工件表面微小缺陷的檢測(cè)與識(shí)別方法

趙君愛 賈民平

(1東南大學(xué)機(jī)械工程學(xué)院，南京211189)

(2江蘇農(nóng)林職業(yè)技術(shù)學(xué)院機(jī)電工程系，句容212400)

工件表面缺陷檢測(cè)是產(chǎn)品質(zhì)量檢測(cè)中的一個(gè)重要環(huán)節(jié).缺陷目標(biāo)在整個(gè)圖像中所占的像元很少，并且信噪比低、背景區(qū)域分布不均勻、背景與目標(biāo)灰度值區(qū)分不明顯等復(fù)雜情況給缺陷檢測(cè)帶來很大的困難.目標(biāo)檢測(cè)中的重要部分是目標(biāo)的分割，分割結(jié)果的優(yōu)劣會(huì)直接影響后續(xù)的分類和識(shí)別.目前關(guān)于圖像分割方法有很多，包括閾值分割、邊緣檢測(cè)法、區(qū)域生長法、聚類法和松弛法［1］等.其中，閾值分割方法中的Otsu法由于其快速、穩(wěn)定且適應(yīng)性好得到最為廣泛的應(yīng)用，該方法是實(shí)現(xiàn)較為簡單的分割方法，其核心是找出一個(gè)最優(yōu)的閾值進(jìn)行目標(biāo)區(qū)與背景區(qū)的分割.文獻(xiàn)［2］指出Otsu法雖然簡單，但是對(duì)于微小缺陷、目標(biāo)區(qū)域與背景區(qū)域灰度對(duì)比不明顯等情況，會(huì)出現(xiàn)嚴(yán)重的錯(cuò)分.文獻(xiàn)［3］采用基于Otsu的遞歸方法，分割效果比一次Otsu好，但遞歸次數(shù)不易確定;文獻(xiàn)［4］中，采用金字塔式分塊，并對(duì)小分塊進(jìn)行Otsu分割，這種分割常常會(huì)使小圖像塊的邊緣被錯(cuò)分，且整個(gè)分塊過程復(fù)雜.上述方法的共同點(diǎn)均把當(dāng)前像素看成是一個(gè)孤立的元素，并沒考慮到相鄰像素間的相關(guān)性.

目標(biāo)分割前需進(jìn)行去噪處理.中值濾波(median filter，MF)由于算法簡單和具有一定的細(xì)節(jié)保護(hù)能力而得到廣泛的重視［5］.但中值濾波會(huì)修改圖像中的每一個(gè)像素，從而使得恢復(fù)圖像的能力有所下降［6］;當(dāng)圖像中噪聲密度過大時(shí)，平滑效果不好，而均值濾波在去除高密度噪聲方面則有較大的優(yōu)勢(shì).

因此，針對(duì)在圖像背景像素分布不均勻、背景與目標(biāo)對(duì)比不明顯圖像中存在微小缺陷分割的問題，本文首先利用改進(jìn)的中值和均值濾波方法進(jìn)行去除噪聲，同時(shí)考慮到在較小鄰域內(nèi)同一目標(biāo)的像素相似的特點(diǎn)，在目標(biāo)分割中采用先分塊、再排除、初定目標(biāo)和剔除偽目標(biāo)的分割方法，并在此基礎(chǔ)上進(jìn)行了缺陷的識(shí)別與分類工作.

1 微小缺陷檢測(cè)相關(guān)算法

1.1 基于中值和均值濾波的去噪算法

本文綜合小窗口濾波、中值濾波及均值濾波的優(yōu)點(diǎn)，提出了一種新的去除圖像噪聲的算法.該算法分噪聲點(diǎn)檢測(cè)、窗口控制和濾除噪聲點(diǎn)3個(gè)步驟.

1)噪聲點(diǎn)檢測(cè)，初步確定圖像噪聲.對(duì)于一幅m ×n 大小的灰度圖像 X，fi，j表示位置(i，j)處的像素值，若此處的灰度值為0或255，則認(rèn)為該像素可能是噪聲像元.若圖像標(biāo)記為F，則

式中，F(xiàn)i，j=1 表示(i，j)處的像元可能是噪聲;Fi，j=0表示(i，j)處的像元為非噪聲.從模型(1)可以看出，噪聲點(diǎn)的灰度值和原始像素灰度值相互獨(dú)立，所以在采用恢復(fù)技術(shù)時(shí)盡量不使用噪聲點(diǎn)自身的灰度值信息.

