扁平漆包線表面缺陷在線檢測(cè)研究

宋章明,賀慧勇,黃躍俊

(1.長(zhǎng)沙理工大學(xué) 物理與電子科學(xué)學(xué)院,湖南 長(zhǎng)沙 410114;2.近地空間電磁環(huán)境監(jiān)測(cè)與建模湖南省普通高校重點(diǎn)實(shí)驗(yàn)室,湖南 長(zhǎng)沙 410114)

漆包線是電機(jī)、電器等產(chǎn)品的主要原材料。漆包線包括內(nèi)部的金屬導(dǎo)線和覆蓋在外層具有有機(jī)絕緣性能的漆[1]。內(nèi)部金屬導(dǎo)線容易被雜質(zhì)污染，生產(chǎn)環(huán)境等原因也會(huì)導(dǎo)致生產(chǎn)出來(lái)的漆包線表面有劃痕、漆膜脫落、漆瘤等缺陷[2]，嚴(yán)重影響機(jī)電產(chǎn)品的性能。目前，我國(guó)的生產(chǎn)水平還無(wú)法解決這些漆包線表面缺陷問(wèn)題，只能通過(guò)缺陷檢測(cè)設(shè)備來(lái)監(jiān)控漆包線的質(zhì)量。

檢測(cè)漆包線表面缺陷的方法主要包括日本鹽水法和壓輪式直流高壓漆膜連續(xù)性檢測(cè)法等，也可利用渦流傳感器對(duì)漆包線表面缺陷進(jìn)行檢測(cè)[3]。但這些方法存在漏檢以及無(wú)法滿足實(shí)時(shí)性的問(wèn)題，使得漆包線表面缺陷檢測(cè)效果不佳。

因此，本文提出了扁平漆包線表面缺陷在線檢測(cè)算法，并搭建了在線檢測(cè)系統(tǒng)。該系統(tǒng)可以檢測(cè)運(yùn)行速度為20 m·min-1，表面寬度為5 mm的扁平漆包線，最小可以檢測(cè)0.1 mm×0.1 mm的缺陷。該系統(tǒng)能實(shí)時(shí)檢測(cè)扁平漆包線表面缺陷，且不會(huì)對(duì)扁平漆包線造成二次傷害，是一種無(wú)損的檢測(cè)方法。

1 系統(tǒng)搭建

圖1為扁平漆包線表面缺陷在線檢測(cè)系統(tǒng)的總體設(shè)計(jì)，該系統(tǒng)主要包含以下幾個(gè)部分：照明系統(tǒng)、工業(yè)相機(jī)、圖像采集、缺陷檢測(cè)。

圖1 系統(tǒng)總體設(shè)計(jì)

1.1 照明系統(tǒng)

照明系統(tǒng)包括光源和照明方式，這兩者的搭配應(yīng)該盡量突出缺陷的特征，以便進(jìn)行缺陷檢測(cè)[4]。選擇光源時(shí)，需要考慮發(fā)光強(qiáng)度、光源形狀、光照均勻度和光譜特性等因素。照明方式要兼顧光源和工業(yè)相機(jī)的相對(duì)位置、待測(cè)物體的幾何形狀、表面紋理、背景等。因此，針對(duì)扁平漆包線表面的高反光性質(zhì)，系統(tǒng)選用LED條形光源，照明方案采用“低角度前光照明”，照明系統(tǒng)[5]如圖2所示。

圖2 照明系統(tǒng)

1.2 相機(jī)選型

針對(duì)扁平漆包線的寬度為5 mm，最小檢測(cè)缺陷大小為0.1 mm×0.1 mm。此系統(tǒng)選用工業(yè)相機(jī)，拍攝圖像大小為640×480，每秒可以取圖30幀。當(dāng)采集圖像上的扁平漆包線和實(shí)際的漆包線相同大小時(shí)，就能達(dá)到檢測(cè)的最低標(biāo)準(zhǔn)。

