劉瑞明，周韜，徐春融，陳倫奧

(江蘇海洋大學(xué)電子工程學(xué)院，江蘇連云港 222000)

碳纖維熱塑性復(fù)合材料以具有高比強(qiáng)度、高比模量和抗沖擊性強(qiáng)等特點(diǎn)著稱，被廣泛用于強(qiáng)度大且質(zhì)量輕的工業(yè)品中。碳纖維拉擠工藝是工業(yè)上生產(chǎn)連續(xù)纖維增強(qiáng)熱塑性復(fù)合材料的工藝之一。這類材料的力學(xué)性能明顯優(yōu)于長(zhǎng)纖維或短纖維增強(qiáng)的熱塑性復(fù)合材料。拉擠成型工藝制備的碳纖維板材軸向拉伸性能相當(dāng)突出，是普通鋼材良好替代品，具有優(yōu)異的力學(xué)性能、抗腐蝕性與低質(zhì)量系數(shù)，被廣泛應(yīng)用于建筑、交通、船舶與風(fēng)電領(lǐng)域[1]。碳纖維拉擠板材由高密度的碳纖維絲束與熱固性樹脂復(fù)合而成。在生產(chǎn)過(guò)程中，第一步將碳纖維絲束浸漬熱固性樹脂，使得樹脂充分浸漬到碳纖維絲束原材料上。第二步，根據(jù)材料成型要求在牽引力的作用下，浸漬過(guò)樹脂的碳纖維絲束通過(guò)相應(yīng)形狀的模具。在高溫高壓的條件下，碳纖維預(yù)浸料被拉擠成型、高溫固化生產(chǎn)出連續(xù)不限長(zhǎng)度的碳纖維拉擠板材[2]。拉擠成型是復(fù)合材料加工工藝中一種特殊的生產(chǎn)工藝，其優(yōu)點(diǎn)不僅在于自動(dòng)化程度高，而且生產(chǎn)效率高。碳纖維拉擠板材制成品纖維質(zhì)量分?jǐn)?shù)高達(dá)80%，可以充分發(fā)揮碳纖維復(fù)合材料拉伸強(qiáng)度高、拉伸彈性模量大、密度小且層間剪切強(qiáng)度大的特點(diǎn)[3]。隨著應(yīng)用市場(chǎng)的進(jìn)一步擴(kuò)大，碳纖維拉擠板構(gòu)件由于多厚度、多尺寸、形狀結(jié)構(gòu)復(fù)雜，難免在生產(chǎn)過(guò)程中產(chǎn)生不可避免的缺陷。這些缺陷會(huì)極大影響碳纖維拉擠板材的優(yōu)異性能，因此碳纖維拉擠板材缺陷檢測(cè)受到越來(lái)越多的學(xué)者的關(guān)注并對(duì)其進(jìn)行研究。在板材生產(chǎn)過(guò)程中，需要嚴(yán)格按照生產(chǎn)工藝要求在樹脂浸漬槽中精確地加入熱固性樹脂等。在碳纖維原絲的整個(gè)浸漬過(guò)程中，纖維浸漬的完全與否、浸漬時(shí)間、拉擠強(qiáng)度與速度等因素都會(huì)直接影響到拉擠產(chǎn)品的質(zhì)量[4]。

碳纖維拉擠板材會(huì)出現(xiàn)脫落、夾雜、褶皺、劃痕與斷裂缺陷。針對(duì)碳纖維拉擠板材生產(chǎn)過(guò)程中的缺陷，檢測(cè)方法主要分為視覺(jué)檢測(cè)法與物理檢測(cè)法。目前生產(chǎn)線上采用的人工視覺(jué)檢測(cè)法效率低、工人長(zhǎng)期工作易疲勞、常出現(xiàn)漏檢和誤檢。物理檢測(cè)法進(jìn)行缺陷檢測(cè)時(shí)會(huì)受到檢測(cè)條件的制約。諸如紅外波檢測(cè)需要板材冷卻，加熱傳導(dǎo)并形成溫度梯度；超聲波檢測(cè)需要在探頭處涂抹耦合劑，會(huì)對(duì)板材表面造成污染，無(wú)法進(jìn)行快速缺陷檢測(cè)；微波檢測(cè)需要建立理論模型，檢測(cè)參數(shù)的優(yōu)化尚需研究[5]。物理檢測(cè)法普遍檢測(cè)時(shí)間長(zhǎng)、檢測(cè)效率低，不適用于缺陷實(shí)時(shí)檢測(cè)，需要在靜置狀態(tài)下檢測(cè)產(chǎn)品缺陷，并不適用于生產(chǎn)線上的缺陷實(shí)時(shí)檢測(cè)。同時(shí)，由于碳纖維板材導(dǎo)熱、導(dǎo)電與導(dǎo)聲等物理特性會(huì)隨著熱固性樹脂與碳纖維復(fù)合比例的不同發(fā)生變化，加大了物理檢測(cè)法的檢測(cè)難度[6]。

