基于區(qū)域分級的陶瓷閥芯表面缺陷檢測系統(tǒng)研究與實現(xiàn)*

湯 亮，張董潔，龔發(fā)云，汪 威，胡新宇

(湖北工業(yè)大學(xué) 機械工程學(xué)院，武漢 430068)

1001-2265(2017)10-0082-05

10.13462/j.cnki.mmtamt.2017.10.020

2017-01-20；

2017-02-16

湖北省教育廳重點項目：面向芯片貼裝的顯微視覺在線檢測技術(shù)研究(D 20151406)；湖北省自然科學(xué)基金項目：多目視覺引導(dǎo)機器人絕對定位技術(shù)的研究(2016CFB513)

湯亮(1978—)，男，湖北十堰人，湖北工業(yè)大學(xué)副教授，研究方向為檢測系統(tǒng)；通訊作者：張董潔(1993—)，男，武漢人，湖北工業(yè)大學(xué)碩士研究生，研究方向為輕工機械及自動化，(E-mail)2445272691@qq.com。

基于區(qū)域分級的陶瓷閥芯表面缺陷檢測系統(tǒng)研究與實現(xiàn)*

湯 亮，張董潔，龔發(fā)云，汪 威，胡新宇

(湖北工業(yè)大學(xué) 機械工程學(xué)院，武漢 430068)

針對陶瓷閥芯表面缺陷特征復(fù)雜、嚙合表面存在研磨拋光區(qū)域等問題，現(xiàn)有基于視覺檢測的陶瓷閥芯表面缺陷檢測算法對不同種類陶瓷閥芯的適應(yīng)性較差且漏檢率高，該研究提出了一種分區(qū)域、多級優(yōu)化的陶瓷閥芯表面缺陷檢測算法。首先依據(jù)陶瓷閥芯表面反射率的不同，將其劃分為兩個檢測區(qū)域：拋光面(P)、非拋光面(Non P)，然后根據(jù)陶瓷閥芯表面缺陷特征，將其分為兩類缺陷：G缺陷、C缺陷。在檢測過程中，搜索模板圖像金字塔信息，調(diào)整目標(biāo)灰度圖像位姿，經(jīng)掩模板(Mask)配準(zhǔn)，提取出P區(qū)域、Non P區(qū)域，通過blob檢測、裂紋檢測，分別對P區(qū)域、Non P區(qū)域進行缺陷提取。通過實驗研究與系統(tǒng)設(shè)計，分析了檢測算法的可行性、適用性，結(jié)果表明該研究算法針對不同種類陶瓷閥芯表面缺陷檢測漏檢率低，且能通過優(yōu)先級的合理設(shè)置，提高檢測效率。

陶瓷閥芯；掩模板；blob檢測；裂紋檢測

0 引言

陶瓷閥芯是由動片與靜片組成的一種動密封組件，其因耐磨、耐高溫、耐腐蝕、環(huán)保健康，廣泛運用在各類水龍頭中，通過控制進、出水孔間的偏移量調(diào)節(jié)水流大小。目前，隨著國家強制性標(biāo)準(zhǔn)《陶瓷片密封水嘴》的實施，我國陶瓷閥芯需求量逐年增加，不同規(guī)模的生產(chǎn)企業(yè)也逐年增長。由于諸多原因，陶瓷閥芯生產(chǎn)過程中難免出現(xiàn)少量缺陷產(chǎn)品，一旦漏檢進入用戶環(huán)節(jié)，將會嚴(yán)重影響水龍頭的性能與壽命。因此，缺陷檢測是陶瓷閥芯生產(chǎn)和使用過程中的重要環(huán)節(jié)。目前人工檢測是其主要手段，但存在以下問題：效率低、成本高、人工檢測勞動強度大，易疲勞，檢測標(biāo)準(zhǔn)不統(tǒng)一，容易發(fā)生錯漏檢。為此，實現(xiàn)陶瓷閥芯產(chǎn)品表面缺陷自動化檢測很具有研究價值與現(xiàn)實意義。

