基于機器視覺的金屬罐內壁缺陷檢測

胡曉彤，董瑩瑩

(天津科技大學計算機科學與信息工程學院，天津 300222)

對于高速自動化生產線來說，金屬罐內壁要經過焊接、沖壓和鍍膜等工藝，在此期間可能造成金屬罐內壁的質量缺陷，因此，在出廠前必須進行金屬罐內壁的質量檢測．傳統檢測多采用人工方法，效率和精度較低，且存在人工污染．采用機器視覺技術可以避免人工檢測的不足．采用機器視覺方法對金屬罐內壁進行質量檢測與常規的機器視覺檢測系統相比，存在成像較常規透明材料困難、罐內壁質量檢測對象為多個區域，不同于常規的對象整體檢測等問題[1–2]．

基于機器視覺的缺陷檢測技術已經成為生產線上質量控制的主要手段[3–5]．內壁檢測是生產線上重要的環節，能夠及時地反映出生產設備或者其他原因造成的內壁缺陷，從而解決相應問題，具有較高的研究價值．本文研究金屬罐內壁的缺陷檢測，包括罐口、焊縫及內壁 3部分的缺陷，主要有罐口的變形，焊縫是否只有兩條并在規定的區域，罐內壁存在劃痕、污點等．文獻[2]和文獻[6]實現了對罐內壁的缺陷檢測，其中文獻[6]的檢測速度為 2個/s，已無法滿足高速生產線的速度需求．本系統結合生產實際，提出了對金屬罐內壁具體的檢測方法，并運用4線程對劃分的區域進行瑕疵點檢測，能夠大大縮短時間，提高檢測速度．

1 系統設計

在現有自動化生產線上基于機器視覺的金屬罐內壁缺陷檢測中，因鋁制罐容易反光，容易讓大多數的相機和傳感器失靈[3]．在解決這個問題上，本設計采用了圓頂光源．圓頂光源是一種漫反射無影光源，結構優化后排列的LED發出的光線經球面漫反射之后，平滑、均勻地照射在被測物體表面，該系列光源具有較大的光擴散面，能夠全方位均勻照射在被測物體上，適用于表面有起伏、反光的物體，即使是彎曲的金屬表面也能夠被均勻地照射到．以王老吉易拉罐作為被檢測對象，采集的金屬罐內壁圖像如圖 1所示．

圖1 金屬罐內壁圖像Fig.1 Images of metal cans’ inner wall

將被檢測的金屬罐放在傳送裝置上，該傳送裝置上設有傳感器、攝像機、光源等裝置．當金屬罐到達放置傳感器的檢測工位時，成像系統對金屬罐內壁進行高速成像，將采集的金屬罐內壁圖像傳輸到工業計算機，工業計算機對其進行處理和多區域檢測，并進行質量判別．攝像機采用大恒圖像研發的具有USB2.0接口的數字攝像機 MER–125–30,UM/UC，采集圖像大小為1,176像素×964像素．圖2為檢測系統裝置簡圖．

圖2 檢測系統裝置簡圖Fig.2 Schema of the detection system

結果判別主要通過對采集的圖像進行分析，包括對圖像進行邊緣檢測，采用最小二乘法對采集的圖像擬合，找出圓心和半徑，對圖像檢測區域進行定位，最后進行各區域的檢測．圖 3為基于機器視覺的金屬罐內壁缺陷檢測系統功能簡圖．

圖3 金屬罐內壁缺陷檢測系統功能簡圖Fig.3 Function diagram of the defect detecting system of metal cans’ inner wall

