孫 進，王 寧,孫 傲，丁 煜

(1.揚州大學 機械工程學院，江蘇 揚州 225127；2.揚州樹人學校，江蘇 揚州 225001)

陶瓷膜是一種新興材料，隨著科學技術(shù)的快速發(fā)展，已廣泛應(yīng)用于生物發(fā)酵、食物飲料、污水處理等領(lǐng)域.企業(yè)因批量生產(chǎn)的產(chǎn)品出現(xiàn)缺陷，需要對陶瓷基板圖像進行預(yù)處理[1]，常規(guī)的檢測方法為人工檢驗，檢測標準不統(tǒng)一，由于主觀性和環(huán)境的影響，往往導致生產(chǎn)效率降低.

圖1 實驗流程圖

近年來，伴隨著計算機技術(shù)、電子技術(shù)的快速發(fā)展，基于機器視覺的自動化檢測技術(shù)也得到了飛速的發(fā)展，為陶瓷膜表面檢測提供了一種切實可靠的方案.采用“機器”代替人眼進行產(chǎn)品缺陷檢測，已經(jīng)成為未來檢測行業(yè)的一個重要發(fā)展方向.機器視覺檢測系統(tǒng)通過設(shè)計相應(yīng)的光學成像系統(tǒng)，采用CCD等圖像傳感器對待測物進行圖像采集，然后對采集的圖像進行分析，可實現(xiàn)對待測物快速、高精度、客觀地檢測，已經(jīng)廣泛應(yīng)用于表面缺陷檢測、尺寸測量、目標檢測等領(lǐng)域[2].2012年Zhou等[3]針對球體零件表面缺陷，選用了最先進的canny算子將圖像的可搜區(qū)域縮到最小，確定了凸起、凹陷、剝落、磨蝕、被氧化這5種缺陷類型，并利用BP神經(jīng)網(wǎng)絡(luò)對這5類缺陷進行分類.進行陶瓷基板圖像的自動缺陷檢測需要依賴于經(jīng)典的數(shù)字圖像處理技術(shù)[4].由于陶瓷膜材料的特殊性，如今大多數(shù)研究都指向了微觀納米級的膜層(不在表面)，支撐體對膜層提供機械性能的保證.支撐體的表面缺陷與一般工業(yè)材料相似，但特定的缺陷會對其膜層起到破壞性的作用，如裂紋、孔洞；而像劃痕，落渣損傷這類的缺陷對膜層起的破壞作用幾乎可以忽略不計.本文針對陶瓷膜的上述4個表面缺陷進行表征，以現(xiàn)有的圖像處理的方法和理論為基礎(chǔ)，通過對提取的缺陷圖像進行處理和信息提取，獲取信息并進行分類判斷，以便能找到那些對其膜層起到破壞性作用的表面缺陷.

1 系統(tǒng)總體設(shè)計方案

本研究將機器視覺技術(shù)、MATLAB圖像處理、基于MATLAB的概率神經(jīng)網(wǎng)絡(luò)分類技術(shù)等應(yīng)用于陶瓷膜表面缺陷的表征與分類中.

對缺陷圖像進行必要的預(yù)處理.此過程有灰度化、二值化、中值濾波、邊緣檢測等步驟；然后在已處理圖片的基礎(chǔ)上提取特征參數(shù)，導入Excel表格做成一個特征參數(shù)數(shù)據(jù)庫；此后用BP概率神經(jīng)網(wǎng)絡(luò)作為分類器對缺陷圖像訓練，訓練完成后對植物葉片分類.實驗流程如圖1所示.

由于彩色圖片所包含的信息多，占用的存儲空間大，計算機處理起來極為困難，再加上其特征較多，很難提取其中有用的信息.使用灰度化能使圖片所占空間大大縮小，計算機處理更加方便.因此，利用圖像灰度化能方便地處理特征和提高檢測效率.

圖像的二值化是將圖像上的每個像素點的灰度置為0或255，這些缺陷圖像在二值化處理后就只有黑與白兩種顏色.比如一個裂紋缺陷，二值化后裂紋處為黑色，而其他部分則為白色.在數(shù)字圖像處理中，二值化處理可以大大減少圖像的數(shù)據(jù)量，使得重點區(qū)域的特征更加明顯，為后面的邊緣檢測做了鋪墊.

對圖像進行閾值分割[5]是二值化的前提和關(guān)鍵，它需要選定一個閾值，對灰度化后的按照圖像不同區(qū)域像素的值，小于所設(shè)閾值的分為一類，大于所設(shè)閾值的分為另一類.換言之，灰度圖的閾值分割就是先確定某一閾值，然后實現(xiàn)對圖像的二值化處理，從而得到處理后的二值化圖像.其函數(shù)表達式為

(1)

式中：f(x,y)為原始圖像函數(shù)，g(x,y)為二值化圖像函數(shù).

數(shù)字圖像中可以用直方圖的方式來表達每一灰度級與其灰度像素數(shù)量之間的統(tǒng)計關(guān)系.在直角坐標系中，通常用x軸坐標表示灰度級，y軸坐標表示灰度級頻數(shù)，直方圖可以用概率分布函數(shù)[6]表達：

(2)

式中：p(rk)是估計灰度級為rk的發(fā)生概率，n是圖像中像素總數(shù)，L為圖像的灰度值.

