，趙毅武

(1. 福建工程學(xué)院 信息科學(xué)與工程學(xué)院， 福建 福州 350118；2. 福耀集團(tuán)(上海)汽車玻璃有限公司， 上海 201814 )

在汽車玻璃制造領(lǐng)域，如何提高玻璃缺陷檢測的效率與準(zhǔn)確率，一直是亟待解決的問題。特別是汽車玻璃黑邊區(qū)域的劃痕檢測更是長期依賴大量的人工進(jìn)行，由于檢測人員的主觀性，使得檢測結(jié)果準(zhǔn)確性和穩(wěn)定性無法得到保障，而且在線生產(chǎn)檢測需要工作人員快速抽檢，導(dǎo)致誤檢率、漏檢率居高不下。

目前，國內(nèi)對于玻璃的缺陷檢測已經(jīng)有一定的研究，如宋迪等[1]利用 Gabor 濾波器與各向異性紋理抑制的方法進(jìn)行劃痕的提取。李晨、楊甬英等[2]設(shè)計(jì)了一種基于濾波差分的雙閾值弱劃痕提取算法來加強(qiáng)檢測效果。此外吳珊、 陳斌等[3]針對劃痕方向影響檢測效果的問題，提出改進(jìn)的線檢測方法，但是對于玻璃弱化痕的檢測效果并不是很好。王靜穎[4]采用邊緣檢測算子來進(jìn)行劃痕的提取，但是對于一些對比度較低、邊界模糊的劃痕容易出現(xiàn)劃痕丟失的問題。武躍華[5]利用小波變換法來得到劃痕圖像，但是基于小波變換的劃痕檢測算法存在計(jì)算量大等問題導(dǎo)致滿足不了工業(yè)生產(chǎn)的實(shí)時(shí)性需求。王昌書[6]對手機(jī)曲面玻璃缺陷進(jìn)行了研究，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的缺陷分類方法。上述方案均是針對透明玻璃的缺陷檢測，沒有專門針對玻璃黑邊區(qū)域的進(jìn)行劃痕檢測。針對汽車玻璃黑邊區(qū)域劃痕檢測的精確性和實(shí)時(shí)性等要求，本研究提出了汽車玻璃黑邊區(qū)域劃痕視覺檢測方法，并以汽車角窗玻璃為實(shí)驗(yàn)對象說明算法的實(shí)現(xiàn)過程。

1 劃痕檢測裝置

劃痕檢測裝置包含前端CCD工業(yè)相機(jī)、輔助光源和后端的計(jì)算機(jī)，如圖1所示。前端主要實(shí)現(xiàn)圖像的采集，后端是進(jìn)行圖像處理和劃痕識別。輔助光源采用條形光源低角度入射方式，因?yàn)榈徒嵌热肷涔庠锤子谕癸@表面劃痕，確保采集所得的圖像質(zhì)量。本研究采用的分辨率為500萬像素的相機(jī)采集汽車角窗玻璃圖像如圖2所示。

圖1 劃痕檢測裝置Fig.1 Scratch detection device

圖2 汽車角窗玻璃原圖Fig.2 Original image of the car quarter glass

2 劃痕檢測算法及過程

2.1 圖像的預(yù)處理

預(yù)處理的目標(biāo)是減小玻璃圖像中的不相關(guān)信息，抑制甚至消除圖像中的干擾因素，凸顯玻璃的劃痕信息，以便后續(xù)劃痕的檢測與識別。

2.1.1 灰度值調(diào)整處理

經(jīng)過多次實(shí)驗(yàn)比較發(fā)現(xiàn)，將采集平臺的背景設(shè)置為灰色能夠采集到更清晰的劃痕圖像，但這也造成灰度化后玻璃的透明區(qū)域與油墨區(qū)域在色域上有一定的相似度。若直接進(jìn)行二值化處理將會丟失大量的劃痕信息，因此需要采用圖像灰度值調(diào)整算法來改善圖像質(zhì)量。本文采用灰度值拉伸的方法來凸顯玻璃劃痕，原理就是將待測圖像中某個(gè)灰度值范圍內(nèi)的所有像素點(diǎn)映射到另一個(gè)灰度值范圍，以加強(qiáng)圖像的對比度[7]。本文采取的是映射參數(shù)為0.75的非線性映射，將待測圖像內(nèi)灰度值低于30的像素值調(diào)整為0，把大于200的像素值調(diào)整為255。

