基于機(jī)器視覺(jué)的絲印樣板表面缺陷檢測(cè)方法研究 ①

董正天 劉 斌 胡春海 高明坤 李沛航

(燕山大學(xué)電氣工程學(xué)院 秦皇島 066004)

0 引 言

絲網(wǎng)印刷技術(shù)在現(xiàn)代化工業(yè)生產(chǎn)的諸多領(lǐng)域發(fā)揮重要作用。絲網(wǎng)印刷是指用絲網(wǎng)作為版基，并通過(guò)感光制版方法，制成帶有圖文的絲網(wǎng)印版。絲網(wǎng)印版由5大要素構(gòu)成，即絲印樣板、刮板、油墨、印刷臺(tái)以及承印物。絲印樣板在整個(gè)絲印過(guò)程中起著決定性的作用。在絲印樣板的制造過(guò)程中，由于原材料、生產(chǎn)設(shè)備以及生產(chǎn)環(huán)境等問(wèn)題，絲印樣板表面不可避免地會(huì)出現(xiàn)邊緣斷裂、圓度不完整等缺陷。目前在生產(chǎn)車間中主要依靠人工對(duì)絲印樣板表面進(jìn)行觀察并發(fā)現(xiàn)缺陷，這種肉眼觀察方法存在很多弊端，如人工成本高，使得企業(yè)勞動(dòng)力生產(chǎn)成本提高；受工人主觀因素影響，容易發(fā)生漏檢誤檢；工人檢測(cè)速度低，無(wú)法保證檢測(cè)效率。

機(jī)器視覺(jué)技術(shù)的出現(xiàn)為絲印樣板表面缺陷檢測(cè)提供了便捷可靠的手段[1]。機(jī)器視覺(jué)，就是用計(jì)算機(jī)代替大腦，用相機(jī)代替人的眼睛，對(duì)獲取的圖像信息進(jìn)行分析處理[2]。表面缺陷的自動(dòng)檢測(cè)是機(jī)器視覺(jué)在現(xiàn)代工業(yè)自動(dòng)化生產(chǎn)中的重要應(yīng)用[3]。目前有很多中外學(xué)者正在研究機(jī)器視覺(jué)，但是卻鮮有絲印樣板表面缺陷檢測(cè)的成熟方法以及學(xué)術(shù)論文。Min等人[4]利用方向鏈碼跟蹤算法提取缺陷區(qū)域的輪廓信息，并且優(yōu)化缺陷區(qū)域的邊緣細(xì)節(jié)使目標(biāo)的輪廓變得更加明顯，但是該算法抗噪能力差。Jian等人[5]用減法和灰度投影組合的方法來(lái)識(shí)別手機(jī)屏幕上的缺陷，并用改進(jìn)的模糊聚類算法實(shí)現(xiàn)對(duì)缺陷的分割。Mao和Wu[6]提出了一種利用最大類間方差的改進(jìn)值直接提取鋼軌表面缺陷的方法，但該方法的精度有待提高。賀振東等人[7]提出了高鐵鋼軌背景差分表面缺陷檢測(cè)方法，但是該方法并不能有效檢測(cè)絲印樣板的表面缺陷。He等人[8]提出了基于反向P-M擴(kuò)散鋼軌表面缺陷檢測(cè)算法，但算法控制參數(shù)比較多，很難利用反向P-M擴(kuò)散鋼軌表面缺陷檢測(cè)算法檢測(cè)絲印樣板表面缺陷。Tang等人[9]利用灰度投影實(shí)現(xiàn)了對(duì)軌道表面區(qū)域的快速分割，但該算法的適應(yīng)性較差。Chiou等人[10]和Blayvas等人[11]提出用自適應(yīng)閾值面直接對(duì)圖像進(jìn)行二值化分割。Li等人[12]提出了基于Hough變換的方法來(lái)識(shí)別不均勻照明圖像中的低對(duì)比度缺陷，該方法可以有效地檢測(cè)各種Mura缺陷，但是對(duì)于環(huán)境光依賴比較大，無(wú)法應(yīng)對(duì)工業(yè)環(huán)境下復(fù)雜的生產(chǎn)情況，適應(yīng)性欠佳；劉磊等人[13]采用局部最大方差法對(duì)電池片圖像進(jìn)行有效分割并識(shí)別出斷柵，胡浩等人[14]通過(guò)分析小磁瓦表面圖像中缺陷區(qū)域與正常區(qū)域的灰度、灰度梯度及缺陷形態(tài)的差異,將其表面缺陷類型劃分為三類。王武等人[15]采用八方向的各向異性高斯方向?qū)?shù)濾波器對(duì)圖像進(jìn)行卷積濾波，并作歸一化處理實(shí)現(xiàn)對(duì)手機(jī)殼缺陷的檢測(cè)，但是這些方法并不適用于絲印樣板的表面缺陷檢測(cè)。

