基于Gabor 變換與區域生長的瓷磚表面缺陷視覺檢測方法研究

李光亞，鄒國鋒，傅桂霞

（山東理工大學電氣與電子工程學院，淄博255049）

0 引言

瓷磚表面缺陷檢測作為產品質量監測的一項關鍵內容，是確保瓷磚產品質量的重要手段，同時能夠為缺陷成因分析和預防提供重要的技術參考。現階段的瓷磚加工生產中，產品表面質量檢測嚴重依賴工人的手工測量和人眼檢測，效率低下，且只能做到抽樣檢測，無法保證百分之百的檢測正確率。另外，由于檢測任務都是在流水線上重復簡單、枯燥的工作，人眼疲勞易導致檢測準確率下降。因此，為了避免傳統人工檢測方法的缺點，適應現代化工業生產對瓷磚表面缺陷檢測速度和精度的較高要求，基于機器視覺的瓷磚表面缺陷檢測逐步受到科研機構和工業領域的青睞。

趙海洋等人[1]采用連續特征值布爾神經網絡實現瓷磚表面缺陷檢測，與傳統神經網絡相比，該網絡的分類速度得到一定提升，但網絡訓練和參數調整復雜，難以實現工業應用。吳冰等人[2]提出基于BP 神經網絡與區域生長法相結合的圖像分割，并應用于瓷磚表面缺陷檢測。兩種算法的級聯使缺陷檢測精確度得到有效提升，但BP 網絡訓練復雜，工業應用效率低。劉平等人[3]將虛擬儀器技術應用于瓷磚表面平整度自動檢測，能夠提升產品分級的自動化程度。王宣銀等人[4]采用合格樣本圖像和被測圖像堆疊構成多元被測圖像，利用主成分分析和閾值處理技術實現多元表面缺陷檢測。段春梅等人[5]針對瓷磚素坯表面缺陷檢測問題，采用雙邊濾波、Canny 算子和最佳閾值分割實現圖像分割，并利用圓形度對缺陷特征進行描述，實現缺陷分類。Hanzaeia S.H.等人[6]提出旋轉不變局部方差算子實現瓷磚缺陷邊緣檢測，并采用形態學運算平滑檢測區域，采用SVM 實現缺陷分類。張軍等人[7]提出小波變換與形態學融合的差影法提取瓷磚表面裂紋缺陷，獲得較高準確率，但無法實現其他缺陷的有效檢測。

基于多種圖像處理算法結合的缺陷檢測需要對瓷磚表面圖像進行預處理、分割和分類操作，運算復雜度低，實時性較好，但缺陷檢測影響因素分散，需要綜合優化才能獲得較好的檢測準確度。基于機器學習算法的缺陷檢測往往需要多樣性強、數量大的訓練數據集用于模型訓練學習，然后基于所得模型實現未知缺陷判斷，但是模型構建過程耗時較多，且訓練樣本采集和缺陷標注難度較大，難以在工業生產中應用。

綜上分析，本文提出一種融合Gabor 變換與區域生長的瓷磚表面缺陷檢測方法。首先利用中值濾波和局部直方圖均衡化實現圖像增強，然后采用Gabor 濾波提取瓷磚表面圖像空間局部頻率特征，進一步消除光照不均和表面反光影響。然后采用自動區域生長實現瓷磚表面缺陷自動分割。最后采用雙向積分投影方法確定缺陷區域的范圍，實現缺陷區域標注。

1 瓷磚表面缺陷簡介

瓷磚生產過程中，由于上釉過程釉料與磚坯膨脹系數不一致、壓緊過程壓磚機應力過大或過小、選配料時摻入過多游離石英或有機物等因素，瓷磚表面會產生多種缺陷[7]。常見的瓷磚表面缺陷包括針孔、麻面、翹曲、色差、裂紋等[8]，其中裂紋、孔洞和色差對瓷磚美觀度影響最大，是重點檢測缺陷，圖1 所示為三種常見缺陷樣本。

圖1 存在表面缺陷的瓷磚樣本

鑒于這三種缺陷在瓷磚生產加工中出現頻率較高，且嚴重影響產品的美觀性。本文重點針對這三類缺陷的視覺檢測方法開展了研究。本文所提瓷磚表面缺陷檢測方法的基本流程如圖2 所示。

圖2 瓷磚表面缺陷檢測基本流程

2 瓷磚表面缺陷預處理

瓷磚表面圖像采集易受生產現場光線、灰塵等影響，導致采集圖像出現質量下降，不利于后續圖像分割和缺陷區域標注。因此，采取適當的圖像增強方法，去除干擾噪聲、增強瓷磚背景區域與缺陷區域對比度是有必要的。

