王義文，屈冠彤，付鵬強，李 強，梅 恒

?

基于機器視覺的光柵表面缺陷檢測系統(tǒng)

王義文1，屈冠彤1，付鵬強1，李 強1，梅 恒2

( 1. 哈爾濱理工大學機械制造及其自動化系，哈爾濱 150080； 2. 長春禹衡光學有限公司，長春 130012 )

為了實現(xiàn)對光柵表面缺陷的自動檢測，開發(fā)了一種基于機器視覺的光柵表面缺陷檢測系統(tǒng)。首先，搭建了系統(tǒng)硬件平臺，分析并解決了關鍵檢測難點；然后，在分析比較了幾種傳統(tǒng)邊緣檢測算法的基礎上，介紹了邊緣重繪算法，對光柵表面圖像進行邊緣檢測；最后，根據(jù)各種光柵表面缺陷特征，選取多個閾值定義多種光柵表面缺陷，提取特征缺陷并標記，開發(fā)了檢測算法。實驗結果表明：該系統(tǒng)檢測精度達微米級，單個光柵檢測效率為30 s左右，缺陷識別率在94%以上，誤檢率在4%以下，可在線實時檢測多種光柵表面缺陷。

機器視覺；光柵；缺陷檢測；圖像處理；特征提取

0 引 言

光柵編碼器作為一種高新技術產(chǎn)品，集成了計算機、電子、控制、機械、光學等多種領域的先進技術，已廣泛應用于數(shù)控機床、交流伺服電機、電梯、航天航空等行業(yè)[1]。圓光柵盤作為光柵編碼器的檢測元件，其表面由一系列規(guī)律性刻線組成，在生產(chǎn)過程中，不可避免的受原材料質量、精度、加工工藝條件等因素影響產(chǎn)生缺損，進而影響編碼器的測量精度和使用性能，故必須對光柵表面編碼圖案進行嚴格的檢測[2-5]。目前，國內(nèi)外光柵編碼器生產(chǎn)企業(yè)主要以傳統(tǒng)人工目測的方法對其進行檢測，具有效率低、精度低、主觀性強、成本高等缺點，難以滿足當今社會的自動化檢測需求。

目前基于機器視覺的光柵表面缺陷檢測基本處于空白，類似產(chǎn)品缺陷檢測研究中，主要有圖像差分法、瑕疵缺陷圖像的特征提取與選擇、灰度形態(tài)學處理等。文獻[6]基于半導體表面缺陷檢測系統(tǒng)，通過邊緣檢測算法提取半導體管體的塑封邊緣，采用模板匹配算法判斷字符的完整性，利用圖像差分法檢測塑封缺陷；文獻[7]開發(fā)了印刷缺陷在線檢測系統(tǒng)，同樣采用圖像匹配算法檢測粘臟、污點、起皺、漏印、刮傷等缺陷；文獻[8]開發(fā)了高密度電路板缺陷檢測系統(tǒng)，采用了圖像對比、特征識別等算法相結合檢測高密度電路板缺陷；文獻[9]設計了在線鋼軌探傷模擬平臺，并采用特征識別算法檢測鋼軌裂紋缺陷；文獻[10]提出了一種基于形態(tài)學的自動光學檢測方法，用于檢測電池的刮傷。

上述文獻對檢測精度要求不高，肉眼易識別，缺陷特征區(qū)域與背景區(qū)域有明顯區(qū)分，而圓光柵盤(以下簡稱為光柵)表面編碼圖案精密，最小缺陷尺寸達1 μm[11]，檢測要求較高。因此，如何快速準確地從光柵表面圖像中識別提取缺陷目標，開發(fā)光柵表面缺陷自動檢測系統(tǒng)，已成為當前迫切需要解決的難題。本文首先搭建光柵表面缺陷檢測系統(tǒng)高精度硬件平臺，獲取高質量光柵表面圖像，然后開發(fā)光柵表面缺陷檢測算法，最后通過實驗驗證其有效性，實現(xiàn)對多種光柵表面缺陷的檢測。