針對(duì)絲印樣板本身的特點(diǎn)以及絲印樣板表面缺陷的特征，結(jié)合工業(yè)相機(jī)電荷耦合器件(charge coupled device，CCD)檢測(cè)技術(shù)具有重量輕、體積小、成本低、結(jié)構(gòu)簡(jiǎn)單、非接觸檢測(cè)、抗干擾能力強(qiáng)等特點(diǎn)，本文設(shè)計(jì)了一種基于機(jī)器視覺(jué)的絲印樣板表面缺陷檢測(cè)算法，在不接觸絲印樣板的前提下，可以實(shí)現(xiàn)對(duì)多種絲印樣板表面缺陷的檢測(cè)，降低了硬件的復(fù)雜度，并且具有準(zhǔn)確度高、實(shí)時(shí)性強(qiáng)等特點(diǎn)。

1 絲印樣板表面缺陷檢測(cè)平臺(tái)

針對(duì)絲印樣板表面缺陷檢測(cè)問(wèn)題，設(shè)計(jì)了絲印樣板表面缺陷視覺(jué)檢測(cè)系統(tǒng)，檢測(cè)系統(tǒng)包含硬件和軟件部分。硬件部分主要包括CCD工業(yè)相機(jī)、遠(yuǎn)心鏡頭、LED背光光源、相機(jī)光源支架以及計(jì)算機(jī)等。軟件部分主要是對(duì)采集到的圖像進(jìn)行圖像處理，包括圖像的采集和絲印樣板表面缺陷的檢測(cè)算法等。

本文檢測(cè)的絲印樣板表面為光滑材質(zhì)，反射率較高，采用條形光源進(jìn)行照明時(shí)，表面光照不均勻，極易反光，并且邊緣斷裂缺陷和圓度不完整缺陷不能較好地體現(xiàn)出來(lái)。為了解決上述問(wèn)題，采集圖像時(shí)使用LED背光源進(jìn)行照明，絲印樣板表面缺陷檢測(cè)照明平臺(tái)如圖1所示，檢測(cè)平臺(tái)采集出來(lái)的絲印樣板圖像如圖2所示。圖3(a)為絲印樣板表面的邊緣斷裂缺陷，圖3(b)為絲印樣板表面的圓度不完整缺陷。

圖1 絲印樣板表面缺陷檢測(cè)平臺(tái)

圖2 絲印樣板表面缺陷檢測(cè)平臺(tái)采集圖像

圖3 絲印樣板表面缺陷

2 絲印樣板表面缺陷檢測(cè)算法

2.1 圖像預(yù)處理

在使用CCD相機(jī)采集絲印樣板圖像時(shí)，可能會(huì)產(chǎn)生一定的噪聲，造成圖像質(zhì)量下降，不利于后續(xù)表面缺陷的檢測(cè)，因此需要對(duì)采集到的絲印樣板圖像進(jìn)行預(yù)處理。

