基于機器視覺的方塊地毯邊緣缺陷檢測技術

方新茂，顏文旭，丁律

（江南大學物聯(lián)網(wǎng)工程學院，江蘇無錫214000）

在地毯的生產(chǎn)過程中，由于工藝水平的限制，工人的操作不當?shù)纫蛩亟?jīng)常造成地毯出現(xiàn)包括缺邊、邊緣切除不凈等缺陷。帶有缺陷的產(chǎn)品常常導致其價格大大降低。目前許多企業(yè)，尤其是中小企業(yè)對于地毯缺陷的檢測仍然依靠人工目測的方法。這種方法在大批量的地毯生產(chǎn)檢測中存在以下等幾個問題：1）效率底下；2）標準不一，缺乏科學性，比較主觀；3）工人易產(chǎn)生疲勞，影響工人身心健康，也將影響工人的檢測準確率。因此，為了提升生產(chǎn)效率，提高判別科學性，解放勞動力，設計合理的地毯缺陷檢測系統(tǒng)具有十分重要的意義。

1 系統(tǒng)設計

機器視覺是一門涉及人工智能、神經(jīng)生物學、心理物理學、計算機科學、圖像處理、模式識別等諸多領域的交叉學科[1]。機器視覺將視覺傳感器采集到的待檢測產(chǎn)品圖像經(jīng)計算機處理，特征提取，并對其進行理解、分析，將最終結果用于檢測控制等。該方法可以提高檢測效率和精度，同時大大提高生產(chǎn)效率和生產(chǎn)的自動化程度?；跈C器視覺的方塊地毯邊緣缺陷檢測系統(tǒng)，就是通過CCD相機采集到的圖像經(jīng)過工業(yè)計算機的處理，分析出地毯的缺陷狀況。本文的地毯邊緣缺陷檢測系統(tǒng)簡圖如圖1所示。

圖1 系統(tǒng)總統(tǒng)框圖

光源：照明系統(tǒng)對圖像質(zhì)量和圖像軟件處理的結果影響很大。由于地毯具有一定的厚度，一個光源可能會造成地毯的邊緣產(chǎn)生陰影，影響地毯的邊緣檢測，采用多LED光源設計可以有效解決這樣的問題。

視覺傳感器：目前，在機器視覺的圖像采集過程中，廣泛使用CCD（Charge Coupled Device，電荷耦合器件）攝像機。CCD相機分為線陣CCD和面陣CCD。相比于線陣CCD只能獲得一維圖像，不能處理復雜的圖像，面陣CCD可以獲得二維圖像，獲得的信息量大，能處理復雜的圖像，因此本文采用面陣CCD，型號是DH-SV401GC/GM，分辨率為780x582。

圖2 CCD拍攝地毯實物圖

2 邊緣檢測

CCD相機拍到的圖像如圖2所示，為了區(qū)分前景和背景，需要將地毯從背景中分割出來。常用的圖像分割方法有基于閾值、基于邊緣算子、基于區(qū)域、基于能量泛函等分割方法[3-7]。由于本文所檢測的地毯式50 cm*50 cm的規(guī)則的正方形，所以只要檢測出四條邊緣所在直線就能分割出地毯的圖像。

基于邊緣算子進行檢測的方法對于噪聲過于敏感，而且對于本文的地毯，紋理部分的灰度值也會出現(xiàn)較大的梯度，圖3是圖2中接近中間某條橫線所在位置的灰度值，容易發(fā)現(xiàn)，并不能保證其邊緣都是陡峭的變化，再加上紋理部分也會出現(xiàn)梯度較大的部分，常常導致邊緣檢測錯誤。

圖3 截面灰度值曲線

目前應用范圍較廣泛且效果較好的邊緣檢測算法是基于Canny算子的邊緣檢測。這種方法具有良好的抗噪聲能力，并且具有較高的檢測精度[8-9]，但仍然無法處理本文中地毯的紋理和邊緣，檢測結果如圖4所示，顯然，紋理造成的孔洞并非我們想要的邊緣。

圖4 基于Canny算子的邊緣檢測

2.1 形態(tài)學運算

數(shù)學形態(tài)學是以形態(tài)結構元素為基礎對圖像進行分析的數(shù)學工具，被廣泛應用于機器視覺處理領域[10]。形態(tài)學圖像處理是將原圖像與圖像中一個移動的結構元素進行交、并等集合運算?；镜男螒B(tài)運算是腐蝕和膨脹。

在形態(tài)學運算中，結構元素是最重要的基本概念，它的作用相當于在信號處理中的“濾波窗口”的功能[11]。用B代表結構元素，圖像A中的每一點x，腐蝕和膨脹的定義分別為：