1 光柵表面缺陷檢測硬件平臺搭建

本文開發(fā)的光柵表面缺陷檢測系統(tǒng)包括：圖像采集系統(tǒng)、運動控制系統(tǒng)和圖像識別系統(tǒng)[12]，如圖1所示。待檢光柵固定在快換夾具上，運動控制系統(tǒng)保證光柵表面完整展開，同時圖像采集系統(tǒng)采集光柵表面圖像并傳輸?shù)綀D像識別系統(tǒng)，圖像識別系統(tǒng)對光柵表面圖像進行實時檢測，判斷有無缺陷并標記。通過實驗研究，目前光柵表面缺陷檢測存在以下難點：1) 光柵盤尺寸較小，其表面圖案由均勻條碼構成，黑白條碼間隔達微米級，合理搭配選擇工業(yè)相機和光學鏡頭，獲取清晰顯微圖像至關重要；2) 光柵材質為樹脂材料，具有一定反光率，易造成采集圖像失真，缺陷信息丟失，設計合理的光源是獲取高質量圖像的必要條件；3) 采集光柵表面圖像時，檢測系統(tǒng)易受震動影響，設計合適的光柵夾具尤為重要。

為了解決上述難點，首先選取高分辨率CMOS工業(yè)相機(分辨率為2 048′1 536)、高分辨率放大變倍鏡頭(光學放大倍率：0.7×~4.5×)；采用LED光源組合模式，以專用透射光源為主，反射光源為輔，以滿足90以上缺陷的檢測要求，如圖2所示；為保證光柵表面圖像的平穩(wěn)展開，設計光柵專用夾具，采用漲緊模式保證光柵與夾具的微定位，如圖3所示。

2 光柵表面缺陷圖像處理算法

2.1 光柵表面缺陷種類

目前常見光柵表面缺陷有星點、鉻點、斷線、毛刺等缺陷形式，四種缺陷類型的示例如圖4所示。

圖1 光柵表面缺陷檢測硬件系統(tǒng)示意圖

圖2 光源示意圖

圖3 光柵夾具示意圖

圖4中陰影部分為鍍鉻區(qū)，星點是指黑條碼上的細微缺失；鉻點是指黑白條碼間多余的部分，在黑白條碼上均有附著；斷線是指黑條碼的中斷；毛刺為條碼邊緣不整齊程度。

圖4 光柵表面缺陷類型示例

2.2 光柵表面圖像邊緣檢測

光柵表面由規(guī)律編碼圖案組成，具有明顯邊緣特征，目前比較常用的傳統(tǒng)邊緣檢測算法有Sobel算子、Laplacian算子、Canny算子等。但Sobel算子定位精度不高，Laplacian算子易產(chǎn)生噪聲，Canny算子可能會引入偽邊緣[13-14]。針對光柵表面缺陷檢測的高精度要求，本文采用Topal C提出的邊緣重繪算法[15]，與傳統(tǒng)邊緣檢測算子相比，可實時獲取高質量邊緣圖像，主要包括以下四個步驟：

1) 高斯濾波去噪。設二維Gauss函數(shù)[16]為

2) Sobel算子計算梯度幅值和方向。設G和G分別代表經(jīng)縱向及橫向邊緣檢測的圖像，具體公式為

3) 設定某一閾值，如果像素的梯度值大于與其相鄰的兩個梯度值，且其差值大于此閾值，則該像素被標記為一個錨。設(，)為邊緣上一點，(，)為其梯度值，記錨為，閾值為，具體算法描述式：

4) 智能路徑連接錨。由梯度幅值和方向作為導向，始于一錨，選取與其相鄰的三個像素點中最大梯度值的像素點向水平方向或豎直方向推移，完成錨與錨之間的連接，直至得到最終邊緣圖像。

2.3 多閾值選取提取缺陷特征

光柵表面圖像碼道圖案與背景區(qū)域對比明顯，完整條碼形狀規(guī)則，邊緣像素值穩(wěn)定，帶有缺陷條碼邊緣像素值則不穩(wěn)定。因此，由邊緣重繪算法獲取的邊緣圖像，選取多個閾值，分別將不同像素值的邊緣圖像定義鉻點、星點、毛刺、斷線等缺陷，實現(xiàn)對缺陷特征的提取。設邊緣圖像[，]，其像素值為1，由經(jīng)驗設定邊緣像素值較小的鉻點和星點缺陷閾值為1，提取缺陷邊緣圖像為1[，]，則：

