基于形態學玻璃屏幕表面劃痕檢測方法研究

趙文宏，彭　超，陳紅星

(浙江工業大學 機械工程學院，浙江 杭州 310014)

基于形態學玻璃屏幕表面劃痕檢測方法研究

趙文宏，彭超，陳紅星

(浙江工業大學 機械工程學院，浙江 杭州 310014)

摘要：針對玻璃屏幕表面劃痕檢測的要求，進行了基于形態學玻璃屏幕表面質量劃痕檢測方法的研究.通過激光散射掃描獲取圖像，利用均值濾波平滑圖像，采用局部動態閾值分割獲取二值圖像，然后計算所有相連接的區域剔除干擾部分，再利用膨脹、骨架提取等形態學處理方法提取劃痕缺陷，最后實驗測量了大量的劃痕樣本的特征值，并確定劃痕判據.為了驗證檢測方案的可行性進行了實驗，實驗結果表明：劃痕識別率高達96%，誤判率3%，漏檢率為1%.所提出的檢測方法及判據能夠準確地識別玻璃劃痕缺陷，同時具有檢測速度快的優點，滿足了玻璃屏幕表面劃痕的檢測要求.

關鍵詞：劃痕檢測；激光散射；圖像處理；形態學處理

近年來，玻璃屏幕在軍事、工業、電子、科研和教學等領域都具有廣泛使用，而且對透明玻璃的需求量仍具有大幅增長的趨勢.特別是如今電子行業的飛速發展，各種交互功能電子產品對其需求量都非常巨大，因此對玻璃屏幕的質量和生產效率都提出了較高的要求.而缺陷檢測作為玻璃屏幕質檢中的重要環節，必須對完工后的玻璃屏幕進行全檢.相對于玻璃屏幕的巨大產量，傳統的玻璃屏幕人工檢測方式在效率、準確率和減輕工人勞動強度上仍有待提高.機器視覺技術和數字圖像相結合的高速光學自動化在線檢測方式[1]，具有速度快、信息量大、實時性強和智能化程度高等優點，近來受產業界的廣泛關注.

劃痕缺陷作為最常見的缺陷，諸多學者對其光學檢測算法展開研究.張利平等[2]利用Sobel算子和Hough變換檢測電影膠片的劃痕，可以很好的實現劃痕檢測.王靜穎[3]采用針對噪聲擬制和邊緣檢測的log算子檢測玻璃劃痕檢測.武躍華[4]利用小波變換法，并通過對閾值的選取，在不同尺寸上綜合得到羽毛球的劃痕圖像.王亞鋒[5]采用Canny檢測算法檢測玻璃劃痕，然后選用閾值分割對圖像進行分割，但是檢測圖像容易產生斷點情況.宋迪等[6]利用Gabor濾波器和各向異性紋理抑制方法提取手機隔板劃痕.基于邊緣檢測劃痕檢測算法在針對對比度弱、邊界模糊、景深相對較小的劃痕時，容易導致劃痕斷裂甚至丟失[6].而基于小波變換或卡爾曼濾波的劃痕檢測算法則由于算法復雜，較大的計算量，通常難以滿足工業實時性的要求[7].因此，為滿足玻璃屏幕劃痕檢測準確率高要求，筆者采用基于形態學的劃痕缺陷檢測方法，該方法不僅能完整的檢測出劃痕，而且具有算法簡單、并行性好和檢測速度快等優點.

1系統總體設計及激光散射原理

劃痕檢測裝置如圖1所示，主要包括傳送裝置、圖像采集設備、工業計算機.圖像采集設備主要由激光發射裝置、微光探測器、圖像采集卡構成.激光散射儀通過Camera Link協議與工控機PCI-Express接口相連，將采集的圖像數據上傳到工控機處理.傳送裝置主要由傳送帶、三菱PLC、伺服電機及伺服驅動器組成.工控機通過上位機軟件發送信號控制PLC，PLC控制傳送裝置，以及調節激光散射裝置的焦距及光源的亮度.