所以，采集圖像最小尺寸為：寬度上需要像素點(diǎn)數(shù)=扁平漆包線寬度/分辨率=5/0.1=50個(gè)；長(zhǎng)度上需要的像素點(diǎn)數(shù)(每秒)=扁平漆包線寬度/分辨率=0.333 3×1 000/0.1=3 333個(gè)。

可以得出，該系統(tǒng)采集的圖像在寬度上至少需要50個(gè)像素點(diǎn)，選用工業(yè)相機(jī)的480個(gè)像素點(diǎn)足以滿足要求。長(zhǎng)度上需要3 333個(gè)像素，系統(tǒng)的相機(jī)每秒能拍30幀，640×30=19 200>3 333。因此，本系統(tǒng)選用的工業(yè)相機(jī)滿足要求[6]。

2 扁平漆包線表面缺陷在線檢測(cè)算法

扁平漆包線表面缺陷在線檢測(cè)算法分為預(yù)處理、缺陷幀識(shí)別、缺陷特征提取3個(gè)部分。預(yù)處理部分主要是對(duì)扁平漆包線做背景分離，消除抖動(dòng)干擾。缺陷幀識(shí)別部分對(duì)當(dāng)前圖像是否存在缺陷進(jìn)行判斷。缺陷特征提取部分利用連通域分析和邊界追蹤算法計(jì)算缺陷的位置、面積、周長(zhǎng)等特征。圖3為算法流程圖。

圖3 算法流程圖

2.1 背景分離

考慮算法的有效性和系統(tǒng)的實(shí)時(shí)性，本文采用幀間差分法分離背景。已知當(dāng)前幀的灰度化圖像fn(x,y)與前一幀的灰度化圖像fn-1(x,y)，如式(1)所示，兩幀做差得出幀差圖像Dn(x,y)。如式(2)所示，設(shè)定閾值T，對(duì)幀差圖像Dn(x,y)做二值化處理，得到二值化圖像Rn(x,y)。其中，灰度值為0的點(diǎn)為背景點(diǎn)，灰度值為255的點(diǎn)為前景點(diǎn)[7-8]。為了方便觀察，背景分離圖像中黑色為前景像素點(diǎn)，白色為背景像素點(diǎn)。

Dn(x,y)=fn(x,y)-fn-1(x,y)

(1)

(2)

圖4(a)為原始圖像，圖4(b)為利用幀間差分法得到的背景分離圖像。由圖4可知，利用幀間差分法可以較好地解決光照不均勻的問(wèn)題。但是，由于扁平漆包線在垂直于運(yùn)動(dòng)方向上的抖動(dòng)，容易產(chǎn)生抖動(dòng)干擾。因此，系統(tǒng)需要對(duì)抖動(dòng)干擾進(jìn)行處理。

(a)

2.2 消抖處理

抖動(dòng)干擾主要集中在扁平漆包線的上下邊界附近[9]，寬度較窄且長(zhǎng)度較長(zhǎng)。本文提出了一種消抖處理方法：(1)利用扁平漆包線與背景的灰度值相差較大的特性，對(duì)灰度圖像二值化；(2)將二值化圖像每一行的前景像素點(diǎn)數(shù)量投影到坐標(biāo)軸上，投影結(jié)果如圖5(a)所示。投影曲線上顯著跳變的地方就是扁平漆包線的上下邊界[10]，如圖5(b)所示，上下邊界已標(biāo)出；(3)在背景分離圖像中的扁平漆包線上下邊界處，向上下各延伸一段距離得到兩個(gè)矩形區(qū)域，該區(qū)域包含了抖動(dòng)干擾和真實(shí)缺陷。在這兩個(gè)區(qū)域內(nèi)，掃描得到每一行前景像素點(diǎn)數(shù)量，設(shè)置一個(gè)閾值，當(dāng)該數(shù)量大于閾值時(shí)，令該行像素點(diǎn)灰度值全部為0，否則保持不變；(4)最后得到消抖處理后的圖像。如圖5(c)所示，可以看出真實(shí)缺陷得到保留，抖動(dòng)干擾大部分被消除，只剩下少量寬度較小的干擾，在特征提取過(guò)程中可以被忽略。

