管聲啟　李振浩　常江

摘 ?要： 為了提高零件缺陷檢測(cè)的準(zhǔn)確率，提出了一種基于視覺(jué)顯著性算法的零件缺陷檢測(cè)方法。首先將采集零件缺陷圖像進(jìn)行高斯差分濾波，以最大程度消除背景信息的干擾。然后對(duì)高斯差分濾波后的零件缺陷圖像進(jìn)行超像素分割，并利用全局圖像對(duì)比方法構(gòu)建超像素圖像顯著圖，從而有效的提高缺陷的顯著性。最后，采用最大類間方差法分割缺陷。試驗(yàn)表明該方法能提高零件缺陷的檢測(cè)準(zhǔn)確率。

關(guān)鍵詞：?零件缺陷;視覺(jué)顯著性;超像素分割;顯著圖構(gòu)建

中圖分類號(hào)： TP391. 41????文獻(xiàn)標(biāo)識(shí)碼：?A????DOI：10.3969/j.issn.1003-6970.2020.02.010

【Abstract】： In order to improve the accuracy of part defect detection， a novel method of part defect detection ?based on visual saliency algorithm is presented.Firstly， the defect image was filtered by Gauss difference to eliminate?the interference of background information. Then， the part defect image after Gauss difference filtering was segmented by super-pixel， and the super-pixel saliency image was constructed by using the global image contrast method，?which effectively improves the defect saliency. Finally， the method of maximum inter class variance was used to detect defection. The experiment results show that the method can improve the detection accuracy of part defects.

【Key words】： Part defect; Visual saliency; Super-pixel segmentation; Saliency map construction

0??引言

在智能制造業(yè)中，利用工業(yè)機(jī)器人視覺(jué)技術(shù)對(duì)零件缺陷檢測(cè)，將有利于發(fā)現(xiàn)生產(chǎn)過(guò)程的工藝問(wèn)題、提高產(chǎn)品質(zhì)量。如何實(shí)現(xiàn)零件各類缺陷檢測(cè)，眾多學(xué)者進(jìn)行深入研究，取得了豐碩的研究成果[1-4]。其主要檢測(cè)算法有零均值化法、小波變換法、脈沖耦合神經(jīng)網(wǎng)絡(luò)檢測(cè)算法等[5-7]。零均值化方法雖然簡(jiǎn)單，但檢測(cè)缺陷區(qū)域誤差較大，只適合較大缺陷的檢測(cè)。采用小波檢測(cè)算法能實(shí)現(xiàn)缺陷信息與背景信息分離，但如何構(gòu)造適合各類缺陷檢測(cè)的小波基是研究的難點(diǎn)。利用脈沖耦合神經(jīng)網(wǎng)絡(luò)良好的脈沖傳播特性能有效分割出缺陷區(qū)域，然而決定缺陷分割效果的主要參數(shù)是通過(guò)人工經(jīng)驗(yàn)確定的。通過(guò)分析可以看出，傳統(tǒng)的機(jī)器人視覺(jué)目標(biāo)外觀缺陷檢測(cè)算法，很難滿足各類缺陷自動(dòng)檢測(cè)的實(shí)際需要。

根據(jù)相關(guān)仿生視覺(jué)分析可知，人類視覺(jué)系統(tǒng)在長(zhǎng)期進(jìn)化過(guò)程中，形成的視覺(jué)注意機(jī)制能夠通過(guò)提高目標(biāo)和背景對(duì)比度，有效從復(fù)雜背景中迅速發(fā)現(xiàn)視覺(jué)的目標(biāo)信息[8-10]。如果將這種人類視覺(jué)注意機(jī)制引入到工業(yè)機(jī)器人視覺(jué)感知系統(tǒng)中，通過(guò)驅(qū)動(dòng)零件缺陷信息顯著度的提高，避免噪聲、光照不均勻等環(huán)境因素的影響，從而實(shí)現(xiàn)對(duì)零件缺陷檢測(cè)[11-12]。為此，本文設(shè)計(jì)一種新的顯著性模型，通過(guò)高斯差分濾波有效濾除噪聲等背景信息，然后利用超像素分割構(gòu)建顯著圖，在此基礎(chǔ)上實(shí)現(xiàn)零件缺陷檢測(cè)。

