基于雙結(jié)構(gòu)光的微小圓柱端面缺陷檢測

張 斌， 楊騰達， 宋文豪， 李峰宇， 劉萌萌

(鄭州大學 物理工程學院 河南 鄭州 450001)

0 引言

產(chǎn)品表面缺陷檢測是檢測工業(yè)產(chǎn)品是否滿足質(zhì)量要求的主要手段.隨著工業(yè)自動化的快速發(fā)展，傳統(tǒng)的人工表面檢測已經(jīng)不能滿足現(xiàn)代工業(yè)快速、穩(wěn)定、可靠的要求.而機器視覺技術(shù)[1-2]具有高度自動化、穩(wěn)定性好、無損檢測等優(yōu)勢，很好地滿足了工業(yè)生產(chǎn)中批量大、精度高的需求.因此，在現(xiàn)代表面檢測領(lǐng)域得到了廣泛的應用[3-6].

目前，國內(nèi)外很多學者針對表面缺陷檢測進行了大量的研究[7-10].文獻[7]提出了基于Sobel與分數(shù)階微分的邊緣檢測算法，對圣女果表面進行缺陷檢測.文獻[8]通過處理數(shù)字顏色信號來判斷金屬表面缺陷的檢測.文獻[9]通過對圓柱型零件進行旋轉(zhuǎn)拍攝來實現(xiàn)了缺陷的檢測.文獻[10]采用“實時濃妝補正技術(shù)”對軸承鋼珠表面的缺陷進行檢測.在這些研究中，對物體表面缺陷的檢測，都有針對性和局限性.邊緣檢測算法不適用于表面粗糙的目標體，處理數(shù)字顏色信號的方法對金屬缺陷的檢測只適用于特定的反光材料，通過旋轉(zhuǎn)拍攝很難檢測到復雜紋理的缺陷，“實時濃妝補正技術(shù)”只針對特定的金屬進行檢測.因此，本文對微小圓柱端面檢測提出了一種新的測量方法，即通過基于雙光柵型結(jié)構(gòu)光交叉打光的方式[11-12]，提取物體表面特征信息，濾除復雜的圖像背景，建立高斯混合模型[13-14](Gaussian mixture model,GMM)，對交叉點特征進行分類，從而得到端面的形狀特征，實現(xiàn)對缺陷區(qū)域的提取和檢測.

1 系統(tǒng)組成

缺陷檢測系統(tǒng)[15]主要由圖像采集、圖像處理與判斷兩部分組成.圖像采集通常包含相機、鏡頭、光源及計算機等，根據(jù)不同接口類型相機，可選擇是否采用圖像采集卡.采集到的圖像經(jīng)計算機算法處理后，判斷被檢測物的缺陷狀態(tài).然后，根據(jù)工業(yè)標準對元件進行分選.

2 圖像采集與特征提取

2.1 圖像采集

圖像采集是整個機器視覺檢測的基礎，獲取高質(zhì)量的圖像對后續(xù)處理十分重要.本文檢測的元件對象為包含中心孔的微小圓柱端面，其中心孔直徑大約1.6 mm，圓柱直徑大約5.5 mm，本底顏色為灰黑色.采用通常的打光成像方法，比如平行光、環(huán)形光，獲取的圖像背景復雜，很難從中提取到物體表面特征信息.而采用結(jié)構(gòu)光打光模式，可以濾除復雜背景，將表面特征顯著呈現(xiàn).

