陶瓷膜表面缺陷的表征與分類(lèi)研究

孫 進(jìn)，王 寧,孫 傲，丁 煜

(1.揚(yáng)州大學(xué) 機(jī)械工程學(xué)院，江蘇 揚(yáng)州 225127；2.揚(yáng)州樹(shù)人學(xué)校，江蘇 揚(yáng)州 225001)

陶瓷膜是一種新興材料，隨著科學(xué)技術(shù)的快速發(fā)展，已廣泛應(yīng)用于生物發(fā)酵、食物飲料、污水處理等領(lǐng)域.企業(yè)因批量生產(chǎn)的產(chǎn)品出現(xiàn)缺陷，需要對(duì)陶瓷基板圖像進(jìn)行預(yù)處理[1]，常規(guī)的檢測(cè)方法為人工檢驗(yàn)，檢測(cè)標(biāo)準(zhǔn)不統(tǒng)一，由于主觀性和環(huán)境的影響，往往導(dǎo)致生產(chǎn)效率降低.

圖1 實(shí)驗(yàn)流程圖

近年來(lái)，伴隨著計(jì)算機(jī)技術(shù)、電子技術(shù)的快速發(fā)展，基于機(jī)器視覺(jué)的自動(dòng)化檢測(cè)技術(shù)也得到了飛速的發(fā)展，為陶瓷膜表面檢測(cè)提供了一種切實(shí)可靠的方案.采用“機(jī)器”代替人眼進(jìn)行產(chǎn)品缺陷檢測(cè)，已經(jīng)成為未來(lái)檢測(cè)行業(yè)的一個(gè)重要發(fā)展方向.機(jī)器視覺(jué)檢測(cè)系統(tǒng)通過(guò)設(shè)計(jì)相應(yīng)的光學(xué)成像系統(tǒng)，采用CCD等圖像傳感器對(duì)待測(cè)物進(jìn)行圖像采集，然后對(duì)采集的圖像進(jìn)行分析，可實(shí)現(xiàn)對(duì)待測(cè)物快速、高精度、客觀地檢測(cè)，已經(jīng)廣泛應(yīng)用于表面缺陷檢測(cè)、尺寸測(cè)量、目標(biāo)檢測(cè)等領(lǐng)域[2].2012年Zhou等[3]針對(duì)球體零件表面缺陷，選用了最先進(jìn)的canny算子將圖像的可搜區(qū)域縮到最小，確定了凸起、凹陷、剝落、磨蝕、被氧化這5種缺陷類(lèi)型，并利用BP神經(jīng)網(wǎng)絡(luò)對(duì)這5類(lèi)缺陷進(jìn)行分類(lèi).進(jìn)行陶瓷基板圖像的自動(dòng)缺陷檢測(cè)需要依賴于經(jīng)典的數(shù)字圖像處理技術(shù)[4].由于陶瓷膜材料的特殊性，如今大多數(shù)研究都指向了微觀納米級(jí)的膜層(不在表面)，支撐體對(duì)膜層提供機(jī)械性能的保證.支撐體的表面缺陷與一般工業(yè)材料相似，但特定的缺陷會(huì)對(duì)其膜層起到破壞性的作用，如裂紋、孔洞；而像劃痕，落渣損傷這類(lèi)的缺陷對(duì)膜層起的破壞作用幾乎可以忽略不計(jì).本文針對(duì)陶瓷膜的上述4個(gè)表面缺陷進(jìn)行表征，以現(xiàn)有的圖像處理的方法和理論為基礎(chǔ)，通過(guò)對(duì)提取的缺陷圖像進(jìn)行處理和信息提取，獲取信息并進(jìn)行分類(lèi)判斷，以便能找到那些對(duì)其膜層起到破壞性作用的表面缺陷.

1 系統(tǒng)總體設(shè)計(jì)方案

本研究將機(jī)器視覺(jué)技術(shù)、MATLAB圖像處理、基于MATLAB的概率神經(jīng)網(wǎng)絡(luò)分類(lèi)技術(shù)等應(yīng)用于陶瓷膜表面缺陷的表征與分類(lèi)中.

