面向工業應用視覺檢測的數字圖像處理課程實踐與探索

王紅一 陳繼威 宋麗梅

摘? 要? 視覺檢測技術在工業領域的應用日漸廣泛，有必要對數字圖像處理課程實踐內容進行探索和改革，以提高課程價值。在實踐教學中，以項目開發為牽引，將理論知識融入需求分析、方案設計和運行測試等各個環節，涵蓋工業生產領域應用到的多方面數字圖像處理技術，實現課程教學與工程實踐的有機融合，培養學生的實踐能力、創新意識、科學素養和社會責任感。

關鍵詞? 數字圖像處理；視覺檢測技術；實踐教學

中圖分類號：G642? ? 文獻標識碼：B

文章編號：1671-489X（2022）07-0087-03

0? 引言

工業的飛速發展對視覺檢測技術和人工智能技術人才的需求與日俱增。數字圖像處理是一門融合了計算機科學及信息學等多個學科的交叉課程，是學生學習機器視覺和人工智能等專業課的基礎。該課程主要是讓學生學習數字圖像處理基礎知識，掌握相關算法原理，提高學生解決實際問題的系統思維能力，并能通過自主編寫相關程序代碼和自主設計邏輯算法來完成項目開發。如何進行課程設計和課程實踐來激發學生的學習熱情，提高學生在課程、科研項目等實踐中發現并解決問題的能力，提升綜合素養和能力，是課程教學中值得深入探索的問題[1-2]。

本次教學改革針對課程實踐環節，主要從工業應用角度出發，設計以工業產出為導向、以項目任務為驅動的容納豐富數字圖像處理算法的實踐教學案例，注重項目開發過程的完整性，實現課程教學與工程實踐的有機融合，讓學生通過參與面向工業應用的視覺實踐項目開發，提高運用課程相關技術解決視覺檢測項目工程實際問題的能力，成為數字圖像處理等領域的高素質人才。

1? 存在的問題

在實際教學實踐中，學生普遍存在基礎理論不牢固、編程基礎薄弱等問題，很難快速理解課程的知識體系。數字圖像處理課程實踐存在以下問題：

1）課程的實驗內容缺乏綜合性和創新性，沒有增加與實際工業應用有關的前沿技術實驗，忽視對學生綜合能力的培養，難以鍛煉學生對新技術的快速學習和應用能力，從某種程度上限制了對學生創新、實踐能力及科研能力的培養；

2）課程實踐內容沒有緊跟當前實際工業發展趨勢，與真實企業工業生產應用的技術存在很大的差異，學生對相關領域發展及行業前沿了解不清晰，難以適應科技和產業的發展需求；

3）教學過程中忽視了課程其他方面育人功能的挖掘，沒有讓學生認識到學習數字圖像處理課程的意義和作用，缺乏對學生社會責任心和民族使命感的培養。

2? 課程改革的主要目標及基本思路

針對以上問題，本文以提升學生的綜合實踐能力為主要目標，通過面向工業生產項目的開發實踐，挖掘課程內涵，實現對課程的改革及探索，提高課程教學質量。課程改革的基本思路是以工業產出為導向，以圖像處理領域的實際工程問題為驅動，通過大量實踐活動激發學生對課程相關專業知識的學習興趣，培養學生解決實際問題的能力。在以項目開發為牽引的教學實踐環節，學生對項目任務進行需求分析，對解決方案進行可行性設計和討論，并在實踐上機時對所設計的方案進行實現、運行測試等，真正地將理論知識應用于實踐。同時，在對項目需求進行分析調研時，要了解數字圖像處理領域的前沿技術及發展現狀，這有助于學生開闊眼界、明確目標、增強自信。

