基于FCN與形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)

(天津工業(yè)大學(xué)機(jī)械工程學(xué)院 天津 300387)

一、引言

工業(yè)零件產(chǎn)品表面缺陷是降低產(chǎn)品質(zhì)量的主要因素之一，不僅影響后續(xù)生產(chǎn)，而且影響最終產(chǎn)品的裝配，甚至導(dǎo)致產(chǎn)品失效。在表面缺陷檢測(cè)的領(lǐng)域中，由于技術(shù)和成本的限制，大多數(shù)公司仍然使用傳統(tǒng)的人工目視檢測(cè)方法，該方法具有一定的主觀性，而且勞動(dòng)成本高、效率低、靈活性差，導(dǎo)致測(cè)試結(jié)果不準(zhǔn)確，無(wú)法滿足在線檢測(cè)的要求。目前使用機(jī)器視覺的方式進(jìn)行缺陷檢測(cè)，具有自動(dòng)化程度高、識(shí)別率高、非接觸式測(cè)量的優(yōu)點(diǎn)[1-2]。王柯賽等提出一種基于機(jī)器視覺在厚壁鋼管端面缺陷檢測(cè)方法，該方法使用Otsu算法實(shí)現(xiàn)缺陷區(qū)域的分割[3]，但是該算法是一種基于像素的閾值分割算法，當(dāng)采集的圖像灰度不均勻時(shí)，使用該算法難以進(jìn)行有效的缺陷區(qū)域分割。陳小改提出一種基于PCA-SVM的帶鋼表面缺陷識(shí)別算法，該算法結(jié)合PCA與SVM進(jìn)行缺陷檢測(cè)[4]，但是沒有對(duì)缺陷特征進(jìn)行有效的提取，且缺陷區(qū)域并沒有進(jìn)行定位，而本文提出的算法能夠?qū)崿F(xiàn)缺陷特征的輪廓提取，以及有效的缺陷檢測(cè)。

二、基本原理

為了實(shí)現(xiàn)良好的圖像分割效果，使用FCN與形態(tài)學(xué)濾波完成檢測(cè)，F(xiàn)CN利用二值化后的標(biāo)簽圖像作為一種像素級(jí)的有監(jiān)督訓(xùn)練的網(wǎng)絡(luò)模型，圖1顯示了基于FCN與形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)算法的結(jié)構(gòu)。首先將待檢測(cè)圖像輸入到FCN中實(shí)現(xiàn)像素級(jí)圖像分割，輸出分類的結(jié)果作為初次分割的圖像，可以看出初次分割后帶有較多的局部噪聲點(diǎn)，結(jié)合形態(tài)學(xué)濾波填補(bǔ)內(nèi)部細(xì)小孔洞，濾除局部噪聲，將其缺陷特征完整分割后進(jìn)行輪廓提取，實(shí)現(xiàn)工件表面缺陷檢測(cè)。

圖1 基于FCN與形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)算法的結(jié)構(gòu)

三、結(jié)合形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)

FCN是一種圖像語(yǔ)義分割網(wǎng)絡(luò)，具有端到端的像素級(jí)檢測(cè)能力，在工件表面缺陷檢測(cè)中，由于工件表面的缺陷特征與背景特征分離不明顯這一特點(diǎn)，在圖像分割后會(huì)存在大量的噪點(diǎn)，因此很難實(shí)現(xiàn)有效的缺陷目標(biāo)分割，但是利用FCN的端到端特性可以有效的避免這一問題，它通過提取工件表面缺陷的特征，對(duì)每個(gè)像素進(jìn)行類別識(shí)別，可以達(dá)到準(zhǔn)確的分割效果并快速實(shí)現(xiàn)像素預(yù)測(cè)任務(wù)，因此廣泛用于工件表面缺陷檢測(cè)領(lǐng)域中。形態(tài)學(xué)濾波是基于形狀的一系列圖像處理操作，具體流程如圖2所示。開運(yùn)算和閉運(yùn)算是形態(tài)學(xué)濾波的基本操作[5]，開運(yùn)算是對(duì)圖像先腐蝕、后膨脹，而閉運(yùn)算是先膨脹、后腐蝕。

