基于HALCON 的織物質(zhì)量檢測(cè)技術(shù)研究*

王慶海

(河南機(jī)電職業(yè)學(xué)院 機(jī)械工程系，河南 鄭州 451191)

0 引言

在生產(chǎn)實(shí)際中，玻璃纖維織物的質(zhì)量檢測(cè)目前主要是人工目測(cè)完成，存在工人勞動(dòng)強(qiáng)度大、檢測(cè)效率低、漏檢率高等問(wèn)題。隨著機(jī)器視覺(jué)技術(shù)的出現(xiàn)和發(fā)展，利用機(jī)器視覺(jué)技術(shù)代替人眼進(jìn)行織物的在線質(zhì)量檢測(cè)已經(jīng)成為國(guó)內(nèi)外近幾年研究的熱點(diǎn)，如高曉丁等［1］設(shè)計(jì)了以4 片TMS320C62x 為數(shù)字圖像信息處理核心，由FPGA 實(shí)現(xiàn)系統(tǒng)控制互連的織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)，張秋坤等［2］研究了基于單片機(jī)的光學(xué)檢測(cè)系統(tǒng)，實(shí)現(xiàn)了織物實(shí)時(shí)高效的自動(dòng)瑕疵檢測(cè)。文獻(xiàn)［3-7］均搭建了基于機(jī)器視覺(jué)的織物實(shí)時(shí)檢測(cè)平臺(tái)。在織物缺陷的檢測(cè)算法上，出現(xiàn)了小波變換、傅里葉變換、Gabor 濾波、最優(yōu)化FIR 濾波、灰色系統(tǒng)理論、形態(tài)學(xué)分水嶺離散正弦變換等許多智能的檢測(cè)方法［8-13］。在圖像處理手段上，陸趣趣等［14］給出了一種基于OpenCV 的織物疵點(diǎn)檢測(cè)方法，李建福等［15］采用Matlab 與VB 混合編程的方式進(jìn)行了織物疵點(diǎn)的自動(dòng)檢測(cè)。這些研究對(duì)玻璃纖維織物的在線質(zhì)量檢測(cè)提供了參考，但是它們大都有針對(duì)性，還不能應(yīng)用于玻璃纖維織物的生產(chǎn)實(shí)際，因此，研究基于機(jī)器視覺(jué)的玻璃纖維織物在線質(zhì)量檢測(cè)技術(shù)具有重要的工程實(shí)際意義。

本研究采用機(jī)器視覺(jué)圖像處理軟件HALCON 對(duì)織物進(jìn)行在線質(zhì)量檢測(cè)，實(shí)現(xiàn)織物缺陷特征的提取和參數(shù)測(cè)量。筆者的研究為玻璃纖維織物提供高速、穩(wěn)健的在線自動(dòng)質(zhì)量檢測(cè)方法。

1 玻璃纖維織物質(zhì)量在線檢測(cè)系統(tǒng)

玻璃纖維織物是經(jīng)編多軸向織物，是由一層或多層平行的紗線按照盡可能多的方向交錯(cuò)而成的?？椢锞哂幸欢ǖ拿軐?shí)度和厚度，顏色一般為白色，生產(chǎn)時(shí)的質(zhì)量缺陷主要為劈縫缺陷，在線生產(chǎn)速度為2 m/min，幅寬一般為2.5 m 左右，檢測(cè)精度要求為0.5 mm。

