基于機(jī)器視覺技術(shù)的表面缺陷在線檢測(cè)系統(tǒng)設(shè)計(jì)

吳曉君 ，唐 婷 ，張 林 ，蔡君義

（1.西安建筑科技大學(xué) 機(jī)電工程學(xué)院，西安 710055；2.西安啟源機(jī)電裝備股份有限公司，西安 710018）

輥彎成型（roll forming，又稱冷彎成型）是指通過順序配置的多道次成型軋輥，把卷材、帶材等金屬板帶不斷地進(jìn)行橫向彎曲，以制成特定斷面的型材[1]。隨著工業(yè)化水平的不斷發(fā)展，對(duì)鋼材表面質(zhì)量的要求也越來越高，如何快速準(zhǔn)確地檢測(cè)出表面缺陷成為鋼板軋制過程中非常關(guān)鍵的一個(gè)環(huán)節(jié)。傳統(tǒng)的表面缺陷檢測(cè)主要依賴于人工目測(cè)和抽檢，檢測(cè)結(jié)果易受檢驗(yàn)人員的經(jīng)驗(yàn)水平等主觀因素影響，且勞動(dòng)強(qiáng)度大，誤檢、漏檢現(xiàn)象嚴(yán)重。近年來，以圖像處理為基礎(chǔ)的機(jī)器視覺技術(shù)不斷應(yīng)用于工業(yè)生產(chǎn)的表面缺陷檢測(cè)過程中，其較高的檢測(cè)精度、較低的檢測(cè)成本和易于自動(dòng)化處理的特點(diǎn)受到眾多廠家的青睞。

西安某大型國(guó)有企業(yè)擁有一套國(guó)際先進(jìn)的數(shù)控式散熱器輥彎成型生產(chǎn)線。實(shí)際生產(chǎn)中，由于硅鋼片平均片長(zhǎng)為2000 mm，片寬為520 mm，板厚為1.0 mm～1.2 mm，邊部較窄，經(jīng)輥彎成型加工后，極易產(chǎn)生邊浪。現(xiàn)有的人工檢測(cè)方法經(jīng)常檢測(cè)不及時(shí)且漏檢率較高，導(dǎo)致變壓器散熱片的廢品率較高，給企業(yè)帶來巨大的經(jīng)濟(jì)損失。

針對(duì)該企業(yè)的上述問題，本文設(shè)計(jì)了一套基于機(jī)器視覺技術(shù)的表面缺陷在線檢測(cè)系統(tǒng)。該系統(tǒng)已成功應(yīng)用于該企業(yè)，并取得了良好的運(yùn)行效果。

1 硬件系統(tǒng)設(shè)計(jì)

硬件系統(tǒng)主要組成部分包括光源、CCD相機(jī)和工控機(jī)等，如圖1所示。

圖1 機(jī)器視覺硬件系統(tǒng)Fig.1 Schematic diagram of hardware system for machine vision

1.1 光源的選擇

照明光源是機(jī)器視覺系統(tǒng)中的重要組成部分。一般來說，機(jī)器視覺系統(tǒng)為了避免環(huán)境自然光線或燈光對(duì)其工作狀態(tài)的影響，光源應(yīng)亮度大、亮度可調(diào)、均勻性好及穩(wěn)定性高，以抑制外界環(huán)境各種光對(duì)圖像質(zhì)量產(chǎn)生較大影響而導(dǎo)致機(jī)器視覺系統(tǒng)的故障或誤判行為[2]。由于LED燈具有發(fā)光強(qiáng)、散熱小和壽命高等優(yōu)點(diǎn)，本系統(tǒng)采用紅色LED燈作為系統(tǒng)的光源。

1.2 CCD相機(jī)的選擇

CCD（charge coupled device）即電荷耦合器件，是一種半導(dǎo)體器件，能夠把光學(xué)影像轉(zhuǎn)化為數(shù)字信號(hào)。常見的CCD攝像頭包括線陣和面陣2種方式。對(duì)于移動(dòng)的物體，面陣CCD的檢測(cè)精度不高，故通常采用線陣CCD方式。

本系統(tǒng)采用的CCD攝像頭采用BrtVision線陣CCD數(shù)字相機(jī)，該相機(jī)無需采集卡，可直接與工控機(jī)連接，其具體參數(shù)如下：型號(hào)為BLU0708M30，有效像素為2048 pixel（對(duì)應(yīng)本系統(tǒng)下的最高水平分辨率為3.94 pixel/mm）以及8 bit采樣精度。