碳纖維拉擠板材厚度薄，內(nèi)部纖維方向一致，缺陷?？梢栽诒砻骟w現(xiàn)。因此通過(guò)表面缺陷檢測(cè)不僅可以克服傳統(tǒng)物理檢測(cè)法諸多條件限制，而且降低了檢測(cè)成本。表面缺陷檢測(cè)通過(guò)攝像頭連續(xù)采集板材圖像，并通過(guò)計(jì)算機(jī)處理的方式，可以同時(shí)監(jiān)測(cè)多條產(chǎn)線的生產(chǎn)質(zhì)量。并且檢測(cè)圖像可保存下來(lái)，全程可追溯。隨著機(jī)器視覺(jué)算法在工業(yè)生產(chǎn)領(lǐng)域的快速應(yīng)用，表面缺陷檢測(cè)算法的發(fā)展進(jìn)入了快車道。通過(guò)將光度立體學(xué)梯度算法與模糊聚類隸屬度算法相結(jié)合，提高缺陷檢測(cè)的效率。實(shí)現(xiàn)缺陷實(shí)時(shí)采集、實(shí)時(shí)標(biāo)記、實(shí)時(shí)處理分類。提高生產(chǎn)過(guò)程中的檢測(cè)效率。

1 缺陷表面特點(diǎn)與不良影響

1.1 缺陷表面特點(diǎn)

表面缺陷在碳纖維拉擠板材生產(chǎn)過(guò)程中時(shí)有發(fā)生，其產(chǎn)生原因多樣。將正常圖像作為對(duì)照組(見(jiàn)圖1a)。表面缺陷包括脫落、夾雜、褶皺、劃痕與斷裂。以上各種缺陷表面特點(diǎn)見(jiàn)表1。

圖1 表面圖像樣張

1.2 缺陷不良影響

各種缺陷會(huì)造成的不良影響如下：

(1)脫落(見(jiàn)圖1b)指脫模布與板材表面未緊密貼合，形成大面積空隙。未能形成板材表面包覆，使得板材表面光潔度變差，黏合強(qiáng)度降低，且容易受潮腐蝕內(nèi)部碳纖維。

(2)夾雜(見(jiàn)圖1c)指板材與脫模布黏合不緊密，形成不連續(xù)，雪花狀空隙，夾雜在脫模布與板材之間的雜物，不易清潔，容易形成凹坑，影響板材平整性。

(3)褶皺(見(jiàn)圖1d)是由于拉擠時(shí)脫模布貼合不均勻，在表面形成重疊。使用時(shí)需用揭除脫模布，褶皺會(huì)在板材表面留下壓痕與脫模布?xì)埩粑?，不容易清潔?/p>

(4)劃痕(見(jiàn)圖1e)源于拉擠模具表面不光滑，而在拉擠時(shí)在板材表面形成表面劃痕，由于劃痕深淺不一，嚴(yán)重時(shí)會(huì)破壞纖維內(nèi)部結(jié)構(gòu)，造成纖維裂痕或受損。

(5)斷裂(見(jiàn)圖1f)由于拉擠強(qiáng)度太大而導(dǎo)致脫模布或板材斷裂，由于突然的非均勻受力，會(huì)降低纖維間剪切強(qiáng)度。層間剪切強(qiáng)度每下降3%，彎曲彈性模量以2%的比率下降，其它性能以5%左右的比例下降[7]。

