基于機器視覺的細長產品表面缺陷檢測設備研究

彭雨，談莉斌，余曉流

(安徽工業大學 a. 特種重載機器人安徽省重點實驗室；b. 機械工程學院，安徽 馬鞍山 243002)

0 引言

產品加工完成后，需對其表面色斑、劃痕、尺寸等缺陷進行檢測與甄別。傳統的人工肉眼檢測方法存在工作強度高、易導致誤檢、檢測效率低等問題[1]。因此，對機器實現表面缺陷檢測方法的需求日趨高漲[2]。

目前表面缺陷檢測技術很多，如渦流檢測技術[3]、磁粉檢測技術[4]、滲透檢測技術[5]、X射線檢測技術[6]、激光掃描檢測技術[7]、超聲波檢測技術[8]、機器視覺檢測技術[9]等。渦流檢測技術檢測速度快、靈敏度高，但不能直觀地顯示缺陷的形狀和大小，僅適用于高溫環境下導電材料的檢測[10]。磁粉檢測技術能直觀地顯示缺陷的形狀、位置及尺寸，但檢測結果受產品形狀影響，難以實現自動化，只適用于鐵磁類型材料的檢測[11]。滲透檢測技術不受材料種類和外形輪廓的影響，對疏松及針孔類的缺陷靈敏度高，檢測結果受操作人員影響較大，難以實現自動化，適用于非多孔材料的檢測[12]。以上檢測方法都是針對某一類材料的產品進行檢測，并不能適用于其他材料的缺陷檢測。X射線檢測技術不受材料種類、外形和結構的影響，檢測效率高，但是對操作人員有一定的輻射副作用[13]。超聲波檢測技術不受材料種類影響、靈敏度高、操作安全，但有無法檢測色斑等缺陷，可用于對形狀簡單的產品進行自動化檢測[14]。激光掃描檢測技術不受材料種類影響、檢測速度快、精度高，但有無法檢測色斑等缺陷，適用于對產品尺寸、裂痕等缺陷的自動化檢測[15]。機器視覺檢測技術不受材料種類影響、適用范圍廣、精度高、檢測效率高，但對光線要求高，可用于對產品表面色斑、劃痕、尺寸等缺陷進行自動化檢測[16]。由于機器視覺檢測技術的安全、高效，可以對色斑、劃痕、尺寸等缺陷進行檢測，使其在表面缺陷檢測的應用上得到推廣。

因此，研發者們針對產品表面缺陷問題進行了基于機器視覺檢測技術的應用。如利用機器視覺對太陽能電池片的表面缺陷檢測[17]，利用機器視覺對筒子紗進行在線缺陷檢測[18]，利用機器視覺對蘋果外觀的缺陷進行在線檢測[19]，利用機器視覺對液晶顯示器的缺陷進行自動檢測[20]等。

以上應用都是利用機器視覺針對一個特殊產品進行缺陷檢測，而針對細長產品進行表面缺陷自動檢測的應用尚未見公開文獻報道。因此，本文提出一種基于機器視覺的細長產品表面缺陷檢測方法，并在此基礎上設計出相應的自動化設備。

1 基于機器視覺的表面缺陷檢測方法研究

機器視覺檢測主要由高速相機對處于充足光照下的產品進行原始圖像采集，運用圖像處理技術對原始圖像進行預處理，最后經過圖像檢測程序對產品是否合格進行判斷。

相機在對原始圖像的獲取和傳輸時會因為一些原因產生噪聲，因此在進行圖像處理前需對原始圖像進行灰度化、降噪等預處理。常見的噪聲主要有高斯噪聲、泊松噪聲[21]、乘性噪聲及椒鹽噪聲等。其中，高斯噪聲在表面缺陷檢測中對圖像檢測的影響最大，所以主要針對高斯噪聲降噪。從數學角度上觀察高斯噪聲，其概率密度函數服從高斯分布，其概率密度公式如式(1)所示。

(1)

式中：z為噪聲電平；u為噪聲電平平均值；σ為噪聲電平標準差。

高斯噪聲主要因相機拍攝時亮度不夠、電路元器件的相互影響及相機長時間工作發熱等形成。圖像受到高斯噪聲污染后，圖像中任意一個像素點均受到程度不完全相同的污染，灰度值因受影響程度不同通常表現不一致，但含有一定的有用信息。

對于去除高斯噪聲，均值濾波具有很好的降噪平滑效果[22]。均值濾波是一種線性濾波器，處理思路是將某像素鄰域內各像素點的灰度平均值來代替該像素原來的灰度值。假設待去噪圖像g(i,j)大小為n×n，經均值濾波去噪后的圖像用下式表示：

雷竹林經營只有實施覆蓋才能取得好的效益，但覆蓋技術需要科學技術來支撐。在調查的85戶農戶中，有76戶進行了覆蓋。在進行覆蓋的農戶中，有29.1%的農戶覆蓋后，平均產值為7 253元/667 m2，不能支付覆蓋成本，沒有勞動工資；有36%的農戶平均產值為17 563.2元/667 m2，除去支付覆蓋經營成本，還有凈收入8 453.2元/667 m2，可以拿到用工工資；有34.9%農戶，覆蓋后平均產值達29 203.1元/667 m2，除去支付覆蓋經營成本，還有凈收入20 093.1元/667 m2，獲得了極高的經濟效益。

(2)

