基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)設(shè)計與實(shí)現(xiàn)

摘要：研究并設(shè)計了一種基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)。首先，通過分析玻璃透鏡缺陷檢測系統(tǒng)的需求，構(gòu)建了一套完整的自動化檢測流程。系統(tǒng)能夠?qū)崿F(xiàn)對玻璃透鏡表面多種典型缺陷的準(zhǔn)確識別和分類，具有較高的檢測效率和準(zhǔn)確性，為玻璃透鏡生產(chǎn)過程中的質(zhì)量控制提供了有效的技術(shù)支撐，也為未來的研究和發(fā)展提供了有益的參考。

關(guān)鍵詞：機(jī)器視覺；缺陷檢測；玻璃檢測；檢測系統(tǒng)

一、前言

隨著現(xiàn)代工業(yè)技術(shù)的飛速發(fā)展，玻璃透鏡作為光學(xué)系統(tǒng)的重要組件，在精密儀器、醫(yī)療設(shè)備、通信等領(lǐng)域中發(fā)揮著舉足輕重的作用。然而，在生產(chǎn)過程中，由于材料、工藝等多種因素的影響，玻璃透鏡表面往往會出現(xiàn)劃痕、氣泡、裂紋等缺陷，這些缺陷不僅影響透鏡的光學(xué)性能，還可能對使用安全造成潛在威脅。因此，開發(fā)一種高效、準(zhǔn)確的玻璃透鏡缺陷檢測系統(tǒng)對于保障產(chǎn)品質(zhì)量、提高生產(chǎn)效率具有重要意義?；跈C(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)通過采集透鏡表面圖像，利用圖像處理和分析技術(shù)，實(shí)現(xiàn)對透鏡缺陷的自動識別和分類。相較于傳統(tǒng)的人工檢測方法，該系統(tǒng)不僅提高了檢測效率和準(zhǔn)確性，而且降低了人工成本，具有良好的應(yīng)用前景[1]。故本文探討了基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)的設(shè)計與實(shí)現(xiàn)。

二、系統(tǒng)設(shè)計

（一）系統(tǒng)需求

目前，國內(nèi)玻璃透鏡廠家對基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)的要求主要有：

第一，圖像采集裝置能夠提供全方位的穩(wěn)定照明，能夠采集玻璃透鏡原圖像，并設(shè)置圖像傳感器參數(shù)。

第二，能夠?qū)ΣＡ哥R的典型缺陷（如劃痕、邊緣破損）進(jìn)行檢測并標(biāo)記。

第三，檢測準(zhǔn)確率需大于93%，能夠?qū)θ毕菪畔⑦M(jìn)行統(tǒng)計保存與查詢。

基于上述需求，主要從以下幾個方面來完成基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)的實(shí)現(xiàn)：

第一，分析缺陷檢測系統(tǒng)的整體架構(gòu)，設(shè)計系統(tǒng)的軟硬件構(gòu)成。

第二，結(jié)合深度學(xué)習(xí)技術(shù)設(shè)計通用檢測模式下的檢測算法。

第三，根據(jù)所設(shè)計軟硬件系統(tǒng)，實(shí)現(xiàn)符合要求的玻璃透鏡缺陷檢測系統(tǒng)。

（二）系統(tǒng)整體架構(gòu)

設(shè)計的基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)主要分為兩部分：硬件系統(tǒng)和軟件系統(tǒng)。硬件系統(tǒng)重點(diǎn)負(fù)責(zé)采集圖像。軟件系統(tǒng)主要負(fù)責(zé)接收硬件系統(tǒng)傳輸?shù)拇郎y圖像，完成缺陷檢測工作。

