一种基于机器视觉的表面缺陷快速检测方法*

2021-09-26周国栋

机电工程技术 2021年8期

周国栋

（湖南广播电视大学网络技术学院，长沙 410004）

0 引言

表面缺陷检测是工业产品质量检测的重要内容，常见的工业产品表面缺陷种类主要有裂痕、凹陷、色斑等。

采用机器视觉进行产品表面缺陷快速检测具有非接触、机械结构简单等优点，近年来，如何实现机器视觉的快速识别成为研究热点[1-3]。李庆利等[1]利用颜色特征，以区分产品表面缺陷和背景颜色，再利用基于彩色空间的聚类方法设计出一种快速识别方法，但彩色空间对光源环境非常敏感，检测不稳定，且检测时间长，不易小型化；张军[2]提出一种利用小波变换进行频域滤波和特征识别的方法，用于表面缺陷的快速检测，但基于频率的处理方法容易受到复杂纹理背景的干扰，有一定的局限性；晁云等[3]采用模板识别的方法，将合格表面图像设置为模板，再和待检表面进行对比，最后用局部门限处理算法实现快速缺陷特征快速识别，但该方法只适合于固定背景情况，对于变化的纹理背景就无能为力了。

以瓷砖的表面缺陷检测为例，目前，该领域生产实际中的检测主要依靠人工，机器视觉应用较少，阻碍其应用的主要原因是该领域生产环境较复杂。一是表面缺陷种类多，且形态各异，无法利用标准的模板进行识别；二是生产过程留下的非缺陷干扰较多，比如手印、水渍、碎石等，和缺陷特征在图像上较为相似，加大了视觉检测的难度，而要做到检测前彻底清除干净，也十分困难。另外，工业现场检测环境还往往存在检测位置的变化、光源角度的变化等情况。在复杂的干扰环境下，传统视觉检测方法无法获得满意的检测精度。

SIFT 图像特征具有尺度不变、旋转不变等特点，在表面缺陷识别应用上，表现出独特的优势。周鹏[4]应用SIFT算法对钢板进行了表面缺陷检测，准确率高达95%；王星等[5]在药用玻璃瓶印刷图案缺陷检测上运用SIFT特征识别，有效提升了检测效率和精度；曾瑞篷[6]运用SIFT特征对汽车保险盒缺陷进行在线检测，检测精度提升了5.8%。

目前国内外利用机器视觉进行表面缺陷检测的方法主要有3种，分别是基于像素统计的直方图方法，基于卷积神经网络方法和基于SIFT 等特征描述方法。在有复杂干扰情况下，SIFT 表现出较强大的鲁棒性和抗干扰能力，但该方法的相关参数设置非常复杂，直接影响检测效率和精度，本文将给出相应的设置方法和经验公式，提高该方法的应用效率。

1 SIFT算子检测原理

为更好地描述图像特征，Lowe等[7]设计了一种具有尺度不变、角度不变的特征变换算子（Scale-invariant Feature Trans⁃form ， SIFT）。该算法的特点是提取目标区域的局部特征，并能对成像焦距、亮度、旋转角度等变化因素保持不变，也能对图像噪声干扰保持较好的鲁棒性。尤其是在目标遮挡（Occlusion）、杂物场景（Clutter）等复杂环境下，传统的基于颜色统计或基于边缘面积、边缘形状等方法很难凑效。

SIFT 算法的关键是找出图像中特征点，并计算出其特征描述，最后用这些特征描述和样本进行比对，如果匹配的点足够多，则可以判定其类别。其大致步骤如图1 所示，具体如下。

图1 SIFT图像金字塔

（1）第1 步，为了特征点具有缩放不变特性，先对图像进行分组（Oc⁃tave），按照1/2降采样得到不同组数，图1列出了2组。

（2）第2 步，为了特征点具有模糊（尺度）不变特性，对每组图片进行不同尺度的高斯模糊，得到尺度组的不同图层，图1列出了6层。

（3）第3 步，为了得到图像亮度变化的极值点来作为候选特征点，利用高斯差分（DOG）来提取图像边缘。如图1所示，将第6层和第5层相减，得到高斯差分组的1层，以此类推，可以得到5层高斯差分组。最后从高斯差分图像中计算出极值点作为初步特征点。

（4）第4 步，过滤掉不好的特征点，包括两类，一是对比度低的点，二是不稳定的边缘响应点。其原理是将候选特征点及其附近的点拟合，利用导数为零，求出其确切的亚像素极值点。并计算出这些极值点的对比度，设定对比度阈值T，剔除掉对比度低的特征点。对于边缘响应点，则是利用DOG图像的Hessian矩阵来计算特征点的主曲率。设定边缘阈值Tr，剔除掉小于Tr的特征点。

（5）第5 步，计算特征点的主方向，并生成特征描述矩阵。在以特征点为中心、3×1.5δ为半径的区域内，统计图像特征点的幅角和幅值，以统计直方图的峰值作为主方向。得到主方向后，以主方向为中心取8×8 的窗口，并求取每个像素的梯度幅值与梯度方向。最终，一个特征点产生出128 维的SIFT特征向量，N个特征点生成一个N×128的特征描述矩阵。