近年來，視覺缺陷檢測技術(shù)廣泛應(yīng)用于各個行業(yè)的自動化生產(chǎn)過程中。徐成東[1-2]等人通過比較目前國內(nèi)外陶瓷球表面檢測技術(shù)的優(yōu)缺點，參考人工表面檢測的方法，提出了基于圖像處理的表面檢測方案；程應(yīng)科[3]等人將圖像檢測技術(shù)用于工程陶瓷表面損傷檢測當(dāng)中，并通過平滑去噪、中值濾波、細化等一系列的處理后，對加工表面所出現(xiàn)的微裂紋和脆斷凹坑進行識別和提?。粚O政榮[4-5]等人通過中值濾波和圖像二值化對陶瓷片圖像進行預(yù)處理， 然后采用數(shù)學(xué)形態(tài)學(xué)中的腐蝕和差集運算提取陶瓷片的邊界， 最后對提取到的邊界進行崩角、 斑點和劃痕等缺陷的識別， 獲得了陶瓷閥片缺陷信息。總結(jié)上述研究，提出了一種分區(qū)域、多級陶瓷閥芯表面缺陷視覺檢測算法。

1 系統(tǒng)檢測算法與工作流程

在實際檢測中，每片陶瓷閥芯的位姿不同，需要位姿進行準(zhǔn)確調(diào)整，陶瓷閥芯圖像中不同的區(qū)域灰度特征的差異較大，這就要求在缺陷檢測前須對不同區(qū)域進行劃分，不同的區(qū)域采用不同的缺陷識別標(biāo)準(zhǔn)[6-7]。依據(jù)陶瓷閥芯表面缺陷圖像特征，將缺陷分為兩類：第一類為破損、崩邊、拋光不均勻缺陷(G缺陷)，圖像特征為面積較大、灰度值偏低、長寬比較?。坏诙悶榱鸭y缺陷(C缺陷)，圖像特征為呈細長，如圖1所示。

(a)破損 (b)裂紋

(c)崩邊 (d)拋光不均圖1 陶瓷閥芯常見缺陷類型

本研究陶瓷閥芯表面缺陷提取分為三步：第一步為圖像預(yù)處理，從圖像中提出并精確調(diào)整好目標(biāo)灰度圖像位姿；第二步為Blob分析，通過區(qū)域配準(zhǔn)、二值化、形態(tài)學(xué)濾波等圖像處理方法提取G缺陷；第三步為裂紋分析，通過高斯平滑、差運算、裂紋判別等圖像處理手段提取C缺陷。圖像處理算法與缺陷提取流程圖如圖2所示。

圖2 缺陷提取流程圖

1.1 系統(tǒng)工作流程

陶瓷閥芯表面缺陷檢測系統(tǒng)具體工作流程如下：

步驟 1: 建立陶瓷閥芯模板庫。對于每種陶瓷閥芯，使用最大灰度法計算陶瓷閥芯模板，建立陶瓷閥芯模板庫保存于存儲設(shè)備上，以便陶瓷閥芯表面缺陷檢測算法調(diào)用；

步驟 2: 采集陶瓷閥芯圖像；

步驟 3: 陶瓷閥芯種類判斷。將采集的陶瓷閥芯圖像與模板相匹配，判斷陶瓷閥芯種類，若無法匹配，其原因可能是未知型號或者陶瓷閥芯破損嚴(yán)重；

步驟 4: 陶瓷閥芯圖像預(yù)處理。本研究采用閾值分割、模板匹配、搜索模板圖像金字塔信息等預(yù)處理方法，從原始圖像中提取出目標(biāo)灰度圖像，并精確調(diào)整好目標(biāo)灰度圖像位姿；

步驟 5: 區(qū)域配準(zhǔn)。通過掩模板(Mask)對目標(biāo)灰度圖像進行區(qū)域配準(zhǔn)提取出P區(qū)域(Non P區(qū)域)。

步驟 6: Blob分析。采用Blob分析對步驟5中所提取的P區(qū)域(Non P區(qū)域)進行Blob分析，檢測是否存在G缺陷；

步驟 7: 裂紋分析。本研究采用高斯濾波、差運算對步驟5中所提取的P區(qū)域(Non P區(qū)域)進行裂紋信息提取，檢測是否存在C缺陷；

步驟 8: 信息存儲與顯示。將陶瓷閥芯圖像與缺陷信息存入存儲設(shè)備，以便以后查詢；通過顯示器顯示陶瓷閥芯缺陷信息。

1.2 陶瓷閥芯模板

本研究采用最大灰度法計算圖像模板：首先本研究在相同光照條件下獲取100張標(biāo)準(zhǔn)陶瓷閥芯圖像，先對第一張圖像進行閾值分割、濾波，提取第1張目標(biāo)灰度圖像如圖3a，然后通過相同方法提取第2張目標(biāo)灰度圖像如圖3b，再以第1張目標(biāo)灰度圖像方位為基準(zhǔn)，通過仿射變換，使第2張目標(biāo)灰度圖像與第1張目標(biāo)灰度圖像重合，最后將兩幅圖像在同一位置最大像素值作為第1張模板圖像如圖3c像素值，依次類推到第100張圖像，最終獲得作為陶瓷閥芯模板的圖像如圖3d。其計算公式如式(1):

