基于灰度共生矩陣的注塑模具瑕疵檢測

馬琳，王直杰，朱曉明，許駿

（東華大學 上海 201620）

基于灰度共生矩陣的注塑模具瑕疵檢測

馬琳，王直杰，朱曉明，許駿

（東華大學 上海 201620）

遺留物檢測是注塑機工作過程中的一項重要工作。為實現比較精確的模具遺留物檢測，在對圖像進行位置偏差矯正等預處理之后利用灰度共生矩陣算法，對標準圖像與采集圖像進行紋理分析，得到了這兩幅注塑模具圖像的特征參數，取四個特征參數進行分析，利用加權歐式距離對兩組參數進行相似度比較，從而判斷采集的圖像是否為瑕疵圖像。最后，利用OPENCV圖像處理技術對系統進行了實現，并且和常用方法差影法進行了比較，試驗結果表明，在光照不穩定情況下，提出的算法在注塑模具的遺留物檢測中適用性更強。

圖像處理；遺留物；灰度共生矩陣；OPENCV；注塑模具

注塑行業[2]的注塑產品生產過程需要經過很多復雜的工序，每道工序都要求自動化完成。其工作原理是首先將原材料吸入一個真空容器中，進行干燥處理，再傳入注塑機的機身中，將原料高溫加熱融化，注射到閉合的模腔內，然后快速冷卻，開模后用機械手取走成型模具。這樣反復循環。雖然目前注塑行業已經進入了自動化生產階段，但是在脫模階段，經常會發生原料殘留的現象，所以需要人工現場看護，這樣就大大降低了機器的自動化水平。目前圖像處理技術在注塑模具殘留物檢測中已有所運用，常用的方法有差影法。圖像差影法[3]即是圖像的相減運算，但是差影法對圖像的預處理要求很高，受光線和位置偏差影響較大，很容易產生誤差。本文利用所有圖像都具有一定的紋理特性[4]，先對圖像進行位置偏差矯正等預處理，然后基于灰度共生矩陣算法[4]，對模板圖像與采集圖像進行紋理分析，判別是否有遺留物的存在。最后將文中方法與差影法做比較，證明了文中方法更加可靠。

1 系統設計

系統主要的流程圖如圖1所示。即先對相機采集的圖像進行預處理以及位置偏差矯正，對圖像分塊操作，算取每個窗口的紋理特征值[5]，與模板圖像進行相似度比較，最后取最小相似度的值，預先設定一個相似度閾值，若結果小于閾值，則此圖像存在遺留物，為不合格產品，否則為合格產品。本文的主要工作是對拍攝圖像進行位置偏差矯正以及通過紋理分析比較標準圖像與測試圖像的相似度。

圖1 系統流程圖Fig.1 Flow chart of the system

2 位置偏差矯正

由于測試中，有可能因為機器振動產生相機的位置偏差。文中利用圖像匹配算法，找出檢測圖中要檢測的區域作為接下來要處理的測試圖像。這樣比對的圖像就具有了一致性，解決了位置偏差的問題。

文中采用的是基于灰度的相關匹配，它是一種對共軛圖像逐像元以一定大小的窗口的灰度陣列，按某種或幾種相似性度量順次進行搜索匹配的方法，文中采用歸一化相關匹配算法。設模板由M(u,v)表示，當前圖像中要搜索的區域由S(x,y)表示，歸一化互相關法（NCC）可表示為：

（u,v）和（x,y）分別表示模板和測試圖像的位置，（U,V）表示模板圖像的大小。對于各種類型的圖像，NCC方法均具有良好的抗干擾性。

3 圖像的紋理特征提取

灰度共生矩陣[6-8]（記為W）是統計空間上具有某種位置關系的一對像元灰度對出現的概率，其實質是從圖像中灰度為i的象素（其位置為（x,y））出發，統計與其距離為d灰度j的象素（x+Dx，y+Dy）同時出現的次數P（i,j,d,），數學表達式如下：

