張 堃， 王明泉， 張俊生

(中北大學(xué) ， 山西 太原 030051)

基于機(jī)器視覺的光纖傳像元件缺陷檢測系統(tǒng)

張 堃， 王明泉， 張俊生

(中北大學(xué) ， 山西 太原 030051)

光纖傳像元件缺陷檢測一般都是由人工來完成的， 其效率低下、 誤差大并且成本高. 本文設(shè)計(jì)完成了一套基于機(jī)器視覺的光纖傳像元件缺陷檢測系統(tǒng). 根據(jù)對于光纖傳像元件的有關(guān)知識了解， 本系統(tǒng)選用雙遠(yuǎn)心工業(yè)鏡頭配合千萬像素級大靶面的CCD工業(yè)相機(jī)， 實(shí)現(xiàn)了光纖傳像元件表面缺陷的一次性成像并保證了足夠的分辨率. 在圖像分割檢測算法上提出了一種基于改進(jìn)FCM的算法， 通過相關(guān)實(shí)驗(yàn)驗(yàn)證并和傳統(tǒng)的圖像分割算法——全局閾值分割法做比較得出： 該算法能夠提升缺陷檢測效率和準(zhǔn)確率， 進(jìn)而能夠準(zhǔn)確而有效地實(shí)現(xiàn)缺陷的分割. 整個(gè)系統(tǒng)運(yùn)行穩(wěn)定可靠， 可以滿足檢測需求.

機(jī)器視覺； 光纖傳像元件； CCD工業(yè)相機(jī)； 缺陷檢測； 全局閾值分割； 改進(jìn)FCM算法

0 引 言

光纖傳像元件是一種由數(shù)千萬根直徑為4～6 μm的玻璃光導(dǎo)纖維經(jīng)復(fù)合拉絲、 平行有序排列、 加熱、 加壓、 融合制備而成的圓柱狀光學(xué)玻璃元件[1]， 具有光學(xué)鏡頭無法比擬的零光程、 無失真、 高分辨率、 高集光性、 體積小等優(yōu)點(diǎn),廣泛應(yīng)用于國防、 醫(yī)療、 民用顯示、 科學(xué)研究等眾多圖像傳輸領(lǐng)域[2]. 國標(biāo)GB/T 20244-2006 《光學(xué)纖維傳像元件》和GB/T 26597-2011《光學(xué)纖維傳像元件實(shí)驗(yàn)方法》中所指的光纖傳像元件是由光錐、 倒像器和光纖面板組成. 其中光纖面板是基礎(chǔ)元件， 由單根光纖組合成復(fù)合光纖排列融壓而成， 輸入端面的圖像傳輸?shù)捷敵龆嗣娲笮　?方向均不發(fā)生改變； 光纖倒像器在光纖面板的基礎(chǔ)上經(jīng)再次加熱， 輸入端面的圖像與輸出端面的圖像互呈倒像的關(guān)系； 光錐是在光纖面板的基礎(chǔ)上通過再次加熱拉伸制成， 拉伸的過程中輸入端面和輸出端面按一定的大小比例關(guān)系呈錐形結(jié)構(gòu)， 實(shí)現(xiàn)圖像的放大或縮小傳輸； 這3種傳像元件是目前企業(yè)生產(chǎn)的主要成品.

光纖傳像元件在制造過程中， 工藝參數(shù)稍有波動或受其他外界因素干擾時(shí)， 規(guī)則排列的細(xì)小光學(xué)纖維彼此擠壓[3]， 造成某些局部區(qū)域的光纖無法傳送光線或者透光率大大下降， 產(chǎn)生次品和廢品. 按照國標(biāo)規(guī)定， 光纖傳像元件的缺陷定義為引起光線透過率產(chǎn)生不同程度變化的各種疵病， 包括斑點(diǎn)、 雞絲、 暗影、 蛇形畸變、 剪切畸變、 枕形/桶形畸變、 像位移等多種缺陷.

