化春鍵，鄧朝省，陳 瑩

(1.江南大學 機械工程學院，江蘇 無錫214122;2.江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫214122;3.江蘇省食品先進制造裝備技術(shù)重點實驗室 江南大學，江蘇 無錫214122)

0 引 言

基于機器視覺的工業(yè)產(chǎn)品表面缺陷檢測技術(shù)是保證印刷品質(zhì)量的有效手段，大量代替了人工的檢測，比人工檢測更穩(wěn)定精確，成為當前工業(yè)產(chǎn)品表面缺陷檢測研究的主流［1，2］。

在進行表面缺陷檢測之前，先對標準圖像和待檢測圖像進行圖像對準，之后利用差影法對待測圖像與模板圖像的灰度值進行比較，求出兩者在灰度值上存在的差異來定位缺陷，是目前最為廣泛使用，且最為簡單有效的方法。但由于配準誤差和產(chǎn)品制作過程中不可避免地存在一定程度的工藝偏差，以及由于產(chǎn)品材料的輕微變形和機械的抖動等影響，傳統(tǒng)差影法容易造成缺陷誤判。為此，楊歐等人［3］提出一種多模板檢測算法，通過設(shè)置亮、暗兩種模板來去除差影圖像中的輪廓偽影，獲取印刷缺陷，但該方法需要獲取兩種模板，現(xiàn)場實用性較差。趙宇峰等人［4］針對于環(huán)境光線的變化和配準誤差問題，提出一種統(tǒng)計平均差影法，即根據(jù)各個樣本像素值的概率分布求出統(tǒng)計平均值作為模板圖像來進行差影操作，但是對于小面積的缺陷存在一定的漏檢。

由于輪廓偽影主要分布在圖案的邊緣，因此，可考慮先提取出標準圖像的輪廓邊緣，經(jīng)數(shù)學形態(tài)學處理后得到掩模圖像，再與有輪廓偽影圖像的差分圖像進行比對，除去輪廓偽影。但單掩模方法只能檢測紋理增加型缺陷，而無法檢測紋理減少型缺陷。為此，本文提出一種基于雙掩模的圖像差影缺陷檢測方法，能有效消除輪廓偽影，檢測多種類型缺陷，而且執(zhí)行簡單，滿足在線檢測的實時性要求。

1 單掩模差影法及其分析

1.1 差影法

產(chǎn)品表面缺陷表現(xiàn)在圖像上，即為待檢測圖像缺陷處的灰度值與標準圖的差異，將待檢測圖像的灰度值同標準圖像進行差分(像素值相減)，判斷其差值(2 幅圖灰度值的相差程度)是否超出預(yù)先設(shè)定的標準值范圍，就能判斷出產(chǎn)品表面有無缺陷。

差影法，即圖像對應(yīng)像素相減是最直接的缺陷檢測方法，待檢測圖像P 和標準圖像T 在經(jīng)過位置對準后，在對應(yīng)的(x，y)位置上的絕對差異所產(chǎn)生的差分圖像，可表示為

差影的目的是將兩副圖像相同的背景圖案消除，從而分割出圖像的差異之處，得到有缺陷的圖像。但由于圖像配準誤差和產(chǎn)品生產(chǎn)過程再現(xiàn)的不穩(wěn)定性，直接利用差分圖像進行缺陷檢測往往會發(fā)生紋理輪廓部分的誤檢。如圖1所示，雖然模板圖像與校正后的待測圖像幾乎完全相同，但由于校正誤差的存在，仍然會使得檢測結(jié)果出現(xiàn)誤檢。

圖1 傳統(tǒng)差影法缺陷檢測示意圖Fig 1 Defect detection diagram of traditional subtraction method

從圖1 中可以看出，輪廓偽影主要分布在圖案的邊緣，如果能夠?qū)⑦@些處在邊緣處的偽影去掉，那么就可以得到只含缺陷的圖像。為此，人們以圖像邊緣為基礎(chǔ)建立掩模圖像，以消除校準誤差對缺陷檢測的影響。

1.2 掩模圖像

為建立掩模圖像，首先將模板圖像灰度化，并求取其Canny 邊緣，得到一幅二值邊緣圖像D(x，y)。然后，檢索D(x，y)中值為1 的像素點，設(shè)此像素點為(i，j)，則令