圖2是落渣原始缺陷圖像的直方圖、灰度圖、均衡化直方圖和均衡圖的對比，可以看出圖像缺陷部分的位置和大小更加分明，通過缺陷圖像可以直接讀出其缺陷的類型，降低了檢測人員辨別的難度，給后續(xù)的人工復檢環(huán)節(jié)提供了便利.

圖2 落渣原始缺陷圖像的直方圖、灰度圖，均衡化直方圖和均衡圖的對比

邊緣檢測是圖像特征提取的核心，它蘊含了如方向形狀等信息，邊緣是圖像中局部特征如灰度、顏色、紋理結(jié)構(gòu)等突變的反映.圖像邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了認為不相關(guān)的量，保留了圖像中的結(jié)構(gòu)屬性[7].陶瓷膜表面缺陷的圖像邊緣并不是連續(xù)的，沿著邊緣走向的像素基本不變或變化幅度較小，垂直于邊緣走向的像素則有明顯的改變.檢測出圖像中的邊緣點，然后將檢測到的邊緣點相互連接形成邊緣輪廓，就可得到邊緣圖像[8].

在MATLAB中，可使用的邊緣算子很多，其中一階算子(梯度算子)常用的有Sobel、Prewitt、Robert算子等，二階算子常用的有Log、Canny算子等[9].本文采用的Canny算子能更好地估計邊緣強度，同時又有較好的單、雙邊定位精度，能平衡平滑噪聲和邊緣檢測之間的相互關(guān)系.

2 BP神經(jīng)網(wǎng)絡(luò)訓練

選用區(qū)域面積、長寬比(最小外接矩形)、區(qū)域周長、圓形度、最小外接矩形對角線長度、平均灰度等6個特征量來對缺陷進行分類.所提取缺陷樣本的特征數(shù)據(jù)見表1.

表1 缺陷樣本的特征提取數(shù)據(jù)

數(shù)據(jù)分類是數(shù)據(jù)挖掘的主要任務(wù)之一[10]，而BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)在分類算法中使用最廣泛的算法之一[11-12].BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，通過對BP神經(jīng)網(wǎng)絡(luò)原理和結(jié)構(gòu)及算法的了解和探索，可以用BP神經(jīng)網(wǎng)絡(luò)算法來對陶瓷膜表面缺陷進行識別.在BP神經(jīng)網(wǎng)絡(luò)中實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)學習算法的過程稱為BP神經(jīng)網(wǎng)絡(luò)的訓練過程，包括以下幾個步驟：

1) 權(quán)值的初始化.通?？梢杂秒S機數(shù)給網(wǎng)絡(luò)中的各個權(quán)值和閾值賦初值，以防止飽和，同時要求保證各初始的權(quán)值和閾值不盡相同.

2) 歸一化處理.需要對輸入采樣特征值進行歸一化處理，避免向量中極大值對極小值的影響，以降低計算的復雜性.一般將采樣的特征值進行處理，讓其處于特定范圍內(nèi).

圖3 BP神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果

3) 網(wǎng)絡(luò)結(jié)構(gòu)的選擇.本文采用典型三層BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)缺陷識別.選取6個缺陷特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入值；選擇4個主要識別缺陷和構(gòu)成的4個輸出值作為BP神經(jīng)網(wǎng)絡(luò)的輸出；根據(jù)經(jīng)驗公式BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點個數(shù)取5個，并對訓練好的網(wǎng)絡(luò)模型進行缺陷圖像識別測試.

4) 相關(guān)參數(shù)的確定.需要設(shè)定學習系數(shù)、期望誤差及最大迭代次數(shù)等，根據(jù)梯度下降法來找到誤差收斂方向，選擇神經(jīng)網(wǎng)絡(luò)的學習規(guī)則.

5) 設(shè)定輸出期望值.根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特點，在訓練之前應(yīng)該設(shè)定輸出期望值.對不同類型的輸入缺陷樣本，分別設(shè)定一個輸出向量，根據(jù)缺陷類別不同，最大限度分開其中輸入的缺陷.圖3為神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果.當訓練的次數(shù)為12時，訓練結(jié)果收斂于1.306×10-5.

3 缺陷識別結(jié)果及分析

結(jié)束訓練后，選測試網(wǎng)絡(luò)訓練，選取每種缺陷10個樣本，共40個樣本.于是隨機選擇32個數(shù)據(jù)作為訓練對象，對8組數(shù)據(jù)進行檢驗，重復12次來求得最后的正確率.BP神經(jīng)網(wǎng)絡(luò)的分類識別結(jié)果如圖4所示.12次分類正確率結(jié)果分別為100%，75%，75%，75%，87.5%，75%，50%，75%，87.5%，50%，100%，87.5%，平均正確率為78.125%.

圖4 BP神經(jīng)網(wǎng)絡(luò)的分類識別結(jié)果

4 結(jié)語

基于機器視覺的陶瓷膜表面缺陷的識別、分類是研究的熱點.本文研究了圖像的形態(tài)學處理與缺陷圖像的缺陷特征提取方法，提取了6個缺陷特征向量；對BP神經(jīng)網(wǎng)絡(luò)進行了簡單介紹，并對40個采集的樣本進行了多次測試.實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)分類識別的正確率達到78.125%，但對落渣、凹坑的缺陷分類識別效果不佳，應(yīng)增加其特征向量個數(shù)，尤其是灰度特征、紋理特征、顏色特征等.