2)窗口控制.濾波窗口尺寸關(guān)系到濾波效果，小尺寸的濾波窗口，能較好地保護(hù)細(xì)節(jié)，但濾波效果較差;濾波窗口增大時(shí)，平滑噪聲效果較好，但圖像會(huì)變得模糊.對(duì)于嚴(yán)重噪聲污染的圖像，一次濾波很難得到很好的濾波效果.根據(jù)此特點(diǎn)，本文采取3×3小窗口反復(fù)迭代濾波的方法進(jìn)行噪聲去除.

3)濾除噪聲點(diǎn).在濾波時(shí)，結(jié)合中值濾波和均值濾波的適應(yīng)特點(diǎn)，本文利用窗口中非噪聲點(diǎn)的中值 ni，j和均值 mi，j的加權(quán)值 β1ni，j+ β2mi，j來替代窗口中心的噪聲像素值.這里，β1，β2為加權(quán)值，其取值關(guān)系到濾波的效果，經(jīng)過大量的實(shí)驗(yàn)，確定β1=0.2，β2=0.8.

去噪算法實(shí)現(xiàn)過程如下:

①當(dāng)前像元fi，j為中心的3×3窗內(nèi)，定義所有像素構(gòu)成集合為，即

②對(duì)于非中心位置的其他8個(gè)像元，排除灰度值為0或255的噪聲像素后，將其余非噪聲點(diǎn)構(gòu)成為集合，即

1.2 基于缺陷像元搜索的目標(biāo)分割算法

本分割算法的理論基礎(chǔ)為:若一幅圖像的背景區(qū)與目標(biāo)區(qū)若整體上灰度對(duì)比不明顯，但在小范圍內(nèi)背景與目標(biāo)卻是可分的［7］;圖像的方差能夠反映圖像灰度值的變化幅度［8］;相鄰像元灰度差值的大小能反映它們的歸屬區(qū)域;目標(biāo)區(qū)域不會(huì)孤立存在，同時(shí)滿足均勻性和連通性的原則.

具體實(shí)施過程如下.

1)首先把經(jīng)預(yù)處理后圖像X分割成均勻的若干小塊 X={X1，X2，…，Xn}.在分割時(shí)，每個(gè)小塊可以全部為背景，也可以是背景和缺陷的組合，但不能全部為缺陷.接著計(jì)算每小塊圖像的方差，并按方差由小到大的順序排列成有序序列{(j)};然后從{(j)}中去掉由小到大60%(微小缺陷的區(qū)域面積與整幅圖像的面積比值小于0.5)的方差值對(duì)應(yīng)的圖像塊［4］，再將{(j)}中剩余的40%的方差組成新的方差序列，此時(shí){(j)}所對(duì)應(yīng)的圖像塊中，一部分是包含缺陷的圖像塊，同時(shí)還有一部分是背景區(qū)域圖像塊.

遍歷fi，j后的像元若滿足下面條件:

則認(rèn)為像元 fi，j+1同前一個(gè)像元 fi，j性質(zhì)相同，同標(biāo)記為背景點(diǎn)或缺陷目標(biāo)點(diǎn)，否則當(dāng)前像元與前一個(gè)像元性質(zhì)相反.

3)在初次遍歷結(jié)束后，每一小塊圖像中的像元被分割為背景和缺陷目標(biāo)2部分，在這個(gè)過程中，有少部分背景被錯(cuò)分為缺陷目標(biāo)，所以需要剔除初次遍歷后的偽目標(biāo)點(diǎn).缺陷目標(biāo)以一定大小的連通域存在，為了判斷初次遍歷中所標(biāo)記的缺陷像元是否為真正的缺陷，以當(dāng)前像元為核心，在形成3×3窗口中，若至少包含有一半以上的缺陷像元，則認(rèn)為該像元為缺陷點(diǎn)，并利用式(5)重新判斷其后的像元性質(zhì).

在初次遍歷過程中，首先采用每個(gè)圖像的塊整體均值作為初始分割閾值，而此條件是判斷當(dāng)前像元是否為缺陷的充分不必要條件，所以在后續(xù)中還需要進(jìn)一步縮小尋找缺陷點(diǎn)的范圍.式(5)作為進(jìn)一步判斷缺陷目標(biāo)的依據(jù)，若相鄰兩像元的灰度差值在規(guī)定范圍內(nèi)，那么它們的屬性相同;若灰度差值越過規(guī)定范圍，則它們分屬于不同區(qū)域.其中，參數(shù)α用于控制相鄰兩像元的差值范圍.α太小，使得進(jìn)入下面計(jì)算中的像元數(shù)目過多，計(jì)算量增大;α太大，會(huì)使一些缺陷目標(biāo)點(diǎn)判定為背景點(diǎn)，造成漏檢.