1.3 照明方式

照明方式通?？梢苑譃槊鲌?chǎng)照明和暗場(chǎng)照明。本系統(tǒng)選擇暗場(chǎng)照明方式，將相機(jī)豎直擺放，光源以一個(gè)較大的角度為入射角，若硅鋼片無邊浪，被測(cè)硅鋼片表面顏色是均勻且較暗；若有邊浪，圖像則呈現(xiàn)交替的亮帶和暗帶，有利于圖像識(shí)別階段的邊緣檢測(cè)。

2 邊緣檢測(cè)

當(dāng)CCD相機(jī)將采集到的圖像傳輸?shù)焦た貦C(jī)后，我們需要對(duì)圖像進(jìn)行邊緣檢測(cè)以提取邊緣信息供后續(xù)故障分類環(huán)節(jié)使用。

邊緣檢測(cè)作為硅鋼片特征提取的重要步驟之一，常見的邊緣檢測(cè)算法包括Roberts、Sobel、Prewitt和Canny等算法[3]，由于Canny算法具有很好的信噪比和檢測(cè)精度，在圖象處理領(lǐng)域得到了廣泛的應(yīng)用[4]。但是，傳統(tǒng)的Canny算法也存在很多不足，如高斯濾波參數(shù)選擇困難、易受噪音干擾，人工確定閾值方法不夠精確等。針對(duì)這些不足，很多學(xué)者將Canny算法與小波變換、數(shù)學(xué)形態(tài)學(xué)等結(jié)合在一起，這樣雖然在一定程度上彌補(bǔ)了Canny算法的不足，但同時(shí)也大大提高了運(yùn)算的復(fù)雜程度，不適用于在線監(jiān)測(cè)[5]。本文利用Otsu法自適應(yīng)確定閾值的改進(jìn)Canny算法對(duì)圖像進(jìn)行邊緣檢測(cè)。

2.1 傳統(tǒng)的Canny算法

傳統(tǒng)Canny算法邊緣檢測(cè)步驟如下：首先利用高斯濾波器對(duì)原圖像進(jìn)行濾波去噪，其次對(duì)濾波后的圖像求梯度幅值以及梯度向量，進(jìn)而對(duì)梯度圖像進(jìn)行非極大值抑制操作，剔除非最大值的像素點(diǎn)；最后人工選擇高、低閾值并分析確定圖像的最終邊緣，其流程如圖2所示。

傳統(tǒng)Canny算法的缺點(diǎn)：①在濾波去噪環(huán)節(jié)，采用二維高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，是對(duì)圖像整體進(jìn)行濾波，從而使圖像不含噪聲的區(qū)域也變得模糊，這是使用者所不希望的；②傳統(tǒng)Canny算法在檢測(cè)邊緣時(shí)，2個(gè)高低閾值完全由人為根據(jù)經(jīng)驗(yàn)設(shè)定，不具有自適應(yīng)性，檢測(cè)效率較低，無法滿足大型圖像庫中圖像邊緣自動(dòng)檢測(cè)的要求。

2.2 改進(jìn)環(huán)節(jié)

2.2.1 自適應(yīng)平滑濾波

為了減少和抑制噪聲對(duì)邊緣檢測(cè)的影響，本文先對(duì)圖像進(jìn)行自適應(yīng)平滑濾波[6]。該方法只對(duì)噪聲區(qū)域進(jìn)行平滑處理，對(duì)無噪聲的區(qū)域不進(jìn)行平滑處理，從而將模糊的影響降到最低。對(duì)圖像中每個(gè)像素計(jì)算其3×3鄰域R中 8個(gè)點(diǎn)的平均灰度ρ（R）和方差σ2（R），若像素灰度與 ρ的差值大于 1.5σ（R），則認(rèn)為該像素為噪聲；以噪聲像素鄰域中灰度位于［ρ（R）-σ2（R），ρ（R）+σ2（R）］范圍內(nèi)像素的加權(quán)平均灰度作為該像素的真實(shí)灰度值。對(duì)于噪聲位置具有隨機(jī)性和局部性的圖像，具有很好的效果。其效果對(duì)比如圖3所示。

