劉新

摘 要：在缺陷檢測(cè)過(guò)程中，由于光照角度和亮度等因素導(dǎo)致采集的圖像亮度較小，對(duì)比度不明顯，使用一般相機(jī)采集某些材料表面圖像時(shí)不能取得較好的效果。工業(yè)相機(jī)成像質(zhì)量通常高于普通相機(jī)，因此利用Basler工業(yè)相機(jī)獲取絲綢材料表面缺陷，基于圖像處理缺陷檢測(cè)技術(shù)提取絲綢表面缺陷圖像。首先對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，得到單通道灰度圖像，以便進(jìn)行圖像二值化處理。由于二值化圖像有噪聲點(diǎn)，用簡(jiǎn)單的模糊處理無(wú)法有效消除，需對(duì)圖像進(jìn)行開(kāi)運(yùn)算。將圖像腐蝕后再進(jìn)行膨脹，基本上可解決圖像噪聲問(wèn)題，根據(jù)最后提取的圖像輪廓進(jìn)行篩選，提取出輪廓缺陷。經(jīng)過(guò)檢測(cè)發(fā)現(xiàn)，該算法對(duì)工業(yè)工件表面缺陷提取更準(zhǔn)確，效果更好，可高效檢測(cè)絲綢表面缺陷，提高生產(chǎn)效率。

關(guān)鍵詞：Basler工業(yè)相機(jī);絲綢表面缺陷檢測(cè);形態(tài)學(xué)膨脹;圖像腐蝕;輪廓提取

DOI：10. 11907/rjdk. 182627

中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）006-0167-04

Abstract： In the process of defect detection， due to some reasons such as illumination angle and brightness， the brightness of the captured images is relatively small， and the contrast is not obvious. Cameras with general performances can not achieve good results for some materials' surface image acquisition. Industrial cameras typically have higher imaging quality than normal cameras. This paper mainly uses Basler industrial camera to obtain the defects of silk material surface， and extracts the image of silk surface defect obtained based on image processing defect detection technology. The first step is to perform grayscale conversion on the image to obtain a single-channel grayscale image， which is beneficial to image binarization. Since the binarized image still has some noise points， the mere use of the blurring of these noise points does not produce good effects. Therefore， the image is opened first， and the image is etched to obtain an image that is eroded to basically solve the problem of image noise， the resulting image contour extraction and screening finally extracts contour defects. After the final test， the algorithm has achieved good results in the extraction of surface defects of some industrial workpieces， and it is more accurate and efficient to detect defects on the silk surface and improve production efficiency.

Key Words： Basler industrial camera; silk surface defect detection; morphological expansion; image corrosion; contour extraction

0 引言

由于受生產(chǎn)工藝、機(jī)械精度等不確定因素的影響，絲綢產(chǎn)品常出現(xiàn)多種表面缺陷。由于傳統(tǒng)人工檢測(cè)方法存在主觀因素影響和肉眼局限性，不能滿足客戶對(duì)產(chǎn)品的質(zhì)量要求;同時(shí)普通相機(jī)圖像分辨率較低，因此，本文使用Basler工業(yè)相機(jī)采集產(chǎn)品圖像。近年來(lái)，隨著科學(xué)技術(shù)的發(fā)展與進(jìn)步，機(jī)器視覺(jué)和圖像處理技術(shù)被應(yīng)用于絲綢缺陷檢測(cè)，雖然利用Basler工業(yè)相機(jī)采集圖像的技術(shù)已被應(yīng)用于多個(gè)領(lǐng)域，但針對(duì)紋理復(fù)雜、缺陷較多且表面凹凸與缺陷幾乎相似的絲綢表面缺陷檢測(cè)研究，目前國(guó)內(nèi)還屬于空白狀態(tài)。同時(shí)雖然Basler工業(yè)相機(jī)采集的圖像精度較高，但實(shí)時(shí)圖像與標(biāo)準(zhǔn)圖像在空間上不可能完全對(duì)齊，所以在缺陷檢測(cè)之前需要先將實(shí)時(shí)圖與標(biāo)準(zhǔn)圖配準(zhǔn)。

