基于機器視覺的注塑件缺陷檢測系統研究

王亓才 馮小輝 史卜凡 冀國正 曹懷祥 袁濤 黃元鳳

摘 要 提出并設計了一種基于機器視覺的注塑件焦料雜質缺陷檢測系統，通過對多光源非線性自動調光算法的研究，提高了復雜生產環境下注塑件圖像采集質量，并經高斯濾波、灰度圖像、自適應閾值處理、Canny邊緣檢測等圖像處理技術，可實現注塑件不同檢測精度下缺陷檢測。經現場測試證明，在1 mm以上缺陷檢測精度下，雜質缺陷的召回率為0.918，誤檢率為0.046，識別速度為每秒30幀，圖像處理算法性能穩定，解決了復雜注塑件生產環境下檢測精度低、檢測效率低的問題。

關鍵詞 機器視覺 注塑件缺陷檢測 圖像處理 視覺控制平臺

中圖分類號 TP391.41? ?文獻標志碼 A? ?文章編號 1000?3932（2024）01?0113?07

隨著圖像處理、自動化及機器視覺等技術的快速發展，塑料制造業經歷了巨大的變化，先進的工業系統對塑料產品生產過程中的質量控制提出了更高的要求［1，2］。在注塑成型領域中，注塑件缺陷的檢測是塑料產品生產過程中質量控制的關鍵環節，檢測對象為注塑成型系統中的注塑件，缺陷類型大多為熔融的焦料雜質缺陷，雜質尺寸大小1 mm以上，人眼可見。目前，注塑件缺陷檢測主要采用人眼觀察的方法檢驗產品的質量，該方法在注塑件成型后檢測，無法及時發現坯料生產過程中產生的雜質，造成材料浪費，增加了生產環節的制造成本；另外人眼觀察的檢測方法具有主觀性強、工作效率低、勞動強度高、檢測可信度低及實時性差等缺點［3］，不能滿足塑料工業制造過程不斷提高的效率和質量標準要求［4，5］。因此，需要在下料階段開發一種更有效、更可靠的注塑件焦料雜質缺陷自動檢測與控制系統來保證注塑件產品質量。

在眾多缺陷檢測技術中，機器視覺是一種軟件與硬件相結合的方法，在設備中提供操作控制，具有執行圖像捕獲、處理和關鍵屬性測量等功能［6］。相比于傳統的人眼觀察缺陷檢測方法，基于機器視覺的焦料雜質缺陷檢測技術具有檢測能力高、自動化程度高、實時性強及準確性高等優勢，而且減少了人力資源的使用［7，8］。特別是對一些大規模重復的缺陷檢測過程，比如大型注塑件缺陷檢測，機器視覺作為一種非接觸的、無損的檢測方法可以方便地用于信息集成、自動化、智能和精確控制［9］。

因此，筆者針對上述注塑件生產線實際應用問題，基于機器視覺，融合自動化技術、圖像處理技術等［10～12］，首次提出并設計了集光、機、電、算法于一體的基于機器視覺的注塑件焦料雜質缺陷檢測系統，通過在下料階段采用機器視覺識別與控制系統進行質量檢查和去除有缺陷的產品，實現注塑件缺陷非接觸、髙精度和全自動化的識別與控制，該系統可以有效減少人工成本和材料成本，滿足先進塑料工業系統中產品生產效率和質量標準日益增長的需求。

1 系統架構

注塑件缺陷檢測系統的架構如圖1所示，注塑件缺陷檢測系統主要由注塑件缺陷檢測軟件和視覺檢測平臺兩部分組成，其中視覺檢測平臺負責圖像采集和現場檢測控制，包括機械結構、可編程邏輯控制器（Programmable Logic Controller，PLC）控制系統、圖像采集模塊等；注塑件缺陷檢測軟件部分主要包括視覺檢測平臺控制、多光源非線性自動調光、注塑件缺陷檢測圖像處理算法和多相機協同控制四部分功能。工控機主要進行檢測系統的檢測結果顯示和上位機控制。

2 系統檢測原理與技術

2.1 視覺檢測平臺工作原理

視覺檢測平臺主要包括機械結構、PLC控制系統、圖像采集模塊等。視覺檢測平臺總體裝置如圖2a所示，主要由機架、滑臺模組、推桿結構、設備固定模組組成，機架設計為底座結構，滑臺模組固定在機架上，推桿結構固定在滑塊上，設備固定模組固定在推桿結構上，相機模組、燈管及保溫裝置安裝在設備固定模組上。

