扁平漆包線表面缺陷在線檢測研究

宋章明,賀慧勇,黃躍俊

(1.長沙理工大學 物理與電子科學學院,湖南 長沙 410114;2.近地空間電磁環境監測與建模湖南省普通高校重點實驗室,湖南 長沙 410114)

漆包線是電機、電器等產品的主要原材料。漆包線包括內部的金屬導線和覆蓋在外層具有有機絕緣性能的漆[1]。內部金屬導線容易被雜質污染，生產環境等原因也會導致生產出來的漆包線表面有劃痕、漆膜脫落、漆瘤等缺陷[2]，嚴重影響機電產品的性能。目前，我國的生產水平還無法解決這些漆包線表面缺陷問題，只能通過缺陷檢測設備來監控漆包線的質量。

檢測漆包線表面缺陷的方法主要包括日本鹽水法和壓輪式直流高壓漆膜連續性檢測法等，也可利用渦流傳感器對漆包線表面缺陷進行檢測[3]。但這些方法存在漏檢以及無法滿足實時性的問題，使得漆包線表面缺陷檢測效果不佳。

因此，本文提出了扁平漆包線表面缺陷在線檢測算法，并搭建了在線檢測系統。該系統可以檢測運行速度為20 m·min-1，表面寬度為5 mm的扁平漆包線，最小可以檢測0.1 mm×0.1 mm的缺陷。該系統能實時檢測扁平漆包線表面缺陷，且不會對扁平漆包線造成二次傷害，是一種無損的檢測方法。

1 系統搭建

圖1為扁平漆包線表面缺陷在線檢測系統的總體設計，該系統主要包含以下幾個部分：照明系統、工業相機、圖像采集、缺陷檢測。

圖1 系統總體設計

1.1 照明系統

照明系統包括光源和照明方式，這兩者的搭配應該盡量突出缺陷的特征，以便進行缺陷檢測[4]。選擇光源時，需要考慮發光強度、光源形狀、光照均勻度和光譜特性等因素。照明方式要兼顧光源和工業相機的相對位置、待測物體的幾何形狀、表面紋理、背景等。因此，針對扁平漆包線表面的高反光性質，系統選用LED條形光源，照明方案采用“低角度前光照明”，照明系統[5]如圖2所示。

圖2 照明系統

1.2 相機選型

針對扁平漆包線的寬度為5 mm，最小檢測缺陷大小為0.1 mm×0.1 mm。此系統選用工業相機，拍攝圖像大小為640×480，每秒可以取圖30幀。當采集圖像上的扁平漆包線和實際的漆包線相同大小時，就能達到檢測的最低標準。

所以，采集圖像最小尺寸為：寬度上需要像素點數=扁平漆包線寬度/分辨率=5/0.1=50個；長度上需要的像素點數(每秒)=扁平漆包線寬度/分辨率=0.333 3×1 000/0.1=3 333個。

可以得出，該系統采集的圖像在寬度上至少需要50個像素點，選用工業相機的480個像素點足以滿足要求。長度上需要3 333個像素，系統的相機每秒能拍30幀，640×30=19 200>3 333。因此，本系統選用的工業相機滿足要求[6]。

2 扁平漆包線表面缺陷在線檢測算法

扁平漆包線表面缺陷在線檢測算法分為預處理、缺陷幀識別、缺陷特征提取3個部分。預處理部分主要是對扁平漆包線做背景分離，消除抖動干擾。缺陷幀識別部分對當前圖像是否存在缺陷進行判斷。缺陷特征提取部分利用連通域分析和邊界追蹤算法計算缺陷的位置、面積、周長等特征。圖3為算法流程圖。

圖3 算法流程圖

2.1 背景分離

考慮算法的有效性和系統的實時性，本文采用幀間差分法分離背景。已知當前幀的灰度化圖像fn(x,y)與前一幀的灰度化圖像fn-1(x,y)，如式(1)所示，兩幀做差得出幀差圖像Dn(x,y)。如式(2)所示，設定閾值T，對幀差圖像Dn(x,y)做二值化處理，得到二值化圖像Rn(x,y)。其中，灰度值為0的點為背景點，灰度值為255的點為前景點[7-8]。為了方便觀察，背景分離圖像中黑色為前景像素點，白色為背景像素點。

Dn(x,y)=fn(x,y)-fn-1(x,y)

(1)

(2)

圖4(a)為原始圖像，圖4(b)為利用幀間差分法得到的背景分離圖像。由圖4可知，利用幀間差分法可以較好地解決光照不均勻的問題。但是，由于扁平漆包線在垂直于運動方向上的抖動，容易產生抖動干擾。因此，系統需要對抖動干擾進行處理。

(a)

2.2 消抖處理

抖動干擾主要集中在扁平漆包線的上下邊界附近[9]，寬度較窄且長度較長。本文提出了一種消抖處理方法：(1)利用扁平漆包線與背景的灰度值相差較大的特性，對灰度圖像二值化；(2)將二值化圖像每一行的前景像素點數量投影到坐標軸上，投影結果如圖5(a)所示。投影曲線上顯著跳變的地方就是扁平漆包線的上下邊界[10]，如圖5(b)所示，上下邊界已標出；(3)在背景分離圖像中的扁平漆包線上下邊界處，向上下各延伸一段距離得到兩個矩形區域，該區域包含了抖動干擾和真實缺陷。在這兩個區域內，掃描得到每一行前景像素點數量，設置一個閾值，當該數量大于閾值時，令該行像素點灰度值全部為0，否則保持不變；(4)最后得到消抖處理后的圖像。如圖5(c)所示，可以看出真實缺陷得到保留，抖動干擾大部分被消除，只剩下少量寬度較小的干擾，在特征提取過程中可以被忽略。

