基于機器視覺的缺陷檢測與識別方法研究

吳茂寧

【摘 要】隨著工業生產自動化程度越來越高，在保證了生產效率的同時，產品存在缺陷問題依舊困擾著許多工業生產制造商。此外，隨著人們生活水平的日漸改善，消費者們對產品質量的要求也在不斷提高。目前大多數生產廠商仍采用人工方法檢測識別缺陷產品，這樣不僅拉低了生產效率、還容易漏檢的情況，浪費大量人力、物力資源。

【關鍵詞】機器視覺；缺陷檢測；識別方法

引言

隨著工業生產自動化程度越來越高，在保證了生產效率的同時，產品存在缺陷問題依舊困擾著許多工業生產制造商。此外，隨著人們生活水平的日漸改善，消費者們對產品質量的要求也在不斷提高。目前大多數生產廠商仍采用人工方法檢測識別缺陷產品，這樣不僅拉低了生產效率、還容易漏檢的情況，浪費大量人力、物力資源。此外，采用機器視覺方法還擁有以下優勢：（1）機器視覺檢測具有可重復性和較高可靠性特點，避免了因人工長時間重復檢測單一產品而疲勞，導致產品缺陷檢測可靠性下降。（2）當檢測環境惡劣，人工檢測存在安全隱患的情況下，采用基于機器視覺的方法進行檢測可避免人員因工作環境而受到傷害。（3）采用機器視覺缺陷檢測系統方法進行產品缺陷檢測，不但可以檢測出有缺陷的產品，還可以對有缺陷的產品進行記錄、統計和分析，方便其日常管理。機器視覺作為智能檢測手段，未來在生產線質量鑒定環節將逐步取代人工成為主流方法。

1 機器視覺與機器視覺檢測概述

1.1機器視覺概述

機器視覺是指讓計算機模擬人的視覺系統功能，使其能夠通過圖像就可以認知周圍環境的一種科學技術，目的是希望該技術能夠代替人眼來完成測量和判斷等任務。機器視覺系統是指利用圖像攝取裝置采集目標的圖像信號，并傳送給圖像處理系統獲取其形態信息，根據圖像中像素分布、亮度、顏色等信息，將圖像信號轉變成數字信號。以模式識別、圖像處理、人工智能、計算機科學等學科為理論依據，機器視覺通過讓計算機對采集到圖像進行處理并加以理解，從而對人的一些智能行為加以模擬。在大批量工業生產過程中，機器視覺系統在處理精度、成本效率、信息獲取速度以及自動化處理等方面都有著出色表現，大大提高了工業生產效率。同時一臺機器可承擔多人任務連續工作、無須停頓，生產的自動化程度也會大大提高；此外許多危險環境如高空、水下等場合，不適合人工作業或人眼視覺能力難以完成作業任務，采用機器視覺來完成工作就可以減少人力資源的損失并可達到人眼無法企及得能力；因此，機器視覺系統常被用來質量監測、尺寸測量以及裝配定位等場合，來提高工業生產的自動化能力。

1.2機器視覺檢測概述

機器視覺檢測技術建立在機器視覺技術、光電測量原理基礎上，結合計算機科學和圖像處理等先進的科學技術，被生產商廣泛地應用到工業生產制造中。當對目標進行檢測時，機器視覺檢測技術將圖像當作傳遞信息的工具，首先運用光電成像系統采集目標圖像，然后用計算機或圖像處理模塊將圖像信號轉變為數字信號，再從中提取出有用的信息如圖像的像素分布、顏色和亮度等，最后根據這些信息進行尺寸、形狀、顏色等的判斷。

