基于Gabor 变换与区域生长的瓷砖表面缺陷视觉检测方法研究

李光亚，邹国锋，傅桂霞

（山东理工大学电气与电子工程学院，淄博255049）

0 引言

瓷砖表面缺陷检测作为产品质量监测的一项关键内容，是确保瓷砖产品质量的重要手段，同时能够为缺陷成因分析和预防提供重要的技术参考。现阶段的瓷砖加工生产中，产品表面质量检测严重依赖工人的手工测量和人眼检测，效率低下，且只能做到抽样检测，无法保证百分之百的检测正确率。另外，由于检测任务都是在流水线上重复简单、枯燥的工作，人眼疲劳易导致检测准确率下降。因此，为了避免传统人工检测方法的缺点，适应现代化工业生产对瓷砖表面缺陷检测速度和精度的较高要求，基于机器视觉的瓷砖表面缺陷检测逐步受到科研机构和工业领域的青睐。

赵海洋等人[1]采用连续特征值布尔神经网络实现瓷砖表面缺陷检测，与传统神经网络相比，该网络的分类速度得到一定提升，但网络训练和参数调整复杂，难以实现工业应用。吴冰等人[2]提出基于BP 神经网络与区域生长法相结合的图像分割，并应用于瓷砖表面缺陷检测。两种算法的级联使缺陷检测精确度得到有效提升，但BP 网络训练复杂，工业应用效率低。刘平等人[3]将虚拟仪器技术应用于瓷砖表面平整度自动检测，能够提升产品分级的自动化程度。王宣银等人[4]采用合格样本图像和被测图像堆叠构成多元被测图像，利用主成分分析和阈值处理技术实现多元表面缺陷检测。段春梅等人[5]针对瓷砖素坯表面缺陷检测问题，采用双边滤波、Canny 算子和最佳阈值分割实现图像分割，并利用圆形度对缺陷特征进行描述，实现缺陷分类。Hanzaeia S.H.等人[6]提出旋转不变局部方差算子实现瓷砖缺陷边缘检测，并采用形态学运算平滑检测区域，采用SVM 实现缺陷分类。张军等人[7]提出小波变换与形态学融合的差影法提取瓷砖表面裂纹缺陷，获得较高准确率，但无法实现其他缺陷的有效检测。

基于多种图像处理算法结合的缺陷检测需要对瓷砖表面图像进行预处理、分割和分类操作，运算复杂度低，实时性较好，但缺陷检测影响因素分散，需要综合优化才能获得较好的检测准确度。基于机器学习算法的缺陷检测往往需要多样性强、数量大的训练数据集用于模型训练学习，然后基于所得模型实现未知缺陷判断，但是模型构建过程耗时较多，且训练样本采集和缺陷标注难度较大，难以在工业生产中应用。

综上分析，本文提出一种融合Gabor 变换与区域生长的瓷砖表面缺陷检测方法。首先利用中值滤波和局部直方图均衡化实现图像增强，然后采用Gabor 滤波提取瓷砖表面图像空间局部频率特征，进一步消除光照不均和表面反光影响。然后采用自动区域生长实现瓷砖表面缺陷自动分割。最后采用双向积分投影方法确定缺陷区域的范围，实现缺陷区域标注。

1 瓷砖表面缺陷简介

瓷砖生产过程中，由于上釉过程釉料与砖坯膨胀系数不一致、压紧过程压砖机应力过大或过小、选配料时掺入过多游离石英或有机物等因素，瓷砖表面会产生多种缺陷[7]。常见的瓷砖表面缺陷包括针孔、麻面、翘曲、色差、裂纹等[8]，其中裂纹、孔洞和色差对瓷砖美观度影响最大，是重点检测缺陷，图1 所示为三种常见缺陷样本。

图1 存在表面缺陷的瓷砖样本

鉴于这三种缺陷在瓷砖生产加工中出现频率较高，且严重影响产品的美观性。本文重点针对这三类缺陷的视觉检测方法开展了研究。本文所提瓷砖表面缺陷检测方法的基本流程如图2 所示。

图2 瓷砖表面缺陷检测基本流程

2 瓷砖表面缺陷预处理

瓷砖表面图像采集易受生产现场光线、灰尘等影响，导致采集图像出现质量下降，不利于后续图像分割和缺陷区域标注。因此，采取适当的图像增强方法，去除干扰噪声、增强瓷砖背景区域与缺陷区域对比度是有必要的。

