吴茂宁
【摘 要】随着工业生产自动化程度越来越高,在保证了生产效率的同时,产品存在缺陷问题依旧困扰着许多工业生产制造商。此外,随着人们生活水平的日渐改善,消费者们对产品质量的要求也在不断提高。目前大多数生产厂商仍采用人工方法检测识别缺陷产品,这样不仅拉低了生产效率、还容易漏检的情况,浪费大量人力、物力资源。
【关键词】机器视觉;缺陷检测;识别方法
引言
随着工业生产自动化程度越来越高,在保证了生产效率的同时,产品存在缺陷问题依旧困扰着许多工业生产制造商。此外,随着人们生活水平的日渐改善,消费者们对产品质量的要求也在不断提高。目前大多数生产厂商仍采用人工方法检测识别缺陷产品,这样不仅拉低了生产效率、还容易漏检的情况,浪费大量人力、物力资源。此外,采用机器视觉方法还拥有以下优势:(1)机器视觉检测具有可重复性和较高可靠性特点,避免了因人工长时间重复检测单一产品而疲劳,导致产品缺陷检测可靠性下降。(2)当检测环境恶劣,人工检测存在安全隐患的情况下,采用基于机器视觉的方法进行检测可避免人员因工作环境而受到伤害。(3)采用机器视觉缺陷检测系统方法进行产品缺陷检测,不但可以检测出有缺陷的产品,还可以对有缺陷的产品进行记录、统计和分析,方便其日常管理。机器视觉作为智能检测手段,未来在生产线质量鉴定环节将逐步取代人工成为主流方法。
1 机器视觉与机器视觉检测概述
1.1机器视觉概述
机器视觉是指让计算机模拟人的视觉系统功能,使其能够通过图像就可以认知周围环境的一种科学技术,目的是希望该技术能够代替人眼来完成测量和判断等任务。机器视觉系统是指利用图像摄取装置采集目标的图像信号,并传送给图像处理系统获取其形态信息,根据图像中像素分布、亮度、颜色等信息,将图像信号转变成数字信号。以模式识别、图像处理、人工智能、计算机科学等学科为理论依据,机器视觉通过让计算机对采集到图像进行处理并加以理解,从而对人的一些智能行为加以模拟。在大批量工业生产过程中,机器视觉系统在处理精度、成本效率、信息获取速度以及自动化处理等方面都有着出色表现,大大提高了工业生产效率。同时一台机器可承担多人任务连续工作、无须停顿,生产的自动化程度也会大大提高;此外许多危险环境如高空、水下等场合,不适合人工作业或人眼视觉能力难以完成作业任务,采用机器视觉来完成工作就可以减少人力资源的损失并可达到人眼无法企及得能力;因此,机器视觉系统常被用来质量监测、尺寸测量以及装配定位等场合,来提高工业生产的自动化能力。
1.2机器视觉检测概述
机器视觉检测技术建立在机器视觉技术、光电测量原理基础上,结合计算机科学和图像处理等先进的科学技术,被生产商广泛地应用到工业生产制造中。当对目标进行检测时,机器视觉检测技术将图像当作传递信息的工具,首先运用光电成像系统采集目标图像,然后用计算机或图像处理模块将图像信号转变为数字信号,再从中提取出有用的信息如图像的像素分布、颜色和亮度等,最后根据这些信息进行尺寸、形状、颜色等的判断。
2机器视觉检测发展趋势
机器视觉技术由于具有较高的自动化程度和成本低等诸多优点,顺应了现代制造业发展的要求,因此被广泛应用到各种工业视觉领域。但由于目前机器视觉检测技术的理论体系还不够完善。鉴于机器视觉的处理速度和精度还无法满足自动化工业生产的需求,因此仍需人们投入大量精力去研究。机器视觉检测的发展趋势主要体现在一下几个方面:(1)实时检测视觉信息:由于高计算复杂度,机器视觉的实时性难以保证,运用多处理单元并行结构,组成视觉检测大型网络,并改进算法最终移植到可移动嵌入式。(2)视觉信息融合:通过将多种视觉信息进行融合,来弥补单目视觉获取信息不足的缺点,实现对复杂客观世界的认知。(3)系统集成性:将机器视觉系统与其他控制或测试系统结合在一起的一体化系统是未来工业自动化系统的发展趋势。(4)新理论与新算法研究:近年来,神经网络等算法的提出为机器视觉引入了新鲜血液,未来图像处理与模式识别等领域中新理论与新算法的出现将推动机器视觉检测技术继续向前发展。
