基于機(jī)器視覺的缺陷檢測與識別方法研究

吳茂寧

【摘 要】隨著工業(yè)生產(chǎn)自動(dòng)化程度越來越高，在保證了生產(chǎn)效率的同時(shí)，產(chǎn)品存在缺陷問題依舊困擾著許多工業(yè)生產(chǎn)制造商。此外，隨著人們生活水平的日漸改善，消費(fèi)者們對產(chǎn)品質(zhì)量的要求也在不斷提高。目前大多數(shù)生產(chǎn)廠商仍采用人工方法檢測識別缺陷產(chǎn)品，這樣不僅拉低了生產(chǎn)效率、還容易漏檢的情況，浪費(fèi)大量人力、物力資源。

【關(guān)鍵詞】機(jī)器視覺；缺陷檢測；識別方法

引言

隨著工業(yè)生產(chǎn)自動(dòng)化程度越來越高，在保證了生產(chǎn)效率的同時(shí)，產(chǎn)品存在缺陷問題依舊困擾著許多工業(yè)生產(chǎn)制造商。此外，隨著人們生活水平的日漸改善，消費(fèi)者們對產(chǎn)品質(zhì)量的要求也在不斷提高。目前大多數(shù)生產(chǎn)廠商仍采用人工方法檢測識別缺陷產(chǎn)品，這樣不僅拉低了生產(chǎn)效率、還容易漏檢的情況，浪費(fèi)大量人力、物力資源。此外，采用機(jī)器視覺方法還擁有以下優(yōu)勢：（1）機(jī)器視覺檢測具有可重復(fù)性和較高可靠性特點(diǎn)，避免了因人工長時(shí)間重復(fù)檢測單一產(chǎn)品而疲勞，導(dǎo)致產(chǎn)品缺陷檢測可靠性下降。（2）當(dāng)檢測環(huán)境惡劣，人工檢測存在安全隱患的情況下，采用基于機(jī)器視覺的方法進(jìn)行檢測可避免人員因工作環(huán)境而受到傷害。（3）采用機(jī)器視覺缺陷檢測系統(tǒng)方法進(jìn)行產(chǎn)品缺陷檢測，不但可以檢測出有缺陷的產(chǎn)品，還可以對有缺陷的產(chǎn)品進(jìn)行記錄、統(tǒng)計(jì)和分析，方便其日常管理。機(jī)器視覺作為智能檢測手段，未來在生產(chǎn)線質(zhì)量鑒定環(huán)節(jié)將逐步取代人工成為主流方法。

1 機(jī)器視覺與機(jī)器視覺檢測概述

1.1機(jī)器視覺概述

機(jī)器視覺是指讓計(jì)算機(jī)模擬人的視覺系統(tǒng)功能，使其能夠通過圖像就可以認(rèn)知周圍環(huán)境的一種科學(xué)技術(shù)，目的是希望該技術(shù)能夠代替人眼來完成測量和判斷等任務(wù)。機(jī)器視覺系統(tǒng)是指利用圖像攝取裝置采集目標(biāo)的圖像信號，并傳送給圖像處理系統(tǒng)獲取其形態(tài)信息，根據(jù)圖像中像素分布、亮度、顏色等信息，將圖像信號轉(zhuǎn)變成數(shù)字信號。以模式識別、圖像處理、人工智能、計(jì)算機(jī)科學(xué)等學(xué)科為理論依據(jù)，機(jī)器視覺通過讓計(jì)算機(jī)對采集到圖像進(jìn)行處理并加以理解，從而對人的一些智能行為加以模擬。在大批量工業(yè)生產(chǎn)過程中，機(jī)器視覺系統(tǒng)在處理精度、成本效率、信息獲取速度以及自動(dòng)化處理等方面都有著出色表現(xiàn)，大大提高了工業(yè)生產(chǎn)效率。同時(shí)一臺(tái)機(jī)器可承擔(dān)多人任務(wù)連續(xù)工作、無須停頓，生產(chǎn)的自動(dòng)化程度也會(huì)大大提高；此外許多危險(xiǎn)環(huán)境如高空、水下等場合，不適合人工作業(yè)或人眼視覺能力難以完成作業(yè)任務(wù)，采用機(jī)器視覺來完成工作就可以減少人力資源的損失并可達(dá)到人眼無法企及得能力；因此，機(jī)器視覺系統(tǒng)常被用來質(zhì)量監(jiān)測、尺寸測量以及裝配定位等場合，來提高工業(yè)生產(chǎn)的自動(dòng)化能力。

