基于图像背景差影的冲压板料表面缺陷检测*

商业彤，刘乘昊，王 晶，孔祥志，何雨阳，魏鸿磊

(大连工业大学机械工程与自动化学院，大连 116034)

0 引言

冲压成型工艺广泛应用于各行各业，如汽车制造[1]、生活用品制造以及各种设备的壳体制造等，其过程包含切割下料、拉延成型、切边、卷边、抛光等多道工艺。毛坯板料经常存在各种缺陷，如划痕、瘢痕、裂纹等。较严重缺陷如裂纹、深度划痕等情况无法通过后期抛光工艺修正，任由其进入生产工序会造成废品率上升，浪费人力物力，因此对毛坯板料的缺陷检测非常重要。人工检测效率低，且易漏检[2]，企业迫切需要自动化的检测设备。

近年来，基于机器视觉的表面缺陷检测技术迅速发展，具有检测效率高、成本低等优点，大大降低人工劳动量，提高生产效率，广泛应用于工业检测领域[3]。表面缺陷检测方法主要分为传统图像处理方式、机器学习和深度学习，传统图像处理方式主要方法有边缘检测法和阈值分割法[4]。黄梦涛等[5]通过对Canny算子进行滤波增强和阈值自适应获取对锂离子电池极片表面进行缺陷检测。田洪志等[6]对采集的冲压件图像进行两次不同阈值的动态阈值分割结合区域生长法得到优化二值图进行区域筛选进而提取缺陷。为提高缺陷检测的鲁棒性，还有很多方法加入了各种图像处理环节以突出特征，如形态学处理[7]、特征空间换向[8]、投影直方图修正[9]等。近年来，随着深度学习方法的迅速发展，基于深度学习的方法如基于YOLOv4[10]、Refine-ACTDD[11]、DCGAN[12]、小样本图像非对称[13]等方法在缺陷检测领域也得到了广泛的研究和应用。

冲压件生产车间大都环境较恶劣，而上述方法或者需要较好的光照条件，或者计算量较大导致实时性不好难以进行实际应用，因此提出了一种对光照变化不敏感且效率较高的缺陷检测方法，首先用模板匹配方法定位板料，然后分割出模板图像，并由背景差影法定位缺陷。

1 毛坯板料表面缺陷实验平台

搭建如图1所示实验平台，包括130万像素的海康威视MV-CE013-50GM黑白工业相机、16 mm焦距的定焦镜头，以及高亮度LED环形光源进行照明。相机垂直安装于传送带上方，为了保证传送带的传送区域都能收入相机视野，安装高度根据传送带宽度进行调整，保证实验平台具有良好的成像质量。

图1 缺陷检测实验平台

工作时，待检测毛坯板料通过传送带传输到检测平台设定区域触发传感器，工业相机采集标准工件图像并传送至计算机进行图像检测，若表面质量不合格，则计算机将工件坐标结果发送给机械手实现从传送带上剔除，整体流程如图2所示。

图2 算法检测流程

2 模板匹配定位

模板匹配的目的是从生产线上提取工件图像进行检测，并定位以供检测不合格时由机械手移除。

2.1 模板设置

在模板匹配开始前首先需要人工交互设置模板。通过人机交互界面在采集的图像中画出ROI(模板图像区域)，并由图像分割程序去除ROI内背景图像，然后存储为模板。

(a) 人工交互选择ROI (b) 获取模板图像

2.2 基于灰度信息的模板匹配

归一化互相关匹配(normalized cross correlation，NCC)是一种典型的基于灰度相关的匹配方法，具有受光照变化影响小和不受比例因子误差影响等优点。其匹配步骤如下：

步骤1：如图4所示，假设搜索图S的大小为N×N，模型图像T的大小为M×M，且N>M，将模板T叠放在搜索图S上，模板覆盖下的搜索图成为子图Si,j，i、j为这块子图的左上角像素点在S图中的坐标，称为参考点。

图4 NCC算法匹配示意图

步骤2：对搜索图进行自左向右、自上向下滑动进行遍历搜索，分别计算每个子图Si,j和模板图像T的相似性度量R(i,j)。

(1)

步骤3：NCC系数取值越大表示两者相关性越大，R(i,j)的取值范围为0～1，获得R(i,j)的最大值，并记录下(i,j)位置，即得到相似度最大的位置信息，提取出匹配区域。

2.3 基于高斯金字塔的模板匹配加速

采用归一化互相关函数算法(NCC)匹配准确性高，但计算量大，故利用图像高斯金字塔分层匹配的思想，提高匹配速率。

高斯金字塔是通过高斯平滑和亚像素采样获得采样图像，即通过对第i层高斯金字塔进行平滑和亚采样就可以获得i+1层高斯图像。构建高斯金字塔具体执行步骤如下：

步骤1：图像金字塔最底层为待检测的毛坯板料表面图像原图，用G0表示。

步骤2：对G0进行高斯核卷积，使用5×5高斯核如下：

(2)

步骤3：将高斯低通滤波后图像的所有偶数行和偶数列删除得到第二层图像G1，层级Gi+1层高斯金字塔图像位于点(x,y)的计算公式如式(3)所示：

(3)

