基于机器视觉和LabVIEW的有机玻璃缺陷检测研究
2021-02-23王雪晴刘锦涛卫亚博赵换丽
王雪晴，刘锦涛，卫亚博，赵换丽
(平顶山学院电气与机械工程学院,河南 平顶山 467000)
有机玻璃一般称之为亚克力，英文缩写PMMA，具有透明度高，质轻、易加工、价廉不易破碎等优点，是常用的玻璃替代材料，且发展趋势高涨.有机玻璃应用广泛应用于广告、照明等方面，如仪器表面板及护盖、灯箱灯罩、展架、名片座(夹)等[1].但是有机玻璃的硬度很低，抗裂纹扩展能力较差，因此在制造和使用中易对材料造成裂纹、表面层变质、划痕等损伤和缺陷，直接影响其正常工作和美观.
对于有机玻璃缺陷检测，采用人工检测，人工作业易疲劳，效率低.国内外相关研究的超声波检测法只能检测出有机玻璃中脱黏和表面深度擦伤等面、体类缺陷，不能检测线状缺陷如微细裂纹；传统的光学检测法系统复杂，可靠性差等.2013年，于润桥等对有机玻璃缺陷进行磁法检测分析有较好的检测效果，但对于微弱磁场信号的情况有待进一步研究[2].2015年郝文峰等申请的发明专利涉及了一种采用数字梯度敏感方法检测有机玻璃银纹和缺陷的装置和方法[3]，该方法主要通过测量光线偏转角变化实现对有机玻璃进行检测，其对光学系统要求非常高.近年来，机器视觉技术应用于缺陷检测的研究日趋增多，本文以NI公司的LabVIEW Vision Assistant2017为工具，辅以机器视觉技术，实现有机玻璃常见的划痕缺陷检测的非接触式测量，无须考虑磁场信号的大小，同时对光学系统要求相对较低，可采用普通光源照明甚至自然光照射下采集玻璃图像.本研究采用了图形化处理助手，算法简单易操作，效果明显，可为实际检测应用提供理论基础.
1 缺陷检测流程
缺陷检测流程框图如图1所示.首先利用相机采集模板玻璃图像和待测玻璃图像，对待测玻璃图像进行图像格式转换、灰度变换等预处理[4]，对预处理后的图像进行形态学处理、阈值分割，并进行颗粒分析和标记，最后把有缺陷的图像和模板图像进行匹配，把缺陷的位置和缺陷数目统计出来.
图1 缺陷检测流程框图
1.1 图像采集
图像采集主要利用照明光源、合适的摄像机等硬件设施，再通过USB传输到计算机，并使获得的图像转化为可以被计算机识别的图像.
1.2 预处理
1.2.1 色彩空间转换
下面以本研究中有一个划痕的玻璃图像为例进行分析.
由于NI Vision中的HSL色彩空间通常用于各种图像处理算法，故进行RGB图像至HSL色彩空间的转换.HSL支持32位(32U)的彩色图像，且HSL色彩空间使用色调、饱和度、亮度来表示颜色[5].色调(Hue)对应于颜色的波长，也就是常说的红、绿、蓝等颜色，代表人眼可以识别的颜色；饱和度(Saturation)与色调中混入的白色成反比，100%饱和的颜色代表没有混入白色；亮度(Luminance)用来控制颜色的明暗，数值越大，色彩越亮，越接近白色.HSL处理图像有一个很大的优点就是将色彩和亮度的信息完全分开，互不干扰.
将RGB图像转换至HSL色彩空间，对应HSL色彩空间的3个量，如图2所示.
(a)原图像
(b)Hue Plane
(c)Saturation Plane
(d)Luminance Plane图2 RGB至HSL色彩空间转换
对比图2中这3个量，可以发现Luminance Plane即亮度能准确地把图像中的信息突显出来.
1.2.2 灰度变换
灰度变换是将输入图像的每一个像素灰度都按照一定的数学公式进行处理，转换为一个新的灰度值，进而使图像的对比度增强，突出图像的重要信息[6].灰度变换通常有以下5种变换方法[7]：线性变换、指数变换、对数变换、幂值大于1的幂变换和幂值在0～1之间的幂变换.各变换公式中x代表变换前像素灰度值，y指变换后新的灰度值.
①线性变换(linear)
y=kx+b,
(1)
当k>1：拉伸图像整体灰度；当0
②指数变换(Exponential)
y=ex，
(2)
x的值越大，指数变换曲线越陡峭.
③对数变换(Logarithmic)
y=Clog(1+x)，
(3)
其中C为常数，x的值越大，对数变换曲线越陡峭.
④幂变换(Powerx)即幂值大于1
y=Cxk，
(4)
C，k均为常数，k值越大，幂变换曲线越陡峭，指数变换相对于此时的幂变换较为陡峭.
⑤幂变换(Power 1/x)即幂值在0～1之间
(5)
C，k均为常数，k值越大，幂变换曲线越陡峭，对数变换相对于此时的幂变换较为陡峭.
