基于机器视觉的金属手机背板缺陷检测识别方法研究

张旭

（沈阳化工大学机械与动力工程学院，辽宁 沈阳 110142）

0 引言

本文在机器视觉视角下分析出检测金属手机背板的方法，这种方法某种程度上可以替代传统的人工流程，所以意义深远。其一，探寻出检测手机背板缺陷的方法,能降低人工成本，还能帮助手机制造行业完善标准，推进此行业向更智能，更智慧的领域迈进[1]。

1 机器视觉概述

近些年，各领域学者将目光放在了机器视觉领域研究上，一定程度上推进了机器视觉技术的发展和实践。机器视觉理论概念如下所示：传统的人眼工作效率低下，机器视觉，顾名思义，用机器来替代人眼工作，从而具备的一种视觉功能。如今这种技术在尺寸测量，检测缺陷和模式识别等领域应用。通过机器视觉，可以兼顾来自多门学科的理论知识以及相关技术，从而获取真正需要的文字，图像数据和信息，在客观角度上解决现实存在的问题。所以机器视觉在工程实践等领域至关重要。随着机器视觉于各个领域的应用，也让图像获取，图像处理等技术都得到了迅速的发展，在获取图像上，通过机器视觉技术，可以采集三维空间图像，由传统的二维平面图像发展到现阶段三维图像不难看出，技术有所突破。同时在处理图像算法上技术也更上一层楼，通过机器视觉技术，由传统的处理数学图像发展到现阶段的人工神经网络算法。除此之外，在航空航天，军事，安防控制等众多领域，也应用到了机器视觉技术，可以说，这种技术已经深入地渗透到了人们的日常生活中[2]。

2 金属手机背板缺陷检测识别分析

参照有关检测部门的行业标准，手机背板包括三个表面，分别为a，b，c三个面，a面特指在组装整机之后，人们在使用手机的过程中，凭借肉眼可观察到的表面。b面特指在整机组装完毕，需要人眼在45度和90度之间才能看到表面。c面特指在整机组装完毕之后，人眼在正常应用过程中无法看到的表面。缺陷分为轻微缺陷，中度缺陷和严重缺陷三个级别，轻微缺陷一般人的肉眼很难检测出，但是手机确实存在不良缺陷，但对整体性能影响不大。中度缺陷是指虽然表面缺陷程度不严重，但依旧会影响产品性能[3]。严重缺陷，顾名思义，已严重影响到手机的性能和价值，无法供消费者应用。表1是缺陷检测的标准，L，W，S分别对应长度，宽度，面积。

表1 不同类型缺陷检测标准

3 基于机器视觉金属手机背板缺陷检测识别方法探究

通过前文分析可以知道，在以往检测手机背板工作中，大多是通过人眼观察来进行的这种方式不但效率低下，还会让人工检测成本高昂，所以有必要探寻出崭新的检测和识别方法。因为工人肉眼需要休息，一个工人每检测一部手机需花费八秒，这还是技术比较熟练的工人，所以完全依靠人工来检测是远远不够的。人工检测标准不一，对于缺陷的评定，每一个工人标准是不同的，无法达成最终标准的统一与一致性，正是因为标准的不同，会产生产品的漏检和物件，影响产品的良品率。同时，人工检测对肉眼伤害较大，这种工作形式会让工人暴露在长时间的亮光灯下，不但会加重视觉疲劳，还会直接伤害人眼。所以要在人工检测的同时辅助一些新的检测方法，来提高检测成功率和工作效率[4]。

想要检测手机背板存在的缺陷，应找出手机背板缺陷问题的根源，并针对性地加以处理，物体表面缺陷是手机背板缺陷的本质，一般情况下，有很多处理的方法，但大部分都是以机器学习为核心的方式。以机器学习为核心的方法包含监督和非监督学习两种，前者主要的模式如下所示：前期将带有类别和标签的样本输入其中，并设计预测模型，模型设计完毕之后，将最终的结果和现实结果做出比对，从而找出模型设计之后存在的不足和缺陷，针对现实情况以及预期的要求做出调整。逻辑回归和决策树是监督学习方法的内容。非监督学习模式如下所示：输入到系统的样本数据结果和标签不够明确，因此，预测现实结果较难，基于此种模式下，验证数据之间存在的内部联系是学习模型的主要目的[5]。

3.1 k-近邻算法

这种算法在机器制造模式下属于非常典型的一种算法。其主要的模式如下所示：在系统中集合所有的训练样本数据，同时在系统中，也要融合与样本数据相对应的数据标签，在输入完有待分类的数据之后，将这些数据结果和与其对应的数据特点相对比，记录下对比的结果，在所有数据中，提取前k个最相似的数据，在核对数据完毕之后，比例较多的标签就是最终的分类结果。这种方法实现容易，且运用到的原理比较简单，无需提前训练，但是在现实应用中，需要计算每一个样本数据的距离，所以计算量是巨大的[6]。

3.2 人工神经网络

其在人工智能领域中一直是人们研究的热点，如图1所示：每一个圆圈代表一个神经元，一般情况下，输入层和输出层是神经网络的组成层级，但中间包括多个隐藏层，需要具体设定层数和神经元个数，在识别分类方法中，人工神经网络相对复杂，就以其中一个Bp神经网络为例来做出分析，神经元中包含的信息较多，再加上信息具有分布性，一些数据如果面临损坏，神经网络容错性和鲁棒性较强。除此之外，较强的自学习性是人工神经网络的另一特点，神经网络会不断的学习，强化训练来适应外部的信息环境。一个较为优秀的神经网络，包含的数据非常之多，这些较多的数据会供其日常的训练，除此之外，在网络中设定的网络参数也较多，对于计算机日后识别分类方法考验较大，要提高计算机处理的数据总量和运行的速度。通常人工神经网络适用于复杂非线性问题的分类和预测[7]。

图1 人工神经网络逻辑结构示意图

3.3 svm算法

模拟学习具备准确性和复杂性。在有限的样本数据和信息中找寻最佳结果是svm算法的主要思想，以向量方法来分析样本数据特征，找出不同的样本特点向量，并在彼此之间找出立间距最大化的分界面，此分界面就是需要的分类器模型。在检测缺陷特点上，为了便于分类，一般会应用svm算法来检测前文的四种手机背板表面的缺陷。在形状特点上，擦伤，划伤与水渍，斑点差异较大，究其原因是它们的圆形度区别很大，凭借肉眼观察表面形状容易分辨出二者的不同，如划伤表面是细长条状，擦伤表面是多个划伤集合在一起。对于水渍和斑点来说，二者的外观比较相似，都是圆圆的形状，但是水渍对比斑点来说，边缘相对模糊。除此之外，水渍缺陷的面积也更大[8]。

4 结语

随着社会经济的发展，人们对智能手机的需求量正大幅度上涨，也越来越关注智能手机的质量。自从机器视觉技术渗透到手机生产制造领域之后，为金属手机背板缺陷检测带来了曙光。本文在机器视觉背景之下，研究金属手机背板缺陷的检测方法，希望能为相关工作者提供一点借鉴。