圖2 結(jié)合形態(tài)學(xué)濾波實(shí)現(xiàn)缺陷檢測(cè)的結(jié)構(gòu)框架

四、實(shí)驗(yàn)與分析

(一)實(shí)驗(yàn)圖像樣本集及實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的工件表面缺陷圖像采集裝置由維視的以太網(wǎng)工業(yè)相機(jī)(型號(hào)MV-EM120M)、鏡頭(型號(hào)M0824-MPW2)、環(huán)形光源(型號(hào)HDR-90-45),及調(diào)節(jié)器、多功能調(diào)節(jié)支架和電腦組成。為了評(píng)估基于FCN與形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)的可行性，進(jìn)行了如下實(shí)驗(yàn)，本實(shí)驗(yàn)主要針對(duì)平面類型、金屬材質(zhì)的工件作為研究對(duì)象，其表面為銑削表面。通過圖像采集系統(tǒng)獲得4600幅工件表面缺陷樣本，經(jīng)過人工選擇2000幅為測(cè)試集，主要針對(duì)凹坑、劃痕與磕碰缺陷進(jìn)行研究，其表面缺陷和正常表面如圖3所示。

(a)凹坑表面 (b)劃痕表面 (c)磕碰表面 (d)合格表面

(二)基于FCN與形態(tài)學(xué)濾波算法性能分析

通過對(duì)工件表面缺陷數(shù)據(jù)集進(jìn)行檢測(cè)，將2000幅測(cè)試數(shù)據(jù)集分成正常表面圖像500幅，缺陷表面圖像1500幅，使用基于FCN與形態(tài)學(xué)濾波算法分別對(duì)樣本的占比情況不同進(jìn)行缺陷檢測(cè)性能分析，實(shí)驗(yàn)結(jié)果如表1所示，可以看出當(dāng)缺陷和合格樣本占比為10%時(shí)，缺陷樣本的檢測(cè)率為100%，誤檢率為6%，合格樣本的檢測(cè)率為94%，誤檢率為0。通過數(shù)據(jù)占比程度逐漸加大，當(dāng)缺陷與合格樣本占比100%時(shí)，缺陷樣本檢測(cè)率為97.8%，合格樣本檢測(cè)率為98.6%，其檢測(cè)效果圖如圖4所示，可以看出該算法可以有效的實(shí)現(xiàn)缺陷檢測(cè)。

表1 樣本占比不同的缺陷檢測(cè)實(shí)驗(yàn)結(jié)果

圖4 缺陷檢測(cè)的效果圖

(三)算法的對(duì)比實(shí)驗(yàn)分析

為了進(jìn)一步驗(yàn)證本文提出的算法的性能，將所提出的算法與文獻(xiàn)[4]的算法以及決策樹、最鄰近算法(KNN)、多層感知器(MLP)進(jìn)行實(shí)驗(yàn)比較。算法的對(duì)比實(shí)驗(yàn)結(jié)果如表2所示，從表中可以看出，文獻(xiàn)[4]的算法缺陷檢測(cè)準(zhǔn)確率僅為40.8%，雖然可以降低維度，但是檢測(cè)準(zhǔn)確率較低，使用CNN進(jìn)行缺陷檢測(cè)準(zhǔn)確率為94.75%，可以證明所使用的深度學(xué)習(xí)框架進(jìn)行缺陷檢測(cè)是有效的，但是對(duì)于缺陷區(qū)域并沒有實(shí)現(xiàn)輪廓提取并且進(jìn)行有效的缺陷定位，而本文所提出的算法不僅可以實(shí)現(xiàn)缺陷特征的輪廓提取、缺陷定位以及有效的缺陷檢測(cè)，而且具有更高的檢測(cè)準(zhǔn)確率，其準(zhǔn)確率為98%。

表2 算法的對(duì)比實(shí)驗(yàn)

五、結(jié)論

本文提出了一種基于FCN與形態(tài)學(xué)濾波的工件表面缺陷檢測(cè)算法，該算法以工件表面缺陷作為研究對(duì)象，通過FCN語(yǔ)義分割模型實(shí)現(xiàn)像素級(jí)分割，提取缺陷特征區(qū)域，然后結(jié)合形態(tài)學(xué)濾波算子填補(bǔ)內(nèi)部細(xì)小孔洞，濾除局部噪聲，將其缺陷特征有效分割，最后將分割后的特征進(jìn)行輪廓提取，實(shí)現(xiàn)缺陷檢測(cè)。通過對(duì)所提出的算法進(jìn)行性能分析實(shí)驗(yàn)，結(jié)果表明該算法具有較理想的誤檢率和檢測(cè)率，且經(jīng)過與其他算法進(jìn)行實(shí)驗(yàn)比較，結(jié)果證明了所提出的算法性能的優(yōu)異性。