2 缺陷圖像采集與處理

2.1 光度立體學(xué)缺陷采集

在表面缺陷拍攝獲取時(shí)，不同光場(chǎng)下的圖像具有各自的優(yōu)點(diǎn)和缺點(diǎn)。常用的光度立體學(xué)測(cè)量由WOODHAN提出[8]，主要分為明場(chǎng)照明與暗場(chǎng)照明。明場(chǎng)照明是指攝像機(jī)放置在反射光路之中，在缺陷部位會(huì)產(chǎn)生非均勻的漫反射，而在無(wú)缺陷部分為均勻的鏡面反射。暗場(chǎng)照明相反，攝像機(jī)并未放置在反射光路之中，會(huì)因表面有凹凸缺陷產(chǎn)生漫反射，因此攝像頭會(huì)接收到光線，而無(wú)缺陷時(shí)則接收不到光線。故而暗場(chǎng)照明也常用于三維缺陷檢測(cè)[9]。

板材表面在覆蓋脫模布的情況下會(huì)使得光線照射在表面凹凸的脫模布上時(shí)會(huì)產(chǎn)生漫反射，邊緣會(huì)在高壓拉擠成型后形成的光滑的平面上產(chǎn)生鏡面反射。由于碳纖維拉擠板材表面不是嚴(yán)格的鏡面，因此圖像采集過(guò)程中，把兩種照明方式結(jié)合起來(lái)使用。圖2為不同光度立體學(xué)場(chǎng)景下采集到的圖像，其分別為明場(chǎng)照明(見(jiàn)圖2a)和暗場(chǎng)照明(見(jiàn)圖2b)，明場(chǎng)照明時(shí)亮度較高，缺陷細(xì)節(jié)明顯，但也因此會(huì)產(chǎn)生光污染，圖像噪聲較多。暗場(chǎng)照明可以有效抑制圖像噪聲，但同時(shí)缺少圖像細(xì)節(jié)。在相機(jī)拍攝取樣時(shí)同時(shí)引入兩種光場(chǎng)下的樣張，以獲得不同光場(chǎng)條件下各自成像的優(yōu)點(diǎn)[10]。

圖2 明暗場(chǎng)圖像

根據(jù)光度立體學(xué)原理[11]，理想表面反射特性公式為：

式中：光源強(qiáng)度為I0，入射角度為θs，L1為理想表面反射光線強(qiáng)度。

對(duì)于表面粗糙程度不一的反射表面，其表面反射特性為：

式中：ξ為表面反射率，光源強(qiáng)度為I0,θ為光源與表面法線夾角，s為光源入射方向矢量。L2為粗糙表面反射特性。

2.2 梯度處理

通過(guò)梯度處理不僅可以降低圖像噪聲，而且能夠通過(guò)梯度處理將明場(chǎng)圖像與暗場(chǎng)圖像融合，從而形成高質(zhì)量低噪聲的采集圖像。根據(jù)光線矢量定義，被攝像機(jī)捕捉到的為反射方向上反射光線的矢量[12]。令P1,P2,P3分別為條狀LED光源下，L=(Lx,Ly,Lz)為光源方向的單位向量，N=(Nx,Ny,Nz)T為測(cè)量對(duì)象某點(diǎn)的單位法向量，因此在不同光源方向下反射的光線強(qiáng)度用L1,L2,L3。轉(zhuǎn)換成矩陣的形式可得：

在單位向量下，板材的表面反射率ξ為：

推導(dǎo)得測(cè)量點(diǎn)單位法向量為：

分別對(duì)于矩陣像素中的測(cè)量點(diǎn)作偏導(dǎo)可分別得到x,y方向上的梯度X,Y。

在描述一個(gè)表面的粗糙程度時(shí)，將選定基準(zhǔn)平面(x,y)，表面各點(diǎn)的高度為h(x,y)。由于碳纖維拉擠板表面覆蓋脫模布，邊緣未覆蓋脫模布，因此會(huì)產(chǎn)生漫反射與鏡面反射。通過(guò)測(cè)量點(diǎn)反射光線強(qiáng)度的梯度處理放大缺陷與正常表面像素值差異。

3 模糊聚類缺陷檢測(cè)