1??零件缺陷圖像高斯差分濾波

由現(xiàn)場(chǎng)采集的零件圖像通常含有高頻噪聲信息、中頻目標(biāo)信息、低頻背景等信息，如果能有效提取中頻信息將會(huì)有利于提高圖像的顯著性;Rodieck指出可用兩個(gè)高斯核半徑之比K為5：1的兩個(gè)高斯函數(shù)的差Difference of Gaussian所示表示視網(wǎng)膜感受野數(shù)學(xué)模型，如公式（1）;可以看成從一個(gè)窄高斯減去一個(gè)寬高斯，可以有效提高中頻目標(biāo)信息，從而提高有效信息的對(duì)比度。為此采用公式（2）進(jìn)行高斯差分帶通濾波，以提取缺陷主要信息，從而提高檢測(cè)目標(biāo)對(duì)比度。

2 ?零件缺陷圖像超像素顯著性檢測(cè)

2.1??零件缺陷圖像超像素分割

R.Achanta等提出了簡(jiǎn)單線性迭代聚類（SLIC）算法，將彩色圖像轉(zhuǎn)化為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)5維特征向量構(gòu)造距離度量標(biāo)準(zhǔn)，對(duì)圖像像素進(jìn)行局部聚類的過(guò)程。由于SLIC算法能生成緊湊、近似均勻的超像素，在運(yùn)算速度，物體輪廓保持、超像素形狀方面具有較高的綜合評(píng)價(jià);因此，本文采用SLIC算法進(jìn)行零件缺陷圖像超像素分割，由于零件缺陷圖像通常為不帶顏色，因此利用零件缺陷灰度圖像實(shí)現(xiàn)超像素分割，以減少分割過(guò)程的計(jì)算量，具體算法步驟 ?如下：

（1）預(yù)定義參數(shù)K，K為預(yù)生成的超像素?cái)?shù)量，將大小為M*N像素圖像分割為K個(gè)超像素塊，每個(gè)超像素塊范圍大小包含（M*N）/K個(gè)像素;

（2）假設(shè)每個(gè)超像素區(qū)域長(zhǎng)和寬均勻分布，每個(gè)超像素塊的長(zhǎng)和寬均可定義為S，S=sqrt（M*N/K）;

（3）每個(gè)像素塊的中心點(diǎn)為（S/2，S/2），有可能落在噪音點(diǎn)或者像素邊緣，利用差分方式進(jìn)行梯度計(jì)算，計(jì)算獲得最小梯度值的像素點(diǎn)，將其作為新的中心點(diǎn);

（4）進(jìn)行像素點(diǎn)的聚類操作，借助K-means聚類算法將像素點(diǎn)進(jìn)行歸類，通過(guò)公式（3）進(jìn)行：

為了節(jié)省時(shí)間，只遍歷每個(gè)超像素塊中心點(diǎn)周邊的2S*2S區(qū)域內(nèi)的像素點(diǎn)，計(jì)算該區(qū)域內(nèi)每個(gè)像素點(diǎn)距離哪一個(gè)超像素塊的中心點(diǎn)最近，并將其劃分到其中;完成一次迭代后，重新計(jì)算每個(gè)超像素塊的中心點(diǎn)坐標(biāo)，并重新進(jìn)行迭代;零件缺陷圖像超像素分割效果如圖2（a）所示。

2.2??超像素零件缺陷圖像顯著圖

基于全局圖像對(duì)比方法是通過(guò)每一個(gè)超像素與整體圖像的灰度對(duì)比度來(lái)計(jì)算顯著性，超像素顯著性可采用公式（4）經(jīng)行計(jì)算：

2.3??超像素零件缺陷圖像分割

最大類間方差法是由日本學(xué)者大津在1979年提出的，是一種自適應(yīng)的閾值確定方法。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。背景和目標(biāo)之間的類間方差越大，說(shuō)明構(gòu)成圖像的兩部分差別越大，當(dāng)部分背景錯(cuò)分為目標(biāo)或部分目標(biāo)錯(cuò)分為背景都會(huì)導(dǎo)致兩部分差別變小。零件缺陷與背景紋理灰度特征存在本質(zhì)不同，因此采用最大類間方差法進(jìn)行零件缺陷信息的分割;分割效果圖2（c）所示，零件缺陷信息完整的從背景中分割出來(lái)。