（6）第6 步，分别得到缺陷模板图像和待检测图像的特征描述矩阵后，最后用K近邻算法找出与模板特征点向量欧式距离的最近邻和次近邻点。如果最近邻距离小于次近邻距离的70%，则认定为匹配点。

2 SIFT算子参数确定与优化

SIFT 的本质是特征点选取与特征信息描述，目的是产生能不随图像尺度和方向等因素干扰的特征数据，从而实现图像块识别的鲁棒性。但该算法数据处理量较大，耗时较长。这使得其在实时检测场合难以适应。本文将通过减少SIFT特征点数量，提高特征点独特性，以达到压缩特征描述矩阵的目的。优化SIFT算子的参数设置是减少特征点提取数量的一个非常有效的办法。

2.1 图像金字塔组数的确定

图像金字塔组数（Octave）关系检测的精度和速度，这个参数的确定，一般会使用如下的经验公式[7]：

式中：p为图像组数；m和n分别为图像长和宽；a为补偿值，具体数据可根据实际图像处理速度和精度来确定。

本文中，机器视觉获取的原始图像尺寸为[512，512]。用间隔取值法将原始图像不断缩小，直到全部图案特征都不能识别，这时的尺寸若为[20，20]，按照SIFT 规则，每次按1/2尺寸进行变换，从512 压缩到20，需要不少于5 次变换。由此，a值可取为4，最后得到图像金字塔的组数p应该设置为不小于5。

2.2 尺度空间初始值的确定

尺度空间，简单理解就是图像的模糊程序，一般使用高斯模糊不断处理图像，随着尺度的增加，图像细节逐渐融合，大的轮廓依然可见，从而可以实现提取轮廓的目的。尺度空间δ的经验公式如下：

式中：o为金字塔的分组序号；s为同一组的图像层号；δ0为尺度空间的初始值；S为金字塔中每组的层数。

按照经验，常规应用中，设置δ0=1.6，S=3即可满足要求[7]。

研究发现，δ0的取值会直接影响检测的精度和效率。尺度过小，细节的模糊不够充分，带来极值点数量过多，处理负担重，效率低。反之，尺度过大，有可能让重要边缘信息丢失，识别准确率下降。本项目经过大量实践得到δ0的取值经验公式：

式中：k为待识别图形的极限尺寸。

比如，表面缺陷极限识别尺寸约占2 个像素，则δ0可以设置为0.7。

图2 所示为不同尺度空间值，所检测出的特征点（kpn）数量以及分布情况，由图可知，δ0=0.7时，特征点数量较为合适，分布也较为均匀。

图2 不同尺度空间对特征点的影响

2.3 对比度阈值的确定

得到高斯差分组后，接下来的是提取图案边缘的极值点。其方法是，对比图层上的点，及其所在组相邻层3×3邻域的26点，若该点为亮度最大或者亮度最小，即判断为极值点。

由于椒盐噪声的干扰，可能存在来自非图形轮廓的极值点。为了更准确地获得边缘极值点，需要对极值点进行修正，修正的原理是采用泰勒级数进行拟合，设偏差为Δx，得到拟合公式如下：

实际特征点的导数应该为零，如下：

正常的边缘极值点往往具有较大的对比度，需要筛掉低对比度的极值点，跟其他几个参数一样，设定一个对比度阈值CT来进行过滤。一般来说，CT的经验值是0.04。

来自图案边缘特征点对比度相对内部纹理细节要大，因此，如果检测方案只需要提取物体的轮廓特征来进行识别，可以将阈值CT适当加大，反之则应该适当减小，以提取更多局部纹理特征。

另外，尺度变化处理，也就是图像的模糊过程也会带来对比度的改变，也可以参考模糊核的尺寸来设置CT值。将图像数据标准化后，若高斯函数方差值δ0=0.7，则对称中心和DOG 差值都约为0.32。按照70%极值点为有效数据，可估算出对比度阈值CT=0.2。

图3所示为采用不同的对比度阈值（CT），缺陷图像所检测出的极值点（kpn）数量以及分布情况，对比可发现，当CT=0.2时，极值点数量较少，且分布较为均匀。

图3 不同对比度阈值对极值点的影响

2.4 图像边框极值点阈值

完成低对比度极值点剔除后，还需要剔除多余的图像边框极值点。过滤的依据是综合像素点的横向和纵向梯度信息来判断。跟对比度过滤类似，通过设定阈值ET来实现。

ET的经验值是10，研究发现，ET取值跟图像处理速度有较大关系，尽可能减小该阈值，减少边框极值点，可以提升检测速度。但该值过小，会让图像内部特征点也被误判为边框点，降低检测精度。应该按图案区域和边框梯度的大致数据范围来合理设定阈值。图4所示为表面缺陷检测中，不同的ET值对极值点获取的影响。可以看出，ET=3时较为合适，此时极值点分布均匀，数量也较少。