高文彬，莊申樂，王秀劍，周 敏，宋冉冉，張成雷，2*

(1.山東龍立電子有限公司，山東臨沂，276000；2.臨沂大學(xué)，山東臨沂，276000)

1 引言

隨著深水連接裝置智能化轉(zhuǎn)型的不斷發(fā)展，使得電連接器在水下設(shè)備的研發(fā)上獲得更大范圍、更深層的實(shí)時(shí)數(shù)據(jù)傳輸成為可能，也為各類電接插件推動海洋安全提供了數(shù)據(jù)基礎(chǔ)。連接器殼體作為連接器外罩，能有效保護(hù)其內(nèi)部絕緣體和接觸件，殼體外觀質(zhì)量是評價(jià)產(chǎn)品品質(zhì)的重要指標(biāo)之一，對其質(zhì)量評估是產(chǎn)品檢測中的重要環(huán)節(jié)。

目前，國內(nèi)連接器殼體外觀質(zhì)量檢測多依靠人工目測實(shí)現(xiàn)，檢測效率低、勞動強(qiáng)度大，檢測判別的標(biāo)準(zhǔn)因人而異，其漏檢率、錯(cuò)檢率較高，嚴(yán)重制約了連接器的自動化生產(chǎn)效率，另外人工檢測成本較高，不利于企業(yè)生產(chǎn)成本控制?；谏鲜鰡栴}，提出了一種運(yùn)用機(jī)器視覺檢測技術(shù)的殼體表面缺陷檢測方法，它在獲取缺陷信息和識別缺陷類型方面具有人工不可替代的穩(wěn)定性和準(zhǔn)確性，拓展了現(xiàn)代缺陷檢測技術(shù)的發(fā)展方向。

2 機(jī)器視覺缺陷檢測系統(tǒng)

完整的機(jī)器視覺缺陷檢測系統(tǒng)具有機(jī)器視覺系統(tǒng)的一般架構(gòu)，通過圖像采集系統(tǒng)獲取產(chǎn)品圖像，由圖像處理模塊接收轉(zhuǎn)變成數(shù)字信號，然后對數(shù)字信號進(jìn)行預(yù)處理、圖像增強(qiáng)、缺陷分割、特征提取，最終實(shí)現(xiàn)產(chǎn)品的分類[1]。其系統(tǒng)運(yùn)行流程如圖1所示。

圖1 機(jī)器視覺缺陷檢測系統(tǒng)流程圖

殼體表面缺陷檢測系統(tǒng)的總體設(shè)計(jì)包括兩部分：硬件結(jié)構(gòu)和軟件設(shè)計(jì)。根據(jù)功能不同，整個(gè)檢測系統(tǒng)可劃分為五大模塊：工業(yè)計(jì)算機(jī)、光學(xué)照明系統(tǒng)、圖像采集系統(tǒng)、自動檢測分類系統(tǒng)、反饋系統(tǒng)[2]，如圖2所示。

圖2 殼體表面缺陷檢測系統(tǒng)

3 連接器殼體常見缺陷分類

針對該圓形連接器外殼，其在生產(chǎn)過程中，由于外部環(huán)境的變化，如加工人員水平、機(jī)床和刀具磨損等都可能導(dǎo)致其產(chǎn)生缺陷，在人工檢驗(yàn)過程中常見缺陷類型有點(diǎn)狀缺陷、線狀缺陷、坑狀缺陷等，具體見表1。

表1 人工檢驗(yàn)過程中常見缺陷類型

4 圖像處理

4.1 圖像增強(qiáng)

殼體圖像增強(qiáng)是通過一系列特定的處理，解決圖像邊緣模糊、對比度較弱等問題[3]，使圖像中感興趣的的部分凸現(xiàn)出來，同時(shí)去除圖像中某些不需要或是不重要的信息。常用的圖像增強(qiáng)技術(shù)有直方圖變換均衡化和分段式變換修正方式，對灰度部分進(jìn)行規(guī)定化處理。

直方圖變換均衡化是運(yùn)用某些特殊化處理，將一部分圖像的灰度級增強(qiáng)，可以有效規(guī)避均勻化直方圖。很好的解決原始?xì)んw圖像中邊緣化模糊問題，并且可以顯著的增強(qiáng)圖像的對比度和清晰度，如圖3和4所示。

