周鼎賀，宋志峰，林富生，余聯(lián)慶，史正倩，程澤

（武漢紡織大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，湖北省數(shù)字化紡織裝備重點(diǎn)實(shí)驗(yàn)室，三維紡織湖北省工程研究中心，湖北 武漢 430200）

隨著汽車行業(yè)不斷發(fā)展，汽車零件涂裝工藝及質(zhì)量受到越來越多的關(guān)注。工藝水平以及現(xiàn)場(chǎng)生產(chǎn)環(huán)境的不確定性等因素會(huì)造成涂層表面產(chǎn)生不同程度的缺陷，尤其是在涂裝零件表面的孔洞邊緣處，經(jīng)常會(huì)由于表面形狀發(fā)生變化或孔洞周圍存在油污，造成如圖1所示的破損、漏膜等情況，對(duì)零件的使用壽命造成影響。針對(duì)這一情況，人們對(duì)孔洞邊緣的缺陷檢測(cè)進(jìn)行了一些探索。王愛芳等[1]基于自適應(yīng)生長區(qū)算法對(duì)圖像進(jìn)行分割，判斷孔洞邊緣是否存在缺陷，提取準(zhǔn)確率為75.16%，但該算法速度較慢。王雪梅[2]利用神經(jīng)網(wǎng)絡(luò)對(duì)孔洞周圍的涂裝缺陷進(jìn)行分類檢測(cè)，對(duì)缺陷進(jìn)行了合理分類，但提取準(zhǔn)確率并未提高。駱亞微[3]通過圖像分割，改善了分水嶺算法和Canny算子不連續(xù)的情況，進(jìn)一步提高了識(shí)別準(zhǔn)確率，但花費(fèi)時(shí)間較長，不利于工業(yè)上的快速檢測(cè)。

圖1 涂裝缺陷Figure 1 Coating defects

本文在現(xiàn)有工作基礎(chǔ)上提出了一種新的檢測(cè)方法，在保證檢測(cè)精度的前提下，進(jìn)一步減少檢測(cè)所需時(shí)間，提高檢測(cè)效率。首先采取不同的光照方式與光源進(jìn)行實(shí)驗(yàn)，得到合適的圖像采集方案；然后通過對(duì)比不同的孔洞定位擬合方法對(duì)孔洞進(jìn)行快速定位及擬合縮短檢測(cè)時(shí)間；再使用快速傅里葉變換，在頻域內(nèi)構(gòu)建高通濾波器進(jìn)行濾波與卷積，利用傅里葉逆變換轉(zhuǎn)回空間域從而消除噪聲，保留缺陷特征；最后使用閾值分割與特征提取，提取出缺陷區(qū)域。

1 檢測(cè)平臺(tái)的搭建

基于機(jī)器視覺的涂裝缺陷檢測(cè)主要包括涂裝圖像的采集和處理兩部分。

1.1 涂裝圖像的采集

圖像采集系統(tǒng)一般由工業(yè)CCD相機(jī)、圖像采集卡、照射光源、輸入輸出設(shè)備等組成[4]，采用側(cè)向照明，其總體結(jié)構(gòu)如圖2所示。

圖2 涂層缺陷檢測(cè)系統(tǒng)Figure 2 System for detecting defects of coatings

1.2 光源實(shí)驗(yàn)

在工業(yè)圖像采集的過程中常用的光源類型有鎢絲燈、鹵素?zé)?、熒光燈、鎂氖燈和LED光源燈[5]，其中LED光源具有較快的響應(yīng)速度和較高的可靠性，因此以其作為試驗(yàn)光源。

為了更好地捕捉黑色涂裝零件表面的缺陷，增強(qiáng)對(duì)比度，選取冷白色溫6 500 ~ 7 500 K的LED白色光源，并且通過使用光源控制器來尋找合適的光源亮度。通過不同的光源配合側(cè)向的打光方式可滿足盡量減少表面反光的要求。針對(duì)同一涂裝零件表面成像效果的分析見表1。

表1 不同形狀的LED光源的成像效果Table 1 Imaging effects of different types of LED light sources

為了進(jìn)一步觀察不同光源對(duì)圖像采集時(shí)的影響，截取40組圓環(huán)周圍100像素 × 100像素的樣本計(jì)算光照有效性。其過程如下：

(1) 按式(1)計(jì)算該區(qū)域內(nèi)3個(gè)顏色分量的平均值Igray(i,j)。

式中(i,j)為某點(diǎn)像素的坐標(biāo)，R(i,j)、G(i,j)和B(i,j)分別為紅色分量、綠色分量和藍(lán)色分量。通過Halcon軟件內(nèi)的get_gray_val算子獲得目標(biāo)區(qū)域的灰度值，并通過decompose算子實(shí)現(xiàn)R、G、B三通道分離，從而得出目標(biāo)區(qū)域內(nèi)的各顏色分量數(shù)值。