硬件系統(tǒng)由圖像傳感器、鏡頭、照明光源系統(tǒng)以及運(yùn)行玻璃透鏡缺陷檢測軟件系統(tǒng)的計算機(jī)組成。

軟件系統(tǒng)則由圖像獲取、參數(shù)設(shè)置、缺陷檢測以及缺陷統(tǒng)計四個模塊構(gòu)成，如圖1所示。

（三）硬件系統(tǒng)設(shè)計

在玻璃透鏡缺陷檢測的機(jī)器視覺系統(tǒng)中，硬件系統(tǒng)中的圖像采集模塊非常重要，收集到的圖像質(zhì)量會直接影響接下來的缺陷檢測結(jié)果，因此，本文針對玻璃透鏡缺陷檢測的硬件系統(tǒng)設(shè)計主要從圖像傳感器的選擇、照明光源系統(tǒng)兩個方面來展開。

1.圖像傳感器

當(dāng)前用于工業(yè)檢測的機(jī)器視覺系統(tǒng)中的圖像傳感器主要有兩種，一種是基于CCD的，稱作CCD相機(jī)[2]；另一種是基于CMOS的，稱作CMOS相機(jī)。CCD相機(jī)傳輸信息是通過電荷傳遞，若其中一個像素不工作，則會導(dǎo)致整排信息無法讀取，而CMOS的電信號無需逐行讀取，取像靈活。此外，CCD取像系統(tǒng)的外設(shè)電路耗電量大，而CMOS的耗電量很小，且其成本低于CCD相機(jī)?；谶@些優(yōu)勢，本系統(tǒng)選擇CMOS相機(jī)。

2.照明光源系統(tǒng)

當(dāng)前常用的機(jī)器視覺檢測光源包括鹵素?zé)簟晒鉄艉蚅ED光源。鹵素?zé)艉桶谉霟舻牧炼容^好，但是成本高且壽命短。熒光燈的成本較低，但是穩(wěn)定性較差。LED光源功耗低、單色性能好、壽命長且穩(wěn)定性強(qiáng)，因此系統(tǒng)選擇LED光源作為照明光源。

在此基礎(chǔ)上，設(shè)計玻璃透鏡缺陷檢測的照明光源系統(tǒng)時，首先在光散射暗場照明的方式下對不同類型光源的照明效果進(jìn)行實(shí)驗(yàn)，對比分析發(fā)現(xiàn)，在條形光源和同軸光源下采集到的圖像很難將玻璃與背景分離出來；環(huán)形光源在低角度散射暗場照明的方式下采集到的缺陷圖像，由于受到光斑干擾，嚴(yán)重影響檢測效果。

與暗場照明方式不同的是明場照明，明場照明方式下的LED光源與相機(jī)處于異側(cè)，可以更好地取得高對比度的圖像。

3.硬件系統(tǒng)整體設(shè)計

通過前面對圖像傳感器的分析，對不同光源和照明方法的理論分析和實(shí)驗(yàn)對比，可以發(fā)現(xiàn)采用環(huán)形LED光源和明場照明方式，一方面可以全方位照明，大大減少陰影；另一方面可以利用不完全均勻的光照增強(qiáng)邊緣及缺陷特征，提高對比度。因此，系統(tǒng)中圖像傳感器可以采用CMOS工業(yè)相機(jī)，照明光源系統(tǒng)可以通過環(huán)形LED光源明場照明的方式進(jìn)行設(shè)計。

（四）軟件系統(tǒng)設(shè)計

針對前述國內(nèi)玻璃透鏡廠家對玻璃透鏡缺陷檢測系統(tǒng)的需求，對玻璃透鏡缺陷檢測的軟件系統(tǒng)功能層次結(jié)構(gòu)的設(shè)計如圖2所示。系統(tǒng)主要包括圖像獲取、參數(shù)設(shè)置、缺陷檢測和缺陷統(tǒng)計四個模塊，各個模塊的具體描述如下：

圖像獲取模塊：獲取玻璃的實(shí)時圖像信息，實(shí)現(xiàn)對圖像采集環(huán)境中相機(jī)的控制，具體包括打開相機(jī)、捕獲圖像、錄入數(shù)據(jù)和關(guān)閉相機(jī)。

