朱勇建，羅 堅(jiān)，秦運(yùn)柏，秦國(guó)峰，唐楚柳

(廣西師范大學(xué) 電子工程學(xué)院，廣西 桂林 541004)

光度立體法[1]被廣泛應(yīng)用于農(nóng)產(chǎn)品質(zhì)量檢測(cè)[2]、醫(yī)療診斷[3]、服裝織物質(zhì)量檢測(cè)[4]等領(lǐng)域。將該技術(shù)應(yīng)用于產(chǎn)品表面質(zhì)量檢測(cè)領(lǐng)域，可精確檢出表面微小缺陷，具有分辨率高、受環(huán)境影響小、硬件成本低廉等特點(diǎn)。

黃秀玲等[5]提出一種基于光度立體法的藥品泡罩包裝中鋁箔缺陷檢測(cè)方法，該方法使用 4 個(gè)白光條形LED光源，從 4 個(gè)不同照射方向采集圖像，利用光度立體法提取待測(cè)物表面梯度數(shù)據(jù)，再利用表面高斯曲率算法，完成缺陷檢測(cè)；程耀瑜等[6]提出一種基于光度立體法的地板疵點(diǎn)檢測(cè)方法，該方法同樣使用 4 個(gè)白光條形LED光源采集圖像，利用光度立體法突出地板表面的疵點(diǎn)特征，通過(guò)SVM分類器完成疵點(diǎn)檢測(cè)與分類；劉根等[7]提出一種基于光度立體法的皮革缺陷檢測(cè)方法，該方法使用 4 個(gè)柔性條形光源采集圖像，利用光度立體法提取待測(cè)物表面反射率及曲率濾波圖像，結(jié)合圖像顯著性[8]完成缺陷檢測(cè)。但是，上述方法僅對(duì)具有近朗伯特性且有良好表面的物體檢測(cè)時(shí)能取得較好的結(jié)果，而應(yīng)用在金屬表面缺陷檢測(cè)時(shí)，則會(huì)存在嚴(yán)重的誤檢、漏檢問(wèn)題。

王磊等[9]提出一種基于光度立體法帶鋼表面缺陷三維檢測(cè)方法，該方法使用紅色、藍(lán)色線激光光源對(duì)稱分布于 3CCD線陣相機(jī)兩側(cè)，兩光源以45°入射，同時(shí)照射同一目標(biāo)區(qū)域，采集 1 幅彩色圖像，再?gòu)牟噬珗D像分離R、B顏色通道，利用光度立體法提取待測(cè)物梯度數(shù)據(jù)，使用積分算法，恢復(fù)待測(cè)物的三維形貌，以完成缺陷檢測(cè)。但是，該方法光源參數(shù)的標(biāo)定趨于理想化且操作復(fù)雜；三維重建時(shí)將x方向的梯度假設(shè)為零，僅利用y方向的梯度數(shù)據(jù)進(jìn)行三維形貌恢復(fù)，如此一來(lái)，損失了x方向的信息；而且三維重構(gòu)曲面也存在變形問(wèn)題，影響缺陷的檢測(cè)。Soukup等[10]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，提出一種基于光度立體法的金屬表面缺陷檢測(cè)方法，該方法也是使用紅色、藍(lán)色光源采集 1 幅彩色圖像，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)原理，訓(xùn)練5 000 個(gè)樣品，以完成缺陷檢測(cè)。但該方法樣本量大且訓(xùn)練時(shí)間長(zhǎng)，而且在實(shí)際應(yīng)用時(shí)，較難獲取樣本。