(a)

2.3 缺陷幀識別

在扁平漆包線表面缺陷在線檢測算法過程中，為了得到缺陷的位置、面積、周長等特征，需耗費較長時間進行缺陷特征提取。對于不存在缺陷的圖像，對其進行特征提取毫無意義，且在實際生產線上，不存在缺陷的圖像占大部分。因此，在缺陷特征提取之前，對圖像是否存在缺陷進行判斷可以加快算法速度[11]。圖6(a)為缺陷幀識別的流程圖。針對抖動處理后的圖像，計算圖像中每一列的前景像素點的數量[12]，當存在連續N列前景像素點的數量大于等于N時(N為檢測缺陷的最小分辨率)，則判斷當前圖像幀存在缺陷，進行下一部分的缺陷特征提取；否則判斷當前圖像幀沒有缺陷，讀入下一幀原始圖像。圖6(b)是圖5(c)的投影結果，可以判斷圖5(c)存在缺陷。圖6(d)是圖6(c)經過預處理后圖像的投影結果，可以判斷圖6(c)沒有缺陷[13-14]。

(a)

2.4 缺陷特征提取

判定圖像存在缺陷之后，通過一些客觀指標對圖像中的缺陷進行定量分析，包括面積、周長、質心以及邊界等。

對抖動處理后的圖像做連通域分析，通過種子填充算法對每個符合8鄰域鄰接準則的連通域進行標記[15-16]，對每個連通域編號。每個連通域的質心就是缺陷的位置；每個連通域包含像素的數量就是缺陷的面積；連通域上下左右邊界就可以得到缺陷的長和寬。將小于特定面積、長、寬的連通域內像素點灰度值置零，即可去除抖動處理后仍存在的少量干擾。圖7所示為去除干擾后的缺陷圖像。

圖7 去除干擾后缺陷圖像

對于去除干擾后的缺陷圖像，采用邊界追蹤算法得到缺陷邊界及周長。邊界追蹤算法使用方向鏈碼追蹤缺陷區域的邊界，該方法基于邊界點信息跟蹤，可以避免搜索整個圖像，提高了算法效率。如圖8所示，中心像素P沿順時針方向編碼，編碼到8個相鄰點，以下是邊界追蹤算法過程[17]：

步驟1如圖9(a)所示，自上向下、自左向右掃描圖像，找到第一個前景像素點，編號為“1”，此點必為邊界點，停止掃描并記錄點(x1,y1)的坐標；

步驟2如圖9(b)所示，以點(x1,y1)為中心，設初始鏈碼方向為“0”，順時針方向掃描尋找下一個相鄰的前景像素點。若找到則停止掃描，記錄為邊界點(x2,y2)，編號為“1”，同時記錄此時的鏈碼方向n(0 ≤n≤ 7)，并轉到步驟3；若沒有找到下一個相鄰點則停止邊界追蹤；

步驟3如圖9(c)和圖9(d)所示，以點(x2,y2)為中心，設初始鏈碼方向為“(n+5)%8”(該方向為原方向的反方向在順時針上的下一個方向)，按順時針方向掃描尋找下一個相鄰的前景像素點。若找到則停止掃描，并記錄為邊界點(x3,y3)，編號為“1”，同時記錄此時的鏈碼方向n(0 ≤n≤ 7)，并以(x3,y3)為中心，并轉到步驟3。沒有找到下一個相鄰點或回到點(x1,y1)則停止邊界追蹤。

圖8 中心點P的方向鏈碼

圖9 邊界追蹤算法過程

通過以上過程，可以得到編號為“1”的連通域的邊界，如圖10(a)所示。類似地，可以得到其他編號的連通域的邊界，如圖10(b)所示。

圖10 邊界追蹤算法結果

運用邊界追蹤算法可以得到各個缺陷的邊界，并標記在原始圖像上，如圖11所示，為缺陷標注圖像。通過得到邊界的鏈碼長度可以得到該缺陷的周長，根據圖像像素尺寸和扁平漆包線實際尺寸的比例關系，就可以求出缺陷的實際面積和周長。綜上所述，特征提取部分可以提取缺陷的位置、面積、周長等特征，圖像的缺陷特征如表1所示。

圖11 缺陷標注圖像

表1 缺陷檢測結果

3 實驗結果

本次實驗分別取生產線上多張合格扁平漆包線圖像和不合格扁平漆包線圖像，使用缺陷幀識別對這種樣品圖像做出判斷。結果如表2所示，合格樣品圖像共有392張，正確識別375張，識別準確率為95.7%；不合格樣品圖像共有300張，正確識別293張，識別準確率為97.7%。

表2 缺陷幀識別結果

在加入缺陷幀識別前后，為了對比特征提取的處理時間，取3段扁平漆包線樣本，分別得到這3段樣本中非缺陷幀的比例。對比這3段樣本圖像在未加入缺陷幀識別時缺陷特征提取的處理時間(表3的處理時間a)和加入缺陷幀識別之后缺陷幀識別處理時間與缺陷特征提取處理時間之和(表3的處理時間b)，處理時間的對比如表3所示。當非缺陷幀占圖像總數的52.2%時，缺陷特征提取時間下降了22.7%，且隨著非缺陷圖像比例增高，時間下降比例越高。

表3 處理時間對比

4 結束語

針對扁平漆包線的表面缺陷，本文提出了扁平漆包線表面缺陷在線檢測系統。通過實驗數據顯示，圖像中缺陷的識別準確率達到95%。該系統可被推廣到其他條帶狀物體的缺陷檢測中。但是在抖動干擾處理上，應該針對該系統做出調整及優化，這也是后續研究的重點。