類似的，通過大量實驗分別針對其他種類缺陷選取多個閾值，如2，3，4等，算法完整式：

其中：由于鉻點邊緣像素值較小，將小于閾值1的邊緣圖像定義為鉻點缺陷；斷線邊緣像素值較大，將大于閾值4的邊緣圖像定義為斷線缺陷；有的星點附著于碼道邊緣，則通過閾值2、3小范圍限定；毛刺邊緣像素值略大，則通過閾值3、4小范圍限定；通過多個閾值的選取，完成對四種常見缺陷特征的提取。上述四個閾值為經(jīng)驗值，針對不同規(guī)格的光柵閾值需要重新設定。

為突出缺陷特征，繼續(xù)對提取的缺陷特征作圓標記，突出顯示。分別計算每個缺陷邊緣像素點的坐標，求其平均值，這樣就得到該缺陷邊緣中心點坐標，計算式：

獲取每個缺陷邊緣的中心點后，給定半徑值，以其為圓心作圓標記，完成最終光柵表面缺陷的檢測。

3 實驗驗證分析

本文實驗選用研華科技IPC-610L工控機，CPU為Intel(R)Core(TM)-i3 3.3 GHz、4 GB內(nèi)存，軟件基于VC2008開發(fā)環(huán)境，并調(diào)用OpenCV機器視覺庫，針對分辨力為2 048 p/r光柵，通過光柵表面缺陷檢測硬件系統(tǒng)進行實驗研究。

3.1 邊緣檢測算法實驗

為驗證本文邊緣重繪算法的檢測效果，分別采用Laplacian算子、Canny算子、邊緣重繪算法對光柵表面原始圖像進行邊緣檢測處理，實驗結果對比如圖5所示。Laplacian算子處理后的圖像產(chǎn)生較多噪聲，且邊緣有明顯弱化；Canny算子處理后的圖像質量較好，但同樣會產(chǎn)生一些噪聲；而本文應用的邊緣重繪算法得到的邊緣圖像較為清晰，且基本無噪聲。

3.2 特征提取實驗

為了驗證閾值選取的可行性，以星點為例，提取其缺陷特征，原始圖像如圖5(a)所示，其中帶有缺陷條碼與完整條碼邊緣有明顯區(qū)分，因此其邊緣輪廓像素值大于完整條碼，缺陷條碼特征提取如圖6所示。閾值選取是否合適對缺陷特征的判斷有重要影響。針對星點、鉻點、斷線、毛刺四種缺陷，需選取多個閾值，其中鉻點、斷線、毛刺缺陷特征有明顯區(qū)分，而帶有星點缺陷條碼與完整條碼邊緣輪廓像素值接近，較難區(qū)分，如果選取不當易造成漏檢或誤檢。如圖7所示，當選取閾值為1時，即缺陷邊緣圖像像素值大于1為星點缺陷，由圖7(a)所示，第五條條碼缺陷未被圓圈標記，造成漏檢。由圖7(b)所示，當選取閾值2時，所有缺陷均被提取。

圖6 星點缺陷特征提取

圖7 閾值選取實驗結果

為了驗證缺陷特征提取的準確性，本文針對四種光柵表面缺陷進行了多組實驗。原始圖像與處理后圖像對比如圖8所示。原始圖像經(jīng)過處理后，四種缺陷特征明顯與背景區(qū)域分離，并被紅色圈定。圖8中給出的四種缺陷處理時間，分別為0.021 s，0.018 s，0.019 s，0.023 s。為了驗證本文算法的性能，選取10組缺陷圖像樣本實驗，檢測結果如表1所示。

表1 光柵表面缺陷檢測實驗結果

進一步驗證算法的實用性，應用光柵表面缺陷檢測系統(tǒng)實時檢測，經(jīng)多次實驗，單個光柵檢測效率可達30 秒/個，與人工檢測相比具有較高的檢測效率。

