冰勺麻板缺陷檢測(cè)方法的研究

苑瑋琦 蘇曉慧

摘要：麻板是冰勺的表面缺陷之一，是木材在旋切過程中由于刀具磨損等原因所導(dǎo)致的冰勺表面木材被刀具切割深度不同而產(chǎn)生的條狀紋理表面缺陷。麻板紋理特征與木材表面木纖維紋理特征具有諸多相似之處，因此如何在復(fù)雜的木纖維紋理干擾下準(zhǔn)確地識(shí)別麻板缺陷是一個(gè)亟待解決的工業(yè)檢測(cè)問題。本文通過對(duì)麻板紋理特征與木纖維紋理特征之間的差別進(jìn)行深入分析，提出一種基于高斯線檢測(cè)和垂直投影的麻板缺陷檢測(cè)方法。該方法首先對(duì)原始圖像進(jìn)行高斯濾波，即對(duì)細(xì)小的木纖維紋理進(jìn)行最大限度地平滑，通過本文建立的特征提取模型提取冰勺表面木纖維紋理特征和麻板紋理特征，其次對(duì)紋理特征進(jìn)行篩選，最后利用垂直投影法實(shí)現(xiàn)無(wú)缺陷冰勺和具有麻板缺陷冰勺的區(qū)分。

關(guān)鍵詞：木纖維紋理;高斯線檢測(cè);垂直投影法;缺陷檢測(cè)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）14-0263-02

1引言

冰勺以樺木為主要原材料，經(jīng)過十幾種工藝加工制作而成，是食用冰激凌等冷飲時(shí)不可缺少的輔助工具，世界各國(guó)對(duì)于冰勺麻板缺陷的接受程度有所不同，因此，在生產(chǎn)中必須根據(jù)用戶要求來確定冰勺的麻板分選等級(jí)。針對(duì)木纖維紋理干擾下的木材表面麻板缺陷檢測(cè)問題，本文提出了一種基于高斯線檢測(cè)和垂直投影的麻板缺陷檢測(cè)方法，首先對(duì)采集到的冰勺圖像進(jìn)行預(yù)處理，然后對(duì)預(yù)處理后的圖像進(jìn)行高斯濾波從而對(duì)細(xì)小的木纖維紋理進(jìn)行最大限度地平滑，提取出冰勺表面木纖維紋理和麻板紋理缺陷，通過建立的特征提取模型篩選掉一部分木纖維紋理，最后利用垂直投影法將木纖維紋理和麻板紋理進(jìn)行區(qū)分。

2木材表面紋理檢測(cè)裝置

圖像采集裝置主要包括工業(yè)相機(jī)及鏡頭、線性光源和光源控制器。其中，本文選用最大分辨率為1280×1024的黑白CCD面陣攝像機(jī)，實(shí)際使用的分辨率為1280×256，鏡頭為12mill的定焦鏡頭。圖1列舉了小麻板紋理和木纖維紋理這2種特征紋理嘲，分別如圖1（a）、2（b）中黑色箭頭標(biāo)記的位置。這兩種特征紋理具有如下2個(gè)特性。

（1）麻板紋理方向和木纖維紋理方向

木纖維延伸方向總是沿著樹木生長(zhǎng)的方向，即垂直于樹木橫截面方向，纖維呈線狀且具有一定的長(zhǎng)度;麻板缺陷也是條狀的紋理，但大部分的紋理并不是垂直于樹木橫截面方向的。小麻板紋理和木纖維紋理的分布情況如圖2（a）、2（b）所示。

圖2描繪了圖1（a）、2（b）中小麻板紋理和木纖維紋理某一橫剖面的灰度值分布情況，如紅線和藍(lán)線所標(biāo)注。

由以上分析可知，在7.5到10.0之間的像素位置處，小麻板紋理和木纖維紋理的坑剖面灰度變化曲線分布形態(tài)近似于反向的“鐘型”高斯曲線，根據(jù)這一特征便能夠?qū)⒙榘寮y理和木纖維紋理進(jìn)行精確定位，由于線條的分布形態(tài)和聚集程度具有一定差異性，可將這兩點(diǎn)差異作為紋理特征加以利用，對(duì)兩者進(jìn)行區(qū)分。