图3给出了5种灰度变换的图像，对比发现，第五种幂值在0～1之间幂变换的灰度变换更能使图像的对比度增强，进而凸显图像中的信息.
(a)原始图像
(b) 线性变换
(c)指数变换
(d)对数变换
(e)幂值大于1的幂变换
(f)幂值为0～1的幂变换图3 灰度变换前后图像
1.3 形态学处理
本研究中图像的形态学处理采用像素形态学处理方法.
像素形态学处理最基本的形态学算法为膨胀(Erosion)、腐蚀(Dilation)、击中-击不中(Hit-Miss)，以及一些组合形态学处理算法，开运算(Open)、闭运算(Close)、适当开(Proper Open)、适当闭(Proper Close)、自动中值(Auto-Median)等[8].开运算先腐蚀后膨胀，闭运算先膨胀后腐蚀.将以上所有的形态学算法均进行实验，发现对图像进行膨胀运算效果最好，该算法是目标区域变得更亮，同时收缩了暗的背景，图像中的缺陷被更好地显示出来，如图4.
图4 膨胀运算前后图像
1.4 阈值分割
阈值分割基本原理认为目标粒子的灰度属于某一阈值区间，该阈值区间之外的像素都被认定是背景的一部分[9].
本研究使用全局阈值分割法中的自动阈值分割法[10]，目的是基于图像的灰度直方图来确定灰度阈值，以便更直观的确定所需的灰度区间，将目标与背景进行分离[11].此时图像中阈值为50，高于50时，更多的目标被误认为背景；低于50时，更多的背景被误认为是目标.图5为阈值分割后的图像.
图5 阈值分割后的图像
1.5 颗粒分析及标记
对图像进行阈值分割后，灰度图像被转换为二值图像[12]，对二值图像的处理是基于颗粒的处理.所谓颗粒，指的是图像中相互连通的一组非0或灰度较高的像素所构成的区域.判断一个像素是否属于某一颗粒，需要看其是否与该颗粒之间具有连通性.本文采用常用的8连通准则，只要像素在水平、垂直、对角线方向上与另一个像素相邻，则认为两个像素为同一颗粒.确定连通准则后，就可以将图像中每个连通区域标记为能被独立识别的颗粒.
分析时，将目标缺陷标记为同一颗粒，并将同一颗粒的像素值全部改为某一个固定的标记值，二值图像的背景被标记为0；将背景标记为0，正六边形的边缘用红色标记，目标缺陷用绿色标记出来.
1.6 模板匹配
本研究采用模板匹配的方式来检测玻璃图像中的缺陷，所谓模板匹配，即建立标准模板图像，再将存在缺陷的图像与之进行对照，从而标记图像中的缺陷，统计缺陷数量.
使用Vision Assistant2017[7]创建模板，VI位于Machine Vision-pattern Matching，点击New Template开始创建模板，确定所要匹配的区域，点击Next进入下一界面，对不需要的区域进行遮罩，再点击Next，此时应设定模板偏移量，使目标图像可以和模板图像进行匹配，就可完成匹配.
2 缺陷检测实验与结果分析
本研究有机玻璃缺陷检测界面中设置了模板图像、被检测图像、缺陷显示三个显示模块，更加直观清晰地分析比较.设置了“有缺陷”和“无缺陷”指示按钮和缺陷数量显示图标：当目标图像存在缺陷时，按钮为红色，并且显示“有缺陷”字样；当目标图像不存在缺陷时，按钮为绿色，显示“无缺陷”字样.在程序中设置了判断缺陷数量的算法，并对不同的缺陷进行了颜色标记.图6分别给出了一条划痕的缺陷检测结果.
图6 一条划痕的缺陷检测结果
为了验证检测方法的可行性，本研究取50个具有划痕或气泡的缺陷玻璃样本进行检测，结果见表1.表1给出的数据有按钮颜色指示正确率、按钮字样显示正确率以及缺陷数量判断的正确率.其中，按钮颜色指示正确率和按钮字样显示正确率均为100%；在50张样本图像中，第7张目标图像中缺陷的数量判断错误，将4个缺陷判断为5个缺陷；第15张图像6个缺陷判断为7，第46张图像5个缺陷判断为6，总体正确率为94%；针对所检测的划痕和气泡缺陷处理计时统计，最大值不超过90 ms，证明该方法简单可行，且耗时较短.
表1 检测结果汇总表
3 结 论
以机器视觉技术为基础，以NI公司的LabVIEW和Vision Assistant 2017软件为平台，针对有机玻璃缺陷进行检测研究，该方法能够准确地判断是否存在缺陷，对缺陷数量的正确率也达到了94%.实验结果表明该方法和系统结构简单、操作方便，具有一定的可行性.将该方法应用并推广至普通玻璃检测中，能够快速正确地检测玻璃缺陷，提高产品质量.对图像处理算法进行改进后，可望进一步提高检测精度.
