許祖鑫，畢明德，孫志剛

（華中科技大學(xué) 控制科學(xué)與工程系 信息所，湖北 武漢 430074）

0 引言

當(dāng)前手機(jī)產(chǎn)業(yè)中，對(duì)手機(jī)屏表面缺陷檢測(cè)的手段依舊停留在依靠人工肉眼觀察。然而人工檢測(cè)受檢測(cè)主體的主觀因素的限制且人眼無(wú)法實(shí)現(xiàn)產(chǎn)品高速生產(chǎn)時(shí)的在線缺陷檢測(cè)。機(jī)器視覺(jué)的發(fā)展使其能夠替代人眼，利用數(shù)字圖像處理技術(shù)完成手機(jī)屏表面缺陷檢測(cè)具有一定的實(shí)際意義。

數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成［1］。最基本的形態(tài)學(xué)運(yùn)算子有腐蝕、膨脹、開(kāi)、閉。運(yùn)用這些算子及其組合，進(jìn)行圖像形態(tài)和結(jié)構(gòu)的分析及處理，包括圖像分割，邊緣檢測(cè)，圖像濾波，圖像增強(qiáng)和復(fù)原等方面的工作［2－3］。本文針對(duì)手機(jī)屏表面灰度圖像背景單一，缺陷有明顯形狀特征的特點(diǎn)，提出一種基于數(shù)學(xué)形態(tài)學(xué)的缺陷檢測(cè)方法。

1 手機(jī)屏表面缺陷圖像特征分析

在生產(chǎn)過(guò)程中，手機(jī)屏可能出現(xiàn)的缺陷可分為兩類，一類是劃痕（見(jiàn)圖1a），這類缺陷主要是人為因素造成的;另一類是晶點(diǎn)（見(jiàn)圖1b），這類缺陷主要是由產(chǎn)品本身內(nèi)部結(jié)構(gòu)發(fā)生微小畸變所導(dǎo)致的。

對(duì)大量缺陷圖像進(jìn)行統(tǒng)計(jì)分析，表明缺陷在整個(gè)圖像中占的像素比重比背景小，輪廓比較清晰，但是背景與缺陷的灰度分布集中，二者對(duì)比度不明顯。從直方圖上看，圖像大都呈現(xiàn)比較集中的單峰結(jié)構(gòu)?？梢?jiàn)，這些圖不宜直接采用閾值分割處理，而區(qū)域生長(zhǎng)法嚴(yán)重依賴于初始種子像素［4］，同時(shí)計(jì)算量也較大，檢測(cè)的速度較慢。

圖1 （a），（b）分別劃痕與晶點(diǎn)缺陷樣本圖，（c），（d）分別為（a），（b）的直方圖

數(shù)學(xué)形態(tài)學(xué)方法能夠凸顯手機(jī)屏缺陷的形狀特性，并將其從背景中地分割出來(lái)，從而達(dá)到檢測(cè)疵點(diǎn)的目的。

2 灰度數(shù)學(xué)形態(tài)學(xué)

本文處理的缺陷圖像為灰度圖像，需利用灰度形態(tài)學(xué)［5］。二值數(shù)學(xué)形態(tài)學(xué)可方便地推廣到灰度圖像空間。只是灰度形態(tài)學(xué)的運(yùn)算對(duì)象不是集合，而是圖像函數(shù)。設(shè)f（x，y）是輸入圖像，b（x，y）是結(jié)構(gòu)元素。用結(jié)構(gòu)元素b對(duì)輸入圖像f進(jìn)行膨脹和腐蝕運(yùn)算分別定義為:

式中:Df和Db分別是f和b的定義域。

對(duì)灰度圖像的膨脹（或腐蝕）操作有兩類效果:

（1）如果結(jié)構(gòu)元素的值都為正的，則輸出圖像會(huì)比輸入圖像亮（或暗）;

（2）根據(jù)輸入圖像中暗（或亮）細(xì)節(jié)的灰度值以及它們的形狀相對(duì)于結(jié)構(gòu)元素的關(guān)系，它們?cè)谶\(yùn)算中或被消減或被除掉。