其中，x,y是圖像中的像素的坐標，i,j是對應坐標點的灰度值，Dx和Dy表示位置的偏移量，d為生成W陣的步長，θ為生成方向，可以取0°，45°,90°,135°4個方向。需要對上述矩陣進行歸一化[9]，即得滿足某種位置關系的像素對出現的概率，R為歸一化常數。灰度共生矩陣共有14個特征參數，本文主要討論能量，熵，對比度以及相關性這4個特征[10-12]。

角二階矩也稱為能量，反應了圖像灰度分布均勻程度和紋理粗細程度，細紋理對應較小的角二階距。

對比度反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊。

相關是圖像所具有的信息量的度量，它表示了圖像中紋理的非均勻程度或復雜程度。

熵代表圖像的信息量，表示紋理的復雜度，是圖像內容隨機性的度量。無紋理熵為0，有紋理熵最大。

4 試驗設計與結果分析

4.1 試驗設計

本文的主要設計步驟為：

1)對圖像進行平滑去噪等預處理，然后對圖像進行位置偏差矯正，根據模板圖像和采集圖像進行匹配，劃定出所要檢測的區域。

圖2 模板匹配Fig.2 Template match

根據匹配的結果將區域截取下來，作為接下來要處理的圖像。如圖3所示。

圖3 ROI區域Fig.3 ROI area

2)利用灰度共生矩陣提取紋理參數；

本文根據灰度共生矩陣來判斷是否存在殘留物。通過分析灰度共生矩陣的4個紋理特征參數的變化規律，確立了適合描述本文模具的構造方法。為了減少計算量，文中將圖像的灰度級量化到16級；并采用對特征參數取4個方向平均值的方法來消除生成方向的影響。以圖像的像素距離分別為1、3、5為例，得到不同的灰度共生矩陣以及相關參數。圖4是模板圖像和測試圖像得到的參數折線圖。

由折線圖可以看出，兩幅圖的四個參數相差的都很小，若選取一個參數作為檢測值，閾值很難選取，精確度會很低。

因此選擇將兩組紋理參數基于加權歐氏距離進行相似度比較，得出相似度的值為0.98。

若先對兩幅圖像做分塊操作，以5×5大小的窗口遍歷圖像，計算出每個窗口圖像的灰度共生矩陣，其中圖像像素距離取3，求出四個特征參數，再與模板圖像相應地進行相似比較，算出最小相似度大小為0.84，與0.98進行比對，證明分塊操作明顯提高了檢測的準確性。

4.2 驗結果分析

圖像差影法即是圖像的相減運算，該運算是把同一景物在不同時間拍攝的圖像或同一景物在不同波段的圖像相減，利用得到的圖像間的差異以達到監測和識別等目的。圖4中，(a),(b)圖是不同光照條件下的模板圖，(c)圖為光照條件與(b)圖一樣的瑕疵圖。

圖4 數據分析圖Fig.4 Data graph

圖5 測試圖Fig.5 Test image

由差影法原理，將兩幅圖像相減結果如下。相同光照下圖像面積差求得為853，不同光照圖像面積差為12662.5，由得出的數值可發現，不同光照下圖像減差法得出的結果差異較大。

圖6 測試結果圖Fig.6 Result image

而用本文方法，得到(b)，(c)圖的相似度為0.85，(a)，(c)圖的相似度為0.86，說明在不同光照條件下，結果差異不大。由上述兩種方法可以看出，在光照條件不穩定的情況下，文中的方法適用性更強一些。

5 結束語

文中提出了一種基于灰度共生矩陣的注塑模具殘留物檢測的方法，并且考慮了機器振動給相機采集圖像帶來的影響，在預處理部分增加了位置偏差矯正這一環節，使得每次處理的圖像都是同一區域位置，排除了位置移動帶來的影響；同時將灰度共生矩陣算法運用到注塑模具的瑕疵檢測中，使其運用更加廣泛。對圖像分塊進行紋理分析，結合歐氏距離，利用相似度測量判定是否存在遺留物，經多次試驗，此方法可行有效，與差影法進行試驗比較，在光照條件不穩定的情況下，此方法適用性更強，結果更精確可靠。但此方法對于具有規律紋理性的模具適用性更強，對于不同模具，具體參數需要根據實際情況重新選取，具有一定的局限性，仍需進一步研究。

[1]于仕祺，劉瑞禎.學習OpenCV[M].北京：清華大學出版社，2009.

