易非凡，石濱萌

（深圳職業(yè)技術(shù)學(xué)院 粵港澳大灣區(qū)人工智能應(yīng)用技術(shù)研究院，廣東 深圳 518055）

0 引 言

在塑膠制造行業(yè)和金屬壓鑄行業(yè)，注塑機(jī)能否穩(wěn)定高效的運(yùn)行直接決定了生產(chǎn)產(chǎn)值與產(chǎn)品質(zhì)量的好壞與否。由于車間情況較為復(fù)雜，盡管注塑機(jī)上采用了諸如低壓保護(hù)、頂針報(bào)警等模具保護(hù)措施，仍然無法較好的避免壓?，F(xiàn)象，直接導(dǎo)致模具需要返修，不僅帶來了巨額修理費(fèi)用等額外支出，還帶來了工時(shí)及產(chǎn)量上的損失，可能導(dǎo)致交貨不及時(shí)進(jìn)而丟掉客戶。因此為了避免注塑機(jī)生產(chǎn)過程中的壓?，F(xiàn)象，不少廠家采購了模具監(jiān)視器系統(tǒng)，通過安裝在注塑機(jī)上的攝像頭采集圖片，利用監(jiān)視器中先進(jìn)的圖像處理算法對(duì)圖片進(jìn)行增強(qiáng)、銳化、對(duì)比等圖像處理操作，檢測(cè)產(chǎn)品是否正常成型或是正常取出，給出比對(duì)結(jié)果，以代替人眼實(shí)時(shí)地對(duì)模具及產(chǎn)品進(jìn)行監(jiān)視，能有效地提高企業(yè)智能化、自動(dòng)化生產(chǎn)水平，降低人力成本，提高企業(yè)核心競(jìng)爭(zhēng)力。

現(xiàn)有的模具監(jiān)視器算法可簡(jiǎn)單分為傳統(tǒng)算法和深度學(xué)習(xí)算法兩類。深度學(xué)習(xí)算法（如VGG、YOLO等）雖然精度極高，但其前期的算法訓(xùn)練階段需要大量的有效數(shù)據(jù)，在高性能的計(jì)算機(jī)或服務(wù)器中對(duì)算法模型進(jìn)行預(yù)訓(xùn)練，其算法部署存在價(jià)格高、數(shù)據(jù)需求量大、可遷移性弱及可解釋性弱的缺點(diǎn)，在實(shí)際的生產(chǎn)部署中更多的是以一種嘗鮮、輔助的地位而存在。在模具監(jiān)視領(lǐng)域，傳統(tǒng)算法應(yīng)用最廣，研究成果多。這類算法通常是基于圖像的結(jié)構(gòu)特征進(jìn)行圖像的相似度匹配，通過設(shè)定結(jié)構(gòu)相似度閾值進(jìn)行一致性判定。文獻(xiàn)[3]提出的基于尺度不變特征變換的圖像匹配算法，參數(shù)量適中，檢測(cè)速度較快，在光照、旋轉(zhuǎn)和平移上具備一定魯棒性，但在角點(diǎn)數(shù)少或平移較大時(shí)，檢測(cè)效果不佳。文獻(xiàn)[4]提出的基于位置補(bǔ)償技術(shù)模具監(jiān)視器算法，參數(shù)量較少，在物體平移時(shí)魯棒性強(qiáng)，但檢測(cè)速度較慢，實(shí)時(shí)性差。文獻(xiàn)[5]通過增加與過曝、欠曝模板比對(duì)，增強(qiáng)了在過曝、欠曝環(huán)境下的魯棒性，但是實(shí)時(shí)性較差，參數(shù)量大。文獻(xiàn)[6]設(shè)計(jì)的模具監(jiān)視系統(tǒng)通過采集多個(gè)時(shí)間點(diǎn)上的模板，解決模板更新頻繁的問題，參數(shù)量無，但是未能在算法實(shí)時(shí)性、性能等根本問題上有所突破。上述傳統(tǒng)算法在參數(shù)量和實(shí)時(shí)性兩方面無法兼顧。使用較多的參數(shù)，不利于非研發(fā)人員進(jìn)行現(xiàn)場(chǎng)調(diào)試及維護(hù)；使用較多的圖像預(yù)處理方法（過曝、欠曝、輪廓、直方圖拉伸、腐蝕、膨脹等），圖像算法的單次運(yùn)行時(shí)間過長(zhǎng)，難以達(dá)到實(shí)時(shí)性要求。

