基于機器視覺的微小陶瓷基材檢測系統(tǒng)研究

任少斌， 李元宗

(1.太原理工大學理學院計算機基礎(chǔ)教學部，山西太原030024；2.太原理工大學機械工程學院，山西太原030024)

0 引 言

柱形陶瓷基材采用尺寸精度為微米或微米以下的高純度致密氧化鋁燒結(jié)體而成，它是電子產(chǎn)品的重要的基材之一。它的尺寸精度與表面質(zhì)量對電子產(chǎn)品的最終質(zhì)量起很大的作用。為滿足不同器件的要求有各種不同規(guī)格 (如圖1所示)。由于其生產(chǎn)工藝是先沖壓后燒結(jié)成型，在沖壓時基體材料較軟，因此在沖壓后常帶有一定的不確定性，特別是在表面精度方面，很容易出現(xiàn)瑕斑，另外由于陶瓷材質(zhì)特點，容易出現(xiàn)碎片，這些情況均會影響其應(yīng)用。傳統(tǒng)的陶瓷基材質(zhì)量的檢測主要依靠人工進行，由于人工長時間檢測很容易出現(xiàn)誤差，因此在實際工作中需要重復(fù)檢測，勞動強很大，而且在檢測中標準很難保證穩(wěn)定的檢測技術(shù)要求。本文的方法是基于機器視覺系統(tǒng)的檢測方案，它利用面陣CCD成像，通過嵌入式算法檢測產(chǎn)品的質(zhì)量，結(jié)合相應(yīng)的控制系統(tǒng)，實現(xiàn)產(chǎn)品檢測自動化。

1 嵌入式與PC式系統(tǒng)檢測技術(shù)特點分析

隨著計算機性價比的提高以及各種算法[1-3]研究的深入，越來越多的行業(yè)開始將基于計算機視覺識別的技術(shù)運行到產(chǎn)品質(zhì)量檢測與分析中[4-10]。在機器視覺的研究中存在著兩種不同的開發(fā)方式，板卡式機器視覺系統(tǒng)(PC-basedvisionsystem)以及嵌入式機器視覺系統(tǒng)(smart camera)?；诎蹇ㄊ降拈_發(fā)方式是以算法的研究為主，它通過對不同算法的對比與分析提出解決方案。這類視覺系統(tǒng)通常目標明確，但結(jié)構(gòu)復(fù)雜，開發(fā)周期較長，它能夠有針對性實現(xiàn)較為復(fù)雜的系統(tǒng)功能，達到理想的精度。而嵌入式視覺系統(tǒng)則在立足于已有的系統(tǒng)環(huán)境進行二次開發(fā)，因此嵌入式視覺系統(tǒng)具有易學、易用、易維護、易安裝等特點，可在短期內(nèi)構(gòu)建起可靠而有效的機器視覺系統(tǒng)，從而極大的提高了應(yīng)用系統(tǒng)的開發(fā)速度。

圖1 不同規(guī)格的陶瓷的基材

機器視覺系統(tǒng)開發(fā)的重要目的是解決實際工作的問題，不同的方式最終的目標是一致的。目前比較成熟的圖像開發(fā)平臺很多，如Halcon、XCliper、CVB等。它們均提供基于C++、VB與Java的接口，已經(jīng)能夠為絕大多數(shù)檢測系統(tǒng)提供支持，因此采用嵌入式系統(tǒng)進行實際系統(tǒng)的開發(fā)，可以在短時間內(nèi)開發(fā)滿足企業(yè)需要的檢測系統(tǒng)。本文采用德國Stemmer Imaging公司的CVB(common vision Blox)(通用視覺系統(tǒng)程序庫)平臺進行二次開發(fā)。