2機器視覺檢測發展趨勢

機器視覺技術由于具有較高的自動化程度和成本低等諸多優點，順應了現代制造業發展的要求，因此被廣泛應用到各種工業視覺領域。但由于目前機器視覺檢測技術的理論體系還不夠完善。鑒于機器視覺的處理速度和精度還無法滿足自動化工業生產的需求，因此仍需人們投入大量精力去研究。機器視覺檢測的發展趨勢主要體現在一下幾個方面：（1）實時檢測視覺信息：由于高計算復雜度，機器視覺的實時性難以保證，運用多處理單元并行結構，組成視覺檢測大型網絡，并改進算法最終移植到可移動嵌入式。（2）視覺信息融合：通過將多種視覺信息進行融合，來彌補單目視覺獲取信息不足的缺點，實現對復雜客觀世界的認知。（3）系統集成性：將機器視覺系統與其他控制或測試系統結合在一起的一體化系統是未來工業自動化系統的發展趨勢。（4）新理論與新算法研究：近年來，神經網絡等算法的提出為機器視覺引入了新鮮血液，未來圖像處理與模式識別等領域中新理論與新算法的出現將推動機器視覺檢測技術繼續向前發展。

3缺陷檢測識別方法

3.1 特征選擇

3.1.1 SIFT 特征

SIFT（Scale-invariant feature transform）特征是一種用來描述圖像中局部特征的算法。該算法于1999年由David Lowe發表提出，在2004年被完善。用SIFT提取得到的點擁有旋轉、尺度縮放不變性，且對仿射變換及噪聲保有穩定性，通常情況下，這些特征點位于圖像中的拐角和邊緣。以下是SIFT特征提取的主要步驟：

（1）尺度空間極值點檢測：

構造尺度空間是用不同的高斯函數對原始圖像進行卷積處理得到的不同模糊結果的集合。自然界中隨觀測尺度的改變，物體表現的形態也不盡相同。例如樹這個概念，當我們在以米為單位的度量尺度去觀察才能感知到它是樹，而當我們在幾厘米或幾千米的距離去觀察感知到的則是樹葉或森林的概念。在尺度空間中，圖像的分辨率逐漸變小，類似于人漸漸遠離目標時，目標在視網膜上成像的過程，距離越遠成像越模糊。

（2）特征點定位

對前一步驟中得到的關鍵點進行篩選，通過對這些關鍵點周圍像素位置、尺度和主曲率比的擬合來確定其位置和尺度，篩掉對比度低的點和不穩定的邊緣點。

（3）方向確定

在特征點的360°鄰域窗口采樣，將360°圓周梯度平均劃分8個角度區間，每個角度為45°，按單個角度區間內像素點梯度的幅值和方向進行統計，其結果即為梯度方向直方圖，且峰值就代表特征點的主方向。

3.1.2 HOG 特征

方向梯度直方圖特征（Histogram of Oriented Gradient，HOG）是一種通過計算圖像局部區域的梯度方向直方圖得到的特征描述子。在機器視覺和圖像處理領域中，該特征常與SVM分類器組合被用來完成各種檢測識別任務。2005年法國Dalal首次提出采用HOG+SVM的方法對行人進行檢測，迄今為止雖然仍有許多行人檢測方法不斷被提出，但大多都是建立在HOG+SVM基礎上改進的方法。

3.2 分類器

3.2.1 SVM 分類器

傳統的學習多是在經驗風險最小化的基礎上尋找一個最優函數，使該函數對輸入樣本的估計與樣本實際輸出間的期望風險達到最小化。基于經驗風險最小化的學習算法與樣本數據量有很大的相關性，樣本數據越多，對樣本分布的估計就越準確。

3.2.2 Adaboost分類器

Adaboost（Adaptive Boosting，自適應增強），由Yoav Freund和

Robert Schapire于1995年提出。機器學習問題中常常會出現每個樣本包含多維度特征，這種情況被稱為著維數災難（curse of dimensionality）。

結束語

綜上所述，為了改善人工質檢帶來的問題，在生產線質量監測環節采用機器視覺、模式識別的智能檢測手段來取代人工方法已成為工業生產發展的必然趨勢。

參考文獻：

[1]潘堅躍，麻立群，彭斌等.人體及穿戴特征識別在電力設施監控中的應用[J].電子設計工程，2015（10）：68–71.

[2]李楊.基于機器視覺和人工神經網絡的微小軸承表面缺陷識別及檢測技術研究[D].吉林大學，2008.

[3]張曉波，劉文耀，王兵振等.汽車制動閥內底面質量檢測儀的設計[J].計算機測量與控制，2005（06）：615–617.