一種基于機器視覺的表面缺陷快速檢測方法*

周國棟

（湖南廣播電視大學網絡技術學院， 長沙 410004）

0 引言

表面缺陷檢測是工業產品質量檢測的重要內容，常見的工業產品表面缺陷種類主要有裂痕、凹陷、色斑等。

采用機器視覺進行產品表面缺陷快速檢測具有非接觸、機械結構簡單等優點，近年來，如何實現機器視覺的快速識別成為研究熱點[1-3]。李慶利等[1]利用顏色特征，以區分產品表面缺陷和背景顏色，再利用基于彩色空間的聚類方法設計出一種快速識別方法，但彩色空間對光源環境非常敏感，檢測不穩定，且檢測時間長，不易小型化；張軍[2]提出一種利用小波變換進行頻域濾波和特征識別的方法，用于表面缺陷的快速檢測，但基于頻率的處理方法容易受到復雜紋理背景的干擾，有一定的局限性；晁云等[3]采用模板識別的方法，將合格表面圖像設置為模板，再和待檢表面進行對比，最后用局部門限處理算法實現快速缺陷特征快速識別，但該方法只適合于固定背景情況，對于變化的紋理背景就無能為力了。

以瓷磚的表面缺陷檢測為例，目前，該領域生產實際中的檢測主要依靠人工，機器視覺應用較少，阻礙其應用的主要原因是該領域生產環境較復雜。一是表面缺陷種類多，且形態各異，無法利用標準的模板進行識別；二是生產過程留下的非缺陷干擾較多，比如手印、水漬、碎石等，和缺陷特征在圖像上較為相似，加大了視覺檢測的難度，而要做到檢測前徹底清除干凈，也十分困難。另外，工業現場檢測環境還往往存在檢測位置的變化、光源角度的變化等情況。在復雜的干擾環境下，傳統視覺檢測方法無法獲得滿意的檢測精度。

SIFT 圖像特征具有尺度不變、旋轉不變等特點，在表面缺陷識別應用上，表現出獨特的優勢。周鵬[4]應用SIFT算法對鋼板進行了表面缺陷檢測，準確率高達95%；王星等[5]在藥用玻璃瓶印刷圖案缺陷檢測上運用SIFT特征識別，有效提升了檢測效率和精度；曾瑞篷[6]運用SIFT特征對汽車保險盒缺陷進行在線檢測，檢測精度提升了5.8%。

目前國內外利用機器視覺進行表面缺陷檢測的方法主要有3種，分別是基于像素統計的直方圖方法，基于卷積神經網絡方法和基于SIFT 等特征描述方法。在有復雜干擾情況下，SIFT 表現出較強大的魯棒性和抗干擾能力，但該方法的相關參數設置非常復雜，直接影響檢測效率和精度，本文將給出相應的設置方法和經驗公式，提高該方法的應用效率。

1 SIFT算子檢測原理

為更好地描述圖像特征，Lowe等[7]設計了一種具有尺度不變、角度不變的特征變換算子（Scale-invariant Feature Trans?form ， SIFT）。該算法的特點是提取目標區域的局部特征，并能對成像焦距、亮度、旋轉角度等變化因素保持不變，也能對圖像噪聲干擾保持較好的魯棒性。尤其是在目標遮擋（Occlusion）、雜物場景（Clutter）等復雜環境下，傳統的基于顏色統計或基于邊緣面積、邊緣形狀等方法很難湊效。

SIFT 算法的關鍵是找出圖像中特征點，并計算出其特征描述，最后用這些特征描述和樣本進行比對， 如果匹配的點足夠多，則可以判定其類別。其大致步驟如圖1 所示，具體如下。

圖1 SIFT圖像金字塔

（1）第1 步，為了特征點具有縮放不變特性，先對圖像進行分組（Oc?tave），按照1/2降采樣得到不同組數，圖1列出了2組。

（2）第2 步，為了特征點具有模糊（尺度）不變特性，對每組圖片進行不同尺度的高斯模糊，得到尺度組的不同圖層，圖1列出了6層。

（3）第3 步，為了得到圖像亮度變化的極值點來作為候選特征點，利用高斯差分（DOG）來提取圖像邊緣。如圖1所示，將第6層和第5層相減，得到高斯差分組的1層，以此類推，可以得到5層高斯差分組。最后從高斯差分圖像中計算出極值點作為初步特征點。

