田國富,，馬書新,，高峰

　　（沈陽工業(yè)大學(xué) 機(jī)械工程學(xué)院,，遼寧 沈陽 110870）

　　摘要：提出了一種基于圖像處理的玻璃缺陷實時檢測系統(tǒng),。闡述了系統(tǒng)的基本原理和結(jié)構(gòu)，著重研究了系統(tǒng)的核心技術(shù)：中值濾波,、圖像分割,、邊緣檢測、缺陷定位,、參數(shù)計算與缺陷識別,。實驗結(jié)果表明，該系統(tǒng)的檢測識別率高,，達(dá)到95%;速度快,，處理周期約350 ms;抗干擾能力強(qiáng)，基本能夠?qū)崿F(xiàn)鋼化玻璃缺陷的在線檢測要求,。

　　關(guān)鍵詞：玻璃缺陷;實時檢測;圖像處理;BP神經(jīng)網(wǎng)絡(luò)

0引言

　　現(xiàn)在的玻璃缺陷檢測系統(tǒng)主要是利用人工檢測,、激光檢測和摩爾干涉定理的方法。人工檢測容易帶來主觀誤差,，激光檢測易受干擾,，摩爾干涉定理檢測往往占用大量的檢測時間，不能適應(yīng)自動化生產(chǎn)線,。將圖像測量技術(shù)應(yīng)用于玻璃的非接觸測量,，可以避免主觀誤差，提高檢測效率［1］,。

1系統(tǒng)概述

　　1.1系統(tǒng)的整體結(jié)構(gòu)

　　圖1所示為玻璃缺陷實時檢測系統(tǒng)的基本結(jié)構(gòu),，主要包括：LED光源、CCD陣列攝像機(jī)、圖像處理單元,、顯示器,、通信/輸入輸出單元等。

　　圖1實時檢測系統(tǒng)結(jié)構(gòu)示意圖玻璃原板的檢測幅面較大,，檢測精度和效率要求較高,，故系統(tǒng)采用C/S網(wǎng)絡(luò)化分布的并行處理方式［2］。如圖2所示,使用柯拉光路透鏡組以獲取均勻穩(wěn)定的視場強(qiáng)度,，使用遮光罩避免了外部光的干擾,。

　　1.2系統(tǒng)的基本原理

　　圖3為實時檢測原理示意圖，光源背面垂直照射玻璃,，由攝像機(jī)組拍攝圖像,，傳輸?shù)接嬎銠C(jī)中，由軟件進(jìn)行圖像分析,，提取缺陷的位置,，特征參數(shù)及判別類型，并通過局域以太網(wǎng)發(fā)送至總服務(wù)器 ［3］,?！?/p>

2玻璃圖像的精確測量

　　在光源照射下，玻璃缺陷的圖像顯示是非常明顯的,，這就為圖像檢測奠定了基礎(chǔ),。圖4所示為缺陷的圖像檢測算法步驟［4］?！?/p>

　　2.1圖像去噪

　　采用了一種改進(jìn)的自適應(yīng)中值濾波算法 ［5］,，其過程如下：假設(shè)玻璃圖像大小為m×n，T的初值為玻璃圖像總像素的一半,，即T=mn/2,。

　　(1)窗口回復(fù)缺省值，對新開始的內(nèi)容排序并建立直方圖,確定其值P,同時記下亮度Pi不大于P的像素數(shù)目Q,。

　　(2)因最左列亮度PL的每個像素為P,且H［PL］ =H［PL］-1,。則H［PL］即為直方圖最左列亮度的像素數(shù)。

　　(3)將窗口右移1列,因最右列亮度PR的每個像素為P,且H［PR］=H［PR］+1,。如果PR<P,則置Q=Q+1,。

　　(4)若Q>T則轉(zhuǎn)步驟(5)。重復(fù)Q=Q+H［P］, P=P+1;直到Q≥T,則轉(zhuǎn)步驟(6),。

　　(5)重復(fù)P=P-1,Q=Q-H［P］,直到Q≤T,。

　　(6)如果窗口的右側(cè)列不是玻璃圖像的右邊界,則轉(zhuǎn)步驟(2)。

　　(7)如果窗口的底行不是玻璃圖像的下邊界,則轉(zhuǎn)步驟(1),。

　　2.2閾值分割

　　提出了一種復(fù)合型閾值分割算法,。

　　2.2.1基于自跟蹤的閾值曲面分割方法［6］

　　在檢測前采集一無缺陷玻璃圖像，將其灰度分布曲面作為初始曲面f0(x,y)。假設(shè)圖像為m×n, R(x,y)為實時圖像,，G為平均灰度差變化：

　　以G為修正值對f0(x,y)修正,，得到新的閾值曲面T(x,y),有

　　T(x,y)=f0(x,y)+G(2)

