钢丝综质量检测方法研究

2015-12-02

杭州电子科技大学学报(自然科学版) 2015年5期

(杭州电子科技大学生命信息与仪器工程学院，浙江杭州310018)

0 引言

钢丝综是纺织设备上的一个常用件，钢丝综的质量影响着纺织物的质量。由于钢丝综生产环境恶劣，废次品特征差异细微，生产设备运转速度快，所以，钢丝综产品检测技术的研究在国内甚少。目前，企业普遍采用人工检测的方法，该方法存在随意性大、检测速度慢、容易漏检误检等缺点。本文提出用机器视觉的方法对钢丝综质量实现在线检测，对涉及的关键问题做了深入研究，同时给出了解决方案的理论分析。

1 钢丝综产品质量缺陷问题

钢丝综产品的缺陷比较多，本文主要是针对其中最难检测的螺纹毛和毛刺进行研究。螺纹毛指的是眼洞上面有细小的螺纹状的毛，毛刺指的是眼洞周边有明显的毛刺，在检测中要求能可靠地识别出这两种缺陷。

2 系统模型

本文提出的钢丝综质量检测系统流程如图1所示，对采集到的钢丝综图像进行分步判别，第一次对简单的常规几何量参数的判别，如果不合格，直接标记为次品，无需下一步操作;否则，继续提取图像的纹理等复杂特征，采用支持向量机(SVM)进行第二次判别，不合格则标记次品，合格则标记为良品。同时，经过延时装置，在适当的时间和位置将次品剔除，对分类器训练和评价流程如图2所示。

图1 检测流程图

图2 分类器的训练和评价流程图

3 图像的采集及废次品延时剔除策略

采集相机选用德国IMAGING 公司的DMK23G274 工业相机，图像采集和处理软件用VC#2010 编写。为实现一个相机同时采集两张图像而设计双面成像装置[1]如图3所示，包括相机1、工件2、镜面3、楔形块4、安装槽5、紧固螺钉6、工件成像7。为保证成像范围在景深范围内，镜面倾角调节范围为8° 30°，系统运转时，目标通过镜面成像在相机的视野当中，具体参数和原理见文献[1]。

图3 双面成像装置示意图

图像采集利用外触发来驱动，鉴于钢丝综属于微小工件，成型机的生产速度快，常规的光电式接近开关传感器，无法可靠触发，本文采用FT-320-0.5 对射式光纤传感器，BF3RX型光电放大器，放大器输出的电压12 V，分压后直接和相机外触发配合使用。

关于废次品的剔除，设计的剔除机构由电磁阀、气缸、吸盘、气路组成。电磁阀选用ZHELE的4V330-10 两位五通阀，气缸选用SMC的SC32×200，吸盘用永磁铁制成，气路中的气压范围在5 8 kg。为解决废次品剔除装置不可能正好安装在废次品出现的位置，本文提出用定长循环链表存储处理结果，用外触发拍照信号推动链表移动，用固定链表长度来实现剔除延时的方法。链表长度和触发时间间隔已知，链表长度乘以触发间隔就是延时时间，此方法简单可靠，动态联动，能够解决检测与剔除的同步问题，具体如下:

1)新建list 循环链表，链表大小fixsize 固定，具体数值根据图像采集装置和废次品剔除装置之间的距离确定;

2)在设备启动时，链表内容为空，每采集处理一张图像，将处理结果依次保存在list中，当处理的图片数量大于fixsize时，将链表头结点中保存的处理结果取出，同时将后续处理结果压入链表尾部，链表的大小保持固定的大小(fixsize);

3)依据步骤2 中从头链表获得的结果，如果false(废次品)，则电磁阀动作，气缸推行吸盘下降，将废次品吸附住，同时从链表中获得下一张图片的处理结果，如果是false，电磁阀保持原来的状态，吸盘不用运动。如果是true(合格品)，电磁阀动作，气缸上升。

4 实现方法

4.1 图像预处理

后续处理中，首先定位出ROI 区域。通过定位眼洞中心的方法获取眼洞ROI 区域。钢丝综图像如图4所示。由于工件与背景的灰度比较接近，背景复杂，所以简单二值化处理不能分割出完整的目标区域[2]如图5所示。为此，采用Bernsen算法进一步处理，效果如图6所示。为消除传送带震动导致采集的图像不在水平位置的缺陷，本文提出用旋转主轴法进行校正，具体思路是:假设第一次得到的钢丝综内环区域的外接矩形面积为R1，以一固定的角度为步长旋转图像，对应旋转后图像的外接矩形面积为R2…Ri，Ri+1，…，Rn(最小外接矩形主轴必须保持水平方向)，若Ri-1＞Ri＜Ri+1，Ri所对应的最小外接矩形的中轴就是钢丝综的主轴，此时钢丝综图像处于水平位置。此方法基于字符分割中的垂直投影法，但是无校正功能，故通过增加旋转来实现图像校正。