2.1.2 圖像的平滑處理

圖像在采集過程與傳輸過程經(jīng)常存在噪聲，從而影響劃痕的檢測，因此需要采用合適的平滑算法來抑制噪聲。目前最常用的濾波方法主要是中值濾波、均值濾波、維納濾波等。其中，維納濾波也稱為自適應(yīng)濾波，是一種基于最小均方誤差準(zhǔn)則的濾波方法，主要是根據(jù)局部方差值來進(jìn)行濾波的調(diào)整適應(yīng)，確保輸出與期望輸出之間的均方誤差為最小。因此它可以實(shí)現(xiàn)對圖像噪聲的自適應(yīng)濾除，對于方差較小的區(qū)域，濾波效果較好，能夠充分保留細(xì)節(jié)。而玻璃劃痕的后期識別需要比較多的細(xì)節(jié)信息，因此采用維納濾波方法實(shí)現(xiàn)玻璃圖像的平滑處理。

維納濾波首先根據(jù)公式(1)計(jì)算出像素局部區(qū)域的平均值μ，然后計(jì)算出像素的局部區(qū)域的方差σ2，如公式(2)，最后用公式(3)計(jì)算出每一個(gè)像素點(diǎn)通過維納濾波器后的灰度值b(n1,n2)。

(1)

(2)

(3)

式中，η為每個(gè)像素點(diǎn)的M×N的鄰域，a(n1,n2)為領(lǐng)域中的某個(gè)像素點(diǎn)的灰度值，v2為圖像中噪聲的方差。實(shí)驗(yàn)證明，維納濾波不僅能夠較好地保留劃痕信息，而且具有良好的降噪效果。

2.1.3 圖像的銳化處理

維納濾波處理會導(dǎo)致劃痕與邊界信息在一定程度上變得模糊，因此需要增加銳化處理來加強(qiáng)劃痕及邊緣信息，但是同時(shí)也會導(dǎo)致噪聲變大，增加后續(xù)圖像處理的難度，因此選擇銳化算法需要考慮加強(qiáng)細(xì)節(jié)的同時(shí)要盡量小噪聲。

銳化算法的選擇關(guān)鍵在于算子的選擇，常用的銳化算子有Sobel算子、Prewitt 算子、Laplacian算子等。其中Sobel算子、Prewitt 算子是基于一階導(dǎo)數(shù)的銳化算子，會產(chǎn)生較寬的邊緣，細(xì)節(jié)的響應(yīng)較差；Laplacian算子是基于二階微分的銳化算子，對于細(xì)節(jié)的響應(yīng)程度更好，但是對于噪聲的增強(qiáng)也會更強(qiáng)。由于玻璃劃痕圖像包含較多的細(xì)節(jié)，因此選擇二階微分Laplacian算子來進(jìn)行銳化操作。經(jīng)過Laplacian算子銳化后的圖像只有在邊緣和劃痕等灰度值突變區(qū)域才會加強(qiáng)，灰度值平滑區(qū)域則近乎于黑色，這也造成玻璃平滑區(qū)域的一些信息丟失，會增加后續(xù)圖像處理的難度。為了解決這個(gè)問題，采用了高提升濾波來保留更多的圖像信息。高提升濾波是先進(jìn)行圖像銳化操作，再將圖像的銳化結(jié)果與原圖相加，達(dá)到保留更多玻璃圖像信息的目的。經(jīng)過灰度拉伸，維納濾波和Laplacian算子銳化預(yù)處理后，可獲得如圖3所示圖像。