為了降低噪聲的干擾，改善圖像的質(zhì)量，通常會(huì)采用濾波去噪處理。高斯濾波就是一種常用的濾波算法，高斯濾波可以起到平滑圖像、降低噪聲的效果。高斯濾波得到的是窗口中像素點(diǎn)灰度值的加權(quán)平均值，具體每個(gè)像素點(diǎn)的權(quán)值計(jì)算公式如下：

(1)

其中，i和j表示周圍像素點(diǎn)在窗口中的位置，σ表示高斯分布的方差，w(i,j)表示窗口中(i,j)處像素點(diǎn)在平滑過(guò)程中的權(quán)值。本文以7×7大小的高斯內(nèi)核窗口對(duì)采集到的圖像進(jìn)行平滑濾波，絲印樣板表面缺陷的高斯濾波效果如圖4(a)所示。

因?yàn)樵谥暗臑V波去噪過(guò)程中，或多或少地降低了圖像質(zhì)量，因此有必要在進(jìn)行下一步處理之前對(duì)絲印樣板圖像進(jìn)行圖像增強(qiáng)，圖像增強(qiáng)的主要目的就是改善圖像的質(zhì)量。本文采用對(duì)數(shù)變換來(lái)對(duì)絲印樣板表面缺陷圖像進(jìn)行圖像增強(qiáng)處理。對(duì)數(shù)變換主要將圖像的低灰度值部分?jǐn)U展，將其高灰度值部分壓縮，以達(dá)到增強(qiáng)圖像對(duì)比度的目的。變換方法如下：

t=clog(1+s)

(2)

其中，c為尺度比例常數(shù)，s為原圖灰度值，t為變換后的目標(biāo)灰度值。采用對(duì)數(shù)變換對(duì)絲印樣板表面缺陷圖像進(jìn)行圖像增強(qiáng)，圖像增強(qiáng)效果圖如圖4(b)所示。

圖4 絲印樣板表面預(yù)處理效果

2.2 邊緣裂縫缺陷檢測(cè)算法

本文設(shè)計(jì)了一種針對(duì)絲網(wǎng)印刷樣板邊緣斷裂缺陷檢測(cè)方法，其算法檢測(cè)流程如圖5所示。

檢測(cè)原理和核心思路為，將采集到的圖像進(jìn)行預(yù)處理，然后使用金字塔算法和歸一化互相關(guān)(normalized cross correlation, NCC)函數(shù)相結(jié)合的灰度值匹配算法進(jìn)行黑色邊緣位置的定位；在定位區(qū)域生

圖5 絲印樣板邊緣斷裂缺陷檢測(cè)算法流程圖

成一條灰度值掃描線，根據(jù)灰度值掃描線上的灰度最大值判斷是否存在斷裂缺陷。

因?yàn)閿嗔堰@種缺陷只會(huì)出現(xiàn)在黑色邊緣上，所以為了提高檢測(cè)效率，并沒(méi)有必要掃描全圖去尋找斷裂缺陷。本文提出一種先定位絲印樣板黑色邊緣位置，再根據(jù)邊緣上的灰度值檢測(cè)是否存在斷裂缺陷的檢測(cè)方法。

在進(jìn)行圖像預(yù)處理以后，接下來(lái)使用基于金字塔計(jì)算的灰度值歸一化互相關(guān)函數(shù)進(jìn)行基于模板灰度信息的匹配搜索定位。采用歸一化互相關(guān)函數(shù)算法匹配準(zhǔn)確性高，但計(jì)算量比較大，為了提高匹配速度，首先采用圖像金字塔搜索進(jìn)行圖像分層，這樣就大大減少了計(jì)算量。圖像金字塔經(jīng)過(guò)低通濾波，對(duì)圖像進(jìn)行縮小比例的抽樣，得到分辨率和尺寸不同的圖像，分辨率最高的圖像在金字塔底部，向上是分辨率逐漸變低的圖像。在相鄰兩層之間，分辨率一般相差2倍，上一層圖像的大小是下一層的1/4。