1.2機(jī)器視覺檢測概述

機(jī)器視覺檢測技術(shù)建立在機(jī)器視覺技術(shù)、光電測量原理基礎(chǔ)上，結(jié)合計(jì)算機(jī)科學(xué)和圖像處理等先進(jìn)的科學(xué)技術(shù)，被生產(chǎn)商廣泛地應(yīng)用到工業(yè)生產(chǎn)制造中。當(dāng)對目標(biāo)進(jìn)行檢測時(shí)，機(jī)器視覺檢測技術(shù)將圖像當(dāng)作傳遞信息的工具，首先運(yùn)用光電成像系統(tǒng)采集目標(biāo)圖像，然后用計(jì)算機(jī)或圖像處理模塊將圖像信號轉(zhuǎn)變?yōu)閿?shù)字信號，再從中提取出有用的信息如圖像的像素分布、顏色和亮度等，最后根據(jù)這些信息進(jìn)行尺寸、形狀、顏色等的判斷。

2機(jī)器視覺檢測發(fā)展趨勢

機(jī)器視覺技術(shù)由于具有較高的自動(dòng)化程度和成本低等諸多優(yōu)點(diǎn)，順應(yīng)了現(xiàn)代制造業(yè)發(fā)展的要求，因此被廣泛應(yīng)用到各種工業(yè)視覺領(lǐng)域。但由于目前機(jī)器視覺檢測技術(shù)的理論體系還不夠完善。鑒于機(jī)器視覺的處理速度和精度還無法滿足自動(dòng)化工業(yè)生產(chǎn)的需求，因此仍需人們投入大量精力去研究。機(jī)器視覺檢測的發(fā)展趨勢主要體現(xiàn)在一下幾個(gè)方面：（1）實(shí)時(shí)檢測視覺信息：由于高計(jì)算復(fù)雜度，機(jī)器視覺的實(shí)時(shí)性難以保證，運(yùn)用多處理單元并行結(jié)構(gòu)，組成視覺檢測大型網(wǎng)絡(luò)，并改進(jìn)算法最終移植到可移動(dòng)嵌入式。（2）視覺信息融合：通過將多種視覺信息進(jìn)行融合，來彌補(bǔ)單目視覺獲取信息不足的缺點(diǎn)，實(shí)現(xiàn)對復(fù)雜客觀世界的認(rèn)知。（3）系統(tǒng)集成性：將機(jī)器視覺系統(tǒng)與其他控制或測試系統(tǒng)結(jié)合在一起的一體化系統(tǒng)是未來工業(yè)自動(dòng)化系統(tǒng)的發(fā)展趨勢。（4）新理論與新算法研究：近年來，神經(jīng)網(wǎng)絡(luò)等算法的提出為機(jī)器視覺引入了新鮮血液，未來圖像處理與模式識別等領(lǐng)域中新理論與新算法的出現(xiàn)將推動(dòng)機(jī)器視覺檢測技術(shù)繼續(xù)向前發(fā)展。

3缺陷檢測識別方法

3.1 特征選擇

3.1.1 SIFT 特征

SIFT（Scale-invariant feature transform）特征是一種用來描述圖像中局部特征的算法。該算法于1999年由David Lowe發(fā)表提出，在2004年被完善。用SIFT提取得到的點(diǎn)擁有旋轉(zhuǎn)、尺度縮放不變性，且對仿射變換及噪聲保有穩(wěn)定性，通常情況下，這些特征點(diǎn)位于圖像中的拐角和邊緣。以下是SIFT特征提取的主要步驟：

