譚立志

（湖南汽車工程職業(yè)學(xué)院 湖南 株洲 412001）

引言

由金屬電極和絕緣陶瓷體組成的火花塞是汽車的關(guān)鍵零件[1]，一旦火花塞出現(xiàn)缺陷，動(dòng)力不足、氣缸漏氣等問題也會(huì)接連出現(xiàn)，這些問題會(huì)對(duì)汽車駕駛?cè)藛T的生命安全產(chǎn)生直接影響。因此火花塞缺陷自動(dòng)檢測(cè)成為一項(xiàng)非常重要的環(huán)節(jié)[2]。但是，隨著火花塞生產(chǎn)的自動(dòng)化和規(guī)范化要求越來越高，現(xiàn)有方法明顯無法滿足火花塞缺陷檢測(cè)要求。

文獻(xiàn)[3]將原始缺陷圖像轉(zhuǎn)換為灰度化圖像，再通過閾值分割方法進(jìn)行處理，明確產(chǎn)品表面孔洞空間分布情況。在最小生成樹算法和圖像矩算法的共同作用下，得出缺陷自動(dòng)檢測(cè)結(jié)果。但是，該方法檢測(cè)準(zhǔn)確率較低。文獻(xiàn)[4]以卷積神經(jīng)網(wǎng)絡(luò)為核心，設(shè)計(jì)一種表面缺陷檢測(cè)技術(shù)，運(yùn)用注意力機(jī)制優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，獲取圖像深層特征，并描述為局部二值模式。建立極限學(xué)習(xí)機(jī)特征訓(xùn)練模型，并應(yīng)用改進(jìn)的麻雀搜索計(jì)算最優(yōu)訓(xùn)練參數(shù)，依據(jù)最優(yōu)訓(xùn)練模型進(jìn)行缺陷檢測(cè)。但是該檢測(cè)方法的穩(wěn)定性較差。文獻(xiàn)[5]采用金字塔下采樣技術(shù)，提取圖像內(nèi)待識(shí)別的目標(biāo)物體。再通過角點(diǎn)檢測(cè)、閾值分割等算法進(jìn)行圖像處理，結(jié)合布爾圖顯著性模型和頻率調(diào)諧模型，構(gòu)建視覺注意力融合檢測(cè)模型，基于該模型得出缺陷檢測(cè)結(jié)果。但是該方法漏檢率較高。

本文以火花塞缺陷自動(dòng)檢測(cè)為研究目標(biāo)，應(yīng)用機(jī)器視覺技術(shù)設(shè)計(jì)新的缺陷檢測(cè)方法。采用機(jī)器代替人工，獲取火花塞表面特征，再通過支持向量機(jī)學(xué)習(xí)算法，輸出最終缺陷檢測(cè)結(jié)果。根據(jù)實(shí)驗(yàn)驗(yàn)證結(jié)果可知，設(shè)計(jì)的方法可以得出更加準(zhǔn)確的檢測(cè)結(jié)果，更好地保證汽車運(yùn)行安全。

1 機(jī)器視覺技術(shù)的火花塞缺陷自動(dòng)檢測(cè)方法

1.1 建立機(jī)器視覺圖像采集方案

火花塞缺陷的檢測(cè)，需要先采集火花塞表面圖像。依托于機(jī)器視覺原理，應(yīng)用工業(yè)攝像機(jī)與CMOS型圖像傳感器[6]，獲取待檢測(cè)的火花塞試件圖像。根據(jù)傳感器尺寸和攝像頭工作距離，設(shè)置如下所示圖像采集參數(shù)：

式中：E 表示工業(yè)攝像機(jī)的鏡頭焦距；c 表示鏡頭與火花塞之間的距離；b 表示像距。

圖像采集過程中，為了避免光源顏色對(duì)缺陷檢測(cè)結(jié)果產(chǎn)生影響，按照正向照射方式布置LED 光源，打造良好的圖像采集光照條件，光源正向照射情況如圖1 所示。

圖1 光源正向照射圖

按照?qǐng)D1 所示的光源照射形式，布置合理的光照條件時(shí)，需要根據(jù)圖像灰度平均值，確定光源強(qiáng)度范圍，具體計(jì)算公式為：