目前光纖傳像元件的質(zhì)量檢測都是由人工來完成的. 檢測時(shí)， 由于人眼的分辨能力有限， 操作人員需要借助于投影儀、 顯微鏡等光學(xué)設(shè)備， 放大光纖傳像元件的表面才能看清楚是否有缺陷和缺陷的種類、 大小以及數(shù)目. 對于目前直徑30 mm左右的光纖傳像元件， 使用顯微鏡檢測缺陷時(shí)， 其表面需要?jiǎng)澐譃槎鄠€(gè)不同區(qū)域， 經(jīng)過多次觀測才能完成檢測. 檢測過程中不同成像區(qū)域完全由工作人員在顯微鏡下移動來實(shí)現(xiàn)， 各個(gè)區(qū)域之間很容易出現(xiàn)相互重疊或者留有間隙的情況， 進(jìn)而造成缺陷的錯(cuò)記或者漏記， 引發(fā)質(zhì)檢錯(cuò)誤. 同時(shí)， 人工檢測記錄的數(shù)據(jù)主觀性強(qiáng)， 一批產(chǎn)品的檢測結(jié)果隨檢測人員和檢測環(huán)境的變化而波動， 廠方的檢測結(jié)果和客戶的檢測結(jié)果經(jīng)常不一致， 引起商業(yè)糾紛. 現(xiàn)有的人工檢測技術(shù)效率低下， 很難滿足生產(chǎn)需求. 目前在國內(nèi)對光纖傳像元件缺陷自動檢測方法的研究非常有限. 隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的不斷成熟， 機(jī)器視覺已廣泛應(yīng)用于各個(gè)領(lǐng)域.

本文主要研究了機(jī)器視覺技術(shù)在光纖傳像元件表面缺陷自動檢測中的應(yīng)用， 實(shí)驗(yàn)表明： 該系統(tǒng)能夠克服人工檢測中的不足， 有效提高光纖傳像元件的檢測效率， 滿足市場需求.

1 檢測系統(tǒng)的組成及硬件分析

光纖傳像元件屬于精密光學(xué)儀器， 其表面直徑在30 mm左右， 單根光纖的直徑為5～6 μm， 其表面的缺陷一般由3到4根光纖組成， 對于這種高精度， 大范圍的檢測， 文獻(xiàn)[5]中采用圖像拼接的方式來實(shí)現(xiàn)整個(gè)表面的缺陷檢測， 圖像拼接的過程耗時(shí)較長， 算法實(shí)現(xiàn)難度較大， 整個(gè)系統(tǒng)的運(yùn)行速度會隨著算法的復(fù)雜度而有所下降. 經(jīng)過對成像系統(tǒng)機(jī)理和光纖傳像元件表面缺陷特點(diǎn)的研究， 本系統(tǒng)中采用雙遠(yuǎn)心工業(yè)鏡頭、 LED面板遠(yuǎn)心工業(yè)光源、 2900萬像素的高分辨率工業(yè)CCD相機(jī)及計(jì)算機(jī)， 來完成圖像采集系統(tǒng)的搭建. 其檢測系統(tǒng)如圖 1 所示.

圖 1 光纖傳像元件缺陷自動檢測系統(tǒng)框圖Fig.1 Automatic detection system block diagram of optical fiber devices for image transmission

本系統(tǒng)中選擇遠(yuǎn)心工業(yè)光源， 大功率高亮LED光源發(fā)出的散射光經(jīng)特殊透鏡模組、 光學(xué)玻璃后， 形成平行光， 其光線能以同樣的角度到達(dá)任何物體的表面， 適合本系統(tǒng)中光纖傳像元件表面的缺陷檢測； 并配合具有高分辨率， 寬景深， 低畸變等優(yōu)點(diǎn)的雙遠(yuǎn)心工業(yè)鏡頭， 其放大倍率為0.751， 視場范圍48 mm×32 mm， 即使考慮到操作的誤差， 也完全能滿足直徑30 mm的光纖傳像元件表面的一次性成像， 其通過F口與相機(jī)相連. 選擇一款芯片尺寸為35 mm的全畫幅， 像素尺寸為5.5 μm， 分辨率為6 576×4 384， 幀率為4FPS的高分辨率大靶面的CCD工業(yè)相機(jī)， 通過千兆以太網(wǎng)輸出數(shù)據(jù)， 滿足系統(tǒng)需求.