3 ?試驗(yàn)與分析

為了驗(yàn)證本文檢測(cè)算法有效性，隨機(jī)選取100副零件缺陷圖像進(jìn)行測(cè)試，分別采用零均值化法、小波算法、和本文算法進(jìn)行對(duì)比實(shí)驗(yàn)法，結(jié)果如表1所示。

從表1可以看出，零均值化法檢測(cè)的準(zhǔn)確率71%之間，檢測(cè)準(zhǔn)確率較低，主要原因在于該方法雖然能夠抑制部分背景信息，最終的檢測(cè)效果受滑動(dòng)窗口尺寸影響較大;小波算法檢測(cè)準(zhǔn)確率為90%，檢測(cè)準(zhǔn)確率較高，可能原因在于小波算法能夠?qū)崿F(xiàn)不同信息的分離，但小波基的選擇是否合適會(huì)影響檢測(cè)準(zhǔn)確率進(jìn)一步提高;本文所采用方法的檢測(cè)準(zhǔn)確率為98%，主要原因在于本文所采用的方法提高了缺陷區(qū)域的顯著度，從而很容易從背景中檢測(cè)出缺陷信息。

4 ?結(jié)論

采用工業(yè)機(jī)器人視覺(jué)技術(shù)對(duì)零件缺陷檢測(cè)，將有利于提高產(chǎn)品質(zhì)量，有利于零件分類和分揀。?本文采用仿生視覺(jué)注意機(jī)制，設(shè)計(jì)了一種新的顯著性模型，通過(guò)高斯差分濾波消除圖像背景信息的干擾，然后利用超像素構(gòu)建顯著圖，在此基礎(chǔ)上實(shí)現(xiàn)零件缺陷檢測(cè);試驗(yàn)結(jié)果表明其檢測(cè)準(zhǔn)確率較高。

參考文獻(xiàn)

孫曉輝， 聶小春， 汪菊英. 工業(yè)4.0先進(jìn)制造技術(shù)及裝備[J]. 裝備制造技術(shù)， 2015， 7： 237-239.

倪東.?基于計(jì)算機(jī)圖像處理的零件缺陷檢測(cè)[J].?蘭州工業(yè)學(xué)院學(xué)報(bào)， 2016（5）： 55-58.

姜文濤， 劉榮海， 楊迎春， 等. 基于?MATLAB 時(shí)頻分析算法的滾動(dòng)軸承故障研究[J]. 軟件， 2018， 39（2）： 102-107.

趙霆， 管聲啟， 王鵬. 基于目標(biāo)面積特征分析的帶鋼缺陷圖像分割方法[J]. 西安工程大學(xué)學(xué)報(bào)， 2015（4）： 477-481.

王建紅. 基于零均值及零方差圖構(gòu)建的潤(rùn)滑油磨粒檢測(cè)[J]. 軟件， 2015， 36（6）： 120-124.

Shengqi Guan and Zhaoyuan Gao. Fabric defect image segmentation based on visual attention mechanism of wavelet domain[J]. Textile Research Journal， 2014， 84（10）： 1018-1033.

譚延凱.?基于計(jì)算機(jī)視覺(jué)的刀具磨損檢測(cè)技術(shù)的研究?[D]. 沈陽(yáng)： 沈陽(yáng)理工大學(xué)， 2011.

Zhang L， Tog M H， Marks TK， Shan H， Cottrel GW. SUN： a Bayesian framework for saliency using natural statistics[J]. J. Vis.， 2008， 8（7）： 1.

Desimone R， Duncan J. Neural mechanisms of selective visual attention[J]. Annual Review of Neuroscience， 1995， 18： 193-222.

Sun Y， Fisher R. Object-based visual attention for computer vision[J]. Artif. Intell.， 2003， 146（1）： 77-123.

Hou X， Harel J， Koch C. Image signature： highlighting sparse salient regions[J]. IEEE Trans. Pattern Anal. Mach. Intell， 2012， 34（1）194-201.

王誠(chéng)誠(chéng)， 李文森， 雷鳴， 等. 基于目標(biāo)特征的機(jī)械零件表面缺陷檢測(cè)方法[J]. 軟件， 2016， 37（4）： 32-34.