Mask(x,y)=max{f1(x,y),f2(x,y)}

(1)

式中：Mask(x,y)為模板圖像，f1 (x,y),f2 (x,y)為不同的兩幅陶瓷閥芯圖像。

(a)第1張圖像 (b) 第2張圖像

(c)第1張模板圖像 (d)陶瓷閥芯模板圖3 模板圖像

設(shè)G(x,y)為像素點(x,y)處的灰度值，Tbg為經(jīng)研磨加工區(qū)域與非加工區(qū)域的灰度分割閾值，令閾值分割方程如式(2)所示：

(2)

得到剔除背景的目標(biāo)灰度圖像，由最小外接矩形截取感興趣區(qū)域作為模板，如圖5a所示，同時建立模板的圖像金字塔信息，如圖4所示，圖像金字塔化一般包括二個步驟：①利用低通濾波器平滑圖像；②對平滑圖像進行抽樣，從而得到一系列尺寸縮小的圖像。 再對模板進行閾值分割，分別得到如圖5c、5d所示的加工區(qū)域和未加工區(qū)域(為利于顯示，經(jīng)過反色處理，黑色區(qū)域為提取區(qū)域)，作為掩模板(Mask)。合格的陶瓷閥芯中，分別在P區(qū)域、Non P區(qū)域像素灰度值應(yīng)均勻一致。

圖4 模板的圖像金字塔

(a) 模板 (b) 拋光面 (c) 非拋光面圖5 模板創(chuàng)建與區(qū)域劃分

1.3 陶瓷閥芯圖像預(yù)處理

在檢測過程中，不同區(qū)域采用不同的評判方法和標(biāo)準(zhǔn)，因此需要先精確調(diào)整好目標(biāo)灰度圖像位姿，再將前述不同區(qū)域的掩模板(Mask)同當(dāng)前被檢測圖像配準(zhǔn)，以實現(xiàn)各區(qū)域進行劃分和定位。

(3)

其取值范圍為[-1,1]，當(dāng)s=1時，表示完全匹配。設(shè)匹配后的結(jié)果為(x,y,θ)，表示模板與當(dāng)前檢測圖像相對的位置與旋轉(zhuǎn)方向。設(shè)原始圖像的像素點或特征點坐標(biāo)為(u,v)，則經(jīng)過平移與旋轉(zhuǎn)后，新的坐標(biāo)為(u′,v′)，則滿足如下關(guān)系：

(4)

當(dāng)前待檢圖像經(jīng)過式(4)變換后，完成模板與檢測區(qū)域的配準(zhǔn)。

1.4 Blob分析

經(jīng)圖像預(yù)處理提取出P區(qū)域(Non P區(qū)域)后。根據(jù)G缺陷圖像特征，本研究采用blob分析進行G缺陷提取。圖6所示為某拋光面存在拋光不均勻缺陷的閥芯在圖像預(yù)處理和blob分析中各關(guān)鍵步驟的處理結(jié)果。

(a)原始圖片 (b)模板 (c)仿射變換后

(d)區(qū)域配準(zhǔn) (e)二值化 (f)檢測結(jié)果圖6 Blob分析中間過程

其中，圖6a為相機采集得到的原始圖像；圖6b為先期在人工干預(yù)下保存的模板圖像；通過閾值分割的手段，將待檢測目標(biāo)從原始圖像中分離出來；并與模板匹配，獲取到最佳匹配坐標(biāo)和方向。在此基礎(chǔ)之上建立變換矩陣,對所分離出來的目標(biāo)進行仿射變換，結(jié)果如圖6c所示。對圖6c中P區(qū)域進行分析，通過前述的掩模板將該區(qū)域分離出來，即區(qū)域配準(zhǔn)，結(jié)果如圖6d所示。由于在每個掩模板有效區(qū)域內(nèi)，灰度值應(yīng)該均勻一致，否則可能存在缺陷。因此對所分離出來的區(qū)域進行二值化，提取灰度值異常的點集。進行形態(tài)學(xué)濾波，剔除孤立的噪聲點，得到如圖6e所示結(jié)果。最后標(biāo)示提取到的缺陷，如圖6f所示。