圖3 不同濾波方法效果對(duì)比Fig.3 Comparison of different filtering methods

從圖3可以看出，對(duì)局部（上半部分）含有噪聲的圖像進(jìn)行不同的噪聲濾波處理后得到的效果具有明顯的差異。中值濾波、高斯濾波和維納濾波等傳統(tǒng)濾波方法對(duì)噪聲有一定的濾波作用，但是效果不是很明顯，而且模糊了不含噪聲的部分。自適應(yīng)平滑濾波相對(duì)于其他的濾波方式，濾波后效果較好，且不含噪聲的部分基本未被模糊。

2.2.2 Otsu閾值分割

眾多閾值分割算法中，1979年由Otsu[7]提出的基于類間方差最大化的分割算法一直被認(rèn)為是自動(dòng)選取閾值的最優(yōu)方法。它將圖像分為背景與目標(biāo)兩類，通過搜索計(jì)算類間方差最大值得到最優(yōu)閾值。

設(shè)T為最佳高閾值對(duì)應(yīng)的灰度值，k（0，1……255）為整個(gè)圖像的灰度值，wB和wO分別為圖像背景和目標(biāo)圖像對(duì)應(yīng)的總像素?cái)?shù)，p（k）為灰度值為k對(duì)應(yīng)的像素?cái)?shù)，則可以得到下列公式。

背景均值：

目標(biāo)均值：

圖像總均值：

圖像背景和目標(biāo)兩類像素的類間方差：

在Otsu方法中，圖像最佳高閾值為

低閾值l可以通過選擇一定的比例因子來確定，設(shè)比例因子為0.4，則l=0.4h。

2.3 仿真實(shí)驗(yàn)驗(yàn)證

本文將傳統(tǒng)Canny算法進(jìn)行改進(jìn)，加入自適應(yīng)平滑濾波，并與最大類間方差法Otsu結(jié)合，使得邊緣檢測(cè)更加準(zhǔn)確，減少了虛假邊緣存在。仿真結(jié)果如圖4所示。

圖4 Otsu閾值分割法效果對(duì)比Fig.4 Results under different thresh

圖 4（b）～4（e）分別是人工隨機(jī)確定的高低閾值，從效果圖可以看出，高低閾值的選擇對(duì)結(jié)果有很大的影響，選擇不當(dāng)，既可能出現(xiàn)虛假邊緣（圖4（b）、圖 4（c）、圖 4（e）），也有可能遺漏邊緣（圖 4（d））。而 Otsu 閾值分割法（圖 4（f））得到的輪廓邊緣更完整，也不含虛假邊緣，是一種理想的邊緣檢測(cè)方法。

3 缺陷分類

3.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks）是由大量處理單元廣泛互聯(lián)而形成的非線性網(wǎng)絡(luò)，具有很強(qiáng)的自適應(yīng)、自組織和自學(xué)習(xí)能力，可以代替復(fù)雜的傳統(tǒng)算法，使信號(hào)處理過程更接近人類的思維。BP（back propagation）神經(jīng)網(wǎng)絡(luò)，是基于誤差反向傳播算法的前饋型人工神經(jīng)網(wǎng)絡(luò)。它結(jié)構(gòu)簡(jiǎn)單、非線性能力強(qiáng)，已被廣泛應(yīng)用于模式識(shí)別和圖像處理中。

3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)一般由多層神經(jīng)元組成：輸入層、隱含層和輸出層。其拓?fù)浣Y(jié)構(gòu)示意如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure chart of BP neural network

輸入層設(shè)計(jì)：在圖像處理部分，本文提取了3個(gè)板形缺陷的特征參數(shù)，分別為均值、均方差和邊緣像素點(diǎn)數(shù)。因此，輸入層神經(jīng)元數(shù)為3。

輸出層設(shè)計(jì)：缺陷分類中，依據(jù)邊浪的嚴(yán)重程度將硅鋼片的缺陷種類分為3類，分別為無邊浪、輕微邊浪和嚴(yán)重邊浪3種（根據(jù)專家打分[8]確定），因此輸出層神經(jīng)元數(shù)為3。

隱含層設(shè)計(jì)：BP神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)計(jì)是十分關(guān)鍵的。實(shí)際應(yīng)用中，隱含層一般為1層。根據(jù)經(jīng)驗(yàn)公式并通過多次試驗(yàn)，確定本系統(tǒng)隱含層最佳神經(jīng)元數(shù)為6。