(2) 按式(2)計(jì)算光照有效性η。

式中σ iσ j為像素點(diǎn)個(gè)數(shù)。如圖3所示，4種光源下的光照有效率均大于0.2。環(huán)形光源的光照有效率分布在0.55附近，不同區(qū)域的波動(dòng)幅度較大，對(duì)于圖像特征的采集可能會(huì)出現(xiàn)缺漏。條形光源在主要照射區(qū)域的光照有效率較高，在0.6附近，但對(duì)于附近區(qū)域的采集性較差，只有0.25。平面光源的光照有效性較高，在0.65附近，且對(duì)圖像區(qū)域的采集比較平均。同軸光源雖然對(duì)各個(gè)區(qū)域的采集性較好，但有效率只有0.2，整體偏低。為了獲得更好的圖像采集效果，選取平面光源作為主光源進(jìn)行圖像采集。

1.3 圓環(huán)的擬合及定位

為了檢測(cè)零件表面各圓孔周圍是否存在缺陷，首先要對(duì)零件表面的圓孔進(jìn)行識(shí)別定位，在識(shí)別到圓孔之后，再對(duì)周圍區(qū)域進(jìn)行缺陷檢測(cè)，進(jìn)一步縮小檢測(cè)區(qū)域以縮短檢測(cè)時(shí)間。其次，經(jīng)過邊緣提取和雙閾值輪廓尋找，可以初步尋找到零件表面圓孔的大致輪廓與離散的空間點(diǎn)；最后為了更好地尋找圓輪廓，利用迭代加權(quán)最小二乘法將空間上離散的點(diǎn)與殘缺的圓輪廓進(jìn)行擬合。

1.3.1 亞像素邊緣提取

對(duì)圖像進(jìn)行邊緣提取，從而得到物體表面各個(gè)位置的輪廓，為后續(xù)對(duì)圓環(huán)的定位以及圓環(huán)周圍缺陷的檢測(cè)奠定基礎(chǔ)?；赟obel算子與Canny算子的邊緣提取能夠較為準(zhǔn)確地提取出圖像待檢邊緣及骨架，其具體過程如下：

設(shè)其一階水平、豎直的2 × 2卷積模板為Tx、Ty為：

利用矩陣對(duì)圖像像素點(diǎn)進(jìn)行卷積：x

Γ、yΓ為該像素點(diǎn)水平與豎直方向的梯度，其幅值Γ(x,y)與方向α分別為：

Sobel算子對(duì)計(jì)算出的水平梯度與豎直梯度進(jìn)行加權(quán)疊加，計(jì)算出整體方向的梯度；而Canny算子在計(jì)算規(guī)定方向的梯度基礎(chǔ)之上，對(duì)其他的梯度方向進(jìn)行非最大抑制，保證了單一邊緣響應(yīng)的良好性，可以更好地提取圖像邊緣細(xì)節(jié)。

經(jīng)過亞像素邊緣Sobel算子與Canny算子提取后，圖像邊緣如圖4所示，可見Canny算子對(duì)此涂裝零件的邊緣提取有較好的適應(yīng)性，因此最終選擇了Canny算子進(jìn)行邊緣提取。

圖4 Canny算子(a)和Sobel算子(b)邊緣提取Figure 4 Edges extracted by Canny arithmetic (a) and Sobel arithmetic (b)

1.3.2 迭代擬合

由于圓環(huán)輪廓附近無關(guān)影響點(diǎn)較多，在進(jìn)行擬合時(shí)影響較大，對(duì)每個(gè)像素點(diǎn)引入權(quán)重函數(shù)?()δ，弱化遠(yuǎn)距離點(diǎn)對(duì)圓環(huán)輪廓擬合的影響。而權(quán)重函數(shù)?()δ的計(jì)算需要在得到擬合圖形的方程上進(jìn)行，因此需要利用多次迭代擬合后進(jìn)行距離的計(jì)算來定義權(quán)重函數(shù)，這些權(quán)重用于后續(xù)的迭代過程。

首先利用最小二乘方程m(f)對(duì)二維平面的離散點(diǎn)集Δ(x,y)進(jìn)行n階擬合。其結(jié)果如圖5所示，由圖可知擬合的階數(shù)越大，處于擬合曲線上的離散點(diǎn)越多，但曲線越曲折，不利于后續(xù)圓的擬合，因此在保證一定數(shù)量的離散點(diǎn)處在擬合曲線之上后，應(yīng)盡量降低擬合的階數(shù)，經(jīng)實(shí)驗(yàn)選取n= 3。