即令點(i，j)四周s 距離內(nèi)的像素點值均為1，這樣便得到一幅邊緣加粗了的二值圖像，其中，s 為賦值步長，s 越大，圖像的邊緣就越粗;s 越小，圖像的邊緣就越細，s 最小為1。最后再將邊緣加粗了的二值圖像取反，使它的像素點值0 和1互換，即原來模板圖像中有紋理的地方在D(x，y)中相對應(yīng)的地方像素值為0。此二值圖像即為掩模圖像Mp(x，y)，如圖2 所示。

圖2 圖像掩模Fig 2 Image mask

1.3 缺陷檢測

基于掩模的缺陷檢測就是用模板圖像和測圖像分別與掩模圖像卷積，依次得到模掩圖像和測掩圖像，然后這兩幅圖像相減并取其絕對值得到缺陷圖像。最后判斷該缺陷圖像是否存在明顯的白色斑塊:若不存在，為合格產(chǎn)品;若存在，進一步求出缺陷詳細信息，為瑕疵品。

2 基于雙掩模的產(chǎn)品表面缺陷檢測

2.1 單掩模檢測分析

假設(shè)模板圖像如圖3(a)所示，校準后的待測圖像如圖3(b)所示，其中，待測圖像N(x，y)有兩處缺陷，一處為紋理增加性的缺陷刀絲，位置在圖像的最上端;另一處為紋理減少性的缺陷文字漏印，位置在圖像的右上端，即作者名字“馬若丹”發(fā)生了漏印。

在單掩模檢測中，如式(3)所示，首先用模板圖像P(x，y)和測圖像T(x，y)分別與掩模圖像Mp(x，y)卷積，依次得到模掩圖像Pp(x，y)和測掩圖像Tm(x，y)，然后這兩幅圖像相減并取其絕對值得到缺陷圖像Ep(x，y)

由式(3)可以分別求出模掩圖像Pp(x，y)和測掩圖像Tp(x，y)，如圖3(c)和3(d)所示，若待測圖像出現(xiàn)了例如墨點、壓痕或者刀絲這樣紋理增加性的缺陷時，由于Pp(x，y)≠Tp(x，y)，則Ep(x，y)≠0，即紋理增加性的缺陷會被正確檢測出來。由式(4)可以求得缺陷圖像Ep(x，y)，如圖3(e)所示。

圖3 模板掩模檢測Fig 3 Defects detection using template mask

從圖3(e)中同時可以看出:由于模板圖像中有細密紋理處在Mp(x，y)中相對應(yīng)的地方像素值為0，若待測圖像T(x，y)出現(xiàn)了例如漏印這樣紋理缺少性的缺陷時，會有Pp(x，y)=Tp(x，y)，此時Ep(x，y)=0，即紋理缺少性的缺陷會漏檢，不能滿足缺陷檢測的要求。

與基于模板的掩模圖像相似，基于待測圖像也可得到掩模圖像，文中稱之為待測掩模Mt(x，y)，如圖4(a)所示。與模板掩模檢測類似，用模板圖像以及待測圖像分別與Mt(x，y)卷積，依次得到模掩圖像Pt(x，y)和測掩圖像Tt(x，y)，然后這兩幅圖像相減并取其絕對值得到缺陷圖像Et(x，y)，其檢測如圖4 所示，由于待測圖像中有紋理的地方在Mt(x，y)中相對應(yīng)的地方像素值為0，若待測圖像出現(xiàn)了例如墨點、壓痕或者刀絲這樣紋理增加性的缺陷時，會有Pt(x，y)=Tt(x，y)，那么，Et(x，y)=0，即紋理增加性的缺陷會漏檢。相反的，若待測圖像出現(xiàn)了例如漏印這樣紋理缺少性的缺陷時，那么，Et(x，y)≠0，即紋理缺少性的缺陷會被正確檢測出來。

圖4 待測掩模檢測Fig 4 Defects detection using test mask

2.2 雙掩模融合

由單掩模檢測分析可知，無論采用由模板圖像制作的掩模圖像Mp(x，y)還是采用由待測圖像制作的掩模圖像Mt(x，y)，都會出現(xiàn)缺陷漏檢的情況。因此，設(shè)計雙掩模融合策略，令掩模

融合掩模如圖5(a)所示。同樣用模板圖像和待測圖像分別與M(x，y)卷積，得到模掩圖像Pm(x，y)和測掩圖像Tm(x，y)，然后這兩幅圖像相減并取其絕對值得到缺陷圖像E(x，y)，其檢測如圖5 所示。

