黃 連 劉曉軍 雷自力 顧 浩 劉云峰 狄超雄

(華中科技大學(xué)機(jī)械科學(xué)與工程學(xué)院 湖北武漢 430074)

橡膠圈具有緩沖、減震、密封等功能，是常用的機(jī)械零件。橡膠圈用途廣泛，隨著工業(yè)化不斷發(fā)展，對橡膠圈的質(zhì)量要求也越來越高。尤其在航空航天、機(jī)器人等領(lǐng)域，對橡膠圈不僅有質(zhì)量要求，還有數(shù)量要求，因此對于橡膠圈檢測技術(shù)提出了較高要求。目前國外橡膠圈檢測技術(shù)相對成熟，意大利、德國、美國等國家的橡膠圈缺陷檢測技術(shù)處于領(lǐng)先水平，如德國Balser Vario公司和意大利DOSS公司的設(shè)備不僅檢測范圍廣，如可以檢測O形環(huán)、油封等，且自動(dòng)化程度和檢測效率高。國內(nèi)的橡膠圈檢測技術(shù)研究起步晚，目前的檢測方法存在效率低、檢測范圍小等缺點(diǎn)。目前在橡膠圈生產(chǎn)廠家大多采用人工檢測方法，檢測效率低、成本高。

目前國內(nèi)外表面缺陷檢測算法可分為機(jī)器學(xué)習(xí)[1-3]和傳統(tǒng)圖像處理[4-6]兩個(gè)方向。機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)集，卷積層以及池化層的存在會(huì)導(dǎo)致表面缺陷信息丟失，且缺陷識(shí)別能力至少要5個(gè)像素以上。傳統(tǒng)圖像處理方法一般過程為圖像采集、圖像處理、缺陷提取、缺陷分類，但圓環(huán)形橡膠圈的表面很難實(shí)現(xiàn)均勻照明，且橡膠圈顏色較深，導(dǎo)致缺陷的對比度不明顯，缺陷提取困難，故一般的圖像處理方法在橡膠圈表面缺陷檢測時(shí)效果不明顯。國外有學(xué)者將結(jié)構(gòu)光用于橡膠圈檢測，通過獲取橡膠圈整體信息，從而找到缺陷位置，但是此方法最大的問題是檢測時(shí)間長，效率低。本文作者針對橡膠圈表面缺陷對比度不明顯，缺陷提取困難等問題，提出了一種新的高效的橡膠圈缺陷提取方法，并驗(yàn)證了方法的可行性。

1 橡膠圈缺陷檢測算法系統(tǒng)組成

文中提出有橡膠圈缺陷檢測算法系統(tǒng)構(gòu)成如圖1所示。

圖1 整體系統(tǒng)組成Fig 1 Overall system composition

該系統(tǒng)由4個(gè)部分構(gòu)成，包括圖像采集、圖像處理、缺陷提取、缺陷分析。圖像采集主要有光源、多個(gè)相機(jī)、鏡頭及計(jì)算機(jī)；圖像處理主要是將圓環(huán)形的橡膠圈圖像轉(zhuǎn)換為矩形圖像；缺陷提取部分主要是將橡膠圈缺陷提取出來；缺陷分析主要是獲取缺陷位置、缺陷大小、缺陷類別等。

1.1 檢測原理

圖像矩陣是特殊的數(shù)學(xué)矩陣，圖像的像素值可以看作矩陣值。正常的圖像里面的像素值是均勻的，若圖像中存在缺陷時(shí)，對應(yīng)的矩陣中的值會(huì)出現(xiàn)相對于周圍值的異常值。確定圖像矩陣的異常值后，可以對圖像進(jìn)行異常值的定位與提取。SVD奇異值分解算法，是機(jī)器學(xué)習(xí)中常用的特征提取算法，其主要目的是數(shù)據(jù)的降維、重構(gòu)原矩陣。文中主要利用SVD能重構(gòu)原矩陣的特性，在奇異值分解后，會(huì)得到一個(gè)對角矩陣，通過對角矩陣的某些元素對矩陣進(jìn)行反向的重構(gòu)，即可得到不同信息的重構(gòu)圖像。對角矩陣越靠后，代表的圖像信息就越高階，一般這類信息就是圖像中的缺陷信息。但是在實(shí)際工程應(yīng)用中，由于橡膠圈的圖像是彎曲的，因此奇異值分解時(shí)會(huì)導(dǎo)致邊緣的誤檢，因此需要對圖像進(jìn)行興趣區(qū)域的截取，提取出橡膠圈表面。

