基于并行計算的拋光軸表面缺陷檢測研究*

姜慶勝，李研彪，計時鳴

(浙江工業(yè)大學 機械工程學院，浙江 杭州 310023)

0 引 言

軸是機械行業(yè)普遍使用的零部件，其表面缺陷對其的使用性能和壽命有重要影響。一般情況下，軸的表面缺陷檢測依靠工人肉眼觀察完成，人工判斷缺陷并剔除次品，檢驗人員的勞動強度大，長期工作對眼睛有傷害，并且檢測結果一致性差，易發(fā)生漏檢。而利用機器視覺自動檢測軸的表面缺陷，可有效提高檢測效率、檢測質量，保護檢測人員健康，是未來技術的發(fā)展趨勢。

在軸的在線檢測中，圖像處理的速度是提高檢測效率的重要因素之一。隨著被處理的圖像數(shù)量的增加，以及圖像分辨率的不斷提高，處理速度會變得越來越慢。由于計算機硬件系統(tǒng)的限制，會造成對復雜數(shù)據(jù)的處理速度的限制。根據(jù)摩爾定律[1]，CPU的主頻已經發(fā)展到了極限，無法僅靠提升硬件性能來提高運算速度。

近年來，超級計算的計算方法已應用到生產實踐中。超級計算的最基本方法就是并行計算。并行計算的方法和硬件的結構有著密切的關系，但是其基本的原理和模型就是串行問題并行化。按其硬件形式可分為兩類：(1)多機并行集群方式；(2)單機多核，例如GPU系統(tǒng)。

并行計算目的是為了加快運算速度，追尋并行架構的演變軌跡[2]，經歷了向量、分布存儲[3]、共享存儲、異構幾個階段。與之對應的程序設計語言有：面向向量的VFortran、面向分布存儲的PVM和MPI、面向共享存儲的OpenMP和面向異構的OpenCL[4]。當前應用更廣泛的是Nvidia公司的使用CUDA C語言的顯卡和專用計算卡。

Spark是近幾年最流行的也比較成熟的多機并行的分布式集群運算架構[5-9]，隨著并行數(shù)量的增加，其運算速度明顯加快。而對于基于面向異構的CUDA的單機多核并行計算也已經有了大量的研究和應用[10-14]，這種方式加速非常明顯。另外其他的并行方式有MPI[15]、OpenMP[16]等，但應用不多。

本文研究兩種典型的并行計算方式，并提出一種將兩種架構結合的方式，實現(xiàn)實時和大數(shù)據(jù)檢測。

1 拋光軸表面缺陷檢測

1.1 拋光軸表面缺陷檢測系統(tǒng)

拋光軸表面缺陷檢測系統(tǒng)不但需要實時識別出產品是否合格，而且也需要缺陷分析。

比較典型的軸表面缺陷檢測系統(tǒng)如圖1所示。

圖1 缺陷檢測系統(tǒng)

1.2 圖像采集

由于軸是屬于有規(guī)則型旋轉曲面，而且經過拋光，具有高光反射特性，對于這種具有鏡面特點的曲面上的缺陷，當前比較流行的圖像獲取方式是線掃描。在線掃描裝置中，相機采用線陣相機，光源采用線光源。為了防止由于鏡面的高光反射，而拍攝不到缺陷，必須先確定相機和線光源的角度。同時，軸的轉動時間也必須和拍攝時間保持一定的比例關系，否則缺陷會失真。

軸的線掃描裝置如圖2所示。

圖2 軸的線掃描裝置

線掃描圖像采集主要設備型號如表1所示。

表1 圖像采集主要設備型號

1.3 圖像特征

根據(jù)被檢測軸缺陷的尺度，某些情況下需要采集較高分辨率的圖像。筆者研究的檢測對象活塞軸，其長度為200 mm～400 mm，直徑約20 mm左右，表面經拋光處理，表面最小缺陷的直徑約0.1 mm。根據(jù)缺陷尺度識別要求，采集圖像的分辨率至少要達到16 384×4 096，即6.7×107像素，這就意味著處理時需要比較長的時間。

活塞軸和部分缺陷圖如圖3所示。

圖3 活塞軸和部分缺陷圖

針對高分辨率圖像，圖像處理的耗時直接影響到機器視覺自動檢測系統(tǒng)效率。因此，要選擇合理的圖像處理平臺和算法。

活塞軸表面圖像具有像素多、被檢測缺陷點小的特點，一般情況下6.7×107像素的圖像中的缺陷是僅有數(shù)十個互相連通的像素團。根據(jù)統(tǒng)計分析，16個像素以下的像素團應作為噪聲濾除，而且生產要求在線識別是否合格時間要小于1 s。

16 384×4 096線掃描圖像如圖4所示。

圖4 16 384×4 096線掃描圖像

1.4 表面缺陷檢測的處理方法

對于物體表面缺陷的檢測，常用的處理方法有[17]：統(tǒng)計法、頻譜法和模型法。(1)統(tǒng)計法又可以分為直方圖法[18]、灰度共生矩陣法[19]、自相關法[20]、數(shù)學形態(tài)學法[21]；(2)頻譜法可以分為傅里葉特征法[22]、Gabor特征法[23]和小波特征法[24]；(3)模型法可以分為分形體法[25]、隨機場模型法[26]和新模型法[27]。