圖1　劃痕檢測裝置Fig.1　Detecting device of scratch

如圖1所示，激光散射儀由激光器、擴束準直系統、振鏡、聚光鏡、微光探測器等組成.激光器發射的一束激光具有一定的發散角，通過擴束準直系統調節形成準直平行光束.準直光束以固定入射角投射在振鏡片上，通過高速擺動電機驅動振鏡片獲得橫向掃描區域，然后利用聚光鏡獲得由細小的高功率密度光斑組成的掃描區域.當運動的透明玻璃屏幕經過掃描區域時，具有缺陷的部分會向各個方向發出散射光，這些光進入到密閉容器經過不同路徑反射，最終被內置的微光探測器接收；不具有缺陷的部分將只發生反射，不會進入容器中被微光探測器檢測到.微光探測器將光信號實時地轉換為等效比例振幅的電壓模擬信號，通過圖像采集卡上傳至工控機形成圖像.采集圖像中缺陷區域的灰度值與背景存在一定的區分性，呈現出缺陷灰度值大，背景灰度值小.如果缺陷尺寸越大越明顯，那么檢測到的散射光越強，灰度值也將越大.

2劃痕檢測算法及流程

針對透明玻璃屏表面劃痕缺陷的檢測，采用到的圖像處理方法主要包括圖像平滑、圖像分割、形態學處理以及特征提取.首先利用均值濾波平滑圖像，采用局部動態閾值分割獲取二值圖像，然后計算所有相連接的區域剔除干擾部分，再利用形態學膨脹、骨架提取等形態學處理方法提取劃痕缺陷.

2.1圖像平滑處理

圖2(a)為采集的透明玻璃劃痕樣本原圖，圖片中或多或少的干擾噪聲.噪聲在圖像采集過程中很難避免，由于工作環境的變化，光源的污染，散射裝置中電子器件電子隨機運動等因素影響，會導致拍攝的圖像出現噪聲.為了保證圖像后期處理的準確性、高效性，首先必須對采集的圖像進行平滑處理，主要利用濾波的方法去除噪聲.筆者采用中值濾波的方式平滑圖像，中值濾波原理是用一個含有奇數點滑動窗口，掃描整幅圖像，將窗口中間點用窗口內各點的中間值代替，其表達式為G(x,y)=Med{f(x-k,y-l)|(k,l∈W)}(1)

其中：f(x,y),g(x,y)分別為原始圖像和處理后圖像；W為二維模板.通常選用3×3，5×5，7×7尺寸模板，同時也具有不同的濾波窗口，如線狀、圓形、十字形、圓環形等.針對不同的圖像內容處理和應用，將采用不同的濾波窗口和尺寸，其中方形檢測窗口用于處理較長輪廓特征劃痕有很好的效果.經過多次試驗最終選用7×7模板，結果如圖2(b)所示.

圖2　圖像預處理Fig.2　Image preprocessing

從圖2(b)中可以發現：采用7×7模板對原圖像進行均值濾波處理后圖像更加平滑，同時也能夠有效的抑制圖像中的噪聲.

2.2圖像分割

圖像分割是缺陷檢測的關鍵步驟，圖像分割就是為了提取出感興趣的區域[8]，但同時包括了干擾的缺陷像素.圖像分割的方法有很多，基于模糊技術、神經網絡、小波技術、邊緣檢測、遺傳算法、信息論和統計信息等等[9].筆者選擇采用局部動態閾值分割方法，它相比其他圖像分割方法，具有算法簡單、計算量小、更強的適應性等優點，其分割原理為

g(o)>=g(t)+T

(2)

式中：g(o)為原圖的灰度值；g(t)為圖像平滑后的灰度值；T為分割的閾值.筆者通過多次試驗選取T的值為6，該值能最大程度上保持劃痕缺陷原本特征，同時濾除大部分干擾，然后用g(t)+T的值和原圖像素點的灰度值逐像素進行比較，如果灰度值滿足式(2)，就把這些點的灰度值設置為255，其余的灰度值設定為0.這樣就可以把缺陷信息全部提取出來，并轉換為二值化圖像，缺陷分割結果如圖3所示.

圖3　圖像分割Fig.3　Image segmentation

2.3形態學處理

采用局部動態閾值分割可以將圖像的缺陷分割出來[10]，但是還存在一些干擾點和斷點.這是由動態閾值分割方法導致的，因為它只是通過比較兩幅圖像的灰度值信息提取劃痕，而不是針對劃痕這一特征進行分割提取.為了進一步獲取劃痕信息，筆者采用膨脹、腐蝕骨架形態學的方法.形態學是基于集合論發展起來的，這種技術已經逐步發展成為一種新的圖像處理技術和理論受到研究者的重視[9].它把二值化的圖像看成一系列離散的點，可以計算圖像區域之間的相互關系，從而獲取圖像結構特征.在簡化圖像數據的同時保持它的基本形狀特征，去除不相關的結構.同時，其算法具有并行性，能夠提高圖像處理的速度[11].