1.5 裂紋分析

設(shè)被檢測圖像的大小為MxN，在Blob檢測后，對該圖像表面進行第一次平滑降噪處理，得到去除離散、孤立等噪聲點，但保留裂紋信息的前景圖像C(M,N)。通常裂紋的細節(jié)較多，再對前景圖像C(M,N)進行第二次平滑處理，使可能存在的裂紋細節(jié)被最大程度地消除，得到背景圖像B(M,N)。將被檢圖像C(M,N)與背景圖像B(M，N)每個像素的灰度值進行差運算，得到差分圖像D(M，N)，即：

D(i,j)=C(i,j)-B(i,j) (i,j∈[M,N])

(5)

因此圖像的細節(jié)信息將被差分圖像D(M，N)所保留，為了進一步提取可能存在的裂紋，對差分圖像二值化處理。圖像中裂紋區(qū)域的像素灰度值通常比無裂紋區(qū)域像素灰度值要小，若給定閾值T，則二值化為：

(6)

(1)主半徑Ra和次半徑Rb：

(7)

其中，Mij為連通區(qū)域的幾何矩，

Mij=∑(X0-Xi)i(Y0-Yj)j

(8)

(X0,Y0)為連通域的中心，(Xi，Yj)為連通域內(nèi)點的坐標(biāo)。

(2)體態(tài)比Rab：

(9)

陶瓷閥芯的裂紋通常為線狀，所以體態(tài)比較大。

(3)鄰域灰度梯度Gn：

(10)

圖7所示為某P區(qū)域存在裂紋缺陷的閥芯在裂紋分析過程中各關(guān)鍵步驟的處理結(jié)果。

(d) 差分運算 (e) 特征篩選 (f) 檢測結(jié)果圖7 裂紋分析過程

其中，圖7a為經(jīng)過配準(zhǔn)后，分離出來的待檢測目標(biāo)待檢測拋光區(qū)域圖像；圖7b為經(jīng)過第一次高斯平滑處理的圖像，作為包含裂紋信息的前景；圖7c為經(jīng)過第二次高斯平滑處理的圖像，作為背景；圖7d為前景圖與背景圖的差分結(jié)果；對差分結(jié)果所獲取的異常點集進行特征篩選，結(jié)果如圖7e所示；最后將提取到的缺陷標(biāo)識出來，如圖7f中小圓所示。

2 實驗分析

本研究針對多種規(guī)格陶瓷閥芯進行隨機抽樣檢測實驗研究，通過統(tǒng)計實驗數(shù)據(jù)，建立2×2抽樣矩陣，評估了本研究檢測算法的可行性。在此基礎(chǔ)上，通過在開發(fā)的陶瓷閥芯表面缺陷視覺檢測系統(tǒng)上，進行試運行實驗，測試了本研究所提陶瓷閥芯表面缺陷檢測系統(tǒng)在實際生產(chǎn)過程中的穩(wěn)定性，最后通過對兩次實驗結(jié)果研究，本研究在陶瓷閥芯表面缺陷檢測系統(tǒng)檢測、判別過程中，設(shè)置優(yōu)先級，提高檢測效率。本研究視覺部分主要選用德國AVT公司的Guppy Pro 125B型工業(yè)相機和焦距為16mm的定焦工業(yè)鏡頭，及40mm×40mm的同軸光源。采用Windows+MFC軟件開發(fā)平臺，并利用Halcon 10.0開發(fā)包實現(xiàn)所設(shè)計的算法。

2.1陶瓷閥芯表面缺陷檢測系統(tǒng)實驗室隨機抽樣評估

收集4種不同規(guī)格陶瓷閥芯，如圖8所示，并每種預(yù)先收集了100張標(biāo)準(zhǔn)陶瓷閥芯圖像，建立陶瓷閥芯模板和掩模板(mask)庫。從工廠已檢測里，收集每種不合格陶瓷閥芯500個，從其中任意選出400個作為實驗對象，通過實驗收集數(shù)據(jù)。如表1所示。