為解決上述現(xiàn)有技術(shù)存在的不足，本文提出了一種基于直方圖的、可自適應(yīng)的、實(shí)時(shí)性強(qiáng)的、誤檢率及漏檢率低的模具監(jiān)視器算法。該算法主要優(yōu)點(diǎn)為：

（1）無需人工設(shè)置算法參數(shù)，算法可根據(jù)模板圖像（空穴）和對(duì)比圖像（滿穴）自動(dòng)配置算法參數(shù)，方便技術(shù)員使用。

（2）在自動(dòng)配置參數(shù)的情況下，算法的實(shí)時(shí)性強(qiáng)，檢測(cè)準(zhǔn)確率高。

在實(shí)際生產(chǎn)的模具機(jī)上進(jìn)行檢測(cè)實(shí)驗(yàn)，并對(duì)本文算法和性能相對(duì)較好的文獻(xiàn)[3]算法進(jìn)行對(duì)比分析，驗(yàn)證本算法在實(shí)際生產(chǎn)任務(wù)中的優(yōu)勢(shì)。

1 基于自適應(yīng)策略的模具監(jiān)視器系統(tǒng)設(shè)計(jì)

1.1 圖像采集

在實(shí)際生產(chǎn)模具過程中，生產(chǎn)環(huán)境光線暗，空間狹小，這些導(dǎo)致成像環(huán)境差，成像質(zhì)量不高，從而增加算法復(fù)雜度并降低算法性能。為提高成像質(zhì)量，本系統(tǒng)采用紅外相機(jī)采集空模穴的模板圖像I、滿模穴的對(duì)比圖像I以及待檢測(cè)的源圖像I。

首先，采用850 nm 近紅外可調(diào)節(jié)光源進(jìn)行環(huán)境補(bǔ)光，通過調(diào)節(jié)光源到合適亮度增加圖像對(duì)比度。

其次，鏡頭前加裝850 nm 帶通濾波片，防止自然光對(duì)成像質(zhì)量的影響，形成一個(gè)單波段、持續(xù)穩(wěn)定的打光環(huán)境。

最后，通過調(diào)整相機(jī)硬件參數(shù)，獲取清晰、良好的成像畫面。

本系統(tǒng)采用相機(jī)型號(hào)為MV-CE013-50GM，鏡頭型號(hào)為KM-FA0801C 1/1.8 130 萬像素。本套相機(jī)與鏡頭的組合在兼顧成本的基礎(chǔ)上，能夠較好地采集視距在50 厘米到70 厘米之間的中小型模具模腔圖像，滿足檢測(cè)殘留的需求。

采集到的注塑機(jī)空模穴模板圖像I以及待檢測(cè)圖像I如圖1所示。從圖中可知，采集到的圖像質(zhì)量較高，模穴和注塑產(chǎn)品都清晰可見。

圖1 實(shí)際采集圖像

1.2 自適應(yīng)分析

首先，提取模板圖像I的個(gè)感興趣區(qū)域（region of interest,ROI）區(qū)域，同時(shí)提取對(duì)比圖像I對(duì)應(yīng)的個(gè)ROI區(qū)域。然后，采用自適應(yīng)的策略分析模板圖像每一個(gè)ROI區(qū)域，進(jìn)行像素子區(qū)間的相關(guān)參數(shù)的自動(dòng)最優(yōu)化計(jì)算，確定每個(gè)ROI 區(qū)域的最優(yōu)像素子區(qū)間的個(gè)數(shù)以及對(duì)應(yīng)每個(gè)像素子區(qū)間的加權(quán)系數(shù)。最后，將計(jì)算得到的模板圖像和對(duì)比圖像對(duì)應(yīng)ROI 區(qū)域的差異值作為相應(yīng)ROI 區(qū)域的差異標(biāo)準(zhǔn)閾值。