1.2 圖像采集

圖像采集系統(tǒng)對圖像質(zhì)量影響較大。光照對圖像成像質(zhì)量尤為重要，光照不均會(huì)導(dǎo)致缺陷位置誤判。文中采用同軸光照明，采用led白光照明方式，盡量使橡膠圈照明均勻，從而獲得質(zhì)量好的圖像。獲取的圖像質(zhì)量如圖2所示。

圖2 采集的橡膠圈局部圖像Fig 2 Acquired partial images of rubber ring

可見，采集圖像光照相對來說較為均勻，從圖2(a)可看出橡膠圈2個(gè)位置存在缺陷，從圖2(b)中可看出橡膠圈5個(gè)位置存在缺陷。

1.3 圖像處理

圖像處理主要分3個(gè)部分：橡膠圈邊緣粗提取，亞像素邊緣提取以及圓環(huán)區(qū)域映射到矩形區(qū)域。圖像處理主要目的在于提取出圖像中的前景，去除背景干擾，提取出缺陷目標(biāo)位置。

1.3.1 邊緣粗提取

橡膠圈邊緣粗提取首先要進(jìn)行自適應(yīng)中值濾波去除圖像中的噪聲點(diǎn)[7-8]，再使用改進(jìn)的Laplace邊緣增強(qiáng)算子進(jìn)行邊緣增強(qiáng)。Laplace邊緣增強(qiáng)算子為

該算子可以增強(qiáng)圖像邊緣信息，使邊緣提取更加容易。但是該算法受噪聲影響較大，故需要先進(jìn)行自適應(yīng)中值濾波去除噪聲點(diǎn)。

如圖3所示，Laplace邊緣增強(qiáng)算子增強(qiáng)后圖像的邊緣細(xì)節(jié)更加清晰，便于對圖像邊緣的提取，同時(shí)也凸顯出橡膠圈中的缺陷。將所獲得的圖像進(jìn)行高斯差分(Difference of Gaussians，簡稱“DOG”)，高斯差分計(jì)算方法[9-10]為

圖3 Laplace增強(qiáng)圖像Fig 3 Laplace enhancement image

GDOG=Gσ1-Gσ2

(1)

文中采用11×11與3×3模板做差分，DOG邊緣檢測算法與Canny算子結(jié)果對比如圖4所示。

圖4 2種算子邊緣圖像提取結(jié)果對比Fig 4 Comparison of edge image extraction results of twooperators (a)edge image extracted by Canny;(b)edge image extracted by DOG

Canny算子對噪聲的影響較大，會(huì)將內(nèi)部很多的不必要信息顯示出來，會(huì)造成邊緣信息提取失誤。邊緣提取算法由于不需要橡膠圈內(nèi)部信息，采用DOG邊緣檢測算法可以適當(dāng)減小噪聲影響，邊緣提取結(jié)果較好。

造成邊緣不連續(xù)點(diǎn)存在的原因是由于圖像在二值化過程中，由于邊緣梯度值不同，參考噪聲及缺陷影響，以及考慮算法的魯棒性，選取的二值化閾值相對于各方面都較為合適。但是這也導(dǎo)致圖像邊緣梯度值無法保證全部處于閾值的同一側(cè)，因而出現(xiàn)斷點(diǎn)。

1.3.2 亞像素邊緣提取

Zernike矩是基于 Zernike多項(xiàng)式的正交化函數(shù)，所利用的正交多項(xiàng)式集是一個(gè)在單位圓內(nèi)的完備正交集。文中采用基于Zernike矩的亞像素邊緣檢測方法[11-13]。

在離散條件下，圖像f(x,y)的二維Zernike矩在x2+y2≤1可定義為

(2)

圖像旋轉(zhuǎn)φ角度后的Z′nm與Znm之間的關(guān)系為

Z′nm=Znme-mφ

(3)

根據(jù)公式(2)(3)，結(jié)合Zernike矩7×7模板進(jìn)行亞像素邊緣提取，獲取亞像素邊緣。

針對圖5所示的不連續(xù)邊緣，經(jīng)過亞像素提取之后邊緣點(diǎn)仍會(huì)出現(xiàn)不連續(xù)點(diǎn)的問題，文中采用Ceres庫進(jìn)行二次多項(xiàng)式擬合。Ceres庫是google用作非線性優(yōu)化的開源C++庫，它采用最小二乘原理，對非線性擬合效果好，速度快。