CVB程序庫是一個面向機器視覺應(yīng)用軟件開發(fā)的基礎(chǔ)程序包，能夠支持絕大多數(shù)標準相機和多種軟件開發(fā)平臺(VB,VC++6.0,Delphi)，共分為5層：硬件層、硬件抽象層、算法層、中間管理層和應(yīng)用層，可應(yīng)用于不同行業(yè)[11-14]。CVB包含條形碼(1D/2D)、邊緣提取、模式匹配、孔徑測量、表面檢測、OCR/OCV、幾何形狀識別等20多種常用工具。CVB良好的結(jié)構(gòu)層次可以對輸入圖像的識別抽象化，使得算法不受攝像的約束，允許用戶隨時更換圖像識別硬件。例如，在把面陣像機切換為行掃描像機時，只需載入相應(yīng)的驅(qū)動程序即可，而不需要對應(yīng)程序作任何修改。CVB的用戶可以使用兩種不同的編程環(huán)境：用戶既可以采用高級語言編譯器，也可以采用圖形用戶界面iTuition。編譯后的程序既可以應(yīng)用在電腦上，也可以應(yīng)用在智能像機上。對于常用的圖像處理工具，CVB都做了優(yōu)化處理，使得運算都在幾毫秒或幾十毫秒以內(nèi)完成。使用CVB提供控件能夠輕松地獲取目標圖像的各種信息，方便地對其進行各種操作，高準確地得到結(jié)果，而不用擔心執(zhí)行效率的問題。這將大大縮短機器視覺軟件的開發(fā)時間。

2 視覺檢測算法及其實現(xiàn)

2.1 產(chǎn)品檢測技術(shù)要求

用于生產(chǎn)檢測技術(shù)要求有外觀質(zhì)量(裂紋、斑點、缺損等)、尺寸公差(外形公差、垂直度、平行度等)。該產(chǎn)品特點是尺寸小，產(chǎn)品種類繁多，人工檢測困難，檢測精度低、速度慢。通過生產(chǎn)線生產(chǎn)每月數(shù)量產(chǎn)品可以上億個。全通過人工檢測成本太高。本文針對其中1752型號產(chǎn)品進行分析。

尺寸自動檢測系統(tǒng)要求如下：被測物體：圓柱形陶瓷棒。檢測項目：直徑、長度。檢測要求：直徑：1.68~1.73mm。長度：5.10~5.25mm。檢測數(shù)值在以上范圍內(nèi)為合格，要求能夠設(shè)定檢測范圍。檢測直徑方法：十字形、米字形或全圓周檢測。工作方式：機器自動送料、自動檢測、自動記錄。檢測速度：>2000只/min。

2.2 檢測算法說明

在圖像測量中，被測件有關(guān)邊緣點的定位精度往往直接影響到整個測量的精度，因此，研究邊緣點的精確定位算法是很有實際意義的。在對陶瓷基片進行尺寸公差測量時，第一步要做的工作就是對采集到的圖像進行預(yù)處理，最重要的環(huán)節(jié)是對去噪后的圖像進行邊緣檢測，得到允許范圍內(nèi)的連通的灰度邊緣圖。

邊緣檢測是圖像特征提取的重要技術(shù)之一，邊緣是圖像局部亮度變化最顯著的部分。即在灰度級上發(fā)生急劇變化的區(qū)域，它常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，圖像的邊緣包含了物體初步設(shè)計方案。本環(huán)節(jié)主要完成陶瓷電阻圖像的采集，并對采集到的圖像數(shù)據(jù)進行處理，得到陶瓷電阻的尺寸和外觀信息。產(chǎn)品的合格/不合格判定范圍可由用戶通過互動方式或者設(shè)定檢測閾值進行選擇。

系統(tǒng)主要包括下面幾個過程：

(1)圖像的采集：在本系統(tǒng)方案中，陶瓷電阻在傳送帶上進行有序排列后傳送到檢測位置，當產(chǎn)品到達檢測位置穩(wěn)定后，傳動系統(tǒng)給相機發(fā)送觸發(fā)信號，開始采集圖像，圖像傳送至計算機。在傳輸?shù)倪^程中要求被測試件按指定位置排放，連續(xù)采集的相片進行數(shù)據(jù)分析。

