基于行掃描的點狀缺陷檢測

俞霖?zé)?，曾培?/p>

(東華大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620)

基于行掃描的點狀缺陷檢測

俞霖?zé)?，曾培?/p>

(東華大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620)

討論了實際工業(yè)生產(chǎn)中點狀缺陷的實時檢測問題，提出一種基于嵌入式的一維缺陷檢測方法。首先通過行灰度信息的變化定位缺陷位置，并針對缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進(jìn)方案，實現(xiàn)了點狀缺陷的實時監(jiān)測。實驗結(jié)果證明，該算法具有準(zhǔn)確性和有效性。

工業(yè)生產(chǎn)；點狀缺陷；一維檢測；實時檢測

0 引言

近年來，缺陷檢測一直是一個熱門的研究方向，廣泛運用在工業(yè)生產(chǎn)缺陷檢測中。為了在工業(yè)生產(chǎn)中實現(xiàn)嵌入式控制的實時缺陷檢測，本文提出了一種基于嵌入式的一維缺陷檢測方法，先通過行灰度信息的變化快速定位缺陷位置，再針對缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進(jìn)方案，實現(xiàn)了點狀缺陷的實時監(jiān)測。此外，本文還討論了在攝像頭傾斜情況下，計算缺陷實際位置的矯正算法。

1 研究現(xiàn)狀

現(xiàn)有的缺陷檢測算法大致可以分成五大類：統(tǒng)計學(xué)法、結(jié)構(gòu)化法、光譜法、基于模型的方法以及機(jī)器學(xué)習(xí)的方法。

統(tǒng)計學(xué)法根據(jù)像素間的空間分布關(guān)系檢測缺陷，自相關(guān)函數(shù)[1]、灰度共生矩陣[2]等都是經(jīng)典的統(tǒng)計學(xué)方法。自相關(guān)函數(shù)易于處理具有強(qiáng)正則性的紋理圖像，但是它易受噪聲影響，不太適合處理紋理不規(guī)則的圖像。灰度共生矩陣對單調(diào)灰度變換具有不變性[2]，它的空間表現(xiàn)優(yōu)于自相關(guān)函數(shù)。然而，當(dāng)紋理圖像清晰度高或是存在大量鄰接像素需要高強(qiáng)度計算時，灰度共生矩陣的性能表現(xiàn)不佳。

結(jié)構(gòu)化法將紋理描述成由許多紋理基元組成的集合，這些基元可以是單一像素也可以是一塊區(qū)域，通過這些基元的布局規(guī)則，就能找到無序缺陷所在的位置[3]。

光譜法主要有傅里葉變換、加伯變換、小波變換以及圖像濾波等。傅里葉變換需要通過整張圖像來提取信號，不能有效地定位缺陷區(qū)域，通常會采用加窗傅里葉變換來解決這一問題。當(dāng)窗函數(shù)是高斯函數(shù)時，加窗傅里葉變換就變成了加伯變換[4-6]。

最著名的基于模型的方法是自回歸模型以及馬爾可夫隨機(jī)場模型。自回歸模型[7-8]通過捕捉紋理圖像上不同的像素描述線性關(guān)系，這種方法易于識別微小的缺陷，且不易受到圖像平移的影響，但它受光照的影響較大。馬爾可夫隨機(jī)場模型認(rèn)為圖像中像素的強(qiáng)度取決于其相鄰幾個像素的像素強(qiáng)度。在執(zhí)行時間上，馬爾可夫隨機(jī)場模型大大優(yōu)于其他的隨機(jī)場模型[9]，但它不容易識別微小的缺陷。

最近，也有一些機(jī)器學(xué)習(xí)的方法運用在缺陷檢測上。參考文獻(xiàn)[10-12]都擁有高于90%的缺陷檢測率。但是機(jī)器學(xué)習(xí)的方法在特征數(shù)據(jù)不充分時，往往得不到滿意的效果。

2 一維行掃描法

一維行掃描的方法通過行灰度信息的變化快速定位缺陷位置。

2.1 算法的基本原理

針對缺陷灰度值局部最小的特點，對于每一行數(shù)據(jù)，可以通過如下定義來識別缺陷：

定義1?x∈[0,m-1],若?α>0,使得h1(t)

其中，變量m、n分別表示圖像Im×n的寬和高。函數(shù)Pn(μ)是圖像中第n行第μ列的像素灰度值，μ∈[0,m-1]。函數(shù)h1(t)、h2(t)是光強(qiáng)度t下的上下波幅閾值，它們決定了缺陷與背景灰度之差的浮動范圍。

為了提高計算速度，可以事先求得明背景的平均閾值Thl和暗背景的平均閾值Thd，僅對0

(1)

當(dāng)|Sn-Sn′|>β，則認(rèn)為第n行存在缺陷。其中：Sn′是上一幀圖像中第n行像素灰度值的校驗和，β是根據(jù)缺陷的形狀和大小信息預(yù)先設(shè)定的經(jīng)驗值。因此，僅對存在缺陷的行數(shù)據(jù)做進(jìn)一步的計算，可以大大減小計算量。