3.1 缺陷劃分

模糊聚類是模糊識(shí)別的一個(gè)重要組成部分，是一種無(wú)監(jiān)督的模式識(shí)別方法。表面缺陷檢測(cè)算法是一種基于模糊聚類算法的缺陷分類方法。模糊聚類算法依據(jù)最大隸屬度原則、最大貼近度原則和最小距離原則決定板材缺陷所屬的種類[13]。根據(jù)模糊集理論在缺陷模式識(shí)別過(guò)程中的應(yīng)用，通常使用目標(biāo)物聚類法，可以通過(guò)計(jì)算目標(biāo)特征的可能性分布模糊算子，并引入模糊聚類的方法，通過(guò)聚類有效性檢測(cè)碳纖維板材表面缺陷[14]。

隸屬度有效性的判定主要根據(jù)聚類劃分系數(shù)與缺陷隸屬度矩陣，這里把劃分系數(shù)F(U;c)定義成：

式中：U為感興趣區(qū)域圖像矩陣有限集合，c為分類的條目，uij2表示樣本i到第j個(gè)聚類中心的歐式距離。將其擴(kuò)展到歐式空間之后，可誘導(dǎo)出劃分系數(shù)F(U;c)的歐式范數(shù)為：

對(duì)于圖像的聚類中心數(shù)c和隸屬度矩陣U，劃分熵H(U;c)定義為：

根據(jù)劃分熵H(U;c)與劃分系數(shù)F(U;c)有相關(guān)關(guān)系的原理，將聚類的有效性劃分開來(lái)[15]。不同聚類可以劃分不同的表面損傷，從而方便進(jìn)行評(píng)估。

劃分系數(shù)F(U;c)模型中，根據(jù)子集的關(guān)聯(lián)程度劃分為兩個(gè)模糊關(guān)聯(lián)子集，將Sij定義為相似程度的測(cè)量：

此式將劃分系數(shù)與模糊集合的相似程度總平均值建立聯(lián)系，在i≠j條件下，當(dāng)F(U;c)為1時(shí)，Sij為0；由此可見(jiàn)F(U;c)與Sij在相關(guān)性上為反比關(guān)系。

缺陷劃分具體流程如下：

(1)通過(guò)將感興趣區(qū)域灰度圖像矩陣化，得到缺陷區(qū)域的灰度矩陣。

(2)再通過(guò)聚類的有效性判定缺陷的具體位置。

(3)最后通過(guò)缺陷隸屬度函數(shù)檢測(cè)出缺陷的種類。

(4)若該區(qū)域沒(méi)有缺陷，則判定合格；若區(qū)域有缺陷，則給出缺陷判定種類。

3.2 缺陷標(biāo)記

缺陷模糊信息熵模型處理的樣本集來(lái)源于缺陷隸屬度劃分處理后的樣本集，模糊信息熵模型是用來(lái)進(jìn)行缺陷檢測(cè)標(biāo)記的模型[16]。缺陷檢測(cè)模糊信息熵模型進(jìn)行缺陷標(biāo)記時(shí)，權(quán)重系數(shù)以模糊信息熵為基準(zhǔn)，篩選相似特征與無(wú)關(guān)特征。權(quán)重系數(shù)并非固定值，而是根據(jù)具體模糊信息熵而自適應(yīng)變化[17]。

在缺陷檢測(cè)中常采用模糊信息熵的方法去定量表示圖像表面變化程度[18]，根據(jù)香農(nóng)信息熵概率分布定義有：

式中：pi為發(fā)生概率，H為該像素點(diǎn)香農(nóng)信息熵。

根據(jù)香農(nóng)信息熵定義模糊劃分的信息熵為：

式中：H(U;C)為模糊劃分信息熵,U為初始矩陣，U=uij,C為樣本集分類的條目,uij表示在第i行，第j列像素發(fā)生概率。

模糊信息熵值主要用于確定圖像點(diǎn)與相鄰點(diǎn)之間隸屬度的差異[19]，考慮到左右像素，模糊邊界P(X)可以用以下公式確定：

式中：M,N為圖像的尺寸，μX(x)為模糊隸屬度函數(shù)，該函數(shù)使用扎德的標(biāo)準(zhǔn)S函數(shù)，其定義如下：

參數(shù)a,b,c服從以下限制：b=是函數(shù)的拐點(diǎn)，Δb=b-a=c-b是帶寬，當(dāng)x=bμ(x)=0.5時(shí)成立。

缺陷標(biāo)記具體流程如下：

(1)將隸屬度模型劃分出的缺陷分類至各個(gè)缺陷樣本集。

(2)將提取到的缺陷特征樣本通過(guò)提取特征值與特征向量將特征規(guī)范化。

(3)計(jì)算的權(quán)重系數(shù)進(jìn)行缺陷特征檢測(cè)，良好的權(quán)重系數(shù)應(yīng)分辨相似的缺陷特征[20]。

