賀 瀟，蘇彩紅 *，詹寧宙，林軍帆，梁智宇

（1.佛山科學(xué)技術(shù)學(xué)院機(jī)電工程與自動(dòng)化學(xué)院，廣東佛山528000；2.佛山精視自動(dòng)化科技有限公司，廣東 佛山528000）

圓形陶瓷片在生產(chǎn)過(guò)程中，由于生產(chǎn)工藝和生產(chǎn)環(huán)境的影響，會(huì)出現(xiàn)一定比例的缺陷產(chǎn)品。如果不能及時(shí)篩選出來(lái)，對(duì)于產(chǎn)品后續(xù)的使用會(huì)存在一定的安全隱患。目前針對(duì)圓形陶瓷片的缺陷篩選主要是人工目檢，而人工目檢存在檢測(cè)效率低、人工成本高等缺點(diǎn)。近年來(lái)，隨著圖像處理技術(shù)和機(jī)器視覺(jué)技術(shù)的不斷發(fā)展，出現(xiàn)了越來(lái)越多的機(jī)器視覺(jué)檢測(cè)來(lái)代替人工目檢的情況。Halcon 是由德國(guó)MVTec 公司研發(fā)的機(jī)器視覺(jué)圖像處理軟件，提供了全面的圖像處理函數(shù)庫(kù)。本文基于Halcon 算法平臺(tái)，主要研究了圓形陶瓷片表面的氣泡、斑點(diǎn)、粉塵和炸裂等缺陷的圖像處理算法。

1 缺陷分類(lèi)及檢測(cè)流程

圓形陶瓷片在生產(chǎn)線上通過(guò)面陣CCD 進(jìn)行圖像采集，在Halcon 軟件上進(jìn)行處理、分析和檢測(cè)［1］。圓形陶瓷片的表面缺陷主要包括氣泡、斑點(diǎn)、粉塵和炸裂4 種，缺陷特點(diǎn)及分類(lèi)如表1 所示。

表1 缺陷分類(lèi)及特點(diǎn)

圓形陶瓷片缺陷檢測(cè)流程如圖1 所示，檢測(cè)步驟主要包括：1）利用圖像灰度化和增強(qiáng)技術(shù)，將原始圖片進(jìn)行預(yù)處理；2）利用閾值分割的方法提取圖片中各類(lèi)缺陷對(duì)應(yīng)的感興趣區(qū)域ROI（Region of Interest）；3）提取圖片中各類(lèi)缺陷的特征，然后根據(jù)面積和長(zhǎng)度等特征來(lái)判斷其是否為缺陷產(chǎn)品，并標(biāo)記出缺陷區(qū)域。

2 圖像預(yù)處理

2.1 圖像灰度化

圖像灰度化是圖像處理前的重要步驟。彩色圖像的RGB 只是在光學(xué)上的搭配，不反映圖片的特征。灰度化處理有平均法、最大值法以及加權(quán)平均法等。這里按Halcon 中加權(quán)平均法函數(shù)rgb1_to_gray灰度化處理，即

其中，gray 代表灰度化處理后的灰度值，red 代表紅色分量的灰度值，green 代表綠色分量的灰度值，blue代表藍(lán)色分量的灰度值。

2.2 圖像增強(qiáng)

圖像增強(qiáng)的作用是為了突出圖像中的一些重要的特征，同時(shí)弱化少量不必要的信息。處理后的圖像對(duì)比度明顯增強(qiáng)，特征更加明顯［2］。圖像增強(qiáng)方法有頻域法和空間域法。本文選擇空間域法中的灰度值線性化，即

其中，g 為線性化圖像增強(qiáng)后的灰度值，G 為當(dāng)前的灰度值，Gmax為需要加強(qiáng)區(qū)域內(nèi)的灰度最大值，Gmin為需要加強(qiáng)區(qū)域內(nèi)的灰度最小值。

2.3 ROI 的提取

在圓形陶瓷片上，氣泡主要分布在產(chǎn)品的外環(huán)，斑點(diǎn)主要分布在大內(nèi)環(huán)上，粉塵則主要在大內(nèi)環(huán)的邊緣，炸裂主要出現(xiàn)在內(nèi)孔的邊緣。故不同的缺陷檢測(cè)需要提取不同的ROI，以盡量消除別的區(qū)域造成的誤檢，從而提高檢測(cè)的準(zhǔn)確性。圓形陶瓷片缺陷檢測(cè)流程如圖1 所示，產(chǎn)品區(qū)域劃分如圖2 所示。

圖1 圓形陶瓷片缺陷檢測(cè)流程

圖2 陶瓷片區(qū)域劃分

3 各缺陷的檢測(cè)算法

3.1 氣泡檢測(cè)

圓形陶瓷片氣泡出現(xiàn)在外環(huán)區(qū)域上，而且環(huán)上有時(shí)會(huì)出現(xiàn)占據(jù)一段連續(xù)圓環(huán)的大氣泡，不利于特征的提?。?］，可采用瓶口矩形法（極坐標(biāo)轉(zhuǎn)換的方法）將圓環(huán)展開(kāi)成矩形。這樣環(huán)形上的氣泡就變成了展開(kāi)矩形的垂直方向的差異。氣泡原始圖如圖3 所示。首先先對(duì)外環(huán)進(jìn)行ROI 提取，如圖4 所示。然后利用極坐標(biāo)變換函數(shù)將外環(huán)展開(kāi)為矩形如圖5 所示，可以看到在笛卡爾坐標(biāo)中更明顯突出氣泡的特征。在笛卡爾坐標(biāo)中用運(yùn)用形態(tài)學(xué)處理提取缺陷部分［4］，提取效果如圖6 所示。氣泡檢測(cè)流程如圖7 所示。檢測(cè)結(jié)果如圖8 所示，標(biāo)記為檢測(cè)出的氣泡。

