基于改進(jìn)相干增強(qiáng)擴(kuò)散與紋理能量測度和高斯混合模型的導(dǎo)光板表面缺陷檢測方法

張亞洲 ，盧先領(lǐng) *

（1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無錫214122；2.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室（江南大學(xué)），江蘇無錫214122）（?通信作者電子郵箱jnluxl@jiangnan.edu.cn）

0 引言

液晶屏（Liquid Crystal Display，LCD）導(dǎo)光板是液晶顯示器背光源模組中的重要組成部件，其表面缺陷將影響液晶屏的顯示效果。基于機(jī)器視覺的LCD導(dǎo)光板表面缺陷自動(dòng)光學(xué)檢測（Automated Optical Inspection，AOI）［1］系統(tǒng)，相對(duì)人工視覺檢測具有檢出率高、誤檢率低、速度快、可全天無間斷工作等優(yōu)點(diǎn)，其中，LCD導(dǎo)光板圖像在復(fù)雜背景下的缺陷檢測技術(shù)是AOI系統(tǒng)視覺檢測部分的核心［2］，其難點(diǎn)問題在于：1）由于LCD導(dǎo)光板表面導(dǎo)光顆粒尺寸和散布密度漸變的特點(diǎn)，導(dǎo)致同一圖像不同區(qū)域的背景紋理差異性較大；2）在復(fù)雜背景紋理信息的干擾下，成像面積較小，其特征難以提??；3）對(duì)漏檢率和誤檢率等性能指標(biāo)有較高的要求。

根據(jù)LCD導(dǎo)光板表面常見缺陷的種類和缺陷特征的提取方式，目前現(xiàn)有的LCD導(dǎo)光板缺陷檢測方法有不變矩特征檢測法［3-4］和頻域?yàn)V波檢測法［5-7］。不變矩特征檢測法通過提取圖像的矩不變量作為描述不同區(qū)域網(wǎng)點(diǎn)結(jié)構(gòu)分布的特征量，但使用高階矩表征圖像細(xì)節(jié)信息時(shí)易受到噪聲等因素的影響，對(duì)此，Lin［3］通過引入加權(quán)中心矩來提高遠(yuǎn)離質(zhì)心區(qū)域噪聲的容忍度，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）識(shí)別出LCD導(dǎo)光板表面微結(jié)構(gòu)缺陷，但沒有對(duì)劃痕和異物等常見缺陷提出檢測方法，而且矩不變量的計(jì)算較為復(fù)雜，難以達(dá)到檢測系統(tǒng)的實(shí)時(shí)性要求。頻域?yàn)V波檢測法是實(shí)際生產(chǎn)中常用的檢測方法，Huang等［5］提出基于離散傅里葉變換（Discrete Fourier Transform，DFT）的檢測方法，通過頻域?yàn)V波，剔除了具有周期性的背景圖案，并利用最大類間方差（Otsu）閾值分割法和形態(tài)學(xué)操作完成缺陷區(qū)域前景的提取；但此方法缺乏局部化分析能力，易受到圖像灰度局部分布不均的干擾。Bi等［6］使用Gabor變換在頻域中對(duì)多個(gè)固定的方向和尺度提取TFT-LCD（Thin Film Transistor Liquid Crystal Display）圖像的相關(guān)特征并檢測出Mura缺陷，雖然Gabor濾波法有頻率和方位的選擇性，克服了DFT檢測法的缺點(diǎn)，但其時(shí)頻窗口的大小和形狀不能隨頻率的變化而變化，不具備自適應(yīng)能力［8］。因此，頻域?yàn)V波檢測法在圖像重構(gòu)的過程中容易出現(xiàn)缺陷信息丟失和背景濾除不徹底的現(xiàn)象。