表1 實驗對象表

G1 G2

G3 G4圖8 四種不同規(guī)格陶瓷閥芯

先通過實驗室平臺，如下圖所示，對四種不同規(guī)格陶瓷閥芯進行檢測，獲得檢測數(shù)據(jù)，并對檢測有缺陷的陶瓷閥芯按缺陷類型進行分類，再通過人對四種不同規(guī)格陶瓷閥芯重新進行檢測，獲取檢測數(shù)據(jù)，整理數(shù)據(jù)，獲得下表2所示。本研究在此處認為人工檢測的識別率為100%。

表2 實驗研究數(shù)據(jù)表

(12)

本研究人工檢測時，4種不同陶瓷閥芯的M′矩陣為：

(13)

本研究檢測系統(tǒng)漏檢矩陣N=M′-M的各個元素之和，則

(14)

由式(12)～式(14)可知，本檢測算法存在漏檢，4種缺陷出現(xiàn)形式漏檢率q4>q2>q1>q3，平均漏檢率為q=0.08，考慮在實際生產(chǎn)中有缺陷的陶瓷閥片數(shù)量少，并且漏檢陶瓷閥片可通過陶瓷閥片生產(chǎn)的下一步工序檢出，因此滿足實際要求。

本算法對陶瓷閥芯的P區(qū)域的缺陷識別比NonP區(qū)域的缺陷識別高，G缺陷識別率比C缺陷識別率高。P區(qū)域的反射率高，表面的平均灰度值與缺陷的灰度值差別較大，容易進行缺陷識別，而NonP區(qū)域的反射率比P區(qū)域低，在同等條件下，表面的平均灰度值與缺陷的灰度值差別較小，并且陶瓷閥芯表面污點主要集中在NonP區(qū)域，也降低了對該區(qū)域的缺陷識別率。G缺陷的圖像特征一般面積較大、灰度值偏低、長寬比較小，容易提取、識別；C缺陷的圖像特征一般呈細線狀，而且還存在隱裂紋，不容易提取、識別。

2.2陶瓷閥芯表面缺陷視覺檢測系統(tǒng)樣機試運行實驗

本研究進行了陶瓷閥芯表面缺陷檢測系統(tǒng)設(shè)計，其中主要包括運輸裝置、剔除裝置和檢測系統(tǒng)，系統(tǒng)流程圖如圖9所示，在如圖10陶瓷閥芯表面缺陷視覺檢測系統(tǒng)實物上進行試運行試驗，通過抽樣選擇四種不同規(guī)格的陶瓷閥芯，每次連續(xù)工作2h，記錄、統(tǒng)計試驗數(shù)據(jù)。

圖9 系統(tǒng)流程圖

圖10 陶瓷閥芯表面缺陷視覺檢測系統(tǒng)實物

通過整理數(shù)據(jù)，獲得如表3所示。

表3 系統(tǒng)設(shè)計實驗數(shù)據(jù)表

由表3數(shù)據(jù)可知，實驗結(jié)果基本符合實驗室隨機抽樣檢測的結(jié)果，在連續(xù)工作8h內(nèi)，檢測系統(tǒng)穩(wěn)定。相比于人工檢測，本研究檢測系統(tǒng)不僅可以減少人力成本，而且在大批量檢測中，可避免因人為因素導(dǎo)致的漏檢/錯檢 ，同時，提高了陶瓷閥片在生產(chǎn)過程中的自動化程度。

通過研究兩次實驗結(jié)果，對陶瓷閥芯表面缺陷視覺檢測系統(tǒng)進行優(yōu)化，在檢測、判別過程中，設(shè)置優(yōu)先級如下圖11，通過陶瓷閥芯表面缺陷視覺檢測系統(tǒng)樣機試運行實驗，實驗結(jié)果表明，本系統(tǒng)檢測速度約為3.4～5分鐘/千片，人工檢測速度為20～30分鐘/千片，在不降低檢測精度同時，提高了檢測效率。

圖11 優(yōu)先級設(shè)置

3 小結(jié)

