黃景德，姜晨波，肖啟巡

(珠?？萍紝W(xué)院 機(jī)械工程學(xué)院，廣東 珠海 519041)

0 引 言

基于機(jī)器視覺(jué)技術(shù)的表面缺陷檢測(cè)技術(shù)的出現(xiàn)，大大提高了生產(chǎn)作業(yè)的效率，避免了因作業(yè)條件、主觀判斷等影響檢測(cè)結(jié)果的準(zhǔn)確性，實(shí)現(xiàn)了更好更精確地進(jìn)行表面缺陷檢測(cè)，更加快速地識(shí)別產(chǎn)品表面瑕疵缺陷[1-2].工程實(shí)踐中，非平穩(wěn)信號(hào)的急劇變化之處，也常常是分析信號(hào)的最關(guān)鍵之處.多層玻璃結(jié)構(gòu)在運(yùn)行過(guò)程中，由于架構(gòu)磨損、老化及受到外部振動(dòng)、沖擊、化學(xué)腐蝕等因素的作用，必然會(huì)使其狀態(tài)發(fā)生漸變，進(jìn)而導(dǎo)致裂紋、空蝕、斑點(diǎn)、缺膠等缺陷[3-4].從故障演變規(guī)律看，在微缺陷形成乃至發(fā)展成永久性故障之前，因其未達(dá)到穩(wěn)定故障狀態(tài)，失效行為和工作模態(tài)難以識(shí)別和檢測(cè)，但是缺陷出現(xiàn)和消失的時(shí)候，必然會(huì)引起單元結(jié)構(gòu)的微觀變形乃至細(xì)觀損傷，這種改變使得單元結(jié)構(gòu)的視覺(jué)圖像信息產(chǎn)生變構(gòu)，此種視覺(jué)信息變構(gòu)可直接反映在視覺(jué)圖像特征中[5].因此，深入研究視覺(jué)圖像信息蘊(yùn)含的缺陷邊緣結(jié)構(gòu)信號(hào)及其補(bǔ)償方法，分析視覺(jué)圖像變構(gòu)時(shí)的缺陷特征，對(duì)提高缺陷模式識(shí)別靈敏度，滿足缺陷檢測(cè)與預(yù)警的需要，具有重要意義[6-8].本文系統(tǒng)研究了基于機(jī)器視覺(jué)的多層玻璃結(jié)構(gòu)缺陷的特征識(shí)別機(jī)制，在工業(yè)制造、安全生產(chǎn)、裝備保障等推廣方面具有廣闊的應(yīng)用前景和重要的應(yīng)用價(jià)值.

1 視覺(jué)圖像缺陷邊緣檢測(cè)原理

在對(duì)視覺(jué)圖像的缺陷邊緣進(jìn)行分析時(shí)，考慮到canny算子在含復(fù)雜噪聲的情境下具有獨(dú)特的優(yōu)異性，且對(duì)于弱邊緣表現(xiàn)敏感，因此，在邊緣檢測(cè)時(shí)采用了此算法以提高準(zhǔn)確率.其核心處理主要是通過(guò)組合濾波模型平滑圖像；基于非極大值抑制確定邊緣點(diǎn)；采用雙閾值檢測(cè)法形成強(qiáng)邊緣區(qū)間.

1.1 平滑濾波組合模型

1.1.1 高斯濾波

由于環(huán)境因素和硬件固有缺陷，采集的圖像難免產(chǎn)生噪聲干擾，在對(duì)圖像進(jìn)行處理之前，通常需要使用濾波機(jī)制來(lái)提高原始圖像成像質(zhì)量，以提高缺陷強(qiáng)特征相關(guān)性[9-10].在玻璃圖像采集過(guò)程中所產(chǎn)生的噪聲主要為滿足高斯分布函數(shù)的白噪聲，而高斯濾波對(duì)這類噪聲有較強(qiáng)的處理效果[11].它的主要思想是把每個(gè)像素點(diǎn)的灰度值用其本身和周圍像素點(diǎn)的灰度值加權(quán)平均代替，見(jiàn)式(1).

(1)

式中：G(x,y)是圖像權(quán)重矩陣；σ是其在x軸和y軸的分量.但高斯濾波在處理時(shí)對(duì)每一個(gè)像素點(diǎn)都采用了固定掩膜的平滑，并沒(méi)有結(jié)合實(shí)際的紋理特征分布相似度權(quán)重，因此造成了強(qiáng)相關(guān)特征的模糊，因此，需要在高斯濾波的基礎(chǔ)上，進(jìn)一步采用高通濾波強(qiáng)化邊緣特征.

