數(shù)字經濟下非標產品的檢測研究

鄔甜甜 潘洪軍 畢振波 朱正祺 杭晟

[摘要]隨著我國經濟日益發(fā)展，很多新興經濟形式如雨后春筍般成長起來，其中值得一提的有民營經濟、區(qū)域經濟及數(shù)字經濟。主要根據(jù)當前舟山經濟發(fā)展趨勢結合數(shù)字圖像處理及人工智能等非接觸的目標檢測算法來分析機器檢測在非標準產品檢測中的優(yōu)勢和可行性，以便于提升經濟效率和優(yōu)化經濟結構，達到促進舟山經濟發(fā)展的目的，并發(fā)現(xiàn)相較于傳統(tǒng)檢測方法，機器智能檢測能夠更快速、精確地完成產品檢測，降低成本。

[關鍵詞]新經濟發(fā)展;舟山經濟;機器檢測;產品檢測

[中圖分類號]TP391[文獻標識碼]A

1? ? 引言

我國經濟正在從高速發(fā)展向高質量發(fā)展轉型，舟山經濟也在謀求更好的發(fā)展道路，在市場經濟能力、生產能力不斷擴大的同時，人們對產品質量的要求也越來越高，產品質量影響產品的商業(yè)價值，阻礙商業(yè)經濟發(fā)展，間接影響各領域經濟的進步，針對這種情況，大部分企業(yè)提出“零缺陷”目標。產品缺陷的傳統(tǒng)檢測方法為人工檢測法，但人工檢測法在實際使用時存在很大的局限性，對于尺寸細微、灰度色差差距小，或是復雜背景圖案上的缺陷，人眼很難辨別，在某些高速應用的領域，人眼也無法實現(xiàn)對高速生產的在線檢測以及對生產質量全程實時監(jiān)控的要求。另外，人具有主觀意識，這會造成人工檢測受人的情緒、思維等主觀因素的影響，使檢測結果具有極大的不可靠性，而且人工勞動強度大，檢測成本高。正因為人工檢測存在上述不足，因此需要一種更先進的方法來進行表面缺陷檢測。近年來，隨著電子技術、計算機技術的高速發(fā)展，用機器取代人眼，進行表面缺陷檢測，已成為現(xiàn)代工業(yè)發(fā)展的一個重要趨勢。

機器視覺檢測系統(tǒng)可實現(xiàn)連續(xù)、無疲勞、惡劣工作環(huán)境下的24小時持續(xù)檢測，且判斷客觀標準、高速高效，為企業(yè)提供人性化、信息化的生產管理提供了保障。同時檢測成本比人工檢測也會降低很多，可以有效減少工廠前期投入資金。突破產業(yè)界限，打破傳統(tǒng)商業(yè)模式和資源利用方式，加快各領域、各環(huán)節(jié)向經濟社會滲透的步伐。對處于戰(zhàn)略性發(fā)展的舟山來說，實現(xiàn)高質量發(fā)展，大力學習數(shù)字經濟是重要途徑。

2? ? 圖像預處理

本文的檢測系統(tǒng)主要檢測非標產品的表面缺陷區(qū)域，由于在采集、傳輸、存儲的過程中，圖像易受到損壞或噪聲污染，導致圖像失真或降低質量，這種情況下，圖像處理之前先進行預處理，便能有效減少圖像的無用信息。大致流程如圖1所示。

2.1? ? 目標圖像的預處理

2.1.1? ? 灰度化處理。對彩色圖像進行灰度化處理，可以有效減少圖像復雜度和信息處理量。

GREY = WrR + WgG + WbB，? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：GREY為灰度值; RGB即為red，green，blue，通常稱為三原色，也是彩圖; Wr、Wg、Wb分別為 RGB的權重值。使用算子Rgb_to_gray（ image， grayimage）將RGB彩色圖像轉化為灰色圖像。

2.1.2? ? 圖像增強處理。圖像增強可以使圖像中感興趣的特征有選擇的突出，衰減圖像里次要信息，一般常用算法有灰度值轉換、圖像直方圖修正、頻域或空間域濾波、同態(tài)濾波等。原圖像存在噪聲干擾時可以采用二維中值濾波來實現(xiàn)對圖像噪聲的抑制以及對邊緣信息的保護。

