俞霖?zé)?，曾培?/p>

　　(東華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620)

　　摘要：討論了實(shí)際工業(yè)生產(chǎn)中點(diǎn)狀缺陷的實(shí)時(shí)檢測問題，提出一種基于嵌入式的一維缺陷檢測方法。首先通過行灰度信息的變化定位缺陷位置，并針對(duì)缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進(jìn)方案，實(shí)現(xiàn)了點(diǎn)狀缺陷的實(shí)時(shí)監(jiān)測。實(shí)驗(yàn)結(jié)果證明，該算法具有準(zhǔn)確性和有效性。

　　關(guān)鍵詞：工業(yè)生產(chǎn)；點(diǎn)狀缺陷；一維檢測；實(shí)時(shí)檢測

0引言

　　近年來，缺陷檢測一直是一個(gè)熱門的研究方向，廣泛運(yùn)用在工業(yè)生產(chǎn)缺陷檢測中。為了在工業(yè)生產(chǎn)中實(shí)現(xiàn)嵌入式控制的實(shí)時(shí)缺陷檢測，本文提出了一種基于嵌入式的一維缺陷檢測方法，先通過行灰度信息的變化快速定位缺陷位置，再針對(duì)缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進(jìn)方案，實(shí)現(xiàn)了點(diǎn)狀缺陷的實(shí)時(shí)監(jiān)測。此外，本文還討論了在攝像頭傾斜情況下，計(jì)算缺陷實(shí)際位置的矯正算法。

1研究現(xiàn)狀

　　現(xiàn)有的缺陷檢測算法大致可以分成五大類：統(tǒng)計(jì)學(xué)法、結(jié)構(gòu)化法、光譜法、基于模型的方法以及機(jī)器學(xué)習(xí)的方法。

　　統(tǒng)計(jì)學(xué)法根據(jù)像素間的空間分布關(guān)系檢測缺陷，自相關(guān)函數(shù)［1］、灰度共生矩陣［2］等都是經(jīng)典的統(tǒng)計(jì)學(xué)方法。自相關(guān)函數(shù)易于處理具有強(qiáng)正則性的紋理圖像，但是它易受噪聲影響，不太適合處理紋理不規(guī)則的圖像。灰度共生矩陣對(duì)單調(diào)灰度變換具有不變性［2］，它的空間表現(xiàn)優(yōu)于自相關(guān)函數(shù)。然而，當(dāng)紋理圖像清晰度高或是存在大量鄰接像素需要高強(qiáng)度計(jì)算時(shí)，灰度共生矩陣的性能表現(xiàn)不佳。

　　結(jié)構(gòu)化法將紋理描述成由許多紋理基元組成的集合，這些基元可以是單一像素也可以是一塊區(qū)域，通過這些基元的布局規(guī)則，就能找到無序缺陷所在的位置［3］。

　　光譜法主要有傅里葉變換、加伯變換、小波變換以及圖像濾波等。傅里葉變換需要通過整張圖像來提取信號(hào)，不能有效地定位缺陷區(qū)域，通常會(huì)采用加窗傅里葉變換來解決這一問題。當(dāng)窗函數(shù)是高斯函數(shù)時(shí)，加窗傅里葉變換就變成了加伯變換［46］。

　　最著名的基于模型的方法是自回歸模型以及馬爾可夫隨機(jī)場模型。自回歸模型［78］通過捕捉紋理圖像上不同的像素描述線性關(guān)系，這種方法易于識(shí)別微小的缺陷，且不易受到圖像平移的影響，但它受光照的影響較大。馬爾可夫隨機(jī)場模型認(rèn)為圖像中像素的強(qiáng)度取決于其相鄰幾個(gè)像素的像素強(qiáng)度。在執(zhí)行時(shí)間上，馬爾可夫隨機(jī)場模型大大優(yōu)于其他的隨機(jī)場模型［9］，但它不容易識(shí)別微小的缺陷。

