田果，李澄非

(五邑大學(xué) 信息工程學(xué)院，廣東 江門 529020)

0 引言

由于表面缺陷檢測相關(guān)技術(shù)在近十年的飛速發(fā)展，表面缺陷檢測已是現(xiàn)代工業(yè)的重要組成部分，廣泛應(yīng)用于金屬表面劃痕深度檢測[1]、油封缺陷檢測[2]、大尺寸鋼球表面缺陷檢測[3]、鐵路表面缺陷檢測[4]、瓶蓋表面檢測[5]、輪胎表面缺陷檢測[6]、鑄坯表面缺陷檢[7]以及多晶硅太陽能電池表面檢測[8]等眾多領(lǐng)域。傳統(tǒng)意義上，表面缺陷檢測是由經(jīng)過特殊訓(xùn)練的人通過肉眼進(jìn)行人工檢測，然而人工檢測速度慢，且具有主觀性和危險(xiǎn)性，因此，基于機(jī)器視覺的檢測技術(shù)代替人工是必然趨勢?；跈C(jī)器視覺的表面缺陷檢測是自動(dòng)化生產(chǎn)中產(chǎn)品質(zhì)量的一個(gè)非常重要的環(huán)節(jié)。表面缺陷檢測的任務(wù)主要是檢測一些可視性的表面缺陷，例如刮傷[9]、裂紋、磨損、變形、撞擊、污點(diǎn)、印刷偏差等。

本文提出了一種基于機(jī)器視覺的快速規(guī)律的缺陷檢測方法,通過待檢測圖像與模板圖像的相關(guān)系數(shù)[10]閾值去識(shí)別缺陷，再通過待檢測圖像與模板圖像進(jìn)行差運(yùn)算[11-12]得到的差影圖像去定位缺陷。運(yùn)用差影圖像定位缺陷大大減少了運(yùn)算量，檢測速度大大提高。該方法依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論，具有實(shí)時(shí)、高效、可靠的特點(diǎn)，特別是其可以應(yīng)用于低對(duì)比度和任意結(jié)構(gòu)的圖像表面缺陷檢測。

1 表面缺陷檢測快速規(guī)則方法

1.1 相關(guān)系數(shù)的概念

相關(guān)系數(shù)用以反映變量之間相關(guān)程度的統(tǒng)計(jì)指標(biāo)。本文采用Pearson(皮爾遜)相關(guān)系數(shù)，皮爾遜相關(guān)也稱積差相關(guān)。假設(shè)有兩個(gè)變量x、y，那么兩變量間的皮爾遜相關(guān)系數(shù)可通過式(1)計(jì)算。

(1)

相關(guān)系數(shù)的絕對(duì)值越大，相關(guān)性越強(qiáng)，相關(guān)系數(shù)越接近于1或-1，相關(guān)度越強(qiáng)，相關(guān)系數(shù)越接近于0，相關(guān)度越弱。

1.2 方法原理

本文討論利用差影圖像和皮爾遜相關(guān)系數(shù)的快速規(guī)律表面缺陷檢測方法，該方法適用于結(jié)構(gòu)和非結(jié)構(gòu)表面圖像缺陷檢測。

在提出方法中，首先計(jì)算待檢測樣本圖像和模板圖像的皮爾遜相關(guān)系數(shù)，以確定待檢測樣本圖像中是否有缺陷，接著通過待檢測樣本圖像和模板圖像進(jìn)行差運(yùn)算得到的差影圖像實(shí)現(xiàn)缺陷的定位。

其方法如下：假定模板圖像S(m,n)，待檢測樣本圖像為T(i,j)，其中m=0，1,2,…,m-1，n=0，1,…,n-1，i=0,1,…,i-1，j=0,1,…,j-1。故模板圖像與待檢測樣本圖像的均方誤差為：

(2)

其中：均方誤差e2表示模板圖像S(m,n)，m=0,1,…,m-1,n=0，1,…,n-1和待檢測圖像T(i,j)，n=0，1,…,n-1，j=0,1,…,j-1的距離。若e2=0，則待檢測樣本圖像和模板圖像完全匹配。

定義標(biāo)準(zhǔn)圖像和待檢測樣本圖像的皮爾遜相關(guān)系數(shù)ρ(S,T)為：

(3)

cov(S,T)=E(ST)-E(S)E(T)=e2

(4)

(5)

(6)

(7)

(8)

