基于机器视觉的多层玻璃结构缺陷特征识别机制研究

黄景德，姜晨波，肖启巡

(珠海科技学院 机械工程学院，广东 珠海 519041)

0 引 言

基于机器视觉技术的表面缺陷检测技术的出现，大大提高了生产作业的效率，避免了因作业条件、主观判断等影响检测结果的准确性，实现了更好更精确地进行表面缺陷检测，更加快速地识别产品表面瑕疵缺陷[1-2].工程实践中，非平稳信号的急剧变化之处，也常常是分析信号的最关键之处.多层玻璃结构在运行过程中，由于架构磨损、老化及受到外部振动、冲击、化学腐蚀等因素的作用，必然会使其状态发生渐变，进而导致裂纹、空蚀、斑点、缺胶等缺陷[3-4].从故障演变规律看，在微缺陷形成乃至发展成永久性故障之前，因其未达到稳定故障状态，失效行为和工作模态难以识别和检测，但是缺陷出现和消失的时候，必然会引起单元结构的微观变形乃至细观损伤，这种改变使得单元结构的视觉图像信息产生变构，此种视觉信息变构可直接反映在视觉图像特征中[5].因此，深入研究视觉图像信息蕴含的缺陷边缘结构信号及其补偿方法，分析视觉图像变构时的缺陷特征，对提高缺陷模式识别灵敏度，满足缺陷检测与预警的需要，具有重要意义[6-8].本文系统研究了基于机器视觉的多层玻璃结构缺陷的特征识别机制，在工业制造、安全生产、装备保障等推广方面具有广阔的应用前景和重要的应用价值.

1 视觉图像缺陷边缘检测原理

在对视觉图像的缺陷边缘进行分析时，考虑到canny算子在含复杂噪声的情境下具有独特的优异性，且对于弱边缘表现敏感，因此，在边缘检测时采用了此算法以提高准确率.其核心处理主要是通过组合滤波模型平滑图像；基于非极大值抑制确定边缘点；采用双阈值检测法形成强边缘区间.

1.1 平滑滤波组合模型

1.1.1 高斯滤波

由于环境因素和硬件固有缺陷，采集的图像难免产生噪声干扰，在对图像进行处理之前，通常需要使用滤波机制来提高原始图像成像质量，以提高缺陷强特征相关性[9-10].在玻璃图像采集过程中所产生的噪声主要为满足高斯分布函数的白噪声，而高斯滤波对这类噪声有较强的处理效果[11].它的主要思想是把每个像素点的灰度值用其本身和周围像素点的灰度值加权平均代替，见式(1).

(1)

式中：G(x,y)是图像权重矩阵；σ是其在x轴和y轴的分量.但高斯滤波在处理时对每一个像素点都采用了固定掩膜的平滑，并没有结合实际的纹理特征分布相似度权重，因此造成了强相关特征的模糊，因此，需要在高斯滤波的基础上，进一步采用高通滤波强化边缘特征.

1.1.2 高通滤波

在图像处理过程中，由于图像的边缘对应于高频分量，在对图像边缘的锐化处理时，采用了频域高通滤波器.以理想高通滤波器为例，若图像的宽度为M，高度为N，那么理想高通滤波可描述为

(2)

式中：D0表示理想高通滤波器的截止频率，滤波器的频率域原点在频谱图像的中心处，在以截止频率为半径的圆形区域之内的滤镜元素值全为0，而该圆之外的滤镜元素值全部为1.

1.2 边缘特征处理

边缘是划分目标和背景的重要图像元素，也是图像分割的关键因素之一.完成平滑滤波后，工程实践中某些像素可能存在灰度堆叠，因此必须将其边缘细化.处理方法是基于非极大值抑制原理，将每一个点与其所在横、纵和两条对角线上的两个点作比较，若此点为最大值则保留，其它情况则将该点置0.处理过程示意图如图1 所示.

图1 非极大值抑制过程示意图

图1 中：c是在判断的像素；g1，g2，g3，g4是c的4个角领域像素，当c是最大梯度值时，它的幅值M应大于g1g2和g2g3到ab直线的距离，即排除局部最大值dTmp1和dTmp2.令g1的幅值为M(g1)，那么dTmp1可以表示为

M(dTmp1)=w·M(g2)+(1-w)·M(g1),

(3)

式中：w是比例系数，且

(4)

式中：dis为两点间的距离.

同理，可得dTmp2，如果c的幅值同时大于dTmp1与dTmp2，则为边缘点.

1.3 强边缘区间界定

确立边缘后，需进一步滤除弱边缘保留强边缘.首先，设立高阈值maxVal和低阈值minVal，将梯度小于minVal的点置0，梯度大于maxVal的点置1或255；其次，将位于高、低阈值之间的点使用连通区域确定，如图2 所示.

