基于Basler工業相機圖像的絲綢表面缺陷檢測

劉新

摘 要：在缺陷檢測過程中，由于光照角度和亮度等因素導致采集的圖像亮度較小，對比度不明顯，使用一般相機采集某些材料表面圖像時不能取得較好的效果。工業相機成像質量通常高于普通相機，因此利用Basler工業相機獲取絲綢材料表面缺陷，基于圖像處理缺陷檢測技術提取絲綢表面缺陷圖像。首先對圖像進行灰度轉換，得到單通道灰度圖像，以便進行圖像二值化處理。由于二值化圖像有噪聲點，用簡單的模糊處理無法有效消除，需對圖像進行開運算。將圖像腐蝕后再進行膨脹，基本上可解決圖像噪聲問題，根據最后提取的圖像輪廓進行篩選，提取出輪廓缺陷。經過檢測發現，該算法對工業工件表面缺陷提取更準確，效果更好，可高效檢測絲綢表面缺陷，提高生產效率。

關鍵詞：Basler工業相機;絲綢表面缺陷檢測;形態學膨脹;圖像腐蝕;輪廓提取

DOI：10. 11907/rjdk. 182627

中圖分類號：TP317.4文獻標識碼：A文章編號：1672-7800（2019）006-0167-04

Abstract： In the process of defect detection， due to some reasons such as illumination angle and brightness， the brightness of the captured images is relatively small， and the contrast is not obvious. Cameras with general performances can not achieve good results for some materials' surface image acquisition. Industrial cameras typically have higher imaging quality than normal cameras. This paper mainly uses Basler industrial camera to obtain the defects of silk material surface， and extracts the image of silk surface defect obtained based on image processing defect detection technology. The first step is to perform grayscale conversion on the image to obtain a single-channel grayscale image， which is beneficial to image binarization. Since the binarized image still has some noise points， the mere use of the blurring of these noise points does not produce good effects. Therefore， the image is opened first， and the image is etched to obtain an image that is eroded to basically solve the problem of image noise， the resulting image contour extraction and screening finally extracts contour defects. After the final test， the algorithm has achieved good results in the extraction of surface defects of some industrial workpieces， and it is more accurate and efficient to detect defects on the silk surface and improve production efficiency.

Key Words： Basler industrial camera; silk surface defect detection; morphological expansion; image corrosion; contour extraction

0 引言

由于受生產工藝、機械精度等不確定因素的影響，絲綢產品常出現多種表面缺陷。由于傳統人工檢測方法存在主觀因素影響和肉眼局限性，不能滿足客戶對產品的質量要求;同時普通相機圖像分辨率較低，因此，本文使用Basler工業相機采集產品圖像。近年來，隨著科學技術的發展與進步，機器視覺和圖像處理技術被應用于絲綢缺陷檢測，雖然利用Basler工業相機采集圖像的技術已被應用于多個領域，但針對紋理復雜、缺陷較多且表面凹凸與缺陷幾乎相似的絲綢表面缺陷檢測研究，目前國內還屬于空白狀態。同時雖然Basler工業相機采集的圖像精度較高，但實時圖像與標準圖像在空間上不可能完全對齊，所以在缺陷檢測之前需要先將實時圖與標準圖配準。

本文在經典圖像配準算法的基礎上，結合實際技術要求，提出適合于絲綢缺陷檢測系統的圖像配準算法。針對純文本圖像，首先采用基于數學形態學和霍夫變換求其旋轉變換參數[1]，然后利用基于傅立葉相位相關原理的方法求其平移變換參數[2]。基于幾種典型缺陷檢測算法提出一種新的基于邊緣檢測算子銳化及幾何特征的滑動矩形窗圖像差分檢測方法，該方法在滑動矩形窗后得到差分圖像，再利用八鄰域的概念對具有一定實際意義、一定面積的缺陷區域進行顏色標記，最后統計標號個數i，根據i是否大于零判斷該絲綢產品是否為缺陷品。

