基于計算機視覺技術(shù)的汽車涂膜缺陷檢測分割算法

摘要：為精確定位和準確識別汽車涂膜缺陷，設(shè)計了一種基于計算機視覺技術(shù)的缺陷檢測算法。選擇40 塊有不同缺陷的汽車涂膜樣板，使用視覺檢測系統(tǒng)采集樣板圖像后，依次進行了圖像預(yù)處理和分割處理。在此基礎(chǔ)上選用了基于圖像方差標準化的算法、基于圖像中心化的算法、基于去背景的算法，對比三種邊緣檢測算法在缺陷檢測中的應(yīng)用效果。實驗結(jié)果表明，這三種方法均能拉大缺陷邊緣的灰度梯度，再配合Canny 算子可以準確檢測出圖像中的缺陷。

關(guān)鍵詞：計算機視覺技術(shù)；汽車涂膜缺陷；圖像分割；邊緣檢測算法

中圖分類號：U467 收稿日期：2023-01-02

DOI：10.19999/j.cnki.1004-0226.2023.02.019

1 前言

涂膜是汽車自動化生產(chǎn)中的一道重要工序，但是在涂膜中經(jīng)常會出現(xiàn)油漆流掛、沾染灰塵、氣泡空鼓等質(zhì)量缺陷。將視覺系統(tǒng)與缺陷檢測算法相結(jié)合，前者可以實時采集汽車涂膜圖像，后者則可以對圖像展開處理和分析，用于判斷是否存在涂膜缺陷。通過精確定位和準確識別缺陷，為加強質(zhì)量把關(guān)、改進涂膜工藝和修復(fù)涂膜缺陷提供技術(shù)支持。基于此，本文利用計算機視覺技術(shù)對汽車涂膜缺陷檢測分割算法進行研究。

2 實驗對象

汽車涂膜缺陷的類型有上百種，本文選擇40 塊存在缺陷的汽車涂膜樣板作為實驗對象，缺陷共有8 種，分別是爆裂氣泡孔、灰塵顆粒、流掛、凹陷、劃痕、橘皮、抽縮、沾污，每種各5 塊樣板。然后使用基于計算機視覺技術(shù)的汽車涂膜缺陷檢測系統(tǒng)，對40 塊樣板存在的缺陷進行圖像采集，在此基礎(chǔ)上配合圖像預(yù)處理、檢測算法等進行缺陷定位和類型識別。視覺檢測系統(tǒng)的結(jié)構(gòu)組成如圖1 所示。

3 汽車涂膜缺陷圖像的預(yù)處理與分割

3.1 圖像預(yù)處理

使用視覺系統(tǒng)采集樣板圖像時，可能會受到脈沖干擾、噪聲干擾，進而導(dǎo)致圖像的清晰度、飽和度不夠，增加了監(jiān)測誤差。因此，為保證最終的涂膜缺陷檢測結(jié)果準確可靠，必須要在獲取圖像后進行預(yù)處理。通過提高信噪比、清晰度，以及抑制沒有利用價值的背景信息，進而提取出特征值，實現(xiàn)精準檢測。常規(guī)的圖像預(yù)處理方法主要是借助于各種濾波器降噪，例如中值濾波器、銳化濾波器等幾種。

考慮到汽車涂膜缺陷具有分布范圍隨機、邊界較為模糊等特點，濾波器降噪處理可能會加大缺陷與背景的對比度，反而導(dǎo)致圖像中一些微小的缺陷被濾除，增加了特征值的提取難度。因此本文選擇能夠抑制噪聲并且可以進行邊緣檢測的Canny 邊緣檢測算子，對采集到的圖像進行預(yù)處理。

其原理是自定義一個閾值，然后濾除圖像背景中因為包含隨機紋理而產(chǎn)生的虛假邊緣，降低了邊緣提取難度，通過精準進行邊緣定位，從而檢測出存在的缺陷。除了使用Canny 邊緣檢測算子外，本文還使用了圖像求反（提高圖像對比度）、圖像去背景（提高圖像背景亮度）等預(yù)處理方法，為下一步的圖像分割創(chuàng)造有利條件。

3.2 圖像分割

在完成圖像預(yù)處理的基礎(chǔ)上，還要進行圖像分割。其操作方法是將圖像分成大量的、不重疊的條狀區(qū)域，然后從每個區(qū)域內(nèi)提取出有價值的特征信息，如顏色、形狀以及邊緣輪廓曲線等。根據(jù)這些特征值判斷缺陷的具體位置和所述類型，從而實現(xiàn)對涂膜缺陷的精確檢測。常用的圖像分割方法有基于閾值的分割（如直方圖閾值分割法）、基于邊緣的分割（如邊緣檢測法）、基于區(qū)域的分割（如區(qū)域增長法）等［1］。