3.3 學(xué)習(xí)訓(xùn)練

選擇3種不同程度缺陷的樣本共330個(gè)。選擇各自的60個(gè)樣本（共180個(gè)）作為訓(xùn)練樣本，剩余的150個(gè)樣本作為檢驗(yàn)樣本。設(shè)置好訓(xùn)練函數(shù)、訓(xùn)練次數(shù)、誤差指標(biāo)、訓(xùn)練步長(zhǎng)等相關(guān)學(xué)習(xí)參數(shù)后，對(duì)樣本進(jìn)行訓(xùn)練。訓(xùn)練樣本和訓(xùn)練結(jié)果如表1、表2所示。

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本參數(shù)Tab.1 Parameters of training samples

表2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Tab.2 Training results of BP neutral network

4 在線檢測(cè)驗(yàn)證

結(jié)合實(shí)際應(yīng)用的需要，開發(fā)了一套表面缺陷在線檢測(cè)系統(tǒng)。該系統(tǒng)根據(jù)上文提出的算法，以Visual Studio 2013和OpenCV為開發(fā)工具，并應(yīng)用面向?qū)ο蟮某绦蛟O(shè)計(jì)方法進(jìn)行編程，該系統(tǒng)的操作界面如圖6所示。

圖6 表面缺陷在線檢測(cè)系統(tǒng)操作界面Fig.6 Interface of defect detection system

該系統(tǒng)先提取CCD相機(jī)采集的圖像邊緣部分作為原始圖像，通過改進(jìn)的Canny算法對(duì)硅鋼片圖像的邊緣進(jìn)行處理，然后提取圖像的參數(shù)進(jìn)行故障嚴(yán)重程度分類，并記錄相應(yīng)的信息，指導(dǎo)后續(xù)的生產(chǎn)線作業(yè)。該系統(tǒng)已成功應(yīng)用于生產(chǎn)實(shí)踐中，且表面檢測(cè)準(zhǔn)確率達(dá)到92%。

5 結(jié)語

本文針對(duì)某企業(yè)在硅鋼片輥彎成型加工過程中易出現(xiàn)的表面缺陷，設(shè)計(jì)了一套基于機(jī)器視覺技術(shù)的表面缺陷在線檢測(cè)系統(tǒng)。從系統(tǒng)硬件設(shè)計(jì)、圖像采集處理、特征參數(shù)提取及故障分類等方面進(jìn)行了深入地研究，實(shí)現(xiàn)了包括圖像采集、圖像處理、缺陷分類和信息存儲(chǔ)等功能。實(shí)驗(yàn)結(jié)果表明該系統(tǒng)具有處理速度快、抗干擾能力強(qiáng)、準(zhǔn)確率較高、成本低廉等優(yōu)點(diǎn)。本系統(tǒng)中的整體架構(gòu)和缺陷檢測(cè)與分類方法還可以應(yīng)用于其他類似表面缺陷檢測(cè)問題中，具有廣泛的應(yīng)用前景。

[1]韓飛，劉繼英，艾正青，等.輥彎成型技術(shù)理論及應(yīng)用研究現(xiàn)狀[J].塑性工程學(xué)報(bào)，2010，17（5）：53-60.

[2]顏發(fā)根，劉建群，陳新，等.機(jī)器視覺及其在制造業(yè)中的應(yīng)用[J].機(jī)械制造，2004，42（11）：28-30.

[3]段瑞玲，李慶祥，李玉和.圖像邊緣檢測(cè)方法研究綜述[J].光學(xué)技術(shù)，2005，31（3）：415-419.

[4]Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Image Processing，1986，8（6）：679-698.

[5]朱鳳芹.改進(jìn)Canny算法在再制造視覺檢測(cè)中的應(yīng)用[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2015，36（3），270-273.

[6]張錚，徐超，任淑霞，等.數(shù)字圖像處理與機(jī)器視覺—Visual C++與Matlab實(shí)現(xiàn)[M].2版.北京：人民郵電出版社，2014.

[7]梁光明，孫即祥，馬琦，等.Otsu算法在Canny算子中的應(yīng)用[J].國(guó)防科技大學(xué)學(xué)報(bào)，2003，25（5）：36-39.

[8]劉林，曹艷平，王婷，等.應(yīng)用模糊數(shù)學(xué)[M].2版.西安：陜西科學(xué)技術(shù)出版社，2008.