宋 迪,張東波,劉 霞

(湘潭大學(xué)信息工程學(xué)院,湖南湘潭411105)

基于Gabor和紋理抑制的手機(jī)配件劃痕檢測(cè)

宋 迪,張東波,劉 霞

(湘潭大學(xué)信息工程學(xué)院,湖南湘潭411105)

經(jīng)典的劃痕檢測(cè)方法通常采用各種邊緣檢測(cè)算子來完成,由于對(duì)紋理和噪聲十分敏感,因此常造成大量的誤判。在具有復(fù)雜紋理的金屬表面檢測(cè)中,誤判現(xiàn)象尤其嚴(yán)重。為此,利用Gabor濾波的條形模式檢測(cè)原理,同時(shí)結(jié)合各向異性紋理抑制和滯后多閾值處理技術(shù),提出一種用于手機(jī)配件金屬表面劃痕的檢測(cè)方法。對(duì)金屬表面圖像進(jìn)行Gabor濾波,提取出劃痕的骨架結(jié)構(gòu),利用各向異性紋理抑制方法抑制金屬表面的紋理,再用滯后多閾值準(zhǔn)確提取劃痕。實(shí)驗(yàn)結(jié)果表明,該方法能極大程度地抑制非劃痕區(qū)域的金屬紋理,同時(shí)完整地提取出細(xì)微的劃痕圖像,其誤檢率、漏檢率和輪廓檢測(cè)缺失概率分別為2%,3.7%和5.5%,明顯優(yōu)于基于邊緣算子的劃痕檢測(cè)方法。

劃痕檢測(cè);Gabor濾波;紋理抑制;高斯函數(shù);各向異性;滯后多閾值

1 概述

機(jī)器視覺檢測(cè)技術(shù)是與先進(jìn)制造工藝與現(xiàn)代制造生產(chǎn)模式相適應(yīng)的智能化、自動(dòng)化、柔性的檢測(cè)手段,目前已廣泛用于工業(yè)產(chǎn)品檢驗(yàn)和質(zhì)量控制等領(lǐng)域。在工業(yè)產(chǎn)品的制造過程中,由于原材料所限以及工藝問題等原因,導(dǎo)致產(chǎn)品表面出現(xiàn)劃痕,不僅影響產(chǎn)品外觀,更有可能降低產(chǎn)品的質(zhì)量。其中,金屬表面劃痕檢測(cè)是該領(lǐng)域一個(gè)常見需要解決的問題,本文所檢測(cè)的金屬表面主要為手機(jī)隔板,在手機(jī)生產(chǎn)過程中,其金屬表面可能產(chǎn)生一些細(xì)微的劃痕,且這些劃痕與金屬表面的紋理非常相似。

現(xiàn)有劃痕檢測(cè)方法通常采用 Sobel、Roberts、Prewitt、Laplacian邊緣算子,在已報(bào)導(dǎo)的劃痕檢測(cè)算法中,文獻(xiàn)[1]針對(duì)電影膠片中比較常見的垂直劃痕及其特性,提出了一種基于多種邊緣檢測(cè)的檢測(cè)算法,利用Sobel和Canny算子對(duì)垂直邊緣進(jìn)行檢測(cè),然后再用Hough變換檢測(cè)圖像中的垂直直線,最后結(jié)合形態(tài)學(xué)處理和寬度約束得到劃痕位置。文獻(xiàn)[2]利用Prewitt算子和基于直方圖的閾值選擇算法,實(shí)現(xiàn)對(duì)陶瓷表面劃痕的檢測(cè)。文獻(xiàn)[3]利用DB1小波分解后的高頻系數(shù)分量,并分別用幾個(gè)不同尺度的劃痕檢測(cè)算子在相應(yīng)點(diǎn)上檢測(cè)模極大值的變換情況,并通過對(duì)閾值的選取,再在不同尺度上進(jìn)行綜合得到最終的羽毛球桿劃痕圖像。文獻(xiàn)[4]假設(shè)瑕疵滿足高斯分布,而背景與瑕疵灰度相差較大,最終利用卡爾曼濾波器實(shí)現(xiàn)鋁箔瑕疵的檢測(cè)。

