雷 泰，柳 寧，李德平，王 高

(暨南大學(xué) 信息科學(xué)技術(shù)學(xué)院，廣東 廣州 510632)

0 引言

近年來激光刻寫技術(shù)大量應(yīng)用生產(chǎn)，激光雕刻以及激光標(biāo)識(shí)都要求對(duì)其刻線進(jìn)行質(zhì)量檢測(cè)，而針對(duì)零件表面的激光刻線檢測(cè)方法少有研究。

作為激光刻線檢測(cè)相近的領(lǐng)域，印制電路板(Printed Circuit Board, PCB)和柔性印刷電路板(Flexible Printed Circuit Board, FPC)的線性輪廓圖像質(zhì)量檢測(cè)在學(xué)術(shù)界有著較為豐富的研究。美國(guó)的Griffin等[1]采用基于形態(tài)學(xué)的改進(jìn)方法，能夠檢測(cè)開斷路、線路殘缺、線距過小等缺陷，但是不能有效地檢出目標(biāo)整體缺失；臺(tái)灣的Rau等[2]將現(xiàn)場(chǎng)拍攝的待測(cè)板圖片和標(biāo)準(zhǔn)板圖片進(jìn)行差運(yùn)算后獲取缺陷，再通過計(jì)算連通域和邊界變換數(shù)對(duì)缺陷進(jìn)行分類，但是需要手動(dòng)選定參考點(diǎn)進(jìn)行配準(zhǔn)，自動(dòng)化程度偏低；熊邦書等[3]通過解析Gerber文件獲取精確的標(biāo)準(zhǔn)線路圖，再與待檢圖像進(jìn)行比較，進(jìn)一步提高了匹配精度，然而其在對(duì)缺陷的判斷上采用面積法、連通域法和缺陷邊緣鄰域法相結(jié)合的分類法過于耗時(shí)，無(wú)法滿足檢測(cè)的實(shí)時(shí)性；郭民等[4]提出基于輪廓對(duì)比的數(shù)據(jù)處理方法進(jìn)行檢測(cè)，但是該方法對(duì)光照均勻性和圖像配準(zhǔn)有較高要求，而且需要人工對(duì)特定區(qū)域進(jìn)行圖像裁剪，無(wú)法快速大批量進(jìn)行產(chǎn)品檢測(cè)；張靜等[5]將Gerber文件進(jìn)行分層處理，得到PCB不同區(qū)域的具體位置后，再采用窗口劃分的方式對(duì)表面缺陷進(jìn)行分類，該方法僅針對(duì)平滑面域進(jìn)行檢測(cè)，不適用于細(xì)線邊緣的處理；喬凱等[6]采用超像素分割的方法對(duì)PCB導(dǎo)線進(jìn)行目標(biāo)分割并識(shí)別，具有較高的檢測(cè)精度和抗干擾能力，但是沒有考慮導(dǎo)線的缺陷識(shí)別問題。

PCB基板顏色均勻、背景沒有紋理，電路輪廓邊緣毛刺較少，激光刻寫時(shí)，不同材料的表面紋理差別很大，金屬表面可能有刀痕紋理，木質(zhì)板材表面有自然紋理；另外，激光在木板上刻寫時(shí)，輪廓邊緣會(huì)生產(chǎn)毛刺。圖1所示為PCB輪廓圖與木板上激光刻寫圖的比對(duì)，可見后者的檢測(cè)復(fù)雜程度更高。

傳統(tǒng)PCB視覺檢測(cè)方法并不完全適用于激光刻寫領(lǐng)域，本文提出利用矢量圖對(duì)圖像輪廓質(zhì)量進(jìn)行檢測(cè)的方法，檢測(cè)內(nèi)容包括線寬、線路的連通性和毛刺情況以及面域(焊盤)的缺損情況，實(shí)時(shí)性、正確率和檢測(cè)算法的魯棒性是此類檢測(cè)應(yīng)用的關(guān)鍵性能指標(biāo)。本算法除應(yīng)用于激光刻寫的零件刻線檢測(cè)外，亦適用于電路板導(dǎo)線質(zhì)量檢測(cè)。

2 導(dǎo)向線檢測(cè)方法設(shè)計(jì)