實驗表明，本文算法可快速有效的檢測多種光柵表面缺陷，從效率上分析，處理單個缺陷的時間在30 ms以下，滿足光柵表面缺陷檢測系統(tǒng)的實時性；從算法性能上分析，缺陷識別率在94%以上，誤檢率在4%以下，具有良好的有效性，為實現(xiàn)光柵表面缺陷的自動檢測提供了有利的技術支持。

4 結 論

本文針對現(xiàn)代工業(yè)高精度高效率的檢測需求，開發(fā)了光柵表面缺陷檢測系統(tǒng)，搭建了系統(tǒng)硬件平臺，并采用特征值識別算法，選取多個閾值檢測光柵表面缺陷。實驗結果表明：該系統(tǒng)可實時檢測多種類型缺，檢測精度達微米級，針對分辨率為2 048 p/r光柵檢測效率達30 s，具有良好的應用前景，為光柵表面缺陷自動檢測向著實用化、產(chǎn)業(yè)化發(fā)展奠定了良好的基礎。由于光柵規(guī)格和缺陷種類的多樣化，對實際工業(yè)應用提出了更高的要求，本文也將就進行深一步的研究。

參考文獻：

[1] 林長友. 光柵編碼器發(fā)展現(xiàn)狀分析與展望 [J]. 光機電信息，2011，28(6)：1-3.

LIN Changyou. Situation analysis and prospect of grating encoders [J]. OME Information，2011，28(6)：1-3.

[2] 王顯軍. 光電編碼器的應用-分類源于角度測量基準[J]. 光機電信息，2010，27(10)：22-27.

WANG Xianjun. The application of photoelectric encoder-classification is based on angle measurement reference [J]. OME Information，2010，27(10)：22-27.

[3] 董莉莉，熊經(jīng)武，萬秋華. 光電軸角編碼器的發(fā)展動態(tài) [J]. 光學精密工程，2000，8(2)：198-202.

DONG Lili，XIONG Jingwu，WAN Qiuhua. Development of photoelectric rotary encoders [J]. Optics and Precision Engineering，2000，8(2)：198-202.

[4] 陳赟，王力鋒，李艷茹. PC光學樹脂計量圓光柵的制作 [J]. 光學精密工程，2010，18(8)：1788-1792.

CHEN Yun，WANG Lifeng，LI Yanru. Manufacturing technology of PC optical resin metrological grating [J]. Optics and Precision Engineering，2010，18(8)：1788-1792.

[5] 艾晨光，褚明，孫漢旭，等. 基準光柵偏心檢測及測角誤差補償 [J]. 光學精密工程，2012，20(11)：2479-2484.

AI Chenguang，CHU Ming，SUN Hanxu，. Eccentric testing of benchmark circular grating and compensation of angular error [J]. Optics and Precision Engineering，2012，20(11)：2479-2484.

[6] 董先飛，韓震宇，廖聲洋，等. 基于機器視覺的半導體表面缺陷檢測研究 [J]. 計測技術，2014，34(5)：22-24.

DONG Xianfei，HAN Zhenyu，LIAO Shengyang，. Study on semiconductor surface defect detection based on machine Vision [J]. Metrology & Measurement Technology，2014，34(5)：22-24.

[7] 徐浪，曾忠，劉金贊，等. 機器視覺在印刷缺陷在線檢測中的應用與研究 [J]. 計算機系統(tǒng)應用，2013，22(3)：186-190.

XU Lang，ZENG Zhong，LIU Jinzan，. Application and Research of Machine Vision on On-line Inspection for Printed Defect [J]. Computer Systems & Applications，2013，22(3)：186-190.

[8] 熊光潔，馬樹元，聶學俊，等. 基于機器視覺的高密度電路板缺陷檢測系統(tǒng) [J]. 計算機測量與控制，2011，19(8)：1824-1826.

XIONG Guangjie，MA Shuyuan，NIE Xuejun，. Defects inspection system of HID PCB based on machine vision [J]. Computer Measurement & Control，2011，19(8)：1824-1826.

