CCD机器视觉在缺陷检测中的关键技术研究

钱礼闰

摘要：隨着人工智能和机器视觉技术的发展，利用机器视觉技术对精密工件表面的缺陷检测也就成为了必然。采用计算机视觉技术和人工智能的方法将会极大地提高检测精度和效率。本课题主要研究基于CCD工业相机的机器视觉技术在精密机械缺陷检测中的关键技术，期望能够实现利用计算机来对精密机械的缺陷进行高质量的自动检测。

关键词：机器视觉；特征提取；缺陷检测；分类器

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2018）15-0058-02

一、引言

本课题研究的主要内容包括：（1）根据工厂产品质量的要求确定了机器视觉中的工业相机拍照的工作方式；（2）用计算机对获取的物件进行图像处理，突出计算机图像中被测物件的特征信息，从而依据这些特征对目标物件进行检测、识别和跟踪等。通过各种算法，提取目标特征进行判断，根据结果对特定的场景和需要做出反应，并对设备进行符合要求的控制。一个典型的机器视觉系统硬件组成如图所示：

二、机器视觉关键技术

1.图像传感器。通过人眼进入大脑的光线，会被人脑处理以合成现实世界的三维图像，这种图像获取颜色和深度信息。人眼中有两种感光器：锥状体和柱状体。其中锥状体的数量在600—700万之间。锥状体对强光比较敏感，所以锥状体视觉被称为白昼视觉。人眼中柱状体的数目在7500万—15000万左右，柱状体没有彩色感觉，但是对低照明度敏感，这种现象被称为暗视觉。从自然分辨能力的角度看，锥状体的数量恰好与一个中等分辨率的电荷耦合元件（CCD）数量相当。机器视觉是通过图像传感器来实现的，其最大的优点是不需要与测量目标接触，因此对观测目标不会产生任何损伤，这是其他测量方式不具备的优点。

本课题以精密机械零件作为研究对象，对表面的各种缺陷进行检测和研究，提出了一种基于机器视觉技术的零件表面缺陷检测算法，如下图所示：

2.关键图像处理算法。精密部件图像缺陷算法研究的关键是如何准确分割出计算机图像中具有缺陷的目标。图像缺陷的分割是指将感兴趣的图像目标从图像的背景信息中分离出来，分割出的缺陷特征直接成为分析处理对象的过程。图像缺陷的分割为后续特征分析打下基础，在图像处理过程中，图像分割不准确的话，会导致特征的检测产生错误或失败。因此，分割算法的性能优劣直接影响着后续处理的进行，是图像缺陷检测的关键技术。

图像缺陷特征提取常用的技术有：（1）纹理特征提取：纹理特征是一种全局特征，它描述了图像区域所对应的表面性质。（2）Gabor滤波器：Gabor滤波器是一个用于边缘提取的线性滤波器，它的频率和方向表达同人类视觉系统类似。Gabor滤波器十分适合纹理表达和分离。Gabor滤波器的脉冲响应，可以定义为一个正弦波（对于二维Gabor滤波器是正弦平面波）乘以高斯函数。Gabor滤波器的脉冲响应的傅里叶变换是其调和函数的傅里叶变换和高斯函数傅里叶变换的卷积。一组不同频率不同方向的Gabor函数数组对于图像特征提取非常有用。（3）小波变换：小波变换是一种新的变换分析方法，它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。（4）统计几何特征提取方法：首先用NSCT对缺陷图像进行多尺度多方向分解；然后将子带图像输入迭代点火，计算点火图的熵序列作为子图的特征，合并各子图特征得到原图的特征向量。

对不同类型的表面缺陷进行分类的难点在于分类器的选择与设计。目前模式识别领域常用分类器有k-邻近法、聚类、决策树、神经网络、支持向量机等多种。本课题比较了各种算法，提出一种基于缺陷区域轮廓、制品轮廓、区域灰度等特征的缺陷自动识别算法。该方法将识别过程分为两步：缺陷提取和缺陷跟踪。第一步利用传统方法在每幅图像中分离出潜在缺陷。这一步保证缺陷能被提取出来，而不考虑伪缺陷的数量。第二步力图找出同一试件不同图像中分离出的缺陷之间的相互关系。如果第一步某一图像中分离出的某一缺陷在其他图像中都找不到相对应的缺陷区域，就定义该缺陷为伪缺陷，也就是说，真缺陷在不同图像中必须满足一定的几何关系。多幅图像中的缺陷跟踪综合利用了极线约束、三维重建和三线性约束等立体视觉算法。

可疑区域筛选的方法有两种：去除伪缺陷或者挑选真缺陷。其中伪缺陷基本是由水、空气氧化及光照不均等现象引起，难以找到合适的算法直接去除，不过可以通过增加4种不同类型的缺陷检测步骤，去除了大量由水、氧化铁皮等造成的伪缺陷，在保证缺陷检出率的同时，减小缺陷的误识率。在精密机械部件使用过程中，因为各种因素的影响，设备部件表面会产生一些缺陷。这些缺陷不仅影响产品的质量，还会造成不可预计的事故。因此，发现并消除表面缺陷是工业生产中需要重点关注的一个问题。产品表面裂纹与其他缺陷（如疤痕和振痕）或伪缺陷（水痕、渣痕和氧化铁皮）组成，它们在各个方向上的纹理特征各有不同，可以利用小波分析技术的多方向性特点对图像进行分解后再作纹理分析。

三、总结与展望

本课题以精密机械部件的缺陷检测为研究对象，采用图像处理和人工智能领域的前沿技术设计出实用性很强的缺陷自动检测算法。

本课题的算法设计还需要进行优化，通过CCD相机获取的图像还可以采用不同的滤波方法和图像增强技术达到更好的效果，特征分类器的设计与选择也有待进一步地研究，通过大量实验不断改进使系统更加完善，识别和分类效果更好。

参考文献：

[1]周新星，王典洪，王洪亮，李东明.基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法[J].应用基础与工程科学学报，2013，（2）：174-184.

[2]鲁方波.多特征双重加权纹理分割[D].南昌：南昌航空大学，2014.

[3]汤朋文，陶华敏，肖山竹，方求.几种常用图像分割算法自适应性的分析比较[J].数字技术与应用，2016，（5）：140-143.

[4]徐科，周鹏，杨朝霖.基于光度立体学的金属板带表面微小缺陷在线检测方法[J].机械工程学报，2013，（4）：24-29.

[5]杨威，毛霆，张云，周华民.注射制品表面缺陷在线检测与自动识别[J].模具工业，2013，39（7）：7-12.