2 圖像預處理

2.1 邊緣檢測

邊緣檢測是圖像處理和機器視覺中，尤其是特征提取中的一個重要研究領域．本文對比幾種邊緣檢測算子，最終采用 Canny算子提取金屬罐內壁圖像的邊緣．

2.1.1 對原始圖像進行灰度化

Canny算法通常處理的圖像為灰度圖像，因此首先要對采集的彩色圖像進行灰度化處理．使用OpenCV庫的轉換函數可實現快速準確的轉換．

因為圖像是在紅色圓頂光源下拍攝，因此程序采用cvSplit中輸出紅色通道的方式進行灰度轉換．

2.1.2 Canny算法

在實現 Canny算法中所采用的卷積算子的表達式為

Canny算子用于尋找圖像的局部極大值．本文采用雙閾值方法[5]．由圖 4可以看出，經過 Canny算子檢測后的圖像邊緣是連續的，且內壁劃痕圖像清晰，效果較好．

圖4 canny邊緣檢測結果Fig.4 Result of canny edge detection

2.2 最小二乘法原理

設要擬合的圓的方程為

可將此不易擬合的二次非線性方程整理成如下形式：

殘差平方和為

使殘差平方和取最小值時求出的參數A、B、C即為在最小二乘圓擬合意義上的最優解．由上述公式可求得最小二乘圓心坐標及半徑：

最小二乘算法的程序簡單，具有較快的運行速度．根據得到的圓心和半徑可對金屬罐內壁檢測區域進行定位．

2.3 霍夫直線檢測

霍夫變換(Hough transform)是數字圖像處理中重要算法之一，主要用于在圖像中檢測幾何圖案，包括在二值圖像中檢測直線、圓等．在系統中運用霍夫直線檢測，通過對點的采集查找出直線，對焊縫部分進行檢測．圖 5所示為霍夫直線檢測原理中由點到直線的變換．

圖5 霍夫變換檢測，直線坐標系變換Fig.5 Detecting by Hough transform，the rectangular coordinates transformed

3 金屬罐內壁檢測區域的定位及檢測

3.1 金屬罐內壁檢測區域定位

通過最小二乘法找出外圓半徑 R1和內圓半徑R2，設定定位參數 a、b，則罐口部分為所組成的圓環區域，金屬罐內壁部分為組成的圓環區域[6–9]．根據霍夫直線檢測確定焊縫區域．圖6所示是對3個區域的定位實例.

圖6 檢測區域定位Fig.6 Position of the detecting area

3.2 缺陷檢測算法

3.2.1 罐口部分缺陷檢測

確定檢測范圍之后，首先對金屬罐頂部邊緣，即圖像的外圓進行檢測．外圓變形大多是生產運輸過程中因碰撞、擠壓造成的表面凹陷．圖 7為罐口部分存在凹槽時的檢測圖像．

圖7 邊緣檢測后的凹槽Fig.7 A groove after edge detection

(1)定義一個整型數組 x[n]，并初始化數組的初值等于數組的下標．偽代碼如下：

Def.x[n]

Repeat{

x[n]《←i

}

(2)對位于頂部邊緣檢測范圍內的白色像素點，如果像素點 x[i]＝1(白色)，取這個像素點的極坐標角度值，并把數組中下標等于該角度值的元素賦值為1．重復循環此過程．偽代碼如下：

(3)對整型數組重新進行循環掃描，判斷是否依然存在數值不為 1的元素．如果存在則說明外圓在此位置存在凹槽，該位置的元素的值即為殘缺點的極坐標角度．如果數組中的元素全部賦值為 1，則說明數組中的元素已覆蓋外圓，罐口不存在凹槽缺陷．偽代碼如下：

Repeat{

If(x[i]≠1)

Exist physical defects

Else

Not Exist physical defects

}

3.2.2 金屬罐焊縫檢測

首先創建 1個內存存儲器 storage和 1個可增長序列 lines，然后調用 CvHoughLines2對焊縫圖像進行直線檢測．將檢測到的直線保存，為之后對直線的處理作準備．

檢測出焊縫直線后，首先判斷直線的條數，如果直線條數大于 2，則認為存在直線劃痕，金屬罐不合格；如果直線條數等于2，則判斷直線之間的夾角，夾角范圍在m1至m2間即視直線為封口直線，在本設計中 m1＝16°，m2＝17°．圖 8 所示為焊縫檢測實例，在焊縫部分有兩條白色線，能夠準確定位焊縫位置．

在對焊縫檢測完成之后，需要把該焊縫區域剔除，以便于后續檢測．剔除分 2步進行：(1)把確定 2條直線的4個點按極坐標角度排序，求出最大和最小角度；(2)掃描數組，將所有在最大和最小角度間的點全部剔除．

圖8 焊縫的霍夫直線檢測Fig.8 Hough line detection of the welding parts

3.2.3 金屬罐內壁缺陷檢測

確定內壁檢測范圍和霍夫直線檢測剔除焊縫區域后，得到內壁的待檢測圖像，主要用于檢測內壁劃痕．對劃痕的檢測方法為：

(1)將圖中所有的白色像素點(已保存在數組x[n]中)按其極坐標角度由小到大排序．因為數據量不大，采用冒泡法進行排序處理．由極坐標的定義可知，圖像中連通域的極坐標角度一定是連續的．所以將所有白色像素排序，為劃痕檢測作準備．

(2)對排序后的數組元素進行逐個掃描，判斷每個元素之后一定范圍內的元素，是否有和該元素連續的點．通常是通過兩點間的距離來判斷是否連通，為了簡化運算，采用式(8)來衡量兩點間的距離．