（4）第4 步，過濾掉不好的特征點，包括兩類，一是對比度低的點，二是不穩定的邊緣響應點。其原理是將候選特征點及其附近的點擬合，利用導數為零，求出其確切的亞像素極值點。并計算出這些極值點的對比度，設定對比度閾值T，剔除掉對比度低的特征點。對于邊緣響應點，則是利用DOG圖像的Hessian矩陣來計算特征點的主曲率。設定邊緣閾值Tr，剔除掉小于Tr的特征點。

（5）第5 步，計算特征點的主方向，并生成特征描述矩陣。在以特征點為中心、3×1.5δ為半徑的區域內，統計圖像特征點的幅角和幅值，以統計直方圖的峰值作為主方向。得到主方向后，以主方向為中心取8×8 的窗口，并求取每個像素的梯度幅值與梯度方向。最終，一個特征點產生出128 維的SIFT特征向量，N個特征點生成一個N×128的特征描述矩陣。

（6）第6 步，分別得到缺陷模板圖像和待檢測圖像的特征描述矩陣后，最后用K近鄰算法找出與模板特征點向量歐式距離的最近鄰和次近鄰點。如果最近鄰距離小于次近鄰距離的70%，則認定為匹配點。

2 SIFT算子參數確定與優化

SIFT 的本質是特征點選取與特征信息描述，目的是產生能不隨圖像尺度和方向等因素干擾的特征數據，從而實現圖像塊識別的魯棒性。但該算法數據處理量較大，耗時較長。這使得其在實時檢測場合難以適應。本文將通過減少SIFT特征點數量，提高特征點獨特性，以達到壓縮特征描述矩陣的目的。優化SIFT算子的參數設置是減少特征點提取數量的一個非常有效的辦法。

2.1 圖像金字塔組數的確定

圖像金字塔組數（Octave）關系檢測的精度和速度，這個參數的確定，一般會使用如下的經驗公式[7]：

式中：p為圖像組數；m和n分別為圖像長和寬；a為補償值，具體數據可根據實際圖像處理速度和精度來確定。

本文中，機器視覺獲取的原始圖像尺寸為[512，512]。用間隔取值法將原始圖像不斷縮小，直到全部圖案特征都不能識別，這時的尺寸若為[20，20]，按照SIFT 規則，每次按1/2尺寸進行變換，從512 壓縮到20，需要不少于5 次變換。由此，a值可取為4，最后得到圖像金字塔的組數p應該設置為不小于5。

2.2 尺度空間初始值的確定

尺度空間，簡單理解就是圖像的模糊程序，一般使用高斯模糊不斷處理圖像，隨著尺度的增加，圖像細節逐漸融合，大的輪廓依然可見，從而可以實現提取輪廓的目的。尺度空間δ的經驗公式如下：

式中：o為金字塔的分組序號；s為同一組的圖像層號；δ0為尺度空間的初始值；S為金字塔中每組的層數。

按照經驗，常規應用中，設置δ0=1.6，S=3即可滿足要求[7]。

研究發現，δ0的取值會直接影響檢測的精度和效率。尺度過小，細節的模糊不夠充分，帶來極值點數量過多，處理負擔重，效率低。反之，尺度過大，有可能讓重要邊緣信息丟失，識別準確率下降。本項目經過大量實踐得到δ0的取值經驗公式：

式中：k為待識別圖形的極限尺寸。

比如，表面缺陷極限識別尺寸約占2 個像素，則δ0可以設置為0.7。

圖2 所示為不同尺度空間值，所檢測出的特征點（kpn）數量以及分布情況， 由 圖 可 知，δ0=0.7時， 特征點數量較為合適，分布也較為均勻。

圖2 不同尺度空間對特征點的影響

2.3 對比度閾值的確定

得到高斯差分組后，接下來的是提取圖案邊緣的極值點。其方法是，對比圖層上的點，及其所在組相鄰層3×3鄰域的26點，若該點為亮度最大或者亮度最小，即判斷為極值點。

由于椒鹽噪聲的干擾，可能存在來自非圖形輪廓的極值點。為了更準確地獲得邊緣極值點，需要對極值點進行修正，修正的原理是采用泰勒級數進行擬合，設偏差為Δx，得到擬合公式如下：