圖3中，軸表面缺陷點一般是凹坑、壓痕、磨損和長條狀的劃痕。當圖像經過均值濾波之后，非缺陷點的像素明顯高于某個閾值，所以只要能檢測出圖片中的閾值小于這個閾值的點數(shù)的總數(shù)占一定的比例，就可以判斷該軸是否存在缺陷。

由于需要檢測軸表面非常微小的缺陷，采集的單張圖片至少要大于6.7×107像素，并行計算是最好的選擇。并行計算可以分為：任務并行性和數(shù)據(jù)并行性。對于Spark多機分布并行計算適用于任務并行法，而對于單機多核的GPU適合使用數(shù)據(jù)并行法。

1.5 基于傳統(tǒng)的像素逐次遍歷的缺陷檢測

為了便于對比，筆者采納了基于像素的逐次遍歷串行計算方法：采集灰度化圖像，通過均值濾波去除16點以下的像素團干擾，再將圖像的像素值轉換為二維數(shù)組，對每個數(shù)組元素和選取的閾值進行對比，小于某閾值的就進行統(tǒng)計，全部依次對比完成后，得到總的小于該閾值的像數(shù)總數(shù)，如果該總數(shù)達到某個缺陷的值，就認為存在缺陷，一次性完成圖像的特征提取和識別。

普通串行算法的缺陷檢測系統(tǒng)如圖5所示。

圖5 普通串行算法的缺陷檢測系統(tǒng)

2 基于并行計算的檢測系統(tǒng)

2.1 基于多機并行的Spark分布式并行計算系統(tǒng)

分布式并行處理就是多臺具有獨立運算功能的計算機并聯(lián)運行。Spark是在擴展了Hadoop+MapReduce計算模型基礎上的通用集群計算平臺，其特點是易用性；運算速度快，具有交互功能；通用性，在其基礎上可以完成其他各種復雜運算。它可以完成原先需要多種不同的分布式平臺的場景的運算。Spark的API接口可以是基于Python、Java、Scala和SQL的程序，可以和其他大數(shù)據(jù)工具緊密配合。

Spark的核心是Spark core，實現(xiàn)任務調度、內存管理等，但真正的工作是對彈性分布式數(shù)據(jù)集RDD的API定義，RDD主要的編程對象是分布在各個節(jié)點上可以并行操作的元素集合[28]。

Spark是個多任務的操作模式，就是將一個項目通過管理器分成很多個小任務，然后將這些小任務分到各個計算機節(jié)點去運算。

應用于軸表面缺陷的處理，主要是針對圖像的預處理和像素的檢索，利用了Spark的機器學習組件MLib中的函數(shù)[29]。

基于Spark的缺陷檢測系統(tǒng)如圖6所示。

圖6 基于Spark的缺陷檢測系統(tǒng)

2.2 基于單機多核的GPU并行計算系統(tǒng)

由于其強大的圖像并行處理能力，圖像處理單元GPU被廣泛應用于計算密集型計算。CUDA是Nvidia公司在圖形處理卡GPU上運行的應用軟件，它可以讓C或C++代碼在GPU上高效運行。

GPU是一種異構架構[30]，其運行原理是主程序使用串行方式編程，在CPU中運行，但遇到程序中的計算密集型部分，就把這些數(shù)據(jù)拷貝到GPU中，也就是顯卡或計算卡，讓GPU進行并行計算，當GPU計算完成之后，再把數(shù)據(jù)拷貝到CPU中。

為了具有對比性，此處仍然以串行遍歷像素點的方法來確認是否有缺陷，不過采用了CUDA并行計算，并且使用了線程協(xié)助管理和共享內存的特性來優(yōu)化求和計算[31]。

并行計算數(shù)學原理為：

當n?m，且i≤n時，則：

當Pi

當Pi>T時，令Pi=0；

由此可得像素和為：

Sn=S1+S2+…+Si+…+Sm

(1)

其中：

S1=P1+Pm+1+…+Pn-m+1S2=P2+Pm+2+…+Pn-m+2……Si=Pi+Pm+i+…+Pn-m+i……Sm=Pm+Pm+m+…+Pn

(2)

但是這樣并行求和后，仍然會有m個數(shù)據(jù)求和，可以考慮再一次使用取半規(guī)約算法的數(shù)學方法進行并行求解。

根據(jù)式(1)有(Sj∈m)：

(j=1，2，3，……)

(3)

此式可寫為：

(4)

令：

(5)

可得和為：

(6)

再令：

(7)

以此類推，令通式為：

(8)

經過k次迭代后，可得最后和為：

(9)

式中：i—像素位置；T—閾值；P—像素值；S—像素的和；n—總的像素個數(shù)；m—一次并行處理的線程數(shù)；k—迭代次數(shù)。

檢測系統(tǒng)中，圖像噪聲濾波和像素點判斷統(tǒng)計采用不同的核函數(shù)，這里充分利用了Nvidia圖像卡GPU中已經分配的地址，以減少數(shù)據(jù)拷貝時間。