(4）排除設(shè)置固定權(quán)重系數(shù)對(duì)缺陷分類的干擾并進(jìn)行缺陷特征標(biāo)記。

4 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析

4.1 缺陷劃分系數(shù)的選取

在進(jìn)行缺陷劃分時(shí)，需要確定劃分系數(shù)F(U;c)模型，由公式(11)可知F(U;c)與Sij在相關(guān)性上為反比關(guān)系。Sij為相似程度的測(cè)量。因此劃分系數(shù)F(U;c)數(shù)值小時(shí)，相似程度Sij高。反之，劃分系數(shù)F(U;c)數(shù)值大時(shí)，相似程度Sij小。缺陷劃分的目的是通過(guò)合適的劃分系數(shù)與相似程度選取將缺陷關(guān)聯(lián)子集從整體中分離來(lái)。因此無(wú)論過(guò)高或過(guò)低的選取系數(shù)都將降低缺陷劃分的質(zhì)量。如圖3a所示，當(dāng)選取F(U;c)=0.9,Sij=0.1時(shí)，此時(shí)相似程度Sij較小，從圖中可以清晰看出，凸出的簇十分的密集，這里將簇與簇之間的關(guān)系稱為關(guān)聯(lián)子集。因此關(guān)聯(lián)子集數(shù)量也十分龐大。不僅會(huì)增加數(shù)據(jù)篩選時(shí)間，而且會(huì)將缺陷主體分割為細(xì)小的塊。最終導(dǎo)致劃分時(shí)間長(zhǎng)，劃分主體不明確。反之由圖3d，當(dāng)選取F(U;c)=0.1,Sij=0.9時(shí)，會(huì)因關(guān)聯(lián)子集數(shù)量過(guò)少，難以區(qū)分缺陷的主體邊緣。在圖3b，F(xiàn)(U;c)=0.7,Sij=0.3與圖3cF(U;c)=0.3,Sij=0.7時(shí)，關(guān)聯(lián)子集數(shù)量合適，可以在劃分子集密集度與相似程度之間達(dá)成一個(gè)理想的取值區(qū)間。

圖3 不同缺陷劃分系數(shù)的選取

因此基于實(shí)驗(yàn)劃分?jǐn)?shù)據(jù)的比較與缺陷子集關(guān)聯(lián)程度的劃分，將劃分系數(shù)F(U;c)與相似程度Sij的取值范圍定義在0.3～0.7之間，兩者為反比關(guān)聯(lián)關(guān)系。

4.2 缺陷標(biāo)記圖像三維隸屬度

在缺陷標(biāo)記過(guò)程中，根據(jù)模糊隸屬度已經(jīng)區(qū)分出正常板面與缺陷區(qū)域，使用模糊信息熵模型通過(guò)從不同角度比較表面像素變化程度，模糊隸屬度函數(shù)μX(x)將通過(guò)公式(14)比較相鄰像素點(diǎn)之間的隸屬度差異，缺陷邊緣確定之后，通過(guò)分析缺陷邊緣形狀與不同角度缺陷的像素凸起形態(tài)區(qū)分不同種類的缺陷。

圖4為不同角度圖像三維隸屬度，可以從圖4明顯觀察出，缺陷本體經(jīng)過(guò)缺陷劃分已經(jīng)被分離出板材表面。圖4中凸出的脊柱即為劃分出的缺陷。模糊信息熵模型中的隸屬度函數(shù)將記錄不同角度下缺陷的特征參數(shù)，通過(guò)比較不同角度下的形態(tài)特征區(qū)分出不同缺陷并進(jìn)行缺陷種類標(biāo)記。圖4a右斜側(cè)、圖4b左斜側(cè)與圖4c后斜側(cè)分別從不同角度體現(xiàn)缺陷的特征。隸屬度模型通過(guò)分析不同角度的模型參數(shù)標(biāo)記缺陷種類，最終通過(guò)不同顏色的標(biāo)記使得人們通過(guò)計(jì)算機(jī)屏幕的虛擬顯示清晰地區(qū)分出不同缺陷類型。