對(duì)缺陷圖像進(jìn)行必要的預(yù)處理.此過(guò)程有灰度化、二值化、中值濾波、邊緣檢測(cè)等步驟；然后在已處理圖片的基礎(chǔ)上提取特征參數(shù)，導(dǎo)入Excel表格做成一個(gè)特征參數(shù)數(shù)據(jù)庫(kù)；此后用BP概率神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器對(duì)缺陷圖像訓(xùn)練，訓(xùn)練完成后對(duì)植物葉片分類(lèi).實(shí)驗(yàn)流程如圖1所示.

由于彩色圖片所包含的信息多，占用的存儲(chǔ)空間大，計(jì)算機(jī)處理起來(lái)極為困難，再加上其特征較多，很難提取其中有用的信息.使用灰度化能使圖片所占空間大大縮小，計(jì)算機(jī)處理更加方便.因此，利用圖像灰度化能方便地處理特征和提高檢測(cè)效率.

圖像的二值化是將圖像上的每個(gè)像素點(diǎn)的灰度置為0或255，這些缺陷圖像在二值化處理后就只有黑與白兩種顏色.比如一個(gè)裂紋缺陷，二值化后裂紋處為黑色，而其他部分則為白色.在數(shù)字圖像處理中，二值化處理可以大大減少圖像的數(shù)據(jù)量，使得重點(diǎn)區(qū)域的特征更加明顯，為后面的邊緣檢測(cè)做了鋪墊.

對(duì)圖像進(jìn)行閾值分割[5]是二值化的前提和關(guān)鍵，它需要選定一個(gè)閾值，對(duì)灰度化后的按照?qǐng)D像不同區(qū)域像素的值，小于所設(shè)閾值的分為一類(lèi)，大于所設(shè)閾值的分為另一類(lèi).換言之，灰度圖的閾值分割就是先確定某一閾值，然后實(shí)現(xiàn)對(duì)圖像的二值化處理，從而得到處理后的二值化圖像.其函數(shù)表達(dá)式為

(1)

式中：f(x,y)為原始圖像函數(shù)，g(x,y)為二值化圖像函數(shù).

數(shù)字圖像中可以用直方圖的方式來(lái)表達(dá)每一灰度級(jí)與其灰度像素?cái)?shù)量之間的統(tǒng)計(jì)關(guān)系.在直角坐標(biāo)系中，通常用x軸坐標(biāo)表示灰度級(jí)，y軸坐標(biāo)表示灰度級(jí)頻數(shù)，直方圖可以用概率分布函數(shù)[6]表達(dá)：

(2)

式中：p(rk)是估計(jì)灰度級(jí)為rk的發(fā)生概率，n是圖像中像素總數(shù)，L為圖像的灰度值.

圖2是落渣原始缺陷圖像的直方圖、灰度圖、均衡化直方圖和均衡圖的對(duì)比，可以看出圖像缺陷部分的位置和大小更加分明，通過(guò)缺陷圖像可以直接讀出其缺陷的類(lèi)型，降低了檢測(cè)人員辨別的難度，給后續(xù)的人工復(fù)檢環(huán)節(jié)提供了便利.

圖2 落渣原始缺陷圖像的直方圖、灰度圖，均衡化直方圖和均衡圖的對(duì)比

邊緣檢測(cè)是圖像特征提取的核心，它蘊(yùn)含了如方向形狀等信息，邊緣是圖像中局部特征如灰度、顏色、紋理結(jié)構(gòu)等突變的反映.圖像邊緣檢測(cè)大幅度地減少了數(shù)據(jù)量，并且剔除了認(rèn)為不相關(guān)的量，保留了圖像中的結(jié)構(gòu)屬性[7].陶瓷膜表面缺陷的圖像邊緣并不是連續(xù)的，沿著邊緣走向的像素基本不變或變化幅度較小，垂直于邊緣走向的像素則有明顯的改變.檢測(cè)出圖像中的邊緣點(diǎn)，然后將檢測(cè)到的邊緣點(diǎn)相互連接形成邊緣輪廓，就可得到邊緣圖像[8].

在MATLAB中，可使用的邊緣算子很多，其中一階算子(梯度算子)常用的有Sobel、Prewitt、Robert算子等，二階算子常用的有Log、Canny算子等[9].本文采用的Canny算子能更好地估計(jì)邊緣強(qiáng)度，同時(shí)又有較好的單、雙邊定位精度，能平衡平滑噪聲和邊緣檢測(cè)之間的相互關(guān)系.