　　最近，也有一些機(jī)器學(xué)習(xí)的方法運(yùn)用在缺陷檢測上。參考文獻(xiàn)［1012］都擁有高于90%的缺陷檢測率。但是機(jī)器學(xué)習(xí)的方法在特征數(shù)據(jù)不充分時(shí)，往往得不到滿意的效果。

2一維行掃描法

　　一維行掃描的方法通過行灰度信息的變化快速定位缺陷位置。

　　2.1算法的基本原理

　　針對(duì)缺陷灰度值局部最小的特點(diǎn)，對(duì)于每一行數(shù)據(jù)，可以通過如下定義來識(shí)別缺陷：

　　定義1x∈［0,m－1］,若α>0,使得h1(t)<min(|Pn(x－α)－Pn(x)|,|Pn(x+α)－Pn(x)|)<h2(t)，則x∈Xdefect

　　其中，變量m、n分別表示圖像Im×n的寬和高。函數(shù)Pn(μ)是圖像中第n行第μ列的像素灰度值，μ∈［0,m－1］。函數(shù)h1(t)、h2(t)是光強(qiáng)度t下的上下波幅閾值，它們決定了缺陷與背景灰度之差的浮動(dòng)范圍。

　　為了提高計(jì)算速度，可以事先求得明背景的平均閾值Thl和暗背景的平均閾值Thd，僅對(duì)0<Pn(x)<Thd－h(huán)1(t)以及Thl－h(huán)2(t)<Pn(x)<Thl－h(huán)1(t)的像素進(jìn)行處理。除非光照發(fā)生變化，Thl和Thd在一次實(shí)驗(yàn)中只需要計(jì)算一次。為了更進(jìn)一步提高計(jì)算速度，對(duì)于每一行的數(shù)據(jù)，可以首先計(jì)算它們的像素和作為校驗(yàn)和，式(1)為校驗(yàn)和Sn的計(jì)算公式：

　　當(dāng)|Sn－Sn′|>β，則認(rèn)為第n行存在缺陷。其中：Sn′是上一幀圖像中第n行像素灰度值的校驗(yàn)和，β是根據(jù)缺陷的形狀和大小信息預(yù)先設(shè)定的經(jīng)驗(yàn)值。因此，僅對(duì)存在缺陷的行數(shù)據(jù)做進(jìn)一步的計(jì)算，可以大大減小計(jì)算量。

　　在大多數(shù)情況下，通過定義1就能夠獲得很好的結(jié)果，但在當(dāng)缺陷位于明暗背景的邊界處、圖像噪聲的最大方差較大、光照不足或過度時(shí)，圖像處理的效果將欠佳。特別是當(dāng)圖像在采取過程中產(chǎn)生偏移時(shí)，式(1)將會(huì)失效。針對(duì)這些特殊情況，將進(jìn)一步給出相應(yīng)的改進(jìn)方案。

　　2.2邊界問題

　　圖像的明背景與暗背景之間通常會(huì)產(chǎn)生分明的邊界，反映在直方圖上會(huì)產(chǎn)生明顯的幅值變化。缺陷位于邊界處可分為三種情況：(1)缺陷整體處于明背景部分；(2)缺陷整體處于暗背景部分；(3)缺陷處于明暗背景之間。這三種情況都容易造成漏判，圖1分別給出了這三種情況。

　　對(duì)于上述情況，定義2給出了新的判斷檢驗(yàn)和方法，Tn表示圖像中第n行像素灰度值的檢驗(yàn)和，它不再對(duì)整行的數(shù)據(jù)求和，只對(duì)梯度發(fā)生較大變化的數(shù)據(jù)求和。

　　其中，γ是一個(gè)經(jīng)驗(yàn)值，γ的大小根據(jù)明暗背景的幅度來決定，本文選取γ=18(Thl－Thd）。采用新的校驗(yàn)和有以下優(yōu)點(diǎn)：