圖5 n階擬合曲線Figure 5 n-order fitting curves

1.3.3 加權(quán)擬合

利用Huber權(quán)重函數(shù)?1()δ和Tukey權(quán)重函數(shù)?2()δ對(duì)空間離散點(diǎn)集?(x,y)進(jìn)行圓的擬合實(shí)驗(yàn)，其結(jié)果如圖6所示。該擬合的有效性見圖7。

圖6 Huber函數(shù)(a)和Tukey函數(shù)(b)擬合試驗(yàn)Figure 6 Fitting experiments of Huber function (a) and Tukey function (b)

圖7 Huber函數(shù)與Tukey函數(shù)擬合的有效性Figure 7 Fitting effectiveness of Huber function and Tukey function

由于擬合圓輪廓的大部分輪廓已經(jīng)得到，因此采用Huber權(quán)重函數(shù)對(duì)該圓環(huán)提取模型的適應(yīng)性較好，提取結(jié)果如圖8所示。

圖8 Huber函數(shù)擬合圓Figure 8 Circle fitted based on Huber function

1.3.4 分割感興趣區(qū)域(ROI，region of interest)

為了進(jìn)一步減少無關(guān)區(qū)域?qū)θ毕輽z測(cè)的影響，以已定位擬合的圓環(huán)為內(nèi)圓向外擴(kuò)大，形成如圖9所示的同心圓環(huán)ROI區(qū)域，從而減少檢測(cè)區(qū)域，縮短檢測(cè)時(shí)間。

圖9 ROI區(qū)域分割Figure 9 Segmentation of ROI region

1.4 圖像預(yù)處理

由于實(shí)際生產(chǎn)環(huán)境的復(fù)雜性，即使設(shè)計(jì)應(yīng)用了相應(yīng)的光學(xué)系統(tǒng)來減少孔洞周圍的反光，但噪聲的出現(xiàn)仍不可避免[6]，在保留特征而不損失細(xì)節(jié)信息的前提下，在頻域內(nèi)使用非線性濾波器對(duì)原始圖像進(jìn)行光照平衡處理，進(jìn)一步減小反光對(duì)缺陷檢測(cè)的影響。

1.4.1 使用非線性帶阻濾波器去噪

首先通過傅里葉變換將數(shù)字圖像信號(hào)轉(zhuǎn)入頻域：

其中f(x,y)為圖像矩陣，x、y為圖像的行列坐標(biāo)，F(xiàn)(u,v)為f(x,y)的頻譜。

同一光照下，圖像信號(hào)s(x,y)由入射光k(x,y)和反射光l(x,y)兩部分組成[7]，通過傅里葉變換將圖像信號(hào)傳入頻域：

圖像經(jīng)過傅里葉變換后，頻域特性也是由入射光k(x,y)和反射光l(x,y)決定，其中l(wèi)(x,y)主要體現(xiàn)缺陷的具體位置[8]。

其次，在頻域內(nèi)構(gòu)建濾波器并進(jìn)行卷積積分：

G(u,v)為經(jīng)過傅里葉變換后頻域中的卷積函數(shù)，其中傳遞函數(shù)如式(11)所示。

其中E0為終止頻率，當(dāng)u0=v0=0時(shí)E0=E。通過改變傳遞函數(shù)使高頻通過、低頻消除，在不損壞圖像缺陷邊緣的前提下去除影響噪聲：

其中l(wèi)h擴(kuò)大高頻部分所乘系數(shù)，ll為降低低頻部分所乘系數(shù)，λ為銳化系數(shù)。由于最終的濾波器要使得高頻通過、低頻阻隔，因此需要lh>1、ll<1才能達(dá)到減弱孔洞周圍亮度的目的。利用MATLAB對(duì)不同終止頻率下的非線性帶阻濾波器進(jìn)行構(gòu)建，如圖10所示。

圖10 不同終止頻率下的帶阻濾波器Figure 10 Band stop filters at different cut-off frequencies

最后將處理后的頻域信號(hào)反傅里葉變換轉(zhuǎn)回時(shí)域：

經(jīng)過不同終止頻率濾波器處理后的涂裝零件表面如圖11所示。對(duì)比4種終止頻率濾波器對(duì)圖像處理的結(jié)果可以發(fā)現(xiàn)E0= 10時(shí)最大程度地保留了缺陷細(xì)節(jié)，并減少了光照影響，因此最終選取E0= 10。

圖11 不同終止頻率下的濾波處理孔洞表面圖像Figure 11 Images of hole surface filtered under different cut-off frequencies

1.5 圖像分割

1.5.1 閾值分割

對(duì)預(yù)處理之后的圖像進(jìn)行閾值分割可以有效地將缺陷區(qū)域與背景分割開[9]。首先利用Halcon軟件自帶的Image助手觀察圖12所示的灰度分度直方圖，發(fā)現(xiàn)存在分離明顯的波峰圖，因此采用binary_threshold算子，由Halcon計(jì)算出合適的閾值進(jìn)行閾值分割；然后對(duì)閾值分割后的圖像進(jìn)行如圖13所示的形態(tài)學(xué)處理；最后進(jìn)行邊緣提取，擬合相鄰XLD曲線，便于后續(xù)特征提取。