2.1 算法設(shè)計(jì)

本算法的指導(dǎo)思想是分析矢量文件，區(qū)分線路矢量與區(qū)域矢量，根據(jù)線路矢量特性形成導(dǎo)向線文件；根據(jù)導(dǎo)向線映射跟蹤圖像中的輪廓，在導(dǎo)向線上生成采樣點(diǎn)，通過輪廓檢測(cè)模板，在采樣點(diǎn)上分析圖像輪廓的線寬和連通性，評(píng)價(jià)輪廓的毛刺；根據(jù)區(qū)域矢量映射到圖像的面域位置，采用檢測(cè)模板檢測(cè)面域的殘留和缺失。

算法流程如圖2所示。首先分析矢量文件生成導(dǎo)向線，將導(dǎo)向線矢量文件與待測(cè)圖片配準(zhǔn)，然后根據(jù)抽樣規(guī)則沿導(dǎo)向線獲得采樣點(diǎn)，進(jìn)而使用基于梯度算子的雙閾值邊緣檢測(cè)算法對(duì)濾波后的局部圖像進(jìn)行輪廓質(zhì)量檢測(cè)及缺陷判斷。

2.2 導(dǎo)向線的生成

線路是兩點(diǎn)之間的通路，面域是一組首尾相聯(lián)的通路圍成的區(qū)域，可以根據(jù)該特征將面域和線路區(qū)分開。以激光切割機(jī)常用的惠普?qǐng)D形語(yǔ)言(Hewlett-Packard Graphics Language，HP-GL)為例，該語(yǔ)言有占用系統(tǒng)資源少、標(biāo)刻效率高的特點(diǎn)，為目前激光刻寫的主要描述語(yǔ)言[7]，其部分指令如表1所示，表中：LT為線型與線寬指令；SP為選筆指令；PU和PD為抬筆、落筆指令，其后為路徑坐標(biāo)。一個(gè)由PU開頭經(jīng)過若干PD并以PD截止的一系列數(shù)據(jù)點(diǎn)稱為一個(gè)數(shù)據(jù)段，如圖3a的第3行～第6行為一個(gè)數(shù)據(jù)段。

表1 HP-GL部分指令集

圖3a所示為繪制一個(gè)以(150，350)為頂角坐標(biāo)點(diǎn)的等腰三角形和邊長(zhǎng)為250的正方形所需的基本HP-GL語(yǔ)句，其中第一個(gè)數(shù)據(jù)段所代表的等腰三角形由(150,350)起筆，經(jīng)過(200,100)，(100,100)兩點(diǎn)，再回到起始點(diǎn)；后一個(gè)數(shù)據(jù)段表示正方形的繪制坐標(biāo)。所繪圖形如圖3b所示。

導(dǎo)入HP-GL格式的矢量文件后，逐行讀入數(shù)據(jù)，將數(shù)據(jù)段末尾的PD與段首的PU點(diǎn)進(jìn)行比較，若兩者坐標(biāo)相等，則將后者標(biāo)記為區(qū)域的邊緣輪廓，表示該數(shù)據(jù)段內(nèi)所有坐標(biāo)全部為面域?qū)傩裕环駝t標(biāo)記為線點(diǎn)，表示數(shù)據(jù)段內(nèi)所有坐標(biāo)全部為線屬性。

2.3 導(dǎo)向線與圖像配準(zhǔn)

通過仿射變換將矢量數(shù)據(jù)坐標(biāo)投射到待測(cè)圖像坐標(biāo)系[8]，以進(jìn)行圖像線路和面域檢測(cè)，配準(zhǔn)策略是獲取待測(cè)圖片的4個(gè)直角頂點(diǎn)來求解仿射變換矩陣，并根據(jù)該矩陣變換導(dǎo)向線數(shù)據(jù)。