　　為了保證分割時缺陷的特征，必須保持各像素間的灰度關(guān)系,，因此采用式（3）所示的向下分割［7］：

　　2.2.2自適應(yīng)閾值分割［8］

　　整幅圖像總像素像素的灰度值比閾值T小的像素個數(shù)記作N1,，比閾值T大的像素個數(shù)記作N2，則目標(biāo)像素點(diǎn)數(shù)在整幅圖像中所占比例為C1=N1M×N,平均灰度為U1,背景像素點(diǎn)數(shù)在整幅圖像中所占比例為C2=N2M×N,平均灰度為U2,。其中N1+N2=M×N, U1+U2=1,。則圖像的加權(quán)平均灰度值U與類間方差g分別為：

　　U=C1×U1+C2×U2(4)

　　g=C1×(U-U1)2+C2×(U-U2)2(5)

　　當(dāng)g最大時，目標(biāo)與背景的對比度最大,，可用遍歷法得到對應(yīng)的最大最佳閾值T,，然后進(jìn)行圖像二值化分割。

　　2.3圖像邊緣檢測

　　本文采用了一種二階段逼近式亞像素邊緣檢測算法,。

　　2.3.1圖像邊緣粗定位

　　Sobel算子能確定邊緣點(diǎn)的位置和方向，對噪聲具有平滑作用,，所以在邊緣粗定位時選用Sobel算子［8］,。給定閾值T，根據(jù)圖5可知,，若像素f(x,y)附近存在邊緣時,，梯度值S(x, y)需要滿足以下關(guān)系：

　　S(x,y)≥S(x+1,y)>S(x+2,y),

　　S(x,y)≥S(x-1,y)>S(x-2,y),S(x,y)>T

　　（x,y-2）（x,y-1）(x-2,y)（x-1,y）（x, y）（x+1,y）（x+2,y）（x,y+1）（x,y+2）

　　2.3.2圖像邊緣精定位

　　選取5個像素點(diǎn),，橫坐標(biāo)x代表像素值,，其取值分別設(shè)為-2、-1,、0,、1、2,，其縱坐標(biāo)y代表各點(diǎn)對應(yīng)的灰度值,，依據(jù)施密特正交化法得到正交基，如式（6）所示：

　　則灰度分布擬合表達(dá)式為：

　　F5(x)=a0×G0(x)+a1×G1(x)+a2×G2(x)

　　+a3×G3(x)+a4×G4(x)+a5×G5(x)(7)

　　根據(jù)最小二乘法原理有：

　　根據(jù)函數(shù)的極值求解條件,求解的x即是亞像素點(diǎn)的位置,。

　　2.4缺陷區(qū)域定位

　　在同一實驗環(huán)境下,，分別采用8鄰域搜索算法及RLE算法對同一幅8 000×6 000的含缺陷的灰度圖像進(jìn)行處理，記錄時間運(yùn)算周期,，結(jié)果如表1所示［9］,。

　　2.5缺陷特征參數(shù)提取［10］

　　本文提取如下4種特征參數(shù)作為區(qū)分缺陷類型的指標(biāo): 缺陷核心面積,、缺陷目標(biāo)的伸長度,、周長和圓形度。

　　（1）面積A定義為區(qū)域內(nèi)所包圍的像素點(diǎn)數(shù),。計算方法是掃描整幅圖像,，統(tǒng)計目標(biāo)邊界及內(nèi)部的全部像素數(shù)，公式為：

　?。?）伸長度Q可以把細(xì)長目標(biāo)和近似圓形或方形目標(biāo)區(qū)分開來,，公式為：

　　Q=DL/A(13)

　　其中，A為缺陷區(qū)域面積,，D與L分別為目標(biāo)寬度和長度,。

　　（3）周長Z即區(qū)域邊界的長度,。假設(shè)每個點(diǎn)是面積為1的一個小方塊,，對圖像邊緣做出標(biāo)記，累計所標(biāo)記的像素總數(shù),，即為周長,。標(biāo)記方法如下：

　　①定義一個二維數(shù)組h(i, j)=1,，其中(i, j)是值為 1的點(diǎn)的坐標(biāo),。

　　②對整幅圖像從上到下掃描,，比較相鄰兩點(diǎn)的值,，若值為1和0，則令h1(i, j)=1,記錄滿足條件的像素數(shù)目Z1,；再從左到右掃描,，比較相鄰兩點(diǎn)的值，若值為1和0,，則令h2(i, j)=1,，記錄像素數(shù)目Z2。