基于邊緣算子的劃痕檢測(cè)存在難以克服的固有缺陷:例如,在劃痕邊緣模糊且對(duì)比度弱的情況下,邊緣不易提取,造成漏檢;由于金屬表面通常具有復(fù)雜紋理,邊緣提取算子難以區(qū)分金屬表面紋理和劃痕,從而造成誤判。而基于小波或卡爾曼濾波的劃痕檢測(cè)則由于算法復(fù)雜,計(jì)算量較大,通常很難滿足實(shí)時(shí)性處理要求。更為重要的是,不同應(yīng)用領(lǐng)域的劃痕檢測(cè)所要解決的問題都有一定的特殊性,因此上述方法都有其特定的適用條件,不能完全適應(yīng)手機(jī)金屬配件表面劃痕的檢測(cè)。由于手機(jī)金屬配件背景紋理和噪聲的干擾,其表面劃痕檢測(cè)容易出現(xiàn)大量的誤判,廠家對(duì)劃痕檢測(cè)精度的要求較高,因此有必要研究適用于手機(jī)配件金屬表面劃痕檢測(cè)的新算法。

由于劃痕表現(xiàn)為線狀或條形模式,而二維Gabor濾波器具有優(yōu)良的濾波特性,且具有頻率、尺度及方向選擇的特性,其對(duì)稱和非對(duì)稱結(jié)構(gòu)又能夠有效區(qū)分條形模式和邊緣,因此本文采用對(duì)稱結(jié)構(gòu)且具有狹長(zhǎng)形狀的Gabor核函數(shù)[5]實(shí)現(xiàn)劃痕的特征提取,在此基礎(chǔ)上,結(jié)合紋理抑制和滯后多閾值分割[6],最終實(shí)現(xiàn)劃痕的檢測(cè)。

2 劃痕檢測(cè)方法

2.1 基于Gabor濾波的劃痕特征提取

2D-Gabor濾波器不僅具有尺度選擇特性,而且具有方向選擇性,可以通過改變其相角來實(shí)現(xiàn)具有對(duì)稱性的亮條紋(φ=0)、暗條紋(φ=0)或非對(duì)稱的邊緣(φ=π/2)的特征提取,2D-Gabor濾波函數(shù)[7]如下所示:

其中,(x,y)表示圖像某一像素點(diǎn)坐標(biāo);參數(shù)γ控制核函數(shù)的長(zhǎng)寬比,其取值范圍約在[0.2,1]之間,由于本文檢測(cè)為狹長(zhǎng)形狀的劃痕,因此實(shí)驗(yàn)中取γ= 0.5。λ為核函數(shù)波長(zhǎng),δ定義核函數(shù)尺度大小,確定接受視場(chǎng)的尺寸,比值δ/λ決定空間頻域的帶寬,影響視場(chǎng)中平行的興奮性和抑制性的條紋數(shù)量,文中取為定值δ/λ=0.56。修改角度θi∈[0,π),可以實(shí)現(xiàn)不同方向劃痕檢測(cè)。相位偏移φ∈(-π,π]定義了核函數(shù)在其作用區(qū)間的對(duì)稱性,選取φ=0和π時(shí),濾波函數(shù)均為對(duì)稱結(jié)構(gòu),分別對(duì)應(yīng)“中心聚集”亮條紋和“中心偏離”暗條紋,當(dāng)φ=+π/2或-π/2時(shí),濾波函數(shù)為非對(duì)稱結(jié)構(gòu),用于檢測(cè)邊緣[8-9]。由于金屬表面劃痕表現(xiàn)為亮條紋,因此本文所用核函數(shù)的初相位φ=0。

本文選用12個(gè)不同方向(每個(gè)相鄰方向相差15°)的Gabor濾波模板分別對(duì)圖像進(jìn)行濾波,濾波后的圖像記作rλ,δ,θ,φ(x,y):

計(jì)算各像素點(diǎn)12個(gè)方向的響應(yīng)值,最后保留響應(yīng)最大值并記錄相應(yīng)的方向:

其中,H(z)表示半波整定函數(shù)。i=1,2,…,12表示12個(gè)濾波方向;max{H(rλ,δ,θi,φ(x,y)}表示取最大濾波響應(yīng)值。

2.2 各向異性背景紋理抑制

Gabor濾波后,手機(jī)金屬配件表面圖像中的劃痕和背景紋理均會(huì)得到增強(qiáng),如果直接在Gabor響應(yīng)圖上進(jìn)行閾值化,很難完全排除紋理的干擾,從而造成較多的誤檢測(cè),觀察可知,由于金屬表面紋理具有一定的空間頻率和局部方向一致性,因此本文設(shè)計(jì)了如下的算子實(shí)現(xiàn)各向異性紋理抑制。

