基于機(jī)器視覺的紀(jì)念幣表面劃痕提取算法研究

張一明,張景異,高宏偉

(沈陽理工大學(xué) 自動(dòng)化與電氣工程學(xué)院,沈陽 110159)

隨著收藏家的大量涌現(xiàn),紀(jì)念幣成為一種值得珍藏的流通貨幣。在制造硬幣過程中,經(jīng)常會(huì)因?yàn)榄h(huán)境的不確定性而受到磨損、劃傷等不可控制的因素,如若受到刮蹭就會(huì)留下劃痕;紀(jì)念幣與空氣、水分或酸性物質(zhì)等接觸,其表面易發(fā)生化學(xué)變化,也會(huì)產(chǎn)生變色和腐蝕等現(xiàn)象[1]。因此在制幣生產(chǎn)中會(huì)有一些對硬幣保護(hù)的工藝手段,如在造幣過程中對表面電鍍一層耐腐蝕性較強(qiáng)的金屬或合金來對硬幣進(jìn)行保護(hù)和防腐[2],或在銀幣鍍上電解保護(hù)和浸漬抗變色劑的多層組合防護(hù)膜[3]等。如果生產(chǎn)后的紀(jì)念幣存在表面缺陷,不僅影響產(chǎn)品的美觀,也會(huì)對收藏的價(jià)值帶來影響,因此生產(chǎn)企業(yè)對紀(jì)念幣的表面缺陷檢測非常重視。以往的紀(jì)念幣工件瑕疵劃痕檢測都是通過人眼目視檢測[4],人工檢測是產(chǎn)品表面缺陷的傳統(tǒng)檢測方法,該方法抽檢率低、準(zhǔn)確性不高、實(shí)時(shí)性差、效率低、勞動(dòng)強(qiáng)度大、受人工經(jīng)驗(yàn)和主觀因素的影響大,而基于機(jī)器視覺的檢測方法可以很大程度上克服上述弊端。文獻(xiàn)[5]中采用的是將硬幣分為鏡面部分和紋理部分,分別處理檢測表面瑕疵,運(yùn)用標(biāo)準(zhǔn)品與待檢測硬幣作圖像匹準(zhǔn),得到劃痕的特征信息。文獻(xiàn)[6]利用一種多尺度多方向的形態(tài)學(xué)方法對劃痕進(jìn)行特征提取。本文研究在沒有紀(jì)念幣標(biāo)準(zhǔn)品的前提下檢測劃痕位置,提出一種基于機(jī)器視覺的紀(jì)念幣表面劃痕的提取算法,以提高檢測效率與準(zhǔn)確性。

1 圖像預(yù)處理

根據(jù)紀(jì)念幣的表面金屬特性,在圖像獲取的階段可能會(huì)出現(xiàn)圖像的噪聲點(diǎn)、曝光不均勻、對比度不均勻等不可避免的場外因素,因此對圖像前期預(yù)處理是必不可少的流程。工業(yè)中常用到的圖像預(yù)處理方法有:圖像濾波、圖像增強(qiáng)、二值化、亮度校正等。對本實(shí)驗(yàn)中的紀(jì)念幣采取兩種圖像前期的處理:圖像濾波和圖像增強(qiáng)。

圖像濾波是為去除在圖像獲取過程中產(chǎn)生的雜質(zhì)信息。這里將自適應(yīng)中值濾波的濾波方式用在對紀(jì)念幣的圖像處理中。

圖像濾波可通過式(1)進(jìn)行計(jì)算。

(1)

式中:K為一個(gè)大小為m×n的模板,其中m=2a+1,n=2b+1,a、b均為正整數(shù)。對于一個(gè)M×N的圖像I(i,j),i=0,1,2…M-1和j=0,1,2…N-1,依次應(yīng)用公式(1),從而完成對于圖像I所有像素的處理,得到新的圖像O。