考慮到目前的生成工藝， 單根光纖的直徑為5～6 μm， 光纖傳像元件表面的缺陷一般至少由3～4根光纖組成， 即缺陷的最小尺寸在15 μm以上， 單個(gè)像素5.5 μm的分辨率完全可以滿足系統(tǒng)需求. 整個(gè)檢測系統(tǒng)能夠?qū)崿F(xiàn)光纖傳像元件表面的一次性成像并保證其分辨率.

2 圖像預(yù)處理

由于采集獲得的圖像會受到一些干擾失真， 致使光纖傳像元件缺陷圖像存在對比度低、 噪聲多等特點(diǎn)， 缺陷特征點(diǎn)可能會被噪聲點(diǎn)淹沒. 一般情況下都是要經(jīng)過一些預(yù)處理， 所謂的圖像預(yù)處理過程就是通過圖像增強(qiáng)、 圖像濾波等方法去除噪聲的過程， 考慮到主要針對的是缺陷檢測， 這里主要采用同態(tài)濾波法[6].

同態(tài)濾波法能夠通過對照明與反射量的分解， 然后經(jīng)過濾波器， 從而起到調(diào)整圖像對比度的效果， 能夠較好地適應(yīng)當(dāng)下的研究環(huán)境.

獲取的圖像f(x,y)可以用其照明分量i(x,y)與其反射分量r(x,y)的乘積來相應(yīng)表示

f(x,y)=i(x,y)·r(x,y).

對式(1)兩邊取對數(shù)然后再對其進(jìn)行FFT變換， 則

F(u,v)=I(u,v)+R(u,v).

這里隨后用一個(gè)濾波器函數(shù)H(u,v)來處理F(u,v)， 進(jìn)一步得到

H(u,v)F(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v).

接下來逆變換到時(shí)域并對其兩邊取指數(shù)可得

g(x,y)=exp|hf(x,y)|=exp|hi(x,y)|·exp|hr(x,y)|.

可見， 圖像增強(qiáng)濾波后是由照明分量和反射分量兩者疊加組成的.

其具體流程如圖 2 所示.

圖 2 同態(tài)濾波增強(qiáng)流程圖Fig.2 Homomorphic filter enhancement flowchart

其實(shí)驗(yàn)結(jié)果如圖 3 和圖 4 所示.

圖 3 斑點(diǎn)和雞絲原灰度圖Fig.3 Spot and chicken filament gray scale

圖 4 同態(tài)濾波處理后的圖Fig.4 Homomorphic filtering of processed images

通過同態(tài)濾波處理之后， 圖像會有一定的改善， 整張圖較之前的圖像更清楚， 并使圖像較暗的地方變得更明亮清晰， 且對比度和細(xì)節(jié)信息增強(qiáng)， 視覺效果更好.

3 改進(jìn)的FCM聚類算法

經(jīng)過同態(tài)濾波預(yù)處理后的圖像中仍然存在少量噪聲和部分偽缺陷， 從圖3中可以看出兩幅圖在右上部分存在一部分小的斑點(diǎn)， 這是由于圖像獲取裝置和光纖傳像元件的特性所產(chǎn)生的偽缺陷， 它們和缺陷一樣都具有較小的灰度值.

因此， 直接對同態(tài)濾波處理后的圖像采用全局閾值分割， 會導(dǎo)致偽缺陷無法被屏蔽掉， 最終會造成檢測結(jié)果的誤判. 基于以上特點(diǎn)本文提出了一種基于改進(jìn)FCM的缺陷分割算法.

