CCD機器視覺在缺陷檢測中的關(guān)鍵技術(shù)研究

錢禮閏

摘要：隨著人工智能和機器視覺技術(shù)的發(fā)展，利用機器視覺技術(shù)對精密工件表面的缺陷檢測也就成為了必然。采用計算機視覺技術(shù)和人工智能的方法將會極大地提高檢測精度和效率。本課題主要研究基于CCD工業(yè)相機的機器視覺技術(shù)在精密機械缺陷檢測中的關(guān)鍵技術(shù)，期望能夠?qū)崿F(xiàn)利用計算機來對精密機械的缺陷進行高質(zhì)量的自動檢測。

關(guān)鍵詞：機器視覺；特征提取；缺陷檢測；分類器

中圖分類號：G642.0 文獻標(biāo)志碼：A 文章編號：1674-9324（2018）15-0058-02

一、引言

本課題研究的主要內(nèi)容包括：（1）根據(jù)工廠產(chǎn)品質(zhì)量的要求確定了機器視覺中的工業(yè)相機拍照的工作方式；（2）用計算機對獲取的物件進行圖像處理，突出計算機圖像中被測物件的特征信息，從而依據(jù)這些特征對目標(biāo)物件進行檢測、識別和跟蹤等。通過各種算法，提取目標(biāo)特征進行判斷，根據(jù)結(jié)果對特定的場景和需要做出反應(yīng)，并對設(shè)備進行符合要求的控制。一個典型的機器視覺系統(tǒng)硬件組成如圖所示：

二、機器視覺關(guān)鍵技術(shù)

1.圖像傳感器。通過人眼進入大腦的光線，會被人腦處理以合成現(xiàn)實世界的三維圖像，這種圖像獲取顏色和深度信息。人眼中有兩種感光器：錐狀體和柱狀體。其中錐狀體的數(shù)量在600—700萬之間。錐狀體對強光比較敏感，所以錐狀體視覺被稱為白晝視覺。人眼中柱狀體的數(shù)目在7500萬—15000萬左右，柱狀體沒有彩色感覺，但是對低照明度敏感，這種現(xiàn)象被稱為暗視覺。從自然分辨能力的角度看，錐狀體的數(shù)量恰好與一個中等分辨率的電荷耦合元件（CCD）數(shù)量相當(dāng)。機器視覺是通過圖像傳感器來實現(xiàn)的，其最大的優(yōu)點是不需要與測量目標(biāo)接觸，因此對觀測目標(biāo)不會產(chǎn)生任何損傷，這是其他測量方式不具備的優(yōu)點。

本課題以精密機械零件作為研究對象，對表面的各種缺陷進行檢測和研究，提出了一種基于機器視覺技術(shù)的零件表面缺陷檢測算法，如下圖所示：

2.關(guān)鍵圖像處理算法。精密部件圖像缺陷算法研究的關(guān)鍵是如何準(zhǔn)確分割出計算機圖像中具有缺陷的目標(biāo)。圖像缺陷的分割是指將感興趣的圖像目標(biāo)從圖像的背景信息中分離出來，分割出的缺陷特征直接成為分析處理對象的過程。圖像缺陷的分割為后續(xù)特征分析打下基礎(chǔ)，在圖像處理過程中，圖像分割不準(zhǔn)確的話，會導(dǎo)致特征的檢測產(chǎn)生錯誤或失敗。因此，分割算法的性能優(yōu)劣直接影響著后續(xù)處理的進行，是圖像缺陷檢測的關(guān)鍵技術(shù)。

圖像缺陷特征提取常用的技術(shù)有：（1）紋理特征提取：紋理特征是一種全局特征，它描述了圖像區(qū)域所對應(yīng)的表面性質(zhì)。（2）Gabor濾波器：Gabor濾波器是一個用于邊緣提取的線性濾波器，它的頻率和方向表達(dá)同人類視覺系統(tǒng)類似。Gabor濾波器十分適合紋理表達(dá)和分離。Gabor濾波器的脈沖響應(yīng)，可以定義為一個正弦波（對于二維Gabor濾波器是正弦平面波）乘以高斯函數(shù)。Gabor濾波器的脈沖響應(yīng)的傅里葉變換是其調(diào)和函數(shù)的傅里葉變換和高斯函數(shù)傅里葉變換的卷積。一組不同頻率不同方向的Gabor函數(shù)數(shù)組對于圖像特征提取非常有用。（3）小波變換：小波變換是一種新的變換分析方法，它繼承和發(fā)展了短時傅里葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的“時間-頻率”窗口，是進行信號時頻分析和處理的理想工具。（4）統(tǒng)計幾何特征提取方法：首先用NSCT對缺陷圖像進行多尺度多方向分解；然后將子帶圖像輸入迭代點火，計算點火圖的熵序列作為子圖的特征，合并各子圖特征得到原圖的特征向量。