2.3.1膨脹處理

在形態學看來劃痕是一系列的亮點集合組成的，是一個連續的區域結構.因此計算二值化后圖像所有相連區域面積，過濾單像素點和一些孤立的像素，結果如圖4(a)所示.從圖4(a)中可以看出：圖像的單一像素干擾點已經去除了，但是提取的劃痕出現截斷的現象，造成這個現象的原因有兩點：第一，由于劃痕特征本身的不連續，沒有很明顯的邊界.第二，經過圖像濾波、閾值處理之后會過濾掉一些劃痕的信息.圖像處理后一條劃痕被分割成數條短劃痕，這樣不利于產品表面缺陷判定，會給檢測結果帶來很大影響.采用形態學的膨脹處理可以很好解決截斷的問題，利用膨脹運算填充瑕疵中出現的空洞，以保證劃痕瑕疵的完整性，其表達式為

Gdil_C={gf(i,j)|ge(i,j)∩C≠φ}

(3)

其中：C為結構元素；ge(i,j)為圖4(a)的待處理像素點集合；gf(i,j)為膨脹處理后的結果.利用結構元素C作為探針，在集合ge(i,j)區域掃掠膨脹.筆者采用半徑為6像素的圓作為膨脹算子，圖4為膨脹處理前后的對比結果，較處理前的圖4(a)而言，圖4(b)中的目標物體有明顯的膨脹效果，而且截斷的劃痕特征被包圍在區域中.

圖4　形態學處理Fig.4　Morphological processing

2.3.2骨架提取

膨脹實現了缺陷空洞的填充，但是為了還原缺陷形狀，采用了骨架提取的方法.骨架是圖像內部所有最大圓盤圓心的集合，即所有骨架子集的并[11]，骨架的表達式為

Skel(Gdil_C)=∪Skel(Gdil_C;n)

(4)

式中：Gdil_C為膨脹后的圖像；Skel(Gdil_C)為膨脹后圖像的骨架；Skel(Gdil_C;n)為半徑為nB的最大圓盤圓心的集合.根據文獻[12]，骨架子集Skel(Gdil_C;n)可表示為

Skel(Gdil_C;n)=(Gdil_CΘnB)-(Gdil_CΘnB)B

(5)

式中：B為單位圓盤，n∈(0,1,2…,)；Gdil_CΘnB為nB對Gdil_C的腐蝕；(·)B為B對(·)開運算.

圖5為骨架提取的結果，其輪廓位于膨脹區域的中心位置，雖然原圖2(a)劃痕具有邊界不清晰，同時存在斷裂的情況，但是運用形態學的方法可以提取其完整的輪廓.

圖5　骨架提取Fig.5　Skeleton extraction

3實驗與結果分析

玻璃屏幕缺陷種類很多，例如氣泡、劃痕、異物、刀印、面花、沙邊、芽缺、異物等.但不同缺陷具有不同的特征向量.因而可以通過與標準特征對比判定缺陷屬于哪一種類型.通過對大量人工確定的劃痕缺陷樣本進行測量，選用縱橫比λ(λ≥5)、外廓圓度C(0≤C≤0.08)、區域圓度R(0≤R≤0.09)、面積S(S≥15)像素 、長度L(L≥7)像素、孔洞數H(H=0)、面積與長度比值P(1≤P≤4)等參數作為劃痕的判據，統計結果如表1所示.從表1可以看出：大部分透明玻璃屏幕劃痕特征表現為縱橫比值偏大，區域圓形度、外廓圓形度較小，無閉環區域等.

同時，為了驗證上述劃痕檢測算法和判定方法的有效性，隨機選取的實驗樣本，具有劃痕缺陷玻璃屏幕100片，其他缺陷100片，合格100片，通過上述識別系統進行識別，統計識別缺陷的準確率、誤檢率、以及漏檢率，統計數據結果如表2所示.