本文采用的光柵型結(jié)構(gòu)光，可以產(chǎn)生單光條寬50 μm、光條間距200 μm的超細平行光束，其投射到檢測物體表面，光條紋形狀會隨著圓柱端面形狀變化而發(fā)生扭曲變形，通過測量光條紋的扭曲變形程度，可反推圓柱端面形狀特征.經(jīng)過模型計算與實驗表明，條紋扭曲變形程度也取決于結(jié)構(gòu)光條紋與缺陷邊緣的相對走向.結(jié)構(gòu)光對走向垂直于光條紋的缺陷邊緣反應較為敏感，而當缺陷邊緣與結(jié)構(gòu)光條紋走向相同時，光條紋形狀變化較小.因此，本文采用2組結(jié)構(gòu)光從兩側(cè)對稱打光，兩個方向的條紋夾角為90°，可以將各種走向的缺陷全部突顯出來.圖1(a)為平行光下的圖像，圖1(b)、圖1(c)分別為左右結(jié)構(gòu)光各自打光時的圖像.具體圖像采集結(jié)構(gòu)圖如圖2所示.

圖1 打光成像模式對比Fig.1 Comparison of light imaging mode

圖2 采集系統(tǒng)結(jié)構(gòu)圖Fig.2 Acquisition structure system

2.2 高斯混合模型特征提取

對微小圓柱端面的缺陷檢測，需要提取出有效的感興趣區(qū)域，剔除其他干擾.首先，對2幅圖像進行疊加、閾值后進行閉運算，可得到微小圓柱的中心孔，然后通過微小圓柱中心向外確定外直徑，得到其所需的圓形感興趣區(qū)域.接下來，提取感興趣區(qū)當中的光條紋及交叉點.整個過程如圖3所示.交叉點的特征很大程度反映了光柵條紋的扭曲程度，因此，可以通過對交叉點特征的分類和條紋本身形態(tài)變化的分析，判斷圓柱端面缺陷區(qū)域.

圖3 交叉點提取過程Fig.3 Crosspoint-extraction processing

采用高斯混合模型對感興趣區(qū)域內(nèi)交叉點進行分類，其困難在于特征參數(shù)的選取.本文提取以下5個特征來建立高斯混合模型.

1) 交叉點面積.交叉點面積大小隨著端面高低起伏而變化，與點到焦平面的距離成近似正比關(guān)系，如圖4(a)所示，橫坐標零點為焦平面所在位置.2) 交叉點最小外接橢圓長軸Ra.缺陷邊緣和斜面上的交叉點一般呈橢圓狀，有較大的Ra值.3) 交叉點所屬條紋寬度特征，它可以增加缺陷區(qū)域判定的置信度.4) 交叉點所屬條紋左偏移特征. 5) 交叉點所屬條紋右偏移特征.正常區(qū)域圖像條紋之間的距離為固定值，而缺陷區(qū)域條紋之間則會發(fā)生偏移，交叉點排列發(fā)生錯亂，如圖4(b)所示.求交叉點與離它最近的左結(jié)構(gòu)光條的距離，作為左偏移特征.求交叉點與離它最近的右結(jié)構(gòu)光條的距離，作為右偏移特征.

人工隨機提取300個完好區(qū)域與300個缺陷區(qū)域的特征值，對其數(shù)據(jù)的分布進行分析，結(jié)果如圖5所示.其中，橫坐標為交叉點橢圓長軸Ra，縱坐標為交叉點面積A.從圖5可以看出，正常區(qū)域與缺陷區(qū)域的分布特征區(qū)分顯著.

圖4 特征的選擇Fig.4 Feature selection

圖5 特征分布Fig.5 Characteristic distribution

3 交叉點分類高斯混合模型

3.1 高斯混合模型的建立

高斯混合模型是用若干個高斯概率密度函數(shù)來擬合各種事物分布的模型，也被視為一種聚類的方法.利用其高魯棒性的特點進行交叉點的分類，其概率密度函數(shù)為

(1)

其中：N(x|μk,Σk)為n維高斯函數(shù)，與x的維度保持一致，維度即特征數(shù)量，本文為5.

(2)

3.2 EM算法求解

(3)

其中：z中只有一個zk為1，另一個為零.所以zk=1的概率為πk.

EM算法一般共分為兩步求解.第一步，根據(jù)貝葉斯準則，用上一次迭代后的參數(shù)(第一次為初始參數(shù))計算后驗概率p(z|x).

