基于機(jī)器視覺和LabVIEW的有機(jī)玻璃缺陷檢測研究

王雪晴，劉錦濤，衛(wèi)亞博，趙換麗

(平頂山學(xué)院電氣與機(jī)械工程學(xué)院,河南 平頂山 467000)

有機(jī)玻璃一般稱之為亞克力，英文縮寫PMMA，具有透明度高，質(zhì)輕、易加工、價(jià)廉不易破碎等優(yōu)點(diǎn)，是常用的玻璃替代材料，且發(fā)展趨勢高漲.有機(jī)玻璃應(yīng)用廣泛應(yīng)用于廣告、照明等方面，如儀器表面板及護(hù)蓋、燈箱燈罩、展架、名片座(夾)等[1].但是有機(jī)玻璃的硬度很低，抗裂紋擴(kuò)展能力較差，因此在制造和使用中易對材料造成裂紋、表面層變質(zhì)、劃痕等損傷和缺陷，直接影響其正常工作和美觀.

對于有機(jī)玻璃缺陷檢測，采用人工檢測，人工作業(yè)易疲勞，效率低.國內(nèi)外相關(guān)研究的超聲波檢測法只能檢測出有機(jī)玻璃中脫黏和表面深度擦傷等面、體類缺陷，不能檢測線狀缺陷如微細(xì)裂紋；傳統(tǒng)的光學(xué)檢測法系統(tǒng)復(fù)雜，可靠性差等.2013年，于潤橋等對有機(jī)玻璃缺陷進(jìn)行磁法檢測分析有較好的檢測效果，但對于微弱磁場信號的情況有待進(jìn)一步研究[2].2015年郝文峰等申請的發(fā)明專利涉及了一種采用數(shù)字梯度敏感方法檢測有機(jī)玻璃銀紋和缺陷的裝置和方法[3]，該方法主要通過測量光線偏轉(zhuǎn)角變化實(shí)現(xiàn)對有機(jī)玻璃進(jìn)行檢測，其對光學(xué)系統(tǒng)要求非常高.近年來，機(jī)器視覺技術(shù)應(yīng)用于缺陷檢測的研究日趨增多，本文以NI公司的LabVIEW Vision Assistant2017為工具，輔以機(jī)器視覺技術(shù)，實(shí)現(xiàn)有機(jī)玻璃常見的劃痕缺陷檢測的非接觸式測量，無須考慮磁場信號的大小，同時(shí)對光學(xué)系統(tǒng)要求相對較低，可采用普通光源照明甚至自然光照射下采集玻璃圖像.本研究采用了圖形化處理助手，算法簡單易操作，效果明顯，可為實(shí)際檢測應(yīng)用提供理論基礎(chǔ).

1 缺陷檢測流程

缺陷檢測流程框圖如圖1所示.首先利用相機(jī)采集模板玻璃圖像和待測玻璃圖像，對待測玻璃圖像進(jìn)行圖像格式轉(zhuǎn)換、灰度變換等預(yù)處理[4]，對預(yù)處理后的圖像進(jìn)行形態(tài)學(xué)處理、閾值分割，并進(jìn)行顆粒分析和標(biāo)記，最后把有缺陷的圖像和模板圖像進(jìn)行匹配，把缺陷的位置和缺陷數(shù)目統(tǒng)計(jì)出來.

圖1 缺陷檢測流程框圖

1.1 圖像采集

圖像采集主要利用照明光源、合適的攝像機(jī)等硬件設(shè)施，再通過USB傳輸?shù)接?jì)算機(jī)，并使獲得的圖像轉(zhuǎn)化為可以被計(jì)算機(jī)識別的圖像.

1.2 預(yù)處理

1.2.1 色彩空間轉(zhuǎn)換

下面以本研究中有一個劃痕的玻璃圖像為例進(jìn)行分析.

由于NI Vision中的HSL色彩空間通常用于各種圖像處理算法，故進(jìn)行RGB圖像至HSL色彩空間的轉(zhuǎn)換.HSL支持32位(32U)的彩色圖像，且HSL色彩空間使用色調(diào)、飽和度、亮度來表示顏色[5].色調(diào)(Hue)對應(yīng)于顏色的波長，也就是常說的紅、綠、藍(lán)等顏色，代表人眼可以識別的顏色；飽和度(Saturation)與色調(diào)中混入的白色成反比，100%飽和的顏色代表沒有混入白色；亮度(Luminance)用來控制顏色的明暗，數(shù)值越大，色彩越亮，越接近白色.HSL處理圖像有一個很大的優(yōu)點(diǎn)就是將色彩和亮度的信息完全分開，互不干擾.