為了提高配準(zhǔn)精度，采用行列掃描方法獲得邊緣線的點(diǎn)，擬合直線后去除距離直線最大的若干點(diǎn)，然后再次擬合邊緣直線，具體步驟如下：

步驟1邊緣取點(diǎn)。使用行列掃描的方法獲得邊緣點(diǎn)上的灰度突變像素點(diǎn)，如圖4a所示。

步驟2第一次擬合直線。由步驟1獲得X和Y方向上的邊緣點(diǎn)集，使用最小二乘法分別擬合直線[9]。

步驟3去除奇異邊緣點(diǎn)。分別計(jì)算各點(diǎn)到直線的距離，然后排除距離最大的1/4的點(diǎn)。

步驟4第二次擬合直線。對(duì)去除奇異點(diǎn)之后的點(diǎn)集再次擬合直線。

步驟5求交點(diǎn)。提取圖片4個(gè)角上的局部圖像，分別執(zhí)行步驟1～步驟4，對(duì)X和Y方向上的兩條直線求交點(diǎn)，如圖4b所示。

仿射變換又稱仿射映射，指在幾何中一個(gè)向量空間進(jìn)行一次線性變換和一個(gè)平移。

(2)

其中：式(1)表示旋轉(zhuǎn)和放縮的線性變換，式(2)表示平移的向量形式。

(3)

通過圖像上4個(gè)配準(zhǔn)點(diǎn)坐標(biāo)與導(dǎo)向線圖4個(gè)頂點(diǎn)坐標(biāo)的對(duì)應(yīng)關(guān)系求出變換矩陣，然后對(duì)采樣點(diǎn)集數(shù)據(jù)進(jìn)行轉(zhuǎn)換與配準(zhǔn)，匹配效果如圖5所示。

2.4 拐角提取及采樣點(diǎn)生成

經(jīng)與圖像配準(zhǔn)后，導(dǎo)向線已經(jīng)貼合線路，下一步對(duì)導(dǎo)向線進(jìn)行提取拐角、生成采樣點(diǎn)、密度分層和保存檢測(cè)文件4個(gè)操作。

在后續(xù)使用邊緣檢測(cè)模板進(jìn)行處理時(shí)，若采樣點(diǎn)過于靠近拐角，則會(huì)出現(xiàn)誤判，如圖6a所示。一般通過判斷連續(xù)3個(gè)點(diǎn)坐標(biāo)的夾角來選擇導(dǎo)向線中的拐角，若其夾角小于等于90°，則將夾角點(diǎn)判定為拐點(diǎn)，如圖6b所示。

然而，為了使拐角處過渡圓滑，部分輪廓用若干連續(xù)的短線代替簡(jiǎn)單的直角，如圖7a所示。此類拐角雖然過渡圓滑，但是也需作為拐點(diǎn)處理，本文采用提取短線集的方法處理該情況。在遍歷導(dǎo)向線中的坐標(biāo)時(shí)，若兩點(diǎn)距離小于采樣的生成步長(zhǎng)，則將其標(biāo)記為短線集數(shù)據(jù)點(diǎn)，如圖7b所示。當(dāng)一段短線集標(biāo)記結(jié)束后，將短線集的端點(diǎn)標(biāo)記為拐角點(diǎn)，然后在線段集內(nèi)插入采樣點(diǎn)。拐點(diǎn)提取情況如圖8a所示。

數(shù)據(jù)段內(nèi)每個(gè)相鄰PU或PD兩點(diǎn)之間按照指定步長(zhǎng)生成采樣點(diǎn)，若不足步長(zhǎng)距離，則與后一點(diǎn)距離進(jìn)行累加，直至該累加長(zhǎng)度大于所需步長(zhǎng)或已累加至數(shù)據(jù)段末尾。生成效果如圖8b所示。

對(duì)于一些比較復(fù)雜的圖像輪廓，其采樣點(diǎn)高達(dá)3 000～4 000個(gè)，考慮到實(shí)時(shí)性的要求，采取采樣點(diǎn)分層的策略來提高效率。

對(duì)生成的所有采樣點(diǎn)隔3取1作為第1層，其余作為第2層。若第1層的缺陷點(diǎn)數(shù)超過閾值，則直接判為不合格板，不再判別剩余的3/4采樣點(diǎn)，如圖8所示。

為了適應(yīng)產(chǎn)品的批量檢測(cè)，采樣點(diǎn)集被保存成檢測(cè)文件，同一批產(chǎn)品只需與所拍攝的待測(cè)圖片配準(zhǔn)即可檢測(cè)，不用每次計(jì)算生成采樣點(diǎn)。

