基于机器视觉的手机石墨散热片缺陷检测

荀康迪， 李兴成， 刘凯磊， 周 豪， 梁 栋

(江苏理工学院 机械工程学院， 江苏 常州 213001)

当前手机制造技术快速发展，手机内置的CPU运行功率也随之增加，导致手机工作温度过高，破坏了内部电子元件工作所需的常温环境，也缩短了手机的使用寿命。为了解决手机运行过程中温度过高的问题，科研人员利用导热性和可塑性比较出色的石墨制造成散热片，在手机内部金属板贴置石墨散热片，可以迅速将手机中的热量散出，延长手机的使用寿命。手机石墨散热片制造流程：首先用涂胶机对石墨片涂胶，然后对涂胶后的石墨片覆膜，随后用模切机切割覆膜后的石墨片，最后对切割后的石墨片进行包边处理。手机石墨散热片在制造过程会出现一些缺陷，例如涂胶时在散热片表面残留气泡包，在覆膜时石墨片表面会有掉粉，模切机的刀具使散热片表面出现划痕或崩边等。手机石墨散热片的表面缺陷会限制其散热效能，甚至会导致手机无法使用，所以检测手机石墨散热片是否有缺陷极为重要。在手机石墨散热片生产企业中依然采用人工检测法，即工作人员在室内明光照明的辅助下，裸眼检测生产线上的散热片产品，而产品是否有缺陷全由工作人员凭主观意识去判断；在检测散热片是否有缺陷的过程中，工作人员的劳动强度过大，不但损伤眼睛还无法保证较高的准确率，同时误检率也高。采用机器视觉对手机散热片的缺陷进行检测，将会有效减轻检测人员的劳动强度，提高企业的生产效率，降低生产成本。

Zhang等[1]在对核燃料芯片端面检测中利用数学形态学去除复杂特征，提高了芯片端面缺陷的检测精度；Wang等[2]在对外包装表面缺陷检测的过程中改进了差分匹配方法，从而能精准检测出外包装的表面缺陷；陈春谋[3]融合最大类间阈值分割和形态学处理对工件表面进行缺陷识别。王宇等[4]利用变异系数法和改进的动态阈值法对太阳电池硅片进行缺陷检测，算法可靠并且具有通用性。简川霞等[5]为了实现模板图像和待测图像的像素对齐，采用了互信息配准方法，然后利用差影法实现了对手机玻璃屏表面的缺陷检测。陈坤等[6]在Faster RCNN的基础上，以残差网络代替VGG16网络提取图像特征，采用特征金字塔网络提取并融合多尺度的特征图，设计了一种改进Faster RCNN方法对铝型材表面进行缺陷检测。桑宏强等[7]提出了一种改进的卷积神经网络(Convolutional Neural Networks，CNN)模型检测工件表面缺陷，改进了CNN的分类器，构建AdaBoost-SVM级联分类器代替原来的AdaBoost分类器，利用支持向量机(Support Vector Machines，SVM)作为AdaBoost的弱分类器，最后将训练后的弱分类器组合成强分类器，有效地提高了检测准确率。Li等[8]利用主成分分析法对工件表面缺陷快速识别。

本文根据手机石墨散热片的实际生产需求，提出一种基于机器视觉的手机石墨散热片缺陷检测方法，最大程度地提高准确率和降低误检率。

1 系统硬件设计

本文视觉检测系统的硬件主要包括工业相机、镜头、光源、传送带、计算机。应用比较广泛的工业相机主要有CCD相机和CMOS相机，其中CCD相机在图像传输方面的性能比其他工业相机要好，具有体积小、可靠性高等优点[9]。本文采用深圳英视公司YVSION-OSR500系列CCD相机，靶面尺寸大小为1/2.5英寸，分辨率为2592×1944，其500万像素的分辨率足以完成缺陷检测任务。本文采用日本MYUTRON公司的HF-5MPB16镜头，保持工作距离150～250 mm，调整焦距25 mm，以其C型接口与相机组装。由于手机石墨散热片表面比较光滑，其材质不具有透明性，经过实验后，采用LED环形光照射，以获取清晰的图像。基于机器视觉的手机石墨散热片缺陷检测系统实物如图1所示，当手机石墨散热片从传送带传输到视觉检测系统下方时，CCD相机采集图像，计算机对图像进行分析。