式中：δ 表示圖像灰度平均值閾值；θ 表示采集圖像的灰度平均值；θ′表示圖像中間灰度值。

當(dāng)光照條件滿足要求后，采集火花塞表面圖像，作為火花塞缺陷自動(dòng)檢測(cè)的基礎(chǔ)。

1.2 設(shè)計(jì)火花塞缺陷圖像處理算法

考慮到圖像采集過程中，外界環(huán)境和相機(jī)性能都會(huì)影響圖像采集質(zhì)量，使得采集圖像存在干擾噪聲。為了得到更加真實(shí)的火花塞缺陷檢測(cè)結(jié)果，運(yùn)用機(jī)器視覺技術(shù)，對(duì)采集圖像進(jìn)行預(yù)處理。首先，將原始圖像轉(zhuǎn)換為灰度圖像。

式中：R 表示圖像紅色分量；G 表示圖像綠色分量；B表示圖像藍(lán)色分量；w1、w2、w3表示權(quán)重值。

灰度轉(zhuǎn)換處理后，隨機(jī)選取圖像中某一像素點(diǎn)，并記錄該像素點(diǎn)的坐標(biāo)。匯總該像素點(diǎn)周圍所有像素點(diǎn)，形成鄰域集合[7]。根據(jù)選定像素點(diǎn)的灰度值，對(duì)鄰域像素點(diǎn)進(jìn)行中值濾波處理：

式中：（i0，j0）表示圖像內(nèi)目標(biāo)像素點(diǎn)坐標(biāo)；L 表示中值濾波后圖像；λ 表示目標(biāo)像素點(diǎn)鄰域；（i，j）表示目標(biāo)像素點(diǎn)鄰域內(nèi)像素點(diǎn)坐標(biāo)點(diǎn)；f 表示像素點(diǎn)灰度值；N 表示鄰域內(nèi)像素點(diǎn)數(shù)量；sort 表示灰度值排序。

考慮到中值濾波處理后，圖像細(xì)節(jié)特征信息會(huì)出現(xiàn)模糊問題，應(yīng)用正弦函數(shù)，對(duì)濾波后圖像進(jìn)行增強(qiáng)處理。

式中：η 表示增強(qiáng)后像素點(diǎn)灰度值；ν 表示最小灰度值；φ 表示最大灰度值；sin 表示正弦函數(shù)。

此外，應(yīng)用機(jī)器視覺技術(shù)進(jìn)行圖像處理時(shí)，需要選定一張標(biāo)準(zhǔn)圖像，對(duì)采集圖像進(jìn)行配準(zhǔn)，實(shí)現(xiàn)待檢測(cè)圖像的校正。先定義參考圖像和待測(cè)圖像的灰度值[8]，再通過如下所示的數(shù)學(xué)模型，實(shí)現(xiàn)圖像配準(zhǔn)處理：

式中：（x，y）表示圖像中心像素點(diǎn)坐標(biāo)，K1表示參考圖像，K2表示實(shí)時(shí)采集的火花塞圖像，? 表示二維空間坐標(biāo)變換，ε 表示一維灰度變換。

由于火花塞缺陷檢測(cè)注重的是輪廓形狀，圖像灰度的微小差別對(duì)檢測(cè)結(jié)果影響不大。因此，直接定義一個(gè)可以同時(shí)匹配兩幅圖像的結(jié)合變換模型，通過模型的二維仿射變換[9]，完成圖像簡化配準(zhǔn)。二維仿射變換表達(dá)公式為：

式中：A、D 表示二維仿射變換參數(shù)矩陣；（xˉ，yˉ）表示變換后像素坐標(biāo)值。

在參考圖像和待測(cè)圖像內(nèi)，隨機(jī)提取3 組特征點(diǎn)坐標(biāo)，代入公式（7）得到變換參數(shù)矩陣，再對(duì)待測(cè)圖像進(jìn)行旋轉(zhuǎn)和縮放處理，輸出精確配準(zhǔn)后的火花塞圖像。

1.3 抽取圖像深度特征信息

依據(jù)改進(jìn)HOG 特征提取原理，設(shè)計(jì)一種抗干擾缺陷特征提取技術(shù)。深入分析火花塞生產(chǎn)原理，可以發(fā)現(xiàn)火花塞上方的螺紋均為豎條紋，為了凸顯特征信息，在梯度特征計(jì)算時(shí)，需要對(duì)每個(gè)方向分別進(jìn)行梯度加權(quán)計(jì)算，剔除邊緣干擾信息，賦予水平方向梯度更高的權(quán)重值。參考常規(guī)的梯度計(jì)算方法，定義水平、垂直梯度算子，結(jié)合卷積運(yùn)算方法得出梯度圖像。