CUDA缺陷檢測系統(tǒng)如圖7所示。

圖7 CUDA缺陷檢測系統(tǒng)

3 實驗及結果分析

3.1 實驗設備

(1)多計算機集群配置的設備來自阿里服務器，其集群硬件如表2所示。

表2 集群硬件

集群軟件配置如表3所示。

表3 集群軟件配置

(2)單機多核運行的實驗設備系統(tǒng)配置是：CPU為Intel(R) CPU E5-2620 v3 @2.40 GHz(2 core)內存32GB，GPU為Nvidia的GTK1080Ti。操作系統(tǒng)是Windows Servers 2012 R2 64位操作系統(tǒng)。使用OpenCV、C++、CUDA C。1.5節(jié)的串行傳統(tǒng)遍歷算法也使用該計算機CPU運算。

3.2 實驗數(shù)據(jù)

實驗中使用圖4中的被檢測圖片。由于生產現(xiàn)場被檢測的軸是按照流水線逐個檢測，每次檢測一張圖片，并判定是否合格。實驗分別按照1.5，2.1，2.2節(jié)的方法測定運行時間，運行時間按照有數(shù)據(jù)傳輸和無數(shù)據(jù)傳輸分別測定。

不含通訊和數(shù)據(jù)拷貝的時間對比如表4所示。

表4 不含通訊和數(shù)據(jù)拷貝的運算時間對比

包含數(shù)據(jù)通訊和拷貝的時間對比如表5所示。

表5 包含數(shù)據(jù)通訊和拷貝的時間對比

3.3 實驗結果分析

3.3.1 基于Spark的檢測

根據(jù)2.1節(jié)采用Spark框架檢測一張圖片的運行時間，包括圖片拷貝到HDFS上的時間、計算機之間的數(shù)據(jù)交換通訊時間，以及調度器在不同節(jié)點上的工作任務部署時間，至少需要6 s以上，這對于實時系統(tǒng)顯然是不合適的。

根據(jù)眾多文獻實驗證明，大量圖片一次性拷貝到HDFS上進行運算，隨著計算機節(jié)點數(shù)量的增加，運算時間明顯減少，適合大數(shù)據(jù)的批量運算。

3.3.2 基于CUDA檢測

根據(jù)2.2節(jié)，用基于CUDA的單計算機多核并行計算方式，實驗表明其完整運算時間為320 ms，可以滿足實時要求[32]。如果采用機器學習，得到預測模型會花很長時間。根據(jù)文獻[33]實驗可知，一張512×512單張圖片的模型檢測時間在2.29 s以上，這對于Spark的分布式計算機集群上是可行的，但不符合實時檢測要求。

評估并行加速的指標是加速比，其公式為:

(10)

式中：Te—串行計算時間；TP—并行計算時間；Sp—加速比。

由實驗可知，GPU在有通信的時候的加速比是3；無通訊的時候的加速比是52，可見數(shù)據(jù)的通訊和拷貝時間占用比較多的時間。

3.4 實時檢測和大數(shù)據(jù)量數(shù)據(jù)分析的混合結構模式

根據(jù)以上分析，對于一個比較完整的軸表面缺陷檢測，即要滿足實時在線的快速檢測，又要進行缺陷分類，宜用人工智能中的基于神經網(wǎng)絡的深度學習，所以筆者提出了一種CUDA+Spark的混合模式。

CUDA+Spark模型如圖8所示。

圖8 CUDA+Spark模型

根據(jù)混合模型，利用CUDA實現(xiàn)快速的實時檢測，然后把缺陷圖片全部上傳到HDFS存儲，可以間隔一段時間，對批量數(shù)據(jù)進行分析處理。

RDD最適合對數(shù)據(jù)集中所有的元素進行相同的操作的批處理類應用，所以將缺陷分析部分置于Spark架構上是可行的。

兩種并行方式的結合使用會有更好的空間，除了租用云服務器外，也可以將云計算改成就地多計算機系統(tǒng)組成就地云網(wǎng)絡，以減少數(shù)據(jù)傳輸時間，并用于存儲超大數(shù)據(jù)和長時間的復雜計算，使用GPU系統(tǒng)并行計算來作為實時計算，同時利用就地云網(wǎng)絡的計算結果來為實時判斷提供依據(jù)。

4 結束語

當前，基于視覺的缺陷檢測已經不僅僅局限于實時檢測產品是否合格，也需要分析產生缺陷的原因，而分析產生缺陷的原因需要對大量數(shù)據(jù)進行存儲和處理。

筆者經實驗證明了通過數(shù)學并行原理優(yōu)化后的GPU片上多核的并行計算方式，適用于高分辨率圖像實時環(huán)境；而基于云的Spark架構分布式并行計算方式，不適用于實時環(huán)境，但卻適合使用在計算和數(shù)據(jù)密集、大批量數(shù)據(jù)處理的場合，而GPU卻不適合。所以采用GPU和Spark結合模式可以滿足對高分辨率圖像的實時檢測和大數(shù)據(jù)量分析場合的需求。