鄭祖芳，胡瑜琬

(湖北工業(yè)大學工業(yè)設計學院，湖北 武漢 430068)

1 引言

我國古代漆器的各個線條之間互相交互有序，對現(xiàn)代漆器工藝的鑄造產(chǎn)生重要影響。楚漆器的表面呈現(xiàn)的是幾何紋路，此幾何紋飾通常具有簡潔明了的造型、豐富的表現(xiàn)形式和強烈的時代特點，并流傳至今。但是隨著時代的不斷變遷，楚漆器受到多種因素的破壞和干擾，使漆器表面發(fā)生磨損的情況，漆器內(nèi)部也產(chǎn)生較多裂痕，導致漆器質(zhì)量受到威脅，嚴重影響漆器的美觀，因此需要對漆器內(nèi)部進行視覺檢測處理變得尤為重要，是現(xiàn)階段多數(shù)學者重點關注的問題之一。

文獻[1]提出一種融入視覺注意機制的路面裂縫檢測與識別方法。通過灰度校正和各向異性擴散濾波的預處理方法濾除部分噪聲，利用全局和局部灰度對比度信息計算裂縫顯著值，融合生成綜合顯著圖粗定位裂縫區(qū)域。在此基礎上，依據(jù)裂縫區(qū)域的形狀特征使用形狀分析法進行去噪和目標提取，實現(xiàn)裂縫的精確定位。實驗結(jié)果表明：該算法能夠有效地檢測出裂縫區(qū)域，且具有較高的檢測精度，但是操作較復雜，檢測速度較慢。文獻[2]提出一種水下焊縫成形尺寸的視覺檢測方法，能夠為裂痕參數(shù)的實時調(diào)整提供依據(jù)。采用激光結(jié)構(gòu)光為輔助光源，對裂痕進行實時視覺檢測。通過對采集的成形裂痕激光圖像進行濾波、銳化、圖像分割與形態(tài)學處理，可以提取到裂痕程度和熔寬參數(shù)。搭建試驗平臺進行裂痕視覺檢測試驗，將實際測量的裂痕成形尺寸與經(jīng)視覺檢測獲得的裂痕程度和熔寬進行對比，實驗結(jié)果表明：該方法視覺檢測效率較高，但是檢測精度較差，實際應用效果不理想。

本次研究提出一種楚漆器內(nèi)部不同尺度縱向裂痕視覺檢測方法。通過對灰度圖像實施卷積運算和抑制處理，可以快速獲取漆器圖像輪廓尺度測量結(jié)果。再對漆器圖像進行預處理，能夠降低其噪聲和外界因素的干擾。選取合適的灰度閾值進行分割操作，從而獲得二值圖像。最后對楚漆器進行二值形態(tài)學處理，實現(xiàn)不同尺度縱向裂痕的視覺檢測。實驗結(jié)果表明：本次研究方法能夠減少運算時長，且精度較高，綜合有效性較高。

2 楚漆器內(nèi)部輪廓尺度測量原理

漆畫圖像的高斯梯度是根據(jù)卷積運算獲得的，并生成一系列不同方向的濾波器。通過將抑制結(jié)果與漆器圖像的高斯梯度卷積，能夠快速得到渲染圖像外部區(qū)域的抑制程度。通過非最大抑制措施，處理被抑制的漆膜圖像響應值的非零區(qū)域，以保證漆面圖像的邊緣只有一個像素寬。利用遲滯閾值對其進行二值化處理，并測量漆器圖像的輪廓尺度。

設置楚漆器內(nèi)部為一幅灰度圖像，并用I(x，y)來表示。σ代表I(x，y)的高斯噪聲標準差，gσ(x，y)代表I(x，y)的二元高斯函數(shù)，可以在一定程度上平滑漆面圖像中的噪聲，?gσ(x，y)表示漆面圖像二元高斯函數(shù)的梯度，I(x，y)表示漆面圖像二元高斯函數(shù)的卷積計算結(jié)果，?σI(x，y)表示高斯梯度，其表達式如下

?σI(x，y)={I(x，y)*?gσ(x，y)}

(1)

(2)

由于上述運算公式中包含著不同方向的濾波器，因此要進一步對漆器圖像外區(qū)實施抑制處理，其表達式如下所示

(3)

在式(3)中，n所描述的是濾波器的數(shù)量，θ所描述的是漆器圖像的旋轉(zhuǎn)角度，an(θ)所描述的是漆器圖像的梯度方位，Vn(ρ，φ)所描述的是(x，y)的極坐標形式，ρ所描述的是漆器圖像的旋轉(zhuǎn)因子。

通過式(3)能夠獲得Kθ(x，y)與Vn(ρ，φ)，漆器圖像的高斯梯度?σI(x，y)進行卷積計算，能夠獲得漆器圖像的外區(qū)抑制量，即t(x，y)，其表達式如下所示

t(x，y)=Vn(ρ，φ){?σI(x，y)*?σI(x，y)}Kθ(x，y)

(4)

針對漆器圖像紋理性輪廓很難抑制的現(xiàn)象，需要將高斯梯度幅值與外區(qū)抑制量作差[3]，獲得漆器圖像抑制后的響應值表達式為

(5)