(2)圖像分析處理技術(shù)要求：圖像分析處理軟件可以靈活設(shè)置模板，檢測區(qū)域可設(shè)置和調(diào)整不同的質(zhì)量標準，質(zhì)量標準可以有多個級別，并可在檢測中在線調(diào)整檢測標準；可準確發(fā)出廢品剔除控制信號，設(shè)備發(fā)生異常時可發(fā)出報警信號。每天將檢測的數(shù)據(jù)備份存檔。

(3)控制系統(tǒng)：處理器的控制程序根據(jù)收到的度量值進行計算，并根據(jù)所度量的值確定物體最可能屬于的類別以及可能對之做出的處理。圖像處理結(jié)果傳送至控制系統(tǒng)，控制系統(tǒng)對合格/不合格產(chǎn)品做出決策。

3 系統(tǒng)組成

機器視覺系統(tǒng)由光源、鏡頭、CCD/CMOS相機、圖像采集卡、圖像處理軟件、監(jiān)視器、通訊/輸入輸出單元等部分組成。

3.1 相機

根據(jù)系統(tǒng)所要求的檢測精度0.1mm以及檢測的速度，選擇相機的分辨率為1024×768像素，幀速率為33fps，且靈敏度高的千兆以太網(wǎng)接口相機，使用加拿大 Prosilica公司的GC1020相機。主要參數(shù)如下：分辨率1024×768時，幀速率可達33fps，1/3"CCD，像素尺寸4.65 m×4.65 m，10-Bit數(shù)據(jù)流輸出，C-Mount光學接口，感興趣區(qū)域可提高幀頻。該系列相機使用工業(yè)標準的千兆以太網(wǎng)作為傳輸協(xié)議并且為應(yīng)用提供以下重要優(yōu)勢：符合工業(yè)標準的硬件(1000MBit-Ethernet)；傳輸距離可長達100m；100MB/s圖像傳輸速率；低成本且安裝方便(以太網(wǎng)結(jié)構(gòu))。

由于陶瓷電阻的尺寸非常小，因此設(shè)計合適的傳送帶使其能夠有序排列，每次能夠檢測 100粒工件，選擇相機視場為50mm×35mm，每秒鐘通過外部觸發(fā)拍攝10幀圖像，能夠分辨的最小尺寸為0.049mm，結(jié)合軟件中的亞像素算法來得到更高的精度。

3.2 鏡頭

根據(jù)上面所選的相機的分辨率、相機的芯片尺寸、接口類型以及工作距離，使用德國施耐德公司型號為Xenoplan1.4/17的鏡頭。該鏡頭為固定焦距鏡頭，焦距為17mm，最大光圈F1.4。本系統(tǒng)中根據(jù)需要選擇相機的視場為50mm×35mm，由相機的分辨率為 1024×768像素、傳感器的尺寸為 4.8mm×3.6mm、工作距離為200mm左右，這時的光學放大倍率為左右，得出檢測的精度可滿足要求。

3.3 光源

光源的穩(wěn)定和均勻是獲得高品質(zhì)圖像的基礎(chǔ)，選擇藍色立體漫射環(huán)形光源。它通過光學結(jié)構(gòu)把光線向多方位折射、散射，使光線分散遍及整個漫射板，從而達到均勻照射的目的。它提供均勻的散射照明，能夠很好地檢測表面有光澤的曲面物體。檢測位如圖2所示。由于工件為圓柱形物體，所以在做外觀缺陷檢測的時候需要考慮到整體外圓周是否存在缺陷，采用兩個檢測位是為了降低漏檢率，其中第二個檢測位置將第一位置檢測的工件進行翻轉(zhuǎn)，主要目的為是了降低誤檢率。