為克服在圖像獲取中光照對圖像照射的不均勻,需對紀(jì)念幣進(jìn)行圖像增強(qiáng)[7]處理,本文選擇通過直方圖均衡化進(jìn)行圖像增強(qiáng)。直方圖均衡化既能提高圖像的對比度,也可改善圖像的視覺效果,達(dá)到凸顯紀(jì)念幣劃痕的目的,為圖像特征提取的后續(xù)工作做準(zhǔn)備。

2 圖像的瑕疵特征提取

2.1 經(jīng)典的閾值分割

圖像分割指的是根據(jù)灰度、顏色、紋理和形狀等特征把圖像劃分成若干互不交迭的區(qū)域,并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)出相似性,而在不同區(qū)域間呈現(xiàn)出明顯的差異性。

閾值分割法是圖像分割中的經(jīng)典方法,利用圖像中要提取的目標(biāo)物體和背景在灰度上的差異,通過設(shè)置閾值把像素點(diǎn)按灰度級(jí)分為若干類,從而實(shí)現(xiàn)圖像分割。通過判斷圖像中每一個(gè)像素點(diǎn)的特征屬性是否滿足閾值要求,來確定圖像中該像素點(diǎn)是屬于目標(biāo)區(qū)域還是背景區(qū)域,從而將一幅灰度圖像轉(zhuǎn)換成二值圖像,這是閾值分割的最簡單形式 。

設(shè)原始圖像f(x,y),T為閾值,分割圖像時(shí)則滿足下式

(2)

式中T為閾值,當(dāng)g(i,j)=1時(shí)為圖像圖案,當(dāng)g(i,j)=0時(shí)為圖像背景。因此選擇合適的灰度閾值T,是圖像分割的關(guān)鍵。

2.2 粒子群(PSO)[8]算法的圖像閾值分割

粒子群算法是一種以群體為基礎(chǔ)的最優(yōu)化啟發(fā)式算法。

其基本算法如式(3)、式(4)所示。

Vid(t+1)=w×Vid(t)+c1×rand()×[Pid(t)-xid(t)]+c2×rand()×[Pgd(t)-xid(t)]

(3)

xid(t+1)=xid(t)+vid(t+1)
1≤i≤n，1≤d≤D

(4)

式中:Vid為第i個(gè)粒子在d維的速度,其范圍為[-VMAXd,VMAXd];c1、c2為學(xué)習(xí)參數(shù);rand()為[0,1]之間的隨機(jī)數(shù);w為慣性因子;Pid(t)為第t個(gè)粒子搜索到的最優(yōu)值;Xid為第i個(gè)粒子的當(dāng)前位置;Pgd代表整個(gè)集群搜索到的最優(yōu)值;第d(1≤d≤D)維的位置變化范圍為[-XMAXd,XMAXd]。

粒子群分割是利用當(dāng)前圖像灰度值和幀圖像像素領(lǐng)域的灰度級(jí)構(gòu)成的二元組,通過計(jì)算均值和方差,建立一個(gè)二維的模型,然后再結(jié)合粒子群算法計(jì)算出圖像的最優(yōu)閾值,找到適合圖像的最優(yōu)灰度值。粒子群算法只需要少數(shù)的參數(shù)調(diào)整,且能夠加速收斂至最優(yōu)解。首先對紀(jì)念幣通過粒子群算法來獲得最佳閾值[9],計(jì)算出圖像的最優(yōu)閾值在131～154之間,通過對閾值區(qū)間的分析發(fā)現(xiàn),當(dāng)選取136閾值對圖像進(jìn)行分割時(shí),圖像分割效果最明顯。

紀(jì)念幣的黑色背景位置均有可能存在劃痕問題,對這種情況下閾值的分割進(jìn)行改進(jìn),將紀(jì)念幣分割成多個(gè)N×N的區(qū)域,對這些區(qū)域求其最佳閾值,將局部的粒子群算法獲得的閾值與全局的閾值相結(jié)合。