針對Basler工業相機獲取的圖像對比度較低的問題，首先提高圖像亮度和對比度 [3-4]，然后設定閾值，對圖像進行二值化操作[5]，再對圖像進行腐蝕操作，去除圖像斑點狀噪聲[6]，由于腐蝕處理會使圖像邊界信息有所損失，需對圖像進行膨脹操作[7]，在消除噪聲的同時保留圖像缺陷基本輪廓，最后對圖像進行輪廓提取和面積計算[8]，利用閾值篩選出缺陷部分輪廓，從而完成圖像缺陷輪廓提取[9]。該缺陷檢測技術可應用于絲綢生產線產品進給，應用本文提出的圖像配準算法與缺陷檢測算法進行絲綢缺陷在線檢測實驗，驗證算法可行性。

1 圖像亮度值與對比度提升

在利用機器視覺系統采集絲綢表面缺陷圖像時，由于光照角度和亮度等原因導致圖像亮度較小，對比度不強，所以圖像中部分缺陷表現不明顯，此時進行圖像識別和缺陷提取無法達到理想效果，需對圖像進行預處理提高圖像對比度和亮度值[10]。

4 圖像輪廓提取與輪廓篩選

對圖像進行二值閾值處理及生態學操作可明顯減少圖像噪聲點，對圖像進行Canny邊緣提取的效果有明顯提升作用[17]。基于上述情況對圖像進行輪廓查找、輪廓面積計算，然后進行面積篩選 ，可取得很好的效果。

圖像輪廓提取有多種方法，本文主要應用基于收縮理論的輪廓提取算法，收縮法初始時定義一個大輪廓作為原始輪廓，順時針尋找收縮點，不斷收縮原始輪廓，直至無法找到收縮點，最終得到圖像輪廓。算法復雜度雖較高，但初始輪廓易確定。本文首先定義一個矩形（輪廓周圍最小矩形左上角點和右下角點）輪廓邊界，然后基于收縮理論，利用點的8連通性和邊緣的4連通性提取圖像輪廓[18]，最后尋找到最小包圍矩形輪廓，圖像輪廓后需進行輪廓區域面積計算，通過輪廓面大小篩選有缺陷區域的輪廓值。最終提取得到圖像缺陷部分的輪廓，篩選出有一定實際意義、一定面積的缺陷區域進行綠顏色標記，最后統計標號個數i，根據i是否大于零判斷該絲綢產品是否為缺陷品。

輪廓繪制及篩選代碼如下：

findContours（thresholdImage， contours， hierarchy， CV_RETR_CCOMP， CHAIN_APPROX_SIMPLE）;

for （int i = 0; i < contours.size（）; i++）

{

RotatedRect box = minAreaRect（Mat（contours[i]））;

Point2f vertex[4];

box.points（vertex）;

double aera = contourArea（contours[i]）;

for（int i = 0; i < contours.size（）; i++）

{

minRects[i] = minAreaRect（Mat（contours[i]））;

Scalar color = Scalar（rng.uniform（0，255），rng.uniform（0，255）， rng.uniform（0，255））;

drawContours（dst， contoursPloy， i， color， 1，8，std：：vector（）， 0， Point（0， 0））;

Point2f rectPoints[4];

minRects[i].points（rectPoints）;

for （int j = 0; j < 4; j++）

{

line（dst， rectPoints[j]， rectPoints[（j+1）%4]， color， 1， 8， 0）;

}

}

cout << "第" << i << "個面積是：" << aera;

if（aera>3 && aera < 10）

{

continue;

}

for （int j = 0; j <= 3; j++）

{

line（rawImage， vertex[j]， vertex[（j + 1） % 4]， Scalar（0， 255， 56）， 2， LINE_AA）;

}

}

5 結果分析與展示

首先大幅提升圖像對比度和亮度值，再對圖像進行二值化和形態學處理，得到噪聲點較小的圖像，然后提取圖像輪廓，通過輪廓像素面積對圖像進行篩選，得到絲綢表面輪廓面積較小的缺陷，最終提取出效果如圖3所示。圖像缺陷部分展現得非常明顯，整個圖像沒有任何干擾該缺陷的因素和噪聲。