根據(jù)生產(chǎn)實(shí)際狀況，本研究搭建的玻璃纖維織物缺陷在線檢測(cè)系統(tǒng)平臺(tái)如圖1 所示。

圖1 基于機(jī)器視覺(jué)的織物質(zhì)量檢測(cè)系統(tǒng)示意圖

由圖1 可以看出，相機(jī)、鏡頭和光源組成了檢測(cè)系統(tǒng)的圖像采集模塊。其中，相機(jī)在織機(jī)上的安裝位置有限，距織物的距離最大為700 mm，這使得相機(jī)的拍照視野受到一到的限制?？紤]成本問(wèn)題，本研究采用全局曝光的面陣相機(jī)，每個(gè)相機(jī)的測(cè)量寬度設(shè)定為500 mm，根據(jù)織物的幅寬采用多相機(jī)工作，則相機(jī)芯片寬度方向分辨率為500/0.5=1 000 pixel，按照?qǐng)D像4 ∶3的比例，芯片高度方向分辨率為750 pixel，因此選用千兆網(wǎng)接口MV-GE130GM 型工業(yè)相機(jī)(深圳邁德威視公司生產(chǎn)，分辨率為1 280 pixel×960 pixel)即可以滿(mǎn)足測(cè)量精度的要求。鏡頭選用日本Computar 公司的M0814-MP2 機(jī)器視覺(jué)鏡頭，焦距為8 mm，規(guī)格為2/3"，與所選用的相機(jī)相配。由于織物材料為白色的玻璃纖維絲，正面光照會(huì)使圖像反光，本研究把光源設(shè)置在織物下方，采用條形熒光燈進(jìn)行背光照明。通過(guò)采用該圖像采集模塊可以獲得高對(duì)比度的圖像，當(dāng)織物無(wú)缺陷時(shí)，圖像上沒(méi)有透光部分，無(wú)缺陷的玻璃纖維織物圖像如圖2 所示。當(dāng)織物有缺陷時(shí)，織物缺陷部分將有亮光透過(guò)，缺陷將被清晰地勾勒出來(lái)，有劈縫缺陷的玻璃纖維織物圖像如圖3 所示。圖中高亮區(qū)域即為織物的劈縫缺陷。由此可見(jiàn)，本研究所搭建的檢測(cè)系統(tǒng)平臺(tái)形成了有利于圖像處理的成像效果，且具有結(jié)構(gòu)簡(jiǎn)單、成本較低的特點(diǎn)。

圖2 無(wú)缺陷的玻璃纖維織物圖像

圖3 有劈縫缺陷的玻璃纖維織物圖像

2 織物質(zhì)量檢測(cè)中的關(guān)鍵技術(shù)

獲取圖像后，本研究采用HALCON 圖像處理軟件進(jìn)行織物的質(zhì)量檢測(cè)。由于織物具有一定的紋理特征，如果采用傳統(tǒng)的邊緣檢測(cè)方式進(jìn)行缺陷檢測(cè)，紋理特征會(huì)影響到缺陷檢測(cè)結(jié)果，容易造成誤檢。分析圖2、圖3 可知，缺陷在圖像中具有相同灰度值，尋找出這些具有相同灰度值的像素構(gòu)成的連通域(Blob 區(qū)域)即是缺陷特征，因此本研究提出采用Blob 分析法進(jìn)行織物的缺陷檢測(cè)，檢測(cè)流程如圖4 所示。首先本研究對(duì)圖像進(jìn)行平滑處理以消除噪聲干擾，然后對(duì)圖像進(jìn)行圖像分割、形態(tài)學(xué)處理和特征提取，最后對(duì)提取的缺陷特征進(jìn)行參數(shù)計(jì)算，求出圖像中缺陷的個(gè)數(shù)、發(fā)生的位置、尺寸等參數(shù)。

2.1 圖像平滑

圖4 織物的圖像處理過(guò)程

由于圖像采集過(guò)程中照明光線的方向、亮度、穩(wěn)定性等影響，再加上柔性織物表面張緊程度不一致和上下抖動(dòng)等因素，使本研究所采集圖像中含有噪聲;同時(shí)，織物具有一定的紋理特征，這些紋理特征也會(huì)影響織物缺陷的檢出率和準(zhǔn)確性，因此，本研究也將織物的紋理假設(shè)為噪聲。為了減小噪聲干擾，提高缺陷的檢出率和檢測(cè)準(zhǔn)確性，需要對(duì)圖像進(jìn)行平滑處理。