自適應(yīng)分析算法流程如圖2所示。

圖2 自適應(yīng)分析算法流程圖

本文算法首先提取模板圖像I和對(duì)比圖像I的ROI區(qū)域，并對(duì)ROI 區(qū)域進(jìn)行直方圖處理。

在實(shí)際生產(chǎn)檢測(cè)過程中，模具監(jiān)視被固定到注塑機(jī)上，每次成像區(qū)域基本上是固定的，致使每個(gè)模穴在圖像中的位置也是相對(duì)固定的。因此，本文采用的ROI 提取方法是根據(jù)預(yù)先設(shè)定的ROI 區(qū)域坐標(biāo)來提取模板圖像和對(duì)比圖像相應(yīng)的ROI 區(qū)域。

圖像的直方圖是由多個(gè)高度不等的縱向線段表示圖像像素分布情況的統(tǒng)計(jì)報(bào)告圖，通常橫軸表示統(tǒng)計(jì)的像素值，縱軸表示像素的分布情況。用變量表示圖像像素灰度值、表示灰度級(jí)總數(shù)量，對(duì)于灰度范圍為[0，-1]的數(shù)字圖像，直方圖可以表示成離散函數(shù)如式（1）：

其中，=0，1，…，-1，r是第級(jí)灰度值，n是圖像中灰度為r的像素個(gè)數(shù)。

本算法在原直方圖的基礎(chǔ)上，采用像素子區(qū)域b作為直方圖的橫軸，b與的關(guān)系如公式（2）（3）所示：

其中，=1，2，…，，是像素子區(qū)域個(gè)數(shù)，是單個(gè)像素子區(qū)域中像素的個(gè)數(shù)?？筛鶕?jù)需求自由設(shè)定，為正整數(shù)值。

根據(jù)式（2）和（3），式（1）可進(jìn)行變形，如式（4）所示：

然后采用自適應(yīng)的策略，利用模板圖像I和對(duì)比圖像I在相同子像素區(qū)域的像素個(gè)數(shù)的平方差作為距離的基準(zhǔn)值，并通過設(shè)立其比值作為基準(zhǔn)值的加權(quán)系數(shù)，放大像素值差異對(duì)結(jié)果的影響，從而達(dá)到使模板圖像和對(duì)比圖像在數(shù)值計(jì)算上的差異盡可能大的目的。通過對(duì)的取值設(shè)立一個(gè)集合N，使得∈N。采取自適應(yīng)的方式，通過更換的取值大小，計(jì)算模板圖像和對(duì)比圖像的最大距離。其計(jì)算公式如式（5）所示：

在獲得最大距離的情況下，其對(duì)應(yīng)的的取值記為，加權(quán)系數(shù)集合被記為（）如式（6）。利用卡方檢測(cè)（Chi-Square）作為模板圖像和對(duì)比圖像在像素層面上的偏離程度，計(jì)算其差異閾值如式（7）：

1.3 缺陷檢測(cè)

首先，分析源圖像I每一個(gè)ROI 的像素分布區(qū)間，統(tǒng)計(jì)各個(gè)ROI 的像素分布。然后，對(duì)每一個(gè)模板圖像ROI 所對(duì)應(yīng)的源圖像的ROI，計(jì)算其相同像素子區(qū)間的區(qū)間距離，并獲得源圖像單個(gè)ROI 的差異值。最后，根據(jù)源圖像單個(gè)ROI 的差異值與采用自適應(yīng)分析算法獲得的對(duì)應(yīng)的差異標(biāo)準(zhǔn)閾值判定當(dāng)前ROI 區(qū)域是否為缺陷區(qū)域，進(jìn)而判定源圖像是否存在缺陷。

