基于機器視覺的線纜表面缺陷快速檢測算法研究

何歷懷

（銅仁職業技術學院 貴州省銅仁市 554300）

現今生活中，使用線纜的地方已經非常廣泛，具體包括電力傳輸、光纖通信等。其中，內部線纜傳輸被夾合在保護外套之中，這是保證傳輸介質完整和速度的重要因素。而隨著機器視覺處理技術的日趨完善，更多的實驗目標傾向于以計算機處理對應的圖像數據，通過機器檢查其中的缺陷和不足，以代替傳統人工檢查方法。

機器視覺處理纜表技術在國外已經發展多年，但在國內機器視覺研究起步較晚，這一概念是在本世紀初引入的，并且已經很長時間處于普及階段。在過去的十年中，中國機器視覺領域的進步非常明顯，并且在許多大學和公司意識到視覺處理技術的巨大潛力之后不斷增長，他們開始投資研究機器視覺的理論和應用?，F在，我國有許多智能工廠，其中許多都是以及其視覺作為測算前提和質量檢測重要方法。對此，也延伸出將線纜表面檢測利用多個攝像機圍繞電纜表面，并通過設計圖像處理算法（例如過濾、增強、分割、提取和檢測）來實現電纜表面缺陷檢測。

1 線纜圖像特征分析

由于外在光照分布和強度不同等影響，盡管電纜表面的亮度略有增加，可是由于背景受到光纖的照射面積和照射分布的角度及區域不同，導致與線纜表面所呈現的印象也不盡相同。圖中所示，對三個點作為背景陰影部分，對背景進行分別分析和提取信息。以保證線纜表面的缺陷區域和無缺陷區域的隨機性。從三個表格能夠表明各個層次的灰度等級和彼此之間的差異，其中灰度等級密度所顯示的影響因素復雜，從中間到兩邊區域灰度突然發生變化，差異性較大，表示出其缺陷。缺陷稀疏地分布在電纜表面上，僅占電纜表面的很小一部分。其中，能夠提取出的灰度值中，所隱含的缺陷區域相對較少，不必計入到最終的檢測結果當中。其中，灰度表面所能檢測到的峰值接近20，恰好對應纜表灰度區域。對此，由背景灰度與纜表灰度的差異能夠更容易判斷出其中缺陷所存在的范圍。

2 檢測系統總體設計及硬件的選型

整體快速檢測系統和硬件軟件構成，具體有著五個部分，如圖3 所示。對線纜每120°或90°分別安裝相機，以進行分析和檢測。電纜的橫截面通常是圓形的，三個攝像頭就能夠全面觀察線纜圖，不過截面非圓形的電纜則需要4 臺攝像機。

通過伺服電機帶動從恒定角度和速率穿過所設定的系統和設備，對特定頻率進行采集分析，進而得到對應的頻率，實現全方位的線纜表面測試圖，并將所收集到的圖像和光纖數據回傳到計算機中，從而在軟件支持下進行分析和處理。對其中出現的缺陷時，工業計算機會發出警報并反映到具體圖像之中，并在計算機中顯示對應缺陷相關的程度、區域、位置、類型和其他信息。缺陷信息記錄日志已經保留下來，能夠方便后期進行觀察研究。

2.1 相機與鏡頭的選擇

CCD 相機體積小、能耗低、性能穩定、節約成本，正適用于這樣移動測量對應陣列中的圖像采集程序和過程，因此CCD 相機是合理且科學的選項。

系統參量能分辨出的最小缺陷為ω=1mm；線纜最大直徑為d=20mm；同時就移動線纜的抖動，應在線纜圓周周邊流出20mm空間，且視場視野長度L=60mm，應用到實踐生產過程中則移速相對達到v=2mm/s。以下計算過程中所需分辨率R 和攝像機的行頻H的大小為：

通常根據各種實際參數，例如焦距、光圈、視場和景深來判斷鏡頭的質量。系統選擇具有25mm 固定焦距的Computar 系列M2514-MP2 鏡頭。

2.2 光源的選擇

光源是照明系統和對應模塊中的重要參照因素，依據光源的變化能夠使得檢測結果差異性更加清晰，計算也能更加簡潔。檢測系統以120°弧形LED 燈作為光源，并將弧形燈布置在相機多個角度。安裝過程中，所有兩個弧形光源均對稱分布在攝像機的兩側。

之所以選擇弧形LED 燈作為光源，是因為其可以對圖像均勻獲得光照，所能得到的分析角度和信息能更加接近纜面，減少平行鏡面所帶來的角度因素影響。

3 檢測系統軟件與算法設計

為了減少時間成本，應優先從線纜提取信息并進行優先級處理，最重要的對濾波噪聲和同態濾波噪聲的變相處理方式，而在分段濾波處理過程中通過對缺陷區域的詳細分類并進行對比，從而得出是否存在缺陷，若是則從缺陷分割步驟往下繼續進行，并將所得到的缺陷區域保存到檢測日志中；否則，就要重新輸入并循環分析處理。

3.1 線纜區域提取

算法前期感興趣區域（Region of Interest：ROI）的收集和采集程序能夠對背景的外在影響進行抵消，對所需要處理的數據和圖像資料也能夠極大減小數量，進而加快實驗進度的同時，提升實驗效率。對ROI 的算法一定要保證簡潔高效，這樣對灰度測算才能保證準確程度。而線纜表面的灰度明顯低于背景，因此，應用線灰度平均算法過程中，要對所需要測算的數據進行對應的定位。此方法對圖形整體均值線條u(x)，并將圖像單個灰度值（閾值T1）中的小部分作為纜表對應灰度區。通過多次檢測，這樣能夠準確定位到線纜和對應所需的采集圖，但是許多其他環境因素也會影響所收集到的數據，例如線纜顏色不均勻、照明不均勻和彎曲的光反射特性，以及淺色和深色背景都會使數據信息的采集和分析更加困難。