圖1為實(shí)現(xiàn)周邊紋理抑制的鄰域示意圖,其中含斜條紋環(huán)形區(qū)域(r1＜r＜r2)為起抑制作用的像素區(qū)域,內(nèi)環(huán)區(qū)域半徑為r1,外環(huán)區(qū)域半徑為r2=4r1。抑制區(qū)域外的點(diǎn)不起作用,可以忽略。

圖1 紋理抑制鄰域示意圖

設(shè)DoGσ(x,y)為如下2個(gè)不同尺度的高斯函數(shù)之差:

抑制區(qū)域內(nèi)各點(diǎn)的權(quán)重定義為:

其中,H(z)為式(5)所示的半波整定函數(shù);‖H(DoGσ)‖1為H(DoGσ)的L1范數(shù)。通常如圖1所示的內(nèi)環(huán)r1≈2σ。

通過計(jì)算各點(diǎn)的鄰域抑制值,可以對(duì)背景紋理進(jìn)行抑制。本文設(shè)計(jì)的是一種各向異性的背景紋理抑制算子,各點(diǎn)抑制值不僅和周邊紋理邊緣梯度強(qiáng)度及距離有關(guān),而且和紋理邊緣方向也有關(guān),相同方向的紋理起到最大的互相抑制作用,方向相互正交的紋理不起抑制作用。各向異性描述算子如下所示:

最終的紋理抑制輸出記作 Cσ(x,y),其值由Gabor響應(yīng)和抑制值tσ(x,y)計(jì)算得到:

其中,調(diào)節(jié)參數(shù)α可以控制紋理抑制的強(qiáng)度。該處理過程可抑制和劃痕方向不同的背景紋理,同時(shí)由于圖像中金屬背景紋理方向大致相同,因此局部區(qū)域內(nèi)的紋理會(huì)起到相互抑制的作用。這樣有利于凸顯圖像中的劃痕。圖2是各向異性紋理抑制作用的示意圖。從圖2(b)和圖2(c)的對(duì)比可以看出,各向異性紋理抑制處理能清晰地提取出背景紋理中的直線圖案。

圖2 紋理抑制效果

2.3 滯后多閾值二值化

其中,nMST表示非極大值抑制細(xì)化[11];tλ,δ(x,y)是其細(xì)化結(jié)果;HT表示標(biāo)準(zhǔn)滯后閾值算子。將結(jié)果(x,y)表示為如下集合:

最終通過式(15)～式(17)依次處理得到分割出的劃痕二值圖像Vλ,δ:

小于10個(gè)像素的分支很有可能屬于紋理殘留,可以去除。與標(biāo)準(zhǔn)滯后閾值的分割結(jié)果相比,滯后多閾值之后分割結(jié)果的劃痕結(jié)構(gòu)更為完整,濾除了大部分非劃痕殘留。由于閾值選取需要大量的實(shí)驗(yàn),經(jīng)細(xì)致觀察,發(fā)現(xiàn)其中最大閾值點(diǎn)和最小閾值點(diǎn)的選取是關(guān)鍵,最大閾值點(diǎn)要能夠提取劃痕主干結(jié)構(gòu),而最小閾值點(diǎn)要確保能提取到絕大部分弱、細(xì)劃痕。實(shí)驗(yàn)中選取的多組閾值對(duì)分別為{(0.04,0.07)×max_I,(0.06,0.12)×max_I,(0.1, 0.2)×max_I},其中,max_I表示細(xì)化圖像的灰度最大值。

3 實(shí)驗(yàn)結(jié)果與分析

本文所檢測(cè)的手機(jī)配件示例如圖3所示。

圖3 作為檢測(cè)對(duì)象的金屬隔板

圖4是圖3中手機(jī)金屬配件局部放大圖,其中給出3種情況的劃痕示例圖。

圖4 劃痕圖像

為驗(yàn)證本文方法的性能,將其與經(jīng)典基于邊緣算子的劃痕檢測(cè)方法做了比較。實(shí)驗(yàn)選擇15×15的矩陣作為Gabor濾波核函數(shù)窗口大小,同時(shí)選取12個(gè)旋轉(zhuǎn)角度。Gabor濾波器其他參數(shù)設(shè)置如下:初相位φ=0,波長(zhǎng)λ=4,尺度δ=0.56λ=2.24,長(zhǎng)寬比γ=0.5,各向異性描述算子中σ=5,α=2。