本文在經(jīng)典圖像配準(zhǔn)算法的基礎(chǔ)上，結(jié)合實(shí)際技術(shù)要求，提出適合于絲綢缺陷檢測(cè)系統(tǒng)的圖像配準(zhǔn)算法。針對(duì)純文本圖像，首先采用基于數(shù)學(xué)形態(tài)學(xué)和霍夫變換求其旋轉(zhuǎn)變換參數(shù)[1]，然后利用基于傅立葉相位相關(guān)原理的方法求其平移變換參數(shù)[2]。基于幾種典型缺陷檢測(cè)算法提出一種新的基于邊緣檢測(cè)算子銳化及幾何特征的滑動(dòng)矩形窗圖像差分檢測(cè)方法，該方法在滑動(dòng)矩形窗后得到差分圖像，再利用八鄰域的概念對(duì)具有一定實(shí)際意義、一定面積的缺陷區(qū)域進(jìn)行顏色標(biāo)記，最后統(tǒng)計(jì)標(biāo)號(hào)個(gè)數(shù)i，根據(jù)i是否大于零判斷該絲綢產(chǎn)品是否為缺陷品。

針對(duì)Basler工業(yè)相機(jī)獲取的圖像對(duì)比度較低的問(wèn)題，首先提高圖像亮度和對(duì)比度 [3-4]，然后設(shè)定閾值，對(duì)圖像進(jìn)行二值化操作[5]，再對(duì)圖像進(jìn)行腐蝕操作，去除圖像斑點(diǎn)狀噪聲[6]，由于腐蝕處理會(huì)使圖像邊界信息有所損失，需對(duì)圖像進(jìn)行膨脹操作[7]，在消除噪聲的同時(shí)保留圖像缺陷基本輪廓，最后對(duì)圖像進(jìn)行輪廓提取和面積計(jì)算[8]，利用閾值篩選出缺陷部分輪廓，從而完成圖像缺陷輪廓提取[9]。該缺陷檢測(cè)技術(shù)可應(yīng)用于絲綢生產(chǎn)線產(chǎn)品進(jìn)給，應(yīng)用本文提出的圖像配準(zhǔn)算法與缺陷檢測(cè)算法進(jìn)行絲綢缺陷在線檢測(cè)實(shí)驗(yàn)，驗(yàn)證算法可行性。

1 圖像亮度值與對(duì)比度提升

在利用機(jī)器視覺(jué)系統(tǒng)采集絲綢表面缺陷圖像時(shí)，由于光照角度和亮度等原因?qū)е聢D像亮度較小，對(duì)比度不強(qiáng)，所以圖像中部分缺陷表現(xiàn)不明顯，此時(shí)進(jìn)行圖像識(shí)別和缺陷提取無(wú)法達(dá)到理想效果，需對(duì)圖像進(jìn)行預(yù)處理提高圖像對(duì)比度和亮度值[10]。

4 圖像輪廓提取與輪廓篩選

對(duì)圖像進(jìn)行二值閾值處理及生態(tài)學(xué)操作可明顯減少圖像噪聲點(diǎn)，對(duì)圖像進(jìn)行Canny邊緣提取的效果有明顯提升作用[17]?；谏鲜銮闆r對(duì)圖像進(jìn)行輪廓查找、輪廓面積計(jì)算，然后進(jìn)行面積篩選 ，可取得很好的效果。

