鄧高生，李 迪，王世勇

(華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣州 510640)

基于差分圖像的滴塑模具殘留物檢測(cè)算法

鄧高生，李 迪，王世勇

(華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣州 510640)

模具是工業(yè)產(chǎn)品的成型工具，在滴塑加工過(guò)程中，若模具存在異物，它會(huì)導(dǎo)致下一次成型時(shí)成品出現(xiàn)孔洞，嚴(yán)重降低產(chǎn)品質(zhì)量;針對(duì)該問(wèn)題，提出了一種基于差分圖像的殘留檢測(cè)算法，首先采用基于灰度模板匹配算法定位檢測(cè)區(qū)域，再將標(biāo)準(zhǔn)圖像和當(dāng)前圖像作差分，并進(jìn)行閾值分割和形態(tài)學(xué)處理獲得二值化圖像，最后對(duì)圖像進(jìn)行連通區(qū)域分析，得到殘留物在圖像中的位置和大?。会槍?duì)環(huán)境光照變化引起的誤檢現(xiàn)象，采用了一種全局光照補(bǔ)償算法降低其影響；測(cè)試結(jié)果表明，該算法效率高并具有良好的穩(wěn)定性，適用于模具的殘留物檢測(cè)。

滴塑；殘留物檢測(cè)；差分圖像

0 引言

滴塑技術(shù)是利用高分子材料在一定溫度下具有黏流性的特點(diǎn)，在它處于黏流狀態(tài)時(shí)按照要求塑造成設(shè)計(jì)的形狀，并在一定溫度下固化成型[1]。用來(lái)完成各類顏色塑體的定型，在完成一次滴塑后，需要將塑料件從模具取出，此時(shí)有可能會(huì)出現(xiàn)部分塑料殘留物在模具上，在進(jìn)行下一次滴塑時(shí)塑料件會(huì)出現(xiàn)孔洞，影響成品率。因此每次滴塑開(kāi)始前都應(yīng)該檢測(cè)是否有殘留物。

殘留物檢測(cè)是機(jī)器視覺(jué)的重要應(yīng)用場(chǎng)景，目前也有很多研究人員根據(jù)具體使用環(huán)境提出了各自的解決方法，其中，張果勝提出基于灰度和輪廓模板的異常檢測(cè)算法[2]，馬琳采用了灰度共生矩陣實(shí)現(xiàn)了注塑模具的瑕疵檢測(cè)[3]，尹華則通過(guò)邊緣特征圖對(duì)模具的異物進(jìn)行檢測(cè)[4]，雖然他們實(shí)現(xiàn)的算法具有較高魯棒性，但算法過(guò)程比較復(fù)雜，速度較慢。

采用的檢測(cè)算法基于差分圖像，即模板圖像和當(dāng)前圖像做差值并取絕對(duì)值。首先需要對(duì)圖像進(jìn)行平滑濾波以降低噪聲對(duì)檢測(cè)算法的影響。由于機(jī)器振動(dòng)、電機(jī)丟步等問(wèn)題，模具在圖像中的位置會(huì)有少量位移，需要使用模板匹配算法修正目標(biāo)區(qū)域的位置偏差。由于設(shè)備工作環(huán)境的光線會(huì)有小幅度變化，因此需要對(duì)圖像亮度進(jìn)行補(bǔ)償。再求差分圖像并使用閾值分割方法進(jìn)行二值化，并對(duì)它進(jìn)行形態(tài)學(xué)處理以消除孤立區(qū)域和連通區(qū)域中間的縫隙，最后使用連通區(qū)域算法進(jìn)行面積測(cè)量。

1 算法過(guò)程

1.1 圖像平滑

在圖像處理系統(tǒng)中，采集的圖像由于硬件的原因，往往有各類噪聲，如敏感元器件的內(nèi)部噪聲熱噪聲、抖動(dòng)噪聲、量化噪聲等，而這些噪聲往往是隨機(jī)產(chǎn)生的，分布往往不均勻，對(duì)后續(xù)的處理有一定影響，為了抑制這些噪聲，改善成像質(zhì)量，我們需要首先對(duì)采集的圖像進(jìn)行平滑去噪處理。

常用的濾波算法包括均值濾波、中值濾波、高斯濾波，基于運(yùn)行效率和效果的考慮，本文采用高斯濾波實(shí)現(xiàn)圖像平滑。

1.2 目標(biāo)位置偏差修正

設(shè)備在運(yùn)行一定時(shí)間后，由于丟步、干擾、機(jī)器振動(dòng)等因素，會(huì)導(dǎo)致絕對(duì)定位出現(xiàn)誤差，影響測(cè)量精度，因此需要對(duì)位置進(jìn)行修正，獲取正確的目標(biāo)區(qū)域。