針對(duì)LCD導(dǎo)光板視覺檢測技術(shù)中的難點(diǎn)和現(xiàn)有缺陷檢測方法的不足，本文提出一種基于改進(jìn)相干增強(qiáng)擴(kuò)散（Improved Coherence Enhancing Diffusion，ICED）與 TEMGMM（Texture Energy Measure-Gaussian Mixture Model）的 LCD導(dǎo)光板表面缺陷檢測方法。該方法在每次迭代計(jì)算結(jié)構(gòu)張量之前，使用平均曲率流擴(kuò)散（Mean Curvature Flow，MCF）濾波代替高斯濾波對(duì)上次迭代更新后的圖像進(jìn)行擴(kuò)散濾波操作，得到缺陷紋理增強(qiáng)和背景紋理抑制的ICED圖像，并依據(jù)Laws紋理能量測度和缺陷的紋理特性在相同區(qū)域提取不同的紋理特征；結(jié)合背景建模的思想，將多通道的背景紋理特征作為高斯混合模型（Gaussian Mixture Model，GMM）的訓(xùn)練數(shù)據(jù)，利用期望最大化（Expectation Maximization，EM）算法估計(jì)所建立的高斯混合模型參數(shù)，計(jì)算待檢測圖像各個(gè)像素的后驗(yàn)概率，據(jù)此判斷各個(gè)像素是否屬于缺陷區(qū)域。

1 LCD導(dǎo)光板表面缺陷檢測裝置

LCD導(dǎo)光板表面缺陷檢測裝置架構(gòu)如圖1所示，由片材傳送、圖像采集和片材分揀三部分組成。圖像采集部分主要包括工業(yè)相機(jī)、鏡頭和光源，相機(jī)采用型號(hào)為DALSA-PX-HC-08K07T的CMOS線掃描相機(jī)，水平方向分辨率大小為8 160 pixel，最高行頻70 kHz，鏡頭型號(hào)為Schneider COMPONON-S100mm f5.6；在相機(jī)的正下方安裝條形發(fā)光二極管（Light Emitting Diode，LED）光源，其長度大于片材的長邊，經(jīng)過光源控制器調(diào)節(jié)光照強(qiáng)度。進(jìn)入檢測機(jī)構(gòu)的片材經(jīng)過導(dǎo)正裝置和清潔裝置處理后，以片材的長邊進(jìn)入圖像采集工位，使用三臺(tái)線掃描相機(jī)同時(shí)采集圖像數(shù)據(jù)。機(jī)械手根據(jù)檢測結(jié)果信號(hào)將片材放置相應(yīng)的抽檢盒。

圖1 LCD導(dǎo)光板表面缺陷檢測裝置架構(gòu)Fig.1 LCDlight-guideplate surfacedefect detection devicearchitecture

采集不同型號(hào)的LCD導(dǎo)光板圖像如圖2所示，圖2（a）中包含了產(chǎn)品表面導(dǎo)光顆粒規(guī)則分布和散亂分布的無缺陷圖像，圖2（b）為相應(yīng)的缺陷圖像。

圖2 LCD導(dǎo)光板圖像Fig.2 LCDlight-guide plate images

2 本文方法

2.1 改進(jìn)的相干增強(qiáng)擴(kuò)散

由于LCD導(dǎo)光板圖像中的缺陷和背景具有不同的紋理結(jié)構(gòu)，其表面缺陷檢測問題可以看作紋理特征差異性較大的區(qū)域的判別問題，因此，增強(qiáng)缺陷的紋理特征有利于對(duì)缺陷的檢測?；谄⒎址匠蹋≒artial Differential Equation，PDE）的擴(kuò)散濾波方法通過對(duì)圖像的局部結(jié)構(gòu)進(jìn)行分析和處理，可得到背景與缺陷的紋理特征差異性擴(kuò)大的濾波后圖像。典型的P-M（Perona-Malik）擴(kuò)散濾波［9］通過迭代計(jì)算圖像的梯度值來檢測邊緣，使得擴(kuò)散濾波過程對(duì)圖像的邊緣有較小的平滑作用，而對(duì)圖像的非邊緣區(qū)域有顯著的降噪作用，但約束擴(kuò)散行為的條件單一，而且容易使圖像產(chǎn)生塊狀效應(yīng)。為此，Weickert等［10］提出了相干增強(qiáng)擴(kuò)散（Coherence Enhancing Diffusion，CDE）模型，將擴(kuò)散因子轉(zhuǎn)換為擴(kuò)散張量，從而獲得更多的局部結(jié)構(gòu)信息，擴(kuò)散行為也更有方向性，CED模型如式（1）表示：