式中：I 表示水平梯度算子；J 表示豎直梯度算子；σ表示火花塞灰度圖像；F1表示水平梯度圖像；F2表示豎直梯度圖像；?表示卷積運(yùn)算。

根據(jù)式（8）計(jì)算結(jié)果，可以得出待測(cè)圖像內(nèi)每個(gè)像素點(diǎn)對(duì)應(yīng)的梯度方向，對(duì)梯度方向進(jìn)行歸一化處理，計(jì)算出梯度幅值，應(yīng)用在后續(xù)HOG 特征提取過程中：

式中：M 表示梯度幅值；h、g 表示權(quán)值系數(shù)。

根據(jù)式（9）可知，兩個(gè)權(quán)值系數(shù)的取值，直接決定了HOG 特征提取的側(cè)重方向。因?yàn)榛鸹ㄈQ條紋特征是缺陷檢測(cè)所需的主要特征，在HOG 特征提取時(shí)，可以合理調(diào)整權(quán)值系數(shù)，增加水平方向的梯度分量，得到更加有意義的特征信息。

1.4 生成火花塞缺陷自動(dòng)檢測(cè)方案

將火花塞缺陷自動(dòng)檢測(cè)問題，描述為線性二分類問題，應(yīng)用支持向量機(jī)算法[10]，建立火花塞缺陷自動(dòng)檢測(cè)方案。首先，在特征樣本空間內(nèi)定義一個(gè)超平面，其線性方程為：

式中：u 表示輸入特征向量；ψ 表示法向量；ξ 表示超平面與原點(diǎn)之間的距離；（ψ，ξ）表示超平面標(biāo)記。

在超平面兩側(cè)布置兩個(gè)支持向量，如圖2 所示，二者之間的距離即為間隔。

圖2 支持向量與間隔示意圖

將原始特征樣本映射至高維特征空間，再通過支持向量機(jī)進(jìn)行計(jì)算，輸出缺陷檢測(cè)結(jié)果。

式中：r 表示特征向量編號(hào)；n 表示待輸入特征總數(shù)量；τ 表示缺陷檢測(cè)結(jié)果；α 表示核函數(shù)；o 表示單個(gè)特征向量分類結(jié)果；γ 表示映射后特征向量，?表示偏置值。

應(yīng)用“一對(duì)一抉擇”原理，結(jié)合上述支持向量機(jī)分類原理，構(gòu)造火花塞缺陷檢測(cè)分類器。將提取的特征向量輸入分類器中，明確當(dāng)前特征是否屬于缺陷類別，完成火花塞缺陷自動(dòng)檢測(cè)。

2 仿真實(shí)驗(yàn)

2.1 構(gòu)建數(shù)據(jù)集

應(yīng)用上文提出的缺陷檢測(cè)方法，進(jìn)行火花塞缺陷檢測(cè)實(shí)驗(yàn)，驗(yàn)證本文研究內(nèi)容的可行性。本次實(shí)驗(yàn)所需的圖像數(shù)據(jù)樣本，皆是通過130 萬像素的工業(yè)相機(jī)采集的。為了便于缺陷檢測(cè)，在圖像數(shù)據(jù)集制作過程中，將所有采集圖像尺寸均設(shè)置為1 024×1 280?？紤]到應(yīng)用支持向量機(jī)模型進(jìn)行缺陷檢測(cè)時(shí)，需要提前應(yīng)用大量樣本進(jìn)行訓(xùn)練。所以需要對(duì)采集圖像進(jìn)行旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等處理，實(shí)現(xiàn)數(shù)據(jù)集擴(kuò)充，如圖3 所示。按照?qǐng)D3 所示的擴(kuò)充方式，增加數(shù)據(jù)集內(nèi)圖像樣本數(shù)量，形成火花塞缺陷圖像1 200 張，火花塞非缺陷圖像1 800 張。選擇其中80%的圖像樣本，組成訓(xùn)練集，其余樣本作為測(cè)試樣本。

圖3 圖像樣本擴(kuò)充

2.2 圖像處理參數(shù)

考慮到應(yīng)用機(jī)器視覺系統(tǒng)，進(jìn)行火花塞圖像采集時(shí)，光學(xué)系統(tǒng)的反光會(huì)引起噪聲的出現(xiàn)。在圖像處理過程中，為了去除噪聲且保留圖像細(xì)節(jié)特征信息，選用非線性濾波器進(jìn)行處理。在不同終止頻率要求下，非線性帶阻濾波器的工作模式有所差異，本次實(shí)驗(yàn)分別設(shè)置終止頻率為5、10、15、20，得到圖4。