為了解決機(jī)器視覺(jué)系統(tǒng)[11-12]對(duì)具有粗糙紋理的金屬表面缺陷檢測(cè)時(shí)出現(xiàn)誤檢、漏檢，甚至無(wú)法檢出的問(wèn)題，本文提出使用光度立體法對(duì)金屬表面進(jìn)行三維重構(gòu)，提取表面深度信息，根據(jù)深度信息實(shí)現(xiàn)缺陷檢測(cè)，從而提高缺陷的檢出率。本文對(duì)比了多種基于梯度數(shù)據(jù)的積分算法，選擇了最能還原金屬表面形貌的一種算法。同時(shí)，針對(duì)光度立體在金屬表面三維形貌重構(gòu)時(shí)存在重構(gòu)曲面扭曲、翹曲等變形問(wèn)題，提出一種基于級(jí)數(shù)展開(kāi)的曲面擬合方法解決此問(wèn)題，相較于曲面擬合前，檢出率提高了4個(gè)百分點(diǎn)以上。本文中進(jìn)行的仿真與實(shí)際實(shí)驗(yàn)均驗(yàn)證了所提算法在實(shí)際應(yīng)用中具有一定的優(yōu)越性與靈活性。

1 基于立體視覺(jué)的金屬表面三維重構(gòu)方法研究

本文金屬表面三維形貌重構(gòu)的流程如圖 1 所示，詳細(xì)步驟為：使用圖像采集裝置，采集待測(cè)金屬表面不同光源照射方向下的 9 幅圖像，利用已標(biāo)定好的光源方向數(shù)據(jù)，通過(guò)構(gòu)造偏微分方程[13]提取待測(cè)金屬表面梯度；對(duì)梯度數(shù)據(jù)進(jìn)行積分，獲取待測(cè)金屬表面的深度圖；利用級(jí)數(shù)展開(kāi)法原理擬合曲面，得到最終的待測(cè)金屬表面三維形貌重構(gòu)圖。

圖1 本文方法流程Fig. 1 Method flow of this article

1.1 光度立體法

經(jīng)典光度立法是通過(guò)公式 (1) 構(gòu)造線性方程組求解物體表面法向量。光度立體關(guān)鍵在于光度信息，因而光源方向的標(biāo)定是首要的。文獻(xiàn)[13]使用單采樣球法，選擇圓上的全部采樣點(diǎn)參與計(jì)算，利用最小二乘法求解光源方向參數(shù)。本文光源標(biāo)定算法與文獻(xiàn)[13]有所區(qū)別：本文通過(guò)設(shè)置一個(gè)閾值，選擇大于閾值的采樣點(diǎn)參與計(jì)算，也能獲得較為準(zhǔn)確的光源方向參數(shù)，且減少了數(shù)據(jù)運(yùn)算量，提高了計(jì)算效率。

Ii=ρLiN,i∈(1,k)，

(1)

式中：k是圖像數(shù)量；ρ是物體表面的反射率；Ii是第i幅圖像的灰度值；Li是第i幅圖像的光源向量；N是物體的法向量。

光度立體法是利用不同光照方向的光度信息提取待測(cè)物體的梯度數(shù)據(jù)。文獻(xiàn)[14]利用彩色圖像，分離RGB顏色通道，通過(guò)光度比消除反射率，構(gòu)造線性偏微分方程組，通過(guò)最小二乘估計(jì)的正規(guī)方程對(duì)深度直接進(jìn)行求解。本文梯度提取方法與文獻(xiàn)[14]有所區(qū)別：本文利用灰度圖像信息，構(gòu)造偏微分方程提取待測(cè)物梯度數(shù)據(jù)，再對(duì)梯度數(shù)據(jù)進(jìn)行積分，得到深度信息。通過(guò)構(gòu)造偏微分方程，有效避免了經(jīng)典光度立體法由反射率求解法向量的誤差積累，而且計(jì)算效率更快。而利用灰度圖像信息有效避免了文獻(xiàn)[14]從彩色圖像分離RGB顏色通道時(shí)的信息缺失，且大大降低了數(shù)據(jù)運(yùn)算量，提高了計(jì)算效率。本文偏微分方程組是根據(jù)灰度圖像物體表面的反射率特性進(jìn)行構(gòu)建：

Ii(x,y)=ρ(x,y)LiN(x,y)，

(2)

Ij(x,y)=ρ(x,y)LjN(x,y)。

(3)