3? 課程改革的具體措施

視覺檢測技術在諸多工業領域均有迫切的應用需求，如工廠中人員入侵檢測、安全帽檢測、煙霧明火檢測、設備運行故障檢測等，這些視覺檢測應用均需要用到數字圖像處理技術。在進行課程實踐案例設計時，應盡量選擇對圖像處理知識包含全面、實驗數據易于采集、可實現性強的項目，使學生能夠盡快熟悉課程項目內容，能夠在學習課程內容后結合查閱資料以及小組合作等方式完成課程實踐任務。

在智能化生產過程中，基于智能視覺檢測技術，產品的生產制造從自動化變成智能化，極大地提高了工業生產的效率。在水泥加工、石油化工、紡織、智能制造等諸多行業中，基于數字圖像處理技術的工業應用有很多，如利用深度學習、圖像處理等技術對產品進行質量檢測及類型識別，工業現場對工作人員的識別和跟蹤等，都迫切需要先進的圖像處理技術。本次課程實踐改革以紡織工業領域的視覺檢測任務為依托，把課堂教學打造成以案例構思、設計、實現和運行為生命周期的素質訓練環境。

3.1? 基于數字圖像處理技術的織物纖維檢測識別實踐

以織物纖維檢測識別為實踐案例，該實踐項目的任務是通過數字圖像處理及識別技術實現顯微圖像中棉、麻、毛、絲類型的識別。在項目實踐前期，要進行大量的項目調研工作，了解項目的具體需求、國內外研究現狀、需要用到的核心算法及需要用的軟硬件設備等。明確研究目標之后，就要根據調研的結果給出設計實施方案，理清項目的開發思路。之后，進入織物纖維檢測識別項目的開發階段，利用圖像設備采集課程實踐項目所需要的纖維圖像，并利用所學課程知識進行圖像處理。

利用電子顯微鏡采集到的棉、麻、毛、絲四種織物纖維的顯微圖像如圖1所示。該項目可采用卷積神經網絡模型（CNN）進行織物纖維的分類識別，其基本處理步驟包括圖像去噪、圖像細化、圖像樣本制作、圖像識別。首先，組織學生對采集到的原始圖像進行處理，并將學生分組來完成圖像去噪等工作。其次，進行形態學膨脹、腐蝕，提取出纖維輪廓信息，并利用中軸變換算法提取出纖維走勢的骨架信息。最后，運用整體批量裁剪與隨機裁剪兩種方法得到固定尺寸的樣本圖像，并經過圖像的翻轉與旋轉擴充數據樣本集。

該項目實踐采用的是卷積神經網絡模型。在織物分類識別模型訓練階段，組織學生學習與神經網絡等相關的知識，指導學生學習關于深度學習超參數調節的知識，自主探索模型輸入數據、學習率、迭代次數等參數設置過程，對項目模型不斷地訓練，最終根據評估指標及實驗驗證得到識別效果較好的模型，并組織學生分享項目實踐學習經驗。

在織物纖維圖像識別項目實踐過程中，學生運用到數字圖像處理的圖像灰度變換、圖像幾何變換、圖像濾波、圖像分割、圖像裁剪和圖像識別等方面的理論知識。在實踐報告中，學生通過分析實踐案例需求，利用課程相關技術解決了一些實際的問題。只有幫助學生全面系統地掌握這些數字圖像處理的基礎理論，學生在實踐中及以后的工作中才能靈活運用這些知識解決工業生產的實際問題。同時，學生也通過實踐案例提出很多自身的理解和非常有意義的問題，如提出可以利用其他網格搜索等優化算法幫助進行網絡模型超參數調節來提高模型的識別準確度，不一定樣本數量越多模型效果就越好等。