圖像輪廓提取有多種方法，本文主要應(yīng)用基于收縮理論的輪廓提取算法，收縮法初始時(shí)定義一個(gè)大輪廓作為原始輪廓，順時(shí)針尋找收縮點(diǎn)，不斷收縮原始輪廓，直至無(wú)法找到收縮點(diǎn)，最終得到圖像輪廓。算法復(fù)雜度雖較高，但初始輪廓易確定。本文首先定義一個(gè)矩形（輪廓周圍最小矩形左上角點(diǎn)和右下角點(diǎn)）輪廓邊界，然后基于收縮理論，利用點(diǎn)的8連通性和邊緣的4連通性提取圖像輪廓[18]，最后尋找到最小包圍矩形輪廓，圖像輪廓后需進(jìn)行輪廓區(qū)域面積計(jì)算，通過(guò)輪廓面大小篩選有缺陷區(qū)域的輪廓值。最終提取得到圖像缺陷部分的輪廓，篩選出有一定實(shí)際意義、一定面積的缺陷區(qū)域進(jìn)行綠顏色標(biāo)記，最后統(tǒng)計(jì)標(biāo)號(hào)個(gè)數(shù)i，根據(jù)i是否大于零判斷該絲綢產(chǎn)品是否為缺陷品。

輪廓繪制及篩選代碼如下：

findContours（thresholdImage， contours， hierarchy， CV_RETR_CCOMP， CHAIN_APPROX_SIMPLE）;

for （int i = 0; i < contours.size（）; i++）

{

RotatedRect box = minAreaRect（Mat（contours[i]））;

Point2f vertex[4];

box.points（vertex）;

double aera = contourArea（contours[i]）;

for（int i = 0; i < contours.size（）; i++）

{

minRects[i] = minAreaRect（Mat（contours[i]））;

Scalar color = Scalar（rng.uniform（0，255），rng.uniform（0，255）， rng.uniform（0，255））;

drawContours（dst， contoursPloy， i， color， 1，8，std：：vector（）， 0， Point（0， 0））;

Point2f rectPoints[4];

minRects[i].points（rectPoints）;

for （int j = 0; j < 4; j++）

{

line（dst， rectPoints[j]， rectPoints[（j+1）%4]， color， 1， 8， 0）;

}

}

cout << "第" << i << "個(gè)面積是：" << aera;

if（aera>3 && aera < 10）

{

continue;

}

for （int j = 0; j <= 3; j++）

{

line（rawImage， vertex[j]， vertex[（j + 1） % 4]， Scalar（0， 255， 56）， 2， LINE_AA）;

}

}

5 結(jié)果分析與展示

首先大幅提升圖像對(duì)比度和亮度值，再對(duì)圖像進(jìn)行二值化和形態(tài)學(xué)處理，得到噪聲點(diǎn)較小的圖像，然后提取圖像輪廓，通過(guò)輪廓像素面積對(duì)圖像進(jìn)行篩選，得到絲綢表面輪廓面積較小的缺陷，最終提取出效果如圖3所示。圖像缺陷部分展現(xiàn)得非常明顯，整個(gè)圖像沒(méi)有任何干擾該缺陷的因素和噪聲。

6 結(jié)語(yǔ)

針對(duì)圖像不同的缺陷，需利用不同的算法思想對(duì)圖像進(jìn)行合理處理。本次實(shí)驗(yàn)?zāi)康闹饕翘崛〗z綢表面凸起缺陷，通過(guò)對(duì)圖像進(jìn)行二值化和形態(tài)學(xué)處理得到噪聲點(diǎn)較小的圖像，在此基礎(chǔ)之上提取圖像輪廓，根據(jù)輪廓像素面積對(duì)圖像進(jìn)行篩選，經(jīng)過(guò)一系列處理，最終得到了比較滿意的實(shí)驗(yàn)結(jié)果。該技術(shù)如運(yùn)用到制造業(yè)工廠，不僅可大幅縮減人力、物力，還能極大提高產(chǎn)品生產(chǎn)效率。

參考文獻(xiàn)：

[1] 劉春媛，夏勇，張靈，等. 基于數(shù)學(xué)形態(tài)學(xué)和霍夫變換的方法求其旋轉(zhuǎn)變換參數(shù)[J]. 圖像處理技術(shù)，2017（6）：55-60.