图1 手机石墨散热片缺陷检测系统

2 系统软件设计

2.1 手机石墨散热片缺陷检测流程

采用德国公司研发的HALCON图像处理软件对手机石墨散热片的表面缺陷进行检测，检测流程如图2所示，主要流程有CCD相机采集图像、图像去噪平滑、图像校正、基于图像匹配法判断是否有缺陷、提取缺陷。为了去除噪声的干扰，需要先采用去噪平滑操作对采集到的图像进行处理。本文采用基于自适应局部降噪的同态滤波器去噪平滑，使图像表面光照均匀并且提高图像对比度；利用仿射变换使图像转正定位，为后续的图像匹配减少位置误差；由于手机石墨散热片的轮廓是规则的形状，所以先用无缺陷的手机石墨散热片轮廓形状创建模板，训练形状模板之后，将待测图像与形状模板图像配准，第一次匹配目的是先筛选出疑似有缺陷的图像；将有缺陷图像均等划分，以其中无缺陷区域的灰度值创建模板，将其他小区域的灰度值与之匹配；在二次配准的基础上判断缺陷，随后将不匹配的图像与模板图像差分运算，二值化后提取缺陷。

图2 手机石墨散热片缺陷检测流程图

2.2 图像去噪平滑

在图像采集过程中，由于设备内部工作或者设备本身材料都会产生一些影响图像质量的噪声，如高斯噪声、椒盐噪声和乘性噪声等[10]，在这种情况下需要对图像去噪平滑。常用的方法是均值滤波、中值滤波和同态滤波。

虽然均值滤波算法计算简单且效率高，但是模糊了图像的边缘并且严重削弱了图像的细节[11]；而同态滤波器是一种基于照射-反射模型的滤波器，能够控制光照照射和反射成分的变化，既能压缩图像的灰度，又可以使图像的对比度得到很大的提高。为此本文采用基于自适应局部降噪的同态滤波器处理图像的噪声。

(1)

而在同态滤波中，基于照射-反射模型将一幅图像f(x,y)表示成照射成分i(x,y)和反射成分r(x,y)的乘积，模型公式为

f(x,y)=i(x,y)r(x,y)。

(2)

由于对照射和反射成分的乘积不能直接傅里叶变换，所以利用非线性的对数变换将乘性噪声转化为加性噪声[12]，再进行傅里叶频域变换，用H(u,v)滤波函数处理变换后的图像，然后将此图像傅里叶逆变换回空间域，利用图像指数形式输入滤波器。所以通过反指数处理后将图像滤波后的结果输出为

g(x,y)=es(x,y)=ei′(x,y)er′(x,y)=i0(x,y)r0(x,y)。

(3)

基于自适应局部降噪的同态滤波器对图像进行滤波处理，其流程如图3所示。

图3 基于自适应局部降噪的同态滤波器处理流程

(3)采用离散傅里叶变换(Discrete Fourier Transform，DFT)将分解后的空间域图像转换为频域图像；

(4)采用高斯高通滤波器H(u,v)改善频域图像的对比度；

(5)使用离散傅里叶逆变换(Inverse Discrete Fourier Transform，IDFT)将改善对比度后的频域图像转换为空间域图像；

(6)最后采用指数反变换重建增强对比度后的图像g(x,y)。

为了验证本文提出的滤波方法的效果，对加了噪声模型的图像采用3种滤波方进行了处理，滤波效果如图4所示。图4(a)为添加噪声图，表面分布着噪声；图4(b)为(a)进行了均值滤波后的图像，均值滤波后的图像比较模糊且边缘不清晰；图4(c)为(a)中值滤波后的图像，其去噪情况较好，但是图像边缘比较模糊；图4(d)是采用自适应局部降噪的同态滤波器对(a)图像进行滤波处理的图像，既去噪，又改善了图像表面光照的均匀度，得到了一幅对比度较好的图像。

(a)噪声图 (b)均值滤波 (c)中值滤波 (d)同态滤波图4 图像滤波效果图

2.3 图像校正

图像经过去噪平滑操作后，为了便于后续的图像匹配，减小匹配误差，需要对倾斜的图像进行校正定位。本文采用仿射变换对滤波后的图像进行校正。在校正过程中一般先定义仿射变换单位矩阵[13]，然后向单位变换矩阵中添加需要进行几何变换的变换矩阵，最后再做仿射变换。仿射变换的一般表达式为