將RGB圖像轉(zhuǎn)換至HSL色彩空間，對應(yīng)HSL色彩空間的3個量，如圖2所示.

(a)原圖像

(b)Hue Plane

(c)Saturation Plane

(d)Luminance Plane圖2 RGB至HSL色彩空間轉(zhuǎn)換

對比圖2中這3個量，可以發(fā)現(xiàn)Luminance Plane即亮度能準(zhǔn)確地把圖像中的信息突顯出來.

1.2.2 灰度變換

灰度變換是將輸入圖像的每一個像素灰度都按照一定的數(shù)學(xué)公式進(jìn)行處理，轉(zhuǎn)換為一個新的灰度值，進(jìn)而使圖像的對比度增強(qiáng)，突出圖像的重要信息[6].灰度變換通常有以下5種變換方法[7]：線性變換、指數(shù)變換、對數(shù)變換、冪值大于1的冪變換和冪值在0～1之間的冪變換.各變換公式中x代表變換前像素灰度值，y指變換后新的灰度值.

①線性變換(linear)

y=kx+b,

(1)

當(dāng)k>1：拉伸圖像整體灰度；當(dāng)00：圖像整體變亮；當(dāng)b<0：圖像整體變暗；當(dāng)k=-1且b=255：8位灰度圖被反轉(zhuǎn).變換效果如圖3(a)所示.

②指數(shù)變換(Exponential)

y=ex，

(2)

x的值越大，指數(shù)變換曲線越陡峭.

③對數(shù)變換(Logarithmic)

y=Clog(1+x)，

(3)

其中C為常數(shù)，x的值越大，對數(shù)變換曲線越陡峭.

④冪變換(Powerx)即冪值大于1

y=Cxk，

(4)

C，k均為常數(shù)，k值越大，冪變換曲線越陡峭，指數(shù)變換相對于此時(shí)的冪變換較為陡峭.

⑤冪變換(Power 1/x)即冪值在0～1之間

(5)

C，k均為常數(shù)，k值越大，冪變換曲線越陡峭，對數(shù)變換相對于此時(shí)的冪變換較為陡峭.

圖3給出了5種灰度變換的圖像，對比發(fā)現(xiàn)，第五種冪值在0～1之間冪變換的灰度變換更能使圖像的對比度增強(qiáng)，進(jìn)而凸顯圖像中的信息.

(a)原始圖像

(b) 線性變換

(c)指數(shù)變換

(d)對數(shù)變換

(e)冪值大于1的冪變換

(f)冪值為0～1的冪變換圖3 灰度變換前后圖像

1.3 形態(tài)學(xué)處理

本研究中圖像的形態(tài)學(xué)處理采用像素形態(tài)學(xué)處理方法.

像素形態(tài)學(xué)處理最基本的形態(tài)學(xué)算法為膨脹(Erosion)、腐蝕(Dilation)、擊中-擊不中(Hit-Miss)，以及一些組合形態(tài)學(xué)處理算法，開運(yùn)算(Open)、閉運(yùn)算(Close)、適當(dāng)開(Proper Open)、適當(dāng)閉(Proper Close)、自動中值(Auto-Median)等[8].開運(yùn)算先腐蝕后膨脹，閉運(yùn)算先膨脹后腐蝕.將以上所有的形態(tài)學(xué)算法均進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)對圖像進(jìn)行膨脹運(yùn)算效果最好，該算法是目標(biāo)區(qū)域變得更亮，同時(shí)收縮了暗的背景，圖像中的缺陷被更好地顯示出來，如圖4.

圖4 膨脹運(yùn)算前后圖像

1.4 閾值分割

閾值分割基本原理認(rèn)為目標(biāo)粒子的灰度屬于某一閾值區(qū)間，該閾值區(qū)間之外的像素都被認(rèn)定是背景的一部分[9].

本研究使用全局閾值分割法中的自動閾值分割法[10]，目的是基于圖像的灰度直方圖來確定灰度閾值，以便更直觀的確定所需的灰度區(qū)間，將目標(biāo)與背景進(jìn)行分離[11].此時(shí)圖像中閾值為50，高于50時(shí)，更多的目標(biāo)被誤認(rèn)為背景；低于50時(shí)，更多的背景被誤認(rèn)為是目標(biāo).圖5為閾值分割后的圖像.