其中：Iσ表示以方差為σ2的高斯函數(shù)Gσ與I做卷積運(yùn)算；符號(hào)“*”表示卷積運(yùn)算，即Iσ(i，j，t)=Gσ*I(i，j，t)；Kρ表示方差為ρ2的高斯核；“?”表示張量積。式（2）中的ρ必須大于0，若ρ=0，擴(kuò)散矩陣的擴(kuò)散行為將只受圖像梯度的控制。計(jì)算結(jié)構(gòu)張量Lρ(?Iσ)的兩個(gè)特征值λ1、λ2得：

令特征值λ1＞λ2，λ1和λ2對(duì)應(yīng)特征向量分別為v1和v2，v1與圖像梯度方向平行，v2與圖像梯度方向垂直。根據(jù)Weickert等的建議［12］，D的特征值μ1、μ2取為：

其中：η為擴(kuò)散率，通常取較小的正數(shù)，如η=0.001。擴(kuò)散矩陣D的特征向量與結(jié)構(gòu)張量的特征向量相同，所以μ1對(duì)應(yīng)v1，μ2對(duì)應(yīng)v2。顯然，圖像沿著v1方向有較小的擴(kuò)散率，沿著v2方向的擴(kuò)散程度與相干性C的強(qiáng)弱相同，相干性定義為C=(λ1-λ2)2，當(dāng)λ1≈λ2≈0時(shí)，圖像的相應(yīng)區(qū)域具有光滑特性，此時(shí)C≈0，表示相干性較弱；當(dāng)λ1?λ2≈0時(shí)，圖像的相應(yīng)區(qū)域有邊緣或流線狀結(jié)構(gòu)，C≈1，即相干性較強(qiáng)；當(dāng)λ1≈λ2?0時(shí)，圖像有轉(zhuǎn)角或T形的局部結(jié)構(gòu)，C≈0，則相干性較弱。CDE模型中包含兩個(gè)高斯過程：第一個(gè)高斯濾波方差為σ2，在計(jì)算梯度之前對(duì)圖像作一次高斯平滑的預(yù)處理；第二個(gè)高斯濾波方差為ρ2，以尺度為ρ的鄰域考慮了圖像的局部結(jié)構(gòu)信息。

該模型雖然能夠使圖像朝著定義的相干方向恢復(fù)斷線的連接，但預(yù)處理階段的高斯濾波會(huì)隨著迭代計(jì)算的過程逐漸模糊劃痕狀缺陷的邊緣信息。因此，本文提出了ICED模型，將CDE模型的第一個(gè)高斯濾波替換為MCF擴(kuò)散濾波。MCF擴(kuò)散濾波具有在梯度的方向上不擴(kuò)散，只在邊緣的切線方向上擴(kuò)散的性質(zhì)［13］，相比預(yù)處理階段的高斯濾波能更好地保持劃痕的邊緣，改進(jìn)后的結(jié)構(gòu)張量定義如下：

圖3 ICED模型與CED模型處理效果對(duì)比Fig.3 Processingeffectcomparison between ICEDmodel and CEDmodel

2.2 多通道紋理特征提取

經(jīng)過ICED濾波后，為了進(jìn)一步突出圖像的局部相關(guān)特性，采用Laws紋理能量測度（Texture Energy Measure，TEM）計(jì)算紋理特征［15］，對(duì)單個(gè)像素及其鄰域內(nèi)像素灰度值的分布進(jìn)行紋理測量的一階統(tǒng)計(jì)分析，其主要步驟包括微窗口紋理模板卷積和宏窗口能量變換兩個(gè)操作。首先，選擇微窗口紋理模板，Laws提供了5個(gè)常用的1維（1D）模板向量用來提取紋理特征，其中：L5給出中心加權(quán)的局部平均，E5檢測邊緣，S5檢測點(diǎn)，W5和R5檢測波紋。5個(gè)1D模板向量通過卷積可以計(jì)算出25個(gè)2維（2D）模板，如E5L5為向量E5的轉(zhuǎn)置與向量L5卷積所得，每個(gè)2D微窗口紋理模板與圖像I(i，j)做卷積運(yùn)算，可得到相應(yīng)的微窗口紋理圖像，表達(dá)式如下：

