杜曉輝，劉 霖，張 靜，倪光明，劉娟秀，劉 永

(電子科技大學(xué) 光電科學(xué)與工程學(xué)院，四川 成都 610054)

0 引 言

在火花塞的生產(chǎn)線中，火花塞端面表觀缺陷的檢測(cè)常常由人工完成，生產(chǎn)沒(méi)有真正達(dá)到標(biāo)準(zhǔn)化和自動(dòng)化?；谌搜鄣臋z測(cè)，人為影響因素大，且長(zhǎng)時(shí)間目視容易引起視覺(jué)疲勞，造成誤檢或者漏檢。此外，人眼的檢測(cè)并沒(méi)有一個(gè)合理的檢測(cè)標(biāo)準(zhǔn)，對(duì)于缺陷的檢測(cè)往往通過(guò)經(jīng)驗(yàn)來(lái)判斷，不符合生產(chǎn)的標(biāo)準(zhǔn)化、規(guī)范化的要求。

隨著機(jī)器視覺(jué)的發(fā)展，為火花塞端面表觀缺陷檢測(cè)提供了一個(gè)可行的解決方案。但是，由于火花塞的生產(chǎn)并非無(wú)塵生產(chǎn)，端面常伴有油污、粉塵等類似缺陷的雜質(zhì)，對(duì)于缺陷的提取和檢測(cè)提出了更高的算法要求。

目前，應(yīng)用于火花塞的端面缺陷檢測(cè)算法并未見(jiàn)報(bào)道，但應(yīng)用于金屬缺陷檢測(cè)領(lǐng)域的機(jī)器視覺(jué)算法卻不斷在改進(jìn)。2009年，電子科技大學(xué)摩米實(shí)驗(yàn)室研制的子彈表觀缺陷檢測(cè)系統(tǒng)，首次將機(jī)器視覺(jué)引入彈殼表觀缺陷檢測(cè)[1]。2013年，中國(guó)地質(zhì)大學(xué)實(shí)現(xiàn)了應(yīng)用在鋼鐵領(lǐng)域的帶鋼板表觀缺陷檢測(cè)系統(tǒng)[2]；同年，電子科技大學(xué)實(shí)現(xiàn)了PCB的表觀缺陷檢測(cè)，該算法的實(shí)現(xiàn)為復(fù)雜環(huán)境下目標(biāo)缺陷的提取提供了很大的借鑒意義[3]；2014年，北京交通大學(xué)通信和信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室研制了地鐵隧道自動(dòng)裂縫檢測(cè)和分類系統(tǒng)[4]；江南大學(xué)實(shí)現(xiàn)了金屬制罐焊縫缺陷檢測(cè)系統(tǒng)[5]。盡管這些算法對(duì)于火花塞端面的缺陷檢測(cè)具有借鑒意義，但是，由于檢測(cè)需求的不同，在一定程度上并不適用。首先，火花塞端面缺陷檢測(cè)的主要對(duì)象是火花塞端面的凹坑及劃痕缺陷；其次，缺陷的判定條件不同，由于火花塞端面為一環(huán)形，缺陷大小的判定需要增加計(jì)算缺陷在徑向方向的長(zhǎng)度；再次，火花塞生產(chǎn)線工藝較多，生產(chǎn)線環(huán)境惡劣，其上面的油污極易附著灰塵等雜質(zhì)。綜上這些因素都對(duì)檢測(cè)算法提出了更高的要求。

因此，文中提出了一種面向火花塞端面缺陷檢測(cè)的算法。算法首先對(duì)端面的圓環(huán)區(qū)域進(jìn)行提取，之后根據(jù)其缺陷特征進(jìn)行了坐標(biāo)變換，然后利用形態(tài)學(xué)方法進(jìn)行濾波提取缺陷及類缺陷雜質(zhì)區(qū)域，最后對(duì)提取的凹坑缺陷和雜質(zhì)進(jìn)行特征提取并用機(jī)器視覺(jué)方法進(jìn)行識(shí)別。

