产品发货并由客户使用时导致失败。

应用:测量光源

除了显示器之外,像灯泡(如荧光灯,LED)和灯具(照明灯具)等产品可以使用CCD色度计独立测量,或使用测角仪测量,可捕捉照明设计师所需的大量数据。根据光通量(发光总量),照度(从光源落在表面上的光量)和发光强度分布(在每个方向上发射的光的特性)评估光源。光源也可以直接成像(亮度)以查看设计元素(如扩散板)如何影响外观。照明制造商可能还需要测量色度和色温 – 光源的颜色特性。

某些行业如航空和汽车对前照灯和其他灯具的性能特征有严格的要求以确保安全。将光源投射到朗伯表面上,并使用校准的基于CCD的色度计测量光束分布,这些公司可以验证其产品的符合性,并准确报告这些光源如何发出照度或发光强度下的可感知光。

应用:装配验证,表面检测,粒子检测

基于CCD的成像系统的卓越分辨率,像素阱深度和图像清晰度在其他质量控制应用中具有优势,例如:

组装验证 – 检测复杂组件中的细微缺陷,如错误布线或缺少组件,特别是在低对比度区域。

表面检测 – 检测和分级异常特征,如发纹痕迹,凹痕,甚至标签放置和易读性,比典型的机器视觉系统具有更高的精度。

粒子检测 – 在玻璃或透明塑料膜等透明表面上或材料层之间定位和分类异物,以帮助确定零件是否可以清洁或必须丢弃。

结论

没有一种技术最适合所有的测量需求;基于CCD的成像系统具有明显的优势:

捕获高动态范围和低图像噪声的高分辨率图像

测量整个显示器的图像以进行均匀性和mura测试

使用光线和颜色的绝对变化识别细微缺陷

同时测量多个点

高速快速收集数据,具有可重复性和一致性

报告空间尺寸,失真和聚焦质量

对定量和定性特征进行高级分析

在研发环境,质量控制或生产线上,基于CCD的测量可以提供最相关的产品质量测定。校准的基于CCD的色度计是测试光源、显示器和其他组件的最佳解决方案,以确保它们符合最高视觉标准:人眼的感知。

Banner
Related Posts

红外、中国和3D堆叠:CMOS的发展趋势

2019年3月29日

2019年3月29日

3月13日在伦敦举行的Image Sensors欧洲会议的开幕式上,Analog Value的首席技术官兼创始人Vladimir Koifman在会议上上介绍了红外传感技术的进步、堆叠式传感器以及中国市场的价格趋势。

莫尔法成像方法可增强机器视觉中的3D图像

2019年8月1日

2019年8月1日

我们通常认为,使用正确的照明是机器视觉应用成败的关键。低角度照明可能会带来表面纹理或有用的阴影,背光提供干净的部分轮廓,偏振滤光片可以减少不必要的眩光。这些众所周知且广泛使用的工具已经存在了几十年。

红外相机热成像在缺陷检查中的应用

2019年6月1日

2019年6月1日

制造商正在使用红外摄像机来辅助预防性维护,并发现与热相关的装配过程中的缺陷。

机器视觉可以使用无线电波来穿透墙壁和黑暗

2019年10月10日

2019年10月10日

机器视觉有很强的识别能力。它具有超人的能力来识别人、脸和物体。它甚至可以识别许多不同的行为。

机器视觉模式匹配的基础:光源、相机、算法

2019年10月11日

2019年10月11日

机器视觉系统还需要能够发现和识别模式。任何机器视觉任务的第一步都是模式匹配,即根据形状属性(如边缘)的预期排列,在视场中定位目标。这个过程是如何工作的?

深度学习在机器视觉中的应用与发展

2019年5月7日

2019年5月7日

在短短几年内,深度学习软件已经比任何传统算法可以更好地对图像进行分类处理,而且可能很快就可以超越人工检查。

中科院自动化所王欣刚:机器视觉将取代人类视觉

2019年6月21日

2019年6月21日

智能制造已成为全球制造业升级发展的重要方向,未来工厂里将采用越来越来越多的自动化技术,包括机器人、人工智能、虚拟现实等先进技术,其中,机器视觉将在智能工厂中将发挥关键作用。对于生产商来说,如何将这些技术运用到当前的生产线,将是实现工厂价值提升和未来发展的关键。

新型智能玻璃为机器视觉研究提供新的模拟途径

2019年7月18日

2019年7月18日

[据光电子网站2019年7月10日报道] 美国威斯康星大学麦迪逊分校电气和计算机工程系Zongfu Yu教授带领的团队开发出了一种新型智能玻璃。不需传感器、不用接通线路或外部电源、亦不需连接互联网,这种智能玻璃就可以利用光学反射的原理识别图像。

改善机器视觉系统的十大方法

2018年8月9日

2018年8月9日

机器视觉是一个新兴领域,如果设置正确,可以减少过程效率低下。任何使用机器视觉作为机器人引导或检查的设施都应重视这一领域,以寻求可能的改进。

基于相机和激光传感器的车顶视觉检测系统

2019年4月24日

2019年4月24日

像多单元高速列车这样的现代轨道车辆需要定期进行检查维护,以确保最车辆的安全稳定运行,增加使用寿命并最大限度地减少列车的磨损

工业机器视觉应用有必要使用边缘计算吗?

2019年12月17日

2019年12月17日

伴随着机器视觉技术的快速发展,在提高制造商产品质量水平的同时加快生产效率,可以说拥有巨大的潜力。这项技术的影响范围也在不断地扩大,各种新的应用注定会在我们的日常生活中发挥更大的作用。

在图像处理中应用深度学习技术

2019年3月28日

2019年3月28日

深度学习应用凭借其在识别应用中超高的预测准确率,在图像处理领域获得了极大关注,这势必将提升现有图像处理系统的性能并开创新的应用领域。

表面缺陷检测系统方案实施的七个步骤

2019年5月24日

2019年5月24日

表面缺陷检测系统主要以相机成像和图像处理技术为主,配置合适的相机和光源可以使被检测物体凸显表面缺陷或特征,使其检测系统能够实时、准确的对物体表面缺陷进行检测。

自主机器视觉系统Inspekto S70

2019年12月18日

2019年12月18日

自主机器视觉(AMV)是通过机器学习的技术,让视觉系统拥有自动识别对象的能力,它为质量保证提供了革命性的方法,同时将使巨额投资和长时间停机成为过去。

深度学习+机器视觉=下一代检测

2019年9月18日

2019年9月18日

将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注