其中：M(a，b)為2D微窗口紋理模板；w為模板大小；G(i，j)為卷積后的微窗口紋理圖像，且每個(gè)像素位置(i，j)包含該像素一定鄰域內(nèi)的紋理信息，使用d個(gè)2D紋理模板分別對(duì)同一圖像進(jìn)行卷積操作，得到(i，j)的d個(gè)紋理特征分量，則每個(gè)像素位置均有一個(gè)d維的微窗口紋理特征向量(G1(i，j)，G2(i，j)，…，G d(i，j))。其次，將每個(gè)微窗口紋理圖像再經(jīng)過一個(gè)宏窗口的均值濾波器處理，即完成了紋理能量的變換，表達(dá)式如下：

其中：G(k，l)表示微窗口紋理圖像，宏窗口均值濾波器的大小為(2n+1)×(2n+1)，得到圖像的紋理特征為E(i，j)。在25個(gè)2D微窗口紋理模板中，E5L5通常用于描述水平邊緣紋理特征；L5S5和L5E5對(duì)垂直邊緣紋理特征比較敏感；R5R5用于提取高頻信息；對(duì)同一張圖像使用d組2D微窗口紋理模板可以提取更豐富的紋理特征，并組成多通道的紋理圖像，即原圖中每個(gè)像素位置的值可以由包含d個(gè)元素的集合表示。

2.3 基于GMM的缺陷像素判別

經(jīng)過紋理特征提取階段后，圖像中的缺陷區(qū)域和背景區(qū)域均有對(duì)應(yīng)的多個(gè)紋理特征分量，即紋理信息由這些紋理特征分量所張成的子空間表征。因此，缺陷區(qū)域的判別問題就轉(zhuǎn)化為缺陷紋理和背景紋理的分類問題，對(duì)待檢測圖像而言，其分類的依據(jù)為圖像像素點(diǎn)所屬不同紋理特征子空間的概率，而對(duì)于紋理特征子空間的描述，使用GMM［16］能很好地?cái)M合多通道的紋理圖像。

設(shè)隨機(jī)變量X為像素點(diǎn)位置為(i，j)處像素所攜帶的紋理特征，在多通道紋理特征圖中X是d維向量，使用變量s(s=1，2，…，n)表示高斯混合模型輸入數(shù)據(jù)中像素點(diǎn)的個(gè)數(shù)，隨機(jī)變量X在s=n時(shí)的觀測值記為X s=n=[x1，n，x2，n，…，xd，n]T，則像素點(diǎn)屬于背景區(qū)域的概率可由下式表示：

采用EM算法找到使對(duì)數(shù)似然函數(shù)取最大值的參數(shù)θ的估計(jì)值θ?［17］，采用隨機(jī)中心的方法計(jì)算EM迭代的初始參數(shù)［18］α0、μ0、Σ0。

EM算法分為E步驟和M步驟。

將求解的參數(shù)值回代入E-步驟計(jì)算期望，直到對(duì)數(shù)似然函數(shù)值收斂于最優(yōu)值，得到高斯混合模型最終的估計(jì)參數(shù)。應(yīng)用高斯混合模型時(shí)，提取待檢測圖像的紋理特征，計(jì)算每個(gè)像素位置所屬第m個(gè)分布的后驗(yàn)概率P，將所求概率較小的像素點(diǎn)標(biāo)記為缺陷像素點(diǎn)。

綜上所述，在離線訓(xùn)練階段，首先采集合格產(chǎn)品的圖像，以表面導(dǎo)光顆粒的尺寸和分布密度為標(biāo)準(zhǔn)，將圖像劃分為若干個(gè)面積相等的子區(qū)域。保證子區(qū)域內(nèi)的背景紋理有較小的漸變程度，對(duì)每個(gè)子區(qū)域作進(jìn)一步的分塊操作，選取若干張表征每個(gè)子區(qū)域背景紋理分布的圖片，經(jīng)過ICED處理后提取所選圖像的紋理特征作為高斯混合模型的訓(xùn)練數(shù)據(jù)。在線檢測階段，經(jīng)相同的特征提取操作后，應(yīng)用已訓(xùn)練的高斯混合模型對(duì)所屬缺陷區(qū)域的像素進(jìn)行標(biāo)記，檢測方法流程示意圖如圖4所示。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與性能指標(biāo)