圖5 粗提取不連續(xù)邊緣點(diǎn)

采用Ceres庫多項(xiàng)式擬合估計(jì)不連續(xù)點(diǎn)位置，獲取的擬合曲線誤差最小。通過上述方法提取的興趣區(qū)域尺寸可能會(huì)不一樣，為解決像素變化突兀問題，文中采用插值法將提取的興趣部分統(tǒng)一相同尺寸，同時(shí)使圖像看起來更平滑，降低了奇異值分解的誤差。使用獲取的擬合曲線進(jìn)行邊緣位置更新，得到連續(xù)的邊緣位置。如圖6所示。

圖6 環(huán)狀區(qū)域映射到矩形區(qū)域Fig 6 Looped area mapped to rectangular area

如圖6所示，對圓環(huán)進(jìn)行了取直。圓環(huán)之所以取直是因?yàn)橹苯訉⒃瓐D做奇異值分解，會(huì)將邊緣等信息也提取出來，且無法識(shí)別橡膠圈表面的缺陷，故需要將其提取出來并進(jìn)行取直。提取方式根據(jù)擬合出來的曲線，補(bǔ)充上述邊緣中的斷點(diǎn)位置；然后根據(jù)最上方邊緣與最下方邊緣的像素坐標(biāo)，按列截取圖像中的橡膠圖像部分。再通過插值法，將獲取的一列像素插值為固定的尺寸，以用作后續(xù)處理。環(huán)狀區(qū)域映射到矩形區(qū)域的結(jié)果如圖6所示。

1.4 缺陷提取

主成分分析(Principal Component Analysis，PCA)是一種統(tǒng)計(jì)方法，通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。該方法就是把原有的多個(gè)指標(biāo)轉(zhuǎn)化成少數(shù)幾個(gè)代表性較好的綜合指標(biāo)，這少數(shù)幾個(gè)指標(biāo)可以反映原來大部分指標(biāo)的信息(85%以上)，并且各個(gè)指標(biāo)之間保持獨(dú)立，避免出現(xiàn)重疊信息。

奇異值分解(Singular Value Decomposition,SVD)是線性代數(shù)中一種重要的矩陣分解，在信號(hào)處理、統(tǒng)計(jì)學(xué)等領(lǐng)域有重要應(yīng)用，在紋理圖像缺陷檢測中也有應(yīng)用[14-15]。

我國對高血壓的定義為收縮壓大于等于140mmHg，或低壓大于等于90mmHg就診斷為高血壓。所以僅單純的低壓高而高壓正常，也可以診斷為高血壓。高血壓中有5%是其他疾病繼發(fā)的高血壓，95%以上都是原發(fā)性高血壓。根據(jù)血壓程度來進(jìn)行分級(jí)：1級(jí)高血壓為140-159/90-99mmHg，2級(jí)高血壓為160-179/100-109mmHg，3級(jí)高血壓為大于等于180/110mmHg。

基于以上理論，以及奇異值分解在紋理圖像缺陷提取中的應(yīng)用，文中將橡膠圈表面正常部分視為紋理圖像，或者圖像中的主成分，而缺陷部分視作奇異點(diǎn)，獲取奇異值分解中的前10個(gè)數(shù)據(jù)即可獲得大于90%的圖像恢復(fù)度；然后將原圖像與分解圖像做差分，得到的圖像即為缺陷值。

奇異值分解運(yùn)算時(shí)速度較慢，為提升其計(jì)算速度，文中使用GPU進(jìn)行運(yùn)算加速，以增加圖像運(yùn)算效率。CUDA是一種由NVIDIA推出的通用并行計(jì)算架構(gòu)，該架構(gòu)使GPU能夠解決復(fù)雜的計(jì)算問題。

計(jì)算機(jī)配置為：

GPU:NVIDIA Geforce GTX1660ti

CPU：i7處理器 6核12線程

CUDA加速運(yùn)算時(shí)間與opencv奇異值分解函數(shù)時(shí)間對比如表1所示。

表1 運(yùn)算時(shí)間對比

采用基于CUDA的GPU算法加速，算法處理速度是CPU的2倍左右。根據(jù)CUDA原理，使用GPU代替CPU進(jìn)行圖形運(yùn)算時(shí)，運(yùn)算圖像越大，GPU效益越高，加速效果更明顯。文中圖像采集采用的是高分辨率相機(jī)，圖像像素較高，故采用GPU加速能有效提高算法速度。