圖5給出有紋理抑制和無紋理抑制的檢測(cè)結(jié)果。圖5(b)由于無紋理抑制,大量背景紋理被誤判為劃痕,和真正的劃痕糾結(jié)在一起,導(dǎo)致很難從中區(qū)分出待檢測(cè)的劃痕。而采用紋理抑制處理后,背景紋理得到極大抑制,因此較好地分割出了金屬表面的劃痕對(duì)象(如圖5(d)和圖5(e)所示)。

圖5 紋理抑制與非紋理抑制的對(duì)比結(jié)果

為檢驗(yàn)多滯后閾值對(duì)于標(biāo)準(zhǔn)閾值化方法的改進(jìn)效果,圖6給出檢測(cè)示例圖。從中可看出,在較淺的直線劃痕檢測(cè)中,由于部分劃痕邊緣模糊,在標(biāo)準(zhǔn)滯后閾值二值化后,原本完整的劃痕被分割為數(shù)段,如圖6(c)所示,但是如果用滯后多閾值二值化分割,則很好地保證了分割劃痕的連通性,劃痕能夠被清晰、完整地提取出來。

圖6 不同的二值化結(jié)果對(duì)比

圖7給出了Sobel算子、Prewitt算子和Laplace算子[12-13]及Gabor濾波對(duì)某細(xì)微劃痕的檢測(cè)結(jié)果,如圖4(c)所示,由于劃痕非常淺且邊緣模糊,很難提取出完整的邊緣圖像。

圖7 對(duì)比多種檢測(cè)方法的細(xì)微劃痕檢測(cè)結(jié)果

采用Sobel、Prewitt和Laplacian算子做的均為邊緣檢測(cè),在邊緣模糊或光照條件影響下,劃痕檢測(cè)結(jié)果連通性不好,容易產(chǎn)生大量毛刺,其中,在Sobel、Prewitt算子檢測(cè)結(jié)果中,毛刺情況尤為嚴(yán)重,如圖7(c)和圖7(f)所示,致使劃痕輪廓丟失,無法被完整檢測(cè)出來。而Gabor濾波核函數(shù)設(shè)計(jì)時(shí),初相位φ=0,長(zhǎng)寬比為γ=0.5,這有利于檢測(cè)圖像中狹長(zhǎng)結(jié)構(gòu)的亮條狀模式,濾波響應(yīng)值很好地反映劃痕的外觀和連通性,因此二值化后能得到比較平滑的線條,非常完美地還原了劃痕的骨架結(jié)構(gòu),劃痕提取清晰完整,如圖7(k)所示。

通過對(duì)27塊手機(jī)金屬隔板上的182條劃痕運(yùn)用不同的濾波方法檢測(cè),對(duì)其檢測(cè)結(jié)果進(jìn)行比較統(tǒng)計(jì),統(tǒng)計(jì)結(jié)果見表1。

表1 本文方法和邊緣檢測(cè)方法的比較

劃痕錯(cuò)檢數(shù)量為誤將金屬紋理或者金屬邊框誤檢為劃痕的數(shù)量。由于完整的劃痕被分?jǐn)喑尚《?這些小段部分被當(dāng)做金屬紋理濾除,導(dǎo)致劃痕輪廓丟失,甚至劃痕漏檢。通過表1可以看出,Gabor與其他3種經(jīng)典邊緣檢測(cè)算子的檢測(cè)結(jié)果相比,具有相同的快速性,能夠清晰、完整地提取出劃痕,極大地減小了錯(cuò)檢和漏檢率。

4 結(jié)束語

針對(duì)手機(jī)金屬配件表面劃痕檢測(cè),本文提出一種基于Gabor濾波的劃痕檢測(cè)方法,并結(jié)合背景紋理抑制和滯后多閾值分割技術(shù),提高了劃痕檢測(cè)的精確性。實(shí)驗(yàn)結(jié)果表明,相對(duì)傳統(tǒng)的基于邊緣檢測(cè)的劃痕檢測(cè)技術(shù),本文方法能極大程度地抑制非劃痕區(qū)域的金屬紋理,同時(shí)保留清晰完整的劃痕結(jié)構(gòu)。本文方法的不足之處在于:滯后多閾值分割后,不能完全排除金屬紋理對(duì)劃痕圖像提取的干擾,需要后續(xù)通過處理進(jìn)一步去除干擾點(diǎn)。另外如紋理抑制作用過強(qiáng),可能引起部分劃痕中斷,這些都是需要進(jìn)一步研究解決的問題。

[1] 張利平,張紅英,吳 斌.基于多種邊緣檢測(cè)的視頻劃痕檢測(cè)技術(shù)[J].電視技術(shù),2010,34(1):85-87.

