基于机器视觉的注塑件缺陷检测系统研究

王亓才 冯小辉 史卜凡 冀国正 曹怀祥 袁涛 黄元凤

摘 要 提出并设计了一种基于机器视觉的注塑件焦料杂质缺陷检测系统，通过对多光源非线性自动调光算法的研究，提高了复杂生产环境下注塑件图像采集质量，并经高斯滤波、灰度图像、自适应阈值处理、Canny边缘检测等图像处理技术，可实现注塑件不同检测精度下缺陷检测。经现场测试证明，在1 mm以上缺陷检测精度下，杂质缺陷的召回率为0.918，误检率为0.046，识别速度为每秒30帧，图像处理算法性能稳定，解决了复杂注塑件生产环境下检测精度低、检测效率低的问题。

关键词 机器视觉 注塑件缺陷检测 图像处理 视觉控制平台

中图分类号 TP391.41   文献标志码 A   文章编号 1000?3932（2024）01?0113?07

随着图像处理、自动化及机器视觉等技术的快速发展，塑料制造业经历了巨大的变化，先进的工业系统对塑料产品生产过程中的质量控制提出了更高的要求［1，2］。在注塑成型领域中，注塑件缺陷的检测是塑料产品生产过程中质量控制的关键环节，检测对象为注塑成型系统中的注塑件，缺陷类型大多为熔融的焦料杂质缺陷，杂质尺寸大小1 mm以上，人眼可见。目前，注塑件缺陷检测主要采用人眼观察的方法检验产品的质量，该方法在注塑件成型后检测，无法及时发现坯料生产过程中产生的杂质，造成材料浪费，增加了生产环节的制造成本；另外人眼观察的检测方法具有主观性强、工作效率低、劳动强度高、检测可信度低及实时性差等缺点［3］，不能满足塑料工业制造过程不断提高的效率和质量标准要求［4，5］。因此，需要在下料阶段开发一种更有效、更可靠的注塑件焦料杂质缺陷自动检测与控制系统来保证注塑件产品质量。

在众多缺陷检测技术中，机器视觉是一种软件与硬件相结合的方法，在设备中提供操作控制，具有执行图像捕获、处理和关键属性测量等功能［6］。相比于传统的人眼观察缺陷检测方法，基于机器视觉的焦料杂质缺陷检测技术具有检测能力高、自动化程度高、实时性强及准确性高等优势，而且减少了人力资源的使用［7，8］。特别是对一些大规模重复的缺陷检测过程，比如大型注塑件缺陷检测，机器视觉作为一种非接触的、无损的检测方法可以方便地用于信息集成、自动化、智能和精确控制［9］。

因此，笔者针对上述注塑件生产线实际应用问题，基于机器视觉，融合自动化技术、图像处理技术等［10～12］，首次提出并设计了集光、机、电、算法于一体的基于机器视觉的注塑件焦料杂质缺陷检测系统，通过在下料阶段采用机器视觉识别与控制系统进行质量检查和去除有缺陷的产品，实现注塑件缺陷非接触、髙精度和全自动化的识别与控制，该系统可以有效减少人工成本和材料成本，满足先进塑料工业系统中产品生产效率和质量标准日益增长的需求。

1 系统架构

注塑件缺陷检测系统的架构如图1所示，注塑件缺陷检测系统主要由注塑件缺陷检测软件和视觉检测平台两部分组成，其中视觉检测平台负责图像采集和现场检测控制，包括机械结构、可编程逻辑控制器（Programmable Logic Controller，PLC）控制系统、图像采集模块等；注塑件缺陷检测软件部分主要包括视觉检测平台控制、多光源非线性自动调光、注塑件缺陷检测图像处理算法和多相机协同控制四部分功能。工控机主要进行检测系统的检测结果显示和上位机控制。

2 系统检测原理与技术

2.1 视觉检测平台工作原理

视觉检测平台主要包括机械结构、PLC控制系统、图像采集模块等。视觉检测平台总体装置如图2a所示，主要由机架、滑台模组、推杆结构、设备固定模组组成，机架设计为底座结构，滑台模组固定在机架上，推杆结构固定在滑块上，设备固定模组固定在推杆结构上，相机模组、灯管及保温装置安装在设备固定模组上。

