陳 琛， 郭 樺， 李慧慧， 黃瑩祥

(1.華僑大學 脆性材料加工技術(shù)教育部工程研究中心，福建 廈門 361021；2.華僑大學 制造工程研究院，福建 廈門 361021)

?

聚晶金剛石復(fù)合片崩角缺陷視覺檢測技術(shù)研究*

陳 琛1,2， 郭 樺1,2， 李慧慧1,2， 黃瑩祥1,2

(1.華僑大學 脆性材料加工技術(shù)教育部工程研究中心，福建 廈門 361021；2.華僑大學 制造工程研究院，福建 廈門 361021)

針對目前國內(nèi)生產(chǎn)聚晶金剛石復(fù)合片(PDC)的企業(yè)大多數(shù)在表面缺陷檢測環(huán)節(jié)嚴重依賴于人工檢測，存在檢測效率低、主觀性強等問題，提出了一種基于機器視覺的檢測方法替代人工檢測。將倒角邊緣的崩角缺陷作為檢測目標，研究崩角圖像的表面特征后，提出了在硬件上使用零角度環(huán)形光源突出崩角特征，在檢測方式上通過閾值分割、中值濾波進行預(yù)處理，然后利用最小二乘法擬合獲取倒角圓環(huán)的圓心位置和小圓半徑并建立掩碼，最后通過與(AND)運算提取出崩角信息,進行識別和標記。結(jié)果顯示：實現(xiàn)對圖像中的崩角缺陷自動檢測和定位，并且判斷標準統(tǒng)一。

視覺檢測； 缺陷檢測； 掩碼； 聚晶金剛石復(fù)合片

0 引 言

目前，國內(nèi)大多企業(yè)對于聚晶金剛石復(fù)合片(polycrystalline diamond compact，PDC)表面缺陷的檢測[1]，仍然嚴重依賴于人工檢測，對檢測人員視力損害較大，而且存在檢測效率低、主觀性強、檢測結(jié)果的精確性和可靠性無法保障等問題。機器視覺檢測技術(shù)已被廣泛應(yīng)用于生物醫(yī)學、紡織加工、電子制造、機械加工等行業(yè)[2，3]，并且取得了顯著成果。國外，Lu C J等人[4]提出了一種基于獨立成分分析方法的薄膜晶體管液晶顯示器表面缺陷檢測方法，實現(xiàn)了對顯示器表面缺陷快速準確的判斷；Chang C等人[5]設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)技術(shù)的半導(dǎo)體晶片缺陷自動檢測，實現(xiàn)了對半導(dǎo)體晶片的各種缺陷進行識別和分類；Piironen T等人[6]設(shè)計了一種運用數(shù)學形態(tài)學分割銅合金板表面缺陷圖像的方法，從而能更加準確地提取出缺陷信息。國內(nèi)，2010年,周金山等人[7]于介紹了一種利用機器視覺技術(shù)實現(xiàn)螺紋缺陷自動檢測的方法，不僅實現(xiàn)了螺紋缺陷的自動化檢測，還提高了檢測結(jié)果的可靠性；2016年,黃志鴻等人[8]提出了一種基于機器視覺的啤酒瓶口缺陷檢測分類方法研究，實現(xiàn)了對啤酒瓶口缺陷的提取和準確分類。

本文通過對PDC實際生產(chǎn)過程中常見的崩角缺陷的圖像特征進行研究，提出了使用機器視覺技術(shù)替代人工檢測的方法。

1 圖像采集硬件實驗平臺

在實際生產(chǎn)中，圖像采集系統(tǒng)是由相機、光源、圖像采集卡、機械運動平臺等組合而成的光、電、機一體化的檢測裝置[9]。PDC圖像采集裝置結(jié)構(gòu)簡圖如圖1所示。