歸一化互相關(guān)(NCC)函數(shù)匹配算法以灰度信息為基礎(chǔ)，通過(guò)利用兩幅圖像灰度值的相關(guān)函數(shù)，采用相似性算法計(jì)算出模板圖像與待檢測(cè)圖像的對(duì)應(yīng)關(guān)系，從而判斷圖像的匹配程度，找到匹配的位置。歸一化后計(jì)算公式如下：

(3)

待匹配圖像I的像素大小為M×N，模板T的像素大小為m×n，從圖像I中任意選取一塊像素大小為m×n的子圖Ix, y，Ix, y的左上角像點(diǎn)在圖像I中的坐標(biāo)為(x,y)，可知坐標(biāo)范圍為0≤x≤M-m， 0≤y≤N-n。由以上計(jì)算結(jié)果可知，NCC(x,y)值越大，表示檢測(cè)圖像位置的匹配度越高，則與模板圖像越接近。

高斯金字塔由原圖像經(jīng)過(guò)連續(xù)高斯濾波和二次采樣生成的一系列不同分辨率的圖像組成。其基本構(gòu)建步驟如下。

(1) 將待處理的原始圖像作為金字塔的最下面一層用G1表示。

(2) 將第1層圖像G1通過(guò)高斯濾波器進(jìn)行濾波，再對(duì)濾波后的圖像進(jìn)行隔行隔列降采樣得到第2層圖像G2，很明顯此時(shí)G2的大小只有G1的1/4。

(3) 繼續(xù)通過(guò)上述方法進(jìn)行多尺度分解，可得到圖像G1,G2, …,Gn。

基于高斯金字塔與歸一化互相關(guān)函數(shù)相結(jié)合的匹配定位方法對(duì)黑色邊緣進(jìn)行定位，定位結(jié)果如圖6(a)所示。

在使用基于金字塔計(jì)算的灰度值歸一化互相關(guān)函數(shù)進(jìn)行黑色邊緣定位以后，可以在黑色邊緣上生成一條灰度值掃描線，根據(jù)黑色邊緣的灰度值來(lái)判斷是否存在斷裂缺陷，生成的灰度值掃描線如圖6(b)所示。

圖6 黑色邊緣區(qū)域定位與灰度值掃描線生成

在經(jīng)過(guò)大量實(shí)驗(yàn)，實(shí)際測(cè)量了足夠多的存在邊緣斷裂缺陷圖像與不存在邊緣斷裂缺陷圖像之后，得到如下結(jié)論，如果不存在斷裂缺陷，黑色邊緣上掃描線的灰度值信息波動(dòng)一般比較平穩(wěn)且灰度最大值不超過(guò)40，如圖7所示；如果黑色邊緣上存在斷裂缺陷，則黑色邊緣上掃描線的灰度值信息波動(dòng)一般會(huì)存在一個(gè)明顯的峰值，且灰度最大值會(huì)超過(guò)100，如圖8所示。因此可以設(shè)定一個(gè)灰度閾值T，根據(jù)黑色邊緣上生成的灰度值掃描線所得到的灰度值信息與所設(shè)定的灰度閾值T的關(guān)系判斷邊緣上是否存在斷裂缺陷。其中，如果圖像的黑色邊緣區(qū)域中存在灰度值較大的噪聲，可能會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生影響，所以灰度閾值不應(yīng)設(shè)置過(guò)小。并且邊緣斷裂部分的灰度值與正常邊緣部分的灰度值差距明顯，所以灰度閾值沒(méi)有必要設(shè)置過(guò)大?；诖?，經(jīng)過(guò)多次實(shí)驗(yàn)，灰度閾值T的取值范圍為80-100檢測(cè)結(jié)果最為準(zhǔn)確。

圖7 無(wú)缺陷的灰度值掃描線波形圖

圖8 有缺陷的灰度值掃描線波形圖

邊緣斷裂缺陷檢測(cè)過(guò)程首先根據(jù)基于金字塔計(jì)算的灰度值歸一化互相關(guān)函數(shù)進(jìn)行黑色邊緣定位，然后生成灰度值掃描線進(jìn)行缺陷判斷。其具體步驟如下。