步骤4：重复步骤3，通过对输入图像Gi不断迭代得到整个图像金字塔如图5所示，迭代图像Gi+1的大小是Gi的1/4，分辨率是Gi的1/2，对其分析时计算量显著降低。

步骤5：金字塔取5层，在最顶层G5图像上使用NCC算法找到相似度最大位置，然后反变换传入最底层原图上，找到最佳匹配位置，得到毛坯板料的定位图如图6所示。

图5 高斯金字塔示意图 图6 工件快速定位

3 缺陷提取方法

由于板料大都是镜面反光，受光照不均匀和环境光影响，毛坯表面缺陷难以稳定地通过边缘检测、灰度值及梯度值检测。在频谱图中图像灰度梯度的大小表现为高频分量和低频分量。为了突出缺陷，结合频域去噪与背景差影法检测毛坯板料表面缺陷。

3.1 基于傅里叶变换的背景图像生成

快速傅里叶变换的作用是将具有缺陷的毛坯板料图像转换为频谱图。令I(x,y)代表待检测图像尺寸大小为M×N的子图像，则I(x,y)离散傅里叶变换得到F(u,v)，表达式为：

(4)

如图7b所示，经快速傅里叶变换，在频谱图中缺陷主要存在于高频部位表现为一条亮线，使用高斯低通滤波器去除高频分量，将其进行快速傅里叶逆变换还原到空间域获得无缺陷背景图像如图7d所示，公式为：

(5)

(a) 有缺陷毛坯板料图 (b)缺陷毛坯板料频谱图

(c) 高斯滤波后频谱图 (d) 背景图像

3.2 基于背景差影法的缺陷提取

为检测图7a中的缺陷，通过原始图7a减背景图7d得到差分图8a，在差分图像中缺陷区域与正常背景区域之间的差异程度被明显地放大。其具体步骤为：

步骤1：分别计算原始图像I(x,y)和背景图像D(x,y)坐标相同像素点的灰度值D1和D2。

步骤2：将D1与D2做差后求绝对值，得到匹配差值D0。

步骤3：计算差分图像的阈值T，其表达式为：

T=(D1-D2)·C+A

(6)

式中，C为校正因子，是一个预设定的控制常数，取值范围为-255～255；A为差分图像像素的灰度平均值，取值范围为-512～512。不同的控制参数导致不同的效果，在此算法中，取M=2，A=100。

步骤4：满足条件D0>T的像素(x,y)即为缺陷区域并用红线标明，示例检测结果如图8b所示。

(a) 差分图像 (b) 最终检测图像

4 实验分析

为验证方法对光照的敏感性，在图1所示的检测平台下，采用VS2019开发环境编写冲压毛坯板料表面缺陷检测软件，对毛坯板料表面缺陷检测方法进行实验分析，检测软件界面如图9所示。

图9 冲压毛坯板料表面缺陷检测软件界面

实验选取了120个冲压毛坯板料进行表面缺陷检测实验，其中无缺陷毛坯板料20个，有1处缺陷毛坯板料50个，多处缺陷毛坯板料50个，为了验证环境光对检测结果影响，实验选取了11个不同光照强度的时间段对毛坯板料进行表面缺陷检测，实验的结果如表1所示。

表1 缺陷样本检测实验结果

由表1可以看出，在实际检测中，上午9点时实验受环境光影响小，大约在13点时环境光增强达到最大值，导致图像灰度值及梯度值产生轻微的变化，但实验结果准确率仍达到96.7%以上，验证了本文方法对光照变化具有不敏感性，每幅图像检测时间低于0.054 s，达到工业生产线检测速度的要求。

为了进一步验证本文方法的效果，在同样的实验环境下，与基于边缘检测的缺陷检测方法[5]和基于阈值分割的缺陷检测方法[6]进行对比。各方法缺陷检测结果示例如图10所示，实验检测结果如表2所示。

(a) 有缺陷毛坯板料图 (b) 文献[5]检测结果

(c) 文献[6]检测结果 (d) 本文检测结果

表2 不同方法检测对比

由图10b可以看出，文献[5]方法对噪声敏感，且Canny算子的检测阈值难以确定，当选取不合适时容易导致检测错误；由图10c可以看出文献[6]采用阈值法对光照不均匀效果不佳，导致板料较亮区域容易产生误检。由图10d可见本文方法缺陷检测准确，对光照不均匀及噪声程度不敏感。由表2数据可以看出，本文方法在误检率、漏检率和检测效率上有一定的优势。

5 结论

通过分析冲压毛坯板料表面特征，提出一种基于背景差影法的冲压毛坯板料表面缺陷检测方法，与许多表面缺陷检测方法不同，该方法首先结合高斯金字塔算法和基于灰度信息的归一化互相关模板匹配算法定位待检测毛坯位置，提高匹配速率，然后利用傅里叶变换在频域对图像进行处理，并结合背景差影法突出缺陷进而完成冲压毛坯板料表面缺陷检测。实验结果显示每幅图像检测耗时低于0.054 s，检测准确率高达96.7%以上，满足企业生产要求，对工业生产具有实际应用意义。