基于統(tǒng)計(jì)矩的輪廓缺陷檢測(cè)

英昌盛，徐志偉，常大俊

(1.吉林師范大學(xué) 計(jì)算機(jī)學(xué)院，吉林 四平136000;2.長(zhǎng)春大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春130022;3.長(zhǎng)春建筑學(xué)院 電氣信息學(xué)院，長(zhǎng)春130000)

0 引言

金剛石薄膜具有硬度高、耐磨性高、摩擦系數(shù)低、穩(wěn)定性高等優(yōu)異的特點(diǎn)，非常適合制作齒輪、軸承、外頭等器件的耐磨層，也可將其制作為拋光磨具，其在機(jī)械系統(tǒng)具有廣泛應(yīng)用。采用化學(xué)氣相沉積(CVD)方法制備金剛石薄膜工藝有許多種，如微波法、熱絲法等等［1］。現(xiàn)今在歐美等國(guó)家采用微波等離子體化學(xué)氣相沉積(MPCVD)制備金剛石薄膜是主流方法，我國(guó)MPCVD 與歐美國(guó)家還有相當(dāng)差距。

1 廓缺陷的產(chǎn)生

當(dāng)金剛石膜片生產(chǎn)完成之后，需根據(jù)實(shí)際需求對(duì)其使用激光按指定樣式進(jìn)行切割。金剛石膜片通常為圓形，由于邊緣弧度等原因，在金剛石膜片邊緣處切割樣品通常與指定樣式不相符而形成輪廓缺陷。同時(shí)，在激光切割金剛石膜片過(guò)程中，由于金剛石膜片生長(zhǎng)厚度不完全均勻一致，加上激光產(chǎn)生的高能熱量會(huì)引起冷熱劇烈變化，從而導(dǎo)致樣品在切割線(xiàn)邊緣產(chǎn)生崩角輪廓缺陷。正品與兩種不同情況下產(chǎn)生的輪廓缺陷樣品如圖1 所示。

圖1 合格樣品及輪廓缺陷樣品

2 輪廓缺陷檢測(cè)系統(tǒng)框架

金剛石膜片切割樣品平均面積為4 平方毫米，因此每個(gè)膜片都會(huì)切割為大量樣品。切割后有輪廓缺陷的樣品與合格樣品混雜在一起，需要對(duì)有缺陷的樣品進(jìn)行篩選。樣品篩選需要經(jīng)過(guò)粗選、細(xì)選等若干道工序，使用人工篩選費(fèi)時(shí)、費(fèi)力、效率低。人工篩選時(shí)，工人長(zhǎng)時(shí)間工作會(huì)因疲勞而導(dǎo)致誤判率增大;而且對(duì)于缺陷的判定，不同工人的主觀判斷也不完全一致。因此，需要采用完全自動(dòng)化的方法來(lái)對(duì)輪廓缺陷樣品進(jìn)行自動(dòng)檢測(cè)、識(shí)別和處理。檢測(cè)系統(tǒng)綜合集成光、機(jī)、電、算等各個(gè)學(xué)科的內(nèi)容，其基本架構(gòu)如圖2 所示。

由進(jìn)料裝置將膜片切割后的樣品均勻、等間隔地放置到原料傳送帶上;在向前傳送過(guò)程中，當(dāng)樣品到達(dá)相機(jī)位置時(shí)將觸發(fā)同步信號(hào)，相機(jī)開(kāi)始對(duì)樣品進(jìn)行拍照;上位機(jī)對(duì)采集的樣品圖像進(jìn)行分析與處理，判定樣品是否為輪廓缺陷樣品;當(dāng)判定結(jié)果為輪廓缺陷樣品時(shí)，由上機(jī)發(fā)出控制信號(hào)，控制廢料吹送風(fēng)扇將之回收到廢料回收裝置中;當(dāng)判定結(jié)果為合格樣品時(shí)，樣品將會(huì)被回收到傳送帶末端的合格樣品回收裝置中。

