淺析基于機器視覺的玻璃質量在線檢測系統

侯靜

摘 要：隨著國際與國內市場對玻璃產品需求的進一步提升，推進玻璃生產從品種、生產工藝、質量都發生了明顯的變化。特別是如今生產技術的飛速發展，高質量產品對玻璃原板的品質要求逐漸升高，因此進一步確保玻璃質量，提升其等級就顯得非常關鍵。現階段，國內玻璃質量的在線檢測主要借助于人工檢測的策略，人工在線自動化水平低、檢測效率低以及工作量大。針對這一問題，本文深入分析基于機器視覺的玻璃質量檢測系統。

關鍵詞：機器視覺；玻璃質量在線檢測系統

1系統的整體框架

1.1硬件系統

在機器視覺下的玻璃質量在線檢測系統重點包含處理器模塊、圖像采集模塊、輔助模塊、控制模塊以及網絡模塊等。圖像采集模塊一般涵蓋鏡頭、相機安裝以及調整機構、攝像機、照明系統、圖像采集卡等。處理器模塊借助于Cliet/Server工作模式，客戶端重點處理大數據量，涵蓋模式識別、圖像預處理以及圖像存儲等，因為運算量及時性的要求，使用多處理器的工控機[1]。服務器端一般負責接受客戶端的相關數據，開展實時顯示與統計研究等。網絡模塊借助于分布式處理結構，由一臺網絡交換機、多臺客戶端以及一臺服務器組成。每臺客戶端連接一臺攝像機，并經過圖像采集卡把攝像機搜集到的相關圖像數據傳輸到客戶端開展處理；服務器以及客戶端之間經過網絡交換機與以太網開展圖像信息以及數據的傳輸。控制模塊重點由PLC、光電編碼器、打標設備以及切割信號等構成。輔助模塊一般涵蓋打印設備以及冷卻設備。

1.2軟件系統

圖像處理以及分析模塊是實現在線質量檢測的核心功能模塊，一般是根據檢測要求對每種檢測算法開展模塊化以及系統化的軟件實現。

2玻璃圖像的獲得以及預處理

為獲得良好的玻璃圖像，此檢測系統中采取了高速線陣CCD攝像機對生產線上的相關玻璃圖像進行及時采集，所獲得的圖像模擬信號經過圖像采集卡的信息化處理，再傳輸至計算機中開展圖像預處理。

圖像預處理主要是為了濾除干擾噪聲以及提升圖像質量。因為現場環境的不斷影響，在采集以及傳輸圖像的時候，具有多樣化的干擾以及測量誤差，造成圖像質量降低[2]。在開展缺陷檢測算法前，需要處理圖像以提升圖像的清晰度與優化圖像質量，使實時成像系統的分辨率以及靈敏度可以滿足相關檢測要求。圖像預處理的核心流程重點涵蓋運動模糊消除、中值濾波以及線性變換等。

在本檢測系統里面，為了及時計算的需求，圖像處理部分借助于計算空間域中值濾波的策略來降低環境的照明視場噪聲與干擾噪聲。中值濾波是將以某點（x，y）為核心的小窗口內的全部象素的灰度從大至小的順序排列，把中間值當作（x，y）處的灰度值。與低通濾波會造成圖像模糊的特征不一樣，中值濾波在進一步取出噪聲的過程中保存了圖像的邊緣信息，它有利于進一步抑止椒鹽噪聲[3]。因為檢測對象是運動中的玻璃，收集了序列的瞬態運動圖像，一定具有大片的運動模糊。對此，采取數學形態學下的濾波進一步處理這一問題，即借助于形態學對玻璃圖像開展先腐蝕、后膨脹處理的后果就能夠去除部分噪聲，而凸顯真正的漏洞。而且數學形態學運算可以兼顧圖像目標的尺寸大小與幾何形狀特點，擁有平移不變性，而且采取基于邏輯與移位運算的基礎形態變換，速度快、簡單、計算量小。圖像差影屬于一種圖像的具體代數運算，簡言之，即圖像的相應象素開展相減的運算，于是又叫作減影運算。玻璃質量檢測里面的目標與標準圖像都采集于一樣的玻璃生產線上，玻璃漏洞是兩者之間的核心區別。由于這種處理策略算法單一化，運算效率很高，于是本文采取這一算法來提取缺陷圖像。為了減少噪聲的不斷影響，應該有效的處理采集到的圖像。