圖3 氣泡原始圖片

圖4 提取外環(huán)后效果

圖5 外環(huán)展開(kāi)后效果

圖6 矩形中提取缺陷特征

圖7 氣泡圖像處理流程

圖8 氣泡檢測(cè)后結(jié)果

3.2 斑點(diǎn)檢測(cè)

斑點(diǎn)檢測(cè)采用全局閾值的方法。需要根據(jù)斑點(diǎn)的特征灰度值與ROI 中的背景灰度值比較，選取合適的閾值區(qū)間，看ROI 中的每個(gè)像素點(diǎn)灰度是否在該閾值區(qū)間內(nèi)［5］。Halcon 中提供threshold 函數(shù)進(jìn)行全局閾值。檢測(cè)斑點(diǎn)的效果如圖9 所示，標(biāo)記為檢測(cè)出的斑點(diǎn)。

3.3 粉塵檢測(cè)

粉塵的成像比較淺，與背景相差不大，全局閾值不能適用，這里使用的是動(dòng)態(tài)閾值的方法。動(dòng)態(tài)閾值是根據(jù)圖像中每個(gè)像素點(diǎn)周?chē)奶匦?，?duì)該像素點(diǎn)選取不同的閾值，形成閾值曲面，將圖像進(jìn)行分割。首先運(yùn)用Halcon 中的mean_image 函數(shù)來(lái)平滑處理，設(shè)置為參考背景，然后運(yùn)用動(dòng)態(tài)閾值函數(shù)dyn_threshold 設(shè)置選取“暗于”參考背景的區(qū)域。檢測(cè)效果圖如圖10 所示，標(biāo)記為粉塵。

圖9 斑點(diǎn)檢測(cè)效果

圖10 粉塵檢測(cè)效果

3.4 炸裂檢測(cè)

圓形陶瓷產(chǎn)品質(zhì)地比較堅(jiān)硬，在產(chǎn)品成型過(guò)程中內(nèi)孔邊緣非常容易出現(xiàn)炸裂。炸裂的檢測(cè)選擇考慮提取裂紋的亞像素輪廓（XLD），并將XLD 輪廓連接后形成“區(qū)域”，經(jīng)過(guò)面積和長(zhǎng)度的篩選就可提取到缺陷的特征［6］，這里用Canny 算法進(jìn)行亞像素邊緣的提取。Halcon 中有edges_sub_pi 函數(shù)進(jìn)行亞像素邊緣的提取。炸裂處理流程如圖11 所示。

4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證缺陷檢測(cè)的穩(wěn)定性和準(zhǔn)確性，對(duì)相同條件下采集的300 張圖片在Halcon 平臺(tái)上對(duì)缺陷檢測(cè)算法進(jìn)行測(cè)試。樣本總數(shù)為300 張，樣本檢測(cè)統(tǒng)計(jì)結(jié)果如表2 所示。由表2 可知，合格品無(wú)漏檢，但存在3 個(gè)誤檢；斑點(diǎn)的檢測(cè)效果最好，無(wú)誤檢與漏檢情況；氣泡有1 個(gè)漏檢；粉塵和炸裂各有1 個(gè)誤檢。實(shí)驗(yàn)樣本總體檢測(cè)準(zhǔn)確率為98%。

圖11 炸裂圖像處理流程

表2 測(cè)試結(jié)果統(tǒng)計(jì)表

測(cè)試中部分參數(shù)具體設(shè)置如下：1）氣泡的檢測(cè)中，動(dòng)態(tài)閾值函數(shù)參數(shù)設(shè)置為dyn_threshold（Image，ImageM，Regions1，20，'light'）。在極坐標(biāo)中提取的缺陷特征時(shí)面積和高度下限分別為500 和15。2）斑點(diǎn)檢測(cè)中，大內(nèi)環(huán)的灰度在90～110 之間，所以全局閾值區(qū)間設(shè)置在0～75 之間，缺陷特征面積提取下限為100。3）粉塵檢測(cè)中，動(dòng)態(tài)閾值函數(shù)參數(shù)設(shè)置為dyn_threshold（Image，ImageM，Region，5，'dark'）。缺陷特征提取時(shí)面積和粉塵的個(gè)數(shù)下限分別為10 和5。4） 炸裂檢測(cè)中，亞像素邊緣提取參數(shù)設(shè)置為edges_sub_pix（Image，Edges，'canny'，0.5，4，10）。缺陷提取時(shí)裂紋的長(zhǎng)度下限為5。

5 小結(jié)

本文提出了基于Halcon 的圓形陶瓷片的表面缺陷檢測(cè)算法，并通過(guò)樣本測(cè)試驗(yàn)證了可行性和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，該缺陷檢測(cè)算法能較好滿足實(shí)際生產(chǎn)過(guò)程中的檢測(cè)需求。本文針對(duì)產(chǎn)品所提出的根據(jù)實(shí)際缺陷進(jìn)行分區(qū)檢測(cè)，雖然對(duì)檢測(cè)速度有一定的影響，但能較好地提高檢測(cè)的準(zhǔn)確性。如何提高檢測(cè)速度問(wèn)題有待后續(xù)進(jìn)一步研究。