圖像采集模塊的主要任務是獲取高質量的圖像［13］。圖像采集模塊俯視圖如圖2b所示，圖像采集模塊由LED光源、相機模組組成，LED光源用于克服環境照明的干擾，保證圖像采集的質量，相機模組由電荷耦合器件（Charge Coupled Device，CCD）工業相機和鏡頭組成，鏡頭主要用于CCD工業相機的焦距調整［14］。

檢測系統的控制執行機構采用PLC，并對平臺進行運動控制，視覺檢測平臺接收現場注塑成型系統檢測信號時，機械結構和PLC控制系統配合可以控制檢測裝置進入固定位置，到位后，在檢測位置打強光，CCD工業相機采集高對比度、高質量的注塑件圖像，通過交換機傳輸到工控機進行注塑件缺陷檢測，檢查出焦渣缺陷后將報警信號傳給注塑件成型系統，實現注塑件缺陷的平穩、安全、自動化檢測與控制。

2.2 注塑件缺陷檢測軟件

注塑件缺陷檢測軟件包含4部分功能模塊，分別為視覺檢測平臺控制、注塑件缺陷檢測圖像處理、多光源非線性自動調光和多相機協同控制。通過調整檢測裝置的位置、工作模式、控制信號、電機的速度和方向等，使視覺檢測平臺能平穩地和現場注塑件成型系統配合使用，系統視覺總體檢測流程如圖3所示，通過軟件實現相機與工控機的通信，使相機可以實時采集圖像數據、定時抓取圖片，將數據傳輸到工控機進行當前照片亮度識別，通過多光源非線性自動調光，獲取高質量注塑件圖片；然后進行圖像處理和缺陷檢測，經過高斯濾波、灰度圖像、自適應閾值處理、Canny邊緣檢測等圖像處理技術，實現1 mm以上注塑件缺陷檢測；最后將缺陷檢測結果通知給PLC控制系統，進而利用PLC信號控制多組相機合成圖片，并保存記錄。

2.2.1 多光源非線性自動調光算法

注塑件的缺陷是熔融內部缺陷，光源需要透過生產過程中的注塑件，生產過程中注塑件的厚度不同，導致光源透過注塑件的均一度不同，另一方面，當圖片亮度過低或者過亮時，拍到的有缺陷的圖片、前景圖和背景圖對比度不明顯，不易從背景圖中識別出前景圖的特征，因此根據現場生產需求，提出一種多光源非線性自動調光算法，設計使用CCD工業相機定時獲取當前感興趣區域圖片，然后對采集到的即時圖片進行分析處理，將準備分析的圖片從24位RGB模式轉換成8位灰度模式，轉換過程為：將RGB3原色按固定權重進行轉換，然后對灰度圖進行統計分析，將圖像各波段的均方根作為當前圖片的亮度值，從而對圖像的亮度進行量化比較。如圖4所示，通過比較圖片檢測亮度與設定標準亮度的差值，進行光源電壓PID參數自動整定，進而確定光源控制器調整比例，當差值越大時，電壓調整的幅度也越大，當差值較小時，電壓調整的幅度也較小，從而可實現快速、精準調整，一般經過1～3次調整，光源亮度即可調整合理區間以內，可有效實現光源強度自動調整，實現高質量圖片的采集，提高缺陷識別算法的有效性。

2.2.2 注塑件缺陷檢測圖像處理算法

注塑件缺陷檢測圖像處理算法是檢測系統的關鍵，優秀的視覺識別算法能夠快速、準確地檢測到圖像中的目標特征，并最大限度地減少對系統硬件的依賴［15］。圖像處理算法流程如圖5所示，圖像處理算法主要進行圖像預處理和缺陷檢測，接下來將詳細介紹筆者所用圖像處理技術。

濾波處理。在圖像采集和傳輸過程中有可能產生各種圖像噪聲，這些噪聲降低了圖像質量，進而對圖像分析產生了不利影響。通常采用濾波的方式對原始圖像去噪［16］，筆者采用高斯濾波對原始圖像進行去噪，利用二維高斯核函數對原始圖像進行卷積運算處理，來保證圖像缺陷特征清楚。高斯濾波采用下式進行：