圖3 預(yù)處理后的汽車角窗玻璃圖像Fig.3 Reprocessed image of the car quarter glass

2.2 圖像分割

圖像分割是將感興趣目標(biāo)區(qū)域從整幅圖像中分離出來，這是劃痕檢測的關(guān)鍵步驟之一。由于玻璃圖像在采集過程中使用了灰色背景，導(dǎo)致圖像中的其他區(qū)域與玻璃黑邊區(qū)域在色域上有一定的相似度，若直接二值化處理，會混淆黑邊區(qū)域和其他區(qū)域的信息，因此需要通過圖像分割算法將黑邊區(qū)域提取出來，再轉(zhuǎn)為二值圖。區(qū)域生長分割算法具有計(jì)算簡單、能夠?qū)⒕哂邢嗤卣鞯倪B通區(qū)域分割出來、能夠提供很好的邊界信息和分割結(jié)果的優(yōu)點(diǎn)[8]，這非常符合玻璃黑邊區(qū)域劃痕提取的需求。

2.2.1 區(qū)域生長分割算法的實(shí)現(xiàn)

區(qū)域生長分割是依據(jù)選擇好的生長初始點(diǎn)的特征以及設(shè)置的生長條件，利用形態(tài)學(xué)對圖像信息進(jìn)行合并得到相應(yīng)的分割結(jié)果[9]。即通過計(jì)算生長初始點(diǎn)的像素f(a,b)和f(x,y)相鄰像素之間的灰度值之差D，如公式(4)所示。

D=|f(x,y)-f(a,b)|

(4)

若D小于閾值T，說明這兩個(gè)像素點(diǎn)灰度值相似，把這兩個(gè)像素值合并形成一個(gè)新的生長點(diǎn)；否則保持不變。將圖像區(qū)域中所有像素點(diǎn)的灰度值與特征值作比較，若是二者的灰度差值落在設(shè)定的差值范圍內(nèi)(0，0.2)(double類型數(shù)據(jù))，則將該像素點(diǎn)合并，同時(shí)置1，否則置0，最終實(shí)現(xiàn)玻璃黑邊區(qū)域的分割，剔除背景。

2.2.2 區(qū)域生長分割算法的優(yōu)化

(1)生長點(diǎn)的自動(dòng)獲取

傳統(tǒng)的區(qū)域生長分割種子點(diǎn)是無法自動(dòng)獲取，只能通過鼠標(biāo)點(diǎn)擊獲取，為了使傳統(tǒng)的區(qū)域生長分割算法能夠用于劃痕的自動(dòng)檢測，設(shè)計(jì)了種子點(diǎn)自動(dòng)獲取的算法。通過分析玻璃黑邊區(qū)域劃痕圖像中滿足條件的生長點(diǎn)的特征，發(fā)現(xiàn)生長點(diǎn)的灰度值均落在40～70。根據(jù)生長點(diǎn)的灰度值特征，設(shè)定自動(dòng)獲取生長點(diǎn)的方法是從圖像的原點(diǎn)開始遍歷尋找生長點(diǎn)，當(dāng)有像素點(diǎn)的灰度值落在40～70，且其8鄰域的像素點(diǎn)也滿足該條件時(shí)停止遍歷，并將該像素點(diǎn)作為生長初始點(diǎn)。