1.1.2 高通濾波

在圖像處理過(guò)程中，由于圖像的邊緣對(duì)應(yīng)于高頻分量，在對(duì)圖像邊緣的銳化處理時(shí)，采用了頻域高通濾波器.以理想高通濾波器為例，若圖像的寬度為M，高度為N，那么理想高通濾波可描述為

(2)

式中：D0表示理想高通濾波器的截止頻率，濾波器的頻率域原點(diǎn)在頻譜圖像的中心處，在以截止頻率為半徑的圓形區(qū)域之內(nèi)的濾鏡元素值全為0，而該圓之外的濾鏡元素值全部為1.

1.2 邊緣特征處理

邊緣是劃分目標(biāo)和背景的重要圖像元素，也是圖像分割的關(guān)鍵因素之一.完成平滑濾波后，工程實(shí)踐中某些像素可能存在灰度堆疊，因此必須將其邊緣細(xì)化.處理方法是基于非極大值抑制原理，將每一個(gè)點(diǎn)與其所在橫、縱和兩條對(duì)角線上的兩個(gè)點(diǎn)作比較，若此點(diǎn)為最大值則保留，其它情況則將該點(diǎn)置0.處理過(guò)程示意圖如圖1 所示.

圖1 非極大值抑制過(guò)程示意圖

圖1 中：c是在判斷的像素；g1，g2，g3，g4是c的4個(gè)角領(lǐng)域像素，當(dāng)c是最大梯度值時(shí)，它的幅值M應(yīng)大于g1g2和g2g3到ab直線的距離，即排除局部最大值dTmp1和dTmp2.令g1的幅值為M(g1)，那么dTmp1可以表示為

M(dTmp1)=w·M(g2)+(1-w)·M(g1),

(3)

式中：w是比例系數(shù)，且

(4)

式中：dis為兩點(diǎn)間的距離.

同理，可得dTmp2，如果c的幅值同時(shí)大于dTmp1與dTmp2，則為邊緣點(diǎn).

1.3 強(qiáng)邊緣區(qū)間界定

確立邊緣后，需進(jìn)一步濾除弱邊緣保留強(qiáng)邊緣.首先，設(shè)立高閾值maxVal和低閾值minVal，將梯度小于minVal的點(diǎn)置0，梯度大于maxVal的點(diǎn)置1或255；其次，將位于高、低閾值之間的點(diǎn)使用連通區(qū)域確定，如圖2 所示.

圖2 雙閾值連接示意圖

圖2 中，大于maxVal的值為邊緣，小于minVal則為非邊緣.對(duì)于介于之間的像素，如與邊緣像素鄰接則為邊緣，反之為非邊緣.

2 視覺(jué)圖像處理與分析

2.1 基于支持向量機(jī)的分類器設(shè)計(jì)

為適合邊緣特征提取，通過(guò)支持向量機(jī)(SVM)將特征空間轉(zhuǎn)化到一個(gè)更高維的空間中，使得特征線性可分.特征向量可以用線性分類器被分類.如圖3 所示，2D特征空間中的兩類用黑白方塊分別來(lái)表示，但是沒(méi)有一條線可以將兩個(gè)類分開(kāi).當(dāng)通過(guò)變形 Feature1 和 Feature2 建立的平面添加第3個(gè)維度，類則可以通過(guò)平面變得線性可分.

圖3 2D 特征空間中的類分割示意圖

對(duì)于支持向量機(jī)(SVM)，構(gòu)件兩類的可分超平面，其實(shí)質(zhì)是讓兩類的間隔距離要盡可能地大.間隔即是可分超平面和任何訓(xùn)練樣本之間的最近距離，若通過(guò)測(cè)試幾種可能的可分超平面，選擇擁有最大間隔的表面，那么來(lái)自兩個(gè)類中且距離超平面最近距離的訓(xùn)練樣本即是支持向量，如圖4 所示.

圖4 支持向量

從圖像處理的本質(zhì)看，SVM 雖然僅可處理兩類問(wèn)題，但可以將其拓展為多類問(wèn)題.一是通過(guò)建立成對(duì)的類，然后對(duì)于每一對(duì)創(chuàng)立二元的分類器，贏得大多數(shù)比較的類則是最適合的類別；二是通過(guò)比較每一個(gè)類與其他的訓(xùn)練數(shù)據(jù)，選擇具有到超平面最大距離的類別.

