易非凡，石濱萌

（深圳職業(yè)技術學院 粵港澳大灣區(qū)人工智能應用技術研究院，廣東 深圳 518055）

0 引 言

在塑膠制造行業(yè)和金屬壓鑄行業(yè)，注塑機能否穩(wěn)定高效的運行直接決定了生產(chǎn)產(chǎn)值與產(chǎn)品質(zhì)量的好壞與否。由于車間情況較為復雜，盡管注塑機上采用了諸如低壓保護、頂針報警等模具保護措施，仍然無法較好的避免壓模現(xiàn)象，直接導致模具需要返修，不僅帶來了巨額修理費用等額外支出，還帶來了工時及產(chǎn)量上的損失，可能導致交貨不及時進而丟掉客戶。因此為了避免注塑機生產(chǎn)過程中的壓模現(xiàn)象，不少廠家采購了模具監(jiān)視器系統(tǒng)，通過安裝在注塑機上的攝像頭采集圖片，利用監(jiān)視器中先進的圖像處理算法對圖片進行增強、銳化、對比等圖像處理操作，檢測產(chǎn)品是否正常成型或是正常取出，給出比對結(jié)果，以代替人眼實時地對模具及產(chǎn)品進行監(jiān)視，能有效地提高企業(yè)智能化、自動化生產(chǎn)水平，降低人力成本，提高企業(yè)核心競爭力。

現(xiàn)有的模具監(jiān)視器算法可簡單分為傳統(tǒng)算法和深度學習算法兩類。深度學習算法（如VGG、YOLO等）雖然精度極高，但其前期的算法訓練階段需要大量的有效數(shù)據(jù)，在高性能的計算機或服務器中對算法模型進行預訓練，其算法部署存在價格高、數(shù)據(jù)需求量大、可遷移性弱及可解釋性弱的缺點，在實際的生產(chǎn)部署中更多的是以一種嘗鮮、輔助的地位而存在。在模具監(jiān)視領域，傳統(tǒng)算法應用最廣，研究成果多。這類算法通常是基于圖像的結(jié)構(gòu)特征進行圖像的相似度匹配，通過設定結(jié)構(gòu)相似度閾值進行一致性判定。文獻[3]提出的基于尺度不變特征變換的圖像匹配算法，參數(shù)量適中，檢測速度較快，在光照、旋轉(zhuǎn)和平移上具備一定魯棒性，但在角點數(shù)少或平移較大時，檢測效果不佳。文獻[4]提出的基于位置補償技術模具監(jiān)視器算法，參數(shù)量較少，在物體平移時魯棒性強，但檢測速度較慢，實時性差。文獻[5]通過增加與過曝、欠曝模板比對，增強了在過曝、欠曝環(huán)境下的魯棒性，但是實時性較差，參數(shù)量大。文獻[6]設計的模具監(jiān)視系統(tǒng)通過采集多個時間點上的模板，解決模板更新頻繁的問題，參數(shù)量無，但是未能在算法實時性、性能等根本問題上有所突破。上述傳統(tǒng)算法在參數(shù)量和實時性兩方面無法兼顧。使用較多的參數(shù)，不利于非研發(fā)人員進行現(xiàn)場調(diào)試及維護；使用較多的圖像預處理方法（過曝、欠曝、輪廓、直方圖拉伸、腐蝕、膨脹等），圖像算法的單次運行時間過長，難以達到實時性要求。

為解決上述現(xiàn)有技術存在的不足，本文提出了一種基于直方圖的、可自適應的、實時性強的、誤檢率及漏檢率低的模具監(jiān)視器算法。該算法主要優(yōu)點為：

（1）無需人工設置算法參數(shù)，算法可根據(jù)模板圖像（空穴）和對比圖像（滿穴）自動配置算法參數(shù)，方便技術員使用。

（2）在自動配置參數(shù)的情況下，算法的實時性強，檢測準確率高。

在實際生產(chǎn)的模具機上進行檢測實驗，并對本文算法和性能相對較好的文獻[3]算法進行對比分析，驗證本算法在實際生產(chǎn)任務中的優(yōu)勢。

1 基于自適應策略的模具監(jiān)視器系統(tǒng)設計

1.1 圖像采集

在實際生產(chǎn)模具過程中，生產(chǎn)環(huán)境光線暗，空間狹小，這些導致成像環(huán)境差，成像質(zhì)量不高，從而增加算法復雜度并降低算法性能。為提高成像質(zhì)量，本系統(tǒng)采用紅外相機采集空模穴的模板圖像I、滿模穴的對比圖像I以及待檢測的源圖像I。

首先，采用850 nm 近紅外可調(diào)節(jié)光源進行環(huán)境補光，通過調(diào)節(jié)光源到合適亮度增加圖像對比度。

其次，鏡頭前加裝850 nm 帶通濾波片，防止自然光對成像質(zhì)量的影響，形成一個單波段、持續(xù)穩(wěn)定的打光環(huán)境。

最后，通過調(diào)整相機硬件參數(shù)，獲取清晰、良好的成像畫面。

本系統(tǒng)采用相機型號為MV-CE013-50GM，鏡頭型號為KM-FA0801C 1/1.8 130 萬像素。本套相機與鏡頭的組合在兼顧成本的基礎上，能夠較好地采集視距在50 厘米到70 厘米之間的中小型模具模腔圖像，滿足檢測殘留的需求。

