林磊，臧鐵鋼

(南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016)

0 引言

隨著我國(guó)近視人口不斷增加，眼鏡產(chǎn)業(yè)有著良好的市場(chǎng)前景。我國(guó)鏡片制造行業(yè)的生產(chǎn)自動(dòng)化水平已有一定提高，但是鏡片的質(zhì)量檢驗(yàn)仍停留在人工檢驗(yàn)階段[1]。人工檢驗(yàn)采用目視法檢測(cè)鏡片，其最大問(wèn)題在于產(chǎn)品的判別標(biāo)準(zhǔn)完全取決于檢驗(yàn)人員的經(jīng)驗(yàn)和水平，受人為因素和個(gè)體差異的影響，誤檢率相對(duì)較高。此外，人工檢驗(yàn)還存在人力成本高，檢測(cè)效率低，人眼易疲勞等問(wèn)題。因此，樹脂鏡片的自動(dòng)化檢測(cè)已成為眼鏡片制造行業(yè)技術(shù)發(fā)展的瓶頸。

國(guó)外在20世紀(jì)末已開始研究基于機(jī)器視覺(jué)的光學(xué)元件缺陷檢測(cè)方法，國(guó)內(nèi)對(duì)樹脂鏡片的表面疵病檢測(cè)也有一些研究。文獻(xiàn)[2]基于顯微散射暗場(chǎng)成像，對(duì)不同大小和形狀的球面鏡片缺陷進(jìn)行了檢測(cè)研究；文獻(xiàn)[3]采用暗場(chǎng)散射成像法采集光學(xué)元件表面疵病的圖像，設(shè)計(jì)了基于圖像處理的表面元件檢測(cè)系統(tǒng)；文獻(xiàn)[4]利用光刻投影原理設(shè)計(jì)了一套基于亮場(chǎng)照明的顯微成像表面疵病檢測(cè)系統(tǒng)；文獻(xiàn)[5]對(duì)鏡片中存在的疵病提取特征，研究了基于直線擬合和圓度判斷的分類方法；文獻(xiàn)[6]運(yùn)用改進(jìn)型歸一法對(duì)疵病目標(biāo)進(jìn)行自動(dòng)計(jì)數(shù)，為自動(dòng)化分級(jí)系統(tǒng)的計(jì)數(shù)模塊提供了數(shù)據(jù)支持；文獻(xiàn)[7]基于機(jī)器視覺(jué)和Halcon圖像處理軟件完成了對(duì)鏡片圖像的采集和檢測(cè)軟件設(shè)計(jì)。但是鏡片疵病檢測(cè)研究應(yīng)用到工業(yè)實(shí)際還存在檢測(cè)效率不高、準(zhǔn)確率不達(dá)標(biāo)的問(wèn)題。其原因是鏡片中疵病明暗不一、形態(tài)大小不同，高質(zhì)量圖片的處理效率低。因而本文在基于邊緣算子的劃痕檢測(cè)[8]研究基礎(chǔ)上，主要研究如何提高鏡片檢測(cè)的圖像處理效率和識(shí)別疵病邊界的準(zhǔn)確性。

常見光學(xué)鏡片的表面疵病包括點(diǎn)雜質(zhì)、劃痕、毛絮、氣泡、凹坑和破邊[9]。本文在Canny邊緣檢測(cè)算法的基礎(chǔ)上，優(yōu)化機(jī)器視覺(jué)檢測(cè)算法，采用局部窗口最佳閾值法提取疵病邊緣，對(duì)不同明暗和形態(tài)的目標(biāo)疵病實(shí)現(xiàn)準(zhǔn)確分割。

1 機(jī)器視覺(jué)檢測(cè)系統(tǒng)設(shè)計(jì)

鏡片疵病視覺(jué)檢測(cè)總體方案分為硬件圖像采集模塊和軟件算法模塊，如圖1所示。

圖1 疵病檢測(cè)方案設(shè)計(jì)

硬件裝置指圖像采集系統(tǒng)，包括樹脂鏡片的照明系統(tǒng)、成像系統(tǒng)和輔助裝置，采集鏡片圖像，進(jìn)行圖像處理；軟件系統(tǒng)以圖像處理算法為核心，包含了圖像預(yù)處理、疵病邊緣檢測(cè)算法等。

本文研究對(duì)象為直徑75 mm的常用樹脂鏡片，基于暗場(chǎng)成像原理，采用環(huán)形光源0°角照射鏡片邊緣，如圖2所示。入射光線因疵病發(fā)生散射被成像系統(tǒng)接收，獲得暗背景下的明亮疵病圖像。