2.2 分類器分割算法

基于SVM的分類器分割算法采取Halcon框架實(shí)現(xiàn)，實(shí)現(xiàn)過(guò)程如下：

Step1：創(chuàng)建SVM 分類器模型create_class_svm()

Step2：添加訓(xùn)練樣本到 SVM 分類器add_samples_image_class_svm()

Step3：訓(xùn)練 SVM 分類器train_class_svm()

Step4：對(duì)圖像進(jìn)行 SVM 分割classify_image_class_svm()

·create_class_svm(：：NumFeatures, KernelType, KernelParam, Nu, NumClasses, Mode, Preprocessing, NumCompoents：SVMHandle)

//功能：創(chuàng)建一個(gè)用于模式分類的支持向量機(jī).

//參數(shù)：輸入

——SVM 輸入特征的數(shù)量NumFeatures

——核函數(shù)的類型 KernelType

——核函數(shù)的參數(shù) KernelParam

——SVM 的正則化常量Nu

——類的數(shù)量 NumClasses

——SVM 的模式 Mode

——用于轉(zhuǎn)換特征向量的處理類型 Preprocessing

——轉(zhuǎn)化特征的數(shù)量 NumCompoents

//參數(shù)：輸出

——SVM 模型的句柄 SVMHandle

·add_samples_image_class_svm(Image,

ClassRegions：：SVMHandle：)

//功能：將來(lái)自圖像Image的訓(xùn)練樣本添加到通過(guò) SVMHandle 給定的支持向量機(jī)中.

//參數(shù)：輸入

——訓(xùn)練圖像 Image

——被訓(xùn)練類別的區(qū)域 ClassRegions

——SVM 模型的句柄 SVMHandle

·train_class_svm(：：SVMHandle, Epsilon,

TrainMode：)

//功能：訓(xùn)練 SVMHandle 指定的支持向量機(jī)(SVM).

//參數(shù)：輸入

——SVM 模型的句柄 SVMHandle

——訓(xùn)練的停止參數(shù) Epsilon

——訓(xùn)練的模式 TrainMode

·classify_image_class_svm(Image：ClassRegions

：SVMHandle：)

//功能：在多通道圖像 Image 上，用支持向量機(jī)(SVM)SVMHandle 去執(zhí)行一個(gè)像素分類.

//參數(shù)：輸入

——輸入圖像 Image

——SVM 模型的句柄SVMHandle

//參數(shù)：輸出

——被分割的類別 ClassRegions

2.3 圖像分割實(shí)現(xiàn)

根據(jù)SVM分類器的設(shè)計(jì)要求，分類器分割算法參數(shù)如表1 所示.

表1 分類器分割算法參數(shù)表

圖像分割過(guò)程如圖5 所示.

圖5 圖像分割過(guò)程

2.3.1 圖像操作模塊

在算法執(zhí)行之前，首先讀入圖像，此操作的目的是將算法要處理的圖像加載進(jìn)來(lái)，并顯示在圖像顯示框中，加載圖像統(tǒng)一存放在安裝目錄的指定位置.圖像導(dǎo)出功能主要是方便用戶將當(dāng)前算法執(zhí)行的效果圖保存下來(lái).

2.3.2 算法執(zhí)行模塊

算法執(zhí)行之前，首先對(duì)算法相關(guān)參數(shù)進(jìn)行設(shè)置.算法的整體執(zhí)行主要是為了用戶快速了解算法的執(zhí)行效果，獲取該算法的執(zhí)行結(jié)果，并可在圖像顯示框看到結(jié)果圖和整個(gè)算法執(zhí)行的時(shí)間.算法的單步執(zhí)行是為了讓用戶更好地了解整個(gè)算法執(zhí)行的原理，通過(guò)將整個(gè)算法順序的分階段執(zhí)行，并將階段執(zhí)行結(jié)果顯示在圖像顯示框中，用戶可以很清晰地了解到整個(gè)算法的實(shí)現(xiàn)過(guò)程.

3 缺陷特征識(shí)別系統(tǒng)

3.1 視覺(jué)圖像信號(hào)采集

多層玻璃結(jié)構(gòu)缺陷特征識(shí)別系統(tǒng)由圖像處理系統(tǒng)、光學(xué)系統(tǒng)、機(jī)械控制機(jī)構(gòu)、數(shù)據(jù)采集電路、信號(hào)穩(wěn)定器、MIS接口電路、測(cè)試電纜等模塊組成，如圖6 所示.