灰度數(shù)學(xué)形態(tài)學(xué)中開(kāi)啟和閉合運(yùn)算的定義與在二值數(shù)學(xué)形態(tài)學(xué)中的定義一致。用b對(duì)f進(jìn)行開(kāi)啟和閉合運(yùn)算的定義為:

開(kāi)運(yùn)算和閉運(yùn)算操作幾乎都是“保留區(qū)域”形式的:最顯著的效果是，在灰度級(jí)上，閉運(yùn)算消除了低于其鄰近點(diǎn)的孤立點(diǎn)，開(kāi)運(yùn)算消除了高于其鄰近點(diǎn)的孤立點(diǎn)。

基于以上灰度形態(tài)學(xué)基本運(yùn)算，本文在缺陷提取中用到“黑帽”法來(lái)增強(qiáng)圖像陰影的細(xì)節(jié)?！昂诿薄狈ň褪?Black-Hat變換［6］，即對(duì)原始圖像閉運(yùn)算再減去原始圖像后得到的圖像，可以得到一些重要的標(biāo)記點(diǎn)?；叶葓D像分析中，這種方法對(duì)比較亮的背景中求暗的像素聚集體（顆粒），或在較暗的背景中求亮的像素聚集體非常有效。

Black-Hat變換的數(shù)學(xué)表達(dá)式為:

其中b是適當(dāng)?shù)慕Y(jié)構(gòu)元素，f是輸入圖像。

在使用Black-Hat變換時(shí)，結(jié)構(gòu)元素的選取對(duì)結(jié)果會(huì)有很大的影響。適當(dāng)?shù)倪x取闕值，便可得到邊緣圖像。

3 手機(jī)屏表面缺陷檢測(cè)算法設(shè)計(jì)

基于數(shù)學(xué)形態(tài)學(xué)的手機(jī)屏表面缺陷檢測(cè)算法流程如圖2所示。

圖2 表面缺陷檢測(cè)流程圖

3.1 圖像預(yù)處理

在圖像預(yù)處理過(guò)程中采用中值濾波［7］方法對(duì)待檢測(cè)圖像進(jìn)行濾波。由于CCD面陣相機(jī)采集的圖像會(huì)因光照不均、CCD器件本身的噪聲等原因，而使得圖像存在噪聲。中值濾波不僅能有效濾除噪聲，且可克服線性濾波器帶來(lái)的圖像細(xì)節(jié)模糊，較好地保持了圖像邊緣，中值濾波對(duì)平滑脈沖干擾及圖像掃描噪聲尤為有效。

中值濾波就是用一個(gè)有奇數(shù)點(diǎn)的滑動(dòng)窗口，將窗口中心點(diǎn)的值用窗口內(nèi)各點(diǎn)的中值代替，用數(shù)學(xué)公式表示為:

式中Med為窗口內(nèi)像素灰度值的中間值，fi為窗口內(nèi)的像素灰度值。

本文采用中值濾波不僅能有效濾除噪聲，且可以保持缺陷輪廓，不影響后續(xù)形態(tài)學(xué)處理。根據(jù)觀察大量樣本圖像，窗口大小選擇5×5較為合適。

3.2 形態(tài)學(xué)處理

步驟一:對(duì)濾波后的圖像進(jìn)行Black-Hat變換。實(shí)驗(yàn)采用明場(chǎng)照明方式，光線經(jīng)過(guò)缺陷位置時(shí)其方向會(huì)突變，只有少量光線進(jìn)入相機(jī)。在圖像上的反映則為缺陷位置比正常區(qū)域暗。Black-Hat變換能將這些形狀明顯的較暗區(qū)域分離出來(lái)，在本研究中選擇5×5的結(jié)構(gòu)元素。Black-Hat變換結(jié)果如圖3所示。

圖3 （a），（b）分別為劃痕經(jīng)Black-Hat變換前后圖，（c），（d）分別為晶點(diǎn)經(jīng)Black-Hat變換前后圖

步驟二:對(duì)Black-Hat變換后的圖像進(jìn)行二值化分割。Black-Hat變換后，圖像的灰度級(jí)主要集中在兩類，一類為缺陷，另一類為背景;因此采用最大類間方差法進(jìn)行二值化。閥值T選取公式為:

式中m（i）、n2（i）分別為灰度級(jí)小于i的像素?cái)?shù)目和大于、等于i的像素?cái)?shù)目;v1（i）、v2（i）分別為它們的平均值。

公式（8）的意思是，取w（i）中的最大值時(shí)的下標(biāo)作為二值化的分割閾值。w（i）實(shí)際上是一個(gè)以灰度值為自變量的函數(shù)，求閾值就是找出函數(shù)值取最大值的位置。對(duì)圖3（b）、（d）二值化的結(jié)果如圖4所示。

圖4 二值化后的圖像

步驟三:對(duì)二值化后的圖像進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算。二值化后的圖像還有大量椒鹽噪聲，根據(jù)數(shù)學(xué)形態(tài)學(xué)理論，開(kāi)運(yùn)算能夠有效地濾掉這些噪聲，得到完整的缺陷圖，本研究選擇的結(jié)構(gòu)元素大小為5×5。開(kāi)運(yùn)算結(jié)果如圖5所示。

圖5 開(kāi)操作去掉噪聲點(diǎn)后的完整缺陷圖

步驟四:繪制輪廓。運(yùn)用OpenCV庫(kù)提供的輪廓繪制函數(shù)將缺陷輪廓畫出，保存輪廓數(shù)據(jù)，為后續(xù)提取特征量做準(zhǔn)備。繪制輪廓結(jié)果如圖6所示。

圖6 缺陷輪廓圖

3.3 缺陷特征提取

形態(tài)特征是目標(biāo)缺陷的基本特征，通過(guò)缺陷區(qū)域的面積、周長(zhǎng)、重心、圓度、扁平度等形狀描述符來(lái)表示。手機(jī)屏表面缺陷的形態(tài)特征有比較明顯的區(qū)別，如劃痕缺陷一般長(zhǎng)度較長(zhǎng)，寬度較窄;而晶點(diǎn)缺陷的長(zhǎng)和寬差異不大。本文選取面積、周長(zhǎng)、圓度、扁平度四個(gè)特征量組成特征向量，各參數(shù)定義如下:

（1）面積A即缺陷區(qū)域內(nèi)的像素總個(gè)數(shù)，定義如下:

式中Ψ為整個(gè)圖像區(qū)域。

（2）周長(zhǎng)P即缺陷邊界像素的總和。

（3）圓度C反映缺陷接近圓的程度，缺陷形狀越接近圓，圓度越小;形狀越復(fù)雜，圓度越大。圓度的計(jì)算公式為:

（4）扁平度R是缺陷的高度與寬度的比值，反映了缺陷在長(zhǎng)軸方向上的長(zhǎng)寬比例，其計(jì)算公式如下:?

式中L為缺陷長(zhǎng)軸，即通過(guò)重心連接缺陷邊界上兩個(gè)最遠(yuǎn)點(diǎn)線段的長(zhǎng)度;W為短軸，即通過(guò)重心與長(zhǎng)軸垂直并與缺陷外接矩形相交線段的長(zhǎng)度。

3.4 缺陷分類

手機(jī)屏缺陷類別主要有兩類劃痕類、晶點(diǎn)類，且兩類形態(tài)特征區(qū)別較為明顯，因此本文采用最小距離分類器［8］進(jìn)行缺陷分類。選擇馬氏距離［9］作為距離度量，因?yàn)轳R氏距離考慮到了各種特性之間的聯(lián)系，并且是與尺度無(wú)關(guān)的。第i個(gè)樣本xi到樣本集X={x1，x2，…，xm}的馬氏距離定義為:

當(dāng)計(jì)算出一個(gè)未知類別缺陷x的特征向量（面積、周長(zhǎng)、圓度、扁平度）時(shí)，分別計(jì)算x到標(biāo)準(zhǔn)樣本集劃痕類和晶點(diǎn)類的馬氏距離，然后將它分配給距離最近的標(biāo)準(zhǔn)樣本所代表的類。