2.5 圖像預(yù)處理

考慮到目標(biāo)區(qū)域主要以線條為主，選用保邊去噪性能較好的濾波手段。本文采用高斯濾波、中值濾波、雙邊濾波和導(dǎo)向?yàn)V波4種[10-11]常用的保邊濾波算法進(jìn)行了實(shí)驗(yàn)，測(cè)試發(fā)現(xiàn)在輪廓較為密集時(shí)，前兩種算法的邊緣信息流失較為嚴(yán)重，后兩種算法保邊效果較好，但是在信噪比相同時(shí)導(dǎo)向?yàn)V波的效率更優(yōu)，因此選用導(dǎo)向?yàn)V波算法。通過導(dǎo)向?yàn)V波處理，背景圖像的紋理和噪聲得到了較好的抑制。

為了提高灰度圖像的對(duì)比度，采用非線性拉伸[12]，原理如圖9所示。原圖像f(x,y)灰度直方圖的灰度級(jí)集中分布在[HSF,Hsc]，將其拉伸到[HEF,HEC]區(qū)間，其中：HSF和Hsc分別為原圖片感興趣區(qū)域灰度值的上限和下限，HEF和HEC分別為所要拉伸到的灰度值的上限和下限。導(dǎo)向?yàn)V波圖及最后的拉伸結(jié)果如圖10b與圖10c所示。

經(jīng)過導(dǎo)向?yàn)V波和非線性拉伸處理，將待測(cè)圖像的線段和面域輪廓從復(fù)雜背景中凸顯出來。

1.6 采樣點(diǎn)和拐點(diǎn)檢測(cè)

通過分析采樣點(diǎn)所在區(qū)域的圖像特征，本文提出基于梯度算子的雙閾值邊緣檢測(cè)算法對(duì)采樣點(diǎn)所在的局部圖像進(jìn)行表觀缺陷檢測(cè)，即使用自適應(yīng)的區(qū)域生長(zhǎng)模板在每個(gè)采樣點(diǎn)沿輪廓的法線方向進(jìn)行檢測(cè)，然后進(jìn)行缺陷判斷和分類。

受待測(cè)樣本實(shí)際尺寸偏差和匹配誤差等因素的影響，采樣點(diǎn)在個(gè)別區(qū)域會(huì)出現(xiàn)覆蓋偏移，導(dǎo)致檢測(cè)模板不能完全覆蓋輪廓，因此采用區(qū)間可變的自適應(yīng)檢測(cè)模板。區(qū)域生長(zhǎng)的基本原理是以一組“種子”為起點(diǎn)，將與其性質(zhì)相似或符合規(guī)則的鄰近像素附加到生長(zhǎng)區(qū)域的種子點(diǎn)上[13]，設(shè)檢測(cè)模板兩端點(diǎn)PL和PR為種子點(diǎn)。

(4)

檢測(cè)模板生長(zhǎng)算法流程如圖11所示，具體步驟如下：

步驟3分別判斷兩個(gè)種子點(diǎn)PL，PR的四連通域內(nèi)法線方向的灰度值GL和GR是否大于HSF，若GL

步驟4將標(biāo)記點(diǎn)組成的TDextr與基礎(chǔ)模板TDbase按順序重新排列，并退出生長(zhǎng)過程。

經(jīng)大量實(shí)驗(yàn)測(cè)試，LB和LE分別取經(jīng)驗(yàn)值11和10。

通過上述基于區(qū)域生長(zhǎng)的自適應(yīng)檢測(cè)模板，采樣點(diǎn)所在的線性輪廓得到了較好的描述，下面配合本文提出的基于梯度算子的雙閾值邊緣檢測(cè)算法對(duì)線性輪廓進(jìn)行缺陷判斷與分類。

因?yàn)榫€路輪廓和面域輪廓分別屬于脈沖狀邊緣和階梯狀邊緣，上升沿和下降沿變化都比較明顯(如圖12b)，所以考慮采用梯度算子對(duì)采樣點(diǎn)所在模板進(jìn)行檢測(cè)。

梯度算子的定義如下，其中I(x,y)為在點(diǎn)(x,y)處的梯度函數(shù)：

(5)