對此，對線纜表面應進行更加準確的測算和定位，并加強輸入圖像到線性灰度乘以基于高斯分布的位置權重，并從圖像f(x, y)中的第x 行的特征值λ(x)為：

式中：ω(x)為位置權重值，其計算式為：

位置權重函數曲線見圖5。函數曲線特征為對稱，并以x=μ 作中心。變量逐步和μ 接近，函數值越小，在x=μ 時獲得最小值。因此，在計算過程中，中心區域的線纜權重較小，進而增加了其特征值，與背景所顯示灰值也變得更大。

4 線纜表面缺陷快速檢測算法

4.1 纜面區域提取

通過對整體圖像中的快速測算的判定，加快對部分區域中所存在灰度值測算，以保證能直接對應到纜面背景區域。而在第1 部分中所展現的灰度值分析結果，使用了快速測算中的均值統計法。其中，具體的均值閾值（T1），在μ(x)中小于T1的那組線是線纜表面積。然而，由于環境所造成的線纜影響就會造成意外影響，不僅會使得收集到的圖像不能正確評估結果，還會使得纜面無法獲得更多比較數據和詳細灰度值。因此，基于線纜μ(x)的原始灰度平均值乘以高斯分布的位置權重ω(x)，以得到圖像中第x 條線的特征值λ(x)：

4.2 圖像預處理

為了減少光線不均勻以及光線反射等環境因素對線纜表面的影響，本文對所采集到的圖像數據和表格進行對應預處理，包括了同態濾波。這樣講圖像頻率進行分割和重組，減少低頻分量，使得高頻量逐步增加，提升對應圖片中的對比和透明度，極大程度減小了光照因素所造成的數據誤差。

4.3 建立自適應模板

對所設立的模板提供對應參數值，評析最終圖中缺陷的存在周期，凸顯出缺陷區域灰度值差異，自定義出的模板需具備以下特點：

（1）能平滑過渡對應缺陷區；

（2）補足缺陷區域與原圖像差異。

4.3.1 自適應濾波窗口設計

自適應濾波器窗口算法是對CV Kmeans 區域分類的進一步延伸和擴展，具體分成結構紋理區域和平坦區域。結構面是纜面的缺陷部分，而平面是無缺陷的部分。方法如下：

（1）對濾波圖提取整體變差系數（像素點x 處的CV 值），變差系數公式如下：

（2）利用Kmeans 算法將CV 值圖進行聚算測試分析，具體劃分出缺陷區域和非缺陷區域，對應種類所能反映出濾波為：

4.3.2 自適應高斯濾波

高斯濾波能對所采集到的整體灰度及對相關圖像進行分析聚算和加權平均，二維高斯濾波公式為：

式中，（x，y）為正弦窗口部分像素關聯標點，α 為高斯濾波標準差。

通過濾波窗口對圖像進行卷積操作，對具體所含的像素測算和對應鄰窗口進行分析和平均測算，從而所需要的到缺陷測算圖像進行剖析，并能夠根據對應平滑度得到灰度值大小以及缺陷區域和非缺陷區域的臨界點。

5 實驗結果分析

實驗進行過程平臺皆為win7，軟件配置是帶有OpenCV2.49 的VS2010。測試對象總共有235 張圖像，包括204 張正常圖像和31張有缺陷的圖像，t 為檢測時間，誤檢率是沒有缺陷但被錯誤識別為缺陷圖像在正常圖像中的百分比，漏檢率是檢測過程中遺漏的缺陷圖像占全部缺陷圖像的百分比，識別時間t 是識別個體圖像到整體圖像所花費的平均時間。

5.1 n取值對缺陷分割的影響

Pearson 所對應得出閾值ρh對正在進行過程中的測試圖像分辨出缺陷圖。ρh太小是沒有意義的，因此本文進行了ρh從0.01 到0.28的灰度區和缺陷區檢測，得出對應所需要的指標數據和數值。圖8顯示速率如何變化，圖中顯示隨著ρh的增加，漏檢率也在減少，誤檢率卻隨之上升。當ρh為0.18～0.22 時，漏檢率和誤檢率保持在較低范圍，當然這之中更重要的是降低漏檢率。據此，最終選擇的ρh為0.22。此時，漏檢率為3.22%，誤檢率為5.39%。

6 結語

本文針對過往人工檢測時所遇到的諸多問題，包括誤檢等基本問題進行分析和提出對應解決方法，在機器視覺基礎上提出缺陷快速測算方法。其是通過對纜表和陰影背面的參考和對照，模擬出纜表可能出現的缺陷區域，進而創建出能夠直接應用到質量檢測過程的模板。同時，提出要計算原始圖像和更改后的自定義系數之間的Pearson 對應指標，并將Pearson 對應指標系數應用到能確定的閾值中，再反過來進行質量快速檢測，使得最終結果能夠反映實踐狀況，對缺陷區域將出現的時間和范圍能夠更快定位，從而極大減少誤檢率和漏檢率。當然，本文中只是對纜表缺陷的檢測方法，還需要更深一步識別到內部缺陷區域和背景區域。