實際特征點的導數應該為零，如下：

正常的邊緣極值點往往具有較大的對比度，需要篩掉低對比度的極值點，跟其他幾個參數一樣，設定一個對比度閾值CT來進行過濾。一般來說，CT的經驗值是0.04。

來自圖案邊緣特征點對比度相對內部紋理細節要大，因此，如果檢測方案只需要提取物體的輪廓特征來進行識別，可以將閾值CT適當加大，反之則應該適當減小，以提取更多局部紋理特征。

另外，尺度變化處理，也就是圖像的模糊過程也會帶來對比度的改變，也可以參考模糊核的尺寸來設置CT值。將圖像數據標準化后，若高斯函數方差值δ0=0.7，則對稱中心和DOG 差值都約為0.32。按照70%極值點為有效數據，可估算出對比度閾值CT=0.2。

圖3所示為采用不同的對比度閾值（CT），缺陷圖像所檢測出的極值點（kpn）數量以及分布情況，對比可發現，當CT=0.2時，極值點數量較少，且分布較為均勻。

圖3 不同對比度閾值對極值點的影響

2.4 圖像邊框極值點閾值

完成低對比度極值點剔除后，還需要剔除多余的圖像邊框極值點。過濾的依據是綜合像素點的橫向和縱向梯度信息來判斷。跟對比度過濾類似，通過設定閾值ET來實現。

ET的經驗值是10，研究發現，ET取值跟圖像處理速度有較大關系，盡可能減小該閾值，減少邊框極值點，可以提升檢測速度。但該值過小，會讓圖像內部特征點也被誤判為邊框點，降低檢測精度。應該按圖案區域和邊框梯度的大致數據范圍來合理設定閾值。圖4所示為表面缺陷檢測中，不同的ET值對極值點獲取的影響。可以看出，ET=3時較為合適，此時極值點分布均勻，數量也較少。

圖4 不同邊框極值點閾值對極值點的影響

3 實驗與結果分析

特征點的合理提取是SIFT算法最主要的工作，表面缺陷的檢測主要依靠大量特征點數據集。

本文的實驗主要環境配置為：操作系統為Windows7，軟件 IDE 為 Python7.0 + OpenCV4.0， GPU 顯 卡 為 Ge?Force-GTX-1650。

測試的表面缺陷主要包含凹陷、裂紋和斑點，檢測包含兩個數據，分別是缺陷檢出率和缺陷誤檢率。本項目實驗對比3種應用算法的檢測效果，分別是基于統計圖案統計Match?Template、基于SIFT 算子的特征識別方法和基于人工卷積神經網絡CNN算法。對比結果如表1～2所示。

表1 缺陷檢出率對比

表2 缺陷誤檢率對比

從檢測效果來看，統計方法是最不理想的，人工神經網絡在裂紋檢測上有較好效果，在凹陷和斑點的檢測上具有一定局限性。

出現這種結果的原因跟各自檢測的原理有關系，統計學方法對圖像的尺度、對比度、缺陷形態敏感，對于沒有固定形態的缺陷效果欠佳，而卷積神經網絡對于污漬等干擾圖案不能有效區分，所以只對裂紋檢測效果較好。SIFT 表現出具有良好抗干擾能力的特性。

4 結束語

本文介紹了SIFT算法的識別原理，并給出了相關參數的設置方法和經驗公式，最后通過實際表面缺陷的檢測，對比驗證了SIFT算法較強的魯棒性和抗干擾能力，以及相關參數設置方法的正確性和可行性。

實驗數據表明，SIFT 算法在凹陷類和斑點類缺陷的檢出率上具有明顯優越性，在裂紋類的誤檢率上也具有較大優勢。特別是在有干擾圖像情況下，檢出率比神經網絡提升了20%，誤檢率降低了3%。

但SIFT算法也存在一定的局限性，主要表現在檢測時間上，比神經網絡慢了近一倍，還需要進一步進行研究和改進。