針對漆器圖像在抑制過程結(jié)束后的響應值不為零的部分，采取非極大值抑制操作措施，促使其邊緣只存在一個像素的寬度，再合理運用遲滯閾值進一步實施二值化處理，得出漆器圖像輪廓尺度的測量結(jié)果，其表達式如下所示

(6)

式中，M代表漆器圖像紋理性邊緣響應點數(shù)總和，Tl代表漆器圖像抑制處理后，響應值內(nèi)小于遲滯閾值的噪聲點。

3 不同尺度縱向裂痕視覺檢測

3.1 漆器圖像的預處理

為了使各灰度級的比例保持在一個平衡的狀態(tài)，通過映射變換完成對漆器圖像的進一步處理。運用鄰域平均法，實現(xiàn)對映射變換后漆器圖像的平滑和濾波操作，在灰度范圍內(nèi)選擇合適的灰度閾值，再精確分割平滑濾波后的漆器圖像，從而獲得完整的二值化圖像，實現(xiàn)漆器圖像的預處理[4]。

設定f(x，y)代表未經(jīng)處理的完整漆器圖像，T代表一種映射變換方法，h(x，y)代表一種基于完整漆器圖像和直方圖平均模式的漆器圖像，通過對漆器圖像f(x，y)實施的映射變換處理，可以將其各個灰度等級比例變得更為平均，映射變換函數(shù)的表達式如下

h(x，y)=T[f(x，y)]

(7)

漆器圖像映射變換處理需要綜合考慮以下兩個條件，以保證其能夠符合式(7)的條件：

1)漆器圖像的映射變換函數(shù)在0≤f(x，y)≤L-1一定范圍內(nèi)是單調(diào)遞增函數(shù)。其中，L是漆畫圖像的灰度值。

2)漆器圖像映射變換函數(shù)要符合式(8)的條件，具體公式如下：

0≤f(x，y)≤L-1

(8)

上述條件可以保證漆器在余下整個轉(zhuǎn)變過程中的灰度值動態(tài)區(qū)域不再發(fā)生變動[5]。

采用鄰域平均方法，實現(xiàn)對h(x，y)的平滑處理，其公式如下所示

(9)

在式(9)中，S所描述的是漆器圖像像素點(x，y)鄰域中的點集，(i，j)所描述的是S點集內(nèi)不確定的某個灰度值，f(i，j)所描述的是無噪聲干擾的完美漆器圖像，n(i，j)所描述的是漆器圖像內(nèi)的噪聲，N所描述的是漆器圖像內(nèi)存在的S點集總數(shù)量[6]。

(10)

通過得到二值漆器圖像，完成對漆器圖像的預處理。

3.2 裂痕視覺檢測方法

將漆器放置在光照箱內(nèi)，通過CCD攝像頭照射獲得其原始圖像。所取得的圖像在圖像采集卡的顯示器中，以數(shù)字信號的形式展現(xiàn)，在獲取到原始圖像后，運用中值濾波實現(xiàn)消噪、二值化處理以及區(qū)域標記等操作后，獲得漆器內(nèi)輪廓像素點的總數(shù)量Sum1。與此同時對漆器邊界進一步實施標記，從而獲取單一像素點，再對漆器實施裂痕檢測，同時運算出裂痕數(shù)量Sum2。最終獲得裂痕率并輸出裂痕檢測結(jié)果[8]。對完好無損的漆器與存在缺陷的漆器圖像，實施對比分析，能夠獲得漆器灰度圖像[9]，在為后續(xù)裂痕視覺檢測做基礎。

為了能夠更好地實現(xiàn)對楚漆器內(nèi)部不同尺度縱向裂痕的視覺檢測，設定漆器圖像的像素點數(shù)量是m×n個。其中，m代表漆器圖像的高度方位的像素數(shù)量，n代表圖像寬度方位的像素數(shù)量。p(i，j)代表漆器圖像在像素點(i，j)位置的灰度值。

為了避免背景對裂痕識別所產(chǎn)生的影響，更好地突出裂痕特征，本次研究運用灰度拉伸算法對漆器圖像進行分析。設置k(i，j)為完成操作之后，漆器圖像在像素點(i，j)位置的灰度值，能夠得出其表達式為

(11)

假設A(i)為圖像第i行灰度中不是0的像素點的灰度平均值[10]，可得出其表達式為

(12)

若B(i)代表對A(i)進一步實施加權(quán)操作之后的數(shù)值，那么可得出如下公式

A(i)，i=1或i=n

(13)

為了獲得B(i)曲線的波谷特征，設定m(i，j)為重組之后漆器圖像像素點(i，j)位置的灰度值，k表示正整數(shù)。hk與lk表示距離k行像素點之間的灰度差值，Sk表示距離k像素點之間臨近兩個像素點灰度差額的總和，Dk表示距離k像素點之間臨近兩個像素點灰度差額的差值[11]。Υ(i，j)表示通過裂痕特征檢測算法，獲得的圖像在像素點(i，j)方位的邏輯值，1表示裂痕區(qū)域的像素值，0你說非裂痕區(qū)域的像素值。則有如下計算公式