圖5 閾值分割后的圖像

1.5 顆粒分析及標(biāo)記

對圖像進(jìn)行閾值分割后，灰度圖像被轉(zhuǎn)換為二值圖像[12]，對二值圖像的處理是基于顆粒的處理.所謂顆粒，指的是圖像中相互連通的一組非0或灰度較高的像素所構(gòu)成的區(qū)域.判斷一個像素是否屬于某一顆粒，需要看其是否與該顆粒之間具有連通性.本文采用常用的8連通準(zhǔn)則，只要像素在水平、垂直、對角線方向上與另一個像素相鄰，則認(rèn)為兩個像素為同一顆粒.確定連通準(zhǔn)則后，就可以將圖像中每個連通區(qū)域標(biāo)記為能被獨(dú)立識別的顆粒.

分析時(shí)，將目標(biāo)缺陷標(biāo)記為同一顆粒，并將同一顆粒的像素值全部改為某一個固定的標(biāo)記值，二值圖像的背景被標(biāo)記為0；將背景標(biāo)記為0，正六邊形的邊緣用紅色標(biāo)記，目標(biāo)缺陷用綠色標(biāo)記出來.

1.6 模板匹配

本研究采用模板匹配的方式來檢測玻璃圖像中的缺陷，所謂模板匹配，即建立標(biāo)準(zhǔn)模板圖像，再將存在缺陷的圖像與之進(jìn)行對照，從而標(biāo)記圖像中的缺陷，統(tǒng)計(jì)缺陷數(shù)量.

使用Vision Assistant2017[7]創(chuàng)建模板，VI位于Machine Vision-pattern Matching，點(diǎn)擊New Template開始創(chuàng)建模板，確定所要匹配的區(qū)域，點(diǎn)擊Next進(jìn)入下一界面，對不需要的區(qū)域進(jìn)行遮罩，再點(diǎn)擊Next，此時(shí)應(yīng)設(shè)定模板偏移量，使目標(biāo)圖像可以和模板圖像進(jìn)行匹配，就可完成匹配.

2 缺陷檢測實(shí)驗(yàn)與結(jié)果分析

本研究有機(jī)玻璃缺陷檢測界面中設(shè)置了模板圖像、被檢測圖像、缺陷顯示三個顯示模塊，更加直觀清晰地分析比較.設(shè)置了“有缺陷”和“無缺陷”指示按鈕和缺陷數(shù)量顯示圖標(biāo)：當(dāng)目標(biāo)圖像存在缺陷時(shí)，按鈕為紅色，并且顯示“有缺陷”字樣；當(dāng)目標(biāo)圖像不存在缺陷時(shí)，按鈕為綠色，顯示“無缺陷”字樣.在程序中設(shè)置了判斷缺陷數(shù)量的算法，并對不同的缺陷進(jìn)行了顏色標(biāo)記.圖6分別給出了一條劃痕的缺陷檢測結(jié)果.

圖6 一條劃痕的缺陷檢測結(jié)果

為了驗(yàn)證檢測方法的可行性，本研究取50個具有劃痕或氣泡的缺陷玻璃樣本進(jìn)行檢測，結(jié)果見表1.表1給出的數(shù)據(jù)有按鈕顏色指示正確率、按鈕字樣顯示正確率以及缺陷數(shù)量判斷的正確率.其中，按鈕顏色指示正確率和按鈕字樣顯示正確率均為100%；在50張樣本圖像中，第7張目標(biāo)圖像中缺陷的數(shù)量判斷錯誤，將4個缺陷判斷為5個缺陷；第15張圖像6個缺陷判斷為7，第46張圖像5個缺陷判斷為6，總體正確率為94%；針對所檢測的劃痕和氣泡缺陷處理計(jì)時(shí)統(tǒng)計(jì)，最大值不超過90 ms，證明該方法簡單可行，且耗時(shí)較短.

表1 檢測結(jié)果匯總表

3 結(jié) 論

以機(jī)器視覺技術(shù)為基礎(chǔ)，以NI公司的LabVIEW和Vision Assistant 2017軟件為平臺，針對有機(jī)玻璃缺陷進(jìn)行檢測研究，該方法能夠準(zhǔn)確地判斷是否存在缺陷，對缺陷數(shù)量的正確率也達(dá)到了94%.實(shí)驗(yàn)結(jié)果表明該方法和系統(tǒng)結(jié)構(gòu)簡單、操作方便，具有一定的可行性.將該方法應(yīng)用并推廣至普通玻璃檢測中，能夠快速正確地檢測玻璃缺陷，提高產(chǎn)品質(zhì)量.對圖像處理算法進(jìn)行改進(jìn)后，可望進(jìn)一步提高檢測精度.