模板匹配算法是一種比較精確的定位算法，它通過(guò)在檢測(cè)圖像上找出與模板最相似的區(qū)域定位目標(biāo)。常用的度量灰度圖像相似度的算法有平方差、歸一化平方差、相關(guān)、歸一化相關(guān)系數(shù)等，其中歸一化相關(guān)系數(shù)的抗白噪聲能力強(qiáng)、精度較高，并具備一定的抗全局光照能力，因此本文采用該算法作為相似度度量方法，圖像的歸一化相關(guān)系數(shù)定義如下：

R(i,j)=

(1)

其中:Si,j表示檢測(cè)圖像在(i,j)處的子圖像，T表示大小為M×N的模板圖像。R(i,j)越接近1，表示相似程度越高。直接使用上式計(jì)算非常耗時(shí)，計(jì)算一次模板圖像跟檢測(cè)圖像的子區(qū)域的相似度，需要進(jìn)行2MN次乘法運(yùn)算，因此有學(xué)者提出快速模板匹配算法[5]，使用積分圖、平方積分圖加速相關(guān)系數(shù)降低計(jì)算量。

本文采用的相機(jī)分辨率是2 592×1 944，如圖1，(a)是目標(biāo)區(qū)域，大小為1 703×1 792；(b)是含有殘留物的模具(圓圈部分是殘留物)，矩形是識(shí)別定位的結(jié)果。

圖1 使用模板匹配算法匹配目標(biāo)

1.3 光照補(bǔ)償

拍攝圖像時(shí)光源的屬性，如它的顏色、亮度、照射角度等都會(huì)對(duì)圖像產(chǎn)生一定程度的影響。有效地克服光照影響始終是圖像處理中必不可少的環(huán)節(jié)，也是計(jì)算機(jī)視覺(jué)技術(shù)中尚未完全解決的技術(shù)難點(diǎn)之一[6]。圖像的光照條件會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生較大影響。對(duì)于本文設(shè)備，光照主要發(fā)生了全局變化，可以通過(guò)對(duì)圖像的灰度直方圖進(jìn)行調(diào)整實(shí)現(xiàn)。

一般情況下，光照越強(qiáng)，圖像灰度值的均值越大，亮度變化越大，即灰度值的方差越大，反之，光照越小，均值越小，亮度變化越小，方差越小?；谶@個(gè)關(guān)系，可以使用均值和方差對(duì)實(shí)際采集的圖像的灰度值進(jìn)行線性變換，以達(dá)到補(bǔ)償亮度目的，下式是變換的表達(dá)式：

(2)

下標(biāo)T表示模板圖像，下標(biāo)S表示當(dāng)前采集的圖像。σ表示圖像的方差，u是圖像的均值。

1.4 圖像差分

圖像差分算法常常應(yīng)用在目標(biāo)跟蹤、缺陷檢測(cè)中，它的原理是通過(guò)將兩幅圖像相減并取絕對(duì)值，從而去除兩幅圖像間相同的區(qū)域，而只保留它們存在差異的地方。

本文使用彩色相機(jī)，將RGB3個(gè)通道的差分圖像求絕對(duì)值后相加即可。

R=|SR-TR|+|SG-TG|+|SB-TB|

(3)

1.5 閾值分割

得到差分圖像后，需要對(duì)圖像進(jìn)行二值化處理，以便進(jìn)行連通區(qū)域計(jì)算。

OTSU算法[7]是一種常用的自動(dòng)確定閾值的算法，又稱為類間方差最大法，在1980由大津展之提出。它是基于判決分析最小二乘原理上推導(dǎo)得到，思想是采用某個(gè)灰度閾值，將圖像分為兩組，求這兩組各自方差，并求它們差值。如圖2，(b)是使用OSTU閾值分割得到的二值化圖像，算法選取的最佳閾值是45，獲取閾值耗時(shí)2.6 ms，二值化耗時(shí)1 ms，耗時(shí)較短，可以滿足檢測(cè)要求。