(a)

2.3 缺陷幀識(shí)別

在扁平漆包線表面缺陷在線檢測(cè)算法過(guò)程中，為了得到缺陷的位置、面積、周長(zhǎng)等特征，需耗費(fèi)較長(zhǎng)時(shí)間進(jìn)行缺陷特征提取。對(duì)于不存在缺陷的圖像，對(duì)其進(jìn)行特征提取毫無(wú)意義，且在實(shí)際生產(chǎn)線上，不存在缺陷的圖像占大部分。因此，在缺陷特征提取之前，對(duì)圖像是否存在缺陷進(jìn)行判斷可以加快算法速度[11]。圖6(a)為缺陷幀識(shí)別的流程圖。針對(duì)抖動(dòng)處理后的圖像，計(jì)算圖像中每一列的前景像素點(diǎn)的數(shù)量[12]，當(dāng)存在連續(xù)N列前景像素點(diǎn)的數(shù)量大于等于N時(shí)(N為檢測(cè)缺陷的最小分辨率)，則判斷當(dāng)前圖像幀存在缺陷，進(jìn)行下一部分的缺陷特征提取；否則判斷當(dāng)前圖像幀沒(méi)有缺陷，讀入下一幀原始圖像。圖6(b)是圖5(c)的投影結(jié)果，可以判斷圖5(c)存在缺陷。圖6(d)是圖6(c)經(jīng)過(guò)預(yù)處理后圖像的投影結(jié)果，可以判斷圖6(c)沒(méi)有缺陷[13-14]。

(a)

2.4 缺陷特征提取

判定圖像存在缺陷之后，通過(guò)一些客觀指標(biāo)對(duì)圖像中的缺陷進(jìn)行定量分析，包括面積、周長(zhǎng)、質(zhì)心以及邊界等。

對(duì)抖動(dòng)處理后的圖像做連通域分析，通過(guò)種子填充算法對(duì)每個(gè)符合8鄰域鄰接準(zhǔn)則的連通域進(jìn)行標(biāo)記[15-16]，對(duì)每個(gè)連通域編號(hào)。每個(gè)連通域的質(zhì)心就是缺陷的位置；每個(gè)連通域包含像素的數(shù)量就是缺陷的面積；連通域上下左右邊界就可以得到缺陷的長(zhǎng)和寬。將小于特定面積、長(zhǎng)、寬的連通域內(nèi)像素點(diǎn)灰度值置零，即可去除抖動(dòng)處理后仍存在的少量干擾。圖7所示為去除干擾后的缺陷圖像。

圖7 去除干擾后缺陷圖像

對(duì)于去除干擾后的缺陷圖像，采用邊界追蹤算法得到缺陷邊界及周長(zhǎng)。邊界追蹤算法使用方向鏈碼追蹤缺陷區(qū)域的邊界，該方法基于邊界點(diǎn)信息跟蹤，可以避免搜索整個(gè)圖像，提高了算法效率。如圖8所示，中心像素P沿順時(shí)針?lè)较蚓幋a，編碼到8個(gè)相鄰點(diǎn)，以下是邊界追蹤算法過(guò)程[17]：

步驟1如圖9(a)所示，自上向下、自左向右掃描圖像，找到第一個(gè)前景像素點(diǎn)，編號(hào)為“1”，此點(diǎn)必為邊界點(diǎn)，停止掃描并記錄點(diǎn)(x1,y1)的坐標(biāo)；

步驟2如圖9(b)所示，以點(diǎn)(x1,y1)為中心，設(shè)初始鏈碼方向?yàn)椤?”，順時(shí)針?lè)较驋呙鑼ふ蚁乱粋€(gè)相鄰的前景像素點(diǎn)。若找到則停止掃描，記錄為邊界點(diǎn)(x2,y2)，編號(hào)為“1”，同時(shí)記錄此時(shí)的鏈碼方向n(0 ≤n≤ 7)，并轉(zhuǎn)到步驟3；若沒(méi)有找到下一個(gè)相鄰點(diǎn)則停止邊界追蹤；