對于存在涂膜缺陷的樣板來說，在采集圖像時由于照明條件的限制，樣板不同區(qū)域的亮度是不均勻的。通常是光照點最亮，距離光照點越遠，亮度越差，這就導(dǎo)致圖像背景中像素灰度值會根據(jù)距離和位置的變化而產(chǎn)生明顯的波動。這種情況下基于閾值和基于區(qū)域的圖像分割方法都會受到干擾。因此，本文使用了邊緣檢測法對圖像進行分割并檢測其缺陷，進一步地對比了Rob?erts、Sobel 和Canny 三種算子，發(fā)現(xiàn)Canny 邊緣檢測算子從樣本中提取到的缺陷邊緣有最明顯的連續(xù)性。

4 汽車涂膜缺陷檢測算法

4.1 常用的檢測算法

本次實驗中選擇的汽車涂膜缺陷主要包括爆裂氣泡孔、灰塵顆粒等，這些缺陷均存在邊緣灰度變化不明顯等特點。如果使用常規(guī)的微分邊緣檢測算法，很容易因為缺陷邊緣識別不精確而影響最終檢測結(jié)果的可信度。因此，本文采用了三種能夠檢測出模糊邊緣的算法，分別是基于圖像方差標準化算法、基于圖像中心化的算法、基于去背景技術(shù)的算法，并橫向?qū)Ρ热N檢測算法對40 塊樣板涂膜缺陷的檢測結(jié)果。檢測算法的具體原理如下：

a. 基于圖像方差標準化的算法。利用方差標準化卷積函數(shù)處理圖像，可以解決圖像表面亮度明暗不同的問題，從而消除了因為光照亮度導(dǎo)致的邊緣模糊問題。其卷積函數(shù)可表示為：

基于該算法的圖像涂膜缺陷檢測流程為：將需要檢測的圖像進行預(yù)處理后，使用一階導(dǎo)數(shù)的高斯模板對該圖像作標準化卷積計算，可以讓圖像表面各個區(qū)域的亮度保持相同，同時在圖像的邊緣處灰度也會得到一定程度的增強。之后選擇上文中介紹的Canny 邊緣檢測算子進行邊緣檢測，從而準確識別出缺陷。

b. 基于圖像中心化的算法。該算法需要分別計算出被檢測圖像的平均值x - 、標準差S，然后用圖像的像素灰度值xij 減去圖像的平均值，再除以圖像的標準差，即可得出中心化后圖像輸出的像素灰度值Xij。計算公式為：

式中，平均值和標準值的計算公式分別為：

式中，r 與c 是被檢測圖像的行數(shù)、列數(shù)。經(jīng)過上述處理后，被檢測圖像中與背景灰度有明顯差值的地方會更加明顯地表現(xiàn)出來，通過增加圖像邊緣兩側(cè)的灰度梯度，可檢測出圖像中的缺陷。

c. 基于去背景的算法。該檢測算法的原理是計算原圖像像素灰度值xij 與估計的原圖像背景yij 的差值，所得結(jié)果即為去背景后圖像輸出的像素灰度值Xij，計算公式為：

經(jīng)過上述處理后，被檢測圖像的背景灰度值有所降低，但是從整體上來看灰度一致性良好［3］。如果圖像中存在缺陷，會表現(xiàn)出較為清晰的邊緣，從而檢測出缺陷。

4.2 汽車涂膜缺陷檢測流程

雖然選擇不同的檢測算法，在圖像的細節(jié)處理上有所差異，但是上述三種算法均屬于邊緣檢測算法。基于此，本文設(shè)計了基于邊緣檢測算法的汽車涂膜缺陷檢測流程，如圖2 所示。

4.3 不同算法的檢測效果

按照上述檢測流程分別對40 塊樣本進行了檢測，結(jié)果表明三種檢測算法均起到了消除圖像明暗不一致的效果，圖像邊緣處灰度梯度比原始圖像增大。在三種算法處理的基礎(chǔ)上，再配合Canny 邊緣檢測算子做缺陷定位，能夠較為準確地檢出圖像存在的缺陷。

4.4 實驗結(jié)論

實驗結(jié)果表明，本文選用的三種檢測算法都可以讓處理后的輸出圖像保持明暗一致，同時讓圖像邊緣位置的灰度梯度明顯增加，有助于準確識別出圖像中存在的缺陷。但是三種檢測算法各有優(yōu)缺點，具體分析如下。

4.4.1 方差標準化檢測算法

該實驗中使用的高斯模板標準差為1，規(guī)格為5×5；使用的銳化模板規(guī)格為3×3，分別對經(jīng)過預(yù)處理和分割后的圖像進行方差標準化檢測。經(jīng)過方差標準化檢測算法處理后，該圖像缺陷的邊緣處灰度被拉大。在此基礎(chǔ)上使用Canny 算子對圖像中的邊緣進行提取處理，能夠得到若干連續(xù)性、封閉性良好的邊緣特征信息。當(dāng)然，提取到的邊緣信息中，也不可避免地會夾雜一定數(shù)量的噪聲信息或隨機紋理。針對此類情況，可以適當(dāng)調(diào)高邊緣檢測的閾值，從而濾除這些干擾信息，讓最終的涂膜缺陷邊緣定位更加精確。