在數(shù)字圖像中常用一階差分運(yùn)算替換一階微分運(yùn)算來提高運(yùn)算效率[14]：

ΔxI(i,j)=I(i,j)-I(i-1,j)；

(6)

ΔyI(i,j)=I(i,j)-I(i,j-1)。

(7)

為了判斷采樣點(diǎn)所在模板是否存在階躍以及階躍是否符合規(guī)則，設(shè)定閾值判別模板梯度值。因此，在得到模板的梯度值之后，對(duì)其取絕對(duì)值，其絕對(duì)梯度如圖12c所示。

采用強(qiáng)調(diào)波谷(valley-emphasis)的最大類間方差法[15-16]獲取分割閾值，目標(biāo)函數(shù)為

O(t)=(1-pt)(ω1(t)μ21(t)+ω2(t)μ22(t))。

(8)

(9)

判斷梯度的最大值ΔImax和最小值ΔImin是否分別達(dá)到相應(yīng)的正負(fù)t*閾值，合格模板如圖12d所示。

對(duì)于輪廓缺失的檢測(cè)，即模板完全處于亮色產(chǎn)品背景或暗色工作臺(tái)背景的情況，需要通過模板TD中的最大最小灰度值來判斷，其中最大灰度值Gmax=maxTD，最小灰度值Gmin=minTD。

對(duì)于有污跡浸蝕或由于存在木節(jié)而著色不均的模板，其灰度變化要大于圖12c呈現(xiàn)的兩個(gè)波峰，因此對(duì)梯度階躍所在位置及梯度的正負(fù)變化做出限定。其中正階躍波峰P+和負(fù)階躍波峰P-的定義如式(10)和式(11)所示，分別表示最大正階躍和最小負(fù)階躍所在的一維坐標(biāo)：

(11)

因?yàn)闄z測(cè)模板已將采樣點(diǎn)所在的圖像抽離成一維信息量，所以只需考慮單方向的梯度信息。

最后根據(jù)獲得的模板信息，以及以下5個(gè)檢測(cè)規(guī)則對(duì)其缺陷情況進(jìn)行判斷：

case1Gmax>HSF，即模板中的最大灰度值應(yīng)大于非線性拉伸的谷底值。

case2Gmin

case3ΔImax>t*，即最大正階躍應(yīng)大于正的分割閾值。

case4ΔImin<-t*，即最小負(fù)階躍應(yīng)小于負(fù)的分割閾值。

case5P-

case6模板中相鄰梯度的正負(fù)值最多只能變化一次。

檢測(cè)的偽代碼表示如下，其中∧，∨，，⊕分別表示與、或、非和異或：

(1)對(duì)于線路檢測(cè)

if (case3∧case4)

then return 零件缺失或短路

else if case2

then return 采樣點(diǎn)斷路

else if case1∨( case5∧ case6)

then return 著色不均

else

then return 采樣點(diǎn)合格

(2)對(duì)于面域檢測(cè)

if case1

then return 面域缺損

else if case2

then return 面域漏刻

else if (case3⊕case4)

then return 面域殘留

else

then return 采樣點(diǎn)合格

對(duì)合格線采樣點(diǎn)的最大最小階躍坐標(biāo)進(jìn)行求差，可得該采樣點(diǎn)所在線段的法線方向線寬的數(shù)值，然后去除該線段上所有采樣點(diǎn)線寬的最大最小值，再取均值并將該均值作為該段線路的寬度，若寬度過大或過小，則對(duì)該線段進(jìn)行標(biāo)記。

對(duì)于連通性檢測(cè)，在采樣點(diǎn)分布足夠密集的情況下，曲線上兩采樣點(diǎn)之間可視為直線，為了消除由于畸變及配準(zhǔn)精度的影響，采樣點(diǎn)偏離線路中線致使連通性檢測(cè)不佳的情況，本文對(duì)導(dǎo)向線上每?jī)蓴?shù)據(jù)點(diǎn)之間的檢測(cè)區(qū)域所在的局部圖像，以兩點(diǎn)中心為圓心，旋轉(zhuǎn)兩點(diǎn)的傾斜角到水平，再沿線段法線方向進(jìn)行浮動(dòng)檢測(cè)，上下各取d條大小為1×n的灰度樣本。若所檢測(cè)樣本中全為斷路，則判斷該處出現(xiàn)斷路，并標(biāo)記這兩點(diǎn)，如圖13所示。