步驟1使用灰度值金字塔與歸一化互相關(guān)系數(shù)相結(jié)合的定位方法定位待檢測(cè)的黑色邊緣區(qū)域。

步驟2在定位的待檢測(cè)的黑色邊緣區(qū)域，生成一條灰度值掃描線。

步驟3設(shè)置灰度閾值T(80

步驟4如果灰度值掃描線上的最大灰度值大于設(shè)置的灰度閾值T，即Graymax≥T，則黑色邊緣上有斷裂缺陷，否則，Graymax

步驟5顯示產(chǎn)品是否合格。

2.3 圓度不完整缺陷檢測(cè)算法

本文設(shè)計(jì)了一種針對(duì)絲網(wǎng)印刷樣板中圓度不完整缺陷的檢測(cè)方法，其算法檢測(cè)流程如圖9所示。

檢測(cè)原理以及核心思路為：將采集到的圖像進(jìn)行預(yù)處理，將預(yù)處理后的圖像進(jìn)行感興趣區(qū)域(region of interest，ROI)的選取，然后在ROI區(qū)域中進(jìn)行種子搜索、追蹤曲線、曲線連接、輪廓選擇、輪廓比較；最后根據(jù)輪廓比較結(jié)果判斷圓度是否完整。

圖9 絲印樣板圓度完整度缺陷檢測(cè)算法流程圖

絲印樣板中的圓形如果完整度有缺陷的話將會(huì)嚴(yán)重影響絲印的質(zhì)量。本文從圖像中提取目標(biāo)的輪廓和擬合曲線的信息，并逐點(diǎn)比較它們之間的距離，從而判斷其圓度是否完整。

輪廓是指可以在圖像中勾勒出目標(biāo)外形的一組相互連接的曲線，這些曲線由一系列目標(biāo)物的邊緣點(diǎn)組成。本文中目標(biāo)的輪廓提取可分為搜索曲線種子、追蹤曲線、曲線連接和輪廓選擇幾個(gè)步驟。其中，曲線的種子點(diǎn)是曲線追蹤過(guò)程的起始點(diǎn)，合格的曲線種子點(diǎn)應(yīng)滿足兩個(gè)條件，一是其邊緣強(qiáng)度應(yīng)大于設(shè)定值，二是它不能屬于已知曲線上的像素點(diǎn)。若用Pi, j代表(i,j)處像素的灰度，則(i,j)處的邊緣強(qiáng)度Ci, j可由下式進(jìn)行計(jì)算。

(4)

搜索圖像種子點(diǎn)的過(guò)程按以下步驟進(jìn)行。

(1) 選定ROI的一邊作為搜索起始位置，向其對(duì)面一邊沿直線逐像素計(jì)算邊緣強(qiáng)度，以確定種子點(diǎn)。

(2) 若邊緣強(qiáng)度大于設(shè)定的閾值且不屬于某一已知曲線，則將該像素點(diǎn)作為種子點(diǎn)。

(3) 反之，如果邊緣強(qiáng)度小于設(shè)定的閾值且已屬于某一已知曲線，算法將跳過(guò)當(dāng)前點(diǎn)，分析下一個(gè)點(diǎn)是否為種子點(diǎn)。

(4) 當(dāng)ROI中的一行(或一列)像素均被分析過(guò)后，算法將跳至下一行(或一列)對(duì)其中的像素進(jìn)行分析，直到整個(gè)ROI中有效行列均被分析為止。

而曲線追蹤是指從曲線種子點(diǎn)開始逐個(gè)搜索其他屬于曲線上像素點(diǎn)的過(guò)程。該過(guò)程從種子點(diǎn)開始，不斷尋找同時(shí)滿足下列條件的像素點(diǎn)，以添加到所追蹤的曲線上。