图4 采集的图像

图5 简单二值化处理

图6 Bernsen算法

4.2 ROI 定位方法

对眼洞ROI的定位中，本文通过眼洞面积、眼洞宽度、眼洞长度、圆形度[3]、周长这5个参数对经过二值化和连通域标记的图像进行筛选，筛选出的内环区域如图7所示，ROI 基准定位就是筛选出的内环区域各自的中心，如图8所示，提取的ROI 区域如图9所示。

图7 提取内环区域

图8 ROI 基准定位

图9 ROI 区域

4.3 Laws 纹理测度

由于Laws 模板适合对纹理进行分析，同时算法复杂度较低，所以本文引入Laws 提出的纹理模板卷积的方法[4]，本文利用局部模板来检测纹理特征，模板参数:边缘E，灰度L，涟漪R，点S，波W。

将上述5个一维的纹理向量组合，可以产生5×5 =25组二维模板，去掉对称模板后剩下LE、EL、LS、SL、LR、RL、EE、ES、SE、ER、RE、SS、SR、RS、RR 等。采用Laws 纹理模板提取纹理特征的步骤如下:

1)将源I 图像与二维模板做卷积运算，得到对应的纹理图像T。

例如源图像与二维模板EL 卷积如下:

2)观察Laws 模板可知，之外所有模板的均值均为0。于是用下式对卷积运算后获得的纹理图像进行归一化。

经过分析比较和试验验证，EL 模板处理后的合格品和废次品的图像差异较大，所以本文选择EL为处理模板。图10和图11列举了不同灰度级下用EL 对良品和毛刺眼洞区域处理的效果。

图10 EL 模板处理的良品图像

图11 EL 模板处理的次品图像

4.4 提取纹理特征

图像特征的提取和分类方法的选择是正确进行图像分类识别的关键。钢丝综图像的纹理属于不规则的自然纹理，无法用精确的模型来描述。本文筛选的图像的纹理特征包括基本灰度直方图特征、梯度特征以及灰度共生矩阵特征[5]。

4.4.1 灰度直方图特征和梯度特征

灰度直方图反映的是图像区域的概率密度分布[6]，灰度直方图的各统计矩实现了对纹理图像最简单直接的描述，本文采用的灰度直方图特征包括:均值，方差，偏斜度，峰度。

纹理的梯度法[7]是基于像素梯度值的，首先将图像转化为梯度图像，然后对梯度图像的各阶距进行纹理的量化与统计，模板采用3×3的像素梯度。

本文在粗分类中选择的纹理统计梯度法描述子包括:梯度均值，梯度方差，梯度偏斜度，梯度峰值。

4.4.2 灰度共生矩阵特征

灰度共生矩阵在θ方向上，相隔d 像元，统计具有灰度层i和j的出现概率，记为P(i，j|d，θ)，当θ和d 选定时，简记为Pi，j，灰度共生矩阵是一个对称矩阵，阶数由图像的灰度层数决定[8]。灰度共生矩阵是距离和方向的函数，本文筛选了5种参数，分别为能量熵H(d，θ)=惯性矩相关C(d，θ)=局部平稳其中，ux=

在特征提取和分析过程中，灰度量化级、方向、距离、移动窗口大小都会对灰度共生矩阵的特征值产生很大的影响。例如，灰度级为256的图像的矩阵大小为256×256，计算起来相当麻烦。为此，在保证图像质量的前提下，将灰度级从256 线性变化为16，并且进行归一化处理;对于距离d，通常认为d值的增大会造成两像元间信息的丢失，本课题选择d为1;对于θ，取0°，45°，90°，135°，即水平方向、垂直方向、45°方向和135°方向。由于钢丝综图像纹理的方向性不明显，所以本文对4个方向特征值都做了统计。

5 特征选择和分类识别

寻找合格品与次品的不同之处，将相同或相似的产品组成一类，将观察目标与已有模式相比较、配准，判断其类属的过程就是模式识别。模式识别算法主要用到支持向量机(SVM)和神经网络(ANN)等，SVM 适合小样本，鲁棒性好，所以本文采用SVM 作为分类器。

核函数与SVM的分类结果具有很大的关联性[8]，本文对线性核函数(Linear)、S型核函数(Sigmoid)、多项式核函数(Polynomial)、径向积核函数(RBF)进行测试。将没有缺陷的260幅和有缺陷的100幅，共360幅图像作为实验对象。将样本中50%用来训练，剩下的用来测试，特征分别采用灰度直方图和梯度特征、灰度共生矩阵特征以及这两组的组合特征，如表1所示。

表1 SVM 分类性能比较

表1的特征数是原始特征数，分类器运行时进行了主成分分析[9];灰度直方图和梯度特征数为8×2，是分别对原始图像和经过Laws 纹理处理图像提取8个特征参数，灰度共生矩阵的特征数5×4×2，是分别对原始图像和经过Laws 处理后的纹理图像在4个方向提取5个特征参数，测试结果可以表明径向积核函数(RBF)的分类结果最好，在采用灰度直方图和梯度特征时的识别率为96.11%，在采用灰度共生矩阵时的识别率为97.22%，在采用两者相结合时的识别率为98.89%，准确率远远高于其他核函数的分类准确率，最差的是S型核函数(Sigmoid)。