引入皮爾遜相關(guān)系數(shù)ρ(S,T)表示兩幅圖像之間的相似程度，其必滿足ρ(S,T)≤1。根據(jù)足夠多的缺陷和非缺陷樣本，可以得到一個(gè)閾值ρth。由此，可判斷待檢測樣本圖像是否有缺陷，即：

(9)

2 實(shí)驗(yàn)結(jié)果和討論

2.1 表面缺陷檢測快速規(guī)則方法

為了驗(yàn)證提出的檢測方法的準(zhǔn)確性和可靠性，大量圖片應(yīng)用到實(shí)驗(yàn)中。在檢測結(jié)果圖像中，白色代表缺陷區(qū)域，黑色代表非缺陷區(qū)域。如圖1、圖2所示，圖1顯示了瓶蓋正品和3種缺陷差影圖像檢測結(jié)果；圖2顯示了壁紙正品和次品差影圖像檢測結(jié)果。

圖1 瓶蓋正品和3種缺陷差影圖像檢測結(jié)果

圖2 壁紙正品和次品差影圖像檢測結(jié)果

以上實(shí)驗(yàn)結(jié)果表明該方法可以應(yīng)用到多種表面缺陷檢測中，且差影圖像可以很好地濾除相同的背景，巧妙地將待檢測圖像分為感興趣區(qū)域(ROI)和不感興趣區(qū)域，在檢測過程中，只對(duì)ROI進(jìn)行操作，即對(duì)得到的差影圖像進(jìn)行檢測，檢測效率大大提高。

2.2 表面缺陷檢測的性能指標(biāo)

表面缺陷檢測技術(shù)的性能指標(biāo)有樣本檢測正確率、有缺陷樣本檢測正確率和無缺陷樣本檢測正確率。其中，有缺陷樣本檢測正確率可用漏檢率表示，無缺陷樣本檢測正確率可用誤判率表示。

設(shè)CR表示樣本檢測正確率，F(xiàn)CR表示有缺陷樣本檢測正確率，LR表示漏檢率，NCR表示無缺陷樣本檢測正確率，F(xiàn)AR表示誤判率，A表示實(shí)際有缺陷的樣本檢測為有缺陷的樣本數(shù)，B表示實(shí)際無缺陷的樣本檢測為有缺陷的樣本數(shù)，C表示實(shí)際有缺陷的樣本檢測為無缺陷的樣本數(shù)，D表示實(shí)際無缺陷的樣本檢測為無缺陷的樣本數(shù)[13]，則有：

(10)

(11)

(12)

(13)

(14)

2.3 方法性能評(píng)估

為了進(jìn)一步驗(yàn)證提出的檢測方法的準(zhǔn)確性和可靠性，對(duì)140張壁紙樣本圖像進(jìn)行各類缺陷檢測，其中包括100個(gè)缺陷樣本和40個(gè)無缺陷樣本。同時(shí)用本文的方法與Du-Ming[14]等人提出的一種利用特征值為判別特征的檢測方法進(jìn)行對(duì)比, 以漏檢率和誤判率作為缺陷檢測技術(shù)的性能指標(biāo)，即以LR和FAR為性能指標(biāo)進(jìn)行對(duì)比。

實(shí)驗(yàn)首先要確定皮爾遜相關(guān)系數(shù)閾值：選取200張壁紙圖像進(jìn)行訓(xùn)練，200張壁紙圖像試驗(yàn)樣本分別編號(hào)為1,2，…，200。200張壁紙圖像中有100張為正品，100張為次品。通過實(shí)驗(yàn)，得到正品與標(biāo)準(zhǔn)圖像的相關(guān)系數(shù)的平均值ρ1為0.000 1，次品與標(biāo)準(zhǔn)圖像的相關(guān)系數(shù)的平均值ρ2為0.001 9，取ρ1和ρ2的平均值為閾值，即ρth=0.001 0。

部分檢測結(jié)果如圖3和圖4所示，其分別是待檢測樣本3和待測樣本121的檢測結(jié)果，模板圖像和待檢測樣本圖像分別如圖3(a)、圖3(b)所示，檢測結(jié)果如圖3(c)所示，并未檢測出任何表面缺陷，且計(jì)算知ρ(S,T)=0.001<ρth，因此判斷待檢測樣本3為正品。圖4中模板圖像和待檢測樣本圖像分別如圖4(a)、圖4(b)所示，檢測結(jié)果如圖4(c)所示，表面的缺陷檢測出來，且計(jì)算ρ(S,T)=0.001 6>ρth，因此判斷待檢測樣本121為次品。