圖2 檢測位

4 圖像處理軟件

軟件設(shè)計使用VisualBasic6.0在CVB軟件工具包進行二次開發(fā)，CVB實際是作為VB的控件插入程序中，利用VB本身的編譯方式將圖像處理庫引用到程序中。其中 CVB運用部分主要由 Image Manager、CVB iTuition、CVB Tools這 3 項內(nèi)容組成，它能夠?qū)δ壳笆袌錾狭餍械慕^大多數(shù)的圖像采集硬件進行操作，具有極好的硬件無關(guān)性；它提供了典型30多個工具，能夠根據(jù)項目的需要靈活地選擇合適的工具進行編程；同時CVB進行了各種優(yōu)化設(shè)計，使得軟件具有很高的執(zhí)行速度和準確度，能夠滿足現(xiàn)場實時性的要求。程序設(shè)計主要采用開發(fā)包中的CVBFoundationPackage功能。這是一個適用于一般工業(yè)檢測的工具包，包含了工業(yè)在線檢測領(lǐng)域常用的工具，如斑點分析，邊緣檢測，圖像增強、濾波工具、相關(guān)性檢測等多種工具。使用 CVB軟件作為最終的應(yīng)用軟件開發(fā)平臺一定會大大加快開發(fā)速度。同時，其中少量的算法要自行完成，CVB同樣也提供了靈活的接口，方便開發(fā)者調(diào)用原始數(shù)據(jù)進行獨特處理。

4.1 圖像預(yù)處理

CVB Foundation Package中包含了圖像預(yù)處理常用的算法，例如：濾波、形態(tài)學變換、數(shù)據(jù)統(tǒng)計分析等。處理圖像的目的就是要使其比原始圖像更加適合于特定應(yīng)用。本方案中采用形態(tài)學變換，通過腐蝕算法有效去除檢測圖像邊緣的毛邊。

4.2 Blob檢測工具

Blob分析是一種對閉合目標形狀進行分析處理的基本方法。在進行Blob分析以前，必須把圖像分割為構(gòu)成斑點(Blob)和局部背景的像素集合。Blob分析一般從場景的灰度圖像著手進行分析。在Blob分析以前，圖像中的每一像素必須被指定為目標像素或背景像素。典型的目標像素被賦值為1，背景像素被賦值為0。對于高對比度及背景一致性很好的圖像可用固定閾值分割。而對比度背景一致性較差的圖像可動態(tài)設(shè)定閾值進行分割。在CVB開發(fā)工具包中，Blob分析工具可以從背景中分離出目標，并可計算出目標的數(shù)量、位置、形狀、方向和大小，還可以提供相關(guān)斑點間的拓撲結(jié)構(gòu)。在處理過程中不是采用單個的像素逐一分析，而是對圖形的行進行操作。圖像的每一行都用游程長度編碼(RLE)來表示相鄰的目標范圍。這種算法與基于像素的算法相比，大大提高處理速度。本項目中，主要用blob工具實現(xiàn)目標的定位。

4.3 Edge檢測工具

數(shù)字圖像的邊緣檢測是圖像分割、目標區(qū)域的識別、區(qū)域形狀提取等圖像分析領(lǐng)域重要的環(huán)節(jié)，圖像理解和分析的第一步往往就是邊緣檢測，圖像的特征指圖像場中可用作標志的屬性，而圖像的邊緣是圖像最基本的特征。在數(shù)字圖像中，所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。由于物體的邊緣是由灰度不連續(xù)性所反映的，因此一般邊緣檢測方法是考察圖像的單個像素在某個領(lǐng)域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律來檢測邊緣，這種方法通常稱為邊緣檢測局部算子法。如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在亞像素分辨率上來估計，邊緣的方位也可以被估計出來。采用Common Vision Blox(CVB)中的Edge工具很好的實現(xiàn)了邊緣檢測。該工具的特點如下：

(1)運行在單一位面上(8位或者更高至32位)

