钢化玻璃缺陷实时检测系统的研究-AET-电子技术应用

钢化玻璃缺陷实时检测系统的研究

2016年微型机与应用第08期

田国富，马书新，高峰

（沈阳工业大学机械工程学院，辽宁沈阳 110870）

摘要： 提出了一种基于图像处理的玻璃缺陷实时检测系统。阐述了系统的基本原理和结构，着重研究了系统的核心技术：中值滤波、图像分割、边缘检测、缺陷定位、参数计算与缺陷识别。实验结果表明，该系统的检测识别率高，达到95%;速度快，处理周期约350 ms;抗干扰能力强，基本能够实现钢化玻璃缺陷的在线检测要求。

关键词： 玻璃缺陷实时检测图像处理 BP神经网络

Abstract：

Key words :

　　田国富，马书新，高峰

　　（沈阳工业大学机械工程学院，辽宁沈阳 110870）

　　摘要：提出了一种基于图像处理的玻璃缺陷实时检测系统。阐述了系统的基本原理和结构，着重研究了系统的核心技术：中值滤波、图像分割、边缘检测、缺陷定位、参数计算与缺陷识别。实验结果表明，该系统的检测识别率高，达到95%;速度快，处理周期约350 ms;抗干扰能力强，基本能够实现钢化玻璃缺陷的在线检测要求。

　　关键词：玻璃缺陷;实时检测;图像处理;BP神经网络

0引言

　　现在的玻璃缺陷检测系统主要是利用人工检测、激光检测和摩尔干涉定理的方法。人工检测容易带来主观误差，激光检测易受干扰，摩尔干涉定理检测往往占用大量的检测时间，不能适应自动化生产线。将图像测量技术应用于玻璃的非接触测量，可以避免主观误差，提高检测效率［1］。

1系统概述

　　1.1系统的整体结构

　　图1所示为玻璃缺陷实时检测系统的基本结构，主要包括：LED光源、CCD阵列摄像机、图像处理单元、显示器、通信/输入输出单元等。

　　图1实时检测系统结构示意图玻璃原板的检测幅面较大，检测精度和效率要求较高，故系统采用C/S网络化分布的并行处理方式［2］。如图2所示,使用柯拉光路透镜组以获取均匀稳定的视场强度，使用遮光罩避免了外部光的干扰。

　　1.2系统的基本原理

　　图3为实时检测原理示意图，光源背面垂直照射玻璃，由摄像机组拍摄图像，传输到计算机中，由软件进行图像分析，提取缺陷的位置，特征参数及判别类型，并通过局域以太网发送至总服务器［3］。　

2玻璃图像的精确测量

　　在光源照射下，玻璃缺陷的图像显示是非常明显的，这就为图像检测奠定了基础。图4所示为缺陷的图像检测算法步骤［4］。　

　　2.1图像去噪

　　采用了一种改进的自适应中值滤波算法［5］，其过程如下：假设玻璃图像大小为m×n，T的初值为玻璃图像总像素的一半，即T=mn/2。

　　(1)窗口回复缺省值，对新开始的内容排序并建立直方图,确定其值P,同时记下亮度Pi不大于P的像素数目Q。

　　(2)因最左列亮度PL的每个像素为P,且H［PL］ =H［PL］-1。则H［PL］即为直方图最左列亮度的像素数。

　　(3)将窗口右移1列,因最右列亮度PR的每个像素为P,且H［PR］=H［PR］+1。如果PR<P,则置Q=Q+1。

　　(4)若Q>T则转步骤(5)。重复Q=Q+H［P］, P=P+1;直到Q≥T,则转步骤(6)。

　　(5)重复P=P-1,Q=Q-H［P］,直到Q≤T。

　　(6)如果窗口的右侧列不是玻璃图像的右边界,则转步骤(2)。

　　(7)如果窗口的底行不是玻璃图像的下边界,则转步骤(1)。

　　2.2阈值分割

　　提出了一种复合型阈值分割算法。

　　2.2.1基于自跟踪的阈值曲面分割方法［6］

　　在检测前采集一无缺陷玻璃图像，将其灰度分布曲面作为初始曲面f0(x,y)。假设图像为m×n, R(x,y)为实时图像，G为平均灰度差变化：

　　以G为修正值对f0(x,y)修正，得到新的阈值曲面T(x,y),有

　　T(x,y)=f0(x,y)+G(2)