3.2? 基于數字圖像處理技術的織物缺陷檢測實踐

織物缺陷檢測是紡織工業中產品質量監控的必要手段，基于視覺的織物缺陷檢測方式已受到普遍認可。基于數字圖像處理技術的織物缺陷檢測實踐項目的任務是利用數字圖像處理課程相關技術，結合計算機軟件基礎知識、高級語言程序設計等知識，實現對織物瑕疵產品的在線檢測，完成生產線產品質量的在線監控、產品品質等級的自動篩選、目標的定位及跟蹤等。對項目進行方案設計，可設計為四個主要模塊：圖像預處理模塊、定位檢測模塊、特征提取模塊、圖形界面設計模塊。最終開發的程序應能實現缺陷的定位、缺陷特征提取、缺陷類型識別、等級分類等多種需求，能達到提高產品生產效率和制造質量的效果。在課程實踐過程中，以小組合作分工的形式組織學生完成該系統設計。在課程實踐結束前組織學生進行課程實踐匯報及經驗交流分析，分享實踐過程中遇到的技術問題、圖像處理經驗、課程技術知識、前沿技術等。

在此項目中，為了準確地檢測織物缺陷，需對圖像進行全面的預處理操作，并提取圖像的多種顏色、形狀和紋理方面的圖像特征，再對提取到的特征進行特征篩選和降維處理，最后定位并識別織物缺陷。這一實踐項目較全面地涵蓋了數字圖像處理的基本處理技術，適用于數字圖像處理課程實踐。

通過以上兩個工程實踐案例可以看出，在實踐教學中引入實際項目開發任務，既能激發學生的學習興趣，又能鞏固學生對課程理論內容的掌握，還能掌握解決工程問題的基本方法，同時深入了解工業的實際需求。學生通過親自參與實際工程項目開發實踐，可以利用課堂所學知識解決實際的工程問題，提升實踐能力和行業競爭實力。同時，學生參與項目調研，可以深入了解行業前沿技術及發展方向，了解數字圖像處理技術的發展歷程。面向工業的實際項目也幫助學生了解了視覺檢測技術在當前工業檢測領域的迫切需求，提升了學生的社會責任感和專業認可度，鍛煉了學生合作解決實際問題的能力，鞏固了課堂所學知識。

4? 結束語

本次數字圖像處理課程實踐改革，注重項目實踐的完整性，包含需求分析、解決方案設計、程序開發實踐和運行測試等多個環節，并且盡可能多地容納數字圖像處理中的多種技術，幫助學生全面掌握專業知識，培養學生的實踐能力、創新意識和科學素養，使學生了解行業前沿技術和發展現狀，加深對數字圖像處理課程的認識和自身專業的理解，培養學生的社會責任感，增強學生為實現中華民族偉大復興而努力奮斗的決心。

參考文獻

[1] 王云發，程鑫橋，黃飛，等.基于卷積神經網絡的??亞麻與棉自動識別系統[J].紡織檢測與標準，2018，4（6）：19-23.

[2] 邵金鑫，張寶昌，曹繼鵬.基于圖像處理與深度學習方法的棉纖維梳理過程纖維檢測識別技術[J].紡織學報，2020，41（7）：40-46.

[3] 劉暢榮，王志勇，王玉蝶.工程教育視域下高校人才核心素養培養體系的重構[J].中國教育技術裝備，2021（11）：6-7.

[4] 李雯雯.高校創新創業教育觀念變革的構想研究[J].科技與創新，2021（15）：114-115.

[5] 陸蕊.模式識別及其在圖像處理中的應用研究[J].大眾標準化，2021（16）：122-124.

*項目來源：天津工業大學2021年度研究生課程思政示范課程培育項目“數字圖像處理與模式識別”（YJS202128）；

“紡織之光”中國紡織工業聯合會高等教育教學改革項目“面向紡織行業的智能視覺課程內容改革及課程思政建設”（2021BKJGLX728）；中國學位與研究生教育學會研究課題“研究生個體成長與能力提升的影響因素研究”（2020MSA388）。

作者：王紅一，天津工業大學人工智能學院，副教授，博士，主要研究方向為數字圖像處理、智能檢測技術；陳繼威，天津工業大學控制科學與工程學院，主要研究方向為大數據分析、智能建模；宋麗梅，天津工業大學人工智能學院，教授，博士，主要研究方向為機器視覺、三維光學測量（300387）。