為了驗(yàn)證本文所提檢測方法的有效性和適用性，本實(shí)驗(yàn)采集了兩種不同類型的LCD導(dǎo)光板圖像。由于產(chǎn)品在進(jìn)入檢測階段前其尺寸信息已知，每種LCD導(dǎo)光板的無缺陷圖像沿著短邊劃分為若干個(gè)等面積區(qū)域，按該區(qū)域內(nèi)每個(gè)區(qū)域使用25張長寬尺寸為600 pixel的子圖像表示該組的背景紋理分布情況，并建立該區(qū)域背景紋理特征的高斯混合模型。兩種LCD導(dǎo)光板的6組測試數(shù)據(jù)相關(guān)信息如表1所示。

表1 六組測試數(shù)據(jù)信息Tab.1 Information of six sets of test data

本文使用漏檢率A和誤檢率B來評(píng)價(jià)每組測試數(shù)據(jù)的整體檢測效果，表達(dá)式如下：

其中：NF是指實(shí)際存在的缺陷但未被檢出的缺陷個(gè)數(shù)；NT是實(shí)際缺陷總數(shù)量；NC是實(shí)際不存在的缺陷卻被誤認(rèn)為缺陷的數(shù)量。由于本文檢測方法是對(duì)分塊后的子圖像進(jìn)行逐像素判斷，所以對(duì)每張子圖像的檢測效果使用檢測精確度Pre、召回率Rec和F1值［19］三個(gè)指標(biāo)進(jìn)行定量的分析，其定義為：

其中：TP為正確檢測的缺陷像素點(diǎn)數(shù)；FP為正確檢測的背景像素點(diǎn)數(shù)；FN為沒有檢測到的缺陷像素點(diǎn)數(shù)；F1是檢測精確度和召回率的綜合評(píng)估指標(biāo)。

圖4 本文檢測方法流程示意圖Fig.4 Overall flowchart of the proposed detection algorithm

3.2 參數(shù)的選擇

本文從應(yīng)用的角度分析所提方法的主要參數(shù)，在ICED濾波階段，IMCF中的高斯平滑參數(shù)γ反映了抑制噪聲的效果，γ的取值過大（γ=10）會(huì)使圖像失真，對(duì)LCD導(dǎo)光板圖像而言，γ的取值在0～1對(duì)平坦區(qū)域的噪聲抑制效果最好，經(jīng)大量仿真實(shí)驗(yàn)總結(jié)，本文取γ=0.5。結(jié)構(gòu)張量Hρ(?IMCF)中參數(shù)ρICED反映了邊緣紋理結(jié)構(gòu)特征尺度，即高斯過程的卷積是以尺度為ρICED的鄰域?qū)γ總€(gè)像素點(diǎn)取加權(quán)平均，調(diào)節(jié)尺度的大小可以控制導(dǎo)光顆粒邊緣部分的擴(kuò)散程度。在IMCF的影響下，選擇相對(duì)γ（γ＜1）較大的ρICED對(duì)導(dǎo)光顆粒的邊緣保護(hù)效果較好，缺陷區(qū)域內(nèi)部像素在迭代計(jì)算中逐漸平滑，但沒有抑制導(dǎo)光顆粒的邊緣，此時(shí)，缺陷和背景之間紋理特征的差異性較?。沪袸CED的值相對(duì)γ（γ＜1）的值較接近時(shí)，能有效地抑制導(dǎo)光顆粒邊緣信息；但過小的ρICED將破壞背景的紋理特性，導(dǎo)致GMM無法對(duì)背景進(jìn)行有效的建模。由于參數(shù)γ對(duì)擴(kuò)散效果影響較小，所以本實(shí)驗(yàn)對(duì)比分析不同紋理特征尺度參數(shù)下ICED與CED的濾波效果，令迭代次數(shù)為15，處理結(jié)果如圖5所示。