目前，通用的圖像去噪方法主要包括空間域濾波、變換域濾波和形態學濾波，其中空間域濾波法中的均值濾波[9]和中值濾波[10]適合應用于圖像的前期預處理。均值濾波能夠將噪聲分散到周圍鄰域，但無法完全將其去除，反而會導致圖像邊緣模糊，不利于后續瓷磚表面缺陷的分割和檢測。中值濾波的本質是將鄰域范圍內的所有灰度值排序，用中間值代替噪聲點的像素值。二維中值濾波運算公式為：

其中，f(x,y)和g(x,y)分別表示原始圖像和濾波后的結果。W 表示濾波模板，通常選擇3×3、5×5 或7×7區域。實驗表明，模板選擇的區域范圍越大，去噪效果越好，但對圖像邊緣信息的模糊化越嚴重。因此，本文實驗中采用了5×5 濾波器模板。

另外，瓷磚表面圖像采集通常在室內完成，表面缺陷、花紋與背景顏色有時非常相近，灰度相差不大，所以采集的圖像灰度值往往集中在狹窄的灰度范圍內，整體對比度較低。因此，在完成去噪處理后，還需要通過直方圖均衡化方法增強瓷磚表面缺陷和背景區域對比度。

直方圖均衡化的本質是對圖像進行非線性拉伸，通過重新配置圖像灰度值，使一定灰度值范圍內的像素數量大致相等。按照均衡化過程中拉伸函數的作用范圍直方圖均衡化分為全局和局部直方圖均衡化[11-12]。全局直方圖均衡適用于整幅圖像增強，但由于全局變換無法保證局部信息可靠增強，容易導致區域細節被忽視，對缺陷區域的邊緣檢測和分割不利。因此，以圖像中每個像素的鄰域灰度分布為基礎設計變換函數，實現局部直方圖均衡化，更有利增強瓷磚表面缺陷的邊緣信息。本文實驗中采用了文獻[13]提出的子塊重疊局部直方圖均衡算法進行瓷磚表面缺陷圖像的對比度增強處理。圖3 所示為經過中值濾波和局部直方圖均衡化后的瓷磚表面缺陷圖像，并給出了全局直方圖均衡化的對比結果。

圖3 瓷磚表面缺陷預處理結果

3 瓷磚表面缺陷的Gabor變換

Gabor 變換是一種基于窗口的短時傅里葉變換，具有較強的局部特征提取能力。二維Gabor 變換，不僅能夠有效提取圖像中的局部特征、弱化噪聲和光照干擾，而且能夠有效提取圖像中的紋理信息。因此，本文采用了二維Gabor 變換[14]提取瓷磚表面缺陷圖像中的紋理特征，同時也實現了變換域中的圖像增強。

二維Gabor 變換函數為：

瓷磚表面缺陷圖像的Gabor 特征可通過將瓷磚圖像與Gabor 濾波器卷積得到。假設瓷磚圖像灰度值為I(x,y)，則I 和Gabor 函數Gμ,ν的卷積定義如下：

其中，式中*為卷積算子，z=(x,y)，Oμ,ν(z)表示當尺度為ν 和方向為μ 時Gabor 卷積圖像。

另外，由于Gabor 卷積的幅值信息反映圖像的能量譜，在圖像真實邊緣附近具有良好的光滑性，因此，采用每幅卷積圖像的幅值響應作為最終的Gabor 特征，其公式如下：

其中，real(Oμ,ν(z))和i mag(Oμ,ν(z))分別為卷積圖像的實部和虛部。瓷磚表面缺陷圖像的Gabor 變換結果如圖4 所示。

圖4 瓷磚表面缺陷的Gabor特征

4 基于區域生長的瓷磚表面缺陷分割

區域生長[15]是根據同一目標區域內像素的相似性聚集像素點實現圖像分割，其基本步驟：①選取初始種子點（一個像素點或者像素區域）；②將種子點與其周圍鄰域的像素點進行比較，若周圍的像素點與種子點滿足同質性原則，則將這些像素點與種子點歸為同一類，從而使種子點所屬區域（即目標區域）逐步增長，獲得圖像分割結果[16]。

區域生長算法中，初始種子點選取對圖像分割結果具有重要影響，傳統種子點選取方法為人機交互的半自動方式，并不是真正的全自動化分割。因此，本文結合瓷磚表面圖像特征分布的特點，借鑒文獻[17，18]中種子點的全自動選取方法，提出針對瓷磚表面缺陷圖像的種子點選取方法和分割原則。

