基于Gabor和纹理抑制的手机配件划痕检测

宋 迪,张东波,刘 霞

(湘潭大学信息工程学院,湖南湘潭411105)

基于Gabor和纹理抑制的手机配件划痕检测

宋 迪,张东波,刘 霞

(湘潭大学信息工程学院,湖南湘潭411105)

经典的划痕检测方法通常采用各种边缘检测算子来完成,由于对纹理和噪声十分敏感,因此常造成大量的误判。在具有复杂纹理的金属表面检测中,误判现象尤其严重。为此,利用Gabor滤波的条形模式检测原理,同时结合各向异性纹理抑制和滞后多阈值处理技术,提出一种用于手机配件金属表面划痕的检测方法。对金属表面图像进行Gabor滤波,提取出划痕的骨架结构,利用各向异性纹理抑制方法抑制金属表面的纹理,再用滞后多阈值准确提取划痕。实验结果表明,该方法能极大程度地抑制非划痕区域的金属纹理,同时完整地提取出细微的划痕图像,其误检率、漏检率和轮廓检测缺失概率分别为2%,3.7%和5.5%,明显优于基于边缘算子的划痕检测方法。

划痕检测;Gabor滤波;纹理抑制;高斯函数;各向异性;滞后多阈值

1 概述

机器视觉检测技术是与先进制造工艺与现代制造生产模式相适应的智能化、自动化、柔性的检测手段,目前已广泛用于工业产品检验和质量控制等领域。在工业产品的制造过程中,由于原材料所限以及工艺问题等原因,导致产品表面出现划痕,不仅影响产品外观,更有可能降低产品的质量。其中,金属表面划痕检测是该领域一个常见需要解决的问题,本文所检测的金属表面主要为手机隔板,在手机生产过程中,其金属表面可能产生一些细微的划痕,且这些划痕与金属表面的纹理非常相似。

现有划痕检测方法通常采用 Sobel、Roberts、Prewitt、Laplacian边缘算子,在已报导的划痕检测算法中,文献[1]针对电影胶片中比较常见的垂直划痕及其特性,提出了一种基于多种边缘检测的检测算法,利用Sobel和Canny算子对垂直边缘进行检测,然后再用Hough变换检测图像中的垂直直线,最后结合形态学处理和宽度约束得到划痕位置。文献[2]利用Prewitt算子和基于直方图的阈值选择算法,实现对陶瓷表面划痕的检测。文献[3]利用DB1小波分解后的高频系数分量,并分别用几个不同尺度的划痕检测算子在相应点上检测模极大值的变换情况,并通过对阈值的选取,再在不同尺度上进行综合得到最终的羽毛球杆划痕图像。文献[4]假设瑕疵满足高斯分布,而背景与瑕疵灰度相差较大,最终利用卡尔曼滤波器实现铝箔瑕疵的检测。

基于边缘算子的划痕检测存在难以克服的固有缺陷:例如,在划痕边缘模糊且对比度弱的情况下,边缘不易提取,造成漏检;由于金属表面通常具有复杂纹理,边缘提取算子难以区分金属表面纹理和划痕,从而造成误判。而基于小波或卡尔曼滤波的划痕检测则由于算法复杂,计算量较大,通常很难满足实时性处理要求。更为重要的是,不同应用领域的划痕检测所要解决的问题都有一定的特殊性,因此上述方法都有其特定的适用条件,不能完全适应手机金属配件表面划痕的检测。由于手机金属配件背景纹理和噪声的干扰,其表面划痕检测容易出现大量的误判,厂家对划痕检测精度的要求较高,因此有必要研究适用于手机配件金属表面划痕检测的新算法。

由于划痕表现为线状或条形模式,而二维Gabor滤波器具有优良的滤波特性,且具有频率、尺度及方向选择的特性,其对称和非对称结构又能够有效区分条形模式和边缘,因此本文采用对称结构且具有狭长形状的Gabor核函数[5]实现划痕的特征提取,在此基础上,结合纹理抑制和滞后多阈值分割[6],最终实现划痕的检测。

2 划痕检测方法

2.1 基于Gabor滤波的划痕特征提取

2D-Gabor滤波器不仅具有尺度选择特性,而且具有方向选择性,可以通过改变其相角来实现具有对称性的亮条纹(φ=0)、暗条纹(φ=0)或非对称的边缘(φ=π/2)的特征提取,2D-Gabor滤波函数[7]如下所示:

其中,(x,y)表示图像某一像素点坐标;参数γ控制核函数的长宽比,其取值范围约在[0.2,1]之间,由于本文检测为狭长形状的划痕,因此实验中取γ= 0.5。λ为核函数波长,δ定义核函数尺度大小,确定接受视场的尺寸,比值δ/λ决定空间频域的带宽,影响视场中平行的兴奋性和抑制性的条纹数量,文中取为定值δ/λ=0.56。修改角度θi∈[0,π),可以实现不同方向划痕检测。相位偏移φ∈(-π,π]定义了核函数在其作用区间的对称性,选取φ=0和π时,滤波函数均为对称结构,分别对应“中心聚集”亮条纹和“中心偏离”暗条纹,当φ=+π/2或-π/2时,滤波函数为非对称结构,用于检测边缘[8-9]。由于金属表面划痕表现为亮条纹,因此本文所用核函数的初相位φ=0。

本文选用12个不同方向(每个相邻方向相差15°)的Gabor滤波模板分别对图像进行滤波,滤波后的图像记作rλ,δ,θ,φ(x,y):

计算各像素点12个方向的响应值,最后保留响应最大值并记录相应的方向:

其中,H(z)表示半波整定函数。i=1,2,…,12表示12个滤波方向;max{H(rλ,δ,θi,φ(x,y)}表示取最大滤波响应值。

2.2 各向异性背景纹理抑制

Gabor滤波后,手机金属配件表面图像中的划痕和背景纹理均会得到增强,如果直接在Gabor响应图上进行阈值化,很难完全排除纹理的干扰,从而造成较多的误检测,观察可知,由于金属表面纹理具有一定的空间频率和局部方向一致性,因此本文设计了如下的算子实现各向异性纹理抑制。

图1为实现周边纹理抑制的邻域示意图,其中含斜条纹环形区域(r1＜r＜r2)为起抑制作用的像素区域,内环区域半径为r1,外环区域半径为r2=4r1。抑制区域外的点不起作用,可以忽略。

图1 纹理抑制邻域示意图

设DoGσ(x,y)为如下2个不同尺度的高斯函数之差:

抑制区域内各点的权重定义为:

其中,H(z)为式(5)所示的半波整定函数;‖H(DoGσ)‖1为H(DoGσ)的L1范数。通常如图1所示的内环r1≈2σ。

通过计算各点的邻域抑制值,可以对背景纹理进行抑制。本文设计的是一种各向异性的背景纹理抑制算子,各点抑制值不仅和周边纹理边缘梯度强度及距离有关,而且和纹理边缘方向也有关,相同方向的纹理起到最大的互相抑制作用,方向相互正交的纹理不起抑制作用。各向异性描述算子如下所示:

最终的纹理抑制输出记作 Cσ(x,y),其值由Gabor响应和抑制值tσ(x,y)计算得到:

其中,调节参数α可以控制纹理抑制的强度。该处理过程可抑制和划痕方向不同的背景纹理,同时由于图像中金属背景纹理方向大致相同,因此局部区域内的纹理会起到相互抑制的作用。这样有利于凸显图像中的划痕。图2是各向异性纹理抑制作用的示意图。从图2(b)和图2(c)的对比可以看出,各向异性纹理抑制处理能清晰地提取出背景纹理中的直线图案。

图2 纹理抑制效果

2.3 滞后多阈值二值化

其中,nMST表示非极大值抑制细化[11];tλ,δ(x,y)是其细化结果;HT表示标准滞后阈值算子。将结果(x,y)表示为如下集合:

最终通过式(15)～式(17)依次处理得到分割出的划痕二值图像Vλ,δ:

小于10个像素的分支很有可能属于纹理残留,可以去除。与标准滞后阈值的分割结果相比,滞后多阈值之后分割结果的划痕结构更为完整,滤除了大部分非划痕残留。由于阈值选取需要大量的实验,经细致观察,发现其中最大阈值点和最小阈值点的选取是关键,最大阈值点要能够提取划痕主干结构,而最小阈值点要确保能提取到绝大部分弱、细划痕。实验中选取的多组阈值对分别为{(0.04,0.07)×max_I,(0.06,0.12)×max_I,(0.1, 0.2)×max_I},其中,max_I表示细化图像的灰度最大值。