根據(jù)圖6 所示結(jié)構(gòu)，視覺(jué)圖像處理信號(hào)通過(guò)測(cè)試電纜分別與光學(xué)系統(tǒng)的通訊接口、機(jī)械控制機(jī)構(gòu)的通訊接口及上位機(jī)相連.圖像處理系統(tǒng)針對(duì)含缺陷圖像完成平滑濾波、功率放大、波形分析和缺陷特征分類與識(shí)別.機(jī)械控制系統(tǒng)通過(guò)驅(qū)動(dòng)視覺(jué)傳感器完成圖像采集，經(jīng)由圖像處理系統(tǒng)將視覺(jué)圖像信號(hào)轉(zhuǎn)變成數(shù)字信號(hào)，通過(guò)信號(hào)穩(wěn)定器對(duì)圖像處理信號(hào)進(jìn)行降維降噪，并將圖像處理結(jié)果送由監(jiān)視器顯示和上位機(jī)的MIS系統(tǒng)存儲(chǔ).視覺(jué)圖像信號(hào)采集過(guò)程如下：

圖6 視覺(jué)圖像采集系統(tǒng)結(jié)構(gòu)圖

1)對(duì)視覺(jué)傳感器的測(cè)量范圍MR、視場(chǎng)MOV、凈距離CD、X及Z方向的分辨率進(jìn)行優(yōu)化配置.

2)合理確定工業(yè)數(shù)字鏡頭的數(shù)據(jù)接口、分辨率、像元尺寸等技術(shù)性參數(shù)，解析工業(yè)數(shù)字鏡頭對(duì)應(yīng)變圖像的敏感性，跟蹤灰度圖像特征的數(shù)據(jù)跳變信息，對(duì)其進(jìn)行差分抑制.

3)對(duì)視覺(jué)圖像平滑降噪，然后進(jìn)行形態(tài)學(xué)分析，應(yīng)變圖像灰度維數(shù)分形多引入步長(zhǎng)競(jìng)爭(zhēng)策略，在內(nèi)部競(jìng)爭(zhēng)中鼓勵(lì)弱者，抑制強(qiáng)者，實(shí)現(xiàn)對(duì)應(yīng)變圖像邊緣信號(hào)的補(bǔ)償，建立敏感特征向量與應(yīng)變圖像變構(gòu)的映射關(guān)系.

4)根據(jù)過(guò)負(fù)載及循環(huán)應(yīng)力作用下視覺(jué)圖像變構(gòu)信息與特征數(shù)據(jù)跳變的關(guān)系，基于視覺(jué)圖像灰度譜模型，提取不同負(fù)載環(huán)境下的狀態(tài)擾動(dòng)特征參量，如基頻、峰值等，模擬反映隱性故障特征的灰度幅值波動(dòng)區(qū)間和收斂特性.

3.2 硬件性能確定

3.2.1 鏡頭、相機(jī)

機(jī)器視覺(jué)領(lǐng)域的鏡頭功能主要是實(shí)現(xiàn)光束變換(調(diào)制)，在機(jī)器視覺(jué)系統(tǒng)中，鏡頭的重要作用是將目標(biāo)成像在圖像傳感器的光敏面上.鏡頭的質(zhì)量直接影響到機(jī)器視覺(jué)系統(tǒng)的整體性能，合理選擇鏡頭和安裝鏡頭，是機(jī)器視覺(jué)系統(tǒng)設(shè)計(jì)的重要環(huán)節(jié).

考慮到視覺(jué)檢測(cè)所需的寬視野和高精度要求，對(duì)比線陣、面陣相機(jī)的成本，因線陣相機(jī)能滿足較大視野的同時(shí)可以提供較高的精度，且不排除連續(xù)運(yùn)動(dòng)物體的檢測(cè)場(chǎng)景，所以，選用線陣相機(jī)作為圖像采集單元.考慮到相機(jī)邊緣的畸變以及系統(tǒng)穩(wěn)定性要求，該系統(tǒng)至少需要2 500個(gè)像素，且在通常情況下在計(jì)量精度時(shí)會(huì)采用3倍或更高的像素.另外，對(duì)于運(yùn)動(dòng)物體而言，行頻也是一個(gè)不可忽視的參數(shù)，為了降低物體運(yùn)動(dòng)帶來(lái)的影響，線陣相機(jī)的行頻應(yīng)滿足

(5)

式中：v是物體運(yùn)動(dòng)的速度；δ是相機(jī)縱向分辨率.

3.2.2 照明光源

照明光源在機(jī)器視覺(jué)中有著極為重要的地位.合理的光源系統(tǒng)能夠最大程度地增強(qiáng)感興趣特征的對(duì)比度，抑制和減少目標(biāo)上其它部分的影響，抑制外部環(huán)境的影響.光源照明直接影響處理精度和速度，甚至系統(tǒng)的成敗.