2 實(shí)驗(yàn)及分析

為驗(yàn)證本分割算法的有效性，這里選擇了孔洞、裂紋、劃痕和砂眼4種缺陷情況進(jìn)行驗(yàn)證.圖1(a)為孔洞缺陷，圖片中背景區(qū)域灰度分布不均勻，且背景區(qū)域有反光;圖1(b)為裂紋缺陷，圖片中裂紋不明顯，與背景區(qū)域灰度值接近;圖1(c)、(d)為劃痕缺陷和砂眼缺陷，圖片中目標(biāo)不明顯且面積很小，所有這些情況給后面的缺陷目標(biāo)的分割帶來難度.

圖1 原始表面缺陷圖像

為驗(yàn)證本文提出的去噪算法的有效性，對(duì)圖1(a)加入20%和70%的椒鹽噪聲并進(jìn)行濾波，如圖2所示.從圖2中可以看出，本文提出的去噪算法對(duì)于低密度和高密度噪聲均具有很好的適應(yīng)性，但對(duì)于高密度噪聲，去噪后圖像邊緣會(huì)出現(xiàn)程度較小的局部失真.

圖2 加噪及濾波后圖像

基于缺陷像元搜索算法對(duì)缺陷區(qū)域進(jìn)行分割的過程中，其關(guān)鍵是式(5)中α值的確定.文獻(xiàn)［9］的實(shí)驗(yàn)研究表明，α在［0.1，0.2］范圍內(nèi)能得到較好的分割效果，所以本文在［0.1，0.2］之間選取數(shù)值，進(jìn)行實(shí)驗(yàn)后確定α的數(shù)值.圖3為α=0.11，0.14，0.18時(shí)軸類零件缺陷分割后的效果圖.從圖3中可以看出，當(dāng)α取值較小時(shí)，部分背景會(huì)被錯(cuò)分成目標(biāo)，當(dāng)α取值較大時(shí)，會(huì)出現(xiàn)缺陷目標(biāo)漏檢的情況，所以這里取α=0.14進(jìn)行目標(biāo)分割.

為驗(yàn)證本文提出的分割算法的有效性，選擇圖1(a)作為測(cè)試圖像，將本文算法與傳統(tǒng)Otsu法、文獻(xiàn)［3］和文獻(xiàn)［4］算法進(jìn)行對(duì)比，分割結(jié)果如圖4所示.

圖3 不同α取值時(shí)分割效果圖

圖4 分割算法對(duì)比

由圖4可見，采用Otsu算法，出現(xiàn)了嚴(yán)重的錯(cuò)分，整個(gè)上半部分都錯(cuò)分為目標(biāo).采用文獻(xiàn)［3］的局部遞歸算法，當(dāng)遞歸次數(shù)增加時(shí)，出現(xiàn)漏分;當(dāng)遞歸次數(shù)減少時(shí)，又出現(xiàn)更為嚴(yán)重的錯(cuò)分.采用文獻(xiàn)［4］中先分塊再利用Otsu分割的算法，小圖像塊邊緣出現(xiàn)錯(cuò)分，效果較差.經(jīng)比較可以看出，本文的分割算法效果較好(見圖4(a)).

為了進(jìn)一步驗(yàn)證本文所提出分割算法的適應(yīng)性，對(duì)圖1(b)、(c)、(d)進(jìn)行了分割，并經(jīng)過數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算，結(jié)果如圖5所示.

下面對(duì)目標(biāo)分割后的缺陷進(jìn)行分類識(shí)別.由于圖1(a)、(b)這兩張圖中的缺陷幾何形狀明顯不同，所以選擇矩形度Rt和區(qū)域占空比Rq來描述孔洞、裂紋這兩種缺陷.矩形度Rt反映了目標(biāo)的形狀;區(qū)域占空比Rq反映了目標(biāo)對(duì)于其最小外接矩形的充滿程度［10］.在計(jì)算缺陷的特征值前，需確定目標(biāo)的最小外接矩形，如圖6所示.由于圖6(a)中缺陷目標(biāo)較多，形狀相似，因此這里選出3個(gè)缺陷目標(biāo)來計(jì)算其特征值，圖1(a)、(b)兩圖像的缺陷的特征數(shù)值如表1所示.