局部閾值分割算法的步驟:

①采用粒子群算法對紀(jì)念幣的全局圖像計(jì)算其閾值TA;

②將紀(jì)念幣分割成若干不重疊的N×N區(qū)域,計(jì)算每一區(qū)域的閾值TB1、TB2、TB3…TBN;

③將每一區(qū)域計(jì)算得出的閾值應(yīng)用到相應(yīng)的區(qū)域;得出對應(yīng)的圖像。

2.3 特征提取

由于紀(jì)念幣種類繁多,不能根據(jù)標(biāo)準(zhǔn)模板對紀(jì)念幣的劃痕進(jìn)行標(biāo)記與識(shí)別,在沒有標(biāo)準(zhǔn)樣品的條件下,本文采取一種針對沒有標(biāo)準(zhǔn)品紀(jì)念幣表面劃痕的標(biāo)識(shí)方法進(jìn)行檢測。圖1為是紀(jì)念幣劃痕特征提取流程圖。

圖1 紀(jì)念幣劃痕特征提取流程圖

2.3.1 移動(dòng)固定閾值窗口分割圖像

紀(jì)念幣的大小為1280×960的圖片,采用10×10大小的窗口對圖像逐行掃描,以窗口一半的長度移動(dòng),求窗口內(nèi)灰度均值,若大于分割閾值的灰度均值時(shí),表示此處為圖像紋理,建立一個(gè)與圖像內(nèi)存大小相同的數(shù)字內(nèi)存aa,目的是存儲(chǔ)紋理信息,其內(nèi)存中不包括劃痕的信息。

2.3.2 邊緣提取

通過邊緣檢測算子突出圖像中的細(xì)節(jié),且增強(qiáng)被模糊了的細(xì)節(jié),突出其邊緣信息。邊緣意味有階躍變化或是屋脊?fàn)钭兓南袼丶?邊緣是圖像分割、圖像理解及圖像識(shí)別的重要特征。 本文采用高斯-拉普拉斯算子[9]進(jìn)行邊緣提取。高斯-拉普拉斯算子將高斯平滑濾波器與拉普拉斯邊緣銳化濾波器結(jié)合在一起,先對圖像平滑,然后進(jìn)行去噪處理,最后對圖像邊緣檢測。

拉普拉斯算子定義如下。

(5)

經(jīng)過分析,得到圖像的所有邊緣信息,包括圖片的紋理和缺陷邊緣信息,將這些信息放入數(shù)組bb中,在bb中消除數(shù)組aa中含有的紋理信息,得到劃痕缺陷的信息。

2.3.3 劃痕識(shí)別

對圖像進(jìn)行劃痕識(shí)別就是將這些劃痕的信息進(jìn)行定位與標(biāo)記。將分割后的圖像進(jìn)行特征描述,本文選擇幾何特征描述。測量所選紀(jì)念幣的最大劃痕為20個(gè)像素,長度為30mm,因此主要選擇的是面積和周長作為特征描述子。將分割后的圖像與劃痕的模板進(jìn)行匹配,模板與原圖進(jìn)行比較,以確定原圖像是否存在與模板相同或相似的區(qū)域,找到屬于劃痕的所有點(diǎn)的區(qū)域。模板匹配[10]是將模板與原圖像相對應(yīng)的區(qū)域相比較,求其誤差的平方和。誤差平方和測度定義如下:

(6)

展開得

(7)

令

(8)

(9)

(10)

式中:f(x,y)為圖像1280×960的原圖像;t(j,k)為j×k大小的模板;DS(x,y))稱為原圖像與模板圖像對應(yīng)區(qū)域的能量,與(x,y)像素的位置有關(guān);DST(x,y)是模板與原圖像對應(yīng)區(qū)域的互相關(guān),隨像素(x,y)成函數(shù)關(guān)系,隨著其位置變化而緩慢變化,當(dāng)模板區(qū)域與圖像對應(yīng)的區(qū)域相互匹配時(shí),DST(x,y)的值為最大值;DT(x,y)稱為模板能量。根據(jù)公式(8)～(10)計(jì)算記錄下劃痕像素的具體位置,將數(shù)據(jù)存入數(shù)組cc中。