(2)雙閾值分割

在黑邊區(qū)域的提取過程中發(fā)現(xiàn)采用單一閾值的分割方法難以有效地將目標(biāo)區(qū)域從背景中分離出來。若是閾值設(shè)置過低，會出現(xiàn)過分割的現(xiàn)象。過分割對于較細(xì)小的區(qū)域會有更好的表現(xiàn)，但是會導(dǎo)致邊輪廓信息的丟失。若是閾值設(shè)置過高，會出現(xiàn)欠分割的現(xiàn)象，欠分割能夠有很好的輪廓效果，但較細(xì)小的區(qū)域信息會丟失。為了保留更多的圖像信息，采用雙閾值切割，即通過設(shè)置高低兩個(gè)閾值同時(shí)進(jìn)行圖像分割，通過大量的實(shí)驗(yàn)，最終確定低閾值設(shè)置為0.17，高閾值設(shè)置為0.35能夠獲得較為理想的效果。最后再將不同閾值切割后的圖像信息疊加在一起作為最終的結(jié)果，以便得到保留更為完整的玻璃劃痕信息，分割結(jié)果如圖4所示。

圖4 黑邊區(qū)域分割效果圖Fig.4 Frit band segmentatin effect

2.3 劃痕的檢測與標(biāo)記

劃痕的檢測需要先通過形態(tài)學(xué)算法對劃痕進(jìn)行處理，去除邊界、灰塵干擾等無關(guān)信息。接著進(jìn)行斷裂劃痕的重新連接，最后再通過獲取連通域的方法將檢測出來的劃痕進(jìn)行標(biāo)記。

2.3.1 劃痕信息處理

(1)邊界信息的去除

利用區(qū)域生長分割算法提取出來的黑邊圖像不僅包含有劃痕信息，還包含了油墨區(qū)域的邊界信息，這些信息對后續(xù)的劃痕檢測容易造成干擾，因此需要將其去除。采用掩膜算法即通過掩版對分割圖像的掩蓋實(shí)現(xiàn)邊界信息的去除。為了避免掩膜算法對實(shí)時(shí)性產(chǎn)生較大的影響，掩板制作只在生產(chǎn)伊始才進(jìn)行。雙閾值分割后所獲得的圖像分別利用掩膜算法處理后，再將兩張圖像所保留的信息進(jìn)行疊加，只剩下劃痕信息和灰塵信息。

(2)灰塵信息的去除

由于劃痕檢測處于工業(yè)現(xiàn)場，即使經(jīng)過清洗的玻璃也難免會沾上粉塵，因此在進(jìn)行劃痕檢測之前需要剔除這一方面的干擾。由于劃痕與灰塵在圖像中的表現(xiàn)形式都是連通域，但灰塵通常比劃痕更為細(xì)小，因此可以通過去除較小連通域的方法去除灰塵干擾。經(jīng)過實(shí)驗(yàn)選擇連通域面積閾值為8，去除小面積區(qū)域后剩下的信息就是要檢測的劃痕信息了。

(3) 斷裂劃痕的連接

由于干擾點(diǎn)的影響，利用區(qū)域生長分割算法可能會導(dǎo)致劃痕出現(xiàn)斷裂[10-11]，如圖4所示。實(shí)際玻璃中的劃痕一般都距離較遠(yuǎn)，因此有理由認(rèn)為分割后所獲得的劃痕圖像中距離較近的劃痕區(qū)域應(yīng)該屬于同一劃痕。為了得到保留較好的劃痕圖像信息，方便后續(xù)劃痕的標(biāo)記，通過數(shù)學(xué)形態(tài)學(xué)的膨脹與細(xì)化來重新連接距離較近的劃痕，連接后的效果如圖5所示。

(a) 連接前

(b)連接后圖5 劃痕的連接Fig.5 Connection of scratches

2.3.2 劃痕的標(biāo)記

通過上述處理后能獲得劃痕信息，為了便于復(fù)檢人員能夠快速地確定劃痕所在的區(qū)域，還需要將檢測到的劃痕信息在原圖像中進(jìn)行標(biāo)記。由于劃痕表現(xiàn)形式為連通域，因此可以通過8領(lǐng)域連通區(qū)域標(biāo)記算法直接獲取劃痕區(qū)域，并計(jì)算該區(qū)域的最小外接矩形，同時(shí)用紅色將這個(gè)外接矩形顯示在原圖像的相應(yīng)區(qū)域，實(shí)現(xiàn)劃痕信息的標(biāo)記，標(biāo)記結(jié)果如圖6所示。