聚類分析是無監(jiān)督模式識別中的一種重要方法， 而模糊C均值(FuzzyC-means，F(xiàn)CM) 算法[7-10]是基于目標(biāo)函數(shù)的模糊聚類算法理論中最為完善、 應(yīng)用最為廣泛的一種算法.FCM是將一個(gè)帶約束形式的非線性規(guī)劃問題歸結(jié)到聚類中去， 由優(yōu)化求極值解獲得原始數(shù)據(jù)集的模糊劃分和聚類. 它的基本思想就是對聚類中心V和分類隸屬度矩陣U不斷修正來實(shí)現(xiàn)迭代聚類的動態(tài)化， 使得被劃分好類別的對象之間相似度存在明顯的差異， 具體表現(xiàn)為同簇相似度差異小， 不同簇間相似度差異大. 但這種傳統(tǒng)算法有個(gè)明顯的缺點(diǎn)， 就是收斂比較緩慢， 尤其是對數(shù)據(jù)量更大的數(shù)據(jù). 為了加快它的收斂速度， 本文提出一種改進(jìn)方法， 從神經(jīng)網(wǎng)絡(luò)里面的競爭學(xué)習(xí)這一角度入手對算法進(jìn)行修改， 通過引入適當(dāng)參數(shù)， 以達(dá)到把主要因素凸顯釋放出來使其最大化， 再充分抑制次要因素， 盡可能減小其干擾的目的. 具體步驟如下， 將FCM 中步驟改為：

步驟 1 修正隸屬度矩陣U(k)

xi所對第p類的隸屬度為upj. 則修正后的隸屬度為

步驟 2 重新定義目標(biāo)函數(shù)

本文采用FCM 聚類算法的目標(biāo)函數(shù)重新定義為

具體迭代算法步驟為

在二維空間中分析，diX用來衡量聚類相似性大小， 那么piX就作為描述模式自身相似性的一種度量. 為了更明確關(guān)鍵問題， 把準(zhǔn)則函數(shù)之中的λiX及piX兩者做一個(gè)結(jié)合， 便得到新的準(zhǔn)則函數(shù)為：wiX=λiX·piX， 該函數(shù)在FCM 聚類過程中主要起模糊約束的作用. 一般聚類有效性研究中在區(qū)間為[ 1.5,2.5]時(shí)得到最佳結(jié)果， 本實(shí)驗(yàn)中M=2.

4 實(shí)驗(yàn)結(jié)果

4.1 算法檢測結(jié)果

圖 5 和圖 6 是經(jīng)過全局閾值處理之后的斑點(diǎn)和雞絲缺陷分割圖像， 圖 7 和圖 8 是經(jīng)過改進(jìn)FCM處理之后斑點(diǎn)和雞絲缺陷分割的圖像， 可以看出， 經(jīng)過以上的各種處理之后， 能夠較好地檢測出缺陷部位.

與圖 5， 圖 6 相比較， 圖7及圖8中能夠看出使用FCM缺陷檢測的效果要比圖像分割算法中經(jīng)常用到的閾值分割方法更好， 它很好地消除了一些噪點(diǎn)和偽缺陷， 缺陷分割得更為精準(zhǔn). 因此文中采用的 FCM 聚類算法可以有效地對灰度圖像進(jìn)行分割， 從分割后的缺陷圖像中可獲取更多的目標(biāo)信息， 同時(shí)也把細(xì)節(jié)信息很好地保留下來， 為下一步圖像分析與后續(xù)處理提供了良好的基礎(chǔ)條件. 這是因?yàn)樵撍惴ǖ闹饕饔檬菍δ愁愖畲箅`屬度進(jìn)行適當(dāng)?shù)摹胺糯蟆保?給其他隸屬度以適當(dāng)?shù)摹耙种啤保?樣本針對各個(gè)所屬類的隸屬度順序不會因此而改變. 文中采用的FCM聚類算法的隸屬度信息相對于一般的聚類具有更好的分布特性， 而且對于缺陷邊緣圖像中提取出的形狀特征具有輪廓清晰、 算法執(zhí)行速度快等特點(diǎn)， 是一種有效的灰度圖像分割算法.

圖 5 經(jīng)過全局閾值處理后斑點(diǎn)圖像 Fig.5 Spot image processed by the global threshold

圖 6 經(jīng)過全局閾值處理后雞絲圖Fig.6 Chicken image processed by the global threshold

圖 7 改進(jìn)FCM算法處理后斑點(diǎn)圖像Fig.7 Speckle images dealed with improved FCM algorithm

圖 8 改進(jìn)FCM算法處理后雞絲圖像Fig.8 Chicken images dealed with improved FCM algorithm

4.2 系統(tǒng)有效性檢測

為了驗(yàn)證系統(tǒng)的有效性， 本文對1 000件光纖面板分別進(jìn)行人工檢測和本文提出的基于機(jī)器視覺的光纖傳像元件缺陷檢測系統(tǒng)進(jìn)行檢測， 分別記錄了人工檢測和機(jī)器檢測的時(shí)間以及人工檢測和機(jī)器檢測在1 000件光纖面板產(chǎn)品中檢測出的缺陷個(gè)數(shù)， 并對1 000件產(chǎn)品重復(fù)進(jìn)行檢測， 驗(yàn)證其檢測精度. 其檢測結(jié)果如表 1 和表 2 所示.