缺陷檢測(cè)算法流程如圖3所示。

圖3 缺陷檢測(cè)算法流程圖

通過圖像采集設(shè)備獲取待測(cè)源圖像I，采用自適應(yīng)分析算法中ROI 提取方法提取待測(cè)源圖像中相對(duì)應(yīng)的ROI 區(qū)域。對(duì)于單個(gè)ROI 區(qū)域，根據(jù)自適應(yīng)分析算法獲得單個(gè)像素子區(qū)間的像素個(gè)數(shù)，確定源圖像該ROI 的像素分布子區(qū)間，并統(tǒng)計(jì)其像素值。通過使用卡方檢驗(yàn)公式及加權(quán)系數(shù)的方法，對(duì)該ROI 區(qū)域加權(quán)后像素子區(qū)間距離進(jìn)行求和，獲得源圖像該個(gè)ROI 的差異值，其計(jì)算公式如式（8）所示：

將獲得的源圖像的各ROI 區(qū)域的差異值與經(jīng)過自適應(yīng)分析算法得到的對(duì)應(yīng)的差異標(biāo)準(zhǔn)閾值進(jìn)行比較。若大于等于，則判定當(dāng)前ROI 區(qū)域?yàn)槿毕輩^(qū)域，該源圖像存在缺陷，算法結(jié)果為NG。判斷公式如式（9）所示：

若源圖像的所有ROI 的差異值均小于對(duì)應(yīng)的差異標(biāo)準(zhǔn)閾值，則判定該源圖像不存在缺陷，算法結(jié)果顯示OK。

2 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)采用的注塑機(jī)型號(hào)為東洋180T，模具為小型模（一模十六腔），產(chǎn)品為某品牌電子煙帽；模具監(jiān)視器運(yùn)行環(huán)境為Windows10（64 位），CPU 型號(hào)為Intel（R） Celeron（R）CPU J1900@1.99 GHz，內(nèi)存大小為4 GB，當(dāng)算法檢測(cè)結(jié)果為NG 時(shí)，注塑機(jī)會(huì)報(bào)警提示。

評(píng)價(jià)指標(biāo)為算法運(yùn)行時(shí)間（ms）、準(zhǔn)確率如式（10）、召回率如式（11）、精確率如式（12）：

其中，F(xiàn)P 為無殘留但觸發(fā)報(bào)警的情況次數(shù)，TP 為有殘留并且觸發(fā)報(bào)警的情況次數(shù)，F(xiàn)N 為有殘留但沒有觸發(fā)報(bào)警的情況次數(shù)，TN 為無殘留并且沒有觸發(fā)報(bào)警的情況次數(shù)。

圖4展示了在實(shí)際生產(chǎn)過程中，采用本文提出的算法達(dá)到的注塑機(jī)的模具監(jiān)視效果。從圖中可知，當(dāng)有產(chǎn)品未正常取出時(shí)，本文提出的算法可準(zhǔn)確地檢測(cè)到，并及時(shí)反饋正確判斷結(jié)果，以防壓模。

圖4 產(chǎn)品未正常取出時(shí)的檢測(cè)結(jié)果

為了驗(yàn)證本文算法的實(shí)際性能，筆者嘗試復(fù)現(xiàn)了性能較好的文獻(xiàn)[3]的算法，并與本文算法進(jìn)行對(duì)比實(shí)驗(yàn)。試驗(yàn)通過將兩種算法先后部署在同一臺(tái)注塑機(jī)的模具監(jiān)視器中，在保證模型型號(hào)、生產(chǎn)產(chǎn)品一致、ROI 區(qū)域一致的情況下，分別進(jìn)行1 000 輪次的半自動(dòng)真實(shí)生產(chǎn)任務(wù)，其中12 輪次存在殘留，988 輪次不存在殘留；以及100 輪次的半自動(dòng)手動(dòng)堵穴任務(wù)，其中100 輪次存在殘留，0 輪次不存在殘留。比較其每輪次算法運(yùn)行耗時(shí)、誤檢率及漏檢率。其結(jié)果如表1所示。