圖3 原始直方圖

圖4 均衡化后的直方圖

分段線性變換法是常用來擴(kuò)展感興趣部分的灰度變化范圍函數(shù)，對不感興趣的圖像區(qū)域進(jìn)行抑制和削弱[4]，通過動態(tài)調(diào)節(jié)圖像中不同灰度值間的范圍參數(shù)來增強(qiáng)圖像中相的反差，進(jìn)一步增強(qiáng)圖像間的對比度，其表達(dá)式如公式(1)：

(1)

其中，g(x,y)為變換后圖像，灰度范圍數(shù)值[0,Mg]，原始圖像為f(x,y)，灰度范圍數(shù)值[0,Mf]，變換后函數(shù)圖像如圖5所示。

圖5 分段線性變換圖

由變換后的函數(shù)圖像可知，通過控制分段直線的斜率或調(diào)整函數(shù)圖像轉(zhuǎn)折點(diǎn)的位置，可壓縮或擴(kuò)張分段區(qū)間內(nèi)的灰度值范圍，當(dāng)[a,b]區(qū)間內(nèi)的直線斜率大于1時(shí)，可增加該區(qū)間內(nèi)的灰度值范圍，也即增強(qiáng)圖像的對比度。另外，對兩個(gè)區(qū)間內(nèi)的灰度值進(jìn)行壓縮后，可實(shí)現(xiàn)圖像增強(qiáng)效果。

4.2 缺陷圖像分割

為了能完整的把殼體缺陷圖像與背景圖像分割出來，使下一步對區(qū)域輪廓的提取工作更加徹底與精確，本文決定采用OSTU閾值化分割算法和小波變換算法。OSTU閾值化分割算法使用的條件是目標(biāo)與背景間的多類間方差化最大，可以使圖像被錯(cuò)誤分割的概率最小，由于該方法是基于二維灰度直方圖，所以也稱二維OSTU閾值分割法，針對直方圖中波峰和波谷明顯的圖像，其分割效果非常好。小波變換算法是在傅里葉變換的基礎(chǔ)上發(fā)展起來的，其在圖形模糊快速計(jì)算中的應(yīng)用十分重要，針對直方圖中峰谷不明顯區(qū)域分割效果很好，并對每一類特征值進(jìn)行歸一化處理。結(jié)合二維OSTU閾值分割算法和小波變換算法的分析計(jì)算，可以大大降低噪聲和殘余背景對圖像分割的影響，得到具有缺陷的圖像，如圖6所示。

圖6 分割后的缺陷圖像

4.3 缺陷特征提取

圖像的特征提取是通過一些數(shù)學(xué)模型描述圖像的紋理信息，是對圖像中灰度級變化的數(shù)字化表達(dá)，公認(rèn)的缺陷提取方法是簡單、常用的灰度共生矩陣(GLCM)算法。

灰度共生矩陣能夠靈活的描述紋理更為細(xì)微的特征，從中提取角二階矩、對比度、熵、面積和周長等5種特征參數(shù)具體描述圖像紋理變化。

(1)角二階矩Asm(或稱能量)

(2)對比度Con

(3)熵Ent

(4)面積S

(5)周長L

L=∑(x,y∈R1

本文根據(jù)根據(jù)上述計(jì)算公式，隨機(jī)抽取5個(gè)樣本的缺陷參數(shù)進(jìn)行紋理特征統(tǒng)計(jì)，實(shí)驗(yàn)數(shù)據(jù)如表2所示。

表2 抽取的樣本紋理特征(單位：像素)

針對點(diǎn)狀缺陷、線狀缺陷和坑狀缺陷的紋理特征進(jìn)行提取，從表2中可以得出，三種缺陷的角二階矩、對比度、熵、面積和周長有明顯的不同：點(diǎn)狀缺陷集中在4像素、1像素、2像素、320像素和60像素左右，線狀缺陷集中在3像素、4～5像素、1.5像素、1200像素和460像素左右，而坑狀缺陷集中在2.5像素、7像素、0.6像素、900像素和160像素左右。由此可見，該5種特征參數(shù)對三種缺陷的區(qū)分效果較為理想，這些特性可以作為殼體缺陷分類識別的依據(jù)。

5 BP神經(jīng)網(wǎng)絡(luò)缺陷識別與分類

5.1 殼體表面缺陷識別網(wǎng)絡(luò)模型的建立

圖像的采集、預(yù)處理和特征提取等工作完成后，需要建立針對缺陷識別與分類的分類器。本文分類器的設(shè)計(jì)是基于BP神經(jīng)網(wǎng)絡(luò)的模式識別算法。

