一種基于機器視覺的筆桿表面缺陷檢測方法

王鐵禹，曹 新

(大連東軟信息學院，遼寧 大連 116023)

tieyu.wang@fitow.com;caoxin@neusoft.edu.cn

1 引言(Introduction)

糖尿病患者注射胰島素所用的筆桿屬于醫療器械，其生產過程中對精度的要求很高，但是無論怎么優化生產設備，缺陷產品的產生是不可避免的，因此廠家需要剔除這些缺陷產品，以免影響病人的使用及治療效果。工業流水線上的筆桿質量檢測長久以來都是采用人工質檢方式，其檢測準確率低、效率低，已成為亟待解決的問題。

伴隨著機器視覺技術的不斷發展，基于機器視覺的表面缺陷檢測方法以高效率、高精度和低誤檢率等優勢逐漸替代人工質檢，例如羅兵等人通過形態學的特征增強，實現了對硬質合金微型噴嘴缺陷的檢測[1]；張媛媛等人利用雙邊濾波及Otsu閾值，實現了對紗線質量的檢測[2]；周鼎賀等人運用迭代加權擬合的方法實現了對孔洞感興趣區域(ROI)的定位與提取,從而縮短了檢測時間，完成了汽車零件涂裝缺陷檢測等[3]。

通過綜合分析文獻[1]—文獻[3]，總結機器視覺的缺陷檢測大體分兩類：一是利用深度學習進行模型訓練，該方法需要大量的數據和極高要求的硬件支持；二是分析缺陷特征，利用特征增強、濾波和閾值分割，但實際上筆桿缺陷灰度差小，閾值分割不穩定，從而在一定程度上導致漏檢和誤檢。本文針對筆桿表面的缺陷，提出了利用邊緣平滑、直線擬合和尺寸測量方法。尺寸測量部分利用直線擬合和直線延長計算交點，優化了算法邏輯；邊緣磕傷缺陷拋棄了常用的濾波和Otsu閾值,利用邊緣平滑并計算缺陷點和正常點的位置關系。該方法有效提高了筆桿缺陷和尺寸測量的檢出精度，并縮短了檢測時間。

2 缺陷類型(Defect type)

筆桿的常見型號為圓直徑15.8 mm、高63.2 mm的帶有頂端開口和表面開口對稱的空心圓柱形結構[4]，由于材質硬度低，在生產過程中極易造成邊緣、開口輪廓磕傷，鍍膜不均勻和尺寸不符等缺陷。磕傷缺陷存在于兩個開口和上下兩端的邊緣，如圖1(a)所示；鍍膜不均勻缺陷呈現為整體亮度不一致，利用灰度值的大小可以有效找到缺陷位置，如圖1(b)所示；尺寸測量主要測量頂端開口的寬度和深度尺寸，如圖1(c)和圖1(d)所示。

圖1 缺陷類型Fig.1 Defect type

3 圖像處理過程(Image processing)

圖像處理是整個筆桿檢測系統的核心[5]，設備是否具有較高的檢出率，與算法對圖像缺陷檢出的穩定性有很大關系。本文首先對圖像進行Blob(連通區域)分析，分割出待檢測區域；然后通過直線擬合、直線延長等邏輯操作，完成尺寸測量；最后利用邊緣平滑的算子，實現輪廓磕傷缺陷的檢測。

3.1 Blob分析

Blob分析是將圖像進行二值化、分割、形態學操作和特征值計算，從而得到需要檢測的區域。首先選取灰度值在70—255的區域(算子：threshold)，根據特征值(面積)選取筆桿在整張圖上的位置(算子：select_shape)，然后進行填充(算子：fill_up)、做差(算子：difference)、形態學腐蝕(算子：erosion_circle)，最后選擇出開口位置，如圖2所示。

圖2 Blob分析確定開口位置Fig.2 Blob analysis to determine the opening position

3.2 直線擬合與開口深度的測量

對上述Blob分析確定好的開口位置進行開口尺寸的檢測，包括開口深度和開口寬度[6-7]。

開口深度的檢測方法是求點到直線的距離，但如果只按照傳統方法使用算子distance_pl(計算點到直線之間的距離)經過重復性精度實驗(同一個筆桿來回取放10 次取圖，看計算結果最小值和最大值的差)，像素差值達到了50—100 pix，這樣的精度顯然是不合格的。所以，需要對算法邏輯進行優化：分別提取開口的上部分、下部分和開口深度的邊，計算出上部分、下部分邊上所有的點，刪除偏移量比較大的前20%的數據，再重新擬合直線。同理，開口深度的邊也是如此操作，這樣可以得到兩條偏差很小的直線。根據這兩條直線上的所有點，再計算點到直線的距離，求出平均值即可得到準確的“V”口深度，像素差值可達到3 pix以內，處理過程如圖3所示。