（1）尺度空間極值點(diǎn)檢測：

構(gòu)造尺度空間是用不同的高斯函數(shù)對原始圖像進(jìn)行卷積處理得到的不同模糊結(jié)果的集合。自然界中隨觀測尺度的改變，物體表現(xiàn)的形態(tài)也不盡相同。例如樹這個(gè)概念，當(dāng)我們在以米為單位的度量尺度去觀察才能感知到它是樹，而當(dāng)我們在幾厘米或幾千米的距離去觀察感知到的則是樹葉或森林的概念。在尺度空間中，圖像的分辨率逐漸變小，類似于人漸漸遠(yuǎn)離目標(biāo)時(shí)，目標(biāo)在視網(wǎng)膜上成像的過程，距離越遠(yuǎn)成像越模糊。

（2）特征點(diǎn)定位

對前一步驟中得到的關(guān)鍵點(diǎn)進(jìn)行篩選，通過對這些關(guān)鍵點(diǎn)周圍像素位置、尺度和主曲率比的擬合來確定其位置和尺度，篩掉對比度低的點(diǎn)和不穩(wěn)定的邊緣點(diǎn)。

（3）方向確定

在特征點(diǎn)的360°鄰域窗口采樣，將360°圓周梯度平均劃分8個(gè)角度區(qū)間，每個(gè)角度為45°，按單個(gè)角度區(qū)間內(nèi)像素點(diǎn)梯度的幅值和方向進(jìn)行統(tǒng)計(jì)，其結(jié)果即為梯度方向直方圖，且峰值就代表特征點(diǎn)的主方向。

3.1.2 HOG 特征

方向梯度直方圖特征（Histogram of Oriented Gradient，HOG）是一種通過計(jì)算圖像局部區(qū)域的梯度方向直方圖得到的特征描述子。在機(jī)器視覺和圖像處理領(lǐng)域中，該特征常與SVM分類器組合被用來完成各種檢測識別任務(wù)。2005年法國Dalal首次提出采用HOG+SVM的方法對行人進(jìn)行檢測，迄今為止雖然仍有許多行人檢測方法不斷被提出，但大多都是建立在HOG+SVM基礎(chǔ)上改進(jìn)的方法。

3.2 分類器

3.2.1 SVM 分類器

傳統(tǒng)的學(xué)習(xí)多是在經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的基礎(chǔ)上尋找一個(gè)最優(yōu)函數(shù)，使該函數(shù)對輸入樣本的估計(jì)與樣本實(shí)際輸出間的期望風(fēng)險(xiǎn)達(dá)到最小化。基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的學(xué)習(xí)算法與樣本數(shù)據(jù)量有很大的相關(guān)性，樣本數(shù)據(jù)越多，對樣本分布的估計(jì)就越準(zhǔn)確。

3.2.2 Adaboost分類器

Adaboost（Adaptive Boosting，自適應(yīng)增強(qiáng)），由Yoav Freund和

Robert Schapire于1995年提出。機(jī)器學(xué)習(xí)問題中常常會(huì)出現(xiàn)每個(gè)樣本包含多維度特征，這種情況被稱為著維數(shù)災(zāi)難（curse of dimensionality）。

結(jié)束語

綜上所述，為了改善人工質(zhì)檢帶來的問題，在生產(chǎn)線質(zhì)量監(jiān)測環(huán)節(jié)采用機(jī)器視覺、模式識別的智能檢測手段來取代人工方法已成為工業(yè)生產(chǎn)發(fā)展的必然趨勢。

參考文獻(xiàn)：

[1]潘堅(jiān)躍，麻立群，彭斌等.人體及穿戴特征識別在電力設(shè)施監(jiān)控中的應(yīng)用[J].電子設(shè)計(jì)工程，2015（10）：68–71.

[2]李楊.基于機(jī)器視覺和人工神經(jīng)網(wǎng)絡(luò)的微小軸承表面缺陷識別及檢測技術(shù)研究[D].吉林大學(xué)，2008.

[3]張曉波，劉文耀，王兵振等.汽車制動(dòng)閥內(nèi)底面質(zhì)量檢測儀的設(shè)計(jì)[J].計(jì)算機(jī)測量與控制，2005（06）：615–617.