2.3.4 劃痕量化

劃痕的像素已存入數(shù)組cc中,對其離散的像素點(diǎn)進(jìn)行歸類,屬于同一條線上的劃痕進(jìn)行連接標(biāo)記,將相鄰的點(diǎn)歸在一起算做一條劃痕,既鄰域標(biāo)記。對于這些離散的點(diǎn)歸類,有4鄰域和8鄰域擴(kuò)展法,如果兩個(gè)像素有公共邊界,則稱其互為4鄰域;如果兩個(gè)像素至少有一個(gè)頂角是共享的,則稱其為8鄰域。由于圖像表面可能是斷續(xù)的劃痕,這里采用8鄰域擴(kuò)展法。圖2a、圖2b分別為4鄰域和8鄰域示意圖。

圖2 領(lǐng)域示意圖

3 實(shí)驗(yàn)結(jié)果及分析

本次實(shí)驗(yàn)在Windows 7 系統(tǒng)、S2010環(huán)境下完成,電腦配置為i5-3230M CPU,2.6GHz主頻,4GB內(nèi)存,算法運(yùn)用opencv算法庫和C++語言實(shí)現(xiàn)。在實(shí)驗(yàn)測試中,有150種不同樣式的紀(jì)念幣,選取其中4種紀(jì)念幣進(jìn)行實(shí)驗(yàn),運(yùn)用本文敘述的檢測紀(jì)念幣劃痕并標(biāo)記的方法進(jìn)行檢測,圖3和圖4分別為傳統(tǒng)閾值分割和改進(jìn)的局部分割效果圖,顯然,經(jīng)過改進(jìn)的局部閾值分割對圖像的分割更明顯,既能還原紀(jì)念幣本身的細(xì)節(jié),也能突出紀(jì)念幣表面劃痕的特征。圖5為紀(jì)念幣檢測劃痕的效果圖,圖5顯示能準(zhǔn)確找到紀(jì)念幣表面劃痕的連通域并標(biāo)記連線。

圖3 傳統(tǒng)閾值分割效果圖

圖4 改進(jìn)的局部分割效果圖

圖5 紀(jì)念幣檢測劃痕結(jié)果

表1為圖5所示4種不同類型紀(jì)念幣的劃痕檢測數(shù)量和位置標(biāo)記的結(jié)果,4種紀(jì)念幣的表面都存在幾條不同位置的劃痕,檢測結(jié)果存在一些誤差,有些劃痕未能檢測到,可能由于對圖像的前期預(yù)處理使劃痕特征被清除,因此優(yōu)化前期圖像的獲取和預(yù)處理能提高對劃痕的檢測效率。

表1 紀(jì)念幣劃痕檢測結(jié)果

4 結(jié)論

研究了一種在沒有標(biāo)準(zhǔn)樣品前提條件下檢測紀(jì)念幣表面劃痕的方法,闡述了圖像預(yù)處理與改進(jìn)的閾值分割的方法與步驟,并對紀(jì)念幣進(jìn)行特征提取,最終將劃痕標(biāo)記。通過對數(shù)據(jù)庫中4種紀(jì)念幣模擬試驗(yàn),證明了該方法的可實(shí)行性,能夠準(zhǔn)確的標(biāo)記紀(jì)念幣表面的劃痕位置,減少人工工作量,提高工作效率。此外,有待改進(jìn)和提高的部分,實(shí)際測試中若采用分辨率高的工業(yè)相機(jī)獲取圖像,對圖像劃痕缺陷完整的還原,瑕疵檢測算法的正確率還可提高。