圖4 不同角度圖像三維隸屬度

4.3 缺陷標(biāo)記結(jié)果

圖5～圖9分別為脫落、夾雜、褶皺、劃痕與斷裂缺陷的缺陷檢測(cè)圖，其中圖5～圖9的(a)圖為光度立體學(xué)圖像，圖像無(wú)噪點(diǎn)，缺陷輪廓清晰可見(jiàn)。圖5～圖9的(b)圖為模糊聚類隸屬度圖像，圖像相鄰點(diǎn)之間隸屬度的差異被清晰顯示出來(lái)，缺陷邊緣與缺陷內(nèi)部體現(xiàn)出明顯隸屬度差異。圖5～圖9的(c)圖為通過(guò)缺陷信息熵模型標(biāo)記并且檢測(cè)之后的樣張。

圖5 脫落缺陷檢測(cè)

脫落缺陷檢測(cè)的難點(diǎn)在于，脫落面積、形狀與程度不一。如圖5a所示，圖像中部為大面積矩形輪廓狀缺陷，顏色呈白色，為嚴(yán)重的脫落缺陷。圖像上半部分的左右兩側(cè)呈現(xiàn)出模糊狀不規(guī)則形狀缺陷，顏色為淺白色，外輪廓無(wú)矩形狀脫落缺陷清晰。通過(guò)劃分系數(shù)F(U;c)模型中Sij相似程度的測(cè)量，評(píng)估兩個(gè)關(guān)聯(lián)子集中的相似程度[21]。以便利用隸屬度模型將缺陷輪廓分離出來(lái)。

夾雜最顯著的特點(diǎn)為雪花狀的不規(guī)則輪廓，分布雜亂且遍布表面，如圖6a所示。在確定樣本聚類中心形成了較大的模糊隸屬度范圍，如圖6b中模糊聚類隸屬度圖像可以明顯看出，缺陷樣本歐式距離uij2的選取略大，造成輪廓膨脹，其目的是最大可能將全部缺陷輪廓包含在內(nèi)。避免因缺陷輪廓不規(guī)則導(dǎo)致的邊緣輪廓選取遺漏。在圖6c的缺陷標(biāo)記中，根據(jù)圖像表面變化程度，調(diào)整信息熵權(quán)重系數(shù)，縮小缺陷邊緣聚類歐氏距離，標(biāo)記出夾雜缺陷。

圖6 夾雜缺陷檢測(cè)

褶皺如圖7a所示，碳纖維板材拉擠過(guò)程中脫模布相互重疊所導(dǎo)致的褶皺，外輪廓呈線性長(zhǎng)條狀，顏色為白色。聚類中心的選取依據(jù)缺陷隸屬度矩陣，在圖7b模糊聚類隸屬度圖像中可以清晰分辨出褶皺缺陷與正常板材表面的隸屬度差異。

圖7 褶皺缺陷檢測(cè)

圖8為劃痕缺陷檢測(cè)。通過(guò)比較圖7b與圖8b可以看出，褶皺與劃痕在模糊隸屬度上有較多相似之處，因此在檢測(cè)過(guò)程中根據(jù)聚類劃分系數(shù)與缺陷隸屬度矩陣未能將其有效分離，隸屬度矩陣U與劃分系數(shù)F(U;c)在處理相似特征時(shí)，存在誤檢概率。模糊信息熵模型可以將相似特征分離，模糊邊界P(X)用于確定圖像點(diǎn)與相鄰點(diǎn)之間隸屬度的差異。褶皺與劃痕雖然輪廓痕跡相似，但相鄰像素點(diǎn)模糊熵值存在明顯差異。通過(guò)圖7c與圖8c缺陷標(biāo)記可以看出褶皺標(biāo)記連續(xù)，而劃痕標(biāo)記不連續(xù)，因此驗(yàn)證相鄰像素點(diǎn)模糊熵值差異。

圖8 劃痕缺陷檢測(cè)