織物圖像中的噪聲一般是高斯噪聲，紋理特征具有一定的周期性，也看作是周期干擾，因此本研究采用均值濾波器對(duì)圖像進(jìn)行平滑處理，在HALCON 中利用mean_image 算子實(shí)現(xiàn)。對(duì)圖3 所示圖像進(jìn)行均值濾波后的結(jié)果如圖5 所示?？梢钥闯?，均值濾波后的圖像有效地消除了噪聲信息，并模糊了紋理特征，為后續(xù)圖像分割處理的準(zhǔn)確性提供了保證。

2.2 圖像分割

織物缺陷在黑色背景區(qū)域中顯示為高亮區(qū)域，為了檢測(cè)出這些高亮區(qū)域，必須進(jìn)行圖像分割處理。圖像分割方法主要分為以下幾類(lèi):基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。其中，基于閾值的分割方法是運(yùn)算效率較高的方法，也是目前最為常用的方法，它包括全局閾值法和局部閾值法兩種。全局閾值法指利用全局信息對(duì)整幅圖像求出最優(yōu)分割閾值，局部閾值法是把原始的整幅圖像分為幾個(gè)小的子圖像，再對(duì)子圖像應(yīng)用全局閾值法分別求出分割閾值。由于織物圖像的背景灰度幾乎一致，本研究采用全局閾值法進(jìn)行圖像分割，在HALCON 中利用threshold 算子實(shí)現(xiàn)。其中分割的閾值采用統(tǒng)計(jì)直方圖法自動(dòng)確定。對(duì)圖5 均值濾波后的圖像分割結(jié)果如圖6 所示?？梢钥闯觯瑘D像分割為目標(biāo)像素(Blob 區(qū)域)和背景像素，劈縫缺陷較好地從圖像中分割出來(lái)。

圖5 對(duì)圖3 均值濾波后的圖像

2.3 形態(tài)學(xué)處理

由于分割區(qū)域中有許多雜點(diǎn)和小的突出物會(huì)導(dǎo)致計(jì)算錯(cuò)誤，需要對(duì)分割的圖像進(jìn)行形態(tài)學(xué)處理，去掉一些不必要的干擾。形態(tài)學(xué)處理以集合運(yùn)算為基礎(chǔ)，腐蝕、膨脹、開(kāi)操作、閉操作是所有形態(tài)學(xué)圖像處理的基礎(chǔ)。對(duì)織物圖像首先用opening_circle 算子進(jìn)行開(kāi)操作，去除缺陷目標(biāo)區(qū)域周?chē)槐匾母蓴_，然后再用closing_circle 算子進(jìn)行閉操作，將缺陷目標(biāo)中斷開(kāi)的縫隙閉合，以保證缺陷目標(biāo)區(qū)域的完整性。

對(duì)分割后圖像進(jìn)行開(kāi)操作的結(jié)果如圖7 所示。比較圖6和圖7 可以看出，缺陷目標(biāo)附近的一些小干擾被分離開(kāi)了，同時(shí)消除掉了一些小的區(qū)域。

圖6 圖像分割后的圖像

2.4 特征提取

閾值分割后，圖像被分割為目標(biāo)像素和背景像素，為了提取目標(biāo)像素，需要進(jìn)行連通性分析，以便將目標(biāo)圖像聚合為目標(biāo)像素的連接體。在Halcon 中用connection 算子實(shí)現(xiàn)連通域分析。對(duì)圖7 進(jìn)行閉操作處理后的連通域圖像如圖8 所示?？梢钥闯?，圖像的各部分被分割成多個(gè)連通的區(qū)域，需要按特征選擇出所需的目標(biāo)區(qū)域。