式中的Ii(x,y)、Ij(x,y)是第i幅圖像和第j幅圖像在(x,y)處的灰度值。式(2)與式(3)相比，同時(shí)化簡(jiǎn)有：

(Ii(x,y)×LjN(x,y)-Ij(x,y)×LiN(x,y))=0。

(4)

將式(4)再次化簡(jiǎn)，可轉(zhuǎn)為用梯度表示的方程組，即：

(5)

G=(WTW)-1WTU，

式中：

1.2 曲面重建算法

利用光度立體法提取待測(cè)物表面梯度數(shù)據(jù)后，為得到待測(cè)物表面三維形貌，需要對(duì)梯度數(shù)據(jù)進(jìn)行積分。本文研究并分析了 7 種積分算法，其中包括Frankot-Chellappa算法[15]、Frankot-Chellappa-new算法[16]及SouthWell算法[17]，還分別使用 DCT、DST、FFT方式求解的泊松方程算法及Horn and Brooks算法[18-20]。依據(jù)重建效果，選擇適合本文的一種曲面重建算法。

本文實(shí)驗(yàn)均是使用Intel(R) Core(TM) i5-3230M 2.60 GHz CPU，4.0 GiB RAM的Windows 10 64bit 計(jì)算機(jī)，同時(shí)使用MATLAB 2016b軟件中的peaks函數(shù)模擬生成三維形狀圖，使用上述7種積分算法還原模擬三維形貌。圖2顯示了7種積分算法的重構(gòu)曲面結(jié)果，直接觀察進(jìn)行分析，可知：使用DCT泊松算法、DST泊松算法、FFT泊松算法會(huì)存在變形問(wèn)題；Horn and Brooks算法的還原性較差；Frankot-Chellappa算法、Frankot-chellappa-new算法及SouthWell算法能夠較真實(shí)地還原模擬曲面形貌。因而采集實(shí)際場(chǎng)景中手機(jī)金屬?zèng)_壓片樣品，可利用還原性較好的Frankot-Chellappa算法、Frankot-chellappa-new算法及SouthWell算法對(duì)梯度數(shù)據(jù)進(jìn)行重構(gòu)。圖3是實(shí)際金屬樣品表面三維形貌結(jié)果圖，所采用的3種積分算法均能表現(xiàn)金屬表面形貌，但是，重建曲面存在扭曲及翹曲問(wèn)題。表1是3種積分算法運(yùn)行時(shí)間，實(shí)驗(yàn)中，在相同環(huán)境下，每種積分算法運(yùn)行10次后取均值，得到算法運(yùn)行時(shí)間。SouthWell算法迭代次數(shù)較多，因而花費(fèi)的時(shí)間較長(zhǎng)。根據(jù)還原性及算法運(yùn)行時(shí)間，選擇適合本文研究?jī)?nèi)容的Frankot-Chellappa積分算法。

根深蒂固的應(yīng)試觀念影響了高中生的思想教育，要改變這種現(xiàn)狀，要認(rèn)識(shí)到應(yīng)試體制已不適應(yīng)時(shí)代的發(fā)展要求。學(xué)校要樹(shù)立新時(shí)代的人才培養(yǎng)觀，要建立科學(xué)的思想教育管理體系，盡快推進(jìn)應(yīng)試教育向素質(zhì)教育轉(zhuǎn)變。要立足于人的發(fā)展，將人的素養(yǎng)提升置于首位，要重視學(xué)生潛能的發(fā)掘、個(gè)性的培養(yǎng)。

圖2 模擬曲面三維形貌重構(gòu)結(jié)果Fig. 2 Reconstruction result map of 3D topography of simulation surface

注：黑色框?yàn)槭謩?dòng)標(biāo)注缺陷位置。圖3 實(shí)際金屬樣品表面三維形貌結(jié)果Fig. 3 3D morphology results of actual metal samples