4.4.2 中心化檢測算法

本次實驗中使用中心化方法處理圖像，在圖像明暗一致性較好的區(qū)域可以取得比較理想的處理效果；但是在圖像明暗變化較為明顯的區(qū)域，使用中心化算法處理后，會導(dǎo)致該區(qū)域內(nèi)出現(xiàn)若干條顏色深度不同的灰度帶，在顏色較深的灰度帶出現(xiàn)了邊緣覆蓋的現(xiàn)象，這種情況下無法使用Canny 算子從圖像中提取缺陷特征信息。因此，使用中心化檢測算法處理圖像時，對于明暗交替區(qū)域要先采取去背景預(yù)處理，使圖像各個區(qū)域的灰度值更加接近于整個圖像的平均灰度值，消除圖像中的灰度帶［4］。然后再采取中心化檢測，使缺陷邊緣的梯度增大，為Canny 算子提取缺陷特征信息創(chuàng)造有利條件。

相比于方差標準化檢測算法，去中心檢測算法由于增加了去背景預(yù)處理的步驟，對噪聲信息、隨機紋理產(chǎn)生了較強的抑制效果，因此不必更改檢測閾值，也能精確地檢測到圖像中比較微小的缺陷。

4.4.3 圖像去背景檢測算法

在使用該檢測算法時，要求參照被檢測圖像的尺寸靈活調(diào)整結(jié)構(gòu)元素的數(shù)量。若結(jié)構(gòu)元素的數(shù)量較少，那么檢測時會直接將圖像中面積較大的缺陷當(dāng)作背景像素，然后直接濾除，最終檢測出來的缺陷數(shù)量明顯少于實際值；相反，若結(jié)構(gòu)元素的數(shù)量太多，那么輸出圖像中背景信息不平滑，無法準確反映圖像背景的灰度分布，也會導(dǎo)致一些不太明顯的缺陷特征信息被覆蓋，影響缺陷檢測結(jié)果的真實性。本次實驗中根據(jù)汽車涂膜樣板的尺寸，確定結(jié)構(gòu)元素數(shù)量為2 400 個，基本上能夠滿足缺陷檢測要求。

此外，在去背景處理輸出圖像中，有比較明顯的“云絮”現(xiàn)象，這種情況下會直接進行Canny 算子檢測會出現(xiàn)大量的“偽邊緣”，在實驗中可通過圖像形態(tài)學(xué)運算進行處理，濾除這些“云絮”，從而為Canny 算子檢測創(chuàng)設(shè)良好條件［5］。另外，從邊緣檢測結(jié)果來看，使用Canny算子檢測去背景處理輸出圖像，對于圖像中面積較小的缺陷有極高的定位精度，這主要是因為面積較小的缺陷，中間過渡帶較窄，從整體上來看能夠形成一個閉合區(qū)域，因此檢測結(jié)果更加準確。

5 結(jié)語

本文使用以計算機視覺技術(shù)為支撐的視覺系統(tǒng)，對汽車涂膜樣板進行掃描并獲取圖像，然后使用Canny 邊緣檢測算子并設(shè)定閾值，消除噪聲、濾除偽邊緣，實現(xiàn)對圖像的預(yù)處理。在此基礎(chǔ)上進行圖像分割，并分別使用不同的邊緣檢測算法進行缺陷檢測。從實驗結(jié)果來看，本文選用的三種邊緣檢測算法均可以準確地檢測出缺陷邊緣，有助于汽車涂膜缺陷的準確定位，以及缺陷類別的正確識別，同時也為缺陷處理提供了參考。

參考文獻：

［1］孔飛，張川，馮日華，等汽車車身漆膜缺陷自動檢測系統(tǒng)［J］現(xiàn)代涂料與涂裝，2017（3）：5-7.

［2］孫繁榮，肖楠，吳月新基于非局部U-Net 模型的汽車零部件缺陷分割算法［J］電子設(shè)計工程，2022（16）：30-31.

［3］許偉偉外部因素導(dǎo)致的汽車涂膜缺陷及處理方法［J］汽車維護與修理，2017（2）：208-209.

［4］周鼎賀，宋志峰，林富生，等基于機器視覺的汽車零件涂裝缺陷檢測方法［J］電鍍與涂飾，2021（16）：1292-1300.

［5］杜超，劉桂華一種基于頻域變換的無監(jiān)督車身漆膜缺陷檢測算法［J］電鍍與涂飾，2020（6）：8-10.

作者簡介：

吳妮妮，女，1983 年生，副教授，研究方向為電子信息技術(shù)、人工智能。