圖7 開(kāi)操作后的圖像

在織物圖像中，目標(biāo)區(qū)域的特征有紋理方向特征和區(qū)域的面積特征，可以根據(jù)這些特征采用select_shape 算子篩選出所需的目標(biāo)區(qū)域。從圖8 中篩選出的紋理方向?yàn)椋?5°且連通域面積大于500 像素的目標(biāo)區(qū)域如圖9 所示?？梢钥闯觯撃繕?biāo)區(qū)域即為所需的缺陷特征。

圖8 閉操作后的連通域圖像

圖9 提取的區(qū)域特征

2.5 特征參數(shù)計(jì)算

為了計(jì)算織物中缺陷的個(gè)數(shù)、位置和尺寸等參數(shù)，提取出缺陷特征后，本研究采用算子smallest_rectangle2 對(duì)提取的缺陷特征構(gòu)造最小外接矩形，由最小外接矩形中心的X和Y 坐標(biāo)值、矩形的傾斜角度、矩形的寬度和高度等參數(shù)，可計(jì)算出缺陷的特征參數(shù)。

對(duì)圖9 提取的缺陷特征構(gòu)造最小外接矩形如圖10 所示。根據(jù)最小外接矩形的參數(shù)，圖中給出了缺陷的個(gè)數(shù)、缺陷的長(zhǎng)度和寬度(單位為mm)。

圖10 缺陷特征的參數(shù)值

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本研究所述檢測(cè)技術(shù)的適應(yīng)性和通用性，筆者從現(xiàn)場(chǎng)選取了多幅圖像進(jìn)行試驗(yàn)。一種玻璃纖維織物樣品的檢測(cè)實(shí)例如圖11 所示，相機(jī)獲取的原始圖像如圖11(a)所示，采用前述的圖像處理技術(shù)檢測(cè)出的結(jié)果如圖11(b)所示。另一種玻璃纖維織物樣品的檢測(cè)實(shí)例如圖12 所示。

圖11 織物樣品的缺陷檢測(cè)實(shí)例一

圖12 織物樣品的缺陷檢測(cè)實(shí)例二

由圖10、圖11和圖12 可以看出:①當(dāng)織物有缺陷時(shí)，圖像上將出現(xiàn)高亮區(qū)域，通過(guò)提取圖像中的高亮區(qū)域即可實(shí)現(xiàn)織物的缺陷檢測(cè)。②所選用的工業(yè)相機(jī)分辨率為1.3×106(1 280×960)像素，靶面尺寸為1/3"(W=4.8 mm，H=3.6 mm)，全局快門(mén)，拍照的圖像清晰且沒(méi)有拖影，滿(mǎn)足了工業(yè)生產(chǎn)的實(shí)際需要。③采用本研究所述檢測(cè)技術(shù)，不但可以進(jìn)行織物是否有缺陷的識(shí)別，而且可以實(shí)現(xiàn)織物缺陷特征參數(shù)的測(cè)量，為后續(xù)的織物質(zhì)量等級(jí)判別提供了依據(jù)。④經(jīng)過(guò)多次實(shí)驗(yàn)表明，從相機(jī)拍照到結(jié)果處理需要的時(shí)間為400 ms 左右，滿(mǎn)足了在線檢測(cè)的實(shí)時(shí)性要求。

4 結(jié)束語(yǔ)

本研究根據(jù)生產(chǎn)實(shí)際狀況搭建了基于機(jī)器視覺(jué)的玻璃纖維織物在線質(zhì)量檢測(cè)平臺(tái)，平臺(tái)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn);所選擇的相機(jī)、鏡頭可以滿(mǎn)足玻璃纖維織物的檢測(cè)精度要求，且成本較低;設(shè)置的照明方式減少了織物材質(zhì)對(duì)成像的影響，使圖像中的目標(biāo)信息與背景信息得到了最佳的分離，形成了有利于圖像處理的成像效果。