目前，通用的图像去噪方法主要包括空间域滤波、变换域滤波和形态学滤波，其中空间域滤波法中的均值滤波[9]和中值滤波[10]适合应用于图像的前期预处理。均值滤波能够将噪声分散到周围邻域，但无法完全将其去除，反而会导致图像边缘模糊，不利于后续瓷砖表面缺陷的分割和检测。中值滤波的本质是将邻域范围内的所有灰度值排序，用中间值代替噪声点的像素值。二维中值滤波运算公式为：

其中，f(x,y)和g(x,y)分别表示原始图像和滤波后的结果。W 表示滤波模板，通常选择3×3、5×5 或7×7区域。实验表明，模板选择的区域范围越大，去噪效果越好，但对图像边缘信息的模糊化越严重。因此，本文实验中采用了5×5 滤波器模板。

另外，瓷砖表面图像采集通常在室内完成，表面缺陷、花纹与背景颜色有时非常相近，灰度相差不大，所以采集的图像灰度值往往集中在狭窄的灰度范围内，整体对比度较低。因此，在完成去噪处理后，还需要通过直方图均衡化方法增强瓷砖表面缺陷和背景区域对比度。

直方图均衡化的本质是对图像进行非线性拉伸，通过重新配置图像灰度值，使一定灰度值范围内的像素数量大致相等。按照均衡化过程中拉伸函数的作用范围直方图均衡化分为全局和局部直方图均衡化[11-12]。全局直方图均衡适用于整幅图像增强，但由于全局变换无法保证局部信息可靠增强，容易导致区域细节被忽视，对缺陷区域的边缘检测和分割不利。因此，以图像中每个像素的邻域灰度分布为基础设计变换函数，实现局部直方图均衡化，更有利增强瓷砖表面缺陷的边缘信息。本文实验中采用了文献[13]提出的子块重叠局部直方图均衡算法进行瓷砖表面缺陷图像的对比度增强处理。图3 所示为经过中值滤波和局部直方图均衡化后的瓷砖表面缺陷图像，并给出了全局直方图均衡化的对比结果。

图3 瓷砖表面缺陷预处理结果

3 瓷砖表面缺陷的Gabor变换

Gabor 变换是一种基于窗口的短时傅里叶变换，具有较强的局部特征提取能力。二维Gabor 变换，不仅能够有效提取图像中的局部特征、弱化噪声和光照干扰，而且能够有效提取图像中的纹理信息。因此，本文采用了二维Gabor 变换[14]提取瓷砖表面缺陷图像中的纹理特征，同时也实现了变换域中的图像增强。

二维Gabor 变换函数为：

瓷砖表面缺陷图像的Gabor 特征可通过将瓷砖图像与Gabor 滤波器卷积得到。假设瓷砖图像灰度值为I(x,y)，则I 和Gabor 函数Gμ,ν的卷积定义如下：

其中，式中*为卷积算子，z=(x,y)，Oμ,ν(z)表示当尺度为ν 和方向为μ 时Gabor 卷积图像。

另外，由于Gabor 卷积的幅值信息反映图像的能量谱，在图像真实边缘附近具有良好的光滑性，因此，采用每幅卷积图像的幅值响应作为最终的Gabor 特征，其公式如下：

其中，real(Oμ,ν(z))和i mag(Oμ,ν(z))分别为卷积图像的实部和虚部。瓷砖表面缺陷图像的Gabor 变换结果如图4 所示。

图4 瓷砖表面缺陷的Gabor特征

4 基于区域生长的瓷砖表面缺陷分割

区域生长[15]是根据同一目标区域内像素的相似性聚集像素点实现图像分割，其基本步骤：①选取初始种子点（一个像素点或者像素区域）；②将种子点与其周围邻域的像素点进行比较，若周围的像素点与种子点满足同质性原则，则将这些像素点与种子点归为同一类，从而使种子点所属区域（即目标区域）逐步增长，获得图像分割结果[16]。

区域生长算法中，初始种子点选取对图像分割结果具有重要影响，传统种子点选取方法为人机交互的半自动方式，并不是真正的全自动化分割。因此，本文结合瓷砖表面图像特征分布的特点，借鉴文献[17，18]中种子点的全自动选取方法，提出针对瓷砖表面缺陷图像的种子点选取方法和分割原则。