(2)用戶可以制定檢測區(qū)域的位置和方向

(3)以動態(tài)鏈接庫或者OCX控件形式提供功能的實現(xiàn)

(4)支持圖像坐標系統(tǒng)和亞像素精度

(5)注重圖像處理的精度和速度

Edge中3種不同的方法來達到檢測邊緣的目的：

(1)以像素的灰度變化設(shè)定閾值檢測，速度快捷。

(2)以一階微分(相鄰灰度間的變化)檢測，可以擺脫固定光源的限制。

(3)以二階微分檢測。高精度其中第一種方法并不是簡單的單像素檢測，而是對圖像像素行或列的像素灰度值之和進行分析，這樣就可把其中的一些不明顯的邊緣檢測出來。

在數(shù)字圖像中，所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。由于物體的邊緣是由灰度不連續(xù)性所反映的，因此一般邊緣檢測方法是考察圖像的每個像素在某個領(lǐng)域內(nèi)灰度的變化。Edge工具的檢測精度可以達到亞像素級別，為1/10像素精度。

以下面3行10列像素區(qū)域為例

從左到右遍歷，區(qū)域表示的是從黑到白漸進的一個梯度變化。其中中間一行的變化幅度不是很大。累加后203 218235 253 287 341 374 400 401 406。我們做歸一化處理68 73 78 8496114125133133135這樣再進行二值化處理，從而避免了直接閾值處理帶來的弊端。第2種方法是在第1種算法的基礎(chǔ)上再運用相鄰兩個值間的差值變化做二值化處理以求取邊緣點。第3種方法是利用二階微分過零點的原理提取邊界點。在算法實現(xiàn)過程中，選取合適的閾值以提取邊緣。

4.4 算法設(shè)計

目標定位：使用Blob工具確定目標在圖像中的位置。邊緣檢測：使用Edge工具實現(xiàn)對目標邊緣的檢測。

將目標區(qū)域進行區(qū)域分割，根據(jù)實際需要設(shè)定邊緣檢測區(qū)域，檢測每個區(qū)域的邊界點，測量目標的尺寸。對圖像進行圖像增強、邊緣銳化和降噪等，然后對目標圖像進行處理分割，量化圖像的關(guān)鍵特征，將圖像中與周圍區(qū)域存在差異的像素分離出來，在缺陷特征分割時，主要采用了 Foundation Package中的動態(tài)閾值算法。Edge工具能夠?qū)崿F(xiàn)邊緣亞像素精度的檢測。表面質(zhì)量檢測算法，能夠很好的將雜質(zhì)、污點、劃痕等缺陷分離，從而確定產(chǎn)品質(zhì)量。

5 實驗結(jié)果與分析

利用 CVB環(huán)境進行系統(tǒng)開發(fā)與傳統(tǒng)開發(fā)區(qū)別之處在于充分利用了已有的圖像庫。因此在開發(fā)的周期方面具有很強的優(yōu)勢。通常情況下針對于不同的檢測技術(shù)要求，需要進行詳細的算法分析。不同項目之間是沒有必然的相關(guān)性，單純的算法分析需要大量的時間與精力。工業(yè)化生產(chǎn)檢測的特點是檢測技術(shù)要求經(jīng)常發(fā)生變化，單純依靠底層分析研究，可以保證需要具體項目的實施，但缺少可移植功能。系統(tǒng)在開發(fā)完成后如果需要進行擴充，就需要從頭開始分析。例如本系統(tǒng)設(shè)計過程中基材種類很多，尺寸的變化也很大，具體檢測的要求是根據(jù)用戶的產(chǎn)品要求進行，當產(chǎn)品批次與種類發(fā)生變化時，系統(tǒng)就需要重新設(shè)計。使用CVB環(huán)境進行設(shè)計只是在底層的處理中進行局部調(diào)整，交互技術(shù)內(nèi)容完全可以利用原有的平臺進行。

