浅析基于机器视觉的玻璃质量在线检测系统

侯静

摘 要：随着国际与国内市场对玻璃产品需求的进一步提升，推进玻璃生产从品种、生产工艺、质量都发生了明显的变化。特别是如今生产技术的飞速发展，高质量产品对玻璃原板的品质要求逐渐升高，因此进一步确保玻璃质量，提升其等级就显得非常关键。现阶段，国内玻璃质量的在线检测主要借助于人工检测的策略，人工在线自动化水平低、检测效率低以及工作量大。针对这一问题，本文深入分析基于机器视觉的玻璃质量检测系统。

关键词：机器视觉；玻璃质量在线检测系统

1系统的整体框架

1.1硬件系统

在机器视觉下的玻璃质量在线检测系统重点包含处理器模块、图像采集模块、辅助模块、控制模块以及网络模块等。图像采集模块一般涵盖镜头、相机安装以及调整机构、摄像机、照明系统、图像采集卡等。处理器模块借助于Cliet/Server工作模式，客户端重点处理大数据量，涵盖模式识别、图像预处理以及图像存储等，因为运算量及时性的要求，使用多处理器的工控机[1]。服务器端一般负责接受客户端的相关数据，开展实时显示与统计研究等。网络模块借助于分布式处理结构，由一台网络交换机、多台客户端以及一台服务器组成。每台客户端连接一台摄像机，并经过图像采集卡把摄像机搜集到的相关图像数据传输到客户端开展处理；服务器以及客户端之间经过网络交换机与以太网开展图像信息以及数据的传输。控制模块重点由PLC、光电编码器、打标设备以及切割信号等构成。辅助模块一般涵盖打印设备以及冷却设备。

1.2软件系统

图像处理以及分析模块是实现在线质量检测的核心功能模块，一般是根据检测要求对每种检测算法开展模块化以及系统化的软件实现。

2玻璃图像的获得以及预处理

为获得良好的玻璃图像，此检测系统中采取了高速线阵CCD摄像机对生产线上的相关玻璃图像进行及时采集，所获得的图像模拟信号经过图像采集卡的信息化处理，再传输至计算机中开展图像预处理。

图像预处理主要是为了滤除干扰噪声以及提升图像质量。因为现场环境的不断影响，在采集以及传输图像的时候，具有多样化的干扰以及测量误差，造成图像质量降低[2]。在开展缺陷检测算法前，需要处理图像以提升图像的清晰度与优化图像质量，使实时成像系统的分辨率以及灵敏度可以满足相关检测要求。图像预处理的核心流程重点涵盖运动模糊消除、中值滤波以及线性变换等。

在本检测系统里面，为了及时计算的需求，图像处理部分借助于计算空间域中值滤波的策略来降低环境的照明视场噪声与干扰噪声。中值滤波是将以某点（x，y）为核心的小窗口内的全部象素的灰度从大至小的顺序排列，把中间值当作（x，y）处的灰度值。与低通滤波会造成图像模糊的特征不一样，中值滤波在进一步取出噪声的过程中保存了图像的边缘信息，它有利于进一步抑止椒盐噪声[3]。因为检测对象是运动中的玻璃，收集了序列的瞬态运动图像，一定具有大片的运动模糊。对此，采取数学形态学下的滤波进一步处理这一问题，即借助于形态学对玻璃图像开展先腐蚀、后膨胀处理的后果就能够去除部分噪声，而凸显真正的漏洞。而且数学形态学运算可以兼顾图像目标的尺寸大小与几何形状特点，拥有平移不变性，而且采取基于逻辑与移位运算的基础形态变换，速度快、简单、计算量小。图像差影属于一种图像的具体代数运算，简言之，即图像的相应象素开展相减的运算，于是又叫作减影运算。玻璃质量检测里面的目标与标准图像都采集于一样的玻璃生产线上，玻璃漏洞是两者之间的核心区别。由于这种处理策略算法单一化，运算效率很高，于是本文采取这一算法来提取缺陷图像。为了减少噪声的不断影响，应该有效的处理采集到的图像。

