淺談機器視覺化在鋼化玻璃缺陷檢測中的應用

牛文靜

（蚌埠市產品質量監督檢測中心，安徽 蚌埠233000）

0 引言

在當今社會，社會的發展腳步與人們的生活水平質量得到了顯著的提升，在人們的正常工作與生活中對玻璃進行運用的需求與途徑越來越廣闊。然而玻璃是一種易碎物，碎了之后非常容易傷及旁人。因此，為了對玻璃的安全性進行提升，特別是在交通、建筑、家具以及裝飾裝修等行業，強度比較高的鋼化玻璃得到了廣泛使用。即便如此，鋼化玻璃仍舊擁有普通玻璃抗拉強度較低等特性，發生破壞時常常帶有一定的突發性及災難性。尤其是具有缺陷的鋼化玻璃，往往會產生自爆。因此，在生產運營的過程中，對鋼化玻璃缺陷的檢測是非常有必要的，而檢測其缺陷的方式有很多，筆者認為，機器視覺化技術是一種較為理想的檢測技術。

1 鋼化玻璃出現自爆的原因及可行性措施

通常情況下，玻璃內的各種雜質產生相變膨脹的現象是引發鋼化玻璃出現自爆情況的主要原因，硫化鎳是這些雜質的主要成分，其他雜質則為氧化鋁、單質多品硅以及硅鋁酸鈉等異質相雜質。

針對鋼化玻璃產生的自爆情況，很多廠家都會對鋼化玻璃進行均質處理，也就是HST。具體說來就是對鋼化玻璃進行再次加熱，并且將溫度提升到300℃左右且在一定時間內保溫，使得存在缺陷的鋼化玻璃能夠在工廠內提前進行自我破碎。不過，從長期實踐應用情況來看，采取均質處理，需要比較高的工藝技術，將所有的雜質問題都處理掉具有一定的難度。采用均質處理的方式，從某種程度上來說，的確可以有效地降低鋼化玻璃的自爆率，但是對自爆這種現象進行徹底的杜絕仍舊是不可能的。也就是說，在檢測鋼化玻璃缺陷的過程中，僅采取均質處理的技術是遠遠不夠的[1]。

從大量的計算與實例統計來看，引發鋼化玻璃出現自爆情況的雜質顆粒的直徑通常在0.03mm-0.71mm間，平均粒徑為0.31mm，可以說，與人們的視覺極限非常接近。同時，這些微粒在玻璃中都是以晶體的形式存在，如果將其放置在較為普通的光照環境下，并不能表現出其明顯的特征。所以，在檢測鋼化玻璃缺陷的過程中，使用人工檢測的方式存在比較大的難度，而且檢測效率也不高，沒有統一的標準。不過，采用機器視覺技術則能夠很好地完成與之相對應的識別工作。

2 機器視覺化在鋼化玻璃缺陷檢測中的應用

2.1 機器視覺化中的光源配置

為了將鋼化玻璃中的缺陷突顯出來，在整個操作的過程中，光源的配置是一個非常重要的技術環節。透明材料是鋼化玻璃制作的主要材料，具有較低的反射率，所以在常用的反射照明方式中，其并不是很適用，所以，可以采取透射照明的形式。為了最大限度地提升透射光線的強度，可以依據光的特點，即光的波長越長，那么其所擁有的透射能力就越強，將紅光作為照明的光源。除此之外，從系統的可靠性與使用壽命等因素來看，在選擇發光體時可以使用紅色LED。將這一光源放置到玻璃的下方，光線便會在穿過玻璃之后通過鏡頭進入到相機。在這種情況下，人們便能夠得到比較高的對比度，同時被檢測物體較為清晰的整體輪廓也比較容易得到[2]。