圖3 直線擬合與開口深度的測量Fig.3 Straight line fitting and measurement of opening depth

本文利用直線擬合的尺寸測量方法測試300 個隨機筆桿，與傳統尺寸測量的檢出對比如表1所示。從表1中的結果可以看出，本文算法的設計大幅降低了誤檢率和縮短了檢測時間，提升了檢測效率，節約了檢測成本。

表1 開口深度檢測邏輯的對比算法Tab.1 Comparison algorithm of opening detection logic

3.3 直線延長與開口寬度的測量

進行開口寬度檢測時需要擬合三條直線，并將其中上、下兩條直線延長計算與左邊第三條直線相交。延長直線首先使用算子line_position計算待延長直線的起點行列坐標、終點行列坐標、中心點行列坐標、直線長度及直線與水平線的角度，分別存入對應數組RowBegin、ColBegin、RowEnd、ColEnd、RowCenter、ColCenter、Length、Phi，然后根據如下公式分別計算延長后的起點行列坐標和終點行列坐標，分別存入對應數組Row_Start、Col_Start、Row_End、Col_End。

其中，P為待延長直線起點/終點的行/列坐標，Pc為待延長直線中心點的行/列坐標，PHI為直線與水平線的角度，L為延長系數，L的值越大，延長后的直線越長。直線延長前后的對比如圖4所示。

圖4 直線延長前后對比Fig.4 Comparison before and after linear extension

通過算子intersection_lines計算延長后直線與圖4擬合后直線的交點，重復兩次得到上下兩個交點，根據交點的行列坐標計算開口寬度的尺寸。算子處理過程如圖5所示。

圖5 直線延長與開口寬度的測量Fig.5 Measurement of straight line extension and opening width

3.4 邊緣平滑與輪廓磕傷缺陷的檢測

輪廓磕傷缺陷的檢測如圖6所示。首先利用Blob分析找到輪廓位置，篩選輪廓上的點，找到待檢測的點坐標(算子：segment_contours_xld、select_shape_xld)，然后進行邊緣平滑并刪除平滑邊緣時產生的干擾(算子：smooth_contours_xld、union_adjacent_contours_xld、select_shape_xld)，最后根據待檢測的點坐標和平滑邊緣的距離判斷是否有輪廓磕傷。

圖6 輪廓磕傷缺陷檢測Fig.6 Contour gouge defect detection

4 實驗與分析(Experiment and analysis)

為驗證本文提出的筆桿表面缺陷檢測方法的可行性與準確性，把檢出率、漏檢率、誤檢率和檢測時間作為檢出標準。實驗環境為8 k像素工業線陣相機及其配套鏡頭，平行背光源，圖像處理通過Dell G5便攜式計算機完成，使用C#語言作為上位機調用Halcon完成算法編寫[8]。

按照文中所介紹的方法對某企業的NP4型號筆桿進行實驗，挑選1,000 件不同的筆桿進行對比實驗，采集合格產品圖像400 張、尺寸缺陷圖像400 張、邊緣磕傷缺陷圖像200 張，本文提出算法的檢測結果如表2所示；其他算法的檢測結果如表3所示；傳統尺寸測量檢測結果與本文提出的缺陷檢測方法結果進行對比，結果如表4所示；將實際工廠生產中傳統人工檢測結果與本文提出的缺陷檢測方法結果進行對比，結果如表5所示。

表2 本文提出的算法缺陷檢測結果Tab.2 Defect detection results of the algorithm proposed in this paper

表3 濾波和閾值分割算法缺陷檢測結果Tab.3 Defect detection results of filtering and threshold segmentation algorithm

表4 傳統尺寸測量與本文提出的方法檢測結果對比Tab.4 Comparison between traditional dimension measurement and the proposed method

表5 人工檢測與本文提出的方法檢測結果對比Tab.5 Comparison between manual detection and the proposed method

從表4和表5中的數據可以看出，本文提出的算法檢測檢出率為98.8%、誤檢率為1%、漏檢率僅為0.2%，而其他方法檢測檢出率為92.25%、誤檢率為3.3%、漏檢率為4.45%；人工檢測檢出率為90.2%、誤檢率為4.7%、漏檢率為5.1%。結果表明：該方法可以代替人工質檢方法，滿足生產要求。

5 結論(Conclusion)

本文介紹了一種基于機器視覺的筆桿表面缺陷檢測方法：首先對圖像進行Blob分析，分割出待檢測區域；然后通過直線擬合、直線延長等算法邏輯，完成了開口深度和開口寬度的尺寸測量；最后利用邊緣平滑的算子，實現了對輪廓磕傷缺陷的檢測。經實驗測試，本文提出的檢測方法與目前常用的檢測方法在漏檢率、誤檢率和檢出率等指標上都有所提升，并且降低了算法的復雜性，滿足工業質檢的要求。