[9] 劉澤，王嵬，王平. 鋼軌表面缺陷檢測機器視覺系統(tǒng)的設計 [J]. 電子測量與儀器學報，2010，24(11)：1012-1017.

LIU Ze，WANG Wei，WANG Ping. Design of machine vision system for inspection of rail surface defects [J]. Journal of Electronic Measurement and Instrument，2010，24(11)：1012-1017.

[10] NI Jianyun，LIN Shuzhong，SONG Limei，. Battery surface quality detection using variation model and morphology [J]. Journal of Computational Information Systems，2010，6(4)：1351-1356.

[11] 王義文，馮超，劉獻禮，等. 編碼器光柵表面缺陷圖像小波去噪 [J]. 計算機工程與應用，2013，49(16)：179-182.

WANG Yiwen，F(xiàn)ENG Chao，LIU Xianli，. Encoder circular grating surface defect image wavelet denoising [J]. Computer Engineering and Applications，2013，49(16)：179-182.

[12] 馮超. 基于機器視覺的光柵表面缺陷檢測系統(tǒng)開發(fā) [D]. 哈爾濱：哈爾濱理工大學，2013：7-8.

FENG Chao. The development of detection system for grating surface defect based on machine vision [D]. Harbin：Harbin University of Science and Technology，2013：7-8.

[13] 段瑞玲，李慶祥，李玉和. 圖像邊緣檢測方法研究綜述 [J]. 光學技術，2005，31(3)：415-419.

DUAN Ruiling，LI Qingxiang，LI Yuhe. Summary of image edge detection [J]. Optical Technique，2005，31(3)：415-419.

[14] 雒濤，鄭喜鳳，丁鐵夫. 改進的自適應閾值 Canny 邊緣檢測 [J]. 光電工程，2009，36(11)：106-111.

LUO Tao，ZHENG Xifeng，DING Tiefu. Improved Self-adaptive Threshold Canny Edge Detection [J]. Opto-Electronic Engineering，2009，36(11)：106-111.

[15] Topal C，Akinlar C. Edge Drawing：A Combined Real-Time Edge and Segment Detector [J]. Journal of Visual Communication and Image Representation(S1047-3203)，2012，23(6)：862-872.

[16] 阮秋琦. 數(shù)字圖像處理基礎 [M]. 北京：清華大學出版社，2009：305-332.

RUAN Qiuqi. Digital Image Processing [M]. Beijing：Tsinghua University Press，2009：305-332.

Detection System of Grating Surface Defect Based on Machine Vision

WANG Yiwen1，QU Guantong1，F(xiàn)U Pengqiang1，LI Qiang1，MEI Heng2

(1. Department of Mechanical Manufacturing and Automation, Harbin University of Science and Technology, Harbin 150080, China; 2. Changchun Yuheng Optics Co., Ltd, Changchun 130012, China)

In order to realize the automatic detection of the grating surface defect, a grating surface defect detection system based on machine vision is developed. First, the hardware platform of the system is built, so that key detection difficulties are analyzed and solved. Then, on the basis of the analysis and comparison of several traditional edge detection algorithms, the edge drawing detection algorithm is introduced to detect the grating surface image. Finally, according to the characteristics of the surface defects of various gratings, a number of threshold values are selected to define the surface defects of a variety of gratings and defects were extracted and labeled, and the detection algorithm is developed. Experimental results indicate that the detection accuracy of the system reaching micron level can detect the surface defects of many kinds of gratings in real time, with the detection efficiency up to 30 seconds, the recognition rate more than 94% and the mistake examining rate lower than 4%.

machine vision; grating; defect detection; image processing; feature extraction

1003-501X(2016)09-0014-06

TP391.4

A

10.3969/j.issn.1003-501X.2016.09.003

2015-12-01；

2015-12-27

國家科技重大專項(2012ZX04001041)

王義文(1972-)，男(漢族)，遼寧撫順人。教授，博士，主要研究工作是數(shù)控加工、機械加工表面的無損檢測和機電產(chǎn)品的設計與開發(fā)。E-mail: 13946030110@126.com。