3麻板缺陷檢測(cè)算法

通過對(duì)麻板紋理特征及木纖維紋理特征的深入分析，本文提出一種基于高斯線檢測(cè)和垂直投影的麻板缺陷檢測(cè)方法。

3.1基于高斯線檢測(cè)的紋理提取

分別對(duì)圖庫(kù)中的麻板缺陷和木纖維紋理進(jìn)行垂直投影，統(tǒng)計(jì)第k列的投影點(diǎn)個(gè)數(shù)pk，木纖維紋理投影點(diǎn)大于2的數(shù)量較少，但是麻板投影點(diǎn)大于2的數(shù)量較多。通過統(tǒng)計(jì)投影點(diǎn)大于2的數(shù)量，可以作為將麻板線條和木纖維紋理區(qū)分開的一個(gè)重要判據(jù)，投影點(diǎn)大于2的數(shù)量，用Lk表示，當(dāng)Lk>100時(shí)，判定為麻板缺陷。

4實(shí)驗(yàn)結(jié)果與分析

4.1數(shù)據(jù)庫(kù)的建立及算法測(cè)試平臺(tái)

為了驗(yàn)證本文提出的算法，本文建立了小型圖庫(kù)用來對(duì)算法的可靠性進(jìn)行驗(yàn)證，采集的設(shè)備為冰勺工廠樣機(jī)，如圖4所示，冰勺在鏈條的帶動(dòng)下以每秒6根的速度經(jīng)過圖像采集設(shè)備，即一秒鐘可以采集6幅冰勺的圖像，圖像的分辨率大小為512*1280，一共采集了麻板缺陷600幅，無(wú)缺陷的冰勺500幅，其中無(wú)缺陷的冰勺包含100幅木纖維較深的冰勺圖片。

本文通過漏檢率和誤檢率對(duì)方法性能指標(biāo)進(jìn)行評(píng)價(jià)。漏檢率，L是指樣本本身是缺陷，但是沒有被算法檢測(cè)出來的缺陷樣本數(shù)量Q和總的缺陷樣本數(shù)量Ⅳ的比率，誤檢率W是指樣本本身不是缺陷，但是經(jīng)過算法測(cè)試后被檢測(cè)為缺陷的樣本數(shù)量H和總的非缺陷樣本數(shù)量M的比率。

4.2紋理分割效果對(duì)比試驗(yàn)

為驗(yàn)證本文提出的算法在麻板紋理提取模塊的有效性，本文選擇了多種算法與本文的分割算法進(jìn)行比較。采用動(dòng)態(tài)閾值分割法將原始圖像矩陣與平滑濾波后的圖像矩陣進(jìn)行亮度對(duì)比，由于該方法在提取麻板缺陷的同時(shí)有較多的噪聲干擾，利用邊緣檢測(cè)的方法對(duì)麻板線條進(jìn)行提取，調(diào)整canny算子參數(shù)，提取的線條不連續(xù)且未能將缺陷區(qū)域全部提取出，因此本文算法在線條提取的完整性與降噪方面效果均較為理想。

對(duì)上述檢測(cè)結(jié)果中存在誤檢的圖像進(jìn)行分析，觀察發(fā)現(xiàn)如圖5所示的誤檢的冰勺均為表面存在較深的紋理且紋理聚集密集，這種現(xiàn)象主要是木材在自然生長(zhǎng)過程中形成的。通過本文的算法檢測(cè)紋理均被提取出來，且紋理的密集程度達(dá)到了麻板缺陷紋理的密集程度，從而被誤檢為缺陷。

5結(jié)論

針對(duì)冰勺表面存在麻板紋理和木纖維紋理難以區(qū)分的問題，本文提出了基于Hessian矩陣和垂直投影的麻板缺陷檢測(cè)方法，建立了特征提取模型，詳細(xì)闡述了算法原理并定義了算法性能的評(píng)價(jià)指標(biāo)。利用廠家的實(shí)際生產(chǎn)環(huán)境建立了實(shí)驗(yàn)測(cè)試圖庫(kù)并根據(jù)廠家的實(shí)際測(cè)試要求對(duì)算法的關(guān)鍵性參數(shù)進(jìn)行設(shè)置。利用自建圖庫(kù)對(duì)本文提出的算法進(jìn)行測(cè)試，并對(duì)測(cè)試結(jié)果進(jìn)行分析。測(cè)試結(jié)果表明，本文提出的算法在漏檢率為0的情況下，誤檢率達(dá)到3.2%，證實(shí)了了本文算法的有效性;與其他算法相比，本文的漏檢率下降了15.2%，這樣的性能提升表明本文提出的算法有較大優(yōu)勢(shì)，對(duì)冰勺表面麻板缺陷檢測(cè)具有重要的意義。