图2 双阈值连接示意图

图2 中，大于maxVal的值为边缘，小于minVal则为非边缘.对于介于之间的像素，如与边缘像素邻接则为边缘，反之为非边缘.

2 视觉图像处理与分析

2.1 基于支持向量机的分类器设计

为适合边缘特征提取，通过支持向量机(SVM)将特征空间转化到一个更高维的空间中，使得特征线性可分.特征向量可以用线性分类器被分类.如图3 所示，2D特征空间中的两类用黑白方块分别来表示，但是没有一条线可以将两个类分开.当通过变形 Feature1 和 Feature2 建立的平面添加第3个维度，类则可以通过平面变得线性可分.

图3 2D 特征空间中的类分割示意图

对于支持向量机(SVM)，构件两类的可分超平面，其实质是让两类的间隔距离要尽可能地大.间隔即是可分超平面和任何训练样本之间的最近距离，若通过测试几种可能的可分超平面，选择拥有最大间隔的表面，那么来自两个类中且距离超平面最近距离的训练样本即是支持向量，如图4 所示.

图4 支持向量

从图像处理的本质看，SVM 虽然仅可处理两类问题，但可以将其拓展为多类问题.一是通过建立成对的类，然后对于每一对创立二元的分类器，赢得大多数比较的类则是最适合的类别；二是通过比较每一个类与其他的训练数据，选择具有到超平面最大距离的类别.

2.2 分类器分割算法

基于SVM的分类器分割算法采取Halcon框架实现，实现过程如下：

Step1：创建SVM 分类器模型create_class_svm()

Step2：添加训练样本到 SVM 分类器add_samples_image_class_svm()

Step3：训练 SVM 分类器train_class_svm()

Step4：对图像进行 SVM 分割classify_image_class_svm()

·create_class_svm(：：NumFeatures, KernelType, KernelParam, Nu, NumClasses, Mode, Preprocessing, NumCompoents：SVMHandle)

//功能：创建一个用于模式分类的支持向量机.

//参数：输入

——SVM 输入特征的数量NumFeatures

——核函数的类型 KernelType

——核函数的参数 KernelParam

——SVM 的正则化常量Nu

——类的数量 NumClasses

——SVM 的模式 Mode

——用于转换特征向量的处理类型 Preprocessing

——转化特征的数量 NumCompoents

//参数：输出

——SVM 模型的句柄 SVMHandle

·add_samples_image_class_svm(Image,

ClassRegions：：SVMHandle：)

//功能：将来自图像Image的训练样本添加到通过 SVMHandle 给定的支持向量机中.

//参数：输入

——训练图像 Image

——被训练类别的区域 ClassRegions

——SVM 模型的句柄 SVMHandle

·train_class_svm(：：SVMHandle, Epsilon,

TrainMode：)

//功能：训练 SVMHandle 指定的支持向量机(SVM).

//参数：输入

——SVM 模型的句柄 SVMHandle

——训练的停止参数 Epsilon

——训练的模式 TrainMode

·classify_image_class_svm(Image：ClassRegions

：SVMHandle：)

//功能：在多通道图像 Image 上，用支持向量机(SVM)SVMHandle 去执行一个像素分类.

//参数：输入

——输入图像 Image

——SVM 模型的句柄SVMHandle

//参数：输出

——被分割的类别 ClassRegions

2.3 图像分割实现

根据SVM分类器的设计要求，分类器分割算法参数如表1 所示.

表1 分类器分割算法参数表

图像分割过程如图5 所示.

图5 图像分割过程

2.3.1 图像操作模块

在算法执行之前，首先读入图像，此操作的目的是将算法要处理的图像加载进来，并显示在图像显示框中，加载图像统一存放在安装目录的指定位置.图像导出功能主要是方便用户将当前算法执行的效果图保存下来.

2.3.2 算法执行模块

算法执行之前，首先对算法相关参数进行设置.算法的整体执行主要是为了用户快速了解算法的执行效果，获取该算法的执行结果，并可在图像显示框看到结果图和整个算法执行的时间.算法的单步执行是为了让用户更好地了解整个算法执行的原理，通过将整个算法顺序的分阶段执行，并将阶段执行结果显示在图像显示框中，用户可以很清晰地了解到整个算法的实现过程.

3 缺陷特征识别系统

3.1 视觉图像信号采集

多层玻璃结构缺陷特征识别系统由图像处理系统、光学系统、机械控制机构、数据采集电路、信号稳定器、MIS接口电路、测试电缆等模块组成，如图6 所示.

根据图6 所示结构，视觉图像处理信号通过测试电缆分别与光学系统的通讯接口、机械控制机构的通讯接口及上位机相连.图像处理系统针对含缺陷图像完成平滑滤波、功率放大、波形分析和缺陷特征分类与识别.机械控制系统通过驱动视觉传感器完成图像采集，经由图像处理系统将视觉图像信号转变成数字信号，通过信号稳定器对图像处理信号进行降维降噪，并将图像处理结果送由监视器显示和上位机的MIS系统存储.视觉图像信号采集过程如下：

图6 视觉图像采集系统结构图

1)对视觉传感器的测量范围MR、视场MOV、净距离CD、X及Z方向的分辨率进行优化配置.

