[发明专利]一种检测手机外壳轮廓度缺陷方法

说明书

本发明公开了一种检测手机外壳轮廓度缺陷方法，包括：将被测试的智能手机外壳(5)放置在测试系统结构件(4)的前方中央位置处的测试平台上，所述测试系统结构件(4)的两端分别设置有第一CMOS摄像模组(2)和第二CMOS摄像模组(3)，其具体方法包括：步骤1)放置手机外壳到测试平台上，使用蓝色波长405nm的半导体线结构光激光器照射手机结构件，第一和第二CMOS摄像摄像模组分别采集激光线图像，获取上表面3D点云数据，摄像头光轴和激光线光平面夹角选择了45度步骤2)设置传感器采样行数为n个像素，按照深度测量范围确定传感器采样像素行数等。

技术领域

本发明属于制造领域，涉及一种检测手机外壳轮廓度缺陷方法。

背景技术

随着移动终端(手机)的发展，对手机的品质要求越来越高。以往检测手机底部外观大多数厂家采用目视观察为主，主观性很大，质量难于稳定，特别人眼对于表面轮廓变形不敏感，难于检测出来较小尺寸的凹凸点，产生较多的漏检，但是消费者可以通过手指触感发现凹凸缺陷。行业内少部分企业使用机器视觉的方法检测手机外观，例如华为技术有限公司、三星公司等，也部署了一些测试装备到手机生产线上，这些测试装备和检测系统的主流还是采用2D视觉技术，使用不同角度的光源将轮廓拍摄出来，然后使用图像处理算法进行分析处理。这种2D视觉的方法数据扰动较大，往往光照强度、材质变化、光源角度的小的变化都会对数据产生很大的影响，检测结果不准确。一些AOI厂家使用统计机器学习的方法和三色LED多角度光源制造图像检测装备，可以一定程度地实现缺陷的有无检测，不能准确量化尺寸方面的缺陷。现有的3D轮廓仪厂家产品也存在测量范围小，不能一次扫描测量出缺陷。

1常规2D机器视觉使用正面或者侧面拍照的方法，随着不同产品的材质、表面纹理的影响，缺陷模式特征经常发生改变；并且缺陷特征的成像输出图像也容易受到光照的影响，采用经典图像处理方法，算法的复杂度很高。为了解决这些问题近年来工程技术人员和学者使用人工智能图像算法，例如用机器学习的神经网络、支持向量机、卷积神经网络模糊等深度学习模式分类算法方法进行图像特征分类，在具有充足的样本集的情况下也取得了较好的结果。但实际生产中由于缺陷的出现是小概率事件，往往缺陷的样本数量较小，并且训练耗费的时间较长，经常需要数小时乃至几天时间进行训练，这样新型号导入检测系统时间较长。

2、目前的激光轮廓度仪可以输出表面3D点云，主要轮廓度仪厂家包括Keynece,Sick公司等，但其系统设计指标重点倾向于扩大深度距离范围，一次测量的宽度较窄，需要多次扫描手机外壳才能达到要求。精度和效率都不理想。

3、目前表面轮廓处理算法主要面向3D拼接、造型应用。直接用于表面检测鲁棒性较差，抗干扰性差，误检率高，直接使用点云数据作为参考模型检测易于受到运动平台振动影响，同时标定误差也会产生很大的影响。

4、反映产品缺陷的特征众多，人工判断具有很大的模糊性，常规的线性机器判断方法易产生漏判和误判现象。完全使用机器学习也存在某种不确定性。

发明内容

本发明所要解决的技术问题是提供一种检测手机外壳轮廓度缺陷方法。

本发明解决上述技术问题所采取的技术方案如下：

一种检测手机外壳轮廓度缺陷方法，包括：将被测试的智能手机外壳(5)放置在测试系统结构件(4)的前方中央位置处的测试平台上，所述测试系统结构件(4)的两端分别设置有第一CMOS摄像模组(2)和第二CMOS摄像模组(3)，其具体方法包括：

步骤1)设置传感器采样行数为n个像素，按照深度测量范围确定传感器采样像素行数；

步骤2)放置手机外壳到移动测试平台的工作台托板上，使用蓝色波长405nm的半导体线结构光激光器照射手机外壳，第一和第二CMOS摄像模组分别采集激光线图像，提取光条特征图像信息，摄像头光轴和激光线光平面夹角选择了45度；