參數(shù)設(shè)置模塊：對相機(jī)的曝光、對比度、亮度等參數(shù)進(jìn)行調(diào)節(jié)。

缺陷檢測模塊：實(shí)現(xiàn)對玻璃的缺陷檢測并在圖像中標(biāo)記出缺陷位置。

缺陷統(tǒng)計模塊：主要是將缺陷檢測模塊檢測到的玻璃缺陷信息存儲到數(shù)據(jù)庫中，并提供查詢功能。

當(dāng)前，在工業(yè)領(lǐng)域的自動缺陷檢測中，對于通用檢測方法，研究人員多會利用深度學(xué)習(xí)技術(shù)[3]，在缺陷檢測部分加入大量的缺陷樣本進(jìn)行訓(xùn)練，從而提高算法的通用性。目標(biāo)檢測作為深度學(xué)習(xí)的一個重要應(yīng)用，其經(jīng)典模型包括R-CNN[4]、Fast R-CNN[5]和Faster R-CNN[6]。其中，F(xiàn)aster R-CNN是在R-CNN和Fast R-CNN積淀之后提出來的，它采用區(qū)域生成網(wǎng)絡(luò)RPN取代選擇性搜索方法，將目標(biāo)檢測中的多個步驟整合在了一個網(wǎng)絡(luò)中，極大地提升了檢測速度。

鑒于Faster R-CNN網(wǎng)絡(luò)優(yōu)越的檢測效率，基于Faster R-CNN來實(shí)現(xiàn)玻璃缺陷的通用檢測方法。實(shí)驗(yàn)數(shù)據(jù)集包括2000張玻璃缺陷圖像，圖像主要包括邊緣破損、氣泡、劃痕和臟污霉斑四類典型缺陷。首先對數(shù)據(jù)集進(jìn)行標(biāo)記，實(shí)驗(yàn)中將數(shù)據(jù)集按6：2：2的比例隨機(jī)生成了訓(xùn)練集、驗(yàn)證集和測試集。其次在GTX 1080Ti服務(wù)器上搭建的TensorFlow框架下進(jìn)行訓(xùn)練，得到玻璃透鏡缺陷檢測模型。最后用得到的模型對待檢測的玻璃缺陷圖像進(jìn)行測試。

三、實(shí)驗(yàn)與分析

（一）系統(tǒng)開發(fā)環(huán)境

本系統(tǒng)是在64位的Windows10環(huán)境下開發(fā)實(shí)現(xiàn)的，算法開發(fā)工具為Visual Studio 2019，采用的計算機(jī)視覺庫為OpenCV3.4.3，基于深度學(xué)習(xí)的通用檢測算法使用TensorFlow框架。

（二）硬件系統(tǒng)實(shí)現(xiàn)

基于前面對硬件系統(tǒng)的分析和設(shè)計，實(shí)驗(yàn)過程中硬件系統(tǒng)選用的CMOS相機(jī)為映美精DFK72BUC02，相機(jī)采用USB2.0接口技術(shù)。照明系統(tǒng)的環(huán)形LED光源選用樂視LTS-RN15045-W，顏色為白色。

實(shí)驗(yàn)中通過明場照明方式實(shí)現(xiàn)的硬件系統(tǒng)由六大部件構(gòu)成，包括環(huán)形LED光源、置物臺、觀察板、CMOS相機(jī)、遮光罩和機(jī)架。其中環(huán)形LED光源散發(fā)的光能夠通過觀察板照射到待測玻璃透鏡上，然后透射光線會進(jìn)入到待檢測玻璃透鏡上方的CMOS相機(jī)中，最后CMOS相機(jī)將采集到的圖像通過數(shù)據(jù)線傳輸給運(yùn)行玻璃缺陷檢測軟件系統(tǒng)的計算機(jī)以供處理。本系統(tǒng)的優(yōu)點(diǎn)在于構(gòu)造簡單，成本低，采集到的缺陷圖像對比度高，可清晰分辨出透鏡邊緣和透鏡內(nèi)部缺陷。

（三）軟件系統(tǒng)實(shí)現(xiàn)

圖像獲取模塊的實(shí)現(xiàn)是完成對相機(jī)的控制，包括打開相機(jī)、捕獲圖像和關(guān)閉相機(jī)。該部分的核心代碼如下：

VideoCapture cap;