從濾波效果來看：CED濾波中，當(dāng)ρCED=0.5時(shí)，圖像的紋理特征沒有得到增強(qiáng)；當(dāng)ρCED=1.5時(shí)，圖像表現(xiàn)出很強(qiáng)的流線狀紋理特征，但背景也隨之發(fā)生了嚴(yán)重的條紋狀的扭曲。ICED濾波中，當(dāng)ρICED=0.5時(shí)，有效增強(qiáng)了缺陷的線狀紋理并抑制了背景紋理。為了進(jìn)一步對(duì)比CED和ICED的紋理增強(qiáng)效果，分別將圖5中ρCED=1.5對(duì)應(yīng)的CED濾波后圖像和圖5中ρICED=0.5對(duì)應(yīng)的ICED濾波后圖像使用Laws模板L5S5提取相應(yīng)的紋理特征分量，其灰度分布三維視圖如圖6所示。

圖5 不同參數(shù)下CED濾波與ICED濾波的處理效果對(duì)比Fig.5 Processingeffect comparison between CEDfilteringand ICEDfilteringunder different parameters

顯然ICED濾波在參數(shù)ρICED=0.5時(shí)能較好地突出缺陷存在的區(qū)域，并減少背景對(duì)缺陷的干擾。為了進(jìn)一步確定ρICED的取值，在固定的迭代次數(shù)下和有效的ρICED取值區(qū)間內(nèi)，分別對(duì)表1中的6組高斯混合模型進(jìn)行訓(xùn)練，并將表1中的6組測試圖像應(yīng)用于對(duì)應(yīng)的GMM，統(tǒng)計(jì)漏檢率A和誤檢率B的值，結(jié)果如圖7所示，得出ICED參數(shù)ρ的取值范圍在0.6～0.8有更佳的檢測效果。

圖6 CED、ICED濾波后L L 5S S 5紋理特征分量的灰度分布三維視圖Fig.6 Gray distribution 3Dmaps of L5S5 texture features after CED and ICED filtering

圖7 ICED參數(shù)ρ與漏檢率A和誤檢率B的對(duì)應(yīng)關(guān)系Fig.7 Correspondence between ICED parameterρa(bǔ)nd missing rate A and false detection rate B

3.3 檢測結(jié)果對(duì)比

將本文方法與 DFT［4］、Gabor［5］、TEM［20］和 CED 與 TEM 結(jié)合的方法進(jìn)行對(duì)比分析。其中DFT和Gabor方法均先對(duì)圖像的背景紋理進(jìn)行頻域?yàn)V波，然后通過逆變換得到重構(gòu)圖像，最后通過Otsu分割出缺陷區(qū)域；TEM方法和CED結(jié)合TEM方法采用與本文方法相同的2D紋理濾波模板和GMM參數(shù)。選擇不同背景類型的LCD導(dǎo)光板缺陷圖像作為對(duì)比實(shí)驗(yàn)的測試數(shù)據(jù)，檢測結(jié)果如圖8所示，白色像素點(diǎn)表示被檢測到的缺陷像素點(diǎn)。從圖8的檢測結(jié)果來看，Gabor方法和DFT方法均有一定程度的漏檢和誤檢現(xiàn)象，但Gabor方法對(duì)非缺陷區(qū)域的誤判率比DFT方法低；紋理特征與高斯混合模型相結(jié)合的檢測方法對(duì)“顆粒缺失”這種特殊類型的缺陷具有很好的判斷能力，彌補(bǔ)了頻域?yàn)V波法對(duì)此類缺陷判斷不力的缺點(diǎn)，但TEMGMM和CED+TEM-GMM方法對(duì)背景紋理沒有抑制，對(duì)缺陷紋理也沒有增強(qiáng)，使得高斯混合模型對(duì)缺陷像素的判斷有較大的誤差。不同方法的檢測結(jié)果對(duì)比表明，本文方法所檢測出的缺陷區(qū)域更接近人工標(biāo)記的缺陷區(qū)域。