表1 積分算法運(yùn)行時(shí)間

1.3 級(jí)數(shù)展開(kāi)法

光度立體法是基于理想的朗伯體反射模型，因而在實(shí)際應(yīng)用時(shí)，很難滿足理想的光照條件，尤其是在金屬表面的三維形貌重建應(yīng)用場(chǎng)景。利用光度立體原理恢復(fù)金屬表面三維形貌時(shí)，重建曲面會(huì)出現(xiàn)扭曲及翹曲問(wèn)題，本文針對(duì)此問(wèn)題，提出了級(jí)數(shù)展開(kāi)法的最小二乘法，可解決重建曲面出現(xiàn)的扭曲與翹曲問(wèn)題，使得重建曲面更加接近實(shí)際物體形貌。具體步驟是：將重建曲面數(shù)據(jù)進(jìn)行級(jí)數(shù)展開(kāi)，利用最小二乘法求取多項(xiàng)式系數(shù)，再利用此系數(shù)重構(gòu)曲面，得到無(wú)紋理光滑的曲面數(shù)據(jù)，最后將重構(gòu)曲面數(shù)據(jù)減去無(wú)紋理光滑曲面數(shù)據(jù)，得到最終的重構(gòu)曲面。

本文以 5 階次進(jìn)行級(jí)數(shù)展開(kāi)為例說(shuō)明。5 階次方程是：

Z=p00+p10x+p01y+p20x2+p11xy+p02y2+

p30x3+p21x2y+p12xy2+p03y3+

p40x4+p31x3y+p22x2y2+p13xy3+p04y4+

p50x5+p41x4y+p32x3y2+p23x2y3+p14xy4+p05y5。

(6)

利用最小二乘法求解式(6)的系數(shù)，其轉(zhuǎn)為矩陣形式

P=(MTM)-1MTS，

(7)

式中：

P=[p00,p10,p01,p20,p11,p02,p30,p21,p12,p03,p40,p31,p22,p13,p04,p50,p41,p32,p23,p14,p05]T；

M=[1,x,y,x2,xy,y2,x3,x2y,xy2,y3,x4,x3y,x2y2,xy3,y4,x5,x4y,x3y2,x2y3,xy4,y5]；

S=Z。

求取到系數(shù)P后，將其結(jié)合圖像坐標(biāo)重構(gòu)無(wú)紋理光滑的曲面，最后將初次重構(gòu)曲面減去無(wú)紋理光滑的曲面，得到接近真實(shí)重構(gòu)曲面。

2 實(shí)驗(yàn)結(jié)果分析

2.1 金屬表面三維形貌重構(gòu)實(shí)驗(yàn)結(jié)果分析

圖4 圖像采集三維示意Fig. 4 3D image acquisition

采用本文所介紹的光度立體原理與級(jí)數(shù)展開(kāi)法對(duì)所采集的仿真數(shù)據(jù)進(jìn)行測(cè)試，同時(shí)對(duì)比不同階次的擬合效果和結(jié)構(gòu)相似性(SSIM)、均方誤差及算法的計(jì)算時(shí)間，選擇最合適的擬合階次。對(duì)仿真數(shù)據(jù)進(jìn)行三維形貌重建，重建曲面出現(xiàn)了扭曲和翹曲問(wèn)題，其效果如圖5(b)所示，將重建曲面進(jìn)行曲面擬合，其擬合效果如圖5(c)所示。本文對(duì)比了2階次到15階次的擬合效果，不同擬合階次的結(jié)構(gòu)相似性(SSIM)和均方誤差如圖6(a)所示，各階次的計(jì)算時(shí)間如圖6(b)所示。由圖6可見(jiàn)，對(duì)于仿真數(shù)據(jù)的曲面擬合，雖然均方誤差在4階次時(shí)最小(均方誤差為0.138 7，結(jié)構(gòu)相似性為0.999 6)，但是在5階次時(shí)，結(jié)構(gòu)相似性(SSIM)和均方誤差趨于穩(wěn)定(均方誤差為0.138 8)，4階次和5階次的均方誤差僅相差0.000 1。因此，對(duì)于仿真數(shù)據(jù)的曲面擬合，選擇 5 階次是最合適的。