采集到的注塑機空模穴模板圖像I以及待檢測圖像I如圖1所示。從圖中可知，采集到的圖像質(zhì)量較高，模穴和注塑產(chǎn)品都清晰可見。

圖1 實際采集圖像

1.2 自適應分析

首先，提取模板圖像I的個感興趣區(qū)域（region of interest,ROI）區(qū)域，同時提取對比圖像I對應的個ROI區(qū)域。然后，采用自適應的策略分析模板圖像每一個ROI區(qū)域，進行像素子區(qū)間的相關參數(shù)的自動最優(yōu)化計算，確定每個ROI 區(qū)域的最優(yōu)像素子區(qū)間的個數(shù)以及對應每個像素子區(qū)間的加權(quán)系數(shù)。最后，將計算得到的模板圖像和對比圖像對應ROI 區(qū)域的差異值作為相應ROI 區(qū)域的差異標準閾值。

自適應分析算法流程如圖2所示。

圖2 自適應分析算法流程圖

本文算法首先提取模板圖像I和對比圖像I的ROI區(qū)域，并對ROI 區(qū)域進行直方圖處理。

在實際生產(chǎn)檢測過程中，模具監(jiān)視被固定到注塑機上，每次成像區(qū)域基本上是固定的，致使每個模穴在圖像中的位置也是相對固定的。因此，本文采用的ROI 提取方法是根據(jù)預先設定的ROI 區(qū)域坐標來提取模板圖像和對比圖像相應的ROI 區(qū)域。

圖像的直方圖是由多個高度不等的縱向線段表示圖像像素分布情況的統(tǒng)計報告圖，通常橫軸表示統(tǒng)計的像素值，縱軸表示像素的分布情況。用變量表示圖像像素灰度值、表示灰度級總數(shù)量，對于灰度范圍為[0，-1]的數(shù)字圖像，直方圖可以表示成離散函數(shù)如式（1）：

其中，=0，1，…，-1，r是第級灰度值，n是圖像中灰度為r的像素個數(shù)。

本算法在原直方圖的基礎上，采用像素子區(qū)域b作為直方圖的橫軸，b與的關系如公式（2）（3）所示：

其中，=1，2，…，，是像素子區(qū)域個數(shù)，是單個像素子區(qū)域中像素的個數(shù)。可根據(jù)需求自由設定，為正整數(shù)值。

根據(jù)式（2）和（3），式（1）可進行變形，如式（4）所示：

然后采用自適應的策略，利用模板圖像I和對比圖像I在相同子像素區(qū)域的像素個數(shù)的平方差作為距離的基準值，并通過設立其比值作為基準值的加權(quán)系數(shù)，放大像素值差異對結(jié)果的影響，從而達到使模板圖像和對比圖像在數(shù)值計算上的差異盡可能大的目的。通過對的取值設立一個集合N，使得∈N。采取自適應的方式，通過更換的取值大小，計算模板圖像和對比圖像的最大距離。其計算公式如式（5）所示：

在獲得最大距離的情況下，其對應的的取值記為，加權(quán)系數(shù)集合被記為（）如式（6）。利用卡方檢測（Chi-Square）作為模板圖像和對比圖像在像素層面上的偏離程度，計算其差異閾值如式（7）：

1.3 缺陷檢測

首先，分析源圖像I每一個ROI 的像素分布區(qū)間，統(tǒng)計各個ROI 的像素分布。然后，對每一個模板圖像ROI 所對應的源圖像的ROI，計算其相同像素子區(qū)間的區(qū)間距離，并獲得源圖像單個ROI 的差異值。最后，根據(jù)源圖像單個ROI 的差異值與采用自適應分析算法獲得的對應的差異標準閾值判定當前ROI 區(qū)域是否為缺陷區(qū)域，進而判定源圖像是否存在缺陷。

缺陷檢測算法流程如圖3所示。

圖3 缺陷檢測算法流程圖

通過圖像采集設備獲取待測源圖像I，采用自適應分析算法中ROI 提取方法提取待測源圖像中相對應的ROI 區(qū)域。對于單個ROI 區(qū)域，根據(jù)自適應分析算法獲得單個像素子區(qū)間的像素個數(shù)，確定源圖像該ROI 的像素分布子區(qū)間，并統(tǒng)計其像素值。通過使用卡方檢驗公式及加權(quán)系數(shù)的方法，對該ROI 區(qū)域加權(quán)后像素子區(qū)間距離進行求和，獲得源圖像該個ROI 的差異值，其計算公式如式（8）所示：

