俞霖?zé)?，曾培?/p>

　　(東華大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,，上海 201620)

　　摘要：討論了實際工業(yè)生產(chǎn)中點狀缺陷的實時檢測問題，提出一種基于嵌入式的一維缺陷檢測方法,。首先通過行灰度信息的變化定位缺陷位置,，并針對缺陷處于特定位置、圖像有噪聲,、光照不足或過度等特殊情況提出了改進(jìn)方案,，實現(xiàn)了點狀缺陷的實時監(jiān)測。實驗結(jié)果證明,，該算法具有準(zhǔn)確性和有效性,。

　　關(guān)鍵詞：工業(yè)生產(chǎn)；點狀缺陷,；一維檢測,；實時檢測

0引言

　　近年來，缺陷檢測一直是一個熱門的研究方向,，廣泛運用在工業(yè)生產(chǎn)缺陷檢測中,。為了在工業(yè)生產(chǎn)中實現(xiàn)嵌入式控制的實時缺陷檢測，本文提出了一種基于嵌入式的一維缺陷檢測方法,，先通過行灰度信息的變化快速定位缺陷位置,，再針對缺陷處于特定位置,、圖像有噪聲、光照不足或過度等特殊情況提出了改進(jìn)方案,，實現(xiàn)了點狀缺陷的實時監(jiān)測。此外,，本文還討論了在攝像頭傾斜情況下,，計算缺陷實際位置的矯正算法。

1研究現(xiàn)狀

　　現(xiàn)有的缺陷檢測算法大致可以分成五大類：統(tǒng)計學(xué)法,、結(jié)構(gòu)化法,、光譜法、基于模型的方法以及機(jī)器學(xué)習(xí)的方法,。

　　統(tǒng)計學(xué)法根據(jù)像素間的空間分布關(guān)系檢測缺陷,，自相關(guān)函數(shù)［1］、灰度共生矩陣［2］等都是經(jīng)典的統(tǒng)計學(xué)方法,。自相關(guān)函數(shù)易于處理具有強(qiáng)正則性的紋理圖像,，但是它易受噪聲影響，不太適合處理紋理不規(guī)則的圖像,?；叶裙采仃噷握{(diào)灰度變換具有不變性［2］，它的空間表現(xiàn)優(yōu)于自相關(guān)函數(shù),。然而,，當(dāng)紋理圖像清晰度高或是存在大量鄰接像素需要高強(qiáng)度計算時，灰度共生矩陣的性能表現(xiàn)不佳,。

　　結(jié)構(gòu)化法將紋理描述成由許多紋理基元組成的集合,，這些基元可以是單一像素也可以是一塊區(qū)域，通過這些基元的布局規(guī)則,，就能找到無序缺陷所在的位置［3］,。

　　光譜法主要有傅里葉變換、加伯變換,、小波變換以及圖像濾波等,。傅里葉變換需要通過整張圖像來提取信號，不能有效地定位缺陷區(qū)域,，通常會采用加窗傅里葉變換來解決這一問題,。當(dāng)窗函數(shù)是高斯函數(shù)時，加窗傅里葉變換就變成了加伯變換［46］,。

　　最著名的基于模型的方法是自回歸模型以及馬爾可夫隨機(jī)場模型,。自回歸模型［78］通過捕捉紋理圖像上不同的像素描述線性關(guān)系，這種方法易于識別微小的缺陷,，且不易受到圖像平移的影響,，但它受光照的影響較大。馬爾可夫隨機(jī)場模型認(rèn)為圖像中像素的強(qiáng)度取決于其相鄰幾個像素的像素強(qiáng)度。在執(zhí)行時間上,，馬爾可夫隨機(jī)場模型大大優(yōu)于其他的隨機(jī)場模型［9］,，但它不容易識別微小的缺陷。

　　最近,，也有一些機(jī)器學(xué)習(xí)的方法運用在缺陷檢測上,。參考文獻(xiàn)［1012］都擁有高于90%的缺陷檢測率。但是機(jī)器學(xué)習(xí)的方法在特征數(shù)據(jù)不充分時,，往往得不到滿意的效果,。

2一維行掃描法

　　一維行掃描的方法通過行灰度信息的變化快速定位缺陷位置。

　　2.1算法的基本原理

　　針對缺陷灰度值局部最小的特點,，對于每一行數(shù)據(jù),，可以通過如下定義來識別缺陷：

　　定義1x∈［0,m－1］,若α>0,使得h1(t)<min(|Pn(x－α)－Pn(x)|,|Pn(x+α)－Pn(x)|)<h2(t)，則x∈Xdefect

　　其中,，變量m,、n分別表示圖像Im×n的寬和高。函數(shù)Pn(μ)是圖像中第n行第μ列的像素灰度值,，μ∈［0,m－1］,。函數(shù)h1(t)、h2(t)是光強(qiáng)度t下的上下波幅閾值,，它們決定了缺陷與背景灰度之差的浮動范圍,。