能夠?qū)崿F(xiàn)照明的光源有許多種類型，但在機(jī)器視覺(jué)中，應(yīng)用最多的是鹵素?zé)?、熒光燈?LED 燈.其中LED的光線顏色主要由其發(fā)光材料決定，使用壽命較長(zhǎng)、功耗小，直流供電等等都是其運(yùn)用在工業(yè)照明領(lǐng)域的優(yōu)勢(shì)；鹵素?zé)舫杀靖?，供電?fù)雜；白熾燈相對(duì)較亮，不過(guò)能源轉(zhuǎn)換率低，且隨著使用時(shí)間的變長(zhǎng)，損耗會(huì)比較大；熒光燈雖然價(jià)格便宜，照明面積較大，但其是交流供電的方式，隨著供電頻率的變化，相應(yīng)的會(huì)表現(xiàn)出光閃現(xiàn)象，導(dǎo)致圖像明暗程度的變化.綜上所述，LED光源可以很好地適配視覺(jué)檢測(cè)的需要，因此，優(yōu)先選擇發(fā)光二極管作為照明光源.

4 實(shí)驗(yàn)驗(yàn)證與仿真

基于缺陷特征識(shí)別系統(tǒng)對(duì)某PCB圖面保護(hù)罩實(shí)施缺陷檢測(cè)，保護(hù)罩厚度2 mm，實(shí)驗(yàn)?zāi)康氖亲R(shí)別保護(hù)罩玻筋、氣泡、污點(diǎn)、劃痕等分類缺陷，有效獲取到原始圖、缺陷分割區(qū)域圖及其灰度值分布，如圖7、圖8 所示.

圖7 保護(hù)罩原始圖像

圖8 保護(hù)罩缺陷分割區(qū)域圖

為驗(yàn)證檢測(cè)效果的準(zhǔn)確性，對(duì)圖8中的保護(hù)罩缺陷分割區(qū)域進(jìn)行了單元結(jié)構(gòu)特征分析，處理結(jié)果如圖9 所示.

圖9 單元結(jié)構(gòu)圖像缺陷特征處理結(jié)果

缺陷特征判定時(shí)，根據(jù)工程中的多層玻璃結(jié)構(gòu)缺陷識(shí)別原則，以強(qiáng)特征參數(shù)短長(zhǎng)徑比分類玻筋和劃痕，通過(guò)強(qiáng)邊緣區(qū)間界定法分類污點(diǎn)與氣泡.缺陷特征識(shí)別結(jié)果見(jiàn)表2，與保護(hù)罩實(shí)際缺陷狀態(tài)吻合.

表2 缺陷特征識(shí)別結(jié)果

圖9 與表2 的識(shí)別結(jié)果表明，氣泡與污點(diǎn)圖像的特征相似，灰度閾值相近，但是氣泡的外觀特征趨于透明，污點(diǎn)的外觀特征多呈現(xiàn)灰(黑)狀態(tài)，因此采取灰度閾值128進(jìn)行強(qiáng)邊緣區(qū)間逼近，即可精準(zhǔn)識(shí)別氣泡與污點(diǎn)的缺陷類型.

5 結(jié) 論

多層玻璃結(jié)構(gòu)微缺陷萌生或擴(kuò)展時(shí)，圖像瞬態(tài)特性必然反映了單元結(jié)構(gòu)的質(zhì)變狀態(tài).基于機(jī)器視覺(jué)技術(shù)研究了多層玻璃結(jié)構(gòu)缺陷特征識(shí)別機(jī)制，通過(guò)組合平滑濾波模型進(jìn)行了圖像預(yù)處理，并加強(qiáng)了缺陷邊緣的強(qiáng)特征區(qū)間，解決了氣泡缺陷的雙輪廓問(wèn)題，設(shè)計(jì)了單元結(jié)構(gòu)的缺陷特征識(shí)別系統(tǒng).實(shí)驗(yàn)表明，該系統(tǒng)識(shí)別速度快、效率高，整體表現(xiàn)優(yōu)異，同時(shí)很好地去除了干擾信號(hào)，避免了缺陷誤判的問(wèn)題.為避免工程中實(shí)際存在的誤測(cè)幾率，下一步將建立更加有效的缺陷強(qiáng)特征參數(shù)，避免因參數(shù)重合而導(dǎo)致的誤測(cè)問(wèn)題，以提高系統(tǒng)的實(shí)用性.