圖2 暗場(chǎng)成像

2 表面疵病邊緣檢測(cè)算法研究

鏡片圖像如圖3所示，呈現(xiàn)黑暗的背景和明亮的疵病。對(duì)圖像提取圓形待檢測(cè)區(qū)域，選擇濾波器進(jìn)行混合濾波處理；提出一種基于局部窗口最佳閾值的改進(jìn)Canny邊緣檢測(cè)算法，準(zhǔn)確分離疵病邊界。

圖3 鏡片圖像

2.1 感興趣區(qū)域的選取

感興趣區(qū)域(region of interest, ROI)是圖像處理中選擇的一個(gè)圖像區(qū)域，這個(gè)區(qū)域是圖像處理和分析關(guān)注的重點(diǎn)。鏡片邊緣因粗糙不平發(fā)生光的散射，其在圖像中呈現(xiàn)一圈明顯的亮圈，利用霍夫(Hough)圓變換檢測(cè)鏡片輪廓，提取感興趣區(qū)域。本文依據(jù)隨機(jī)Hough變換算法[10]，設(shè)計(jì)一種改進(jìn)的快速Hough圓檢測(cè)算法。具體思路如下：

1) 對(duì)每個(gè)像素行掃描，若該像素值大于灰度閾值T0，則存入圓邊界點(diǎn)存儲(chǔ)隊(duì)列D。

2) 從D中隨機(jī)取3個(gè)邊界點(diǎn)，計(jì)算該邊界點(diǎn)的候選圓心和半徑，對(duì)圓心進(jìn)行投票。

3) 對(duì)D中剩下點(diǎn)集重復(fù)2)過(guò)程，得到所有邊界點(diǎn)計(jì)算的候選圓心。

4) 根據(jù)候選圓心投票結(jié)果的能量圖，對(duì)同一連通區(qū)域的候選圓心區(qū)域進(jìn)行非極大值抑制，得到最有可能圓心位置。若該圓心投票結(jié)果大于閾值Tc時(shí), 認(rèn)為該圓為真圓，否則舍棄。

Tc=kcπRc

(1)

式中：Rc為候選圓半徑；kc為真圓判別系數(shù)。

圖像中的亮點(diǎn)多為圓邊界，采用灰度閾值比較，將邊界點(diǎn)存入隊(duì)列D中，如圖4所示，間隔選取D中3個(gè)邊界點(diǎn)，圓上非共線的3點(diǎn)計(jì)算圓心，如圖5所示。每3個(gè)邊界點(diǎn)確定1個(gè)候選圓參數(shù)，對(duì)所有邊界點(diǎn)計(jì)算候選圓參數(shù)，并對(duì)候選圓心作證據(jù)積累。

圖4 邊界點(diǎn)存取形式

圖5 計(jì)算候選圓心

由于鏡片圖像中圓的數(shù)量單一，整體圖形簡(jiǎn)單，可以在候選圓參數(shù)投票過(guò)程中忽略候選圓半徑，只對(duì)候選圓心作證據(jù)積累，得到投票能量圖。投票最高處即可能性最大的圓心位置，計(jì)算其投票閾值Tc。若投票數(shù)大于閾值則為真圓。為了便于展示，將投票結(jié)果歸一化到[0,255]區(qū)間，對(duì)應(yīng)的候選圓心投票能量圖局部放大結(jié)果如圖6所示。

圖6 候選圓心投票能量局部圖

2.2 混合濾波處理

當(dāng)圖像中混合有不同類型的噪聲時(shí)，單一的濾波器無(wú)法達(dá)到同時(shí)降噪的要求[11]。鏡片圖像中存在混合噪聲，采用改進(jìn)的帶噪聲選擇的混合濾波方法，如圖7所示，對(duì)圖像中的脈沖噪聲和高斯噪聲進(jìn)行選擇性濾波。

圖7 混合濾波

對(duì)輸入原圖像進(jìn)行脈沖噪聲檢測(cè)，脈沖噪聲判別準(zhǔn)則為

(2)

式中count[N(x,y)]為鄰域像素個(gè)數(shù)。

設(shè)計(jì)兩個(gè)閾值：Tυ用作判斷鄰域間像素灰度值的差別是否足夠大，Tn用作判斷灰度值差別大的像素?cái)?shù)量是否足夠多。

脈沖噪聲檢測(cè)判別采用5×5的檢測(cè)窗口，若窗口中央的像素值滿足式(2)，認(rèn)為該像素點(diǎn)為脈沖噪聲，對(duì)該窗口進(jìn)行快速中值濾波處理。傳統(tǒng)的中值濾波是取5×5窗口內(nèi)所有的像素值進(jìn)行中值排序。為了提高此處中值濾波的效率，采用如圖8所示的模板進(jìn)行快速中值濾波，取模板內(nèi)9個(gè)像素值排序后的中間值替代原像素值。