[2] Vasilic S,Hocenski Z.The Edge Detecting Methods in Ceramic Tiles Defects Detection[C]//Proc.of IEEE International Symposium on Industrial Electronics. [S.l.]:IEEE Press,2006:469-472.

[3] 武躍華.機(jī)器視覺劃痕檢測(cè)技術(shù)及應(yīng)用研究[D].廣州:廣東工業(yè)大學(xué),2011.

[4] Zhai Ming,Shan Fu.Applying Target Maneuver Onset Detection Alogorithms to Defects Detection in Aluminum Foil[J].Signal Processing,2010,90(7): 2319-2326.

[5] 張東波,尚星宇.病變視網(wǎng)膜圖像的血管骨架提取方法研究[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(9): 749-755.

[6] Jia Hongbin,Murphey Y L,Shi Jianjun,et al.An Intelligent Real-time Vision System for Surface Defect Detection[C]//Proc. of the 17th International Conference on Pattern Recognition.[S.l.]:IEEE Press, 2004:239-242.

[7] Bodnarova A,Bennamoun M,Latham S.Optimal Gabor Filters for Textile Flaw Detection[J].Pattern Recognition,2002,35(12):2972-2991.

[8] Kumar A,Pang G K H.Defect Detection in Textured Materials Using Gabor Filters[J].IEEE Transactions on Industry Applications,2002,38(2):425-440.

[9] Kumar A.Computer-vision-based Fabric Defect Detection:A Survey[J].IEEE Transactions on Industrial Electronics,2008,55(1):348-363.

[10] Grigorescu C,Petkov N,Westenberg M A.Contour and Boundary Detection Improved by Surround Suppression of Texture edges[J].Image and Vision Computing, 2004,22(8):609-622.

[11] Grigorescu C,Petkov N,Westenberg M A.Contour Detection Based on Nonclassical Receptive Field Inhibition[J].IEEE Transactions on Image Processing, 2003,12(7):729-739.

[12] 丁 超.基于Labview和機(jī)器視覺鉚釘表面缺陷在線監(jiān)測(cè)系統(tǒng)研究[D].上海:上海交通大學(xué),2008.

[13] Duda R O,Hart P E,Stork D G.Pattern Classification [M].[S.l.]:John Wiley&Sons,1999.

編輯 任吉慧

Scratch Detection for Mobile Phone Accessories Based on Gabor and Texture Suppression

SONG Di,ZHANG Dong-bo,LIU Xia
(College of Information Engineering,Xiangtan University,Xiangtan 411105,China)

Classic scratch detection usually uses variety edge operators.Because the edge detection alogorithms are sensitive to texture and noise,they often cause a lot of false positive results.In the case of the detection of metal surfaces, due to complex textures present in the surface of metal material,the false positive results are particularly serious.Here, based on bar pattern detection principle of Gabor filtering and combining with anisotropic texture suppression and hysteresis multi-threshold technology,a scratch detection method used for mobile phone accessories is proposed.First,the method extracts the scratches frame using Gabor filtering,and secondly,uses anisotropic texture suppression on the metal surfaces.Finally,it extracts scratches accurately with hysteresis multi-threshold technology.Experimental results show that the method can greatly suppress the texture of mental surface in background.At the same time,it extracts the complete scratch images.The false positive detection rate,false negative rate and probability of contour missing achieve 2%,3.7% and 5.5%respectively,and the performance of the method is obviously superior to edge-based scratch detection methods.

scratch detection;Gabor filtering;texture suppression;Gaussian function;anisotropy;hysteresis multithreshold

1000-3428(2014)09-0001-05

A

TP391.41

10.3969/j.issn.1000-3428.2014.09.001

國(guó)家自然科學(xué)基金資助項(xiàng)目(60835004);湖南省教育廳基金資助項(xiàng)目(10B109);湖南省重點(diǎn)學(xué)科建設(shè)基金資助項(xiàng)目。

宋 迪(1987-),男,碩士研究生,主研方向:模式識(shí)別,圖像處理;張東波,教授、博士;劉 霞,碩士研究生。

2013-09-09

2013-10-30E-mail:sdtc1008@gmail.com