图像采集模块的主要任务是获取高质量的图像［13］。图像采集模块俯视图如图2b所示，图像采集模块由LED光源、相机模组组成，LED光源用于克服环境照明的干扰，保证图像采集的质量，相机模组由电荷耦合器件（Charge Coupled Device，CCD）工业相机和镜头组成，镜头主要用于CCD工业相机的焦距调整［14］。

检测系统的控制执行机构采用PLC，并对平台进行运动控制，视觉检测平台接收现场注塑成型系统检测信号时，机械结构和PLC控制系统配合可以控制检测装置进入固定位置，到位后，在检测位置打强光，CCD工业相机采集高对比度、高质量的注塑件图像，通过交换机传输到工控机进行注塑件缺陷检测，检查出焦渣缺陷后将报警信号传给注塑件成型系统，实现注塑件缺陷的平稳、安全、自动化检测与控制。

2.2 注塑件缺陷检测软件

注塑件缺陷检测软件包含4部分功能模块，分别为视觉检测平台控制、注塑件缺陷检测图像处理、多光源非线性自动调光和多相机协同控制。通过调整检测装置的位置、工作模式、控制信号、电机的速度和方向等，使视觉检测平台能平稳地和现场注塑件成型系统配合使用，系统视觉总体检测流程如图3所示，通过软件实现相机与工控机的通信，使相机可以实时采集图像数据、定时抓取图片，将数据传输到工控机进行当前照片亮度识别，通过多光源非线性自动调光，获取高质量注塑件图片；然后进行图像处理和缺陷检测，经过高斯滤波、灰度图像、自适应阈值处理、Canny边缘检测等图像处理技术，实现1 mm以上注塑件缺陷检测；最后将缺陷检测结果通知给PLC控制系统，进而利用PLC信号控制多组相机合成图片，并保存记录。

2.2.1 多光源非线性自动调光算法

注塑件的缺陷是熔融内部缺陷，光源需要透过生产过程中的注塑件，生产过程中注塑件的厚度不同，导致光源透过注塑件的均一度不同，另一方面，当图片亮度过低或者过亮时，拍到的有缺陷的图片、前景图和背景图对比度不明显，不易从背景图中识别出前景图的特征，因此根据现场生产需求，提出一种多光源非线性自动调光算法，设计使用CCD工业相机定时获取当前感兴趣区域图片，然后对采集到的即时图片进行分析处理，将准备分析的图片从24位RGB模式转换成8位灰度模式，转换过程为：将RGB3原色按固定权重进行转换，然后对灰度图进行统计分析，将图像各波段的均方根作为当前图片的亮度值，从而对图像的亮度进行量化比较。如图4所示，通过比较图片检测亮度与设定标准亮度的差值，进行光源电压PID参数自动整定，进而确定光源控制器调整比例，当差值越大时，电压调整的幅度也越大，当差值较小时，电压调整的幅度也较小，从而可实现快速、精准调整，一般经过1～3次调整，光源亮度即可调整合理区间以内，可有效实现光源强度自动调整，实现高质量图片的采集，提高缺陷识别算法的有效性。

2.2.2 注塑件缺陷检测图像处理算法

注塑件缺陷检测图像处理算法是检测系统的关键，优秀的视觉识别算法能够快速、准确地检测到图像中的目标特征，并最大限度地减少对系统硬件的依赖［15］。图像处理算法流程如图5所示，图像处理算法主要进行图像预处理和缺陷检测，接下来将详细介绍笔者所用图像处理技术。

滤波处理。在图像采集和传输过程中有可能产生各种图像噪声，这些噪声降低了图像质量，进而对图像分析产生了不利影响。通常采用滤波的方式对原始图像去噪［16］，笔者采用高斯滤波对原始图像进行去噪，利用二维高斯核函数对原始图像进行卷积运算处理，来保证图像缺陷特征清楚。高斯滤波采用下式进行：