圖2 使用OTSU算法二值化后的圖像

1.6 形態(tài)學(xué)運(yùn)算

由于光照和成像噪聲，閾值分割后的圖像存在許多小面積的顆粒狀區(qū)域，有些較大的區(qū)域被分割成多個(gè)小區(qū)域，前者引入了偽缺陷，后者有可能導(dǎo)致檢測(cè)失敗，為了提高缺陷識(shí)別準(zhǔn)確率，本文需要對(duì)閾值分割后的圖像進(jìn)行形態(tài)學(xué)運(yùn)算。數(shù)學(xué)形態(tài)學(xué)[8]形成于1964年，由馬瑟榮和他學(xué)生提出。它的基本原理是使用特定的結(jié)構(gòu)元素掃描每個(gè)像素點(diǎn)，以達(dá)到改善形狀結(jié)構(gòu)，去除不相關(guān)結(jié)構(gòu)，修復(fù)區(qū)域的目的。常用形態(tài)學(xué)的運(yùn)算包括膨脹、腐蝕、開(kāi)運(yùn)算、閉運(yùn)算、頂帽變換、骨骼化等[9]。

本文需要去除細(xì)微孤立區(qū)域并連接相近的較大的區(qū)域，針對(duì)該情況，單單使用膨脹或腐蝕效果是較差的，而使用開(kāi)運(yùn)算、閉運(yùn)算會(huì)有較好效果。如圖3，(a)是二值化圖像；(b)則是先進(jìn)行開(kāi)運(yùn)算，再膨脹，算法在去除孤立區(qū)域的同時(shí)也填充了中間的縫隙。

圖3 形態(tài)學(xué)處理結(jié)果

1.7 殘留區(qū)域測(cè)量

預(yù)處理后的二值圖像需要進(jìn)一步測(cè)量以獲取每塊殘留物的大小、位置，方便軟件操作人員用工具剔除。輪廓跟蹤和連通區(qū)域標(biāo)記均可以實(shí)現(xiàn)測(cè)量物體的幾何形狀和特征，但前者僅能得到被測(cè)物體的外輪廓，在一些特殊情況，比如殘留物體內(nèi)部有孔洞，則影響幾何參數(shù)的測(cè)量。連通區(qū)域標(biāo)記則不會(huì)出現(xiàn)該情況，因此本文使用連通區(qū)域獲取殘留物參數(shù)。完成連通區(qū)域標(biāo)記后，即可測(cè)量出殘留物的面積和位置。

連通區(qū)域的面積A等于該區(qū)域像素點(diǎn)的總數(shù)，在連通區(qū)域標(biāo)記的過(guò)程中就可以計(jì)算出來(lái)，對(duì)所有屬于該區(qū)域的像素點(diǎn)坐標(biāo)求均值即可獲取中心位置，即：

(4)

如圖4，矩形內(nèi)是檢測(cè)到的殘留物，它的位置是(1 237.73，725.15)，面積為8 886。

圖4 殘留測(cè)量結(jié)果

2 實(shí)驗(yàn)結(jié)果

本文的測(cè)試環(huán)境是i3-3220 3.3 GHz，4 G內(nèi)存，拼接的圖像分辨率是2 592×1 944，進(jìn)行耗時(shí)和穩(wěn)定性測(cè)試。

2.1 耗時(shí)測(cè)試

對(duì)于大部分模具，殘留檢測(cè)的時(shí)間在一秒以下即可保證工作效率。

表1是處理其中一幀圖像時(shí)以上各個(gè)處理過(guò)程的耗時(shí)，總耗時(shí)約340 ms，滿足加工過(guò)程要求。從表1可以看到，匹配定位占用最多時(shí)間，達(dá)到280 ms，占檢測(cè)總耗時(shí)超過(guò)80%，說(shuō)明該算法效率還有待提升，若能得到較大改善，可以大幅提升檢測(cè)算法的速度。

表1 各處理過(guò)程耗時(shí)

2.2 穩(wěn)定性測(cè)試

將一塊殘留物放置在模具的某個(gè)位置，對(duì)它進(jìn)行一定時(shí)間的測(cè)量，觀察每次測(cè)量的殘留物位置和面積，若都能在一定誤差范圍內(nèi)，則檢測(cè)算法在殘留物處于靜態(tài)時(shí)是穩(wěn)定的。

表2是隨機(jī)抽取的10幀圖像的測(cè)量參數(shù)。對(duì)于坐標(biāo)，它的浮動(dòng)范圍是指坐標(biāo)測(cè)量的最大值減去最小值，面積的浮動(dòng)范圍是它的最大值和最小值的差占面積均值的百分比?？梢钥吹綑z測(cè)到的殘留物位置和面積都是比較穩(wěn)定的，浮動(dòng)在十幾個(gè)像素左右，對(duì)檢測(cè)沒(méi)有影響。

表2 檢測(cè)算法穩(wěn)定性測(cè)試1

除此以外，還應(yīng)該確保殘留物在任意位置都可以檢測(cè)穩(wěn)定。本文的測(cè)試方案是：將4塊殘留物放置在目標(biāo)區(qū)域，測(cè)量它們各自的面積，然后將它們都移動(dòng)到另外一個(gè)位置再進(jìn)行測(cè)量，反復(fù)進(jìn)行10次，觀察結(jié)果是否穩(wěn)定。