式中：i,j=0,1,2,…n-1；s是像素點(i.j)鄰域內所有像素點的集合；M是點集s中的總點數。

對原始圖像預處理完之后需要進行一系列缺陷檢測，這里主要檢測尺寸和色斑。使用canny邊緣檢測方法[23]對圖像提取細長產品的邊緣輪廓。

1)計算像素的梯度值和方向。圖像灰度值的梯度采用一階有限差分方法進行近似處理，得到圖像在x和y方向上的兩個偏導數矩陣。其中，canny邊緣檢測算法中使用的soble算子卷積模板：

(3)

(4)

(5)

其中：sx為x向卷積模板；sy為y向卷積模板；K為待處理點的鄰域標記矩陣。

具體的計算方法為：

(6)

式中：K[i,j]為圖像灰度值；Gx為x方向的梯度幅值；Gy為y方向的梯度幅值；M[i,j]為該點幅值；θ[i,j]為梯度方向。

圖1 非極大值抑制原理圖

完成非極大值抑制后會得到一個二值圖像，非邊緣的點灰度值均為0，可能為邊緣的局部灰度極大值點設置其灰度為128。該檢測結果包含了很多由噪聲及其他原因造成的假邊緣。因此，需要使用雙閾值抑制方法減少假邊緣。

3)雙閾值抑制。根據實際需要選擇兩個閾值，在高閾值圖像中把邊緣連接成輪廓。當到達輪廓的端點時，該算法會在斷點的8鄰域點中尋找滿足低閾值的點，再根據此點收集新的邊緣，直到整個圖像邊緣閉合。

對于色斑的提取是使用OpenCV中Simple Blob Dectorte特征點檢測方法。

將以上步驟得到的輪廓周長和面積、斑點數量與因生產要求而設置的預設值進行比較，都在誤差范圍內，判定合格。具體檢測流程見圖 2。

圖2 檢測流程圖

根據以上檢測方法進行實驗。首先基于visual studio 2018編寫檢測程序，然后使用大恒水星系列相機對4個細長產品(以筷子為例)進行圖像獲取并將獲取的圖片傳輸至計算機，最后經過檢測程序對零件輪廓和色斑輪廓進行提取，提取結果如圖 3所示。圖 3表明該檢測方法可以有效地提取出筷子的外輪廓及表面色斑輪廓。通過該實驗驗證了基于機器視覺的表面缺陷檢測方法可應用于細長零件的表面缺陷檢測上。

圖3 相機檢測圖片

2 表面缺陷檢測設備的整體分析

使用系統法對表面缺陷檢測設備系統進行分析。系統法是從系統觀點出發，把目標對象看作系統整體加以研究、認識，同時又將復雜的系統分解為不同的因素，并從整體與因素之間的相互聯系、相互制約、相互作用的關系中綜合地、精確地探尋整體本質及其運動規律，以達到正確認識和處理問題的一種方法。表面缺陷檢測設備的整體構架見圖 4。

圖4 表面缺陷檢測設備的整體構架

控制系統為整個系統的核心，設備啟動后，控制系統對機械結構系統發出信號，輸送裝置模塊做出響應，并且通過傳感器將輸送狀況反饋給控制系統。控制系統根據反饋信號控制拍照裝置模塊工作。拍照裝置模塊將數據傳輸給檢測系統，檢測系統將檢測結果反饋給控制系統，控制系統再根據反饋信息控制篩選裝置工作。

3 表面缺陷檢測設備的控制系統設計

根據表面缺陷檢測設備的整體分析，針對該設備特點設計一套控制系統。細長產品的輸送由變頻器控制電機來實現。在輸送路徑上有檢測工位和篩選工位，并安裝拍照傳感器和記數傳感器。由于產品在輸送過程中運動速度快，為保證傳感器獲得數據的時效性，使用光纖傳感器作為拍照傳感器和記數傳感器。

為提高檢測效率，在檢測工位上使用4個高速相機同時對4個細長產品的上下兩個側面及兩個端面進行圖像獲取。為保證每次檢測數量的準確性，使用拍照傳感器記錄脈沖，每通過一個產品記錄一次脈沖，達到指定脈沖數時觸發相機拍照并將數據傳輸給計算機。經過計算機的檢測系統分析，若為不合格品則觸發記數傳感器記錄脈沖。

當不合格品通過檢測工位，每運動一段距離，記數傳感器記錄一次脈沖。通過脈沖數判斷不合格品是否到達篩選工位。當不合格品到達篩選工位，觸發電磁閥工作，使噴氣嘴噴出氣體，改變不合格品的運動軌跡，從而達到篩選的目的。

所有運動流程全部由PLC進行整體控制，控制方案如圖 5所示。

圖5 控制方案

4 表面缺陷檢測設備的機械結構設計

根據表面缺陷檢測設備的整體分析確定其機械結構主要分為輸送裝置、拍照裝置及篩選裝置三部分。拍照裝置位于輸送裝置的檢測工位，篩選裝置位于輸送裝置的篩選工位。輸送裝置主要由電機、減速器及輸送鏈條等組成，拍照裝置主要由罩板、光源及高速相機等組成，篩選裝置主要由噴氣嘴、篩選箱及成品箱等組成。對機械結構進行三維建模，其模型如圖 6所示。

圖6 表面缺陷檢測設備的機械結構三維模型

5 結語

本文介紹了一種基于機器視覺的細長產品表面缺陷檢測的方法，并通過實驗驗證了該方法的可行性。研發了一套與該檢測方法相配套的檢測設備，實現了細長產品的自動化在線檢測。該檢測設備與傳統肉眼檢測相比，檢測精度和效率都有明顯改善，降低了肉眼檢測中誤檢和漏檢的發生率，可代替肉眼檢測，節省勞動力。