瓷砖表面缺陷特点分析：

（1）瓷砖表面缺陷可划分为几何型缺陷，如裂缝、孔洞、麻面；区域型缺陷，如色差。

（2）几何型缺陷在瓷砖表面图像中占比较小，形状特殊，且通常分布于砖体边缘区域，与瓷砖花纹或背景区分度较大，易于分割。

（3）区域型缺陷在瓷砖表面图像中占比较大，且通常分布于砖面多个区域，色差深浅度和瓷砖背景花纹影响，分割难度较大。

由于几何型缺陷占比较小，形状特殊，种子点需选取在瓷砖背景区域；而区域型缺陷，由于占比较大，易受背景影响，因此种子点需直接选取在缺陷区域。

具体的种子点选取步骤分为两步：①借鉴文献[17，18]的原则，基于瓷砖表面图像的直方图和阈值分割法获取初始种子点的候选区域；②在候选区域中，种子点应尽量靠近种子点候选域中心，种子点的像素值应尽量接近种子点候选区域的像素均值，且在候选区域内与种子点像素值相同的像素点应尽可能多，以保证种子点与感兴趣区域内像素点高度相似。

假设第i 个种子点Si的灰度值为Ii，该种子点的第x 个非种子点邻域像素Ni,x的灰度值为Ii,x，则Si与Ni,x的距离定义为：

则生长规则定义为：

其中，T 为区域生产规则的判定阈值。当种子点Si与Ni,x的距离小于阈值T 时，则判定Ni,x与种子点Si相似，将Ni,x归为目标区域；否则，将Ni,x归为非目标区域。

图5 所示为种子点自动选取及其经过区域生长后得到的缺陷区域分割结果。

图5 种子点选取及缺陷区域分割结果

5 实验与分析

5.1 图像缺陷区域分割效果实验比较

实验中所用瓷砖表面缺陷图像来源于淄博市某建陶生产企业，数据集中主要收集了该企业生产过程中出现频率较高的几种缺陷图像，其中裂纹缺陷图像75幅，孔洞缺陷图像75 幅，麻面缺陷图像20 幅，色差缺陷图像50 幅，图像分辨率归一化为600×800。为了更好地说明本文所提出图像分割方法的有效性，实验中分别采用Sobel、Canny 边缘检测算子和基于阈值的二值化分割算法进行了对比实验。部分实验结果如图6所示。

图6 瓷砖表面缺陷分割结果比较

图6 实验结果显示，Sobel 边缘检测算子能较好地实现孔洞缺陷的检测，但是对于裂纹缺陷和色差缺陷分割效果较差，容易将瓷砖表面的花纹区域误分割为裂纹区域，而对于色差的分割效果则无法实现准确分割。Canny 边缘检测算子的分割效果更差，将大量的背景区域和花纹区域误分割为缺陷区域。基于二值化阈值的图像分割难以克服花纹和光线影响严重，在获得缺陷区域的同时，误分割出大量非缺陷区域。

5.2 图像缺陷区域标注结果

在完成瓷砖表面缺陷图像分割后，本文采用双向积分投影方法捕获缺陷区域的边缘信息，并进行缺陷区域标注，实现缺陷区域检测。图7 所示为裂纹缺陷的双向积分投影结果及其缺陷标注结果，采用相同的方法可实现其他缺陷图像的标注。

5.3 图像缺陷区域检测实验

基于实验中收集的瓷砖表面缺陷数据集，采用本文提出的检测方法进行了综合实验分析。实验结果如表1 所示。

实验数据表明，裂纹和孔洞的检测准确率较高，但是部分裂纹缺陷较细，且与瓷砖花纹较为相似，所以出现了较多的漏检，而孔洞缺陷明显与瓷砖花纹和背景不同，所以漏检率较低，但是由于受到瓷砖不同花色和背景的共同影响，容易将花纹区域误作为缺陷区域，导致两种缺陷的误检率较高。麻面缺陷的小斑点隐藏于花纹中的情况较多，检测难度较大，所以漏检和误检率较高。色差缺陷更多的是受到瓷砖背景色和光线影响严重，检测难度较大，存在较多的误检。

图7 裂纹缺陷的双向积分投影及缺陷标注结果

表1 瓷砖表面缺陷检测实验数据

6 结语

针对现代瓷砖加工企业瓷砖表面缺陷检测中存在的检测效率低、准确度差，耗费人力物力等不足，本文融合多种图像处理算法，提出基于Gabor 变换和区域生长的瓷砖表面缺陷检测方法，实验证明了所提方法的有效性和可靠性。另外，本文所提方法存在一定程度的漏检和误检，特别是针对麻面缺陷，检测准确率较低。在后续的研究中将重点针对瓷砖表面的花纹和背景干扰去除方法开展相关研究，并着手瓷砖表面缺陷图像大数据集的构建和标注，为基于机器学习算法的缺陷自动检测做准备。