圖9為斷裂缺陷檢測(cè)。比較圖9b與圖9c可以看出，夾雜缺陷與斷裂缺陷同時(shí)并存，由于受到夾雜缺陷圖像邊界模糊的影響，隸屬度函數(shù)未能將斷裂與夾雜分離，在模糊聚類隸屬度模型(見(jiàn)圖9b)中沒(méi)有準(zhǔn)確劃分出斷裂缺陷的清晰邊界。然而，設(shè)計(jì)的缺陷信息熵模型在(圖9c)標(biāo)記出了斷裂的缺陷位置。體現(xiàn)出公式(14)中P(X)的優(yōu)異分離性能。在與其他缺陷混雜時(shí)，可以有效識(shí)別缺陷，減少了誤檢與漏檢。

圖9 斷裂缺陷檢測(cè)

4.4 實(shí)驗(yàn)數(shù)據(jù)分析

碳纖維拉擠板材表面5種典型缺陷檢測(cè)結(jié)果見(jiàn)表2，各種類型缺陷樣本檢測(cè)數(shù)量大致相當(dāng)，樣張檢測(cè)數(shù)量多，避免偶然誤差與隨機(jī)誤差對(duì)于實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)結(jié)果的影響。通過(guò)分析實(shí)驗(yàn)數(shù)據(jù)可知，劃痕檢測(cè)準(zhǔn)確率略低于其他缺陷類型，檢測(cè)準(zhǔn)確率為98.05%，脫落、夾雜與斷裂缺陷檢測(cè)準(zhǔn)確率均在98.5%左右，褶皺缺陷檢測(cè)準(zhǔn)確率最高為98.91%。實(shí)驗(yàn)共計(jì)檢測(cè)缺陷樣本1 323個(gè)，漏檢10個(gè)，誤檢10個(gè)，成功檢測(cè)數(shù)1 303個(gè)，總計(jì)缺陷檢測(cè)準(zhǔn)確率98.48%，符合質(zhì)量檢測(cè)準(zhǔn)確率要求。

表2 碳纖維拉擠板材缺陷檢測(cè)數(shù)據(jù)表

通過(guò)實(shí)驗(yàn)驗(yàn)證統(tǒng)計(jì)數(shù)據(jù)可知，劃痕的誤檢與漏檢個(gè)數(shù)較高，在其缺陷檢測(cè)準(zhǔn)確率上仍有進(jìn)步的空間。脫落缺陷在混檢采集時(shí)有較高的誤檢個(gè)數(shù)的原因在于外輪廓與其他缺陷特征相似。夾雜存在漏檢的原因在于缺陷像素點(diǎn)較為模糊，信息特征不明顯。在之后的算法改進(jìn)與優(yōu)化中應(yīng)加以重視。缺陷劃分達(dá)成了預(yù)期的目標(biāo)，總體檢測(cè)成功率較高，誤差范圍小，具備良好的缺陷檢測(cè)性能。漏檢個(gè)數(shù)以及誤檢個(gè)數(shù)較少，在缺陷檢測(cè)準(zhǔn)確率要求上達(dá)到了預(yù)期設(shè)計(jì)要求。

5 結(jié)論

提出了一種基于模糊聚類與模糊信息熵的碳纖維拉擠板材表面缺陷識(shí)別方法。并在樣張采集與預(yù)處理上，分別使用了光度立體學(xué)圖像取樣有效提高了樣張質(zhì)量，缺陷圖像梯度矩陣降低了樣張?jiān)肼?。使得碳纖維拉擠板材表面缺陷檢測(cè)達(dá)到了良好的檢測(cè)性能。脫落、夾雜、褶皺、劃痕與斷裂總計(jì)5種缺陷為碳纖維拉擠板材生產(chǎn)過(guò)程中常出現(xiàn)的缺陷，提出的方法可以有效替代碳纖維拉擠板材在生產(chǎn)過(guò)程中依賴人工視覺(jué)的檢測(cè)模式。也滿足連續(xù)生產(chǎn)過(guò)程中，不間斷檢測(cè)的需要，釋放勞動(dòng)力的同時(shí)提高了缺陷檢測(cè)的效率。所用檢測(cè)方法依賴單目機(jī)器視覺(jué)，因此具有二維圖像的固有弊端，無(wú)法對(duì)于板材凹痕深淺與斷裂深度等信息加以測(cè)量。在未來(lái)的研究過(guò)程中會(huì)繼續(xù)加以優(yōu)化與完善。