[2]胡朱華,張瑞林,張曉文,等.注塑生產中殘留物監測系統的研究[J].工業控制計算機,2011(5):54-55. HU Zhu-hua,ZHANG Rui-lin,ZHANG Xiao-wen,et al.Research on residue monitoring system in injection molding production[J].Industrial Control Computer,2011(5):54-55.

[3]降雨志,張義順,張華軍,等.投影法和差影法在焊縫跟蹤圖像識別中的應用[J].沈陽工業大學學報,2005(5):82-85. JIANG Yu-zhi,ZHANG Yi-shun,ZHANG Hua-jun,et al. Application of both projection and difference image methods in welding seam recognition system[J].Journal of Shengyang University of Technology.2005(5):82-85.

[4]馮建輝,楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪,2007(3):19-22. FENG jian-hui,YANG yu-jing.Study of texture images extraction based on gray level co-occurrence matrix[J]. Beijing Surveying and Mapping,2007(3):19-22.

[5]Leen-Kiat S，Costas T.Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices[J].IEEE Tra-ns Geosci Remote Sensing，1999，37（2）：780-795.

[6]蘇靜,黎明.基于灰度共生矩陣的金屬斷口圖像的分類研究[J].計算機工程與應用,2008(9):223-225,234. SU Jing,LI Ming.Research of metal fracture image classfication based on GLCM[J].Computer English and Applications, 2008(9):223-225,234.

[7]Barald IA,Parm Iggian F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans on Geoscience and Remote sensing,1995,33(2):293-303.

[8]王輝.基于灰度共生矩陣木材表面紋理模式識別方法的研究[D].哈爾濱：東北林業大學,2007.

[9]白雪冰,王克奇,王輝.基于灰度共生矩陣的木材紋理分類方法的研究[J].哈爾濱工業大學學報,2005(12):1667-1670. BAI Xue-bing,WANG Ke-qi,WANG Hui.Research on the classification of wood texture on gray level co-occurrence M [J].Journal of Harbin Institute of Technology,2005(12):1667-1670.

[10]YU Qing-cang,CHENG Harry H,CHENG Wayne W,et al. CH OpenCV for interactive open architecture computer vision[J].Advances in Engineering Software,2004,35(9):527-536.

[11]王晗,白雪冰,王輝.基于空間灰度共生矩陣木材紋理分類識別的研究[J].森林工程,2007(1):32-36. WANG Hai,BAI Xue-bing,WANG Hui.Wood texture classification and recognition based on spatial GLCM[J].Forest Engineering,2007(1):32-36.

[12]寧順剛,白萬民,喻鈞.基于灰度共生矩陣的圖像分割方法研究[J].電子科技,2009(11):69-71,91. NING Shun-gang,BAI Wan-ming,YU Jun.Research on the method of image segmentation based on gray level co-occurrence matrix[J].Electronic Technology,2009(11):69-71,91.

The detection of residuum in injection mold based on gray level co-occurrence matrix

MA Lin,WANG Zhi-jie,ZHU Xiao-ming,XU Jun
（DongHua University,Shanghai 201620,China）

Detection of residuum is very important in the working process of the injection molding machine.In order to achieve ideal result of detection,this paper gets the characteristic parameters by analyzing the texture of standard picture and defective picture with gray level co-occurrence matrix algorithm after making some corresponding pretreatment to them including deviation correction of their positons.This paper mainly uses four characteristic parameters,then use Weighted Euclidean distance to compare their similarity to judge whether the tested picture is defective.At last,this paper uses the image processing technology based on OpenCV[1]to detect the residuum,and compares this algorithm with common algorithm.The result indicates that the algorithm of this paper is superior in the area of the detection of residuum in the case of unstable light conditions.

image processing；residuum；GLCM；OpenCv；injection mold

TN06

A

1674－6236（2015）07-0138-03

2014-07-25 稿件編號：201407192

國家自然科學基金資助（61075105）

馬 琳(1989—)，女，江蘇南通人，碩士研究生。研究方向：數字圖像處理。