統計紋理的自動表面檢測

摘要：提出了一種用于砂紙、鑄件和許多工業材料中的隨機紋理表面缺陷的自動檢測的全局方法。該方法不依賴于紋理的局部特征，它應用傅里葉變換進行全局圖像恢復。應用逆傅里葉變換去除任何統計紋理中的周期性、重復性結構。在恢復圖像中，原圖像中的同質區域灰度近似一致，而缺陷區域被明顯地保留下來了。對不同實際統計紋理的實驗結果表明了該方法的有效性。

關鍵詞：表面檢測； 缺陷檢測； 統計紋理； 傅里葉變換； 圖像重構

中圖分類號：TP391．41文獻標志碼：A

文章編號：1001－3695(2007)08－0193－02

圖像分析技術在自動工業檢測中應用越來越廣，手工檢測帶有主觀性，且高度依賴檢測員的經驗。本文應用機器視覺進行統計紋理的自動表面檢測。

本文的檢測任務屬于定性檢測，檢測劃痕、裂紋、玷污、磨損和其他不能很好定義的新的明顯錯誤。許多這些不可預測的缺陷尺寸小，不能用顯性測度描述，使自動缺陷檢測工作顯得困難。

本文采用全局圖像重構技術，用傅里葉變換進行表面缺陷檢測，但主要針對具各向同性結構的統計紋理。本文用傅里葉圖像重構技術進行結構紋理和統計紋理的缺陷檢測。對統計紋理，傅里葉譜圖像中的高頻成分的擴展一般隨頻率成分遠離傅里葉譜圖像中心成分降低。通過尋找原點在傅里葉譜中心合適半徑的圓，并將選擇圓外的頻率成分設為零，可用逆傅里葉變換清除任何統計紋理中的周期性、重復性結構而保留局部異常。傅里葉譜圖像中圓半徑的選擇基于每一不同半徑的環的平均功率幅的曲率分析。在恢復圖像中，原紋理圖像中的同質區域具有大致均勻的灰度，缺陷區域得到明顯的增強。然后用一簡單的二值化過程區分恢復圖像中的缺陷區域與同質區域。

1周期性結構的去除

1．1統計紋理的傅里葉譜

本文用機器視覺檢測嵌入同質、統計紋理中的局部異常缺陷。用傅里葉基的圖像重構技術去除隨機紋理圖像中的重復性、周期性結構，然后就可在恢復圖像中識別異常。傅里葉變換具有噪聲不敏感、周期性等特征。傅里葉變換用頻率成分來描述紋理圖像。周期性發生的特征可從頻率成分的幅度上看出。在頻譜中全局紋理結構表現為明顯的高能突發集中。

隨機紋理包含各向同性結構，頻譜圖像中的高能成分也是向各個方向分布，形成圓盤形。精細的紋理表面在傅里葉譜圖像中產生較大的擴展圓，而粗糙的紋理產生較小的擴展圓。在頻譜圖像中，對粗糙紋理表面遠離中心分量的頻率成分的功率幅度急劇下降而趨于0，而對精細紋理表面，這種下降是逐步進行的。因此，原點在傅里葉譜圖像中心不同半徑的擴展圓包含了紋理圖像中不同層次的信息。

注意對無缺陷圖像，恢復圖像(x，y)近似為一均勻灰度圖像。在缺陷區域像素，形成明顯不同的灰度值。同質區域中的強度變化將會很小，而缺陷區域的灰度變化相對于整個恢復圖像來說會很大。因此，可以用簡單的統計過程控制原則來設定區分恢復圖像中的缺陷和均勻背景的控制限。恢復圖像中強度變化的上下控制限為μ±σ。

其中：c為控制常數。因為恢復圖像中缺陷區像素的灰度明顯不同于正常區像素的灰度。在恢復圖像中，它能充分除掉無缺陷表面上的隨機噪聲，并能很好地分割缺陷表面的異常。如果一像素的灰度落入該控制限，該像素就為同質單元；否則，就將其劃做缺陷單元。

2實驗與討論

本章給出了砂紙、鑄件等各種不同統計紋理的實驗，以評估提出的缺陷檢測方法的性能。圖像為8位灰度圖像，大小為256×256像素。本文的方法不需要預存的紋理圖像做參考，或任何無缺陷樣本的紋理信息。實驗中的所有測試樣本取支撐長度s=2進行曲線E(r)-r上曲率測量，取為控制限c=5。

3結束語

本文考慮了檢測嵌入統計紋理中的局部缺陷的問題。提出的方法不是基于逐像素的局部紋理缺陷，而是基于應用傅里葉變換的全局圖像重構方案。通過合理選擇原點在傅里葉譜圖像中心，設置中心及圓外的頻率成分為0，全局周期性、重復性的紋理結構可被有效地清除掉，而局部異常在恢復圖像中被明顯地保留下來了。用于圖像恢復的圓的最優半徑由不同半徑的平均功率曲線的最大曲率確定。值的微小變化不會影響重構結果。本文提出的方法是無監督的，它無須預先存儲無缺陷圖像或參考紋理的任何信息。它使該方法對照明等的環境變化不敏感。實驗結果表明提出的方法非常適于檢測包含同質結構的統計紋理中的缺陷。提出的方法的性能隨著紋理結構改變的不規則而逐漸惡化。

本研究中提出的方法主要集中于紋理圖像中的缺陷檢測，而不是缺陷類型的分類。盡管由提出的方法得到的分割可能會模糊或者在形狀上不精確，它仍能可靠檢測紋理圖像中缺陷的存在。在分類應用中，提出的方法可用于復雜紋理中缺陷的快速定位，然后在檢測到的缺陷領域應用局部技術提取缺陷的顏色、塊等特征。

致謝: 感謝畢業于中國科學院的姜成山的指導與幫助。

參考文獻：

［1］LIVARINEN J.Surface defect detection with histogrambased texture features[C]//Proc of SPIE 4197， 2000:140145.

[2]CHAN C H， PANG K H. Fabric defect detection by Fourier analysis[J]. IEEE Trans Industry Applications，2000，36:12671276.

[3]WILTSCHI K， PINZ A， LINDEBERG T. Automatic assessment scheme for steel quality inspection[J].Machine Vision and Applications， 2000(12):113128.

[4]段峰，王耀南，雷曉峰，等.機器視覺技術及其應用綜述[J].自動化博覽，2002(3):59－62.

[5]謝勇，王耀南，彭濤，等.基于機器視覺印品缺陷檢測的濾波算法[J].湖南大學學報：自然科學版，2005，32(4):53－57.

[6]姜濤，王安麟，王石剛，等.基于機器視覺的印刷電路板誤差校正方法[J].上海交通大學學報，2005，39(6):945－949.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”