3缺陷检测识别方法
3.1 特征选择
3.1.1 SIFT 特征
SIFT(Scale-invariant feature transform)特征是一种用来描述图像中局部特征的算法。该算法于1999年由David Lowe发表提出,在2004年被完善。用SIFT提取得到的点拥有旋转、尺度缩放不变性,且对仿射变换及噪声保有稳定性,通常情况下,这些特征点位于图像中的拐角和边缘。以下是SIFT特征提取的主要步骤:
(1)尺度空间极值点检测:
构造尺度空间是用不同的高斯函数对原始图像进行卷积处理得到的不同模糊结果的集合。自然界中随观测尺度的改变,物体表现的形态也不尽相同。例如树这个概念,当我们在以米为单位的度量尺度去观察才能感知到它是树,而当我们在几厘米或几千米的距离去观察感知到的则是樹叶或森林的概念。在尺度空间中,图像的分辨率逐渐变小,类似于人渐渐远离目标时,目标在视网膜上成像的过程,距离越远成像越模糊。
(2)特征点定位
对前一步骤中得到的关键点进行筛选,通过对这些关键点周围像素位置、尺度和主曲率比的拟合来确定其位置和尺度,筛掉对比度低的点和不稳定的边缘点。
(3)方向确定
在特征点的360°邻域窗口采样,将360°圆周梯度平均划分8个角度区间,每个角度为45°,按单个角度区间内像素点梯度的幅值和方向进行统计,其结果即为梯度方向直方图,且峰值就代表特征点的主方向。
3.1.2 HOG 特征
方向梯度直方图特征(Histogram of Oriented Gradient,HOG)是一种通过计算图像局部区域的梯度方向直方图得到的特征描述子。在机器视觉和图像处理领域中,该特征常与SVM分类器组合被用来完成各种检测识别任务。2005年法国Dalal首次提出采用HOG+SVM的方法对行人进行检测,迄今为止虽然仍有许多行人检测方法不断被提出,但大多都是建立在HOG+SVM基础上改进的方法。
3.2 分类器
3.2.1 SVM 分类器
传统的学习多是在经验风险最小化的基础上寻找一个最优函数,使该函数对输入样本的估计与样本实际输出间的期望风险达到最小化。基于经验风险最小化的学习算法与样本数据量有很大的相关性,样本数据越多,对样本分布的估计就越准确。
3.2.2 Adaboost分类器
Adaboost(Adaptive Boosting,自适应增强),由Yoav Freund和
Robert Schapire于1995年提出。机器学习问题中常常会出现每个样本包含多维度特征,这种情况被称为着维数灾难(curse of dimensionality)。
结束语
综上所述,为了改善人工质检带来的问题,在生产线质量监测环节采用机器视觉、模式识别的智能检测手段来取代人工方法已成为工业生产发展的必然趋势。
参考文献:
[1]潘坚跃,麻立群,彭斌等.人体及穿戴特征识别在电力设施监控中的应用[J].电子设计工程,2015(10):68–71.
[2]李杨.基于机器视觉和人工神经网络的微小轴承表面缺陷识别及检测技术研究[D].吉林大学,2008.
[3]张晓波,刘文耀,王兵振等.汽车制动阀内底面质量检测仪的设计[J].计算机测量与控制,2005(06):615–617.