(14)

lk=g(i+k，j)-m(i，j)

(15)

hk=g(i-k，j)-m(i，j)

(16)

Sk=lk+hkDk=lk-hk

(17)

(18)

在上述公式中，如果k的取值不適合，那么會嚴重影響裂痕檢測的準確性。當k的數(shù)值較大時，裂痕特征將很難被檢測出來；當k的數(shù)值過小時，容易產(chǎn)生對B(i)值曲線變化趨勢較為敏感的情況，造成誤判的現(xiàn)象。經(jīng)過大量實驗表明，k的取值范圍為5～7時，算法對楚漆器裂痕視覺檢測最為準確[12]。在將Υ(i，j)合理轉(zhuǎn)換成二值圖像后，對其進行二值形態(tài)學操作，從而完成對楚漆器內(nèi)部不同尺度縱向裂痕視覺檢測。

4 實驗分析

4.1 實驗環(huán)境

為了驗證本次研究方法的高效性與準確性，進行實驗分析。實驗環(huán)境為：Windows 10 .0 (64位)操作系統(tǒng)，CPU頻率為3.6 GHz，內(nèi)存為8 GB，機械硬盤體積為1TB，在Matalb平臺上進行仿真處理。實驗檢測的圖像如圖1所示。

圖1 實驗檢測圖像

4.2 實驗參數(shù)

實驗參數(shù)如表1 所示。

表1 實驗參數(shù)

在上述實驗環(huán)境和參數(shù)設置下，對比所提方法、融入視覺注意機制的裂縫檢測方法以及基于機器視覺的裂紋自動檢測方法。

4.3 實驗結(jié)果分析

4.3.1 圖像檢測效果分析

首先對不同方法的圖像檢測效果進行對比測試，圖像的清晰度越高，檢測效果越好。實驗結(jié)果如圖1所示。

圖2 不同方法的圖像檢測效果對比圖

通過圖2分析可知，采用融入視覺注意機制的裂縫檢測方法和基于機器視覺的裂紋自動檢測方法檢測圖像時，圖像清晰度較差，檢測到的楚漆器內(nèi)部裂痕較為模糊，而采用本次研究方法檢測圖像時，圖像十分清楚，能夠準確的檢測到楚漆器內(nèi)部的裂痕。通過以上數(shù)據(jù)可知，研究方法的檢測效果更好。

4.2 輸出頻率對比實驗

檢測不同方法的圖像信號輸出頻率，不同樣本數(shù)量的輸出頻率值不同，但是均有且只有一個對應頻率值。具體實驗結(jié)果如圖3所示。

圖3 不同方法的輸出頻率對比圖

分析圖3可知，融入視覺注意機制的裂縫檢測方法和基于機器視覺的裂紋自動檢測方法的輸出頻率存在數(shù)據(jù)缺失的情況，且頻率的波動性較大，沒有具體的頻率值，而研究方法始終能輸出具體的頻率值，保證實時輸出圖像的信號頻率，實現(xiàn)對楚漆器內(nèi)部不同尺度縱向裂痕的檢測。通過以上數(shù)據(jù)可以證明，研究方法的檢測性能更好。

4.3 圖像檢測效率對比實驗

為了進一步驗證研究方法的有效性，實驗比較了兩種方法的檢測效率，檢測效率越高表示方法的檢測速度快，檢測方法的性能越好，實驗結(jié)果如圖4所示。

圖4 不同方法的圖像檢測效率對比圖

根據(jù)圖4能夠得出，融入視覺注意機制的裂縫檢測方法的檢測效率在50%-80%之間，基于機器視覺的裂紋自動檢測方法的檢測效率在40%-80%之間而研究方法的檢測效率在85%-98%之間，始終明顯高于傳統(tǒng)方法。檢測效率越高表示方法的檢測效果越好，通過以上數(shù)據(jù)可以證明研究方法具備更高的檢測效率，能夠更好地實現(xiàn)對不同尺度縱向裂痕的視覺檢測，具有高效性和實用性。

5 結(jié)論

針對傳統(tǒng)漆器內(nèi)部裂痕質(zhì)量檢測效果較低的現(xiàn)象，提出一種基于楚漆器內(nèi)部不同尺度縱向裂痕視覺檢測方法。測量漆器內(nèi)部輪廓，再對元素漆器圖像進行映射變換操作，通過鄰域平均法完成對漆器圖像的平滑濾波處理，并在灰度級區(qū)間內(nèi)選取一個合適的灰度閾值，對平滑濾波后的漆器圖像進行分割，從而獲得二值圖像，采用二值形態(tài)學的方式，實現(xiàn)楚漆器內(nèi)部不同尺度縱向裂痕的視覺檢測。實驗結(jié)果表明：研究方法檢測精度和效率較高，相比傳統(tǒng)方法具有顯著的優(yōu)越性，為該項技術(shù)的發(fā)展提供理論指導，具有重要的意義。未來可以進一步研究其檢測范圍等其它指標，更好的推進該項技術(shù)的發(fā)展。