　　(1)仍然能夠作為校驗(yàn)和判斷缺陷的產(chǎn)生。

　　(2)不僅能夠檢驗(yàn)邊界處的缺陷，還能夠判斷缺陷究竟是位于邊界部分，還是位于背景部分。Tn′是上一幀圖像中第n行像素灰度值的新校驗(yàn)和，當(dāng)|Tn－Tn′|>β時(shí)，表示第n行存在缺陷。當(dāng)Tn<Tn′時(shí)，則表明缺陷處于邊界部分；當(dāng)Tn>Tn′時(shí)，則表明缺陷處于背景部分。

　　(3)能夠忽略采集過程中圖像的輕微偏移。通常，如果在當(dāng)前行的位置x處發(fā)生梯度變化，相鄰行也將會(huì)在x的鄰域處發(fā)生梯度變化，因?yàn)樾碌男ｒ?yàn)和只對(duì)梯度發(fā)生較大變化的像素值求和，且行間的像素變化是連續(xù)的，所以圖像的輕微偏移不會(huì)導(dǎo)致新的檢驗(yàn)和失效。

　　2.3圖像噪聲問題

　　如果圖像噪聲的幅值較大，將會(huì)把某些噪聲誤判為缺陷。針對(duì)這種情況，可以引入一個(gè)閾值Thc來判斷每一行中每一個(gè)缺陷所占像素的范圍。實(shí)現(xiàn)方法如下：在掃描中每當(dāng)發(fā)現(xiàn)疑似缺陷，通過缺陷的起始坐標(biāo)Xb、終點(diǎn)坐標(biāo)Xe求得缺陷的像素范圍count=Xe－Xb+1。當(dāng)count>Thc時(shí)，將疑似缺陷判定為真正的缺陷，否則將其判定為圖像噪聲。當(dāng)識(shí)別完一個(gè)疑似缺陷后，count清零，繼續(xù)判斷之后發(fā)現(xiàn)的疑似缺陷。Thc的大小與噪聲的類型以及圖像的清晰度有關(guān)。

　　上述方法對(duì)零散的高幅值噪聲過濾效果較好，但是會(huì)疏漏連續(xù)出現(xiàn)的噪聲，因此可以引入行間檢查的方法。具體步驟如下：(1)記錄圖像中每一行內(nèi)缺陷區(qū)域的個(gè)數(shù)，這樣，一幅m×n大小的圖像就會(huì)形成一個(gè)大小為n的一維數(shù)組F［n］；(2)將F［n］通過式(3)轉(zhuǎn)化為另一個(gè)數(shù)組G［n］，就能判斷是否有噪聲被誤判成缺陷。

　　由于每個(gè)缺陷都有一定的面積，行間的數(shù)據(jù)變化也是有規(guī)律的，G［n］上的數(shù)據(jù)不會(huì)發(fā)生劇烈變化。但當(dāng)有噪聲出現(xiàn)時(shí)，G［n］上的數(shù)據(jù)將變化得非常明顯。因此，根據(jù)這種方法就能判斷是否存在噪聲誤判。實(shí)際應(yīng)用中，如果一定范圍內(nèi)G［i］的值都大于0，就認(rèn)為該區(qū)域有噪聲誤判。當(dāng)確定了誤判，就能通過重新掃描這些行快速過濾誤判噪聲。

　　2.4光照問題

　　光照不足或是光照過度都會(huì)影響采集圖像的質(zhì)量，本文通過自動(dòng)調(diào)節(jié)相機(jī)增益來穩(wěn)定光照。實(shí)際應(yīng)用中的流程圖如圖2所示，先計(jì)算直方圖中一個(gè)波峰的橫坐標(biāo)值Th2，通過自動(dòng)調(diào)節(jié)相機(jī)增益使得Th2滿足a<Th2<b，其中a、b都是預(yù)先給定的經(jīng)驗(yàn)值，這兩個(gè)參數(shù)保證采集到的圖像光照最佳。通過固定時(shí)間重復(fù)這個(gè)過程就能達(dá)到穩(wěn)定光照的目的。由于該方法僅采用Th2作為光照強(qiáng)度的判斷依據(jù)，對(duì)于直方圖并不是雙峰的情況也依然適用。