在大多數(shù)情況下，通過定義1就能夠獲得很好的結(jié)果，但在當(dāng)缺陷位于明暗背景的邊界處、圖像噪聲的最大方差較大、光照不足或過度時，圖像處理的效果將欠佳。特別是當(dāng)圖像在采取過程中產(chǎn)生偏移時，式(1)將會失效。針對這些特殊情況，將進(jìn)一步給出相應(yīng)的改進(jìn)方案。

2.2 邊界問題

圖像的明背景與暗背景之間通常會產(chǎn)生分明的邊界，反映在直方圖上會產(chǎn)生明顯的幅值變化。缺陷位于邊界處可分為三種情況：(1)缺陷整體處于明背景部分；(2)缺陷整體處于暗背景部分；(3)缺陷處于明暗背景之間。這三種情況都容易造成漏判，圖1分別給出了這三種情況。

圖1 位于三種邊界處的缺陷示意圖

對于上述情況，定義2給出了新的判斷檢驗和方法，Tn表示圖像中第n行像素灰度值的檢驗和，它不再對整行的數(shù)據(jù)求和，只對梯度發(fā)生較大變化的數(shù)據(jù)求和。

(2)

(1)仍然能夠作為校驗和判斷缺陷的產(chǎn)生。

(2)不僅能夠檢驗邊界處的缺陷，還能夠判斷缺陷究竟是位于邊界部分，還是位于背景部分。Tn′是上一幀圖像中第n行像素灰度值的新校驗和，當(dāng)|Tn-Tn′|>β時，表示第n行存在缺陷。當(dāng)TnTn′時，則表明缺陷處于背景部分。

(3)能夠忽略采集過程中圖像的輕微偏移。通常，如果在當(dāng)前行的位置x處發(fā)生梯度變化，相鄰行也將會在x的鄰域處發(fā)生梯度變化，因為新的校驗和只對梯度發(fā)生較大變化的像素值求和，且行間的像素變化是連續(xù)的，所以圖像的輕微偏移不會導(dǎo)致新的檢驗和失效。

2.3 圖像噪聲問題

如果圖像噪聲的幅值較大，將會把某些噪聲誤判為缺陷。針對這種情況，可以引入一個閾值Thc來判斷每一行中每一個缺陷所占像素的范圍。實現(xiàn)方法如下：在掃描中每當(dāng)發(fā)現(xiàn)疑似缺陷，通過缺陷的起始坐標(biāo)Xb、終點坐標(biāo)Xe求得缺陷的像素范圍count=Xe-Xb+1。當(dāng)count>Thc時，將疑似缺陷判定為真正的缺陷，否則將其判定為圖像噪聲。當(dāng)識別完一個疑似缺陷后，count清零，繼續(xù)判斷之后發(fā)現(xiàn)的疑似缺陷。Thc的大小與噪聲的類型以及圖像的清晰度有關(guān)。

上述方法對零散的高幅值噪聲過濾效果較好，但是會疏漏連續(xù)出現(xiàn)的噪聲，因此可以引入行間檢查的方法。具體步驟如下：(1)記錄圖像中每一行內(nèi)缺陷區(qū)域的個數(shù)，這樣，一幅m×n大小的圖像就會形成一個大小為n的一維數(shù)組F[n]；(2)將F[n]通過式(3)轉(zhuǎn)化為另一個數(shù)組G[n]，就能判斷是否有噪聲被誤判成缺陷。

(3)

由于每個缺陷都有一定的面積，行間的數(shù)據(jù)變化也是有規(guī)律的，G[n]上的數(shù)據(jù)不會發(fā)生劇烈變化。但當(dāng)有噪聲出現(xiàn)時，G[n]上的數(shù)據(jù)將變化得非常明顯。因此，根據(jù)這種方法就能判斷是否存在噪聲誤判。實際應(yīng)用中，如果一定范圍內(nèi)G[i]的值都大于0，就認(rèn)為該區(qū)域有噪聲誤判。當(dāng)確定了誤判，就能通過重新掃描這些行快速過濾誤判噪聲。

2.4 光照問題

圖2 調(diào)節(jié)相機(jī)增益流程圖

光照不足或是光照過度都會影響采集圖像的質(zhì)量，本文通過自動調(diào)節(jié)相機(jī)增益來穩(wěn)定光照。實際應(yīng)用中的流程圖如圖2所示，先計算直方圖中一個波峰的橫坐標(biāo)值Th2，通過自動調(diào)節(jié)相機(jī)增益使得Th2滿足a

3 梯形失真消除

梯形失真的圖像是由真實圖像經(jīng)過仿射變換轉(zhuǎn)換而成的，由于仿射變換保持同素性，梯形失真的圖像經(jīng)過仿射變換也能轉(zhuǎn)換成真實圖像。對于任意坐標(biāo)(x,y)經(jīng)過仿射變換轉(zhuǎn)換得到坐標(biāo)(u,v)，都有如下關(guān)系：

(4)