(1) 該點(diǎn)位于最近一次添加至曲線的像素點(diǎn)的鄰域內(nèi)。

(2) 該點(diǎn)具有上述鄰域內(nèi)像素邊緣強(qiáng)度的最大值，且該邊緣強(qiáng)度值大于設(shè)定的閾值。

尋找合格像素點(diǎn)的過(guò)程一直循環(huán)執(zhí)行，直到沿當(dāng)前搜索方向不再有合格像素點(diǎn)可添加到曲線上為止。隨后，搜索過(guò)程將返回到當(dāng)前種子點(diǎn)，沿與上次搜索相反的方向繼續(xù)尋找所有合格的像素點(diǎn)。上述整個(gè)過(guò)程將不斷重復(fù)應(yīng)用到各種子點(diǎn)上，直到遍歷所有種子點(diǎn)為止。

曲線追蹤過(guò)程將輸出所有基于種子點(diǎn)提取到的曲線。在實(shí)際應(yīng)用中，由于光照條件、噪聲等對(duì)圖像的影響，這些曲線往往并不能完整地表示實(shí)際目標(biāo)的輪廓，而通常僅僅是目標(biāo)輪廓的一部分。因此，需要根據(jù)歐氏距離、角度距離、連接距離和梯度差等因素進(jìn)行連接，如圖10所示。(歐式距離是指用像素?cái)?shù)表示的兩個(gè)曲線端點(diǎn)之間的實(shí)際距離；角度距離是指要使兩個(gè)曲線在端點(diǎn)處平行，其中一個(gè)端點(diǎn)需要旋轉(zhuǎn)的角度；連接距離是指一條曲線的端點(diǎn)至另一曲線端點(diǎn)延長(zhǎng)線之間的最短距離；梯度差值由兩個(gè)端點(diǎn)處梯度之差的絕對(duì)值表示。)

圖10 曲線連接的依據(jù)條件

連接完成后選擇最合適的圓形輪廓作為提取的目標(biāo)物輪廓。提取的帶有圓度不完整缺陷的絲印樣板圓形部分的輪廓如圖11所示。

圖11 提取的目標(biāo)物的輪廓圖

接著從包含輪廓信息的圖像中提取輪廓像素，并基于這些像素?cái)M合出標(biāo)準(zhǔn)的圓。擬合出的標(biāo)準(zhǔn)圓的信息供后續(xù)比較過(guò)程使用。帶有圓度不完整缺陷的絲印樣板圓形部分?jǐn)M合出的標(biāo)準(zhǔn)圓如圖12所示。

從圖像中提取出目標(biāo)的輪廓和擬合標(biāo)準(zhǔn)圓的信息以后，逐點(diǎn)比較兩者之間的距離。并根據(jù)兩者之間的距離判斷圓度是不是完整，如果逐點(diǎn)比較以后

圖12 擬合得到的標(biāo)準(zhǔn)圓

兩者之間的距離全部小于所設(shè)定的距離閾值w，則證明圓度完整，不存在圓度不完整的缺陷。如圖13所示，將距離閾值w設(shè)置為2個(gè)像素，逐點(diǎn)比較兩者之間的距離，發(fā)現(xiàn)兩者之間的距離沒(méi)有大于2個(gè)像素的，則不存在圓度不完整缺陷。反之，若逐點(diǎn)比較以后兩者之間的距離有大于所設(shè)定的閾值w的，則證明圓度不完整，存在圓度不完整的缺陷。如圖14所示，將距離閾值w設(shè)置為2個(gè)像素，逐點(diǎn)比較兩者之間的距離，發(fā)現(xiàn)兩者之間的距離有大于2個(gè)像素的，則存在圓度不完整缺陷。圓度不完整缺陷檢測(cè)結(jié)果示意圖如圖15所示，其中，圖15(a)為絲印樣板整體缺陷檢測(cè)結(jié)果示意圖，圖15(b)為絲印樣板圓形部分放大圖，其中圓度不完整缺陷部分被標(biāo)記出來(lái)。