為了評(píng)價(jià)輪廓的邊緣毛刺情況，本文通過統(tǒng)計(jì)線路上所有采樣點(diǎn)的方差δ來判斷其線寬的離散程度，進(jìn)而對(duì)其毛刺情況做出評(píng)價(jià)。若該線段上的采樣點(diǎn)線寬方差δ小于閾值，則判定該線路的毛刺情況良好，否則判為毛刺情況突出，并將所有采樣點(diǎn)進(jìn)行標(biāo)記。

對(duì)拐點(diǎn)采用SUSAN算子[17-18]，在拐點(diǎn)坐標(biāo)處使用像素個(gè)數(shù)為37的圓形模板，對(duì)模板中各像素的灰度值與中心的核像素逐一求差，將差值集合使用強(qiáng)調(diào)波谷的最大類間方差法求出閾值，實(shí)驗(yàn)顯示，當(dāng)差值集合中大于閾值的數(shù)目超過總數(shù)的3/4或小于1/4時(shí)，判定為不合格拐點(diǎn)。

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 實(shí)驗(yàn)條件

本文實(shí)驗(yàn)采用臺(tái)灣研華科技IPC-610L工控機(jī)，CPU為Intel? CoreTMi5-3210M 2.50 GHz，內(nèi)存為4 G的DDR2 800。開發(fā)環(huán)境使用Visual Studio 2013，視覺算法庫(kù)為OpenCV 2.4.10版本，框架采用微軟基礎(chǔ)類庫(kù)(Microsoft Foundation Classes, MFC)搭建，軟件界面如圖14所示。

光源布局采用下部放置條形組合光源進(jìn)行低角度打光，上部放置中孔背光源；工業(yè)相機(jī)為映美精DMK 33GP031，解析度為2 592 pixel×1 944 pixel；工業(yè)鏡頭采用Computar M1214-MP2，焦距為12 mm。實(shí)驗(yàn)平臺(tái)如圖15所示。

3.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)樣本為車間現(xiàn)場(chǎng)采集的199幅產(chǎn)品圖片，其中缺陷圖137張，完好圖62張。

線性輪廓缺陷檢測(cè)如圖16所示，其中圖16a～圖16c分別為零件缺失、斷路和著色不均3種線路缺陷的原圖，圖16d～圖16f為檢測(cè)結(jié)果放大圖。

面域缺陷如圖17所示，其中圖17a～圖17c分別為面域漏刻、缺損和殘留3類面域缺陷的原圖，圖17d～圖17f為檢測(cè)結(jié)果放大圖。需要指出的是，圖17d為圓形面域漏刻處的缺陷標(biāo)記，圖17e為作為面域處理的木板外圍邊框的缺陷標(biāo)記?？梢?，本方法能夠準(zhǔn)確檢出線性輪廓和面域缺陷。

為了驗(yàn)證系統(tǒng)的可靠性，本文對(duì)所有199幅樣本進(jìn)行了兩次測(cè)試，每張樣本圖片的分辨率均為2 592pixel×1 944pixel。其中第1次測(cè)試取消了采樣點(diǎn)分層，無(wú)差別地對(duì)所有采樣點(diǎn)進(jìn)行檢測(cè)，結(jié)果統(tǒng)計(jì)如表2所示?？梢?，本系統(tǒng)的缺陷檢出率達(dá)到97.6%，漏檢率為2.4%，總誤判率低于0.1%，從而驗(yàn)證了其良好的檢測(cè)精度。

表2 準(zhǔn)確度分析

檢測(cè)中的誤判原因?yàn)閭€(gè)別區(qū)域的線路互相交叉以及面域與相鄰線路過于靠近，漏檢原因主要為圖像預(yù)處理對(duì)缺陷信息的干擾，致使個(gè)別缺陷采樣點(diǎn)的灰度值符合判斷標(biāo)準(zhǔn)。

線性輪廓的連通性、線寬和毛刺檢測(cè)如圖18所示，對(duì)于這3類情況的檢測(cè)，算法均準(zhǔn)確標(biāo)記出了相應(yīng)的不良線段。