瓷磚表面缺陷特點分析：

（1）瓷磚表面缺陷可劃分為幾何型缺陷，如裂縫、孔洞、麻面；區域型缺陷，如色差。

（2）幾何型缺陷在瓷磚表面圖像中占比較小，形狀特殊，且通常分布于磚體邊緣區域，與瓷磚花紋或背景區分度較大，易于分割。

（3）區域型缺陷在瓷磚表面圖像中占比較大，且通常分布于磚面多個區域，色差深淺度和瓷磚背景花紋影響，分割難度較大。

由于幾何型缺陷占比較小，形狀特殊，種子點需選取在瓷磚背景區域；而區域型缺陷，由于占比較大，易受背景影響，因此種子點需直接選取在缺陷區域。

具體的種子點選取步驟分為兩步：①借鑒文獻[17，18]的原則，基于瓷磚表面圖像的直方圖和閾值分割法獲取初始種子點的候選區域；②在候選區域中，種子點應盡量靠近種子點候選域中心，種子點的像素值應盡量接近種子點候選區域的像素均值，且在候選區域內與種子點像素值相同的像素點應盡可能多，以保證種子點與感興趣區域內像素點高度相似。

假設第i 個種子點Si的灰度值為Ii，該種子點的第x 個非種子點鄰域像素Ni,x的灰度值為Ii,x，則Si與Ni,x的距離定義為：

則生長規則定義為：

其中，T 為區域生產規則的判定閾值。當種子點Si與Ni,x的距離小于閾值T 時，則判定Ni,x與種子點Si相似，將Ni,x歸為目標區域；否則，將Ni,x歸為非目標區域。

圖5 所示為種子點自動選取及其經過區域生長后得到的缺陷區域分割結果。

圖5 種子點選取及缺陷區域分割結果

5 實驗與分析

5.1 圖像缺陷區域分割效果實驗比較

實驗中所用瓷磚表面缺陷圖像來源于淄博市某建陶生產企業，數據集中主要收集了該企業生產過程中出現頻率較高的幾種缺陷圖像，其中裂紋缺陷圖像75幅，孔洞缺陷圖像75 幅，麻面缺陷圖像20 幅，色差缺陷圖像50 幅，圖像分辨率歸一化為600×800。為了更好地說明本文所提出圖像分割方法的有效性，實驗中分別采用Sobel、Canny 邊緣檢測算子和基于閾值的二值化分割算法進行了對比實驗。部分實驗結果如圖6所示。

圖6 瓷磚表面缺陷分割結果比較

圖6 實驗結果顯示，Sobel 邊緣檢測算子能較好地實現孔洞缺陷的檢測，但是對于裂紋缺陷和色差缺陷分割效果較差，容易將瓷磚表面的花紋區域誤分割為裂紋區域，而對于色差的分割效果則無法實現準確分割。Canny 邊緣檢測算子的分割效果更差，將大量的背景區域和花紋區域誤分割為缺陷區域?；诙祷撝档膱D像分割難以克服花紋和光線影響嚴重，在獲得缺陷區域的同時，誤分割出大量非缺陷區域。

5.2 圖像缺陷區域標注結果

在完成瓷磚表面缺陷圖像分割后，本文采用雙向積分投影方法捕獲缺陷區域的邊緣信息，并進行缺陷區域標注，實現缺陷區域檢測。圖7 所示為裂紋缺陷的雙向積分投影結果及其缺陷標注結果，采用相同的方法可實現其他缺陷圖像的標注。

5.3 圖像缺陷區域檢測實驗

基于實驗中收集的瓷磚表面缺陷數據集，采用本文提出的檢測方法進行了綜合實驗分析。實驗結果如表1 所示。

實驗數據表明，裂紋和孔洞的檢測準確率較高，但是部分裂紋缺陷較細，且與瓷磚花紋較為相似，所以出現了較多的漏檢，而孔洞缺陷明顯與瓷磚花紋和背景不同，所以漏檢率較低，但是由于受到瓷磚不同花色和背景的共同影響，容易將花紋區域誤作為缺陷區域，導致兩種缺陷的誤檢率較高。麻面缺陷的小斑點隱藏于花紋中的情況較多，檢測難度較大，所以漏檢和誤檢率較高。色差缺陷更多的是受到瓷磚背景色和光線影響嚴重，檢測難度較大，存在較多的誤檢。

圖7 裂紋缺陷的雙向積分投影及缺陷標注結果

表1 瓷磚表面缺陷檢測實驗數據

6 結語

針對現代瓷磚加工企業瓷磚表面缺陷檢測中存在的檢測效率低、準確度差，耗費人力物力等不足，本文融合多種圖像處理算法，提出基于Gabor 變換和區域生長的瓷磚表面缺陷檢測方法，實驗證明了所提方法的有效性和可靠性。另外，本文所提方法存在一定程度的漏檢和誤檢，特別是針對麻面缺陷，檢測準確率較低。在后續的研究中將重點針對瓷磚表面的花紋和背景干擾去除方法開展相關研究，并著手瓷磚表面缺陷圖像大數據集的構建和標注，為基于機器學習算法的缺陷自動檢測做準備。