其中，σ为定义邻域大小的参数；G（x）为二维的高斯核函数。

灰度图像。图像采集模块采集的注塑件图像数据是彩色图像，系统在注塑件缺陷识别过程中对颜色信息并不关心，笔者采用的灰度化算法为平均值法，用新值填充图像就是所要得到的灰度图像。

阈值处理。经过高斯降噪和灰度化处理之后，图像能明显地显示出主要边缘信息，为了使后面的缺陷边缘提取效果更好，此时需要再对图像进行灰度二值化处理，即阈值处理［17］。

笔者采用自适应阈值处理，利用OpenCV中的adaptiveThreshold函数对图像应用自适应阈值，依照检测对象的灰度表现不同而自动选择不同的公式进行计算，主要根据如下公式将灰度图像转换为二值化图像：

其中，T（x，y）是每个像素都单独计算的阈值；src（x，y）是待计算的像素值；dst（x，y）是计算后的输出结果值。

边缘检测。边缘检测是图像处理中的关键操作，图像经过预处理后，再进行Canny算子边缘处理，通过调用OpenCV中的Canny（）函数，使用Canny算法对输入图像进行边缘检测，提取出注塑件缺陷的外围轮廓，然后对缺陷的轮廓进行面积处理，并进行标记［18］。这里可识别并标记1 mm以内缺陷、1～2 mm缺陷、2～3 mm缺陷和3 mm以上缺陷。

3 系统检测原理与技术

3.1 运行环境配置

通过注塑件缺陷检测软件控制视觉检测平台采集注塑件缺陷样本图片，并进行测试和识别。机器视觉系统实验环境、配置情况和运行环境见表1。其中光源系统采用正白光大LED灯条，光效达到102.82 lm/W；相机采用1 200万分辨率，单像素精度为0.07 mm，测量误差0.219 mm；镜头选择6 mm焦距镜头；并对视觉检测系统进行标定，即得出CCD工业相机采集图像像素和实际注塑件缺陷尺寸的相互关系，关系为缺陷尺寸1 mm对应图片4个像素；图像处理算法部署环境为工控机，工控机CPU为Intel Core i7，内存16 GB，硬盘1 TB；采用Intel开源的计算机视觉库OpenCV，并利用Python接口，进行图像处理和计算机视觉开发。

3.2 结果分析

3.2.1 缺陷检测数据集标注

如图6a所示，文中的注塑件检测图像数据集来源于某塑料制品生产公司，原始的注塑件图像数据集一共包括226张注塑件缺陷图像，图片分辨率为640×640，格式为JPG。检测对象为注塑成型系统中的注塑件，缺陷的类型大多为焦料杂质缺陷，主要产生于料坯生产过程中。根据工业现场需求，可对注塑件缺陷进行尺寸标记和筛选，根据注塑件缺陷尺寸，缺陷分为1 mm以内缺陷（绿色）、1～2 mm缺陷（蓝色）、2～3 mm缺陷（黄色）、3 mm以上缺陷（红色），缺陷尺寸筛选标记如图6b所示。

3.2.2 检测性能指标及分析

系统的缺陷评价指标包括召回率TPR、误检率FPR和识别速度。计算公式如下：

其中，TP为本为缺陷并且也被判定成缺陷；FN为漏报，即本为缺陷但判定为合格；FP为误报，即本为合格但判定为缺陷；TN为本为合格并且也被判定成合格。

根据生产企业检测需求，设置不同的缺陷检测精度，不同的检测精度检测性能有所区别，1 mm以上检测精度下，召回率为0.918，误检率为0.046；2 mm以上召回率为0.930，误检率为0.043；3 mm以上召回率为0.943，误检率为0.037。在当前硬件配置下，识别速度为每秒30帧。表2为缺陷检测结果。可以看出，该系统具有较高的召回率、较低的误检率和较快的识别速度，高的召回率代表注塑件生产企业不良注塑件产品流向市场的数量越少，可以极大减少企业召回成本；误检率越低，可以给企业带来较低的物料成本损失；识别速度越快，可极大地提高注塑件缺陷检测效率。