（1）处理算法如下：f（x，y）=1H∑H-1m=0f（x，ym）（2）以s（x，y）表示差影结果图像；g（x，y）表示目标图像；f（x，y）表示标准图像。差影处理能够表示成s（x，y）=f（x，y）-g（x，y）（3）由于在图像处理里面数据运算的主要对象为象素的灰度值，灰度值的具体取值范围为0至255，不能产生负值。

3图像处理算法及软件实现

3.1图像处理算法

提取目标：目标提取可以准确提取缺陷。及时采集的玻璃图像因为采集系统自身与受光源的缺陷的进一步影响，会产生从中间向两端灰度值逐渐下降的趋势。于是在分割图像的过程中采取了全局阈值曲面的相关技术。通过全局阈值处理之后的图像。这时分割的图像里面可能还具有伪缺陷[4]。对分割后的图像借助于真、假缺陷纹理特点的区别进一步去除其中的假缺陷。提取特点：在提取缺陷之后，因为系统要对缺陷开展分类，以达到对玻璃的不断分级，所以要提取缺陷的形态参数与特点。图像处理模块进一步提取了缺陷的灰度特征、几何特征、纹理特征以及梯度特征。借助于这些特点完成了对缺陷的具体数学描述，比如缺陷的长宽比、平均灰度以及面积等。特点越完整，对缺陷的描述越精准，也更方便后续的分类。

缺陷分类：其是玻璃质量检测系统的一个核心任务。经过对缺陷开展分类，生产人员可以进一步判断生产状态。本系统将三层前馈神经网络当作分类器，采取向后传播算法来训练网络[5]。把提取的特点当作网络输入层，输出是缺陷的各种类型。异物以及灰尘是影响检测正确性的一个核心方面，为了过滤异物以及灰尘等假缺陷，我们也提取了部分异物以及灰尘的特点，进一步训练网络，并把其当作网络输出的一部分。

3.2软件实现

为确保处理速度以及采集精度，本系统共使用了8个单独的图像处理模块。各模块以及服务器把千兆以太网当作链接媒介。各客户端与服务器独立完成处理任务。客户端把处理后的缺陷数据以及图像数据传达给服务器，以供其开展研究以及判断[6]。服务器把接收到的信号状态与任务指令时刻提供给客户端。服务器与各客户端采取了同步信号源以及数据校验方式，进一步确保了数据的同步性。在处理软件的过程中考虑到数据处理量很大，为确保处理的有效性，使用了双冗余数据块处理技术。对采集的图像数据进一步采取双缓存，一个顺利运行，一个当作后备，当采集到的图像数据提前到达，把此数据进一步存放于后备缓存区中。如此一方面能够避免图像数据的大量丢失，进一步确保玻璃图像都被有效处理，可以时刻跟踪生产具体情况；另一方面，假如处理算法上来不实时处理图像数据时，也能够摆脱一个图像数据而并不对后续图像的处理产生影响，防止了图像数据的不断堆积，确保了处理的有效性以及连续性。

参考文献：

[1]楚启超，吴建国，张堃，etal.基于机器视觉的干燥包完整度在线检测系统[J].仪表技术与传感器，2017（9）.

[2]龙亮亮，刘冠峰，张国英，etal.基于机器视觉的玻璃马赛克缺陷在线检测系统[J].机械设计与制造，2017（z1）.

[3]韩洪伟，赵晓云.基于机器视觉的高速切片机锂电池极片在线检测系统设计[J].电源世界，2017（5）：34-36.

[4]徐冬，杨荃，王晓晨，etal.基于机器视觉的热轧中间坯镰刀弯在线检测系统[J].中南大学学报（自然科学版），2018，v.49；No.287（07）：91-100.

[5]张华山，章钦，徐新军，etal.基于機器视觉的精密类玻璃管质量检测系统[J].玻璃与搪瓷，2017（3）.

[6]程为，赵瑾，景军锋，etal.基于机器视觉的电子级玻璃纤维布疵点检测系统研究[J].玻璃纤维，2017（05）：31-34+46.