(4)

图像仿射变换前后的对比如图5所示。图5(a)和(b)分别是校正前和校正后的图像，图像的转正角度为0.78°。

(a)校正前 (b)校正后图5 校正图像

2.4 基于图像匹配的缺陷判断

图像匹配是多幅图像之间进行对比并且互相识别，寻找图像之间公共目标的过程。通常目标物体类型特殊并且易变，为了提高目标物体的识别度，可根据目标物体的一些特征要素构建多幅图像之间的关系，以此寻找相似要素[14]。

图像匹配方法主要有两大类，一种是基于灰度的匹配方法，另外一种是基于特征的匹配方法。为了更加精确地检测图像的缺陷，本文提出一种基于形状匹配和灰度匹配的二次匹配法，流程如图6所示。

图6 基于形状匹配和灰度匹配的二次匹配法

首先选取校正后无缺陷的图像创建形状模板；训练形状模板，将待测图像与形状模板初次匹配，由于手机石墨散热片良品是规则的，可以初次判断图像是否匹配，直接先筛选出无缺陷的图像，剩下的是疑似有缺陷的图像；对疑似有缺陷的图像划分为n等份小区域，统计每等份区域内像素的灰度值Gi(i=1,2,…,n)；由于缺陷区域的灰度值近似于最小灰度值Gmin，而无缺陷区域的灰度值大于Gmin，统计灰度值大于Gmin的部分为m，计算出灰度值之和Gm及其平均灰度值T=Gm/m，以其平均灰度值创建模板；遍历n等份小区域，进行灰度值匹配；若每个小区域的灰度值都和模板灰度值相匹配，则该手机石墨散热片是无缺陷的，若出现一个小区域的灰度值不匹配，则该手机石墨散热片是有缺陷的。判断缺陷之后，将有缺陷的图像与模板图像进行差分运算以提取缺陷。

3 实验与分析

经过了图像匹配和差分运算，二值化后提取得到的缺陷如图7所示。图7(a)为良品无缺陷图像，将其滤波后再仿射变换转正，用以创建形状模板图像。图7(b)为滤波校正后有缺陷的图像，图7(c)是(b)与(a)进行形状模板匹配提取得到的缺陷图像，而图7(d)则是以基于灰度匹配方法提取得到的缺陷图像，最后图7(e)是用本文提出的二次匹配方法提取得到的缺陷图像。通过3种方法对比，可以从图像中发现，采用基于形状匹配的方法得到的缺陷比基于灰度匹配识别出的缺陷区域多一些，但是还有一小部分缺陷没有找到，而本文提出的二次匹配法得到的缺陷比较准确，可以识别出一些微小的缺陷区域。实验表明，本文的二次匹配法较基于灰度匹配法和基于形状匹配法准确度更高。

图7 3种匹配方法的缺陷提取

本文实验中获取图像250幅，其中无缺陷的图像150幅，有缺陷的图像100幅。为了测试图像的检测情况，采用传统的两种匹配法和基于形状和灰度的二次匹配法分别对250幅图像检测，结果见表1。

表1 传统匹配法和二次匹配法获得的准确率和误检率

从表1的统计结果可知，本文提出的二次匹配法比基于灰度匹配法的准确率高出4%，比基于形状匹配法的准确率高出1%；本文提出的方法比基于灰度匹配法的误检率低4.4%，比基于形状匹配法的误检率低2%。通过传统匹配法和本文的二次匹配法对比，本文的检出率比传统的两种匹配法高，并且误捡率也低。

4 结论

本文提出了一种基于机器视觉的手机石墨散热片缺陷检测方法，目的在于提高缺陷检测准确率，提高企业的出产率。先采用自适应局部降噪的同态滤波器对图像去噪平滑，利用仿射变换校正图像，通过本文提出的二次匹配法判断缺陷，将缺陷图像与模板图像差分运算，最后二值化后提取缺陷。实验结果表明，本文提出的滤波方法较均值滤波、中值滤波更能得到对比度高的图像，有效提高了手机石墨散热片缺陷检测的准确率，同时降低了误检率，满足了企业提高出产率的需求。