4 结束语

注塑件缺陷识别技术在实际工业生产中发挥着不可或缺的作用，但是国内相关研究不够系统，笔者以机器视觉为基础，融合自动化技术和图像处理技术，首次提出并设计了光、机、电、算法一体化的基于机器视觉的注塑件焦料杂质缺陷检测系统，提出一种多光源非线性自动调光算法，为提高复杂环境下照片采集质量提供了思路，同时本系统能在满足精度的条件下实现注塑件缺陷快速、非接触、髙精度和全自动化识别与控制，可以有效减少人工成本和材料成本，满足先进工业系统中产品生产效率和质量标准日益增长的需求。

参 考 文 献

［1］ 周显恩，王耀南，朱青，等.基于机器视觉的瓶口缺陷检测方法研究［J］.电子测量与仪器学报，2016，30（5）：702-713.

［2］ PENUMURU D P，MUTHUSWAMY S，KARUMBU P.Identification and classification of materials using machine vision and machine learning in the context of industry 4.0［J］.Journal of Intelligent Manufacturing，2020，31（5）：1229-1241.

［3］ SONG G R，SONG K C，YAN Y H.EDRNet：encoder?decoder residual network for salient object detection of strip steel surface defects［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（12）：9709-9719.

［4］ 李赞澄，时宇航，张祥祥，等.面向螺纹缺陷检测的协同控制平台设计［J］.智能制造，2021（2）：73-76.

［5］ WANG T，CHEN Y，QIAO M N，et al.A fast and robust convolutional neural network?based defect detection model in product quality control［J］.International Journal of Advanced Manufacturing Technology，2018，94（9?12）：3465-3471.

［6］ DRUNGILAS D，KURMIS M，LUKOSIUS Z，et al.An adaptive method for inspecting illumination of color intensity in transparent polyethylene terephthalate preforms［J］.IEEE Access，2020，8：83189-83198.

［7］ QIU K P，TIAN L，WANG P.An effective framework of automated visual surface defect detection for metal parts［J］. IEEE Sensors Journal， 2021， 21（18）：20412-20420.

［8］ ALI M A H，LUN A K.A cascading fuzzy logic with image processing algorithm?based defect detection for automatic visual inspection of industrial cylindrical objects surface［J］.International Journal of Advanced Manufacturing Technology，2019，102（1?4）：81-94.

［9］ LI X M，SHU Y F，ZUO D L，et al.Machine vision of tex? tile testing and quality research［J］.Journal of Intelligent and Fuzzy Systems，2019，38（10）：1-7.

［10］ 姜燕，王悦，张旭泽，等.基于PLC的自动化机器人视觉形状特征识别算法分析［J］.制造业自动化，2021，43（1）：152-156.

［11］ JIN Z K，LIU L，GONG D F，et al.Target recognition of industrial robots using machine vision in 5G environment［J］.Frontiers in Neurorobotics，2021，15：624466.

［12］ 刘桂华，王玉玫，王静强.基于机器视觉的隔水管法兰端面位姿检测［J］.机械设计，2019，36（3）：84-90.

［13］ XIAO L，WU B，HU Y M.Surface defect detection using image pyramid［J］.IEEE Sensors Journal，2020，20（13）：7181-7188.

［14］ SUN X H，GU J A，TANG S X，et al.Research progress of visual inspection technology of steel products—A review［J］.Applied Sciences，2018，8（11）：2195.

［15］ REN Z H，FANG F Z，YAN N，et al.State of the art in defect detection based on machine vision［J］.International Journal of Precision Engineering and Manufac turing?Green Technology，2021：9-12.

［16］ CHOWDHURY D， DAS S K， NANDY S，et al.An ato? mic technique for removal of gaussian noise from a noisy gray scale image using lowpass?convoluted gaussian filter［C］//2019 International Conference on Opto?Electronics and Applied Optics （Optronix）.Piscataway：IEEE，2019.

［17］ 罗辉，崔亚飞.基于机器视觉的工件识别与定位系统设计与实现［J］.组合机床与自动化加工技术，2021（1）：101-105；109.

［18］ XIAO Y N，LI J Y.Crack detection algorithm based on the fusion of percolation theory and adaptive canny operator［C］//2018 37th Chinese Control Conference （CCC）.Piscataway：IEEE，2018：4295-4299.