3梯形失真消除

　　梯形失真的圖像是由真實(shí)圖像經(jīng)過仿射變換轉(zhuǎn)換而成的，由于仿射變換保持同素性，梯形失真的圖像經(jīng)過仿射變換也能轉(zhuǎn)換成真實(shí)圖像。對(duì)于任意坐標(biāo)(x,y)經(jīng)過仿射變換轉(zhuǎn)換得到坐標(biāo)(u,v)，都有如下關(guān)系：

　　u=Ax2+By2+Cxy+D

　　v=Ex2+Fy2+Gxy+H(4)

　　其中，A、B、C、D、E、F、G、H是8個(gè)變換參數(shù)。

　　因此，只需要知道變換前與變換后4個(gè)坐標(biāo)的坐標(biāo)值，代入式（4）即可求得8個(gè)變換參數(shù)，也就得到了失真圖像與真實(shí)圖像之間的轉(zhuǎn)換關(guān)系。

4實(shí)驗(yàn)結(jié)果分析

　　本文采用一維行掃描法對(duì)點(diǎn)狀缺陷進(jìn)行檢測，圖3給出了該算法在實(shí)際應(yīng)用中的檢測效果。

　　為了驗(yàn)證算法的效率，本文對(duì)相同時(shí)間內(nèi)不同算法在嵌入式設(shè)備中能夠處理的幀數(shù)進(jìn)行了比較試驗(yàn)。圖4是兩種一維缺陷檢測方法（一維加伯變換法和一維自相關(guān)函數(shù)法）、常規(guī)的二維缺陷檢測方法和本文算法的比較。結(jié)果表明，本文的算法在效率上優(yōu)于常規(guī)的二維缺陷檢測方法以及加伯變換法和一維自相關(guān)函數(shù)法缺陷檢測方法。

5結(jié)論

　　本文提出了一種基于嵌入式的一維缺陷檢測方法，并針對(duì)特殊情況，給出了算法的改進(jìn)方案。實(shí)驗(yàn)結(jié)果證明，該算法擁有良好的缺隱檢出率，并且在算法效率上略優(yōu)于其他同類型算法。

參考文獻(xiàn)

　?。?］ HARALICK R M.Statistical and structural approaches to texture［J］.Proceedings of the IEEE,1979,67 (5):786804.

　　［2］ MOKJI M M,BAKAR S.Adaptive thresholding basedon cooccurrence matrix edge information［C］. First Asia International Conference on Modelling& Simulation, IEEE, 2007:444450.

　?。?］ VILNROTTER F, NEVATIA R, PRICE K. Structural analysis of natural textures［J］. Pattern Analysis and Machine Intelligence, 1986,8(1):7689.

　?。?］ CLARK M, BOVIK A C, GEISLER W S. Texture segmentation using gabor modulation/demodulation［J］.Pattern Recognition Letters, 1987, 6(4):261267.

　?。?］ VALOIS R L D, ALBRECHT D G, THORELL L. Spatial frequency selectivity of cells in macaque visual cortex［J］. Vision Research, 1982, 22(5):545559.

　?。?］ JAIN A K, FARROKHNIA F. Unsupervised texture segmentation using gabor filters［J］. Pattern Recognition, 1991, 24(12):11671186.

　?。?］ SERAFIM A F.Multiresolution pyramids for segmentation of natural images based on autoregressive models: application to calf leather classification［C］. 1991 International Conference on Industrial Electronics, Control and Instrumentation, IECON′91, IEEE, 1991: 18421847.

　?。?］ HAJIMOWLANS S H, MUSCEDERE R, JULLIEN G A,et al. 1D auto regressive modeling for defect detection in web inspection systems［C］. Proceedings of Midwest Symposium on Circuits and Systems,1998,1:330333.