表3是測(cè)試結(jié)果，可以看到，它們的浮動(dòng)都在5%以下，說(shuō)明檢測(cè)算法具有較高穩(wěn)定性，適合本文使用。

表3 檢測(cè)算法穩(wěn)定性測(cè)試2

2.3 光照補(bǔ)償測(cè)試

將光源調(diào)亮后，若不使用光照補(bǔ)償，則會(huì)得到如圖5(a)的二值化圖，出現(xiàn)了很多誤檢區(qū)域，圖5(b)是經(jīng)過(guò)補(bǔ)償后的二值化圖，未調(diào)亮前的殘留物大小是8880個(gè)像素，經(jīng)過(guò)補(bǔ)償后檢測(cè)的大小為8310個(gè)像素，相差不大，說(shuō)明算法在光照變化較大時(shí)依然能保證判定正確。

圖5 光照補(bǔ)償對(duì)比

3 結(jié)論

針對(duì)每次滴塑完成后模具上會(huì)有殘留物的問(wèn)題，本文基于機(jī)器視覺(jué)技術(shù)，提出了一種采用差分圖像的檢測(cè)算法，輸入圖像經(jīng)過(guò)平滑濾波后，通過(guò)模板匹配、亮度的線性補(bǔ)償算法、形態(tài)學(xué)處理和連通區(qū)域標(biāo)記算法測(cè)量出殘留物的位置和大小。經(jīng)過(guò)測(cè)試表明，該檢測(cè)算法具有較高的穩(wěn)定性并具有較高的抗光照干擾能力，能夠滿足滴塑的生產(chǎn)要求。

[1] 郭 偉. 淺談滴塑工藝技術(shù)[J].今日印刷,2008(8):37-39.

[2] 馬 琳,王直杰,朱曉明,等. 基于灰度共生矩陣的注塑模具瑕疵檢測(cè)[J]. 電子設(shè)計(jì)工程,2015(7):138-140.

[3] 張果勝. 基于模板的異常檢測(cè)系統(tǒng)及其關(guān)鍵技術(shù)研究[D].長(zhǎng)沙：中南大學(xué),2010.

[4] 尹 華. 制筆生產(chǎn)中復(fù)雜模具異物檢測(cè)算法研究[D].杭州：浙江理工大學(xué),2012.

[5] 邵 平, 楊路明, 黃海濱, 等. 基于積分圖像的快速模板匹配[J]. 計(jì)算機(jī)科學(xué), 2006(12):225-229.

[6] 楊金鋒, 師一華, 熊興隆. 光照處理中改進(jìn)的Gamma矯正方法[J]. 中國(guó)民航學(xué)院學(xué)報(bào), 2006(4):39-42.

[7] Otsu N. A threshold selection method from gray-level histograms[J]. Automatica,1975, 11: 23-27.

[8] Sinha D, Giaridna C R.Discrete black and white object recognition via morphological function[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(3):275-293.

[9] Gonzalez R C,Wood R E. Digital image processing[M].Third Edition. Online:Pearson Education India, 2011:27-31.

Plastic Drop Mold Residual Detection Algorithm Based on Difference of Image

Deng Gaosheng,Li Di,Wang Shiyong

(School of Mechanical and Automotive Engineering, South China University of Technology，Guangzhou 510640，China)

Mold is forming tool for industry products. For plastic drop process, the mold residue will cause the worse quality of the product. As for this problem, it proposes a residual detection algorithm based on difference image. First, template matching algorithm based on gray image is used to locate the detection area. Then it calculates the difference of standard image and current image. Binary image is obtained by thresholding and making morphology processing on the difference image. Finally, it calculates the position and size of residuals by connected component analysis. As for mistake detection problem caused by illumination changing , a global illumination compensation algorithm is used to reduce its impact.The test result shows it has high efficiency and stability and is suitable for mold residue detection.

plastic drop; residue detection; difference of image

2016-06-08；

2016-07-08。

國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAF20B01)；廣東省科技計(jì)劃項(xiàng)目(2012A090100012, 2013B010134010, 2014B090921003，2014A050503009)；廣州市科技計(jì)劃項(xiàng)目(201508030007,201604010064)。

鄧高生(1991-)，男，廣東茂名信宜人，碩士研究生，主要從事機(jī)器視覺(jué)方向的研究。

1671-4598(2016)12-0014-03

10.16526/j.cnki.11-4762/tp.2016.12.005

TP29

A