莊 濤，張 軍，李志鵬，王秋悅

（天津職業(yè)技術(shù)師范大學電子工程學院，天津 300222）

隨著生產(chǎn)力和科學技術(shù)的發(fā)展，工業(yè)生產(chǎn)的自動化水平有了很大的提高，很多領(lǐng)域都引入全自動流水化生產(chǎn)線，在這種條件下，采用人工進行產(chǎn)品質(zhì)量檢測顯然無法滿足工業(yè)自動化的需求[1]。近年來機器視覺檢測技術(shù)被廣泛應(yīng)用于工業(yè)生產(chǎn)中，如在木材、玻璃、紡織品、印刷版等領(lǐng)域，產(chǎn)品的缺陷檢測已從人工檢測為主轉(zhuǎn)變?yōu)橐詸C器視覺檢測為主，并取得了良好的檢測效果[1]。在現(xiàn)有的工業(yè)生產(chǎn)中，對金屬餐具的缺陷檢測，主要還是依靠人工肉眼檢測。這種傳統(tǒng)的檢測方法，成本高，效率低，易受主觀因素的影響。為了提高檢測效率，降低人工成本，本文提出一種將機器視覺和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的檢測方法，并以金屬勺子為例進行分析和檢測，取得了較好的檢測效果[2-6]。

1 缺陷檢測系統(tǒng)總體結(jié)構(gòu)設(shè)計

缺陷檢測系統(tǒng)總體結(jié)構(gòu)如圖1所示。該系統(tǒng)總體結(jié)構(gòu)包括光照單元、運動控制單元、圖像采集單元、圖像處理單元。光照單元用于提供合適的照明光線以保障金屬餐具圖像的清晰度；運動控制單元通過移動工作臺，使采集的圖像包含整個待測金屬餐具；圖像采集單元實現(xiàn)待測金屬餐具的圖像采集；圖像處理單元是整個系統(tǒng)的核心，主要包括數(shù)字圖像處理和人工神經(jīng)網(wǎng)絡(luò)，其中數(shù)字圖像處理部分主要對待測金屬餐具圖像進行預(yù)處理，并提取出缺陷特征量。人工神經(jīng)網(wǎng)絡(luò)的功能是對大量不同樣本的特征量進行學習訓(xùn)練，檢測出存在缺陷的目標對象[7]。

圖1 缺陷檢測系統(tǒng)總體結(jié)構(gòu)

2 缺陷特征提取

2.1 缺陷分析

在金屬餐具的生產(chǎn)過程中，由于受制作工藝的限制和其他因素的影響，出現(xiàn)缺陷無法避免。金屬勺子缺陷如圖2所示。一般而言，缺陷分為邊緣缺陷和表面缺陷。邊緣缺陷是指邊緣有凸起和凹陷，表面缺陷是指表面光潔度不夠，有劃痕。

圖2 金屬勺子缺陷

2.2 圖像預(yù)處理

針對勺子的缺陷，需要對采集的金屬餐具原圖像進行處理，以便更好地突出缺陷，便于特征量的提取。

（1）邊緣缺陷的預(yù)處理

邊緣缺陷的預(yù)處理過程如圖3所示。對采集的原圖像進行灰度化處理，轉(zhuǎn)化為256級的灰度圖，分別采用圖像增強來提高勺子和背景的對比度，圖像二值化方法來分割出金屬餐具，圖像濾波法濾除圖像中的噪聲點，邊緣檢測法檢測金屬餐具的邊緣。

圖3 邊緣缺陷的預(yù)處理過程

（2）表面缺陷的預(yù)處理

表面缺陷的預(yù)處理過程如圖4所示。對表面的缺陷只需通過圖像灰度化、圖像增強以及圖像濾波方法進行預(yù)處理。

圖4 表面缺陷的預(yù)處理過程

勺子原圖像經(jīng)過預(yù)處理后的結(jié)果如圖5所示。

2.3 特征量提取

經(jīng)過預(yù)處理后，缺陷已被清晰地呈現(xiàn)出來。為了識別出缺陷，需要對缺陷的特征進行提取，提取的特征量能否準確地描述缺陷，這對后續(xù)的識別具有關(guān)鍵作用。

圖5 預(yù)處理后的結(jié)果

2.3.1 對邊緣缺陷的特征提取

（1）周長

圖像中目標物的邊緣周長可以定義為其所占的像素點個數(shù)，如圖像大小為M×N的二值圖像，目標物為1，背景為0，則目標物的周長可表示為：

（2）邊緣像素點到中心距離的均值和方差

假設(shè)邊緣像素點坐標為（xi，yj），目標物的中心坐標為（x0，y0），則每個邊緣像素點到中心的距離為：

邊緣像素點到中心距離的均值為：

邊緣像素點到中心距離的方差為：

2.3.2 對表面缺陷特征提取

表面缺陷指金屬餐具表面的光潔度，光潔度主要反映在圖像的灰度特征上[8]，因此只需提取圖像的灰度特征參數(shù)。

圖像的不變距對于圖像的平移、尺度變化、鏡像和旋轉(zhuǎn)不變。低階矩主要描述目標的整體特征，如面積、主軸、方向角等；高階矩主要描述圖像的細節(jié)，如扭曲度、峰態(tài)等[9]。