2.1.3? ? 去除背景圖像。背景圖像屬于無用信息，可以通過圖像的減法運算，將背景從圖像中去除。可以通過算子ImageSub =（ ImageMinuend - ImageSubtrahend ） ×Mult + Add來去除。

2.1.4? ? 圖像二值化。由于拍攝過程中有效信息，減少無用信息的干擾，通過圖像二值化處理來使拍攝區(qū)域從背景中分離。二值化方法總體可以分為局部二值化和全局二值化兩類，若f（x，y）>TH，那么f（x，y）=MAX;若f（x，y）≤TH，那么f（x，y）=0，其中TH為閾值，MAX為最大灰度值。

3? ? 本文算法

3.1? ? ?數(shù)據(jù)分析

3.1.1? ? 圖像讀取與灰度化。未做處理的原圖像，利用halcon進行圖像處理時，需要先讀取圖像，可以用攝像機或者手機拍攝目標圖像，然后輸入算子直接讀取圖像，read_image（Image，C：/Users/Administrator/Desktop/IMG_2365.JPG）

由于現(xiàn)在拍照都是彩色圖像，圖像所含信息量很多，圖像處理的計算量也很大，為方便計算，把彩色圖像轉化成灰度圖，去除彩色信息，只含亮度信息，如圖2。

3.1.2? ? 邊緣提取。使用算子edges_sub_pix（grayimage，Edges1，canny， 0.9，20，40）通過canny濾波器來對目標區(qū)域進行亞像素級邊緣提取，能夠直接返回具有亞像素精度的像素點組成的邊緣。提取的邊緣如圖3所示。

3.1.3? ? 動態(tài)閾值二值化。圖像經過灰度化后的整體灰度值差異較小，此時需要尋找一個合適的閾值將圖像中的缺陷部分分離出來。選擇算子：threshold（Image，region，？， 255），？位置分別帶入50、80、100、150、180、200并運行，結果如下表1所示，可見（150，200）的閾值能達到預期目標，如圖4。

3.1.4? ? 缺陷檢測。根據(jù)邊緣提取區(qū)域，利用算子 reduce_domain 能夠得到除去背景的非標產品圖像，為防止預處理過程中產生的噪聲影響缺陷檢測，需要進行均值濾波，濾除噪聲，達到圖像平滑的目的，經過以上幾個步驟處理，即可將缺陷檢測出來。

4? ? 結語

本文采用動態(tài)閾值二值化的方法來對目標圖像進行檢測，能針對各個區(qū)域的缺陷高效率高精度的完成檢測，還可以節(jié)省檢測時間與成本，滿足生產線對精度的要求，若加上非標產品的分揀平臺，還可以設計出一套綜合的非標產品缺陷檢測系統(tǒng)。但本文還存在很多不足，降低檢測誤差及檢測種類方面還有待改進。

[參考文獻]

[1] 趙喆，侯俊.基于膚色模型和改進 Adaboost 算法的人臉檢測[J].電子科技，2015，28（ 12） ： 80-83.

[2] 何金彪，周永霞.基于機器視覺的罐蓋缺陷檢測[J].中國計量學院學報，2015，206（3）： 269-273.

[3] 鄭云雷，黃影平.基于 HIL 和機器視覺的汽車儀表測試平臺[J].電子科技，2015，28（ 12） ： 88-91.

[4] 高云飛，李紅信，虎巍.基于最小二乘法橢圓的擬合點的選擇研究[J].信息通信，2014 ，136（4）：6-7

[5] 李淵，喬兵，陸宇平.基于聚類方法的圓擬合算法[J].計算機應用，2013，33（z2）：206-208.

[6] 金貝. 基于 HALCON 的機器視覺教學實驗系統(tǒng)設計[D].北京：北京交通大學，2012.

[7] 彭飛，陳維榮，冒波波，等.基于 Canny 邊緣檢測和聚合接續(xù)法的路軌邊緣提取方法[J].鐵道學報，2012，34（ 2） ： 52-57.

[8] 陳濤.基于HALCON 的表面貼裝電子組件檢測系統(tǒng)的研發(fā)[D].廣州：華南理工大學，2011.