1 基本原理

1.1 檢測(cè)系統(tǒng)概述

火花塞端面缺陷檢測(cè)系統(tǒng)采用在線檢測(cè)的方式，在原生產(chǎn)工位加裝檢測(cè)裝置，對(duì)存在缺陷的次品進(jìn)行在線式剔除。檢測(cè)速度和生產(chǎn)線的前進(jìn)速度嚴(yán)格保持一致。該檢測(cè)系統(tǒng)光學(xué)部分由五百萬(wàn)像素工業(yè)相機(jī)、遠(yuǎn)心鏡頭以及定制的同軸光源組成。由于殼體環(huán)形端面在火花塞的中部，端面上方有一段長(zhǎng)約35 mm，直徑約13 mm的螺紋軸，故初步設(shè)計(jì)采用遠(yuǎn)心鏡頭。如果采用普通工業(yè)鏡頭，由于普通工業(yè)鏡頭存在一定的視場(chǎng)角，殼體端面上方的螺紋軸會(huì)對(duì)端面的檢測(cè)造成影響，會(huì)使得端面在CCD上的成像變得模糊且面積縮小。而遠(yuǎn)心鏡頭卻不存在視場(chǎng)角，這對(duì)端面在CCD上的成像非常有利。

1.2 檢測(cè)算法

由光學(xué)系統(tǒng)采得的圖像如圖1所示。

其端面檢測(cè)區(qū)域如圖1中圓環(huán)所在區(qū)域，檢測(cè)時(shí)圓環(huán)的提取為第一步。由于端面缺陷的判定標(biāo)準(zhǔn)為缺陷大小在徑向方向長(zhǎng)度大于某個(gè)閾值，因此，將圓環(huán)進(jìn)行坐標(biāo)變換，轉(zhuǎn)換為矩形，即將圓環(huán)展開(kāi)，這樣在環(huán)向方向盡管有拉伸，但并不影響缺陷的提取。經(jīng)過(guò)一次濾波后，通過(guò)形態(tài)學(xué)方法提取缺陷及類缺陷雜質(zhì)區(qū)域，最后通過(guò)提取特征值及人工智能的方式進(jìn)行識(shí)別區(qū)分。

圖1 火花塞端面檢測(cè)光線成像系統(tǒng)所采圖像

1.2.1 感興趣區(qū)域提取

由圖1可知，相機(jī)采得的圖像具有一定的雜質(zhì)背景，只有圓環(huán)為檢測(cè)的感興趣區(qū)域。圓環(huán)提取常用的方法是霍夫變換，但是由于霍夫變換提取的效率低，文中采用了一種改進(jìn)的霍夫變換用來(lái)提取圓環(huán)。

首先，對(duì)灰度圖像進(jìn)行二值化[6-9]。由于系統(tǒng)的打光方式是采用過(guò)飽和方式，因而二值化采用固定閾值二值化方法，如式1：

(1)

其中，T為分割閾值；fT(x)為分割結(jié)果。

在用面積過(guò)濾掉部分雜質(zhì)點(diǎn)后，采用下述方法求取圓心：

(1)掃描圖像，尋找圖像每行像素的左右端點(diǎn)；

(2)求取每行像素左右端點(diǎn)的中心，并對(duì)所有行中心求均值即為圓心行坐標(biāo)；

(3)同理，掃描每列，對(duì)所有列的中心求均值即為圓心縱坐標(biāo)。

為了求取外圓的半徑，采用霍夫變換方法[10]：

(1)對(duì)圖1中的圖像用Sobel算子進(jìn)行邊緣檢測(cè)；

(2)設(shè)定外圓半徑范圍rmin和rmax；

(3)求取邊緣圖像中每個(gè)亮點(diǎn)到圓心的距離，并對(duì)距離位于rmin和rmax之間的數(shù)值進(jìn)行統(tǒng)計(jì)；

(4)統(tǒng)計(jì)數(shù)值中最大為圓環(huán)的外圓半徑。

由于圓環(huán)寬度固定，因而可以根據(jù)外圓半徑求得內(nèi)圓半徑：

(2)

其中，R為外圓半徑；r為內(nèi)圓半徑；L為圓環(huán)寬度；d為邊緣圖像中各亮點(diǎn)到圓心(cx，cy)的距離；Nd為距離的統(tǒng)計(jì)。

最后，可根據(jù)圓心及半徑信息對(duì)圓環(huán)進(jìn)行提取。

1.2.2 坐標(biāo)變換

為提取符合缺陷條件(長(zhǎng)度沿徑向方向過(guò)長(zhǎng))的凹坑或者雜質(zhì)，通過(guò)極坐標(biāo)變換將圓環(huán)展開(kāi)，展開(kāi)方法如下式所示：

(3)

其中，x和y分別為展開(kāi)后矩形圖像的位置信息；x'和y'分別為展開(kāi)前圓環(huán)的坐標(biāo)信息。

1.2.3 缺陷及類缺陷雜質(zhì)提取

由于圖像中黑點(diǎn)雜質(zhì)的存在，故在進(jìn)行缺陷提取前需要對(duì)圖像進(jìn)行濾波[11-14]。文中采用中值濾波的方式，如下式所示：

f'(x)=med{xn|xn∈W}

(4)