圖1 PDC圖像采集裝置結(jié)構(gòu)簡圖

選擇適合的光源不僅有助于提高視覺檢測系統(tǒng)獲得的圖像質(zhì)量，還能使拍攝的圖片中缺陷信息與背景信息很好地分離，從而降低圖像處理的難度。

PDC大多是圓柱形，崩角缺陷一般出現(xiàn)在聚晶金剛石層倒角處邊緣。為了獲得崩角缺陷特征較明顯的圖像，照明系統(tǒng)采用零角度環(huán)形LED光源，光線照射在PDC上，倒角和崩角缺陷區(qū)域反射的光線進入高清手動調(diào)焦鏡頭后,到達相機的感光芯片，相機拍照獲得圖像。因此，所采集的圖像中，倒角和崩角顯示為亮色，并且崩角在環(huán)形倒角小圓圍成的區(qū)域內(nèi)，其他區(qū)域顯示為暗色，較好地識別出崩角缺陷特征。

選用德國Basler公司acA2500—14gm型千兆網(wǎng)工業(yè)相機，及日本CBC公司的computar tc5m—50高清手動調(diào)焦鏡頭。圖像由千兆網(wǎng)傳輸至PC，相機1 s可以采集14幀圖像，滿足實驗速度要求。

2 崩角缺陷特征提取

為避免在數(shù)字圖像采集與傳輸?shù)拳h(huán)節(jié)中引入噪聲，對圖像數(shù)據(jù)的處理與識別造成影響[10]，需要對原始圖像進行預(yù)處理，以消除噪聲、增強對比度等，后續(xù)更好地處理圖像[11,12]。本文中的預(yù)處理包括閾值分割、中值濾波處理。由于崩角位于倒角圓環(huán)小圓區(qū)域，且崩角和倒角圓環(huán)灰度值較高，背景信息灰度值較低，所以根據(jù)崩角圖像的特征，可以首先提取出崩角所在區(qū)域的信息，然后再對崩角進行識別和標記。通過實驗，得到PDC圖像總體檢測算法流程,如圖2所示。

圖2 PDC圖像檢測算法流程

2.1 閾值分割

閾值分割也可稱為二值化[13]，將圖像進行二值化處理，可以提高目標像素與周圍背景像素的對比度，便于后續(xù)圖像處理操作，其中最重要的就是閾值(Tgray)的選取。直方圖閾值法是選取閾值的一種方法，即依據(jù)圖像的直方圖，通過對直方圖進行分析來實現(xiàn)對圖像的分割[14]。實現(xiàn)的方式如下：

當圖像中像素值小于灰度閾值Tgray時，置為0；否則,置為255，如式(1)所示

(1)

式中x，y分別為像素的x，y坐標；Tgray為設(shè)定的分割閾值。

圖3為崩角缺陷圖像的灰度直方圖，圖中有2個相隔較遠的峰。左側(cè)峰為亮度較低的部分，對應(yīng)于圖像中較暗的背景部分；右側(cè)峰為亮度較高的部分，對應(yīng)于圖像中需要分割的目標(倒角區(qū)域和崩角區(qū)域)。選擇的閾值Tgray為兩峰之間波谷寬度的中間點時(約為140)，即可較好地分割目標，處理結(jié)果如圖4(b)所示。

圖3 崩角缺陷圖像灰度直方圖

上述為人為設(shè)定閾值，也可以實現(xiàn)自動設(shè)定閾值。大津法(Otsu)，可以自動計算合適的二值化分割閾值。用Otsu法進行閾值分割，處理結(jié)果如圖4(c)所示。觀察圖4(a)～圖4(c)，對直方圖閾值法和Otsu法在處理效果上進行比較，可以看出：原圖像中的目標信息均被很好地分割出來，大部分背景信息均被很好地剔除，僅余少量白點。

圖4 預(yù)處理結(jié)果

2種算法的處理時間如表1所示，保留4位有效數(shù)字，可以看出：直方圖閾值法的執(zhí)行速度要較高于Otsu法，所以綜合考慮，選用直方圖閾值法對崩角圖像進行閾值分割。

2.2 中值濾波

閾值分割后的黑色背景區(qū)域存在少量白點，由于這些白點各自孤立且包含像素個數(shù)少，與鄰近區(qū)域的灰度值差值很大，比較容易通過濾波去除。中值濾波具有在去除噪聲和白點的同時有效保護圖像邊緣的特征，因此,采用該方法對崩角圖像進行降噪和去除孤立白點。選用5×5濾波模板。二維中值濾波的輸出公式如式(2)所示