4 實(shí)驗(yàn)結(jié)果

本研究采用VS2008的MFC編程來(lái)實(shí)現(xiàn)軟件平臺(tái)的搭建，其中部分圖像處理函數(shù)（如輪廓提取及繪制）用OpenCV的庫(kù)函數(shù)實(shí)現(xiàn)。相機(jī)型號(hào)是微視工業(yè)黑白面陣相機(jī)MVC－610DAMGE110，幀率110 fps，采集圖像分辨率為659×494。實(shí)驗(yàn)結(jié)果如圖7所示，缺陷輪廓用黑線標(biāo)出。

圖7 實(shí)驗(yàn)結(jié)果圖

實(shí)驗(yàn)中選取100幅尺寸為659×494的缺陷圖像（包括劃痕、晶點(diǎn)），提取特征向量作為標(biāo)準(zhǔn)樣本集，在vs2008上進(jìn)行樣本缺陷分類實(shí)驗(yàn)。圖6中各缺陷目標(biāo)的形態(tài)特征量和分類結(jié)果見(jiàn)表1。

表1 表面缺陷的形態(tài)特征量

實(shí)驗(yàn)結(jié)果表明，本文算法能夠快速、客觀地將缺陷目標(biāo)提取出來(lái)，并能獲取準(zhǔn)確的缺陷特征數(shù)據(jù)用于判別缺陷類型，分類正確率達(dá)到92%。算法平均用時(shí)為233 ms（實(shí)驗(yàn)中使用的PC機(jī)CPU 為 Pentium（R）Dual-Core，2.00 GHz，內(nèi)存為 2 GB），該算法在快速性上能夠滿足工業(yè)生產(chǎn)的需求。

5 結(jié)束語(yǔ)

本文針對(duì)常見(jiàn)手機(jī)屏表面缺陷的特征，提出了一種基于數(shù)學(xué)形態(tài)學(xué)的表面檢測(cè)方法。首先針對(duì)圖像中存在的噪聲利用中值濾波器消除了椒鹽噪聲;再用灰度形態(tài)學(xué)方法將缺陷圖像分割出來(lái);最后對(duì)提取的形態(tài)特征進(jìn)行分析，確定缺陷分類標(biāo)準(zhǔn)，根據(jù)標(biāo)準(zhǔn)判別缺陷類型。結(jié)果表明，這種方法能夠有效地判別缺陷類型，具有速度快、檢測(cè)結(jié)果客觀等特性。

［1］ Serra J.Introduction to Mathematical Morphology［M］.New York:Academic Press，1982.

［2］Castleman K R.數(shù)字圖像處理［M］.朱志剛譯，北京:電子工業(yè)出版社，2000.

［3］劉真.用形態(tài)學(xué)方法進(jìn)行數(shù)字圖像的分析和處理［J］.華北電力大學(xué)學(xué)報(bào)，1996，23（3）:59－64.

［4］王吉暉，偉其，王霞，等.基于數(shù)學(xué)形態(tài)學(xué)的像增強(qiáng)器缺陷的圖像檢測(cè)方法［J］.光學(xué)技術(shù)報(bào)，2005，31（3）:129－131.

［5］ Sternberg S R.Gray scale morphology［J］.Computer Vision，Graphics，and Image Processing，1986，35（1）:333－355.

［6］葉斌，彭嘉雄.基于形態(tài)學(xué)Top－Hat算子的小目標(biāo)檢測(cè)方法［J］.中國(guó)圖像圖形學(xué)報(bào)，2002，11（7）:638－641.

［7］唐世偉，林君.小波變換與中值濾波相結(jié)合圖像去噪方法［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2008，40（8）:1334－1336.

［8］曾勇.廣義近鄰模式分類研究［D］.上海:上海交通大學(xué)，2009.

［9］李仁兵，李艾華.馬氏距離法在支持向量機(jī)拒識(shí)區(qū)域中的應(yīng)用［J］.信息與控制，2010，3（39）:367－372.