　　为了保证分割时缺陷的特征，必须保持各像素间的灰度关系，因此采用式（3）所示的向下分割［7］：

　　2.2.2自适应阈值分割［8］

　　整幅图像总像素像素的灰度值比阈值T小的像素个数记作N1，比阈值T大的像素个数记作N2，则目标像素点数在整幅图像中所占比例为C1=N1M×N,平均灰度为U1,背景像素点数在整幅图像中所占比例为C2=N2M×N,平均灰度为U2。其中N1+N2=M×N, U1+U2=1。则图像的加权平均灰度值U与类间方差g分别为：

　　U=C1×U1+C2×U2(4)

　　g=C1×(U-U1)2+C2×(U-U2)2(5)

　　当g最大时，目标与背景的对比度最大，可用遍历法得到对应的最大最佳阈值T，然后进行图像二值化分割。

　　2.3图像边缘检测

　　本文采用了一种二阶段逼近式亚像素边缘检测算法。

　　2.3.1图像边缘粗定位

　　Sobel算子能确定边缘点的位置和方向，对噪声具有平滑作用，所以在边缘粗定位时选用Sobel算子［8］。给定阈值T，根据图5可知，若像素f(x,y)附近存在边缘时，梯度值S(x, y)需要满足以下关系：

　　S(x,y)≥S(x+1,y)>S(x+2,y),

　　S(x,y)≥S(x-1,y)>S(x-2,y),S(x,y)>T

　　（x,y-2）（x,y-1）(x-2,y)（x-1,y）（x, y）（x+1,y）（x+2,y）（x,y+1）（x,y+2）

　　2.3.2图像边缘精定位

　　选取5个像素点，横坐标x代表像素值，其取值分别设为-2、-1、0、1、2，其纵坐标y代表各点对应的灰度值，依据施密特正交化法得到正交基，如式（6）所示：

　　则灰度分布拟合表达式为：

　　F5(x)=a0×G0(x)+a1×G1(x)+a2×G2(x)

　　+a3×G3(x)+a4×G4(x)+a5×G5(x)(7)

　　根据最小二乘法原理有：

　　根据函数的极值求解条件,求解的x即是亚像素点的位置。

　　2.4缺陷区域定位

　　在同一实验环境下，分别采用8邻域搜索算法及RLE算法对同一幅8 000×6 000的含缺陷的灰度图像进行处理，记录时间运算周期，结果如表1所示［9］。

　　2.5缺陷特征参数提取［10］

　　本文提取如下4种特征参数作为区分缺陷类型的指标: 缺陷核心面积、缺陷目标的伸长度、周长和圆形度。

　　（1）面积A定义为区域内所包围的像素点数。计算方法是扫描整幅图像，统计目标边界及内部的全部像素数，公式为：

　　（2）伸长度Q可以把细长目标和近似圆形或方形目标区分开来，公式为：

　　Q=DL/A(13)

　　其中，A为缺陷区域面积，D与L分别为目标宽度和长度。

　　（3）周长Z即区域边界的长度。假设每个点是面积为1的一个小方块，对图像边缘做出标记，累计所标记的像素总数，即为周长。标记方法如下：

　　①定义一个二维数组h(i, j)=1，其中(i, j)是值为 1的点的坐标。

　　②对整幅图像从上到下扫描，比较相邻两点的值，若值为1和0，则令h1(i, j)=1,记录满足条件的像素数目Z1；再从左到右扫描，比较相邻两点的值，若值为1和0，则令h2(i, j)=1，记录像素数目Z2。

　　③计算Z=Z1+Z2，Z为区域边界的周长。

　　（4）圆形度O主要用来区分圆形或椭圆形缺陷(气泡等）及细长状缺陷（裂纹或异物掺杂等），可用式（14）求解：

　　O=A/Z2（14）

　　2.6缺陷类型识别

　　2.6.1缺陷类型识别原理

　　若当均匀光垂直入射没有杂质的玻璃时，出射光的强度也是均匀的，方向也不会发生改变，如图6(a)所示；若遇到光透射型缺陷，光线在缺陷位置发生折射，相机靶面上探测到的光相应增强，如图6(b)所示；若遇到光吸收型杂质，则该缺陷位置的光会变弱，相机靶面上探测到的光比周围的光要弱，如图6(c)所示［10］。