圖2 輪廓缺陷檢測(cè)系統(tǒng)構(gòu)成

3 檢測(cè)過(guò)程

本文主要側(cè)重上位機(jī)對(duì)于采集到樣品圖像信息進(jìn)行處理，從而判定樣品是否為輪廓缺陷樣品。對(duì)于相機(jī)采集到的樣品圖像可以采用數(shù)字圖像處理方法進(jìn)行增強(qiáng)，然后獲得其輪廓，將得到輪廓采用基于統(tǒng)計(jì)矩的圖像匹配方式進(jìn)行處理與判定。

3.1 Mat 圖像在MFC 中顯示

本文采用MFC 和OpenCV 相結(jié)合的圖像處理與檢測(cè)方法。MFC 是開(kāi)發(fā)桌面應(yīng)用程序和圖像處理程序的高效工具，其功能十分強(qiáng)大。OpenCV 是跨平臺(tái)的計(jì)算機(jī)視覺(jué)庫(kù)，其中提供了許多開(kāi)源計(jì)算機(jī)視覺(jué)算法，覆蓋范圍從最基本的數(shù)字圖像處理算法到物體檢測(cè)等高級(jí)應(yīng)用。OpenCV2.0 版本以后引入的Mat 類(lèi)型，替代了原來(lái)的IplImage 類(lèi)型，而且不再支持CvvImage，所以Mat 類(lèi)型圖像無(wú)法直接在MFC 中顯示。本文利用CImage 結(jié)構(gòu)將用于表示圖像信息的Mat 數(shù)據(jù)轉(zhuǎn)化為位圖數(shù)據(jù)，然后將位圖信息利用MFC 中的設(shè)備上下文DC 及畫(huà)刷顯示于CStatic 控件中，其實(shí)現(xiàn)偽代碼如下:

3.2 檢測(cè)依據(jù)

對(duì)于形狀比較規(guī)則的樣品，如矩形、三角形等，其輪廓缺陷檢測(cè)方法相對(duì)簡(jiǎn)單，只要獲得樣品的幾條主要輪廓線(xiàn)就可以構(gòu)造出其理想形狀，可以計(jì)算出其理想面積與實(shí)際面積差值，在差值不超過(guò)設(shè)定閾值情況下即可認(rèn)為樣品不存在輪廓缺陷。基于輪廓面積的檢測(cè)方法需要事先確定樣品的幾何形狀是規(guī)則的，而且由于缺陷所在位置不同、樣品擺放的角度不同都會(huì)對(duì)理想面積的估計(jì)產(chǎn)生影響，造成檢測(cè)結(jié)果不準(zhǔn)確。所以，需要尋找一種可以對(duì)大多數(shù)形狀都能估算出正確面積，而且對(duì)樣品擺放位姿沒(méi)有特殊要求的算法。

本文采用待測(cè)樣品與合格標(biāo)準(zhǔn)樣品對(duì)比的圖像匹配方法來(lái)進(jìn)行檢測(cè)。首先，將由若干名經(jīng)驗(yàn)豐富的檢測(cè)工人均認(rèn)為合格的樣品保存到樣品數(shù)據(jù)庫(kù)，將待檢測(cè)樣品與之進(jìn)行對(duì)比。接下來(lái)需要提取待檢測(cè)樣品的輪廓信息，計(jì)算其與標(biāo)準(zhǔn)樣品之間的統(tǒng)計(jì)矩信息。最后，根據(jù)計(jì)算結(jié)果給出判定信息。