式中：r1、r2、θ1、θ2分別為兩點的極坐標半徑和極坐標角度．

因為圖像在經過灰度化和邊緣檢測之后，可能造成小部分像素信息丟失，為了不使丟失的像素影響對連續區域的判斷，設定了閾值T．即由式(8)得到的數值小于T，則認為兩數組元素為連續點．

在找到當前點的連續點之后，跳過2個元素之間的數組元素，從找到的元素開始新的掃描，繼續查找其連續點．

(3)圖像中所有的連通域并不一定都是劃痕，也可能是在采集過程中因光照等因素影響形成的雜點．因此找到一組連續點之后，需判斷該組連續點是否為內壁劃痕．按照系統需求設定閾值 k，如果該組連續點的像素點個數大于 k則認為其為待檢測的內壁劃痕；反之則認為該組連續點為圖像處理過程中的誤差點．

圖9所示為金屬罐內壁缺陷檢測的實際效果，其中圖 9(c)為經上述過程檢測出金屬罐內壁中存在的劃痕，劃痕的首尾已經圈出．

圖9 金屬罐內壁檢測效果Fig.9 Effect of the metal can’s inner wall detection

4 實驗及改進

以 Visual Studio 2010為開發平臺，設計了基于機器視覺的金屬罐內壁缺陷檢測系統，對金屬罐內壁缺陷進行檢測．檢測系統的計算機配置為：CPU Intel(R)Core(TM)i7–3770，8,MB 三級緩存，內存4,GB，四核心/八線程．

對金屬罐內壁分 3部分進行檢測，分別為罐口、焊縫和內壁，總檢測時間為 165,ms，無法達到生產線的速度要求．因此通過 4線程進行優化，方法為：在金屬罐內壁掃描瑕疵點時，以原點為中心，按照角度將圖像平均分成4個象限，用4個線程同時對瑕疵點掃描并存儲．優化后減少了檢測時間，總用時55,ms，加上圖像采集及圖像處理時間，對一個金屬罐的檢測時間為101,ms．

采用4線程優化前后檢測時間的對比見表1．從表中可以看出，采用4線程優化后3個部分的運行時間均有明顯縮短．表 2所示為本文方法與 Blob算法的檢測結果對比，可以看出，本文的優化檢測算法能夠更好地提高檢測速度．

表1 優化前后的運行時間對比Tab.1 Contrast of optimized running time and the original time

表2 兩種方法檢測結果對比Tab.2 Results of the two methods in contrast

5 結 語

本文結合生產實際設計了基于機器視覺的金屬罐內壁缺陷檢測系統，使用4線程后比傳統方法縮短了檢測時間，能夠準確地檢測金屬罐內壁缺陷，并滿足檢測速度要求，檢測速度達到 600個/min，可檢測瑕疵最小面積為0.2,mm×0.2,mm．

今后還需在減小檢測誤差和檢測更多種類的缺陷特征方面進行完善，進一步提高金屬罐內壁缺陷檢測系統的可擴展性和穩定性，使其應用范圍更廣．

［1］ 賀超英，張輝. 基于機器視覺的罐蓋質量檢測系統設計[J]. 儀表技術與傳感器，2011(2)：85–90.

［2］ 王宣銀，梁冬泰. 基于多元圖像分析的包裝罐內壁缺陷檢測[J]. 農業機械學報，2009，40(6)：222–226.

［3］ 李煒，黃心漢，王敏，等. 基于機器視覺的帶鋼表面缺陷檢測系統[J]. 華中科技大學學報：自然科學版，2003，31(2)：72–74.

［4］ 廖水碧，肖明富. 金屬制品表面質量缺陷無損檢測的研究現狀與展望[J]. 中國冶金，2007，17(3)：48–51.

［5］ 沈昱明，楊征兵. 機器視覺在銅帶表面缺陷檢測系統中的應用[J]. 電子測量技術，2010，33(4)：65–67.

［6］ 朱明，曾其勇，洪濤，等. 基于機器視覺技術的奶粉罐內壁缺陷檢測系統設計[J]. 制造業自動化，2012，34(12)：37–40.

［7］ Malamas E，Petrakis G M，Zervakis M，et al. A survey on industrial vision system，applications and tools [J]. Image and Vision Computing，2003，21(2)：171–188.

［8］ 程轉偉，頡譚成，劉岳林，等. 圖像處理技術在表面缺陷檢測中的應用[J]. 微計算機信息，2008，24(15)：312–314.

［9］ 易愛春，龍永紅，黃曉清. 一種基于視覺的表面質量檢測方法[J]. 湖南工業大學學報，2008，22(6)：46–54.