將結構元素B平移后使B包含于A的所有點構成的集合就是腐蝕后的結果。與之相反，將結構元素B平移后使A與B的交集非空的點構成的集合就是膨脹后的結果。形態(tài)學運算包含兩個重要運算：開運算和閉運算[12]。先腐蝕后膨脹的過程稱為開運算，用°表示。它具有消除細小孤島，分離細微連接以及對大物體邊界濾波的作用。先膨脹后腐蝕的過程稱為閉運算，用?表示。它具有填充物體內(nèi)細小孔洞，連接相近物體以及平滑邊界的作用，從而達到濾波效果[13]。開運算和閉運算的表達式如下所示：

2.2 基于形態(tài)學運算的邊緣提取

形態(tài)學邊緣檢測常用的有膨脹型、腐蝕型和形態(tài)學梯度邊緣檢測算子[14]。腐蝕型邊緣檢測過程是將原圖像減去腐蝕后的圖像而得到邊緣，膨脹型邊緣檢測過程是將原圖像膨脹后減去原圖像得到圖像邊緣，形態(tài)學梯度邊緣檢測過程是原圖像膨脹后減去原圖像腐蝕后的圖像得到圖像邊緣。形態(tài)學梯度運算使圖像灰度級的躍變更為急劇。

2.3 基于雙結構元素形態(tài)學邊緣檢測

本文利用地毯邊緣形狀的特殊性，將形態(tài)學濾波操作和邊緣提取結合在一起，選取兩個結構元素S1、S2，S1為5*5，原點為中心點的正方形結構元素，S2為3*3，原點為中心點的正方形結構元素。先對輸入圖像P以結構S1元素進行一次形態(tài)學膨脹運算得到圖像A，對A以結構S2元素進行一次形態(tài)學腐蝕運算得到圖像B，將A與B做差得到地毯的邊緣。表示如下：

圖像E即為圖像的邊緣。處理之后的結果經(jīng)過了膨脹和腐蝕操作，相當于同時進行了閉運算濾波。

由于兩個結構元素大小的差異，得到的邊緣輪廓要比真實的邊緣輪廓向外大一個像素。本文處理的地毯邊緣是由四條直線構成的正方形，因此需將檢測出來的這四條直線向內(nèi)側各平移一個像素才能得到反映真實圖像邊緣的直線。

2.4 直線擬合

最小二乘法是最簡單的直線擬合方法，應用最為廣泛，計算也比較簡單[15]，但對于本文，邊緣缺陷導致的邊緣會將該方法下擬合的直線偏離真正的邊緣。本文采用霍夫變換來檢測邊緣所在的直線，霍夫變換是圖像變換中的經(jīng)典變換之一，經(jīng)典的霍夫變換可以從圖像中檢測出直線和圓，改進的霍夫變換可以檢測出橢圓和其他的一些圖形。霍夫變換實際是一種基于統(tǒng)計學的檢測方法，最終檢測出直線對應的一定是參數(shù)平面中直線相交最多的那個點，可以有效避免噪聲的干擾[16-19]。

兩種方法檢測出來的效果如圖5所示，上側為霍夫變換檢測結果，下側為最小二乘法得到的結果，顯然霍夫變換檢測出來的直線更接近地毯真實的邊緣。

圖5 霍夫變換和最小二乘法直線擬合對比

3 缺陷檢測

3.1 正方形程度

對于理想的無缺陷的地毯圖案，地毯邊緣所圍成的四邊形應近似于正方形，因此我們定義描述四邊形的正方形程度如下：

式中a，b，c，d分別位四條邊的長度，m=(a+b+c+d)/4，若該四邊形是理想正方形，則S=0，反之，該四邊形與正方形差異越大則S越大。

3.2 邊緣缺陷

為了得到邊緣缺陷狀況，本文采用的方法是將地毯二值化圖像和檢測到的四邊形做差，得到缺陷區(qū)域，再定義缺陷函數(shù)來判斷是否是有缺陷。具體方法是在二值化的時候?qū)⒈尘安糠只叶戎翟O為0，地毯部分設為120，新建一副同樣大小，灰度值均為120的圖像，將檢測到的四條邊緣直線圍成的四邊形內(nèi)部填充為0，最后兩幅圖像相加，得到缺陷結果圖。圖7是圖6處理的結果，圖中灰色（灰度值為120）表示正常的部分，白色（灰度值為240）表示缺邊部分，黑色（灰度值為0）表示切除不凈的部分，后兩者均稱為缺陷區(qū)域。

圖6 帶待檢測圖像

圖7 缺陷處理結果圖像

為定量描述邊緣缺陷程度，本文將整幅圖像分為如圖8所示8個部分，1，2，3，4區(qū)域的缺陷取缺陷點到四邊形在該區(qū)域邊的距離，5，6，7，8區(qū)域缺陷取缺陷點到四邊形在該區(qū)域的頂點的距離。

圖8 缺陷區(qū)域劃分

并定義缺陷特征函數(shù)為

其中d表示地毯內(nèi)部缺陷點到最近的邊或點的距離，n表示地毯內(nèi)部缺陷像素的個數(shù)，q表示地毯外部缺陷到最近的邊或點的距離，m表示地毯外部缺陷像素的個數(shù)，η為內(nèi)部缺陷所占比重，根據(jù)經(jīng)驗得出。