(4)

第二步，使用第一步的后驗概率最大化似然函數(shù)，重新估計參數(shù)的值，其中N為樣本數(shù).求解各個參數(shù)的最大化似然函數(shù)得到

然后將第二步重新得到的參數(shù)代入第一步進行循環(huán)，直到算法收斂.求解最大似然函數(shù)時，由于小于1的概率連乘后得到較小的值，一般對似然函數(shù)取log.收斂條件為達到最大迭代次數(shù)或者最大似然函數(shù)值，兩次迭代的差值小于預設值.

3.3 交叉點的篩選

根據(jù)2.2提取圖像交叉點的特征，代入3.2訓練后的高斯混合模型，比較2個類的概率大小，選取概率大的類作為此交叉點的分類結(jié)果.由于缺陷部分可能丟失交叉點信息，因此，統(tǒng)計正常交叉點個數(shù)，與微小元件內(nèi)外直徑做對比，得到缺陷比例.

4 實驗結(jié)果分析

為了驗證高斯混合模型對微小圓柱元件缺陷檢測的準確性和穩(wěn)定性，隨機選擇100個微小圓柱進行測試，包含25個缺陷圓柱和75個正常圓柱，對單個圓柱重復測量5次.高斯混合模型對5次分類后的結(jié)果如表1所示.其中，部分缺陷圓柱的缺陷比例經(jīng)過河南省計量院的精確計量，誤差小于1%，計量缺陷圓柱的重復測量結(jié)果如表2所示.根據(jù)需求，缺陷比例小于10%的為完好圓柱，大于等于10%的為缺陷圓柱.則缺陷檢出率R和算法總識別率V為R=R0/N0,V=V0/N，其中：R0為正確檢出缺陷圓柱的數(shù)量；N0為缺陷圓柱的總數(shù)量；V0為正確檢測圓柱的數(shù)量；N為檢測圓柱的總數(shù)量.

表1 分類結(jié)果Tab.1 Classification result

表2 重復測量結(jié)果Tab.2 Multiple results

圖6 提取結(jié)果Fig.6 Extraction result

實驗結(jié)果表明，高斯混合模型對微小圓柱元件端面的缺陷分類效果較好，缺陷檢出率達96.8%，重復測量結(jié)果在計量值的4%以內(nèi)波動，驗證了本文方法的可行性和穩(wěn)定性，其中內(nèi)外邊緣出現(xiàn)的倒角可能會對結(jié)果造成一定的影響.使用訓練后的高斯模型進行檢測，每個微小圓柱端面判斷的時間不超過0.4 s，滿足工業(yè)生產(chǎn)的要求.圖6為隨機選擇的缺陷分類結(jié)果圖.

引入文獻[11]中的三角剖分算法，對5次采集的元件圖像進行測量.在時間、缺陷檢出率和總識別率上作了對比：本文算法與文獻[11]的算法所用時間分別為0.38 s和1.20 s；缺陷檢出率分別為96.8%和68.8%；算法識別率分別為99.2%和87.2%.本文提出的方法針對微小圓柱元件在時間上僅為三角剖分算法的1/3，并且缺陷檢出率有明顯優(yōu)勢，表明了本文方法的可靠性和實用性.

5 結(jié)束語

本文采用雙光柵型結(jié)構(gòu)光交叉打光的方式，將元件端面的形態(tài)變化通過光條的扭曲反映出來.通過圖像處理技術(shù)，將光條的形態(tài)變化提取轉(zhuǎn)化成對交叉點的處理，大幅度降低了圖像處理的復雜度.通過高斯混合模型對交叉點形態(tài)特征及條紋寬度、偏移特征進行分類組合，實現(xiàn)了復雜背景下微小圓柱元件端面缺陷快速、準確的測量.實驗結(jié)果表明，本文設計的方法測量穩(wěn)定，缺陷檢出率可達96.8%，同時測量時間不大于0.4 s，滿足工業(yè)自動化檢測的要求.