圖5 模擬金屬樣品三維形貌重建效果Fig. 5 Reconstruction rendering of 3D topography of simulated metal samples

圖6 仿真金屬樣品擬合效果衡量指標(biāo)Fig. 6 Measurement index of fitting effect of simulated metal samples

在實(shí)際應(yīng)用中，使用本文的實(shí)驗(yàn)裝置采集手機(jī)金屬?zèng)_壓片圖像，對(duì)其進(jìn)行三維形貌重建，重建效果如圖7(b)所示，同時(shí)，對(duì)其進(jìn)行曲面擬合，擬合效果如圖7(c)和(d)所示。對(duì)樣品進(jìn)行2階次到15階次擬合，其擬合效果衡量指標(biāo)如圖8所示。根據(jù)圖8的指標(biāo)分析，在8階次時(shí)，結(jié)構(gòu)相似性(SSIM)和均方誤差趨于平緩，均方誤差為0.263 5；在5階次時(shí)，均方誤差為0.316 3，兩者的均方誤差相差0.052 8。究其原因是因?yàn)椴杉瘓D像的環(huán)境、采集圖像的質(zhì)量和噪聲等干擾因素的影響。但是，實(shí)際應(yīng)用時(shí)，需要考慮算法的計(jì)算時(shí)間，且考慮到計(jì)算時(shí)間是隨著擬合階次而遞增的，5階次和8階次的計(jì)算時(shí)間相差2倍，因此，對(duì)于手機(jī)金屬?zèng)_壓片的曲面擬合，考慮到時(shí)間的評(píng)估指標(biāo)，選擇 5 階次是較為合適的。

圖7 手機(jī)金屬?zèng)_壓片三維形貌重建效果Fig. 7 3D shape reconstruction effect of metal stamping sheet of mobile phone

圖8 手機(jī)金屬?zèng)_壓片擬合效果衡量指標(biāo)Fig. 8 Measurement index for fitting effect of metal stamping sheet of mobile phone

此外，本文采用Zernike多項(xiàng)式[21-22]和級(jí)數(shù)展開(kāi)算法重構(gòu)目標(biāo)三維形貌，并對(duì)重建效果進(jìn)行對(duì)比分析。圖9是使用3ds Max 2018仿真的實(shí)驗(yàn)效果。根據(jù)仿真實(shí)驗(yàn)結(jié)果分析，實(shí)驗(yàn)樣品是具有粗糙金屬特性的平面，但利用光度立體法重構(gòu)后出現(xiàn)了扭曲及翹曲等變形現(xiàn)象。使用Zernike多項(xiàng)式進(jìn)行曲面擬合和級(jí)數(shù)展開(kāi)法擬合還原了金屬表面真實(shí)的三維形貌。但是，Zernike多項(xiàng)式擬合曲面較為平滑，損失了部分圖像信息，而級(jí)數(shù)展開(kāi)法獲得的圖像細(xì)節(jié)信息更為豐富。

圖9 模擬金屬樣品三維曲面擬合效果Fig. 9 3D surface fitting effect diagram of simulated metal sample

在與仿真場(chǎng)景相同條件下，根據(jù)圖4(c)硬件裝置采集金屬硬幣圖像，同時(shí)采用本文算法對(duì)其進(jìn)行三維形貌重建，并消除重建曲面變形問(wèn)題，效果如圖10所示。根據(jù)實(shí)際實(shí)驗(yàn)驗(yàn)證，使用Zernike多項(xiàng)式進(jìn)行曲面擬合時(shí)，金屬表面變得平滑，部分紋理信息缺失。如圖11，使用Zernike多項(xiàng)式擬合的曲面，存在缺陷處對(duì)比度低的問(wèn)題。

圖10 五角硬幣三維形貌重建效果Fig. 10 Rendering of the 3D shape reconstruction of Wujiao coin

圖11 實(shí)際金屬樣品三維曲面擬合效果Fig. 11 3D surface fitting effect diagram of actual metal sample