步驟3如圖9(c)和圖9(d)所示，以點(diǎn)(x2,y2)為中心，設(shè)初始鏈碼方向?yàn)椤?n+5)%8”(該方向?yàn)樵较虻姆捶较蛟陧槙r(shí)針上的下一個(gè)方向)，按順時(shí)針?lè)较驋呙鑼ふ蚁乱粋€(gè)相鄰的前景像素點(diǎn)。若找到則停止掃描，并記錄為邊界點(diǎn)(x3,y3)，編號(hào)為“1”，同時(shí)記錄此時(shí)的鏈碼方向n(0 ≤n≤ 7)，并以(x3,y3)為中心，并轉(zhuǎn)到步驟3。沒(méi)有找到下一個(gè)相鄰點(diǎn)或回到點(diǎn)(x1,y1)則停止邊界追蹤。

圖8 中心點(diǎn)P的方向鏈碼

圖9 邊界追蹤算法過(guò)程

通過(guò)以上過(guò)程，可以得到編號(hào)為“1”的連通域的邊界，如圖10(a)所示。類似地，可以得到其他編號(hào)的連通域的邊界，如圖10(b)所示。

圖10 邊界追蹤算法結(jié)果

運(yùn)用邊界追蹤算法可以得到各個(gè)缺陷的邊界，并標(biāo)記在原始圖像上，如圖11所示，為缺陷標(biāo)注圖像。通過(guò)得到邊界的鏈碼長(zhǎng)度可以得到該缺陷的周長(zhǎng)，根據(jù)圖像像素尺寸和扁平漆包線實(shí)際尺寸的比例關(guān)系，就可以求出缺陷的實(shí)際面積和周長(zhǎng)。綜上所述，特征提取部分可以提取缺陷的位置、面積、周長(zhǎng)等特征，圖像的缺陷特征如表1所示。

圖11 缺陷標(biāo)注圖像

表1 缺陷檢測(cè)結(jié)果

3 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)分別取生產(chǎn)線上多張合格扁平漆包線圖像和不合格扁平漆包線圖像，使用缺陷幀識(shí)別對(duì)這種樣品圖像做出判斷。結(jié)果如表2所示，合格樣品圖像共有392張，正確識(shí)別375張，識(shí)別準(zhǔn)確率為95.7%；不合格樣品圖像共有300張，正確識(shí)別293張，識(shí)別準(zhǔn)確率為97.7%。

表2 缺陷幀識(shí)別結(jié)果

在加入缺陷幀識(shí)別前后，為了對(duì)比特征提取的處理時(shí)間，取3段扁平漆包線樣本，分別得到這3段樣本中非缺陷幀的比例。對(duì)比這3段樣本圖像在未加入缺陷幀識(shí)別時(shí)缺陷特征提取的處理時(shí)間(表3的處理時(shí)間a)和加入缺陷幀識(shí)別之后缺陷幀識(shí)別處理時(shí)間與缺陷特征提取處理時(shí)間之和(表3的處理時(shí)間b)，處理時(shí)間的對(duì)比如表3所示。當(dāng)非缺陷幀占圖像總數(shù)的52.2%時(shí)，缺陷特征提取時(shí)間下降了22.7%，且隨著非缺陷圖像比例增高，時(shí)間下降比例越高。

表3 處理時(shí)間對(duì)比

4 結(jié)束語(yǔ)

針對(duì)扁平漆包線的表面缺陷，本文提出了扁平漆包線表面缺陷在線檢測(cè)系統(tǒng)。通過(guò)實(shí)驗(yàn)數(shù)據(jù)顯示，圖像中缺陷的識(shí)別準(zhǔn)確率達(dá)到95%。該系統(tǒng)可被推廣到其他條帶狀物體的缺陷檢測(cè)中。但是在抖動(dòng)干擾處理上，應(yīng)該針對(duì)該系統(tǒng)做出調(diào)整及優(yōu)化，這也是后續(xù)研究的重點(diǎn)。