　　為了提高計算速度，可以事先求得明背景的平均閾值Thl和暗背景的平均閾值Thd,，僅對0<Pn(x)<Thd－h(huán)1(t)以及Thl－h(huán)2(t)<Pn(x)<Thl－h(huán)1(t)的像素進(jìn)行處理,。除非光照發(fā)生變化，Thl和Thd在一次實驗中只需要計算一次,。為了更進(jìn)一步提高計算速度,，對于每一行的數(shù)據(jù)，可以首先計算它們的像素和作為校驗和,，式(1)為校驗和Sn的計算公式：

　　當(dāng)|Sn－Sn′|>β,，則認(rèn)為第n行存在缺陷。其中：Sn′是上一幀圖像中第n行像素灰度值的校驗和,，β是根據(jù)缺陷的形狀和大小信息預(yù)先設(shè)定的經(jīng)驗值,。因此，僅對存在缺陷的行數(shù)據(jù)做進(jìn)一步的計算,，可以大大減小計算量,。

　　在大多數(shù)情況下，通過定義1就能夠獲得很好的結(jié)果,，但在當(dāng)缺陷位于明暗背景的邊界處,、圖像噪聲的最大方差較大,、光照不足或過度時，圖像處理的效果將欠佳,。特別是當(dāng)圖像在采取過程中產(chǎn)生偏移時,，式(1)將會失效。針對這些特殊情況,，將進(jìn)一步給出相應(yīng)的改進(jìn)方案,。

　　2.2邊界問題

　　圖像的明背景與暗背景之間通常會產(chǎn)生分明的邊界，反映在直方圖上會產(chǎn)生明顯的幅值變化,。缺陷位于邊界處可分為三種情況：(1)缺陷整體處于明背景部分；(2)缺陷整體處于暗背景部分,；(3)缺陷處于明暗背景之間,。這三種情況都容易造成漏判，圖1分別給出了這三種情況,。

　　對于上述情況,，定義2給出了新的判斷檢驗和方法，Tn表示圖像中第n行像素灰度值的檢驗和,，它不再對整行的數(shù)據(jù)求和,，只對梯度發(fā)生較大變化的數(shù)據(jù)求和。

　　其中,，γ是一個經(jīng)驗值,，γ的大小根據(jù)明暗背景的幅度來決定，本文選取γ=18(Thl－Thd）,。采用新的校驗和有以下優(yōu)點：

　　(1)仍然能夠作為校驗和判斷缺陷的產(chǎn)生,。

　　(2)不僅能夠檢驗邊界處的缺陷，還能夠判斷缺陷究竟是位于邊界部分,，還是位于背景部分,。Tn′是上一幀圖像中第n行像素灰度值的新校驗和，當(dāng)|Tn－Tn′|>β時,，表示第n行存在缺陷,。當(dāng)Tn<Tn′時，則表明缺陷處于邊界部分,；當(dāng)Tn>Tn′時,，則表明缺陷處于背景部分。

　　(3)能夠忽略采集過程中圖像的輕微偏移,。通常,，如果在當(dāng)前行的位置x處發(fā)生梯度變化，相鄰行也將會在x的鄰域處發(fā)生梯度變化,，因為新的校驗和只對梯度發(fā)生較大變化的像素值求和,，且行間的像素變化是連續(xù)的,，所以圖像的輕微偏移不會導(dǎo)致新的檢驗和失效。

　　2.3圖像噪聲問題

　　如果圖像噪聲的幅值較大,，將會把某些噪聲誤判為缺陷,。針對這種情況，可以引入一個閾值Thc來判斷每一行中每一個缺陷所占像素的范圍,。實現(xiàn)方法如下：在掃描中每當(dāng)發(fā)現(xiàn)疑似缺陷,，通過缺陷的起始坐標(biāo)Xb、終點坐標(biāo)Xe求得缺陷的像素范圍count=Xe－Xb+1,。當(dāng)count>Thc時,，將疑似缺陷判定為真正的缺陷，否則將其判定為圖像噪聲,。當(dāng)識別完一個疑似缺陷后,，count清零，繼續(xù)判斷之后發(fā)現(xiàn)的疑似缺陷,。Thc的大小與噪聲的類型以及圖像的清晰度有關(guān),。

　　上述方法對零散的高幅值噪聲過濾效果較好，但是會疏漏連續(xù)出現(xiàn)的噪聲,，因此可以引入行間檢查的方法,。具體步驟如下：(1)記錄圖像中每一行內(nèi)缺陷區(qū)域的個數(shù)，這樣,，一幅m×n大小的圖像就會形成一個大小為n的一維數(shù)組F［n］,；(2)將F［n］通過式(3)轉(zhuǎn)化為另一個數(shù)組G［n］，就能判斷是否有噪聲被誤判成缺陷,。