此類開發(fā)的不足之處在于依靠 CVB庫的內(nèi)容。而該庫的內(nèi)容不是可擴散版本，需要在每次開發(fā)時購買相關(guān)的序列號，且序列號對于可以使用的底層有限制，在具體應(yīng)用時可能會增加開發(fā)的成本。從這個角度分析，基于源代碼的開發(fā)更具備通用性。

6 結(jié)束語

本文針對陶瓷基材的檢測要求，提出了一種基于通用視覺系統(tǒng)程序庫開發(fā)機器視覺檢測系統(tǒng)的想法。通過實踐證明此方式可以迅速開發(fā)檢測系統(tǒng)，而且系統(tǒng)的升級與調(diào)整方便。在具體運用中具有較高的檢測速度與檢測精度，為小尺寸工件快速檢測提供了有效的途徑。隨著計算機集成技術(shù)的飛速發(fā)展，對基材尺寸精度與形位誤差會提出更高的要求，特別是高精密設(shè)備使用的基材在生產(chǎn)過程中要求進行100%的測量與分選。由于基于機器視覺的測量技術(shù)具有非接觸、實時、在線、精度高等特點，在未來的產(chǎn)品檢測中會得到迅速的發(fā)展和廣泛的運用。

[1]朱桂英,張瑞林.基于Hough變換的圓檢測方法[J].計算機工程與設(shè)計,2008,29(6):1462-1464.

[2]陸建華,魯周迅,黃毅.改進的形態(tài)學檢測算子在螺紋檢測中的應(yīng)用[J].計算機工程與設(shè)計,2009,30(7):1793-1794.

[3]王林,白雪冰.基于Gabor變換的木材表面缺陷圖像分割方法[J].計算機工程與設(shè)計,2010,31(5):1066-1069.

[4]徐歆愷,郭楠,葛慶平,等.計算機視覺技術(shù)在作物形態(tài)測量中的應(yīng)用[J].計算機工程與設(shè)計,2006,27(7):1134-1136.

[5]陳孝威.王茵.基于圖像處理的微小電子元器件自動計數(shù)算法[J].計算機工程與設(shè)計,2009,30(17):4100-4103.

[6]鄒益民,賈達.基于視覺檢測技術(shù)的浮球姿態(tài)測量[J].計算機工程與設(shè)計,2009,30(22):5298-5301.

[7]楊萬利,沈明霞,嚴君紅.外圖像處理技術(shù)在蘋果早期淤傷檢測中的應(yīng)用[J].計算機工程與設(shè)計,2010,31(1):149-152.

[8]陳建華,姚青,胡潔,等.基于計算機視覺的稻米堊白檢測方法研究[J].計算機工程與設(shè)計,2010,31(1):218-240.

[9]周虹,羅曉曙,何富運.多孔零件二維幾何量高精檢測系統(tǒng)的研究[J].計算機工程與設(shè)計,2010,31(1):225-227.

[10]劉志強,宋世亮,汪澎,等.基于視覺的車輛側(cè)后方道路圖像檢測技術(shù)[J].計算機工程與設(shè)計,2010,31(12):2800-2803.

[11]黃建榮,范彥斌,葉邦彥.基于Halcon的SMT-PCB元件缺陷檢測[J].佛山科學技術(shù)學院學報(自然科學版),2008,26(2):19-21.

[12]梅迎春,王朝立,廖勤武.基于OpenCV的攝像機標定的應(yīng)用研究[J].計算機工程與設(shè)計,2009,30(16):3856-3858.

[13]王俊驊,張方方,張?zhí)m芳.基于OpenCV和Halcon的交通沖突視頻自動檢測及數(shù)據(jù)處理 [J].同濟大學學報 (自然科學版),2010,38(2):238-244.

[14]羅珍茜,薛雷,孫峰杰,等.基于HALCON的攝像機標定[J].電視技術(shù),2010(4):101-102.

[15]張廣軍.機器視覺[M].北京:科學出版社,2005.