表1 閾值分割所需時間對比

g(x，y)=med{f(x-k，y-l)，k，l∈w}

(2)

式中f(x，y)為原始圖像；g(x，y)為處理后的圖像；w為二維模板。

處理結(jié)果如圖4(d)所示。經(jīng)過中值濾波后，圖像中的噪聲和白點幾乎全部去除，同時崩角的邊緣變得較平滑。

2.3 圓心定位

為了確保有效提取崩角圖像中的缺陷信息，需要準確獲取圖像中倒角圓環(huán)小圓圓心位置和半徑大小。采用最小二乘法擬合[15]得到該坐標和半徑大小，處理結(jié)果如圖5所示。

圖5 最小二乘法擬合圓心定位

具體方法為：1)尋找圖4(d)中所有連通域的輪廓并存儲在一個向量中，每條輪廓均由有序點組成。2)由于僅需擬合倒角圓環(huán)的小圓，故需將向量中存儲的除倒角圓環(huán)小圓輪廓以外的其它輪廓刪除，包括倒角圓環(huán)大圓輪廓。設(shè)定最大輪廓的長度為Lmax，最小輪廓的長度為Lmin，針對向量中存儲的所有輪廓，驗證輪廓的大小，長度大于Lmin小于Lmax的輪廓保留，其他輪廓刪除。根據(jù)實驗結(jié)果，Lmax取 2 400(像素個數(shù))，Lmin取1 500(像素個數(shù))，向量中僅剩下了倒角圓環(huán)小圓輪廓在圖像中的點集坐標。針對不同直徑的PDC，需要調(diào)整Lmin和Lmax的參數(shù)才能達到預(yù)期目的。

3)根據(jù)倒角圓環(huán)小圓輪廓在圖像中的點集坐標，擬合得到倒角圓環(huán)小圓圓心位置和半徑長度。

2.4 算術(shù)運算

利用倒角圓環(huán)小圓圓心位置和小圓半徑繪制一個全白色的圓創(chuàng)建一個掩碼。AND運算只對非零掩碼像素進行，其余像素不會受到 影響。將中值濾波處理后的圖像與創(chuàng)建的掩碼進行AND運算。

圖6 算術(shù)運算處理流程與結(jié)果

算法處理步驟如下：

1)創(chuàng)建一個與原始圖像尺寸相同的黑色背景圖像。

2)以點(1363,909)為圓心，690為半徑(數(shù)字代表像素)，在步驟(1)中創(chuàng)建的黑色背景圖像中畫一個全白色的圓，完成掩碼的創(chuàng)建，結(jié)果如圖6(b)所示。

3)將中值濾波后的圖像(圖6(a))與掩碼執(zhí)行AND運算。處理結(jié)果如圖6(c)所示。

與中值濾波處理后的圖像相比，得到的新圖像倒角圓環(huán)小圓內(nèi)的像素沒有任何變化，其余部分像素全部為黑色。經(jīng)過處理后，圖像中只剩下了黑色的背景和白色的崩角。

2.5 缺陷識別與標記

若PDC有崩角缺陷，則經(jīng)過算術(shù)運算后的圖像中會有白色的崩角信息。對于崩角圖像中的崩角區(qū)域，用最小外接矩形進行標記。根據(jù)實驗結(jié)果，判斷崩角原圖中有一個崩角，標記結(jié)果如圖7所示。

圖7 最小外接矩形標記崩角區(qū)域

3 結(jié) 論

基于機器視覺技術(shù)的PDC崩角缺陷檢測方法替代傳統(tǒng)的人眼檢測方式可行。而且，給出的PDC崩角缺陷檢測方法能準確地識別出PDC倒角邊緣是否存在崩角，同時還可以對崩角位置進行標記，從而為PDC崩角缺陷的檢測方式提供了一種新的選擇。

除了常見的崩角缺陷之外，在PDC生產(chǎn)過程中還會產(chǎn)生其它的表面缺陷，下一步還將對黑心、劃傷等表面缺陷圖像識別方法進行研究，為進一步開發(fā)出基于機器視覺技術(shù)的PDC表面缺陷檢測系統(tǒng)提供研究基礎(chǔ)。

[1] 黎明發(fā)，張 力.金剛石復(fù)合片的性能檢測及發(fā)展趨勢[J].武漢理工大學學報：信息與管理工程版，2007，29(6)：1-4.