圖4 不同終止頻率下帶阻濾波器工作示意圖

以火花塞的墊圈圖像為例，運(yùn)用4 種非線性帶阻濾波器，進(jìn)行濾波處理，得到圖5 所示的處理結(jié)果。根據(jù)圖5 可知，當(dāng)濾波器的終止頻率為5 和10時(shí)，沒有消除光照影響，缺陷細(xì)節(jié)依舊較為模糊，而當(dāng)終止頻率設(shè)置為20 時(shí)，缺陷區(qū)域外背景圖像變得模糊，這兩種情況都會(huì)造成檢測(cè)結(jié)果出現(xiàn)誤差。只有終止頻率為15 時(shí)，既保留了缺陷細(xì)節(jié)，又完成了干擾信息去除，在此基礎(chǔ)上進(jìn)行火花塞缺陷檢測(cè)，可以得到更加準(zhǔn)確的檢測(cè)結(jié)果。

圖5 不同終止頻率濾波器處理后火花塞墊圈圖像

2.3 火花塞缺陷檢測(cè)結(jié)果

以某一張火花塞缺陷圖像為例，該圖像內(nèi)分布四個(gè)裂紋缺陷，應(yīng)用上文設(shè)計(jì)方法進(jìn)行缺陷檢測(cè)，得到圖6 所示的檢測(cè)結(jié)果。根據(jù)圖6 可知，所提方法的應(yīng)用，可以準(zhǔn)確且高效地檢測(cè)出火花塞的缺陷問題，表明了該方法的合理性。

圖6 缺陷檢測(cè)結(jié)果

再總結(jié)整體火花塞缺陷檢測(cè)結(jié)果，建立圖7 所示的混淆矩陣。根據(jù)圖7 可知，運(yùn)用上文提出方法進(jìn)行火花塞缺陷檢測(cè)，使得缺陷檢測(cè)準(zhǔn)確率達(dá)到了94%，背景檢測(cè)準(zhǔn)確率達(dá)到了100%，通過可視化形式描述研究內(nèi)容的有效性。

圖7 火花塞缺陷檢測(cè)混淆矩陣

2.4 檢測(cè)性能對(duì)比

為了進(jìn)一步描述基于機(jī)器視覺技術(shù)的火花塞缺陷檢測(cè)方法的應(yīng)用性能，選擇基于特征融合的檢測(cè)方法、基于決策樹的檢測(cè)方法作為對(duì)照組，同樣對(duì)測(cè)試集內(nèi)的火花塞圖像進(jìn)行檢測(cè)。得到三種方法檢測(cè)結(jié)果的準(zhǔn)確率和召回率后，計(jì)算二者的調(diào)和平均值，以此作為評(píng)價(jià)指標(biāo)，對(duì)比三種方法的缺陷檢測(cè)性能。

式中：F1-score 表示準(zhǔn)確率和召回率的調(diào)和平均值；P 表示準(zhǔn)確率；R 表示召回率；?表示權(quán)重因子。

依托于F1-score 值計(jì)算公式，得到表1 所示的對(duì)比結(jié)果。

表1 不同缺陷檢測(cè)方法的F1-score 值對(duì)比

從表1 可以看出，本文設(shè)計(jì)的缺陷檢測(cè)方法，F(xiàn)1-score 值為0.97，而其他兩種方法的F1-score 值僅為0.81、0.76。相對(duì)而言，采用文中提出的方法對(duì)火花塞缺陷進(jìn)行自動(dòng)檢測(cè)，使得檢測(cè)結(jié)果的F1-score值分別提升16%、21%。

3 結(jié)束語

零件是汽車的基本組成部分，很多零件出現(xiàn)缺陷，不僅僅會(huì)降低產(chǎn)品的美觀性，還可能直接影響汽車行駛安全。尤其是對(duì)于驅(qū)動(dòng)裝置內(nèi)的火花塞來說，一旦該零件出現(xiàn)缺陷問題，會(huì)對(duì)駕駛?cè)藛T和乘車人員的生命安全造成威脅。文中參考傳統(tǒng)的零件缺陷檢測(cè)方法，提出將機(jī)器視覺技術(shù)應(yīng)用到缺陷檢測(cè)過程中，對(duì)火花塞圖像進(jìn)行有效處理，從而得到更加真實(shí)的缺陷檢測(cè)結(jié)果。