機器視覺在產品表面缺陷檢測中的應用研究

西安思源學院工學院 張麗芝 吳 敏

長安大學 劉幟琦 巨永鋒

隨著科技的不斷推陳更新，工業革命的不斷發展，越來越多的制造業產品的質量也在不斷的提高。雖然工業生產自動化程度越來越多，企業生產加工工藝精度也在不斷的提升，但是生產廠商所生產的產品表面缺陷無法避免。因此，雖然產品生產效率在提升，但產品所存在的缺陷依然使制造商們頭疼。產品缺陷的檢測質量對于生產廠商而言，至關重要。很多生產廠商在質量檢測方面投入了大量的人才、物力、財力來研究如何提升產品的表面缺陷檢測。人工檢測方法不僅使生產效率越來越低，而且還會發生檢測不到的現象，浪費了大量人力物力。人工檢測的主要缺點是不能保證產品的質量。軟件技術近幾年發展迅猛，成本也降低到了小型生產廠商可以承受的水平。其中，使用機器視覺檢測系統可以實現因人力無法達到的精度及準度。因此，各種生產廠商都可以基于機器視覺的表面缺陷檢測方法來達到檢測的要求。這種方法可以克服因人工檢測方法對產品的低抽檢率、低準確性度、差實時性、低效率等弊端。基于機器視覺檢測方法在現代自動化工業中得到了更廣闊的研究和運用。

基于機器視覺表面缺陷檢測方法的優勢如下：

（1）基于機器視覺表面缺陷檢測可以不斷重復檢測，再加上所使用的算法使其更加可靠，這種方法可以替代人工因長時間重復同一工作而產生的視覺疲勞進而使得所檢測的產品質量有所下降。

（2）機器視覺無需選擇環境，即使檢測環境再惡劣，用基于機器視覺的方法進行檢測可免于因環境惡劣進而使人工存在安全隱患而不能檢測的情況。

（3）機器視覺檢測產品缺陷時可對產品進行記錄、統計及分析數據，方便及時發現產品缺陷并加以控制和管理。

（4）非接觸式無損檢測。可以預測，利用機器視覺檢測，在今后生產線及產品加工線上成為主流。

1 機器視覺技術

1.1 機器視覺簡介

機器視覺顧名思義讓機器具有人眼的判斷能力來檢測判斷產品是不是有缺陷。機器視覺檢測產品表面的依據是通過計算機將所生產的產品的圖像保存在機器視覺系統中，機器視覺系統通過比對尺寸、取值、計算等過程來判斷該產品的表面是否具有缺陷。通俗來講，機器視覺就是用機器來代替人眼做測量和判斷。機器視覺系統就是將采集到的目標先轉換成圖像信號，再通過圖像處理系統處理成形態信息，依據圖像的像素、顏色、尺寸、亮度等信息將其轉換成計算機所能識別的數字化信號；圖像處理系統再將所收集到的信號通過各種算法來提取目標特征，依據特征值判斷所收集到的信號結果來控制生產線上的設備動作情況。

1.2 機器視覺缺陷檢測流程圖

圖1 缺陷檢測流程圖

如圖1所示。機器視覺檢測的一般模式是首先通過光學成像和圖像采集裝置獲得產品的數字化圖像，再用計算機進行圖像處理得到相關檢測信息，形成對被測產品的判斷決策，最后將該決策信息發送到分揀裝置，完成被測產品的分揀。通過各種算法來檢測所攝取的目標是不是有缺陷，如果有缺陷則標記出來，再將所生產的其他的目標以此來對比。人眼因長時間重復同一工作所產生的疲勞致使同一生產線上的缺陷被忽略，但是機器視覺檢測系統因其依據人眼來攝取對像不會產生因人自身、環境惡劣、產品本身所造成的缺陷。

機器視覺檢測系統主要包括圖像獲取系統、圖像處理系統、圖像分析系統、數據管理及人機接口等系統組成。圖像獲取系統由CCD攝像機、光學鏡頭、光源及其夾持裝置等組成，其功能是完成產品表面圖像的采集；圖像處理系統的功能主要涉及圖像去噪、圖像增強與復原、缺陷的檢測和目標分割；圖像分析系統的功能主要涉及特征提取、特征選擇和圖像識別。

1.3 機器視覺檢測應用趨勢

機器視覺系統在未來社會將要占據重要的地位，尤其是在工業、農業、軍事、醫藥、交通上的使用會越來越頻繁，基于表面質量缺陷檢測也會在加工及生產線上得到越來越高的重視和越來越廣泛的應用。

2 產品表面缺陷檢測的實現

機器視覺檢測涉及到針對被檢測產品通過采集數據、分析數據、處理數據對所檢測對象的圖像進行采集及預處理。采用圖像分割算法、圖像特征提取及其選擇算法、圖像識別等方法對產品表面進行分析、統計。圖像處理和分析算法是重要內容，算法的準確性、實時性是研究和應用的主要方向。