其中，σ為定義鄰域大小的參數；G（x）為二維的高斯核函數。

灰度圖像。圖像采集模塊采集的注塑件圖像數據是彩色圖像，系統在注塑件缺陷識別過程中對顏色信息并不關心，筆者采用的灰度化算法為平均值法，用新值填充圖像就是所要得到的灰度圖像。

閾值處理。經過高斯降噪和灰度化處理之后，圖像能明顯地顯示出主要邊緣信息，為了使后面的缺陷邊緣提取效果更好，此時需要再對圖像進行灰度二值化處理，即閾值處理［17］。

筆者采用自適應閾值處理，利用OpenCV中的adaptiveThreshold函數對圖像應用自適應閾值，依照檢測對象的灰度表現不同而自動選擇不同的公式進行計算，主要根據如下公式將灰度圖像轉換為二值化圖像：

其中，T（x，y）是每個像素都單獨計算的閾值；src（x，y）是待計算的像素值；dst（x，y）是計算后的輸出結果值。

邊緣檢測。邊緣檢測是圖像處理中的關鍵操作，圖像經過預處理后，再進行Canny算子邊緣處理，通過調用OpenCV中的Canny（）函數，使用Canny算法對輸入圖像進行邊緣檢測，提取出注塑件缺陷的外圍輪廓，然后對缺陷的輪廓進行面積處理，并進行標記［18］。這里可識別并標記1 mm以內缺陷、1～2 mm缺陷、2～3 mm缺陷和3 mm以上缺陷。

3 系統檢測原理與技術

3.1 運行環境配置

通過注塑件缺陷檢測軟件控制視覺檢測平臺采集注塑件缺陷樣本圖片，并進行測試和識別。機器視覺系統實驗環境、配置情況和運行環境見表1。其中光源系統采用正白光大LED燈條，光效達到102.82 lm/W；相機采用1 200萬分辨率，單像素精度為0.07 mm，測量誤差0.219 mm；鏡頭選擇6 mm焦距鏡頭；并對視覺檢測系統進行標定，即得出CCD工業相機采集圖像像素和實際注塑件缺陷尺寸的相互關系，關系為缺陷尺寸1 mm對應圖片4個像素；圖像處理算法部署環境為工控機，工控機CPU為Intel Core i7，內存16 GB，硬盤1 TB；采用Intel開源的計算機視覺庫OpenCV，并利用Python接口，進行圖像處理和計算機視覺開發。

3.2 結果分析

3.2.1 缺陷檢測數據集標注

如圖6a所示，文中的注塑件檢測圖像數據集來源于某塑料制品生產公司，原始的注塑件圖像數據集一共包括226張注塑件缺陷圖像，圖片分辨率為640×640，格式為JPG。檢測對象為注塑成型系統中的注塑件，缺陷的類型大多為焦料雜質缺陷，主要產生于料坯生產過程中。根據工業現場需求，可對注塑件缺陷進行尺寸標記和篩選，根據注塑件缺陷尺寸，缺陷分為1 mm以內缺陷（綠色）、1～2 mm缺陷（藍色）、2～3 mm缺陷（黃色）、3 mm以上缺陷（紅色），缺陷尺寸篩選標記如圖6b所示。

3.2.2 檢測性能指標及分析

系統的缺陷評價指標包括召回率TPR、誤檢率FPR和識別速度。計算公式如下：

其中，TP為本為缺陷并且也被判定成缺陷；FN為漏報，即本為缺陷但判定為合格；FP為誤報，即本為合格但判定為缺陷；TN為本為合格并且也被判定成合格。

根據生產企業檢測需求，設置不同的缺陷檢測精度，不同的檢測精度檢測性能有所區別，1 mm以上檢測精度下，召回率為0.918，誤檢率為0.046；2 mm以上召回率為0.930，誤檢率為0.043；3 mm以上召回率為0.943，誤檢率為0.037。在當前硬件配置下，識別速度為每秒30幀。表2為缺陷檢測結果。可以看出，該系統具有較高的召回率、較低的誤檢率和較快的識別速度，高的召回率代表注塑件生產企業不良注塑件產品流向市場的數量越少，可以極大減少企業召回成本；誤檢率越低，可以給企業帶來較低的物料成本損失；識別速度越快，可極大地提高注塑件缺陷檢測效率。