表2　玻璃屏幕劃痕識別結果

由表2可知：對玻璃屏幕劃痕檢測識別率可達到96%；誤檢率為3%，經過分析，將3片具有劃痕片子當成其他缺陷片子處理；漏檢率為1%，原因是由于劃痕很微小超過了本系統檢測范圍，將劃痕當成無缺陷的片子.筆者提出的檢測算法及識別方法能夠達到玻璃屏幕表面劃痕檢測要求，具有較高的準確性.

4結論

透明玻璃屏幕的缺陷檢測是其生產中很重要的環節，以玻璃屏幕劃痕缺陷為例，對圖像處理算法和檢測方法進行研究，通過激光散射方法獲取高質量的玻璃屏幕圖像，采用均值濾波平滑圖像、動態閾值分割獲取二值圖像，并運用形態學的方法提取劃痕骨架，最終成功提取劃痕缺陷；通過對大量劃痕缺陷特征值進行測量與分析，確定劃痕的判據，實驗驗證了劃痕檢測方法的可行性.該檢測算法及識別方法能夠準確地識別劃痕，具有運算量小、檢測速度快和準確率高等特點，有一定的推廣應用價值.

參考文獻：

[1]余文勇，周祖德，陳幼平，等.一種浮法玻璃全面缺陷在線監測系統[J].華中科技大學學報，2007，18(10):1-4.

[2]張利平，張紅英，吳斌.基于多邊形邊緣檢測的視頻劃痕檢測技術[J].電視技術，2010(1):85-87

[3]王靜穎.基于機器視覺的玻璃檢測系統的研究[D].天津：天津大學，2013.

[4]武躍華.機器視覺劃痕檢測技術及應用研究[D].廣州：廣東工業大學，2011.

[5]王亞鋒.玻璃表面缺陷在線監測系統的研發[D].洛陽：河南科技大學，2013.

[6]宋迪，張東波.基于機器視覺的手機隔板劃痕檢測研究[D].湘潭：湘潭大學，2014.

[7]高文，陳熙霖.計算機視覺[M].北京：清華大學出版社，2009.

[8]蔣建東，陳培余.基于視覺的輕觸開關引腳缺陷檢測算法研究[J].浙江工業大學學報，2015，43(1):31-33.

[9]CHAIRA T, RAY A K. Segmentation using fuzzy divergence[J] . Pattern recognition letters,2003,24(12):1837-1844.

[10]孟利民，包軼名.基于局部特征的圖像插值算法在B/S視頻監控中的運用[J]浙江工業大學學報，2015，43(2):219-221.

[11]肖大雪.淺析數學形態學在圖像處理中的應用[J].科技廣場，2013(1):10-19.

[12]劉晨晨，桑恩方.數學形態學圖像處理算法應用研究[D].哈爾濱：哈爾濱工程大學，2003.

[13]呂哲，王福利，劉陽.改進的形態學骨架提取算法[J].計算機工程，2009，35(19):23-25.

[14]周南，崔屹.數學形態學骨架化及重建[J].中國圖象圖形學報，1997，2(10):712-716.

(責任編輯：劉巖)

Study on scratch inspection methods of glass screen surface based on morphology

ZHAO Wenhong, PENG Chao, CHEN Hongxing

(College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310014, China)

Abstract:This paper studied surface quality detection technology of glass screen based on morphology methods, according to the scratches detecting requirements of glass screen surface. Firstly, the requested images are acquired by laser scatter scanning, using filter smoothing image, to get the binary image by local dynamic threshold segmentation. Then we calculated the area of all the connected parts to remove the interference parts, after that morphological method was used to extract scratches defects, such as the expansion and skeleton extraction. Finally, the scratch criterion were acquired by calculating the eigenvalues of many scratch samples. To verify the feasibility of the detection scheme, this paper carried out experiments. The experimental results showed that the detection methods and criteria of the proposed can accurately identify glass scratch defects, which meets the requirements of the glass screen surface scratch detection. Scratch recognition rate reached 96% and 3% error rate, false negative rate was 1%.

Keywords:scratch detection; machine vision; image processing; morphological processing

收稿日期：2015-11-24

基金項目：國家自然科學基金面上項目(51275476)

作者簡介：趙文宏(1966—)，男，浙江浦江人，教授，研究方向為超精密加工、圖形處理，E-mail：whzhao6666@163.com.

中圖分類號：TP391

文獻標志碼：A

文章編號：1006-4303(2016)03-0279-04