2.1 特征選擇與提取

特征模型主要是采用SIFT特征，本特征主要描述的是產品中有特征的局部特征的算法。這些局部特征主要包括兩類，一類是尺寸缺陷即實際生產的鏡頭尺寸大小與生產商規定尺寸存在偏差，另一類是鏡頭表面缺陷，根據實際生產狀況，本文將鏡頭表面的缺陷劃分為劃痕、毛線、膠水、灰塵顆粒這四種缺陷。

基于機器視覺表面缺陷檢測主要包括缺陷特征模型構建、缺陷的檢測及其分類三個任務。首先需對樣本數據進行訓練提取其特征模型，然后判斷圖像中的各個區域是否含有缺陷，如若存在劃痕、膠水、灰塵顆粒、毛線等缺陷則該區域為缺陷的位置。以下是SIFT特征提取的主要步驟：（1）尺度空間極值點檢測；（2）特征點定位；（3）方向確定；（4）構造描述子。

綜上，提取SIFT特征需在不同的尺度空間中尋找特征點，且高維特征向量處理起來繁瑣復雜，因此該特征并不適合用于大批圖像處理。

2.2 構建圖像分類器

圖像分類器是一種機器學習模型，經過訓練后，能夠用來識別圖像。在您提供一張圖像后，圖像分類器會根據這個圖像回復一個標簽。首先，準備要用來訓練和評估分類器的數據。從每個標簽下的圖像中選擇80%的圖像來創建一個訓練數據集，使用其余圖像創建測試數據集，確保任一指定圖像均只出現在其中一個集合中。具體的標簽字符串并不重要，只要對您有意義即可。例如：您可以使用標簽Cheetah來表示所有獵豹圖像。您不必以任何特定方式對圖像文件命名或為它們添加元數據。您只需將它們放入具有正確標簽的文件夾即可。

在訓練集中，每個標簽至少應有10張圖像，當然越多越好。此外，應讓每個標簽下的圖像數量保持平衡。例如：不要Cheetah下包含10張圖像，而Elephant下包含1000張圖像。

圖像可以使用任意格式，只要統一類型標識符符合public.image即可，具體包括JPEG和PNG等常見格式。圖像無需尺寸一致，也不必使用任何特定的尺寸，但最好使用至少299x299PPI的圖像。如果可以，訓練所用圖像應當與待預測圖像使用相似的方法收集。

提供多樣化圖像。例如：使用從不同角度和在不同光線條件下拍攝的動物圖像。如果針對給定標簽使用幾乎相同的圖像來訓練分類器，該分類器的表現往往不如使用更為多樣化的圖像集訓練出的分類器。接著，整理磁盤上的數據，確保與其中一個MLImageClassifier.ataSource (英文) 類型兼容。一種方法是創建兩個分別名為Training Data和Testing Data的文件夾。在每個文件夾中，以標簽作為名稱創建子文件夾。然后，將每個數據集的圖像整理到相應的子文件夾中。

2.3 表面缺陷目標識別算法

統計模式識別和結構模式識別是兩種最基本的模式識別方法。前者是模式的統計分類算法，這種算法與統計概率的貝葉斯決策系統結合后進行模型識別的技術，這種算法又稱為決策型理論識別方法；后者的基本思想是把一個模式描述為較簡單的子模式的組合，子模式又可進一步描述為更簡單的子模式的組合，最終得到一個樹狀結構描述，利用模式與子模式分層結構的樹狀信息完成模式識別任務。模式識別主要用于遙感圖像識別、文字識別等。

目前，基于機器視覺的表面缺陷識別主要涉及統計模式識別。統計模式識別按其實現方式又分為有監督學習的模式識別和無監督學習的模式識別。統計模式識別是在已知類別標簽的特征集基礎上構建分類器；后者也稱為聚類，此方法不需要已知類別的訓練集，分類器直接根據特征向量之間的相似性，將待分類的特征向量集合分為若干個子集。

結語：基于機器視覺表面缺陷檢測系統，如何構建特征模型，采用哪種算法是研究的重點內容。本文主要是采用數字圖像處理的方法來檢測鏡頭的尺寸偏差，樣本圖像存在畸變是最常見也是影響檢測較大的因素。一旦采集到的樣本圖像存在畸變，就無法通過參照物標定未知尺寸等方法來直接檢測鏡頭尺寸是否存在偏差，使其在產生樣本圖像中的感興趣區域時能夠降低原圖像的局部感興趣區域數量，減少局部區域之間存在較大重疊問題，提高網絡檢測的效率和準確率，使檢測更向自動化和智能化方向發展。