其中，xn為所要進(jìn)行處理的像素點(diǎn)；W為以xn為中心的窗口；f'(x)為W窗口中所有像素的中值。

展開(kāi)后的矩形圖像中的主背景為亮色，文中采用了局部閾值分割法對(duì)其進(jìn)行二值化，如下所示：

(5)

其中，f(x)為分割前的像素值；W為以xn為中心的窗口；s(x)為分割后結(jié)果；H和L分別為極端閾值；h和l為相對(duì)閾值。當(dāng)滿足上述四個(gè)條件時(shí)分割為1，否則為0。

二值化的圖像中存在許多雜質(zhì)點(diǎn)及雜質(zhì)條紋，文中采用形態(tài)學(xué)方法對(duì)其進(jìn)行濾除。

首先，對(duì)圖像進(jìn)行橫向膨脹，使得斷開(kāi)的凹坑可以連在一起；其次，對(duì)圖像進(jìn)行縱向腐蝕，腐蝕大小根據(jù)缺陷大小的判定來(lái)確定，通過(guò)腐蝕可以濾除條紋雜質(zhì)；然后，對(duì)圖像進(jìn)行橫向腐蝕；最后，對(duì)圖像進(jìn)行縱向膨脹，以完成前兩步的閉合操作。

經(jīng)過(guò)上述濾波，圖像中剩下了凹坑缺陷以及類缺陷雜質(zhì)。

通過(guò)對(duì)上圖進(jìn)行聯(lián)通域標(biāo)記，可以在矩形圖中得到其對(duì)應(yīng)的缺陷位置及形態(tài)，如圖2所示。

圖2 火花塞端面檢測(cè)缺陷提取效果圖(1)

1.2.4 缺陷特征提取及識(shí)別

缺陷及類缺陷雜質(zhì)經(jīng)上述步驟后提取如圖3所示。

圖3 火花塞端面檢測(cè)缺陷提取效果圖(2)

其中，圖(2)、(3)、(4)、(6)、(9)為缺陷，(1)、(5)、(7)、(8)、(10)為類缺陷雜質(zhì)。從圖中對(duì)比可以發(fā)現(xiàn)，缺陷凹坑和類缺陷雜質(zhì)具有明顯的梯度差異。缺陷凹坑的邊緣信息比較多，因而梯度較大的點(diǎn)多，梯度信息在梯度較大時(shí)統(tǒng)計(jì)數(shù)目多，如圖4中(b)、(d)、(e)所示。類缺陷雜質(zhì)一般是由于油污等雜質(zhì)造成，其圖像上表現(xiàn)為不均勻，反映到梯度信息上是梯度較光滑，如圖4中(a)、(c)所示(統(tǒng)計(jì)橫坐標(biāo)范圍為梯度最大值的一半到梯度最大值)。

在數(shù)據(jù)處理之前，對(duì)數(shù)據(jù)進(jìn)行歸一化，歸一化方法如下：

首先，選取梯度統(tǒng)計(jì)的后100個(gè)數(shù)據(jù)進(jìn)行特征識(shí)別；

其次，利用下述公式進(jìn)行歸一化[15]：

(6)

文中選取了其中4個(gè)較為明顯的特征[15]：

(1)梯度直方圖三階矩，用于描述直方圖的偏斜性度量：

(7)

其中，zi為數(shù)據(jù)；m為數(shù)據(jù)均值；p(zi)為該數(shù)據(jù)值的概率。

(2)數(shù)據(jù)之和，由于統(tǒng)計(jì)圖中缺陷統(tǒng)計(jì)圖包含信息量小，而雜質(zhì)的信息量大，故選取該度量：

(8)

(3)非極大均值，即去除極大值后其余數(shù)據(jù)均值：

(9)

(3)極大值位置：

pos(max(zi))=POS(zi=max(zi))

(10)

圖4 火花塞端面檢測(cè)缺陷及缺陷梯度統(tǒng)計(jì)圖

表1給出了上述5幅圖像中的4個(gè)特征值。

表1 5幅圖像的特征值

從表1可以發(fā)現(xiàn)，對(duì)于缺陷其梯度直方圖三階矩較類缺陷類雜質(zhì)的數(shù)值絕對(duì)值大一個(gè)數(shù)量級(jí)，數(shù)據(jù)之和通常較小，非極大均值較大。此外，類缺陷類雜質(zhì)通常具有多個(gè)極大值，而缺陷只有一個(gè)。