對不同類型的表面缺陷進行分類的難點在于分類器的選擇與設(shè)計。目前模式識別領(lǐng)域常用分類器有k-鄰近法、聚類、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機等多種。本課題比較了各種算法，提出一種基于缺陷區(qū)域輪廓、制品輪廓、區(qū)域灰度等特征的缺陷自動識別算法。該方法將識別過程分為兩步：缺陷提取和缺陷跟蹤。第一步利用傳統(tǒng)方法在每幅圖像中分離出潛在缺陷。這一步保證缺陷能被提取出來，而不考慮偽缺陷的數(shù)量。第二步力圖找出同一試件不同圖像中分離出的缺陷之間的相互關(guān)系。如果第一步某一圖像中分離出的某一缺陷在其他圖像中都找不到相對應(yīng)的缺陷區(qū)域，就定義該缺陷為偽缺陷，也就是說，真缺陷在不同圖像中必須滿足一定的幾何關(guān)系。多幅圖像中的缺陷跟蹤綜合利用了極線約束、三維重建和三線性約束等立體視覺算法。

可疑區(qū)域篩選的方法有兩種：去除偽缺陷或者挑選真缺陷。其中偽缺陷基本是由水、空氣氧化及光照不均等現(xiàn)象引起，難以找到合適的算法直接去除，不過可以通過增加4種不同類型的缺陷檢測步驟，去除了大量由水、氧化鐵皮等造成的偽缺陷，在保證缺陷檢出率的同時，減小缺陷的誤識率。在精密機械部件使用過程中，因為各種因素的影響，設(shè)備部件表面會產(chǎn)生一些缺陷。這些缺陷不僅影響產(chǎn)品的質(zhì)量，還會造成不可預(yù)計的事故。因此，發(fā)現(xiàn)并消除表面缺陷是工業(yè)生產(chǎn)中需要重點關(guān)注的一個問題。產(chǎn)品表面裂紋與其他缺陷（如疤痕和振痕）或偽缺陷（水痕、渣痕和氧化鐵皮）組成，它們在各個方向上的紋理特征各有不同，可以利用小波分析技術(shù)的多方向性特點對圖像進行分解后再作紋理分析。

三、總結(jié)與展望

本課題以精密機械部件的缺陷檢測為研究對象，采用圖像處理和人工智能領(lǐng)域的前沿技術(shù)設(shè)計出實用性很強的缺陷自動檢測算法。

本課題的算法設(shè)計還需要進行優(yōu)化，通過CCD相機獲取的圖像還可以采用不同的濾波方法和圖像增強技術(shù)達(dá)到更好的效果，特征分類器的設(shè)計與選擇也有待進一步地研究，通過大量實驗不斷改進使系統(tǒng)更加完善，識別和分類效果更好。

參考文獻：

[1]周新星，王典洪，王洪亮，李東明.基于非下采樣Contourlet變換和PCNN的表面缺陷自動識別方法[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2013，（2）：174-184.

[2]魯方波.多特征雙重加權(quán)紋理分割[D].南昌：南昌航空大學(xué)，2014.

[3]湯朋文，陶華敏，肖山竹，方求.幾種常用圖像分割算法自適應(yīng)性的分析比較[J].數(shù)字技術(shù)與應(yīng)用，2016，（5）：140-143.

[4]徐科，周鵬，楊朝霖.基于光度立體學(xué)的金屬板帶表面微小缺陷在線檢測方法[J].機械工程學(xué)報，2013，（4）：24-29.

[5]楊威，毛霆，張云，周華民.注射制品表面缺陷在線檢測與自動識別[J].模具工業(yè)，2013，39（7）：7-12.