2.2 機器視覺化檢測系統的關鍵技術

2.2.1 圖像預處理技術

因為受采集設備自身噪音與非理想成像條件等因素的影響，對鋼化玻璃圖像進行采集之后，難以避免地會有各種干擾與噪聲的存在。當噪聲較為強烈時，非常容易將噪聲錯誤地認為是玻璃中的缺陷，因此，在分析與識別缺陷的過程，采取有效的降低或祛除噪聲的方法是非常關鍵的[3]。比較常用的祛噪方式有中值濾波、平均法以及維納濾液等。在這些方式中，維納濾液會對圖像的高頻成分以及邊緣進行保留，不過所耗費的時間的也比較多；平均法運行的速度比較快，不過非常容易出現模糊，尤其是細節與圖像邊緣處。對圖像進行處理通常使用邊緣信息保護，能夠有效地降低圖像掃描的噪聲與多脈沖噪聲，而且使用的方式也非常簡單與迅速。

2.2.2 提取目標缺陷

對目標圖像進行預處理之后，有必要進行二值化處理，使得其梯度特征與幾何特征等能夠有效地被提取出來。1979年，日本的一位學者大津曾經提出了最大類間方差法，也叫做大津法，即OTSU法[4]。這一方法是一種自適應的閾值確定的方法。是將一維直方圖作為基礎，從而將一種自動的無參數無監督的閾值分割方法推導出來。根據圖像的灰度特性，圖像就會被分成兩大部分，分別是目標與背景。最后，再根據目標與背景之間的類間方差對構成圖像兩部分的差別進行區別。簡單說來就是方差越大的話，那么方差也就越大。但是，當錯分出現之后，也就是部分目標錯分為背景或者部分背景錯分為目標，便對對這兩部的分差造成較大的影響，使其變小。

2.2.3 提取缺陷特征

提取與選擇缺陷特征是非常重要的一大部分，它對學習算法的選擇以及學習的效率能夠產生比較大的影響，甚至還會對識別的正確率產生重大的影響。從某種程度上來說，它影響到的不僅僅是系統的有效性。特征的數量應該適中，不能太少，但也不能太多。機器在學習與實踐的過程中，表現出來的特征個數如果太多，容易使特征出現冗余；如果太少，則會讓特征不全。所以在選取特征時，最好是將縮放、旋轉與評議不變性等特征選取出來，主要有缺陷的周長、面積、HU的七個不變矩以及橢圓度等。利用機器視覺化提取鋼化玻璃的缺陷特征有助于對實際情況的還原和描述。其中，神經網絡具有較強的訓練能力和學習能力，在對鋼化玻璃缺陷的分類識別中可以更加精確地處理分類以及糾錯。通常情況下，三層的BP網絡分類能力十分強，可以形成復雜的空間曲面。因此，三層BP在鋼化玻璃的缺陷分類識別中的使用尤為廣泛。

3 結語

綜上所述，能夠引起鋼化玻璃出現自爆情況的雜質顆粒尺寸，通常都超過了人們的視力極限，人工檢測技術是很難對這些缺陷進行識別的。相反，使用先進的機器視覺檢測的方法，則能夠較為穩定、快速且高效地檢測出來，而且評價的標準也較為統一，表現出來的連續性也比較好。因此，在鋼化玻璃檢測過程中應用機器視覺化技術是非常有必要的。

［1］余文勇，周祖德，陳幼平.一種浮法玻璃全面缺陷在線檢測系統[J].華中科技大學學報：自然科學版，2009，06(08)：105-106.

［2］于水英，丁華福，付志超.基于遺傳算法和模糊聚類的文本分類研究[J].計算機技術與發展，2009，02(04)：162-166.

［3］王俊明，蘇記華，薄昌盛，王斌.基于PLC和CC-Link總線的工業機器人控制的實現[J].自動化技術與應用，2013，04(07)：131-134.

［4］劉立，萬亞平，劉朝暉，黃欣陽.基于SIFT匹配算法的移動機器人單目視覺定位研究[J].系統仿真學報，2012，07(09)：224-226.