基于Halcon 的圆形陶瓷片表面缺陷检测方法

贺 潇，苏彩红 *，詹宁宙，林军帆，梁智宇

（1.佛山科学技术学院机电工程与自动化学院，广东佛山528000；2.佛山精视自动化科技有限公司，广东 佛山528000）

圆形陶瓷片在生产过程中，由于生产工艺和生产环境的影响，会出现一定比例的缺陷产品。如果不能及时筛选出来，对于产品后续的使用会存在一定的安全隐患。目前针对圆形陶瓷片的缺陷筛选主要是人工目检，而人工目检存在检测效率低、人工成本高等缺点。近年来，随着图像处理技术和机器视觉技术的不断发展，出现了越来越多的机器视觉检测来代替人工目检的情况。Halcon 是由德国MVTec 公司研发的机器视觉图像处理软件，提供了全面的图像处理函数库。本文基于Halcon 算法平台，主要研究了圆形陶瓷片表面的气泡、斑点、粉尘和炸裂等缺陷的图像处理算法。

1 缺陷分类及检测流程

圆形陶瓷片在生产线上通过面阵CCD 进行图像采集，在Halcon 软件上进行处理、分析和检测［1］。圆形陶瓷片的表面缺陷主要包括气泡、斑点、粉尘和炸裂4 种，缺陷特点及分类如表1 所示。

表1 缺陷分类及特点

圆形陶瓷片缺陷检测流程如图1 所示，检测步骤主要包括：1）利用图像灰度化和增强技术，将原始图片进行预处理；2）利用阈值分割的方法提取图片中各类缺陷对应的感兴趣区域ROI（Region of Interest）；3）提取图片中各类缺陷的特征，然后根据面积和长度等特征来判断其是否为缺陷产品，并标记出缺陷区域。

2 图像预处理

2.1 图像灰度化

图像灰度化是图像处理前的重要步骤。彩色图像的RGB 只是在光学上的搭配，不反映图片的特征。灰度化处理有平均法、最大值法以及加权平均法等。这里按Halcon 中加权平均法函数rgb1_to_gray灰度化处理，即

其中，gray 代表灰度化处理后的灰度值，red 代表红色分量的灰度值，green 代表绿色分量的灰度值，blue代表蓝色分量的灰度值。

2.2 图像增强

图像增强的作用是为了突出图像中的一些重要的特征，同时弱化少量不必要的信息。处理后的图像对比度明显增强，特征更加明显［2］。图像增强方法有频域法和空间域法。本文选择空间域法中的灰度值线性化，即

其中，g 为线性化图像增强后的灰度值，G 为当前的灰度值，Gmax为需要加强区域内的灰度最大值，Gmin为需要加强区域内的灰度最小值。

2.3 ROI 的提取

在圆形陶瓷片上，气泡主要分布在产品的外环，斑点主要分布在大内环上，粉尘则主要在大内环的边缘，炸裂主要出现在内孔的边缘。故不同的缺陷检测需要提取不同的ROI，以尽量消除别的区域造成的误检，从而提高检测的准确性。圆形陶瓷片缺陷检测流程如图1 所示，产品区域划分如图2 所示。

图1 圆形陶瓷片缺陷检测流程

图2 陶瓷片区域划分

3 各缺陷的检测算法

3.1 气泡检测

圆形陶瓷片气泡出现在外环区域上，而且环上有时会出现占据一段连续圆环的大气泡，不利于特征的提取［3］，可采用瓶口矩形法（极坐标转换的方法）将圆环展开成矩形。这样环形上的气泡就变成了展开矩形的垂直方向的差异。气泡原始图如图3 所示。首先先对外环进行ROI 提取，如图4 所示。然后利用极坐标变换函数将外环展开为矩形如图5 所示，可以看到在笛卡尔坐标中更明显突出气泡的特征。在笛卡尔坐标中用运用形态学处理提取缺陷部分［4］，提取效果如图6 所示。气泡检测流程如图7 所示。检测结果如图8 所示，标记为检测出的气泡。

图3 气泡原始图片

图4 提取外环后效果

图5 外环展开后效果

图6 矩形中提取缺陷特征

图7 气泡图像处理流程

图8 气泡检测后结果

3.2 斑点检测

斑点检测采用全局阈值的方法。需要根据斑点的特征灰度值与ROI 中的背景灰度值比较，选取合适的阈值区间，看ROI 中的每个像素点灰度是否在该阈值区间内［5］。Halcon 中提供threshold 函数进行全局阈值。检测斑点的效果如图9 所示，标记为检测出的斑点。

3.3 粉尘检测

粉尘的成像比较浅，与背景相差不大，全局阈值不能适用，这里使用的是动态阈值的方法。动态阈值是根据图像中每个像素点周围的特性，对该像素点选取不同的阈值，形成阈值曲面，将图像进行分割。首先运用Halcon 中的mean_image 函数来平滑处理，设置为参考背景，然后运用动态阈值函数dyn_threshold 设置选取“暗于”参考背景的区域。检测效果图如图10 所示，标记为粉尘。

图9 斑点检测效果

图10 粉尘检测效果

3.4 炸裂检测

圆形陶瓷产品质地比较坚硬，在产品成型过程中内孔边缘非常容易出现炸裂。炸裂的检测选择考虑提取裂纹的亚像素轮廓（XLD），并将XLD 轮廓连接后形成“区域”，经过面积和长度的筛选就可提取到缺陷的特征［6］，这里用Canny 算法进行亚像素边缘的提取。Halcon 中有edges_sub_pi 函数进行亚像素边缘的提取。炸裂处理流程如图11 所示。

4 实验结果分析

为了验证缺陷检测的稳定性和准确性，对相同条件下采集的300 张图片在Halcon 平台上对缺陷检测算法进行测试。样本总数为300 张，样本检测统计结果如表2 所示。由表2 可知，合格品无漏检，但存在3 个误检；斑点的检测效果最好，无误检与漏检情况；气泡有1 个漏检；粉尘和炸裂各有1 个误检。实验样本总体检测准确率为98%。

图11 炸裂图像处理流程

表2 测试结果统计表

测试中部分参数具体设置如下：1）气泡的检测中，动态阈值函数参数设置为dyn_threshold（Image，ImageM，Regions1，20，'light'）。在极坐标中提取的缺陷特征时面积和高度下限分别为500 和15。2）斑点检测中，大内环的灰度在90～110 之间，所以全局阈值区间设置在0～75 之间，缺陷特征面积提取下限为100。3）粉尘检测中，动态阈值函数参数设置为dyn_threshold（Image，ImageM，Region，5，'dark'）。缺陷特征提取时面积和粉尘的个数下限分别为10 和5。4） 炸裂检测中，亚像素边缘提取参数设置为edges_sub_pix（Image，Edges，'canny'，0.5，4，10）。缺陷提取时裂纹的长度下限为5。

5 小结

本文提出了基于Halcon 的圆形陶瓷片的表面缺陷检测算法，并通过样本测试验证了可行性和准确性。实验结果表明，该缺陷检测算法能较好满足实际生产过程中的检测需求。本文针对产品所提出的根据实际缺陷进行分区检测，虽然对检测速度有一定的影响，但能较好地提高检测的准确性。如何提高检测速度问题有待后续进一步研究。