本研究針對陶瓷閥芯表面不同的區(qū)域灰度特征的差異較大，缺陷形式多，表面存在污點等問題，提出了一種分區(qū)域、多級陶瓷閥芯表面缺陷視覺檢測系統(tǒng)，本檢測系統(tǒng)流程分為三階段：第一階段將模板金字塔圖像信息和掩模板(Mask)配準(zhǔn)結(jié)合，減少了陶瓷閥芯表面不同的區(qū)域灰度特征的差異較大的影響；第二階段通過區(qū)域配準(zhǔn)、二值化、形態(tài)學(xué)濾波提取第一類缺陷；第三階段先通過將高斯平滑和差運算結(jié)合，最大程度地提取了裂紋信息，最后通過對提取的裂紋信息進行裂紋判別，避免表面污點的干擾。實驗研究表明，本研究檢測算法缺陷識別率較人工檢測差異較小：在同等條件下，較人工檢測，本系統(tǒng)平均漏檢率為q=0.08；系統(tǒng)設(shè)計實驗結(jié)果表明，本研究檢測系統(tǒng)在實際生產(chǎn)中性能良好：檢測效果與實驗室檢測效果相似；最后通過研究了兩次實驗結(jié)果，在檢測、判別過程中進行優(yōu)先級設(shè)置的優(yōu)化，在保證檢測精度的同時提高了檢測效率。

[1] 徐成東.陶瓷球表面質(zhì)量自動檢測系統(tǒng)[D].哈爾濱:哈爾濱工業(yè)大學(xué),2005.

[2] 楊鐵濱. 基于機器視覺的陶瓷球表面缺陷自動檢測技術(shù)研究[D]. 哈爾濱:哈爾濱工業(yè)大學(xué),2007.

[3] 程應(yīng)科,林濱,張光秀,等.工程陶瓷磨削加工表面損傷圖像檢測[J].稀有金屬材料與工程,2008,37(S1):116-119.

[4] 張寶興.基于圖像時頻分析的工程陶瓷磨削表面損傷檢測方法研究[D].天津:天津大學(xué),2011.

[5] 孫政榮.基于數(shù)字圖像處理技術(shù)實現(xiàn)陶瓷片在線動態(tài)檢測的方法研究[J].傳感技術(shù)學(xué)報,2005,18(1):70-73.

[6] 劉艷雄,張亮杰,毛華杰. 基于機器視覺的精沖零件斷面缺陷檢測系統(tǒng)研究[J]. 制造業(yè)自動化,2016(4):3-7.

[7] 王俊祥,彭華倉,胡鴻豪,等.基于計算機視覺 的陶瓷圓度快速檢測系統(tǒng)研究[J].陶瓷學(xué)報,2015,36(5):530-535.

[8] 趙宇峰,高超,王建國,等.基于機器視覺的工業(yè)產(chǎn) 品表面缺陷檢測算法研究[J].計算機應(yīng)用與軟件,2012,29(2):152-154.

[9] 晁云,曹利鋼.基于機器視覺的陶瓷磚表面缺陷快速檢測方法的研究[J].制造業(yè)自動化,2013(17):19-21.

[10] 楊成立,殷國富,蔣紅海,等.基于小波變換的磁瓦表面缺陷檢測方法研究[J].計算機應(yīng)用與軟件, 2014,31(11):210-213.

[11] 陳浙泊, 武建偉, 郭彬,等. 一種陶瓷閥芯的檢測方法[P].中國專利: CN104259110A,2015.

ResearchandImplementationofCeramicSpoolSurfaceDefectDetectionSystemBasedonRegionandMultiStageOptimization

TANG Liang, ZHANG Dong-jie, GONG Fa-yun, WANG Wei, HU Xin-yu

(College of Mechanical Engineering，Hubei University of Technology，Wuhan 430068，China)

In order to deal with the problems such as the ceramic valve core surface defects are complex and existing polishing region in grinding surface. There are poor adaptability and high miss rate for different types of ceramic valve core based on visual inspection by spool surface defect detection algorithm. A novel defect detection algorithm with multistage optimization was proposed. According to the different reflectivity in ceramic spool surface, the ceramic spool surface was divided into two regions: polished surface (P) and non-polished surface (Non P), meanwhile by the characteristics of ceramic valve core surface defect, it was divided into two types of defect: G defects and C defects. In the detection process, search Template Image Pyramid Information, adjust the target grayscale image, masked by mask, extract the P region, Non P area, use blob detection, crack detection, respectively, the P area, Non P area for defect extraction. Through the experimental study and system implementation, the feasibility and applicability of the detection algorithm is analyzed. The results show that: the miss rate of the algorithm is low for the different types of ceramic spool, and can improve the detection efficiency by setting reasonable priority.

ceramic valve core;mask template;blob detection;crack detection

TH165+.4;TG140

A

(編輯李秀敏)