由于相機拍出來的圖片發(fā)生了一些微小的畸變以及霍夫變換的精度影響，檢測出來的直線不能完全反映地毯的邊緣，如圖中所示，即使沒有缺陷的區(qū)域也會有細小而狹長的誤檢測區(qū)域，為了降低這部分區(qū)域的影響，在缺陷區(qū)域的遍歷時，忽略一些較小的距離，這樣做可以增大有無缺陷特征的差異。

4 實驗結果

在本文的方法中，只要對S和D分別進行簡單的閾值比較就能對缺陷地毯進行較好的識別，對120張地毯圖案進行檢測實驗，其中27張有缺陷，實驗中，η=0.5，Td=Tq=0.5，S的判別閾值為0.02，D的判別閾值設為450。檢測率為92.6%，誤檢測率為1.1%。結果表明，本文使用的方法能夠較為準確的檢測出缺陷，并且誤檢測率也較低。

5 結 論

對地毯常出現(xiàn)的缺邊、邊緣切除不凈的缺陷，文中利用地毯邊緣的特性，基于雙結構元素的數(shù)學形態(tài)學運算，用兩次形態(tài)學基本運算完成對原圖像的濾波和邊緣提取，相對傳統(tǒng)的方法減少一次運算，提高了圖像處理的速度。用霍夫變換檢測出地毯邊緣所在直線，并將四條邊緣直線向內(nèi)部移動一個像素以抵消兩個結構元素差異帶來的影響，能夠真實的反映出地毯的邊緣直線。最后將區(qū)域分塊并定義缺陷特征函數(shù)，能夠較準確、快速的檢測出缺陷的地毯，同時具有較低的誤檢測率。

參考文獻：

[1]朱錚濤，黎紹發(fā).視覺測量技術及其在現(xiàn)代制造業(yè)中的應用[J].現(xiàn)代制造工程，2004（4）:59-61.

[2]劉斌，吳盛金，鄒仕放.基于機器視覺的塑膠制品表面缺陷自動檢測技術[J].塑料工業(yè)，2009（12）:5-9，15.

[3]劉松濤，殷福亮.基于圖割的圖像分割方法及其新進展[J].自動化學報，2012（6）:911-922.

[4]陳愷，陳芳，戴敏，等.基于螢火蟲算法的二維熵多閾值快速圖像分割[J].光學精密工程，2014（2）:517-523.

[5]鄭毅，鄭蘋.基于模糊熵和模擬退火算法的雙閾值圖像分割[J].電子測量與儀器學報，2014（4）:360-367.

[6]趙泉華，高郡，李玉.基于區(qū)域劃分的多特征紋理圖像分割[J].儀器儀表學報，2015（11）:2519-2530.

[7]許新征，丁世飛，史忠植，等.圖像分割的新理論和新方法[J].電子學報，2010（S1）:76-82.

[8]Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986（86）:679-698.

[9]王小俊，劉旭敏，關永.基于改進Canny算子的圖像邊緣檢測算法[J].計算機工程，2012（14）:196-198，202.

[10]肖大雪.淺析數(shù)學形態(tài)學在圖像處理中的應用[J].科技廣場，2013（5）:10-19.

[11]刁智華，趙春江，吳剛，等.數(shù)學形態(tài)學在作物病害圖像處理中的應用研究[J].中國圖象圖形學報，2010（2）:194-199.

[12]王芳，錢煒，李文超.基于數(shù)學形態(tài)學的圖像邊緣提取方法[J].機械工程與自動化，2015（1）:46-48.

[13]李武周，余鋒，王冰，等.基于形態(tài)學濾波的紅外圖像背景補償[J].紅外技術，2016（4）:333-336.

[14]馮永亮.基于數(shù)學形態(tài)學的圖像邊緣檢測改進研究[J].河南科學，2016（6）:833-837.

[15]田垅，劉宗田.最小二乘法分段直線擬合[J].計算機科學，2012（S1）:482-484.

[16]X.N.Yu，Research and implementation of sub pixelpositioning technology based on hough transform[C]//2016 International Conference on Robots&Intelligent System（ICRIS），ZhangJiaJie，China，2016（62）:296-300.

[17]金守峰，陳蓉，范荻，等.面向機加工表面粗糙度的光切顯微視覺測量系統(tǒng)[J].西安工程大學學報，2016（3）:347-353.

[18]李陽，彭博棟，盛亮，等.一種用于條紋相機圖像的多尺度小波邊緣檢測算法[J].現(xiàn)代應用物理，2016（4）:54-60.

[19]李靜，王新民.基于B樣條小波的零件缺陷圖像邊緣檢測[J].紡織高?；A科學學報，2011，24（2）:299-302.