將獲得的源圖像的各ROI 區(qū)域的差異值與經(jīng)過自適應分析算法得到的對應的差異標準閾值進行比較。若大于等于，則判定當前ROI 區(qū)域為缺陷區(qū)域，該源圖像存在缺陷，算法結(jié)果為NG。判斷公式如式（9）所示：

若源圖像的所有ROI 的差異值均小于對應的差異標準閾值，則判定該源圖像不存在缺陷，算法結(jié)果顯示OK。

2 實驗結(jié)果分析

實驗采用的注塑機型號為東洋180T，模具為小型模（一模十六腔），產(chǎn)品為某品牌電子煙帽；模具監(jiān)視器運行環(huán)境為Windows10（64 位），CPU 型號為Intel（R） Celeron（R）CPU J1900@1.99 GHz，內(nèi)存大小為4 GB，當算法檢測結(jié)果為NG 時，注塑機會報警提示。

評價指標為算法運行時間（ms）、準確率如式（10）、召回率如式（11）、精確率如式（12）：

其中，F(xiàn)P 為無殘留但觸發(fā)報警的情況次數(shù)，TP 為有殘留并且觸發(fā)報警的情況次數(shù)，F(xiàn)N 為有殘留但沒有觸發(fā)報警的情況次數(shù)，TN 為無殘留并且沒有觸發(fā)報警的情況次數(shù)。

圖4展示了在實際生產(chǎn)過程中，采用本文提出的算法達到的注塑機的模具監(jiān)視效果。從圖中可知，當有產(chǎn)品未正常取出時，本文提出的算法可準確地檢測到，并及時反饋正確判斷結(jié)果，以防壓模。

圖4 產(chǎn)品未正常取出時的檢測結(jié)果

為了驗證本文算法的實際性能，筆者嘗試復現(xiàn)了性能較好的文獻[3]的算法，并與本文算法進行對比實驗。試驗通過將兩種算法先后部署在同一臺注塑機的模具監(jiān)視器中，在保證模型型號、生產(chǎn)產(chǎn)品一致、ROI 區(qū)域一致的情況下，分別進行1 000 輪次的半自動真實生產(chǎn)任務，其中12 輪次存在殘留，988 輪次不存在殘留；以及100 輪次的半自動手動堵穴任務，其中100 輪次存在殘留，0 輪次不存在殘留。比較其每輪次算法運行耗時、誤檢率及漏檢率。其結(jié)果如表1所示。

表1 不同算法的評價指標結(jié)果

根據(jù)表中的實驗數(shù)據(jù)可以得知，在算法耗時方面，本文算法的運行耗時約為文獻[3]算法的一半，其原因在于本文算法未使用圖像預處理技術，僅使用直方圖統(tǒng)計數(shù)據(jù)進行圖像處理，相比起文獻算法采用的預處理技術與SIFT 算子，減少了大量的計算量；從全自動任務和半自動任務的角度看，由于在半自動任務中，每一輪模具都存在殘留，圖像中的角點量增多，因此其平均算法耗時會略高于全自動任務，但本文算法由于采用直方圖統(tǒng)計算法，無論膜腔中是否存在殘留，其ROI 中像素總量保持不變，因此在兩種任務中，其算法耗時并沒有明顯差異。

在檢測結(jié)果和性能方面，本文算法的準確率達到了96.2%，明顯高于文獻[3]算法，原因有二：一是在真實模具生產(chǎn)任務中，模具開腔的位置容易發(fā)生些許偏移，導致采集得到的圖像會發(fā)生些許移位，移位會造成ROI 區(qū)域內(nèi)的部分角點發(fā)生缺失，影響文獻[3]算法的性能；二是由于采用了紅外光+濾光片的光源組合，在過濾自然光的同時，會導致采集到的圖像整體偏暗，ROI 中模腔里的角點相對較少，影響了文獻[3]算法的性能。在召回率方面，兩種算法的表現(xiàn)都十分優(yōu)異，達到了100%，無漏報現(xiàn)象。分析得知對于文獻[3]算法，有無殘留時角點數(shù)值會有較大差異；對于本文算法，有無殘留會導致灰度直方圖的分布發(fā)生巨大差異，極易判定結(jié)果。在精確率方面，本文算法在保證較高準確率的同時，依舊有高于文獻[3]算法的精確率，可見其在所有的報警情況里面，誤報的次數(shù)較少，有利于生產(chǎn)工作的正常進行。但兩種算法在精確率方面的絕對大小并不高，說明算法還有較強的提升空間。

3 結(jié) 論

本文提出了一種基于直方圖的、可自適應的、高性能的模具監(jiān)視器算法，主要解決實際生產(chǎn)任務中，模具監(jiān)視器需要設置大量參數(shù)、性能不佳等問題。該算法通過分析兩張模板圖片的直方圖分布，自動適配出最佳的算法參數(shù)，無須人工設置任何參數(shù)，并且具備高實時性，實現(xiàn)誤檢率＜5%，漏檢率＜0.01%的參數(shù)目標，與之前的算法相比，本文的算法性能更好，更符合實際生產(chǎn)需要。