為了更加精準(zhǔn)地評(píng)估本文檢測方法，使用性能指標(biāo)：檢測精度Pre、召回率Rec、F1以及漏檢率A、誤檢率B進(jìn)行定量的分析。本文方法與其他方法在圖8測試數(shù)據(jù)上的召回率Rec和檢測精確度Pre的對(duì)比如表2所示。表2中：DFT+Otsu方法和Gabor+Otsu方法對(duì)其頻域?yàn)V波器中相關(guān)參數(shù)的選擇較為敏感，相同的參數(shù)設(shè)置難以適應(yīng)背景紋理的變化，對(duì)不同缺陷圖像計(jì)算的Rec和Pre數(shù)值波動(dòng)較大；基于多通道紋理特征和背景建模的檢測方法，對(duì)非缺陷像素有較低的誤判，所以Pre值偏高，但TEM-GMM和CED+TEM-GMM方法沒有紋理的增強(qiáng)功能，造成對(duì)缺乏紋理特征的缺陷像素漏檢，即出現(xiàn)FN數(shù)值偏高、Rec數(shù)值偏小的情況，由于CED+TEM-GMM方法對(duì)缺陷內(nèi)部的平坦區(qū)域有平滑的作用，一定程度上增強(qiáng)了缺陷內(nèi)部區(qū)域的紋理特征，其Rec數(shù)值大于TEM-GMM方法；本文方法通過對(duì)缺陷紋理進(jìn)行增強(qiáng)，降低了FN和FP的值，所以Rec和Pre的數(shù)值普遍高于其他方法。計(jì)算F1值的結(jié)果如圖9所示，本文方法比其他方法有較高的F1值，對(duì)不同背景紋理和不同類型的缺陷有更穩(wěn)健的檢測效果。

圖8 不同方法的檢測結(jié)果對(duì)比Fig.8 Comparison of detection resultsobtained by different methods

表2 不同方法缺陷圖像檢測結(jié)果的Rec和Pre值比較Tab.2 Comparison of Rec and Pre values of defect imagedetection resultsby different methods

表3顯示了不同方法對(duì)整個(gè)實(shí)驗(yàn)數(shù)據(jù)中待檢圖像的漏檢率A、誤檢率B以及檢測時(shí)間的對(duì)比，與其他對(duì)比方法相比，本文方法有較低的漏檢率和誤檢率。

表3 不同方法的漏檢率、誤檢率以及檢測時(shí)間的對(duì)比Tab.3 Comparison of missingrate，falsedetection rateand detection timeof test datasetsby different methods

在檢測時(shí)間方面，運(yùn)行環(huán)境為計(jì)算機(jī)CPU i5-7200U 2.7 GHz、8 GB內(nèi)存，算法采用Matlab和OpenCV等機(jī)器視覺庫函數(shù)實(shí)現(xiàn)，由于本文的ICED過程有多次的迭代計(jì)算，使得檢測時(shí)間略高于其他方法，需在后續(xù)的工作中對(duì)ICED優(yōu)化，但仍控制在毫秒級(jí)別，滿足實(shí)際生產(chǎn)中檢測系統(tǒng)的實(shí)時(shí)性要求。

圖9 檢測結(jié)果的F1值對(duì)比Fig.9 F1 valuecomparison of detection results

4 結(jié)語

本文提出了基于改進(jìn)相干增強(qiáng)擴(kuò)散與TEM-GMM的LCD導(dǎo)光板表面缺陷檢測方法，對(duì)相干增強(qiáng)模型引入平均曲率流擴(kuò)散濾波，對(duì)每次迭代更新的圖像進(jìn)行邊緣保持，通過選擇合適的結(jié)構(gòu)特征尺度參數(shù)ρ來增強(qiáng)缺陷紋理并抑制背景紋理，利用高斯混合模型擬合多通道背景紋理特征，通過EM算法估計(jì)背景模型參數(shù)，結(jié)合待檢圖像像素點(diǎn)屬于背景像素的后驗(yàn)概率，完成缺陷區(qū)域的判斷。在實(shí)際采集的實(shí)驗(yàn)數(shù)據(jù)上進(jìn)行測試，對(duì)比實(shí)驗(yàn)的結(jié)果表明，本文方法在F1值、漏檢率和誤檢率等性能指標(biāo)上均有明顯的優(yōu)勢，但需要在進(jìn)一步的工作中研究ICED階段的迭代停止條件和紋理結(jié)構(gòu)特征尺度參數(shù)ρ自適應(yīng)選擇的問題。