2)合理确定工业数字镜头的数据接口、分辨率、像元尺寸等技术性参数，解析工业数字镜头对应变图像的敏感性，跟踪灰度图像特征的数据跳变信息，对其进行差分抑制.

3)对视觉图像平滑降噪，然后进行形态学分析，应变图像灰度维数分形多引入步长竞争策略，在内部竞争中鼓励弱者，抑制强者，实现对应变图像边缘信号的补偿，建立敏感特征向量与应变图像变构的映射关系.

4)根据过负载及循环应力作用下视觉图像变构信息与特征数据跳变的关系，基于视觉图像灰度谱模型，提取不同负载环境下的状态扰动特征参量，如基频、峰值等，模拟反映隐性故障特征的灰度幅值波动区间和收敛特性.

3.2 硬件性能确定

3.2.1 镜头、相机

机器视觉领域的镜头功能主要是实现光束变换(调制)，在机器视觉系统中，镜头的重要作用是将目标成像在图像传感器的光敏面上.镜头的质量直接影响到机器视觉系统的整体性能，合理选择镜头和安装镜头，是机器视觉系统设计的重要环节.

考虑到视觉检测所需的宽视野和高精度要求，对比线阵、面阵相机的成本，因线阵相机能满足较大视野的同时可以提供较高的精度，且不排除连续运动物体的检测场景，所以，选用线阵相机作为图像采集单元.考虑到相机边缘的畸变以及系统稳定性要求，该系统至少需要2 500个像素，且在通常情况下在计量精度时会采用3倍或更高的像素.另外，对于运动物体而言，行频也是一个不可忽视的参数，为了降低物体运动带来的影响，线阵相机的行频应满足

(5)

式中：v是物体运动的速度；δ是相机纵向分辨率.

3.2.2 照明光源

照明光源在机器视觉中有着极为重要的地位.合理的光源系统能够最大程度地增强感兴趣特征的对比度，抑制和减少目标上其它部分的影响，抑制外部环境的影响.光源照明直接影响处理精度和速度，甚至系统的成败.

能够实现照明的光源有许多种类型，但在机器视觉中，应用最多的是卤素灯、荧光灯和 LED 灯.其中LED的光线颜色主要由其发光材料决定，使用寿命较长、功耗小，直流供电等等都是其运用在工业照明领域的优势；卤素灯成本高，供电复杂；白炽灯相对较亮，不过能源转换率低，且随着使用时间的变长，损耗会比较大；荧光灯虽然价格便宜，照明面积较大，但其是交流供电的方式，随着供电频率的变化，相应的会表现出光闪现象，导致图像明暗程度的变化.综上所述，LED光源可以很好地适配视觉检测的需要，因此，优先选择发光二极管作为照明光源.

4 实验验证与仿真

基于缺陷特征识别系统对某PCB图面保护罩实施缺陷检测，保护罩厚度2 mm，实验目的是识别保护罩玻筋、气泡、污点、划痕等分类缺陷，有效获取到原始图、缺陷分割区域图及其灰度值分布，如图7、图8 所示.

图7 保护罩原始图像

图8 保护罩缺陷分割区域图

为验证检测效果的准确性，对图8中的保护罩缺陷分割区域进行了单元结构特征分析，处理结果如图9 所示.

图9 单元结构图像缺陷特征处理结果

缺陷特征判定时，根据工程中的多层玻璃结构缺陷识别原则，以强特征参数短长径比分类玻筋和划痕，通过强边缘区间界定法分类污点与气泡.缺陷特征识别结果见表2，与保护罩实际缺陷状态吻合.

表2 缺陷特征识别结果

图9 与表2 的识别结果表明，气泡与污点图像的特征相似，灰度阈值相近，但是气泡的外观特征趋于透明，污点的外观特征多呈现灰(黑)状态，因此采取灰度阈值128进行强边缘区间逼近，即可精准识别气泡与污点的缺陷类型.

5 结 论

多层玻璃结构微缺陷萌生或扩展时，图像瞬态特性必然反映了单元结构的质变状态.基于机器视觉技术研究了多层玻璃结构缺陷特征识别机制，通过组合平滑滤波模型进行了图像预处理，并加强了缺陷边缘的强特征区间，解决了气泡缺陷的双轮廓问题，设计了单元结构的缺陷特征识别系统.实验表明，该系统识别速度快、效率高，整体表现优异，同时很好地去除了干扰信号，避免了缺陷误判的问题.为避免工程中实际存在的误测几率，下一步将建立更加有效的缺陷强特征参数，避免因参数重合而导致的误测问题，以提高系统的实用性.