圖3 待檢測樣本3表面缺陷檢測

圖4 待檢測樣本121表面缺陷檢測

本文提出的缺陷檢測方法與Du-Ming等人提出的一種利用特征值為判別特征的檢測方法進(jìn)行了比較，其結(jié)果如表1所示。

表1 兩種方法比較結(jié)果

從表1看出，本文提出的檢測方法效果比較好。本文實(shí)驗(yàn)是在Inter Core i5-2348M 2.3GHz、內(nèi)存為4G的CPU平臺(tái)上，利用MATLAB R2014a完成，所提出的方法檢測1幅圖像的平均時(shí)間為0.20s。因此，該方法無論是從檢測效果還是在運(yùn)算速度上都具有優(yōu)越性。

3 結(jié)語

提出了一個(gè)基于機(jī)器視覺的對(duì)表面產(chǎn)品缺陷可以快速檢測和定位的規(guī)則方法，該方法通過待檢測圖像和模板圖像皮爾遜相關(guān)系數(shù)閾值可以很好地確定圖像中是否有缺陷，再通過待檢測圖像和模板圖像進(jìn)行差運(yùn)算得到的差影圖像，以實(shí)現(xiàn)缺陷的定位。實(shí)驗(yàn)表明，本文方法可以有效地檢測多種不同表面的各種缺陷，同時(shí)具有檢測效果好和運(yùn)算速度快的優(yōu)點(diǎn)。

參考文獻(xiàn):

[1] Nazaryan N, Campana C, Moslehpour S, et al. Application of a He3Ne infrared laser source for detection of geometrical dimensions of cracks and scratches on finished surfaces of metals[J]. Optics and Lasers in Engineering, 2013, 51(12): 1360-1367.

[2] 吳彰良，孫長庫，劉潔. 基于圖像處理的油封缺陷自動(dòng)檢測與分類識(shí)別方法[J]. 儀器儀表學(xué)報(bào)，2013,34(5)：1093-1099.

[3] 馬玉真，李國平. 大尺寸鋼球表面缺陷檢測[J]. 傳感器與微系統(tǒng)，2012,31(8)：144-146.

[4] Li Qingyong, Ren Shengwei. A visual detection system for rail surface defects [J]. IEEE Transactions on Systems, Man, and Cybernetics: Part C Applications and Reviews, 2012, 42(6): 1531-1542.

[5] Zhou Wenju, Fei Minrui, Zhou Huiyu, et al. A sparse representation basedfast detection method for surface defect detection of bottle caps[J]. Neurocomputing, 2014, 123: 406-414.

[6] Zhang Yan, Li Tao, Li Qingling. Defect detection for tire laser shearography image using curvelet transform based edge detector[J]. Optics & Laser Technology, 2013, 47: 64-71.

[7] 吳家偉，嚴(yán)京旗，方志宏，等. 基于Adaboost改進(jìn)算法的鑄坯表面缺陷檢測方法[J]. 鋼鐵研究學(xué)報(bào)，2012,24(9)：59-62.

[8] Du-Ming Tsai, Luo Jie-Yu. Mean shift-based defect detection in multicrystalline solar wafer surface[J]. IEEE Transactions on Industrial Informatics, 2011,7(1): 125-135.

[9] Zhou Wenju, Fei Minrui, Zhou Huiyu, et al. A sparse representation based fast detection method for surface defect detection of bottle caps[J]. Neurocomputing, 2014, 123: 406-414.

[10] Vladimir N. Vapnik. 統(tǒng)計(jì)學(xué)習(xí)理論[M]. 許建華，張學(xué)工，譯. 北京：電子工業(yè)出版社，2015：41-83.

[11] Rafael C Gonzalez, Richard E Woods. 數(shù)字圖像處理[M]. 阮秋琦,阮宇智,譯. 北京：電子工業(yè)出版社, 2011:476-486.

[12] Rafael C Gonzalez, Richard E Woods, Steven L Eddins.數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M]. 阮秋琦,譯. 北京：清華大學(xué)出版社, 2013.

[13] 羅菁，董婷婷，宋丹. 表面缺陷檢測綜述[J]. 計(jì)算機(jī)科學(xué)與探索，2014,8(9)：1041-1048.

[14] Du-Ming Tsai, Ming-Chun Chen, Wei-Chen Li, et al. A fast regularity measure for surface defect detection[J]. Machine Vision and Applications, 2012, 23: 869-886.