由圖5 可以看出:采用雙掩模差分算法能夠?qū)⒓y理缺失型和紋理增加型兩種情況下的缺陷全部正確無誤檢測出來。

2.3 缺陷參數(shù)確定

為消除噪聲點影響并獲取缺陷參數(shù)，采用Blob 算法分析［5］，首先將缺陷圖像進行二值化，并先后執(zhí)行結(jié)構(gòu)元素為圓盤，大小分別為1 像素的腐蝕操作和大小為5 像素的膨脹操作，然后利用序貫算法進行連通域分析，刪除面積過小或高度/寬度僅為一個像素的斑點。剩余斑點視為缺陷斑點，其參數(shù)可通過下列方法確定缺陷參數(shù):

1)缺陷數(shù)量:根據(jù)標記的連通區(qū)域的個數(shù)可以知道缺陷的數(shù)量，即連通區(qū)域的標記數(shù)目。

2)缺陷的大小:通過計算每個連通區(qū)域中像素點的個數(shù)可以求出缺陷的大小。

3)缺陷的位置:缺陷的位置(x，y)可以通過缺陷Blob的質(zhì)心坐標求得，即

式中 (xmin，ymin)為該缺陷Blob 左上角坐標，(xmax，ymax)為該Blob 右下角坐標。

3 實驗結(jié)果與分析

為驗證本文方法的有效性，將匹配算法應(yīng)用于實際拍攝的產(chǎn)品圖像，在利用基于圖像塊的SIFT 雙閾值匹配算法對待測圖像進行匹配校正［6］后，采用基于雙掩模的差影算法檢測缺陷，最后利用Blob 算法分析［5］缺陷信息。部分檢測結(jié)果如圖6 所示，其中，各子圖中的左圖為二值Blob 圖，右圖為標注了缺陷區(qū)域的待測圖像即檢測結(jié)果。

圖6 檢測結(jié)果Fig 6 Detection results

為驗證算法的整體性能，采用大小均為1200×800 的500 對印刷圖像［7］作為實驗素材。其中，對250 張待測圖像進行不同類型缺陷的模擬處理，然后再繼續(xù)分別對這250 張待測圖像進行旋轉(zhuǎn)10°，20°，30°，40°，50°，60°，來模擬待測圖像在傳送帶上發(fā)生了旋轉(zhuǎn)的情況。檢測過程同上，其缺陷檢測結(jié)果如表1 所示。

表1 缺陷檢測結(jié)果Tab 1 Defects detection results

由表1 可以看出:每張圖像的耗時很小，而且無論是缺陷檢測的漏檢率還是誤檢率也都很小，基本達到了企業(yè)的實際生產(chǎn)要求，即本文算法在達到了較高的檢測精度的同時，也大幅度地節(jié)省了時間。

4 結(jié) 論

本文針對傳統(tǒng)差影法對配準精度要求高的問題，在傳統(tǒng)差影法的基礎(chǔ)上結(jié)合雙掩模進行缺陷檢測改進。首先分析了單掩模檢測的優(yōu)缺點，根據(jù)其不足之處，采用雙掩模檢測算法，通過實驗仿真證明:該方法能同時定位工業(yè)產(chǎn)品圖片中不同類型的缺陷，有較高的準確率，且速度快，滿足實時要求。

［1］ 鄭金駒，李文龍，王瑜輝，等.QFP 芯片外觀視覺檢測系統(tǒng)及檢測方法［J］.中國機械工程，2013，24(3):290－294，301.

［2］ 厲曉飛.基于機器視覺的汽車零件缺陷檢測技術(shù)研究［D］.武漢:武漢理工大學，2012.

［3］ 楊 歐，郭寶平，胡 濤，等.多模板檢測算法在印刷品缺陷檢測中的應(yīng)用［J］.包裝工程，2007，28(3):55－57，68.

［4］ 趙宇峰，高 超，王建國.基于機器視覺的工業(yè)產(chǎn)品表面缺陷檢測算法研究［J］.計算機應(yīng)用與軟件，2012，29(2):152－154.

［6］ Moeslund Thomas B.Introduction to video and image processing［M］.London:Springer－Verlag，2012:103－115.

［5］ 鄧朝省，陳 瑩.基于局部SIFT 特征點的雙閾值配準算法［J］.計算機工程與應(yīng)用，2014，50(2):189－193.

［7］ 昵圖網(wǎng).印刷圖像大全［EB/OL］.［2013—10—15］.http:∥www.nipic.com/show/4/129/a31fa5b0f52cc549.html.