圖12 灰度直方圖Figure 12 Gray histogram

圖13 閾值分割與形態(tài)學(xué)處理Figure 13 Threshold segmentation and morphological processing

1.5.2 缺陷提取

由于缺陷出現(xiàn)的區(qū)域以及缺陷的長、寬、灰度等特征均具有隨機(jī)性，因此選取面積作為缺陷特征提取的要素，使用select算子對(duì)area參數(shù)為50 ~ 9 999內(nèi)的缺陷特征進(jìn)行提取，提取結(jié)果如圖14所示。

圖14 不同零件的缺陷提取Figure 14 Defect extraction of different parts

2 結(jié)果與討論

2.1 檢測(cè)精度分析

為了進(jìn)一步對(duì)該算法的檢測(cè)精度、穩(wěn)定性與可靠性進(jìn)行驗(yàn)證，利用相機(jī)對(duì)零件進(jìn)行隨機(jī)抽樣采集，按照上述方法對(duì)采集到的圖片進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)樣本為100組，從1到100進(jìn)行編號(hào)。為了檢驗(yàn)算法的正確性，1?10號(hào)全部為不合格產(chǎn)品，11?20號(hào)全部為合格產(chǎn)品，21?100號(hào)中包括合格產(chǎn)品與不合格產(chǎn)品各40件。1?10號(hào)以及11?20號(hào)樣品的檢測(cè)結(jié)果均正確，21?100號(hào)試驗(yàn)樣品的檢測(cè)結(jié)果與檢測(cè)用時(shí)見表2。

表2 隨機(jī)樣本的檢測(cè)結(jié)果Table 2 Detection result of random samples

2.2 可靠性與穩(wěn)定性分析

在實(shí)際生產(chǎn)環(huán)境中，燈光等因素可能會(huì)對(duì)檢測(cè)過程產(chǎn)生影響。為了檢測(cè)該算法的穩(wěn)定性與可靠性，在略微不同的環(huán)境下對(duì)1?10號(hào)試驗(yàn)樣品和11?20號(hào)實(shí)驗(yàn)樣品進(jìn)行50次重復(fù)性實(shí)驗(yàn)。從表3和表4可見，該算法對(duì)不同環(huán)境的適應(yīng)性較好，不合格產(chǎn)品的檢測(cè)成功率平均達(dá)到99.4%，合格產(chǎn)品的檢測(cè)成功率平均達(dá)到99.6%。檢測(cè)用時(shí)如圖15所示，單幅圖像的缺陷檢測(cè)平均用時(shí)為320 ms，單個(gè)零件檢測(cè)平均用時(shí)為3.6 s，檢測(cè)效率與傳統(tǒng)人工檢測(cè)相比提高了40%，滿足工業(yè)生產(chǎn)需求。

圖15 檢測(cè)用時(shí)統(tǒng)計(jì)Figure 15 Statistics of testing time

表3 不合格產(chǎn)品的檢測(cè)穩(wěn)定性Table 3 Stability of test results for unqualified product

表4 合格產(chǎn)品的檢測(cè)穩(wěn)定性Table 4 Stability of test results for qualified products

3 結(jié)論

傳統(tǒng)人工檢測(cè)汽車涂裝零件缺陷存在效率和檢測(cè)精度較低、人工成本較高等問題。為了檢測(cè)汽車零件表面孔洞邊緣的涂裝缺陷，改進(jìn)了基于機(jī)器視覺的涂裝缺陷檢測(cè)方法，并對(duì)實(shí)際生產(chǎn)中的涂裝零件缺陷進(jìn)行了檢測(cè)與分析。

使用平面光源、CCD(電荷耦合器件)相機(jī)、數(shù)據(jù)采集卡和上位機(jī)搭建起圖像采集系統(tǒng)，實(shí)現(xiàn)了涂裝零件圖片的采集。采用Blob(連通域)分析、閾值分割等方法，實(shí)現(xiàn)了對(duì)涂裝缺陷的檢測(cè)。另外，搭建了一種非線性濾波器來減小光照對(duì)圖像處理的影響。利用Huber迭代加權(quán)的圓擬合方式實(shí)現(xiàn)了基于Canny算子的空間圓環(huán)的擬合定位，擬合有效性達(dá)到80%。

經(jīng)驗(yàn)證，設(shè)計(jì)的算法具有較高的檢測(cè)準(zhǔn)確率，單幅圖像的缺陷檢測(cè)用時(shí)較短，滿足工業(yè)生產(chǎn)的需求。