本文對(duì)比了文獻(xiàn)[3-4]對(duì)缺陷的檢測(cè)效果，如圖19所示。由圖19b可見，文獻(xiàn)[3]能夠較好地檢測(cè)出大面積的面域缺失，但是以線條為主的輪廓缺陷因受開運(yùn)算影響較大而效果不理想。

文獻(xiàn)[4]采用輪廓對(duì)比的檢測(cè)手段，由圖19c可見，該方法受配準(zhǔn)精度和標(biāo)準(zhǔn)圖像線寬影響較大，輪廓檢測(cè)效果較差且無(wú)法檢測(cè)出面域輪廓缺陷。然而由圖19d可見，本文方法對(duì)缺陷均能準(zhǔn)確檢出。

為了檢驗(yàn)算法的魯棒性，本文對(duì)復(fù)雜紋理背景下的輪廓檢測(cè)進(jìn)行了對(duì)比實(shí)驗(yàn)。如圖20b所示，文獻(xiàn)[3]在待測(cè)圖片與標(biāo)準(zhǔn)圖片光照存在較大差異以及待測(cè)照片背景復(fù)雜時(shí)，幾乎無(wú)法檢測(cè)出缺陷；如圖20c所示，雖然文獻(xiàn)[4]對(duì)復(fù)雜背景有較強(qiáng)的抗干擾能力，但是其對(duì)輪廓缺陷的檢測(cè)仍然存在較大誤差；如圖20d所示，本文方法在復(fù)雜背景條件下仍然能準(zhǔn)確對(duì)缺陷進(jìn)行標(biāo)記，其魯棒性得到驗(yàn)證。

為了檢驗(yàn)算法的實(shí)時(shí)性，本文對(duì)比了與文獻(xiàn)[3-4]的檢測(cè)用時(shí)，此次測(cè)試啟用了采樣點(diǎn)分層，樣本圖片檢測(cè)用時(shí)結(jié)果如表3所示。

表3 實(shí)際檢測(cè)效率

在效率上，因?yàn)楸疚乃惴ㄉ婕按罅繑?shù)據(jù)計(jì)算，所以相對(duì)于其他兩種算法而言耗時(shí)略多，但是從實(shí)際需求出發(fā)，每張圖片的平均檢測(cè)用時(shí)低于200 ms，完全滿足對(duì)檢測(cè)效率的要求。其中合格板的平均用時(shí)略長(zhǎng)于缺陷板，原因?yàn)楹细癜逶诘?層采樣點(diǎn)合格后繼續(xù)進(jìn)行第2層檢測(cè)，而缺陷板往往在完成第1層檢測(cè)后就已判定為缺陷板并退出檢測(cè)，故其平均用時(shí)較少。

4 結(jié)束語(yǔ)

本文提出一種沿導(dǎo)向線生成采樣點(diǎn)檢測(cè)激光刻寫零件輪廓瑕疵的新方法，可對(duì)兩類共6種線路和面域缺陷進(jìn)行快速檢測(cè)和精確識(shí)別，缺陷檢出率大于97%，并且能夠準(zhǔn)確檢出輪廓的連通性、線寬及毛刺的不良情況。相比于傳統(tǒng)的灰度和輪廓差分檢測(cè)方法，本文方法以導(dǎo)向線為引導(dǎo)路徑，只檢測(cè)模板所在的局部圖像，因此在光照不均及復(fù)雜背景條件下有很強(qiáng)的魯棒性和準(zhǔn)確度，雖然因涉及大量運(yùn)算而耗時(shí)略多，但是相比于目前普遍采用的人工檢測(cè)在實(shí)時(shí)性方面仍然具有較大的優(yōu)勢(shì)。除激光刻寫零件的檢測(cè)外，所提檢測(cè)算法亦適用于以線性圖像輪廓為主要特征的工業(yè)產(chǎn)品檢測(cè)，如PCB和紋織等的質(zhì)量檢測(cè)。與此同時(shí)，該系統(tǒng)的整個(gè)檢測(cè)流程被集合成一套操作簡(jiǎn)單、界面友好的軟件，在實(shí)際使用中有較大的應(yīng)用和推廣前景。