該神經(jīng)網(wǎng)絡(luò)模型在用于缺陷分類時(shí)，需要先進(jìn)行自學(xué)習(xí)，使網(wǎng)絡(luò)模型能夠自行區(qū)分缺陷特征量和相對應(yīng)的缺陷類型[5]，學(xué)習(xí)結(jié)束后就可以利用學(xué)習(xí)結(jié)果實(shí)現(xiàn)對具有相同特征的缺陷分類。如圖7所示，為三層BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)殼體缺陷分類器設(shè)計(jì)流程圖。

圖7 三層BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)殼體缺陷分類器

5.2 隱含層節(jié)點(diǎn)的確定

一般情況下，若隱含層擁有的節(jié)點(diǎn)數(shù)越多，精度越高，訓(xùn)練時(shí)間更長，容易導(dǎo)致誤讀和泛化能力下降；反之精度降低，訓(xùn)練時(shí)間減少，學(xué)習(xí)過程發(fā)散，無法確定最優(yōu)值[6]。在實(shí)際應(yīng)用中，保證可以正確反映輸入輸出關(guān)系時(shí)，隱含層節(jié)點(diǎn)數(shù)越少越好。本文使用圖像采集處理后得到的200組數(shù)據(jù)，確定隱含層最優(yōu)節(jié)點(diǎn)個(gè)數(shù)如表3所示。

表3 隱含層節(jié)點(diǎn)個(gè)數(shù)與訓(xùn)練時(shí)間和精度的關(guān)系

從表3可以得出，當(dāng)隱含層的節(jié)點(diǎn)數(shù)達(dá)到21時(shí)，訓(xùn)練時(shí)間短，訓(xùn)練精度最高，考慮到系統(tǒng)收斂速度和泛化能力，選定隱含層節(jié)點(diǎn)數(shù)為21。

5.3 學(xué)習(xí)率的確定

學(xué)習(xí)率η也稱為步長，主要用來改變閾值、權(quán)值和修正量。在標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法中定為常數(shù)，然而在實(shí)際應(yīng)用中，學(xué)習(xí)率選得過小，收斂速度太慢；學(xué)習(xí)率選得過大，則有可能修正過頭，導(dǎo)致振蕩甚至發(fā)散，無法收斂，通常將其范圍設(shè)置為0.01～1。本文多次對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，表4為學(xué)習(xí)率和迭代次數(shù)的關(guān)系。

表4 學(xué)習(xí)率和迭代次數(shù)的關(guān)系

由表4可知，學(xué)習(xí)率η在[0.01,1]范圍變化時(shí)，迭代的次數(shù)是先減少后增加，當(dāng)學(xué)習(xí)率為0.8時(shí)，迭代的次數(shù)最少，收斂的速度也最快。綜上可知，設(shè)定系統(tǒng)學(xué)習(xí)率為0.8。

5.4 殼體表面缺陷分類的實(shí)驗(yàn)驗(yàn)證

本文選取不同類型缺陷的100個(gè)樣本進(jìn)行訓(xùn)練，另取點(diǎn)狀、線狀、坑狀缺陷各50組樣本作為測試樣本，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分類器對殼體表面缺陷圖像進(jìn)行分類，結(jié)果如表5所示。

由表5可以得出，該分類器對點(diǎn)狀、線狀、坑狀缺陷的識別和分類有很好的效果，三種缺陷的識別率分別高達(dá)96%、92%、96%，由此可見該系統(tǒng)具有很高的識別精度。

表5 神經(jīng)網(wǎng)絡(luò)識別缺陷結(jié)果

6 結(jié)論

針對殼體表面缺陷的特點(diǎn)，將殼體表面缺陷劃分為點(diǎn)狀、線狀和坑狀三種類型，通過對所獲得的殼體缺陷圖像處理和分類，采用直方圖均衡化和分段線性變化增強(qiáng)圖像；二維OSTU閾值分割算法和小波變換算法進(jìn)行圖像閾值分割；基于灰度共生矩陣的紋理特征計(jì)算法對殼體表面缺陷進(jìn)行特征提取，并構(gòu)造了BP神經(jīng)網(wǎng)絡(luò)缺陷分類器，實(shí)驗(yàn)驗(yàn)證結(jié)果表明，該分類器具有很好的識別與分類精度。