圖8 快速中值濾波模板

對(duì)于非脈沖噪聲的像素值，采用雙邊濾波消除高斯噪聲的干擾，然后將兩個(gè)結(jié)果合并得到去噪輸出圖。

2.3 局部窗口選取最佳閾值

Canny邊緣檢測(cè)算法是JOHN Canny于1986年提出的邊緣檢測(cè)算法[12]。其應(yīng)用廣泛，在邊緣精確定位和抗噪兩方面平衡得很好，同時(shí)存在一些不足。在濾波處理中使用高斯函數(shù)進(jìn)行平滑，影響平滑標(biāo)準(zhǔn)差σ的選取與具體的圖像細(xì)節(jié)有關(guān)；閾值需要人為憑經(jīng)驗(yàn)設(shè)定；基于全局的閾值，難以對(duì)不同形態(tài)的目標(biāo)疵病進(jìn)行檢測(cè)，邊緣的分割不夠準(zhǔn)確等。本文基于Canny算法[13]提出一種改進(jìn)的局部窗口閾值邊緣檢測(cè)算法。

首先采用Sobel算子對(duì)去噪后圖像進(jìn)行邊緣檢測(cè)，對(duì)得到的梯度圖選取較小的初始閾值T0，對(duì)梯度圖進(jìn)行閾值分割，確定大致的目標(biāo)疵病的位置和數(shù)量。統(tǒng)計(jì)圖像中的目標(biāo)疵病并對(duì)每個(gè)目標(biāo)劃分局部矩形窗口。對(duì)于梯度圖中的每個(gè)局部矩形窗口進(jìn)行最大類間方差法自動(dòng)閾值分割，如圖9所示。然后對(duì)邊緣進(jìn)行非極大值抑制和邊界跟蹤，確定完整的目標(biāo)疵病邊緣。算法流程如圖10所示。

圖9 局部窗口選取最佳閾值

圖10 局部窗口閾值的Canny邊緣檢測(cè)

3 實(shí)驗(yàn)結(jié)果分析

本文采用的是某圖像公司的ALLied Vision系列的Manta G504工業(yè)數(shù)字相機(jī)，軟件處理采用VS2015和OpenCV圖像處理庫(kù)。

分別采用OpenCV庫(kù)中的霍夫梯度圓檢測(cè)法和本文中改進(jìn)的快速Hough圓檢測(cè)算法，對(duì)圖3所示的鏡片灰度處理后提取圓形感興趣區(qū)域，實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同圓檢測(cè)算法對(duì)比

從表1可以看出，本文算法與霍夫梯度法檢測(cè)的圓數(shù)值上十分接近，但是霍夫梯度圓檢測(cè)時(shí)間為1 239.67 ms，本文算法檢測(cè)圓的檢測(cè)時(shí)間為37.92 ms，對(duì)于單一的鏡片圖像圓檢測(cè)任務(wù)而言，采用本文算法效率更高。

圖11和圖12分別是Canny邊緣檢測(cè)算法和局部窗口閾值Canny邊緣檢測(cè)算法分割圖像，由于鏡片的表面疵病形態(tài)不一，散射明暗不同，Canny邊緣檢測(cè)算法提取的疵病邊緣不夠完整，本文算法對(duì)每個(gè)疵病局部窗口選取最佳分割閾值，能很好地實(shí)現(xiàn)疵病邊緣的精確提取。

圖11 Canny邊緣檢測(cè)結(jié)果

圖12 局部窗口閾值的Canny邊緣檢測(cè)結(jié)果

4 結(jié)語(yǔ)

本文針對(duì)樹脂鏡片表面疵病缺陷檢測(cè)中的效率和分割準(zhǔn)確性的問(wèn)題進(jìn)行了研究。設(shè)計(jì)了一種改進(jìn)的快速Hough圓檢測(cè)方法獲取鏡片圖像感興趣區(qū)域，選擇混合濾波消除脈沖噪聲和高斯噪聲。同時(shí)提出基于局部窗口閾值的改進(jìn)Canny邊緣檢測(cè)算法，對(duì)預(yù)處理后的疵病圖像劃分局部窗口，在局部窗口內(nèi)選擇最佳閾值以完成邊緣的精確提取，獲得的疵病邊界清晰準(zhǔn)確。本文在鏡片視覺(jué)檢測(cè)算法的效率和準(zhǔn)確性兩方面進(jìn)行了優(yōu)化，滿足鏡片疵病自動(dòng)化檢測(cè)的需求。