[2] 王云，葉含笑，吳洪潭，等. 基于傅立葉相位相關(guān)原理的方法求其平移變換參數(shù)[J]. 圖像處理，2010（7）：51-53+56.

[3] 謝文達(dá)，邱竣鴻，王壘. 實(shí)際且快速的圖像對(duì)比度增強(qiáng)方法[J]. 計(jì)算機(jī)研究與發(fā)展，2013，50（4）：787-799.

[4] 方明，李洪娜，雷立，等. 低照度視頻圖像增強(qiáng)算法綜述[J]. 長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，39（3）： 56-64+69.

[5] 胡斌，宮寧生. 一種改進(jìn)的Otsu閾值分割算法[J]. 微電子學(xué)與計(jì)算機(jī)，2009 ，26（12）：153-155.

[6] 沈陽(yáng)，宓超，鳳宇飛. 形態(tài)學(xué)開(kāi)運(yùn)算在車型圖像去噪中的應(yīng)用[J]. ?中國(guó)科技信息，2015（18）：52-53.

[7] 黎偉，劉觀仕，姚婷. 膨脹土裂隙圖像處理及特征提取方法的改進(jìn)[J]. 巖土力學(xué)，2014，35（12）：3619-3626.

[8] 王培珍，丁海濤，劉純利，等. 基于結(jié)構(gòu)元的煤顯微圖像輪廓提取算法[J]. 煤炭學(xué)報(bào)2014 ，20（s1）：285-288.

[9] 陳至坤，潘曉娣，王福斌，等. 基于Radon變換的圖像輪廓提取方法研究[J]. 傳感器與微系統(tǒng)，2010，29（2）：63-65+68.

[10] 王俊平，李錦. 圖像對(duì)比度增強(qiáng)研究的進(jìn)展[J]. 電子科技2013，26（5）：160-165.

[11] 張濤，巫紅英，李蒙，等. 一種提高圖像對(duì)比度和視覺(jué)質(zhì)量的新型區(qū)域背光算法[J]. 2017，（39）12：1888-1897.

[12] 吳東，郝明. 基于圖像對(duì)比度的艦船目標(biāo)成像算法[J]. 電子測(cè)量技術(shù)，2017（12）：110-116.

[13] 行軍，韓憲忠，王克儉，等. 基于最大方差閾值法的火車票圖像二值化處理[J]. 計(jì)算機(jī)應(yīng)用與軟件，2012（7）：249-253.

[14] 胡敏，李梅，汪榮貴. 改進(jìn)的Otsu算法在圖像分割中的應(yīng)用[J]. 電子測(cè)量與儀器學(xué)報(bào)，2010（5）：443-449.

[15] 楊紅，崔艷. 基于開(kāi)運(yùn)算暗通道和優(yōu)化邊界約束的圖像去霧算法[J]. 光子學(xué)報(bào)，2018（6）： 244-250.

[16] 劉耀軍，張姍梅. 基于有限自動(dòng)化的二值圖像的開(kāi)運(yùn)算[J]. 圖像、圖形與多媒體，2012，31（12）：39-42.

[17] 吳翔，于微波，馬艷輝，等. ?一種新的改進(jìn)Canny圖像邊緣檢測(cè)算法[J]. 影像科學(xué)與光化學(xué)，2016，34（1）： 116-121.

[18] 鄒柏賢，林京壤. 圖像輪廓提取方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2008，44（25）：161-165.

[19] 戴天虹，吳以. 基于OTSU算法與數(shù)學(xué)形態(tài)學(xué)的木材缺陷圖像分割[J]. 森林工程，2014，30（2）：52-55.

[20] 馬永強(qiáng)，王順利，孫偉，等. 基于高斯金字塔和拉普拉斯金字塔融合的圖像對(duì)比度增強(qiáng)算法研究[J]. 信息與電腦：理論版，2018，398（4）：38-40.

（責(zé)任編輯：江 艷）