大小為M×N的數(shù)字圖像f（x，y）的二維（p+q）階矩定義為：

式中：p=0，1，2，…；q=0，1，2，…。p和q均為整數(shù)。

相應(yīng)的，（p+q）階中心矩定義為：

式中：p=0，1，2，…；q=0，1，2，…。其中：

ηpq表示歸一化中心距，定義為：

由二階距和三階矩可推導(dǎo)出7個不變距組，分別為：

以上提取出的10個特征量，分別為邊緣的周長、邊緣像素點到中心距離的均值、邊緣像素點到中心距離的方差、7個不變距。這10個特征量將作為神經(jīng)網(wǎng)絡(luò)識別的10個輸入?yún)?shù)。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)元及BP網(wǎng)絡(luò)模型

BP神經(jīng)元與其他神經(jīng)元相比，其傳輸函數(shù)為非線性函數(shù)。BP網(wǎng)絡(luò)一般為多層神經(jīng)網(wǎng)絡(luò)，信息從輸入層流入，經(jīng)過隱含層，流向輸出層[3]。其中，隱含層可有多層。BP神經(jīng)元一般模型如圖6所示，BP神經(jīng)網(wǎng)絡(luò)模型如圖7所示。

3.2 BP網(wǎng)絡(luò)學習算法

假設(shè)一訓(xùn)練的輸入向量為 X=（x1，x2，x3，…，xn）T，期望輸出為Y= （y1，y2，y3，…，yn）T，實際輸出為Y′=（y1′，y2′，y3′，…，yn′）T。

如果有n個輸入樣本，則輸出誤差為：

圖6 BP神經(jīng)元一般模型

圖7 BP神經(jīng)網(wǎng)絡(luò)模型

式中：i為輸出層的中的第i個神經(jīng)元為i層第j個神經(jīng)單元的輸出，fi為傳遞函數(shù)。

由最速下降法可知，每層神經(jīng)元的權(quán)值迭代式為：

式中：i為層數(shù)；μ為收斂速度，也稱學習效率；ΔEk=?Ek/?Wij為誤差對權(quán)值的梯度向量。

根據(jù)式（16）和各層的傳遞函數(shù)，可求出第k次迭代的總誤差梯度ΔEk，代入式（17），便可逐次修正其權(quán)值，并使總誤差向減小的方向變化，直至達到所要求的誤差性能為止。

4 缺陷識別系統(tǒng)模型及構(gòu)成

輸入層作為外部數(shù)據(jù)的輸入端，其節(jié)點個數(shù)取決于輸入向量的維數(shù)。經(jīng)過特征參數(shù)提取后，共提取10個特征量，把這10個特征量作為網(wǎng)絡(luò)的輸入，則網(wǎng)絡(luò)的輸入層的節(jié)點個數(shù)為10個。

設(shè)計的識別要求是識別出缺陷的存在，故輸出層只需有1個輸出節(jié)點。1代表有缺陷；0代表無缺陷。

隱含層節(jié)點個數(shù)的確定沒有準確的理論依據(jù)，需要依據(jù)前人設(shè)計經(jīng)驗以及具體試驗來確定，對用于模式識別/分類的BP網(wǎng)絡(luò)，可參照下式進行設(shè)計。

式中：n為隱含層節(jié)點數(shù)；ni為輸入節(jié)點數(shù)；no為輸出節(jié)點數(shù)；a為1～10的常數(shù)。

識別系統(tǒng)模型如圖8所示。

圖8 識別系統(tǒng)模型

經(jīng)過圖像預(yù)處理，提取出缺陷特征向量，這些特征向量既可直接作為神經(jīng)網(wǎng)絡(luò)的輸入，也可對網(wǎng)絡(luò)進行訓(xùn)練和學習。通過對樣本的學習，各層各節(jié)點的權(quán)值便能確定，神經(jīng)網(wǎng)絡(luò)也隨之確定[10]，繼而可對金屬餐具是否存在缺陷進行識別。

5 結(jié)果及分析

用200個勺子圖像樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，再用30個勺子圖像驗證該神經(jīng)網(wǎng)絡(luò)的檢測效果。其中，30個勺子圖像分別為：10個勺子同時具有邊緣缺陷和表面缺陷；10個勺子只具有邊緣缺陷；10個勺子只具有表面缺陷。檢測結(jié)果如表1所示。

表1 檢測結(jié)果

從表1可知，對于所提取的特征量具有2種缺陷的樣本，神經(jīng)網(wǎng)絡(luò)完全能夠識別出缺陷的存在，而只具有某一種缺陷的樣本，神經(jīng)網(wǎng)絡(luò)存在識別錯誤。該錯誤主要是由于用于訓(xùn)練的樣本數(shù)量不夠?qū)е聦W(wǎng)絡(luò)的訓(xùn)練不足。綜合來看，神經(jīng)網(wǎng)絡(luò)的缺陷檢測率達到了80%，說明采用此方法對勺子缺陷進行檢測是可行的。

6 結(jié)語

本文以金屬勺子為例驗證了本研究提出的檢測方法的有效性。但由于用于訓(xùn)練的樣本過少，可能存在過擬合現(xiàn)象。為了更好地驗證檢測性能，還需獲得更多的缺陷樣本。用不同的金屬餐具進行測試時不同的金屬餐具會出現(xiàn)不同種類的缺陷，因此需要進一步提取不同的缺陷特征參量。本文提出的檢測方法的適用性有待進一步驗證。