6 結語

針對圖像不同的缺陷，需利用不同的算法思想對圖像進行合理處理。本次實驗目的主要是提取絲綢表面凸起缺陷，通過對圖像進行二值化和形態學處理得到噪聲點較小的圖像，在此基礎之上提取圖像輪廓，根據輪廓像素面積對圖像進行篩選，經過一系列處理，最終得到了比較滿意的實驗結果。該技術如運用到制造業工廠，不僅可大幅縮減人力、物力，還能極大提高產品生產效率。

參考文獻：

[1] 劉春媛，夏勇，張靈，等. 基于數學形態學和霍夫變換的方法求其旋轉變換參數[J]. 圖像處理技術，2017（6）：55-60.

[2] 王云，葉含笑，吳洪潭，等. 基于傅立葉相位相關原理的方法求其平移變換參數[J]. 圖像處理，2010（7）：51-53+56.

[3] 謝文達，邱竣鴻，王壘. 實際且快速的圖像對比度增強方法[J]. 計算機研究與發展，2013，50（4）：787-799.

[4] 方明，李洪娜，雷立，等. 低照度視頻圖像增強算法綜述[J]. 長春理工大學學報：自然科學版，2016，39（3）： 56-64+69.

[5] 胡斌，宮寧生. 一種改進的Otsu閾值分割算法[J]. 微電子學與計算機，2009 ，26（12）：153-155.

[6] 沈陽，宓超，鳳宇飛. 形態學開運算在車型圖像去噪中的應用[J]. ?中國科技信息，2015（18）：52-53.

[7] 黎偉，劉觀仕，姚婷. 膨脹土裂隙圖像處理及特征提取方法的改進[J]. 巖土力學，2014，35（12）：3619-3626.

[8] 王培珍，丁海濤，劉純利，等. 基于結構元的煤顯微圖像輪廓提取算法[J]. 煤炭學報2014 ，20（s1）：285-288.

[9] 陳至坤，潘曉娣，王福斌，等. 基于Radon變換的圖像輪廓提取方法研究[J]. 傳感器與微系統，2010，29（2）：63-65+68.

[10] 王俊平，李錦. 圖像對比度增強研究的進展[J]. 電子科技2013，26（5）：160-165.

[11] 張濤，巫紅英，李蒙，等. 一種提高圖像對比度和視覺質量的新型區域背光算法[J]. 2017，（39）12：1888-1897.

[12] 吳東，郝明. 基于圖像對比度的艦船目標成像算法[J]. 電子測量技術，2017（12）：110-116.

[13] 行軍，韓憲忠，王克儉，等. 基于最大方差閾值法的火車票圖像二值化處理[J]. 計算機應用與軟件，2012（7）：249-253.

[14] 胡敏，李梅，汪榮貴. 改進的Otsu算法在圖像分割中的應用[J]. 電子測量與儀器學報，2010（5）：443-449.

[15] 楊紅，崔艷. 基于開運算暗通道和優化邊界約束的圖像去霧算法[J]. 光子學報，2018（6）： 244-250.

[16] 劉耀軍，張姍梅. 基于有限自動化的二值圖像的開運算[J]. 圖像、圖形與多媒體，2012，31（12）：39-42.

[17] 吳翔，于微波，馬艷輝，等. ?一種新的改進Canny圖像邊緣檢測算法[J]. 影像科學與光化學，2016，34（1）： 116-121.

[18] 鄒柏賢，林京壤. 圖像輪廓提取方法研究[J]. 計算機工程與應用，2008，44（25）：161-165.

[19] 戴天虹，吳以. 基于OTSU算法與數學形態學的木材缺陷圖像分割[J]. 森林工程，2014，30（2）：52-55.

[20] 馬永強，王順利，孫偉，等. 基于高斯金字塔和拉普拉斯金字塔融合的圖像對比度增強算法研究[J]. 信息與電腦：理論版，2018，398（4）：38-40.

（責任編輯：江 艷）