[2] 周顯恩，王耀南.基于機器視覺的瓶口缺陷檢測方法研究[J].電子測量與儀器學報，2016，30(5)：702-713.

[3] 葛恒赫.基于機器視覺的外螺紋表面缺陷檢測技術(shù)研究[D].重慶：重慶大學，2014.

[4] Lu C J,Tsai D M.Independent component analysis-based defect detection in patterned liquid crystal display surfaces[J].Image and Vision computing,2008,26(7):955-970.

[5] Chang C,Li Y,Chang C H,et al.An unsupervised neural network approach for automatic semiconductor wafer defect inspection[J].Expert Systems Applications with,2009,36(1):950-958.

[6] Piiroonen T,Silven O,Pietikainen M,et al.Automated visual inspection of rolled metal surfaces[J].Machine Vision and Applications,1990,3(4):247-254.

[7] 周金山，婁訓志.基于機器視覺的螺紋缺陷檢測方法[J].湖北工業(yè)大學學報，2010,1(2):4-6.

[8] 黃志鴻，毛建旭.基于機器視覺的啤酒瓶口缺陷檢測分類方法研究[J].電子測量與儀器學報，2016,30(6)：873-879.

[9] Gonzalez R C,Woods R E.Digital image processing[M].3rd ed.Beijing:Publishing Industry Electronics Industry,2007:643-665.

[10] 劉煥軍，王耀南，段 峰．基于支撐向量機的空瓶智能檢測方法[J].控制與決策，2005，20(12)：1434-1437．

[11] 章 霄，董艷雪，趙文娟，等.數(shù)字圖像處理技術(shù)[M].北京：冶金工業(yè)出版社，2005.

[12] 孫即祥.圖像分析[M].北京：科學出版社，2005.

[13] 孫國棟，趙大興.機器視覺檢測理論與算法[M].北京：科學出版社，2015.

[14] 劉成龍.精通Matlab圖像處理[M].北京：清華大學出版社，2015.

[15] 郭亞娟，秦襄培，章秀華.基于最小二乘擬合的PCB板焊點定位[J].計算機與數(shù)字工程，2014(11)：2181-2184.

郭 樺 (1956-)，男，通訊作者，博士，教授，碩士生導(dǎo)師，主要從事超硬材料及相關(guān)設(shè)備的研究工作，E—mail：guoh1214@hqu.edu.cn。

Research on vision detecting technology of polycrystalline diamond compact edge defect*

CHEN Chen1,2, GUO Hua1,2, LI Hui-hui1,2, HUANG Ying-xiang1,2

(1.Engineering Research Center for Machining of Brittle Materials of Ministry of Education,Huaqiao University,Xiamen 361021,China; 2.Institute of Manufacturing Engineering,Huaqiao University,Xiamen 361021,China)

Aiming at problem that most domestic enterprises which produce polycrystalline diamond compact(PDC)rely heavily on manual detection on surface defect detection and manual detection leads to some problems such as low detection efficiency and strong subjectivity,propose a method based on machine vision to replace manual detection. Select the chamfered edge defect as the detection target, study the surface characteristics of the edge defect image, put forward using zero angle ring light source on hardware prominent edge defect characteristics,preprocess with threshold segmentation and median filtering,and then use the least squares fitting to obtain circle center position and the radius of the smaller circle of chamfer ring and build a mask.Finally,the edge defect information is extracted by AND operation,and then identify and mark.The results show that the automatic detection and positioning of the edge defect in the image are realized,and judgment criteria is unified.

vision detection; defect detection; mask; polycrystalline diamond compact(PDC)

10.13873/J.1000—9787(2017)07—0053—04

2017—05—25

國家科技支撐計劃資助項目(2012BAF13B04)；華僑大學研究生科研創(chuàng)新能力培育計劃資助項目(1511403001)

TP 391

A

1000—9787(2017)07—0053—04

陳 琛(1992-)，男，碩士研究生,主要研究方向為機器視覺與運動控制技術(shù)，E—mail：1511403001@hqu.edu.cn。