4 結束語

注塑件缺陷識別技術在實際工業生產中發揮著不可或缺的作用，但是國內相關研究不夠系統，筆者以機器視覺為基礎，融合自動化技術和圖像處理技術，首次提出并設計了光、機、電、算法一體化的基于機器視覺的注塑件焦料雜質缺陷檢測系統，提出一種多光源非線性自動調光算法，為提高復雜環境下照片采集質量提供了思路，同時本系統能在滿足精度的條件下實現注塑件缺陷快速、非接觸、髙精度和全自動化識別與控制，可以有效減少人工成本和材料成本，滿足先進工業系統中產品生產效率和質量標準日益增長的需求。

參 考 文 獻

［1］ 周顯恩，王耀南，朱青，等.基于機器視覺的瓶口缺陷檢測方法研究［J］.電子測量與儀器學報，2016，30（5）：702-713.

［2］ PENUMURU D P，MUTHUSWAMY S，KARUMBU P.Identification and classification of materials using machine vision and machine learning in the context of industry 4.0［J］.Journal of Intelligent Manufacturing，2020，31（5）：1229-1241.

［3］ SONG G R，SONG K C，YAN Y H.EDRNet：encoder?decoder residual network for salient object detection of strip steel surface defects［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（12）：9709-9719.

［4］ 李贊澄，時宇航，張祥祥，等.面向螺紋缺陷檢測的協同控制平臺設計［J］.智能制造，2021（2）：73-76.

［5］ WANG T，CHEN Y，QIAO M N，et al.A fast and robust convolutional neural network?based defect detection model in product quality control［J］.International Journal of Advanced Manufacturing Technology，2018，94（9?12）：3465-3471.

［6］ DRUNGILAS D，KURMIS M，LUKOSIUS Z，et al.An adaptive method for inspecting illumination of color intensity in transparent polyethylene terephthalate preforms［J］.IEEE Access，2020，8：83189-83198.

［7］ QIU K P，TIAN L，WANG P.An effective framework of automated visual surface defect detection for metal parts［J］. IEEE Sensors Journal， 2021， 21（18）：20412-20420.

［8］ ALI M A H，LUN A K.A cascading fuzzy logic with image processing algorithm?based defect detection for automatic visual inspection of industrial cylindrical objects surface［J］.International Journal of Advanced Manufacturing Technology，2019，102（1?4）：81-94.

［9］ LI X M，SHU Y F，ZUO D L，et al.Machine vision of tex? tile testing and quality research［J］.Journal of Intelligent and Fuzzy Systems，2019，38（10）：1-7.

［10］ 姜燕，王悅，張旭澤，等.基于PLC的自動化機器人視覺形狀特征識別算法分析［J］.制造業自動化，2021，43（1）：152-156.

［11］ JIN Z K，LIU L，GONG D F，et al.Target recognition of industrial robots using machine vision in 5G environment［J］.Frontiers in Neurorobotics，2021，15：624466.

［12］ 劉桂華，王玉玫，王靜強.基于機器視覺的隔水管法蘭端面位姿檢測［J］.機械設計，2019，36（3）：84-90.

［13］ XIAO L，WU B，HU Y M.Surface defect detection using image pyramid［J］.IEEE Sensors Journal，2020，20（13）：7181-7188.

［14］ SUN X H，GU J A，TANG S X，et al.Research progress of visual inspection technology of steel products—A review［J］.Applied Sciences，2018，8（11）：2195.

［15］ REN Z H，FANG F Z，YAN N，et al.State of the art in defect detection based on machine vision［J］.International Journal of Precision Engineering and Manufac turing?Green Technology，2021：9-12.

［16］ CHOWDHURY D， DAS S K， NANDY S，et al.An ato? mic technique for removal of gaussian noise from a noisy gray scale image using lowpass?convoluted gaussian filter［C］//2019 International Conference on Opto?Electronics and Applied Optics （Optronix）.Piscataway：IEEE，2019.

［17］ 羅輝，崔亞飛.基于機器視覺的工件識別與定位系統設計與實現［J］.組合機床與自動化加工技術，2021（1）：101-105；109.

［18］ XIAO Y N，LI J Y.Crack detection algorithm based on the fusion of percolation theory and adaptive canny operator［C］//2018 37th Chinese Control Conference （CCC）.Piscataway：IEEE，2018：4295-4299.