3 实验结果与分析

本文所检测的手机配件示例如图3所示。

图3 作为检测对象的金属隔板

图4是图3中手机金属配件局部放大图,其中给出3种情况的划痕示例图。

图4 划痕图像

为验证本文方法的性能,将其与经典基于边缘算子的划痕检测方法做了比较。实验选择15×15的矩阵作为Gabor滤波核函数窗口大小,同时选取12个旋转角度。Gabor滤波器其他参数设置如下:初相位φ=0,波长λ=4,尺度δ=0.56λ=2.24,长宽比γ=0.5,各向异性描述算子中σ=5,α=2。

图5给出有纹理抑制和无纹理抑制的检测结果。图5(b)由于无纹理抑制,大量背景纹理被误判为划痕,和真正的划痕纠结在一起,导致很难从中区分出待检测的划痕。而采用纹理抑制处理后,背景纹理得到极大抑制,因此较好地分割出了金属表面的划痕对象(如图5(d)和图5(e)所示)。

图5 纹理抑制与非纹理抑制的对比结果

为检验多滞后阈值对于标准阈值化方法的改进效果,图6给出检测示例图。从中可看出,在较浅的直线划痕检测中,由于部分划痕边缘模糊,在标准滞后阈值二值化后,原本完整的划痕被分割为数段,如图6(c)所示,但是如果用滞后多阈值二值化分割,则很好地保证了分割划痕的连通性,划痕能够被清晰、完整地提取出来。

图6 不同的二值化结果对比

图7给出了Sobel算子、Prewitt算子和Laplace算子[12-13]及Gabor滤波对某细微划痕的检测结果,如图4(c)所示,由于划痕非常浅且边缘模糊,很难提取出完整的边缘图像。

图7 对比多种检测方法的细微划痕检测结果

采用Sobel、Prewitt和Laplacian算子做的均为边缘检测,在边缘模糊或光照条件影响下,划痕检测结果连通性不好,容易产生大量毛刺,其中,在Sobel、Prewitt算子检测结果中,毛刺情况尤为严重,如图7(c)和图7(f)所示,致使划痕轮廓丢失,无法被完整检测出来。而Gabor滤波核函数设计时,初相位φ=0,长宽比为γ=0.5,这有利于检测图像中狭长结构的亮条状模式,滤波响应值很好地反映划痕的外观和连通性,因此二值化后能得到比较平滑的线条,非常完美地还原了划痕的骨架结构,划痕提取清晰完整,如图7(k)所示。

通过对27块手机金属隔板上的182条划痕运用不同的滤波方法检测,对其检测结果进行比较统计,统计结果见表1。

表1 本文方法和边缘检测方法的比较

划痕错检数量为误将金属纹理或者金属边框误检为划痕的数量。由于完整的划痕被分断成小段,这些小段部分被当做金属纹理滤除,导致划痕轮廓丢失,甚至划痕漏检。通过表1可以看出,Gabor与其他3种经典边缘检测算子的检测结果相比,具有相同的快速性,能够清晰、完整地提取出划痕,极大地减小了错检和漏检率。

4 结束语

针对手机金属配件表面划痕检测,本文提出一种基于Gabor滤波的划痕检测方法,并结合背景纹理抑制和滞后多阈值分割技术,提高了划痕检测的精确性。实验结果表明,相对传统的基于边缘检测的划痕检测技术,本文方法能极大程度地抑制非划痕区域的金属纹理,同时保留清晰完整的划痕结构。本文方法的不足之处在于:滞后多阈值分割后,不能完全排除金属纹理对划痕图像提取的干扰,需要后续通过处理进一步去除干扰点。另外如纹理抑制作用过强,可能引起部分划痕中断,这些都是需要进一步研究解决的问题。

[1] 张利平,张红英,吴 斌.基于多种边缘检测的视频划痕检测技术[J].电视技术,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] 武跃华.机器视觉划痕检测技术及应用研究[D].广州:广东工业大学,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] 张东波,尚星宇.病变视网膜图像的血管骨架提取方法研究[J].电子测量与仪器学报,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和机器视觉铆钉表面缺陷在线监测系统研究[D].上海:上海交通大学,2008.

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

编辑 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

国家自然科学基金资助项目(60835004);湖南省教育厅基金资助项目(10B109);湖南省重点学科建设基金资助项目。

宋 迪(1987-),男,硕士研究生,主研方向:模式识别,图像处理;张东波,教授、博士;刘 霞,硕士研究生。

2013-09-09

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