其中，A、B、C、D、E、F、G、H是8個變換參數(shù)。

因此，只需要知道變換前與變換后4個坐標(biāo)的坐標(biāo)值，代入式(4)即可求得8個變換參數(shù)，也就得到了失真圖像與真實圖像之間的轉(zhuǎn)換關(guān)系。

4 實驗結(jié)果分析

本文采用一維行掃描法對點狀缺陷進(jìn)行檢測，圖3給出了該算法在實際應(yīng)用中的檢測效果。

圖3 缺陷檢測前后示意圖

為了驗證算法的效率，本文對相同時間內(nèi)不同算法在嵌入式設(shè)備中能夠處理的幀數(shù)進(jìn)行了比較試驗。圖4是兩種一維缺陷檢測方法(一維加伯變換法和一維自相關(guān)函數(shù)法)、常規(guī)的二維缺陷檢測方法和本文算法的比較。結(jié)果表明，本文的算法在效率上優(yōu)于常規(guī)的二維缺陷檢測方法以及加伯變換法和一維自相關(guān)函數(shù)法缺陷檢測方法。

圖4 算法效率的比較

5 結(jié)論

本文提出了一種基于嵌入式的一維缺陷檢測方法，并針對特殊情況，給出了算法的改進(jìn)方案。實驗結(jié)果證明，該算法擁有良好的缺隱檢出率，并且在算法效率上略優(yōu)于其他同類型算法。

[1] HARALICK R M.Statistical and structural approaches to texture[J].Proceedings of the IEEE,1979,67 (5):786-804.

[2] MOKJI M M,BAKAR S.Adaptive thresholding basedon co-occurrence matrix edge information[C]. First Asia International Conference on Modelling& Simulation, IEEE, 2007:444-450.

[3] VILNROTTER F, NEVATIA R, PRICE K. Structural analysis of natural textures[J]. Pattern Analysis and Machine Intelligence, 1986,8(1):76-89.

[4] CLARK M, BOVIK A C, GEISLER W S. Texture segmentation using gabor modulation/demodulation[J].Pattern Recognition Letters, 1987, 6(4):261-267.

[5] VALOIS R L D, ALBRECHT D G, THORELL L. Spatial frequency selectivity of cells in macaque visual cortex[J]. Vision Research, 1982, 22(5):545-559.

[6] JAIN A K, FARROKHNIA F. Unsupervised texture segmentation using gabor filters[J]. Pattern Recognition, 1991, 24(12):1167-1186.

[7] SERAFIM A F.Multi-resolution pyramids for segmentation of natural images based on autoregressive models: application to calf leather classification[C]. 1991 International Conference on Industrial Electronics, Control and Instrumentation, IECON′91, IEEE, 1991: 1842-1847.

[8] HAJIMOWLANS S H, MUSCEDERE R, JULLIEN G A,et al. 1D auto regressive modeling for defect detection in web inspection systems[C]. Proceedings of Midwest Symposium on Circuits and Systems,1998,1:330-333.

[9] OZDEMIR S, ERCIL A. Markov random fields and karhunen-loeve transform for defect inspection of textile products[C]. 1996 IEEE Conference on Emerging Technologies and Factory Automation, EFTA′, IEEE, 1996, 2: 697-703.

[10] KUO C F J, LEE C, TSAI C C. Using a neural network to identify fabric defects in dynamic cloth inspection[J]. Textile Research Journal, 2003, 73(3): 238-244.

[11] Yin Yean, Zhang Ke, Lu Wenbing. Textile flaw classification by wavelet reconstruction and BP neural network[M]. Advances in Neural Networks-ISNN 2009. Springer Berlin Heidelberg, 2009,5552: 694-701.

[12] 郭朝偉,張中煒.基于決策樹學(xué)習(xí)的柱狀二極管表面缺陷檢測系統(tǒng)設(shè)計[J].微型機(jī)與應(yīng)用,2015,34(6):39-41.

Line scan based detection for ooint-shape defects

Yu Linwei, Zeng Peifeng

(School of Computer Science and Technology, University of Donghua, Shanghai 201620, China)

In this paper, a real-time detection for point-shape defects in practical industrial production is discussed, and an ARM based one-dimensional detection algorithm is proposed. The defects are firstly detected by the change of gray valuein real-time. Then some improved solutions are proposed to detect defects for such special issues as special locations, noise, insufficient or excessive illumination.Experimental results and performance analysis are also provided.

industrial production; point-shape defects;one-dimensional detection; real-time detection

TP751

A

1674-7720(2016)04-0037-03

俞霖?zé)?，曾培峰．基于行掃描的點狀缺陷檢測[J] .微型機(jī)與應(yīng)用，2016，35(4)：37-39,43.

2015-11-19)

俞霖?zé)?1991-)，男，碩士研究生，主要研究方向：圖像處理與模式識別。

曾培峰(1964-)，男，工學(xué)博士，教授，主要研究方向：圖像處理及模式識別、算法研究、嵌入式系統(tǒng)、計算機(jī)網(wǎng)絡(luò)與通信。