2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

選用區(qū)域面積、長(zhǎng)寬比(最小外接矩形)、區(qū)域周長(zhǎng)、圓形度、最小外接矩形對(duì)角線長(zhǎng)度、平均灰度等6個(gè)特征量來(lái)對(duì)缺陷進(jìn)行分類(lèi).所提取缺陷樣本的特征數(shù)據(jù)見(jiàn)表1.

表1 缺陷樣本的特征提取數(shù)據(jù)

數(shù)據(jù)分類(lèi)是數(shù)據(jù)挖掘的主要任務(wù)之一[10]，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)在分類(lèi)算法中使用最廣泛的算法之一[11-12].BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)原理和結(jié)構(gòu)及算法的了解和探索，可以用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)對(duì)陶瓷膜表面缺陷進(jìn)行識(shí)別.在BP神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的過(guò)程稱(chēng)為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，包括以下幾個(gè)步驟：

1) 權(quán)值的初始化.通常可以用隨機(jī)數(shù)給網(wǎng)絡(luò)中的各個(gè)權(quán)值和閾值賦初值，以防止飽和，同時(shí)要求保證各初始的權(quán)值和閾值不盡相同.

2) 歸一化處理.需要對(duì)輸入采樣特征值進(jìn)行歸一化處理，避免向量中極大值對(duì)極小值的影響，以降低計(jì)算的復(fù)雜性.一般將采樣的特征值進(jìn)行處理，讓其處于特定范圍內(nèi).

圖3 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

3) 網(wǎng)絡(luò)結(jié)構(gòu)的選擇.本文采用典型三層BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)缺陷識(shí)別.選取6個(gè)缺陷特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入值；選擇4個(gè)主要識(shí)別缺陷和構(gòu)成的4個(gè)輸出值作為BP神經(jīng)網(wǎng)絡(luò)的輸出；根據(jù)經(jīng)驗(yàn)公式BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)個(gè)數(shù)取5個(gè)，并對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行缺陷圖像識(shí)別測(cè)試.

4) 相關(guān)參數(shù)的確定.需要設(shè)定學(xué)習(xí)系數(shù)、期望誤差及最大迭代次數(shù)等，根據(jù)梯度下降法來(lái)找到誤差收斂方向，選擇神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則.

5) 設(shè)定輸出期望值.根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，在訓(xùn)練之前應(yīng)該設(shè)定輸出期望值.對(duì)不同類(lèi)型的輸入缺陷樣本，分別設(shè)定一個(gè)輸出向量，根據(jù)缺陷類(lèi)別不同，最大限度分開(kāi)其中輸入的缺陷.圖3為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果.當(dāng)訓(xùn)練的次數(shù)為12時(shí)，訓(xùn)練結(jié)果收斂于1.306×10-5.

3 缺陷識(shí)別結(jié)果及分析

結(jié)束訓(xùn)練后，選測(cè)試網(wǎng)絡(luò)訓(xùn)練，選取每種缺陷10個(gè)樣本，共40個(gè)樣本.于是隨機(jī)選擇32個(gè)數(shù)據(jù)作為訓(xùn)練對(duì)象，對(duì)8組數(shù)據(jù)進(jìn)行檢驗(yàn)，重復(fù)12次來(lái)求得最后的正確率.BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)識(shí)別結(jié)果如圖4所示.12次分類(lèi)正確率結(jié)果分別為100%，75%，75%，75%，87.5%，75%，50%，75%，87.5%，50%，100%，87.5%，平均正確率為78.125%.

圖4 BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)識(shí)別結(jié)果

4 結(jié)語(yǔ)

基于機(jī)器視覺(jué)的陶瓷膜表面缺陷的識(shí)別、分類(lèi)是研究的熱點(diǎn).本文研究了圖像的形態(tài)學(xué)處理與缺陷圖像的缺陷特征提取方法，提取了6個(gè)缺陷特征向量；對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了簡(jiǎn)單介紹，并對(duì)40個(gè)采集的樣本進(jìn)行了多次測(cè)試.實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別的正確率達(dá)到78.125%，但對(duì)落渣、凹坑的缺陷分類(lèi)識(shí)別效果不佳，應(yīng)增加其特征向量個(gè)數(shù)，尤其是灰度特征、紋理特征、顏色特征等.