表 1 檢測時(shí)間表

表 2 不合格數(shù)量

根據(jù)表 1 檢測結(jié)果可知與人工檢測相比系統(tǒng)的檢測速度提高了兩倍多， 可達(dá)2 s/個(gè). 根據(jù)表2可知重復(fù)檢測了3次每次的檢測結(jié)果相同， 系統(tǒng)運(yùn)行穩(wěn)定可靠， 同時(shí)， 經(jīng)過對大量元件進(jìn)行檢測得出誤差小于5‰， 滿足了市場需求.

5 結(jié) 論

本文通過對成像機(jī)理的研究設(shè)計(jì)了一套基于機(jī)器視覺的光纖傳像元件缺陷檢測系統(tǒng)， 充分利用機(jī)器視覺技術(shù)速度快、 穩(wěn)定性強(qiáng)、 結(jié)果客觀可靠等優(yōu)點(diǎn)， 實(shí)現(xiàn)光纖傳像元件缺陷檢測的智能化. 針對圖像采集系統(tǒng)獲取到的圖像通過缺陷檢測算法判斷器件是否合格， 有效克服了人工檢測主觀性強(qiáng)和效率低等問題， 筆者提出了一種適用于檢測光纖傳像元件表面缺陷的改進(jìn)FCM聚類算法， 它和傳統(tǒng)的圖像閾值分割算法相比有更高的檢測精度和更強(qiáng)的適應(yīng)能力， 又比一般的FCM算法在運(yùn)行速度上有了很大的改觀， 有效地滿足了產(chǎn)品缺陷檢測需求， 并且降低了勞動力和企業(yè)成本， 也進(jìn)一步為光纖傳像元件生產(chǎn)質(zhì)量的提高提供科學(xué)的理論依據(jù)， 同時(shí)也可以將這種圖像聚類分割算法推廣到光纖傳像元件其他的表面缺陷檢測或者其他工業(yè)產(chǎn)品的無損缺陷檢測上.

[1] 潘京生. 改善光纖倒像器的對比度傳遞特性[J]. 應(yīng)用光學(xué)， 2006， 27(1)： 62-65. Pan Jingsheng. Improvement of image inverters contrast transfer performance[J].Journal of Applied Optics， 2006， 27(1)： 62-65. (in Chinese)

[2] 林翰， 王亞杰， 蔡平， 等. 高分辨率光纖倒像器纖芯材料的制備及性能研究[J]. 長春光學(xué)精密機(jī)械學(xué)院學(xué)報(bào)， 2013， 25(3)： 110-114. Lin Han， Wang Yajie， Cai Ping， et al. Fabrication and properties research on core material of high-resolution fiber-optic image inverter[J]. Journal of Changchun Institute of Optics and Fine Mechanics， 2013， 25(3)： 110-114. (in Chinese)

[3] 任志文. 光纖倒像器的透過率[J]. 應(yīng)用光學(xué)， 2000， 21(1)： 22-27. Ren Zhiwen. The transmissivity of fiber-optic image inverter[J].Journal of Applied Optics， 2000， 21(1)： 22-27. (in Chinese)

[4] 周江， 任錕， 帥英琦， 等. 基于機(jī)器視覺的磁鋼片缺陷檢測研究[J]. 機(jī)電工程， 2014， 12： 1541-1546. Zhou Jiang， Ren Kun， Shuai Yingqi， et al. Machine vision based defect detection on magnetic steel sheet[J]. Journal of Mechanical&Electrical Engineering， 2014， 12： 1541-1546. (in Chinese)

[5] 王明吉， 付冬華， 吳云. 光纖面板暗影缺陷自動檢測系統(tǒng)的研制與開發(fā) [J]. 光學(xué)儀器， 2012， 34(2)： 90-94. Wang Mingji， Fu Donghua， Wu Yun. Research and development on optical fiber panel shadow defects automatic detection system[J]. Optical Instruments， 2012， 34(2)： 90-94. (in Chinese)

[6] 岡薩雷斯. 數(shù)字圖像處理： MATLAB版 [M]. 北京： 電子工業(yè)出版社， 2005.