在基于HALCON 的圖像處理模塊中，筆者采用Blob 分析法進(jìn)行了缺陷特征的提取及參數(shù)的測(cè)量，簡(jiǎn)單快速且結(jié)果穩(wěn)健可靠。本研究對(duì)一些織物樣品進(jìn)行了實(shí)例檢測(cè)，研究結(jié)果表明，筆者所提出的圖像處理方法具有較強(qiáng)的適應(yīng)性和通用性，實(shí)時(shí)性好。因此，筆者的研究對(duì)改善玻璃纖維織物的在線質(zhì)量檢測(cè)生產(chǎn)現(xiàn)狀提供了可靠的技術(shù)保證，同時(shí)筆者的研究也為其他類(lèi)型織物的質(zhì)量檢測(cè)提供了參考。

［1］高曉丁，左 賀.織物自動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.紡織學(xué)報(bào)，2007，28(12):127-130.

［2］張秋坤，鐘舜聰.織物瑕疵的實(shí)時(shí)光電檢測(cè)系統(tǒng)［J］.機(jī)電工程，2011，28(11):1324-1326.

［3］陳德裕，曹慶紅，蔣 俊，等.一種自動(dòng)驗(yàn)布機(jī)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.制造業(yè)自動(dòng)化，2014，36(11):122-125.

［4］邵鑫玉，華繼釗.基于機(jī)器視覺(jué)的無(wú)紡布缺陷自動(dòng)檢測(cè)系統(tǒng)［J］.計(jì)算機(jī)科學(xué)，2014，41(6A):487-489.

［5］李冠志，萬(wàn)賢福，汪 軍，等.基于機(jī)器視覺(jué)的坯布疵點(diǎn)實(shí)時(shí)自動(dòng)檢測(cè)平臺(tái)［J］.東華大學(xué)學(xué)報(bào):自然科學(xué)版，2014，40(1):11-16.

［6］陳耀歡，任德均，鄧霖杰，等.基于機(jī)器視覺(jué)的糾偏檢測(cè)系統(tǒng)［J］.機(jī)電工程技術(shù)，2014(11):96-98.

［7］宋 勇，董 鐵，吳紀(jì)國(guó).機(jī)器視覺(jué)非接觸測(cè)量系統(tǒng)在線校準(zhǔn)及不確定度分析［J］.機(jī)械，2014(10)，76-79.

［8］Du-Ming Tsai，Ming-Chun Chen，Wei-Chen Li，et al.A fast regularity measure for surface defect detection［J］.Machine Vision and Applications，2012，23(5):869-886.

［9］ARIVAZHAGAN S，GANESAN L，BAMA S.Fault segmentation in fabric images using Gabor wavelet transform［J］.Machine Vision and Applications，2006，16(6):356-363.

［10］李 鑫，許增樸，于德敏，等.基于圖像能量的布匹瑕疵檢測(cè)方法［J］.計(jì)算機(jī)測(cè)量與控制，2008，16(9):1243-12450

［11］沈 晶，況曉靜，張 量.基于紋理增強(qiáng)分水嶺的織物瑕疵檢測(cè)新算法［J］.合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2014，37(7):812-817.

［12］朱俊嶺，汪 軍，張孝南.基于AR 模型的機(jī)織物線狀疵點(diǎn)研究［J］.紡織學(xué)報(bào)，2012，33(8):50-54.

［13］祝雙武，郝重陽(yáng).基于紋理周期性分析的織物疵點(diǎn)檢測(cè)方法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(21):63-166.

［14］陸趣趣，陳傳克，徐曉龍，等.一種基于OpenCV 的織物疵點(diǎn)檢測(cè)方法［J］.絲綢，2010(4):38-41.

［15］李建福，汪黎明.Matlab 與VB 混合編程在織物疵點(diǎn)自動(dòng)檢測(cè)的應(yīng)用［J］.現(xiàn)代紡織技術(shù)，2008(4):1-4.