綜合上述實(shí)驗(yàn)分析可得，級(jí)數(shù)展開(kāi)法解決了金屬表面三維形貌重建時(shí)出現(xiàn)變形問(wèn)題，還原了金屬表面三維形貌。在對(duì)仿真數(shù)據(jù)測(cè)試時(shí)，5 階次的算法計(jì)算效率比Zernike多項(xiàng)式算法的計(jì)算效率更高，詳見(jiàn)表2。

表2 擬合算法運(yùn)行時(shí)間

2.2 金屬表面缺陷檢測(cè)實(shí)驗(yàn)結(jié)果分析

使用本文設(shè)計(jì)的圖像采集裝置采集待測(cè)金屬表面圖像，并利用本文方法對(duì)其表面進(jìn)行三維形貌重建。圖12是缺陷檢測(cè)流程，實(shí)現(xiàn)步驟是：首先對(duì)重建曲面采用級(jí)數(shù)展開(kāi)法消除變形問(wèn)題；其次使用已標(biāo)定好的相機(jī)模型參數(shù)[23-24]將擬合后的曲面轉(zhuǎn)為點(diǎn)云數(shù)據(jù)；接著對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行曲率濾波[25]處理；最后對(duì)濾波圖像進(jìn)行形態(tài)學(xué)處理[26]，實(shí)現(xiàn)缺陷的檢測(cè)。實(shí)驗(yàn)中，選擇了 3 種不同大小的手機(jī)金屬?zèng)_壓片樣品進(jìn)行缺陷檢測(cè)實(shí)驗(yàn)，缺陷類型主要有凹坑、劃痕及銹跡。表3是對(duì)手機(jī)金屬?zèng)_壓片樣品的3種缺陷檢出率的統(tǒng)計(jì)。圖13中展示了實(shí)際金屬樣品的三維形貌重建效果、級(jí)數(shù)展開(kāi)法擬合效果以及缺陷檢測(cè)結(jié)果。

圖12 缺陷檢測(cè)流程Fig. 12 Defect detection flowchart

表3 本文方法缺陷檢測(cè)結(jié)果

圖13 實(shí)際金屬樣品缺陷檢測(cè)Fig.13 Defect detection in actual metal samples

根據(jù)上述實(shí)驗(yàn)結(jié)果分析，重建曲面存在的變形問(wèn)題會(huì)影響曲率計(jì)算，表面缺陷被凸顯的同時(shí)也會(huì)引入較多干擾點(diǎn)，后續(xù)處理較為復(fù)雜。而級(jí)數(shù)展開(kāi)法有效解決了因非朗伯特性及光照條件引起的重構(gòu)曲面變形現(xiàn)象，解決了重構(gòu)曲面扭曲及翹曲問(wèn)題，擬合后曲面的曲率圖能夠清晰凸顯缺陷特征，也降低了因翹曲而導(dǎo)致曲率突變的影響，更利于后續(xù)檢測(cè)。對(duì)表3分析發(fā)現(xiàn)，在消除重建曲面變形問(wèn)題前后，金屬表面缺陷檢出率均提高了4個(gè)百分點(diǎn)，其原因是：重建曲面存在變形問(wèn)題，在對(duì)表面三維缺陷檢測(cè)時(shí)，變形曲面影響檢測(cè)，造成誤檢量和漏檢量的提升，而擬合后的曲面更能凸顯缺陷特征，從而降低了誤檢量和漏檢量，因此，缺陷的檢出率得到了提高。同時(shí)發(fā)現(xiàn)，5階次和8階次擬合后的缺陷檢測(cè)結(jié)果一致，分析其原因是：對(duì)手機(jī)金屬?zèng)_壓片使用級(jí)數(shù)展開(kāi)法擬合曲面后，金屬表面缺陷細(xì)節(jié)信息保留在5階次以上的曲面中，因此，更進(jìn)一步驗(yàn)證了選擇5階次是較為合適的方案。