圖13 圓度完整逐點(diǎn)比較距離值示意圖

圖14 圓度不完整缺逐點(diǎn)比較距離值示意圖

圖15 圓度不完整缺陷檢測(cè)示意圖

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證以上算法是否能夠針對(duì)特定缺陷進(jìn)行檢測(cè)，實(shí)驗(yàn)采用最高分辨率為2 456×2 058的面陣CCD，并且采用物距為105 mm、遠(yuǎn)心度為0.03 °的BT-2336遠(yuǎn)心鏡頭采集圖像，經(jīng)過(guò)多次實(shí)驗(yàn)，采用紅色面狀背光光源照明。

針對(duì)絲印樣板表面的邊緣斷裂缺陷和圓度不完整缺陷兩種類別，實(shí)驗(yàn)采集了120張絲印樣板樣品圖像，其中無(wú)缺陷的照片有20張，其余100張有邊緣斷裂缺陷和圓度不完整缺陷，并且邊緣斷裂缺陷圖像有40張，圓度不完整缺陷圖像有60張。檢測(cè)結(jié)果如表1所示。

表1 120張絲印樣板圖片檢測(cè)數(shù)據(jù)

由表1可以看出，在實(shí)際檢測(cè)中，本文算法對(duì)邊緣斷裂缺陷和圓度不完整缺陷這兩種缺陷的提取較為準(zhǔn)確，邊緣斷裂缺陷檢測(cè)時(shí)的誤檢主要是由于特殊的噪聲導(dǎo)致，而圓度不完整缺陷發(fā)生漏檢主要是因?yàn)閳A度不完整的缺陷小于1個(gè)像素，容易導(dǎo)致漏檢，但是漏檢的絲印樣板在質(zhì)量上基本屬于合格產(chǎn)品。綜上所述，本文算法中邊緣斷裂缺陷檢測(cè)的準(zhǔn)確率達(dá)到92.5%，圓度不完整缺陷檢測(cè)的準(zhǔn)確率達(dá)到96.7%，綜合準(zhǔn)確率達(dá)到94.6%。

4 結(jié) 論

針對(duì)目前絲印樣板表面質(zhì)量檢測(cè)效率低的問(wèn)題，本文通過(guò)對(duì)絲印樣板本身的特點(diǎn)以及邊緣斷裂缺陷和圓度不完整缺陷本身的特征進(jìn)行分析和研究，提出了一種基于機(jī)器視覺(jué)的絲印樣板表面缺陷檢測(cè)算法。針對(duì)邊緣斷裂缺陷，為了避免掃描全圖，首先使用金字塔匹配和歸一化互相關(guān)函數(shù)相結(jié)合的算法進(jìn)行黑色邊緣定位，然后在定位的黑色邊緣上生成一條灰度值掃描線，根據(jù)掃描線上的灰度值判斷是否存在邊緣斷裂缺陷；針對(duì)圓度不完整缺陷，首先通過(guò)種子搜索、曲線追蹤、曲線連接和輪廓選擇4個(gè)步驟進(jìn)行目標(biāo)輪廓的提取，然后從圖像中提取輪廓像素，基于這些像素?cái)M合出理想的圓，最后比較提取出來(lái)的目標(biāo)輪廓和擬合曲線的信息，根據(jù)兩者之間的距離判斷是否存在圓度不完整缺陷。實(shí)驗(yàn)結(jié)果表明，本文算法中邊緣斷裂缺陷檢測(cè)的準(zhǔn)確率達(dá)到92.5%，圓度不完整缺陷檢測(cè)的準(zhǔn)確率達(dá)到96.7%，綜合準(zhǔn)確率達(dá)到94.6%。該算法的運(yùn)行效率和準(zhǔn)確率高，穩(wěn)定性和魯棒性強(qiáng)，能夠滿足企業(yè)的實(shí)際需求。