3.3 獲得樣品輪廓信息

在獲取樣品輪廓之前，需要根據(jù)樣品圖像灰度分布特征對(duì)其進(jìn)行二值化處理。由于背景為白色對(duì)后續(xù)結(jié)果會(huì)產(chǎn)生影響，因此對(duì)二值化結(jié)果圖像進(jìn)行反相處理之后，將背景信息扣除。由于金剛石膜片在生長(zhǎng)過(guò)程中的不均勻，在樣品拍照過(guò)程中不同區(qū)域的灰度信息分布會(huì)有一定的差異，這給樣品輪廓提取造成了困難。因此，在二值化處理之后還需要進(jìn)一步對(duì)二值化結(jié)果使用7*7 大小的模板進(jìn)行膨脹操作［2］，以消除樣品生長(zhǎng)不均勻?qū)е碌膱D像內(nèi)部孔洞。對(duì)于膨脹之后的二值圖像，可以使用輪廓查找算法查找其輪廓。本文采用將所有點(diǎn)由鏈碼形式翻譯為點(diǎn)序列形式來(lái)查找樣品的輪廓，其關(guān)鍵實(shí)現(xiàn)如下:

3.4 統(tǒng)計(jì)矩檢測(cè)

由于標(biāo)準(zhǔn)樣品和待檢測(cè)樣品的光照、拍攝時(shí)間、拍攝角度、拍攝距離等可能都存在差異，在進(jìn)行標(biāo)準(zhǔn)樣品圖像輪廓與待測(cè)樣品輪廓匹配時(shí)，必須選擇一種對(duì)于光照、尺度、旋轉(zhuǎn)都具有不變性的算法。

基于全局幾何特征的算法，如面積、周長(zhǎng)等，容易受到縮放等操作的影響，并不適合本文所描述的情況。在模式識(shí)別、圖像匹配、分類(lèi)等應(yīng)用中，常常使用圖像的矩來(lái)作為函數(shù)。Hu 在1961 年在其“Pattern recognition by moment invariant”一文中提出使用二階和三階歸一化中心矩構(gòu)造7 個(gè)不變矩［3］。7 個(gè)不變矩構(gòu)成一組特征向量，Hu 證明了這7 個(gè)矩具有平移、旋轉(zhuǎn)和縮放不變性。在圖像識(shí)別和匹配中，Hu 矩的識(shí)別速度快，在紋理不復(fù)雜、物體較大的情況下，識(shí)別效果較好，與本文的情況恰好相符。

對(duì)于灰度概率分布函數(shù)為f(x，y)的離散灰度圖像，其p+q 階中心矩定義如式(1):

歸一化的中心矩則定義為式(2):

本文只使用了Hu 矩中的前三個(gè)，其定義分別如式(3)、(4)、(5):

在檢測(cè)過(guò)程中，使用如下所示的代碼來(lái)匹配待檢測(cè)樣品與標(biāo)準(zhǔn)樣品之間的3 個(gè)Hu 矩:

dMatch1=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I1，0);

dMatch2=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I2，0);

dMatch3=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I3，0);

本文抽取了部分檢測(cè)數(shù)據(jù)的Hu 矩信息，與之對(duì)應(yīng)的圖形如圖3 所示。

圖3 檢測(cè)數(shù)據(jù)的Hu 矩三維視圖

從圖3 中可以明顯看出，當(dāng)三個(gè)Hu 矩I1、I2 和I3 數(shù)據(jù)值都非常接近0 時(shí)，待檢測(cè)圖像與標(biāo)準(zhǔn)樣品的輪廓匹配程度最高，其他情況下均為輪廓缺陷樣品。

4 結(jié)語(yǔ)

本文探討了基于統(tǒng)計(jì)矩的輪廓缺陷檢測(cè)方法，該方法具有較好的識(shí)別效果，具有相當(dāng)?shù)膶?shí)用價(jià)值。對(duì)于樣品內(nèi)部具有缺陷的情況還需要進(jìn)一步處理。

［1］ 呂反修.金剛石膜制備與應(yīng)用［M］.北京:科學(xué)出版社，2014，8.

［2］ (美)岡薩雷斯.數(shù)字圖像處理［M］.3 版.北京:電子工業(yè)出版社，2011.

［3］ 張偉.Hu 不變矩的構(gòu)造與推廣［J］.計(jì)算機(jī)應(yīng)用，2010(9):2449－2452.