對(duì)于缺陷與類缺陷雜質(zhì)的分類方法，文中采用了邏輯回歸模型。邏輯回歸模型[16-17]是一種二分類的分類器，是機(jī)器學(xué)習(xí)領(lǐng)域監(jiān)督學(xué)習(xí)的一種分類算法，用于估計(jì)事物的可能性。其本質(zhì)是一組權(quán)值w0,w1,…,wm。當(dāng)測(cè)試樣本數(shù)據(jù)到來(lái)時(shí)，這組權(quán)值按照線性加權(quán)求和的方式得到一個(gè)z值：

z=w0+w1*x1+w2*x2+…+wm*xm

(11)

其中，x1,x2,…,xm是某樣本數(shù)據(jù)的各個(gè)特征，維度為m。

之后按照sigmoid函數(shù)的形式求出：

(12)

由于sigmoid函數(shù)的定義域是(-INF,+INF)，而值域?yàn)?0,1)。因此最基本的LR分類器適合于對(duì)兩類目標(biāo)進(jìn)行分類。邏輯回歸分類器訓(xùn)練的過(guò)程就是求權(quán)值的過(guò)程，使得期望輸出與實(shí)際輸出的差值最小。文中采用極大似然估計(jì)法(MLE)求得迭代關(guān)系式：

(13)

2 檢測(cè)結(jié)果與分析

根據(jù)上述理論，選取了50個(gè)缺陷及類缺陷雜質(zhì)作為樣本進(jìn)行訓(xùn)練，其中31個(gè)樣本為缺陷樣本，其余19個(gè)樣本為類缺陷樣本，每個(gè)樣本具有梯度直方圖三階矩、數(shù)據(jù)和、非極大均值等三個(gè)特征值，并取學(xué)習(xí)率為0.5。將樣本輸入訓(xùn)練器，經(jīng)過(guò)6 059次迭代后，權(quán)值的損失小于設(shè)定的閾值0.001，即

(14)

此時(shí)，計(jì)算得出權(quán)值如下：

(15)

故得到邏輯回歸模型為：

(16)

當(dāng)σ(z)的值大于等于0.5時(shí)，判定為缺陷，否則判定為雜質(zhì)。文中選取了5組測(cè)試樣本，每組有100個(gè)測(cè)試樣本進(jìn)行測(cè)試。檢測(cè)結(jié)果如表2所示。

表2 樣本檢測(cè)結(jié)果

從表2可知，將雜質(zhì)檢測(cè)為缺陷的樣本共有5個(gè)，誤檢率為1%，漏檢缺陷樣本有1個(gè)。完全達(dá)到了檢測(cè)需求。

由于雜質(zhì)背景的存在，這些雜質(zhì)背景主要為油污所致，具有不規(guī)律性，因而導(dǎo)致其梯度統(tǒng)計(jì)直方圖與實(shí)際缺陷的梯度統(tǒng)計(jì)直方圖類似，可能會(huì)導(dǎo)致誤檢。

導(dǎo)致漏檢的原因是由于缺陷融合在雜質(zhì)背景中，其梯度變化不明顯，導(dǎo)致梯度統(tǒng)計(jì)直方圖不具有缺陷的特性。

3 結(jié)束語(yǔ)

火花塞端面缺陷檢測(cè)一直是機(jī)器實(shí)現(xiàn)自動(dòng)化過(guò)程中從未涉獵的課題。文中基于火花塞端面的缺陷檢測(cè)需要，設(shè)計(jì)了一種基于機(jī)器視覺(jué)的火花塞端面缺陷檢測(cè)算法。該算法從采圖開(kāi)始，逐步進(jìn)行了感興趣區(qū)域提取、坐標(biāo)變換、圖像中值濾波、局部閾值分割、形態(tài)學(xué)濾波等處理，提取了缺陷以及類缺陷雜質(zhì)。最后，通過(guò)分析樣本圖像的梯度信息，構(gòu)建梯度統(tǒng)計(jì)直方圖，提取了樣本的主要顯著特征，然后利用人工智能的機(jī)器學(xué)習(xí)算法——邏輯回歸模型進(jìn)行了分類。結(jié)果表明分類結(jié)果很好，完全達(dá)到了工業(yè)生產(chǎn)的需求。然而，對(duì)于誤檢和漏檢的樣本，仍需進(jìn)一步分析其特性，改進(jìn)算法，以更好地降低誤檢率和漏檢率。