Mat frame;

cap.open（0）;

cap gt;gt; frame;

if （frame.empty（）） {

MessageBox（_T（\"攝像頭無法讀??！\"））;

return;

}

cap.release（）;

通用檢測模塊是將TensorFlow框架下訓(xùn)練好的模型保存成.pd文件，然后在OpenCV中導(dǎo)入dnn模塊，采用readNetFromTensorflow函數(shù)加載.pd文件，然后通過blobFromImage函數(shù)計算待測圖像的blob特征，并傳入神經(jīng)網(wǎng)絡(luò)進(jìn)行計算，最后通過forward方法獲得預(yù)測結(jié)果并輸出，該部分核心代碼如下：

//加載模型

String weights = \"../../Glass/tf-faster-rcnn/glass.pb\";

dnn：：Net net = cv：：dnn：：readNetFromTensorflow （weights）;

//計算blob特征

Mat blob = dnn：：blobFromImage（frame， 1.0， Size（600， 600）， Scalar（）， 1，1）;

//傳入神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

net.setInput（blob， \"data\"）;

Mat output = net.forward（）;

通用檢測的效果圖如圖3所示。

（四）系統(tǒng)測試結(jié)果

1.功能測試

通過黑盒測試法對玻璃透鏡缺陷檢測系統(tǒng)的主要功能進(jìn)行測試，測試各個功能模塊是否符合期望結(jié)果，測試結(jié)果見表1。

2.檢測速度及檢測準(zhǔn)確率測試

系統(tǒng)對采集到的50個缺陷透鏡真實(shí)圖像進(jìn)行測試，通用檢測測試的總耗時為727.491s，表2為具體缺陷的檢測結(jié)果。

由表2可以計算出通用檢測總的準(zhǔn)確率為94.95%，大于93%，滿足前述的玻璃透鏡缺陷檢測需求。

四、結(jié)語

在本文中，完成了基于機(jī)器視覺的玻璃透鏡缺陷檢測系統(tǒng)的設(shè)計與實(shí)現(xiàn)。通過系統(tǒng)的設(shè)計和實(shí)驗(yàn)證明了該系統(tǒng)能夠有效地識別和分類玻璃透鏡表面的各種缺陷，包括劃痕、氣泡、邊緣破損等。這一成果不僅展示了機(jī)器視覺技術(shù)在工業(yè)自動化領(lǐng)域的強(qiáng)大潛力，也為玻璃透鏡生產(chǎn)過程中的質(zhì)量控制提供了新的解決方案。在未來的研究中，將進(jìn)一步優(yōu)化系統(tǒng)的性能，提高檢測的準(zhǔn)確性和效率，為工業(yè)自動化領(lǐng)域的發(fā)展貢獻(xiàn)更多的力量。

參考文獻(xiàn)

[1]楊鑫.基于機(jī)器視覺的玻璃缺陷檢測與分類[D].福州：福建工程學(xué)院，2021.

[2]Zhao S， Sun L， Li G， et al. A CCD based machine vision system for real-time text detection[J]. Frontiers of Optoelectronics， 2019，7：1-7.

[3]Wang T， Chen Y， Qiao M， et al. A fast and robust convolutional neural network-based defect detection model in product quality control[J]. The International Journal of Advanced Manufacturing Technology， 2018，94：3465-3471.

[4]Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of 2014 IEEE International Conference on Computer Vision and Pattern Recognition on Columbus.Columbus： IEEE， 2014：580-587

[5]Girshick R. Fast R-CNN[C]//IEEE International Conference on Computer Vision. Santiago：IEEE， 2015：1440-1448.

[6]Ren S， He K， Girshick R， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（06）： 1137-1149.

基金項(xiàng)目：陜西工業(yè)職業(yè)技術(shù)學(xué)院校級科研計劃自然科學(xué)類一般項(xiàng)目（項(xiàng)目編號：2024YKYB-027）

作者單位：陜西工業(yè)職業(yè)技術(shù)學(xué)院

責(zé)任編輯：王穎振、鄭凱津