　　由于每個缺陷都有一定的面積,，行間的數(shù)據(jù)變化也是有規(guī)律的，G［n］上的數(shù)據(jù)不會發(fā)生劇烈變化,。但當(dāng)有噪聲出現(xiàn)時,，G［n］上的數(shù)據(jù)將變化得非常明顯。因此,，根據(jù)這種方法就能判斷是否存在噪聲誤判,。實際應(yīng)用中，如果一定范圍內(nèi)G［i］的值都大于0,，就認(rèn)為該區(qū)域有噪聲誤判,。當(dāng)確定了誤判，就能通過重新掃描這些行快速過濾誤判噪聲,。

　　2.4光照問題

　　光照不足或是光照過度都會影響采集圖像的質(zhì)量,，本文通過自動調(diào)節(jié)相機(jī)增益來穩(wěn)定光照。實際應(yīng)用中的流程圖如圖2所示,，先計算直方圖中一個波峰的橫坐標(biāo)值Th2,，通過自動調(diào)節(jié)相機(jī)增益使得Th2滿足a<Th2<b,，其中a、b都是預(yù)先給定的經(jīng)驗值,，這兩個參數(shù)保證采集到的圖像光照最佳,。通過固定時間重復(fù)這個過程就能達(dá)到穩(wěn)定光照的目的。由于該方法僅采用Th2作為光照強(qiáng)度的判斷依據(jù),，對于直方圖并不是雙峰的情況也依然適用,。

3梯形失真消除

　　梯形失真的圖像是由真實圖像經(jīng)過仿射變換轉(zhuǎn)換而成的，由于仿射變換保持同素性,，梯形失真的圖像經(jīng)過仿射變換也能轉(zhuǎn)換成真實圖像,。對于任意坐標(biāo)(x,y)經(jīng)過仿射變換轉(zhuǎn)換得到坐標(biāo)(u,v)，都有如下關(guān)系：

　　u=Ax2+By2+Cxy+D

　　v=Ex2+Fy2+Gxy+H(4)

　　其中,，A,、B、C,、D、E,、F,、G、H是8個變換參數(shù),。

　　因此,，只需要知道變換前與變換后4個坐標(biāo)的坐標(biāo)值，代入式（4）即可求得8個變換參數(shù),，也就得到了失真圖像與真實圖像之間的轉(zhuǎn)換關(guān)系,。

4實驗結(jié)果分析

　　本文采用一維行掃描法對點狀缺陷進(jìn)行檢測，圖3給出了該算法在實際應(yīng)用中的檢測效果,。

　　為了驗證算法的效率,，本文對相同時間內(nèi)不同算法在嵌入式設(shè)備中能夠處理的幀數(shù)進(jìn)行了比較試驗。圖4是兩種一維缺陷檢測方法（一維加伯變換法和一維自相關(guān)函數(shù)法）,、常規(guī)的二維缺陷檢測方法和本文算法的比較,。結(jié)果表明，本文的算法在效率上優(yōu)于常規(guī)的二維缺陷檢測方法以及加伯變換法和一維自相關(guān)函數(shù)法缺陷檢測方法,。

5結(jié)論

　　本文提出了一種基于嵌入式的一維缺陷檢測方法,，并針對特殊情況，給出了算法的改進(jìn)方案,。實驗結(jié)果證明,，該算法擁有良好的缺隱檢出率，并且在算法效率上略優(yōu)于其他同類型算法,。

參考文獻(xiàn)

　?。?］ HARALICK R M.Statistical and structural approaches to texture［J］.Proceedings of the IEEE,1979,67 (5):786804.

　?。?］ MOKJI M M,BAKAR S.Adaptive thresholding basedon cooccurrence matrix edge information［C］. First Asia International Conference on Modelling& Simulation, IEEE, 2007:444450.

　　［3］ VILNROTTER F, NEVATIA R, PRICE K. Structural analysis of natural textures［J］. Pattern Analysis and Machine Intelligence, 1986,8(1):7689.

　?。?］ CLARK M, BOVIK A C, GEISLER W S. Texture segmentation using gabor modulation/demodulation［J］.Pattern Recognition Letters, 1987, 6(4):261267.

　?。?］ VALOIS R L D, ALBRECHT D G, THORELL L. Spatial frequency selectivity of cells in macaque visual cortex［J］. Vision Research, 1982, 22(5):545559.

　　［6］ JAIN A K, FARROKHNIA F. Unsupervised texture segmentation using gabor filters［J］. Pattern Recognition, 1991, 24(12):11671186.

　?。?］ SERAFIM A F.Multiresolution pyramids for segmentation of natural images based on autoregressive models: application to calf leather classification［C］. 1991 International Conference on Industrial Electronics, Control and Instrumentation, IECON′91, IEEE, 1991: 18421847.

　?。?］ HAJIMOWLANS S H, MUSCEDERE R, JULLIEN G A,et al. 1D auto regressive modeling for defect detection in web inspection systems［C］. Proceedings of Midwest Symposium on Circuits and Systems,1998,1:330333.