圖7 奇異值分解恢復(fù)圖Fig 7 Singular value decomposition recovery graphs(a) reconstruction image of top 10 features;(b) reconstruction image of top 10 features;(c) reconstruction image of top 10 features

從圖7可以看出，與原圖相比，奇異值分解后恢復(fù)的圖像中一些奇異點(diǎn)即圖中缺陷部分丟失。另外還可看出，奇異值分解恢復(fù)矩陣階數(shù)越高，分析結(jié)果越精確。這是因?yàn)槠娈愔捣纸饣謴?fù)矩陣階數(shù)越高，圖像的細(xì)節(jié)也就越多，理論上來說，當(dāng)恢復(fù)矩陣取到10階時(shí)，基本可以顯示原圖像90%的內(nèi)容。將原圖與恢復(fù)圖像做差分即可獲取奇異點(diǎn)位置，在圖中表現(xiàn)為缺陷位置。如圖8所示。

圖8 圖像差分結(jié)果Fig 8 Image difference result

獲取圖像缺陷位置后，通過連通域分析來提取出缺陷信息。二值圖像分析最重要的方法就是連通區(qū)域標(biāo)記，它是所有二值圖像分析的基礎(chǔ)。通過對二值圖像中白色像素(目標(biāo))的標(biāo)記，讓每個(gè)單獨(dú)的連通區(qū)域形成一個(gè)被標(biāo)識(shí)的塊，就可以進(jìn)一步獲取這些塊的輪廓、外接矩形、質(zhì)心、不變矩等幾何參數(shù)。文中采用opencv中的連通域分析函數(shù)，獲取缺陷信息。結(jié)果如圖9所示。

圖9 缺陷提取結(jié)果Fig 9 Defect extraction result

可見，基于奇異值分解的橡膠圈缺陷檢測方法，能準(zhǔn)確識(shí)別對比度較低的橡膠圈表面缺陷，同時(shí)還能獲取缺陷的位置、大小等信息。在實(shí)際的橡膠圈缺陷在線檢測中，一般僅需判斷其是否存在缺陷，以及缺陷位置和大小，對缺陷的分類不作要求，采用文中提出的橡膠圈缺陷檢測方法分析時(shí)，可以省去對奇異值分析后的圖像的連通域分析，進(jìn)一步提高檢測速度。

2 結(jié)論

(1)提出一種橡膠圈表面缺陷檢測方法，該方法在提取圖像邊緣時(shí)采用了亞像素分析方法，確保了圖像邊緣提取的準(zhǔn)確性，同時(shí)解決了邊緣點(diǎn)不連續(xù)的問題；采用Ceres庫多項(xiàng)式擬合估計(jì)不連續(xù)點(diǎn)位置，獲取的擬合曲線誤差最??；由于邊緣提取算法不需要橡膠圈內(nèi)部信息，采用高斯差分邊緣檢測對外邊緣的提取效果好于Canny算子；基于奇異值分解的方法提取橡膠圈缺陷，提取效果好，且檢測速度快；采用連通域分析來提取出缺陷信息，準(zhǔn)確地識(shí)別出對比度較低的橡膠圈表面缺陷，同時(shí)還獲取了缺陷的位置、大小等信息。

(2)橡膠圈表面缺陷的檢測主要是氣泡和凹坑，根據(jù)實(shí)際生產(chǎn)中的檢驗(yàn)要求，僅需要判斷缺陷存在與否，以及存在缺陷的大小、位置，故文中算法可以高效、快速識(shí)別其缺陷，滿足工程要求。

(3)文中方法的不足之處在于提取的缺陷受奇異值選取數(shù)量影響，選取的值越少，能提取的缺陷越多，但是帶入的噪聲也越多；另外，算法的穩(wěn)定性受環(huán)境影響較大，若圖像中光照不均時(shí)，可能會(huì)出現(xiàn)誤檢的問題。下一步的工作，將針對某些不明顯不突出的缺陷，設(shè)計(jì)一種多色光、多方向照明方案，凸顯缺陷的位置，并通過逐行和逐列提取圖像的信息作為序列數(shù)據(jù)，進(jìn)行序列數(shù)據(jù)奇異值定位提取，可解決低對比度下的缺陷提取問題。