圖6 劃痕標(biāo)記Fig.6 Scratch marks

3 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證該算法的實(shí)際檢測準(zhǔn)確率，進(jìn)行了多個(gè)型號汽車角窗玻璃的多組測試，圖7為其中2種型號玻璃的檢測效果圖。從圖7可以看出本算法對于不同型號的玻璃都適用，效果良好。

圖7 不同型號玻璃的檢測效果Fig.7 Detection effect of different types of quarter glass

另外，隨機(jī)抽取10種不同型號的玻璃，每種型號的玻璃取10片，其中包含合格品和非合格品。對每一種型號的10片玻璃分別進(jìn)行了10次檢測，最終的測試數(shù)據(jù)統(tǒng)計(jì)結(jié)果見表1所示。檢測準(zhǔn)確率指的是能夠準(zhǔn)確識別合格品和非合格品的數(shù)量占總數(shù)的比值。而劃痕標(biāo)記準(zhǔn)確率指的是能夠標(biāo)記出全部劃痕的玻璃數(shù)量與實(shí)際非合格品數(shù)量的比值。

從表1的數(shù)據(jù)可以看出，在所測試的10種型號汽車角窗玻璃中，檢測準(zhǔn)確率平均值為99%，劃痕標(biāo)記準(zhǔn)確率的平均值為97%。有3種型號的玻璃(65620T 1.8C，6569AT 4.0C，6569BT 2.1G)存在漏檢的情況，另外7種能夠完全準(zhǔn)確地區(qū)分出合格品和非合格品。經(jīng)過檢查分析，發(fā)現(xiàn)是由于圖像采集過程中相機(jī)與光源的角度差別，導(dǎo)致玻璃上某個(gè)角度下的劃痕不能夠被采集到，因此出現(xiàn)漏檢的現(xiàn)象。從劃痕標(biāo)記的準(zhǔn)確率可以看出，部分被檢測為不合格的玻璃，其中的劃痕并沒有全部被標(biāo)記出來。出現(xiàn)該問題的原因有兩個(gè)，一個(gè)也是由于輔助光源問題導(dǎo)致采集到的玻璃劃痕圖像中沒有出現(xiàn)該劃痕信息，另一個(gè)原因是劃痕過于細(xì)微，在濾波處理時(shí)被清除了。因此后續(xù)可以調(diào)整圖像采集裝置的光源的分布，采取多光源分角度分時(shí)曝光的方式采集圖像，然后將所有采集到的圖像疊加生成待檢測的圖像，以確保能夠采集到全部的劃痕信息。另一方面是進(jìn)一步優(yōu)化濾波算法，以保留圖像劃痕更多的細(xì)節(jié)。

表1 汽車角窗玻璃劃痕檢測結(jié)果

4 結(jié)論

本文提出了一種汽車玻璃黑邊區(qū)域劃痕視覺檢測的方法。通過CCD相機(jī)在線采集圖像，經(jīng)過濾波、銳化等預(yù)處理消除噪聲，凸顯劃痕；然后運(yùn)用形態(tài)學(xué)方法進(jìn)行分割和劃痕形態(tài)處理，最后用8領(lǐng)域法標(biāo)記劃痕。該方法能夠充分保留劃痕細(xì)節(jié)，檢測速度快，滿足在線檢測的要求，經(jīng)測試檢驗(yàn)，該方法不僅適用于不同型號的玻璃黑邊劃痕檢測，而且區(qū)分合格品和非合格品的準(zhǔn)確率達(dá)99%，劃痕標(biāo)記的準(zhǔn)確率為97%，有助于提高汽車玻璃的生產(chǎn)效率，有效避免了人工檢測對汽車玻璃造成二次傷害。