圖5 分割后的圖像

圖6 缺陷目標(biāo)最小外接矩形圖像

表1 2種缺陷的特征值

表1中，接近于圓形的孔洞缺陷的矩形度數(shù)值較大，遠(yuǎn)大于不規(guī)則的細(xì)長型裂紋缺陷的矩形度數(shù)值;區(qū)域占空比反映了缺陷目標(biāo)充滿最小外接矩形的程度，缺陷為矩形時(shí)，數(shù)值接近于1;圓形時(shí)，數(shù)值為細(xì)長型裂紋時(shí)，數(shù)值較小.因此，Rq數(shù)值大小也能有效地反映出缺陷的類型.

3 結(jié)語

針對(duì)單一閾值等算法在微小缺陷分割中的不足，提出了先分塊、排除背景塊、逐一遍歷像元初定缺陷目標(biāo)、剔除偽目標(biāo)的缺陷像元搜索的算法進(jìn)行微小缺陷分割;對(duì)于目標(biāo)分割前的預(yù)處理，考慮到中值和均值濾波各自的適應(yīng)性，提出了基于小窗口、中值和均值濾波的改進(jìn)去噪算法，并進(jìn)行了目標(biāo)的特征提取.實(shí)驗(yàn)結(jié)果表明，該算法能夠有效分割微小目標(biāo)缺陷，邊界形狀準(zhǔn)確，算法效果較好.

References)

［1］Xia Yong，F(xiàn)eng Dagan，Wang Tianjiao.Image seg-mentation by clustering of spatial patterns［J］.Pattern Recognition Letters，2007，28(12):1548-1555.

［2］Sezgin M，Sankur B.Survey over image thresholding techniques and quantitative performance evaluation［J］.Journal of Electronic Imaging，2004，13(1):146-165.

［3］汪國有，鄒玉蘭，凌勇.基于顯著性O(shè)tsu局部遞歸分割算法［J］.華中科技大學(xué)學(xué)報(bào)，2002，30(9):57-59.Wang Guoyou，Zou Yulan，Ling Yong.An algorithm for salience-based local recursive Otsu segmentation［J］.Jornal of Huazhong University of Science and Technology，2002，30(9):57-59.(in Chinese)

［4］何志勇，孫立寧，芮延年.一種微小表面缺陷的機(jī)器視覺檢測(cè)方法［J］.應(yīng)用科學(xué)學(xué)報(bào)，2012，30(5):532-538.He Zhiyong，Sun Lining，Rui Yannian.Detection of small surface defects based on machine vision［J］.Journal of Application Science，2012，30(5):532-538.(in Chinese)

［5］Singh K M.Fuzzy rule based on median filter for grayscale images［J］.Journal of Information Hiding and Multimedia Signal Processing，2011，2(2):108-122.

［6］Wang Z，Zhang D.Progressive switching median filter for the removal of impulse noise from highly corrupted images［J］.IEEE Trans Circuits Sys，1999，46(1):78-80.

［7］Li Chunming，Kao Chiu-Yen，Gore John C，et al.Implicit active contours driven by local binary fitting energy［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Minneapolis，USA，2007:1-7.

［8］樊冬進(jìn)，孫冰，封舉富.基于方差及方差梯度的指紋圖像自適應(yīng)分割算法［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2008，20(6):742-747.Fan Dongjin，Sun Bing，F(xiàn)eng Jufu.Adaptive segmentation based on variance and its gradient［J］.Journal of Computer-Aided Design ＆ Computer Graphics，2008，20(6):742-747.(in Chinese)

［9］劉運(yùn)龍，薛雨麗，袁素真，等.基于局部均值的紅外小目標(biāo)檢測(cè)算法［J］.紅外與激光工程，2013，42(3):816-825.Liu Yunlong，Xue Yuli，Yuan Suzhen，et al.Infrared small targets detection using local mean［J］.Infrared and Laser Engineering，2013，42(3):816-825.(in Chinese)

［10］韓芳芳.表面缺陷視覺在線檢測(cè)關(guān)鍵技術(shù)研究［D］.天津:天津大學(xué)精密儀器與光電子工程學(xué)院，2011.