表1 不同算法的評(píng)價(jià)指標(biāo)結(jié)果

根據(jù)表中的實(shí)驗(yàn)數(shù)據(jù)可以得知，在算法耗時(shí)方面，本文算法的運(yùn)行耗時(shí)約為文獻(xiàn)[3]算法的一半，其原因在于本文算法未使用圖像預(yù)處理技術(shù)，僅使用直方圖統(tǒng)計(jì)數(shù)據(jù)進(jìn)行圖像處理，相比起文獻(xiàn)算法采用的預(yù)處理技術(shù)與SIFT 算子，減少了大量的計(jì)算量；從全自動(dòng)任務(wù)和半自動(dòng)任務(wù)的角度看，由于在半自動(dòng)任務(wù)中，每一輪模具都存在殘留，圖像中的角點(diǎn)量增多，因此其平均算法耗時(shí)會(huì)略高于全自動(dòng)任務(wù)，但本文算法由于采用直方圖統(tǒng)計(jì)算法，無論膜腔中是否存在殘留，其ROI 中像素總量保持不變，因此在兩種任務(wù)中，其算法耗時(shí)并沒有明顯差異。

在檢測(cè)結(jié)果和性能方面，本文算法的準(zhǔn)確率達(dá)到了96.2%，明顯高于文獻(xiàn)[3]算法，原因有二：一是在真實(shí)模具生產(chǎn)任務(wù)中，模具開腔的位置容易發(fā)生些許偏移，導(dǎo)致采集得到的圖像會(huì)發(fā)生些許移位，移位會(huì)造成ROI 區(qū)域內(nèi)的部分角點(diǎn)發(fā)生缺失，影響文獻(xiàn)[3]算法的性能；二是由于采用了紅外光+濾光片的光源組合，在過濾自然光的同時(shí)，會(huì)導(dǎo)致采集到的圖像整體偏暗，ROI 中模腔里的角點(diǎn)相對(duì)較少，影響了文獻(xiàn)[3]算法的性能。在召回率方面，兩種算法的表現(xiàn)都十分優(yōu)異，達(dá)到了100%，無漏報(bào)現(xiàn)象。分析得知對(duì)于文獻(xiàn)[3]算法，有無殘留時(shí)角點(diǎn)數(shù)值會(huì)有較大差異；對(duì)于本文算法，有無殘留會(huì)導(dǎo)致灰度直方圖的分布發(fā)生巨大差異，極易判定結(jié)果。在精確率方面，本文算法在保證較高準(zhǔn)確率的同時(shí)，依舊有高于文獻(xiàn)[3]算法的精確率，可見其在所有的報(bào)警情況里面，誤報(bào)的次數(shù)較少，有利于生產(chǎn)工作的正常進(jìn)行。但兩種算法在精確率方面的絕對(duì)大小并不高，說明算法還有較強(qiáng)的提升空間。

3 結(jié) 論

本文提出了一種基于直方圖的、可自適應(yīng)的、高性能的模具監(jiān)視器算法，主要解決實(shí)際生產(chǎn)任務(wù)中，模具監(jiān)視器需要設(shè)置大量參數(shù)、性能不佳等問題。該算法通過分析兩張模板圖片的直方圖分布，自動(dòng)適配出最佳的算法參數(shù)，無須人工設(shè)置任何參數(shù)，并且具備高實(shí)時(shí)性，實(shí)現(xiàn)誤檢率＜5%，漏檢率＜0.01%的參數(shù)目標(biāo)，與之前的算法相比，本文的算法性能更好，更符合實(shí)際生產(chǎn)需要。