（1）處理算法如下：f（x，y）=1H∑H-1m=0f（x，ym）（2）以s（x，y）表示差影結果圖像；g（x，y）表示目標圖像；f（x，y）表示標準圖像。差影處理能夠表示成s（x，y）=f（x，y）-g（x，y）（3）由于在圖像處理里面數據運算的主要對象為象素的灰度值，灰度值的具體取值范圍為0至255，不能產生負值。

3圖像處理算法及軟件實現

3.1圖像處理算法

提取目標：目標提取可以準確提取缺陷。及時采集的玻璃圖像因為采集系統自身與受光源的缺陷的進一步影響，會產生從中間向兩端灰度值逐漸下降的趨勢。于是在分割圖像的過程中采取了全局閾值曲面的相關技術。通過全局閾值處理之后的圖像。這時分割的圖像里面可能還具有偽缺陷[4]。對分割后的圖像借助于真、假缺陷紋理特點的區別進一步去除其中的假缺陷。提取特點：在提取缺陷之后，因為系統要對缺陷開展分類，以達到對玻璃的不斷分級，所以要提取缺陷的形態參數與特點。圖像處理模塊進一步提取了缺陷的灰度特征、幾何特征、紋理特征以及梯度特征。借助于這些特點完成了對缺陷的具體數學描述，比如缺陷的長寬比、平均灰度以及面積等。特點越完整，對缺陷的描述越精準，也更方便后續的分類。

缺陷分類：其是玻璃質量檢測系統的一個核心任務。經過對缺陷開展分類，生產人員可以進一步判斷生產狀態。本系統將三層前饋神經網絡當作分類器，采取向后傳播算法來訓練網絡[5]。把提取的特點當作網絡輸入層，輸出是缺陷的各種類型。異物以及灰塵是影響檢測正確性的一個核心方面，為了過濾異物以及灰塵等假缺陷，我們也提取了部分異物以及灰塵的特點，進一步訓練網絡，并把其當作網絡輸出的一部分。

3.2軟件實現

為確保處理速度以及采集精度，本系統共使用了8個單獨的圖像處理模塊。各模塊以及服務器把千兆以太網當作鏈接媒介。各客戶端與服務器獨立完成處理任務。客戶端把處理后的缺陷數據以及圖像數據傳達給服務器，以供其開展研究以及判斷[6]。服務器把接收到的信號狀態與任務指令時刻提供給客戶端。服務器與各客戶端采取了同步信號源以及數據校驗方式，進一步確保了數據的同步性。在處理軟件的過程中考慮到數據處理量很大，為確保處理的有效性，使用了雙冗余數據塊處理技術。對采集的圖像數據進一步采取雙緩存，一個順利運行，一個當作后備，當采集到的圖像數據提前到達，把此數據進一步存放于后備緩存區中。如此一方面能夠避免圖像數據的大量丟失，進一步確保玻璃圖像都被有效處理，可以時刻跟蹤生產具體情況；另一方面，假如處理算法上來不實時處理圖像數據時，也能夠擺脫一個圖像數據而并不對后續圖像的處理產生影響，防止了圖像數據的不斷堆積，確保了處理的有效性以及連續性。

參考文獻：

[1]楚啟超，吳建國，張堃，etal.基于機器視覺的干燥包完整度在線檢測系統[J].儀表技術與傳感器，2017（9）.

[2]龍亮亮，劉冠峰，張國英，etal.基于機器視覺的玻璃馬賽克缺陷在線檢測系統[J].機械設計與制造，2017（z1）.

[3]韓洪偉，趙曉云.基于機器視覺的高速切片機鋰電池極片在線檢測系統設計[J].電源世界，2017（5）：34-36.

[4]徐冬，楊荃，王曉晨，etal.基于機器視覺的熱軋中間坯鐮刀彎在線檢測系統[J].中南大學學報（自然科學版），2018，v.49；No.287（07）：91-100.

[5]張華山，章欽，徐新軍，etal.基于機器視覺的精密類玻璃管質量檢測系統[J].玻璃與搪瓷，2017（3）.

[6]程為，趙瑾，景軍鋒，etal.基于機器視覺的電子級玻璃纖維布疵點檢測系統研究[J].玻璃纖維，2017（05）：31-34+46.