　?、塾嬎鉠=Z1+Z2,，Z為區(qū)域邊界的周長。

　?。?）圓形度O主要用來區(qū)分圓形或橢圓形缺陷(氣泡等）及細(xì)長狀缺陷（裂紋或異物摻雜等）,，可用式（14）求解：

　　O=A/Z2（14）

　　2.6缺陷類型識別

　　2.6.1缺陷類型識別原理

　　若當(dāng)均勻光垂直入射沒有雜質(zhì)的玻璃時，出射光的強(qiáng)度也是均勻的,，方向也不會發(fā)生改變,，如圖6(a)所示；若遇到光透射型缺陷,，光線在缺陷位置發(fā)生折射,，相機(jī)靶面上探測到的光相應(yīng)增強(qiáng),，如圖6(b)所示；若遇到光吸收型雜質(zhì),，則該缺陷位置的光會變?nèi)?，相機(jī)靶面上探測到的光比周圍的光要弱，如圖6(c)所示［10］,。

　　2.6.2缺陷類型識別方法

　　考慮到玻璃缺陷分類的多類性和非線性,系統(tǒng)采用三層BP算法的神經(jīng)網(wǎng)絡(luò)識別缺陷,。缺陷識別流程如圖7所示。隱含層節(jié)點(diǎn)數(shù)取7,激活函數(shù)為sigmoid函數(shù),，將雜質(zhì)特征參數(shù)作為網(wǎng)絡(luò)輸入,，網(wǎng)絡(luò)輸出為雜質(zhì)類型，在誤差反饋時采用動量項和自適應(yīng)學(xué)習(xí)速度的方法改進(jìn)網(wǎng)絡(luò)訓(xùn)練［11］,。

　　實驗證明,在誤差范圍達(dá)到0.002時,，缺陷識別率在95%,對大于0.4 mm的缺陷分類準(zhǔn)確率達(dá)92%,滿足了浮法玻璃缺陷在線分類的要求。

3實驗數(shù)據(jù)與誤差分析

　　系統(tǒng)每處理一幀6 140×2 000的圖像時間為350 ms,以縱向0.2 mm/pixel的分辨率計算, 30 m/min的速度對應(yīng)采集每幀的時間為540 ms>350 ms,算法很好地滿足了缺陷在線檢測的實時性要求,。

　　圖8玻璃缺陷對圖8所示兩種缺陷圖像進(jìn)行實時處理,，計算區(qū)域特征參數(shù)并進(jìn)行識別分類，數(shù)據(jù)如表2所示,，可以看出,，算法具有較高的識別正確率和分類準(zhǔn)確率。

4結(jié)論

　　針對鋼化玻璃生產(chǎn)企業(yè)的需求,，采用視覺檢測方法，實現(xiàn)了玻璃缺陷快速定位,、計算和類型識別,，缺陷識別率在95%以上，分類準(zhǔn)確率達(dá)92%,。儀器的連續(xù)性好,，抗干擾能力強(qiáng)，在應(yīng)對鋼化玻璃的自爆問題上可以發(fā)揮很大作用,。

參考文獻(xiàn)

　?。?］ 石兵華,金永,王召巴.基于數(shù)字光柵投影的浮法玻璃缺陷檢測方法研究［J］. 光電子.激光, 2014,25（3）:521525.

　　［2］ 王飛,崔鳳奎,劉建亭,，等.一種平板玻璃缺陷在線檢測系統(tǒng)的研究［J］.應(yīng)用光學(xué), 2010,31(1）:9599.

　?。?］ 趙漣漪,許寶杰,童亮. 玻璃缺陷在線檢測系統(tǒng)的研究［J］.北京信息科技大學(xué)學(xué)報(自然科學(xué)版),2011,26(4):5761.

　　［4］ 楊繼亮,金永,王召巴.基于線陣CCD的玻璃缺陷檢測系統(tǒng)研究［J］.傳感器與微系統(tǒng),2011,30(11):2527.

　?。?］ 周欣,鄧文怡,劉力雙. 玻璃缺陷快速檢測分類研究［J］. 微計算機(jī)信息, 2008,28(27):304305,，20.

　　［6］ 楊杰,盧盛林,趙曉芳. 機(jī)器視覺在鋼化玻璃缺陷檢測中的應(yīng)用研究［J］.計算機(jī)技術(shù)與發(fā)展, 2013,23(3):211214.

　?。?］ 趙健,高軍,羅超,等.基于數(shù)字圖像處理的玻璃缺陷在線檢測系統(tǒng)［J］.電子技術(shù)應(yīng)用, 2013,39(12):9092.

　?。?］ 田國富,高峰. 一種圖像亞像素邊緣檢測算法的改進(jìn)研究［J］. 微型機(jī)與應(yīng)用, 2015,34(21):4042.

　?。?］ 余文勇,周祖德,陳幼平. 一種浮法玻璃全面缺陷在線檢測系統(tǒng)［J］. 華中科技大學(xué)學(xué)報(自然科學(xué)版),2007,35(8):14.

　　［10］ 劉懷廣,陳幼平,謝經(jīng)明,等. 浮法玻璃缺陷在線識別技術(shù)的研究［J］. 小型微型計算機(jī)系統(tǒng), 2011,38(4):738742.

　?。?1］ 吳丹. 玻璃缺陷識別算法研究［J］. 現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化,2015,5(2):7273.