[7] 吳星， 劉天琪， 李興源， 等. 基于 WAMS/SCADA數(shù)據(jù)兼容和改進(jìn) FCM 聚類算法的 PMU 最優(yōu)配置[J].電網(wǎng)技術(shù)， 2014， 38(3)： 756-761. Wu Xing， Liu Tianqi， Li Xingyuan， et al. Optimal configuration of PMU based on data compatibility of WAMS/SCADA and improved FCM clustering algorithm[J]. Power System Technology， 2014， 38(3)： 756-761. (in Chinese)

[8] 陳龍， 郭寶龍， 孫偉. 基于FCM與聚類的粒子濾波多目標(biāo)跟蹤算法[J]. 儀器儀表學(xué)報(bào)， 2011， 32(11)： 2536-2541. Chen Long， Guo Baolong， Sun Wei. Multi-target tracking algorithm based on FCM and particle filter[J].Chinese Journal of Scientific Instrument， 2011， 32(11)： 2536-2541. (in Chinese)

[9] 劉宜平， 沈毅， 劉志言. 一種FCM聚類算法的改進(jìn)與優(yōu)化[J].系統(tǒng)工程與電子技術(shù)， 2000， 22(4)： 1-3. Liu Yiping， Shen Yi， Liu Zhiyan. Improvement and optimization of a fuzzy C-means clustering algorithm[J].Systems Engineering and Electronics， 2000， 22(4)： 1-3. (in Chinese)

[10] 周新建， 涂宏斌， 胡國良. 一種用于軸承缺陷圖像的改進(jìn)FCM聚類檢測算法[J]. 鑄造技術(shù)， 2006， 27： 1395-1399. Zhou Xinjian， Xu Hongbin， Hu Guoliang. A modified algorithm of image segmentation for bearing scratch defects based on FCM[J]. Foundry Technology， 2006， 27： 1395-1399. (in Chinese)

Surface Defect Detection System for Optical Fiber Devices for Image Transmission Based on Machine Vision

ZHANG Kun, WANG Mingquan, ZHANG Junsheng

(North University of China, Taiyuan 030051, China)

Defect detection of optical fiber devices for image transmission was generally completed by manual work. It had low efficiency, big error and high cost etc. The article has designed and accomplished a set of defect detection system of optical fiber devices for image transmission based on machine vision. According to the understanding of relevant knowledge for optical fiber devices for image transmission, the system chooses the pair of telecentric industry lens with tens of millions of pixels of large target surface CCD industrial camera, to achieve a one-time imaging on optical fiber devices for image transmission surface defects and ensure sufficient resolution. In the detection algorithm of image segmentation, an algorithm which is based on the improved FCM is proposed. By means of the relevant experimental verification and comparing with the traditional image segmentation algorithm-global threshold segmentation, the algorithm can promote efficiency and accuracy rate of defect detection, and then can realize segmentation of defect accurately and effectively. The whole of system operates stably and reliably, and can meet the needs of detection.

machine vision; optical fiber devices for image transmission; CCD industrial camera; defect detection; global threshold segmentation; improved FCM algorithm

2017-01-06

國家自然基金資助項(xiàng)目(61171177)； 國家重大科學(xué)儀器設(shè)備開發(fā)專項(xiàng)資助項(xiàng)目(2013YQ240830)； 山西省科技攻關(guān)資助項(xiàng)目(20140321010-02)

張 堃(1991-)， 男， 碩士生， 主要從事信號與信息處理、 數(shù)字圖像處理等研究.

1671-7449(2017)04-0298-06

TP391

A

10.3969/j.issn.1671-7449.2017.04.004