但是，將本文方法應(yīng)用于手機(jī)金屬?zèng)_壓片表面缺陷檢測(cè)時(shí)，對(duì)于凹坑缺陷的檢出率是96.5%，劃痕缺陷的檢出率是76.2%，存在漏檢和誤檢現(xiàn)象，其原因是：有些凹坑缺陷位于樣品邊緣，而樣品邊緣具有弧度的特點(diǎn)，在打光時(shí)邊緣出現(xiàn)陰影和高反光的現(xiàn)象，在圖像采集時(shí)，拍攝不到缺陷，影響到缺陷的檢測(cè)；其次，因?yàn)榘伎尤毕莘譃橹卸取⑤p度凹坑，對(duì)于比較微小的輕度凹坑，在高斯曲率濾波后凸顯不清晰；另外，對(duì)于劃痕缺陷也分為中度、輕度劃痕，對(duì)于比較細(xì)小的劃痕，也會(huì)存在缺陷特征不明顯的問(wèn)題。本文方法能夠?qū)Σ糠咒P跡缺陷檢測(cè)，其原因是：光度立體法是通過(guò)不同方向照射同一目標(biāo)表面采集多幅圖像，充分利用了圖像亮度信息，而當(dāng)金屬表面出現(xiàn)大塊銹跡時(shí)，會(huì)存在亮度較暗區(qū)域，對(duì)其提取梯度數(shù)據(jù)時(shí)，會(huì)出現(xiàn)較大誤差，存在信息缺失，重建曲面出現(xiàn)嚴(yán)重形變，根據(jù)形變信息檢測(cè)銹跡缺陷。但是，相較于機(jī)器視覺(jué)采用的良好打光方式，本文方法對(duì)銹跡的檢出率較低，機(jī)器視覺(jué)方法的檢出率較高。因此，在將金屬表面缺陷檢測(cè)方法應(yīng)用于實(shí)際檢測(cè)時(shí)，為提升缺陷檢測(cè)率，會(huì)先使用機(jī)器視覺(jué)方法進(jìn)行初步篩選，再使用三維缺陷檢測(cè)方法解決機(jī)器視覺(jué)無(wú)法檢測(cè)的問(wèn)題。

綜上所述，本文對(duì)于缺陷檢測(cè)的方法較已有方法有一定的優(yōu)勢(shì)，但也存在不足，金屬表面存在的高光和陰影是光度立體領(lǐng)域的難點(diǎn)與痛點(diǎn)。在本文實(shí)驗(yàn)中，使用單個(gè)LED光源，光照強(qiáng)度和單色性均會(huì)影響圖像采集，實(shí)際應(yīng)用時(shí)，使用單色性較好的光源，缺陷的檢出率將會(huì)提升。

3 結(jié)語(yǔ)

本文通過(guò)光度立體和級(jí)數(shù)展開(kāi)法還原金屬表面三維形貌，解決了重建曲面存在扭曲及翹曲等變形問(wèn)題，降低了因重建曲面變形導(dǎo)致的金屬表面缺陷檢測(cè)誤差。本文針對(duì)金屬表面缺陷檢測(cè)，利用表面三維重構(gòu)曲面的點(diǎn)云數(shù)據(jù)進(jìn)行曲率濾波處理及形態(tài)學(xué)處理方式，完成缺陷檢測(cè)，缺陷檢出率均有所提高，算法魯棒性更好。所提方法可應(yīng)用于工業(yè)產(chǎn)品質(zhì)量檢測(cè)中，也可能推廣至其他檢測(cè)領(lǐng)域。本文所提的級(jí)數(shù)展開(kāi)法雖然有效解決了因非朗伯特性及光照條件引起的重構(gòu)曲面變形現(xiàn)象，但是該方法有其自身的適用性與局限性：該方法適用于測(cè)量對(duì)象為平整的金屬表面；對(duì)于復(fù)雜曲面，該方法會(huì)消除復(fù)雜曲面本身的宏觀形狀。同時(shí)，所提檢測(cè)方法對(duì)較淺劃痕檢出率還不理想，下一步將針對(duì)所述問(wèn)題進(jìn)行更加深入的研究及優(yōu)化。