CN104111040B - 一种浮法玻璃波筋在线检测方法 - Google Patents

Abstract

一种浮法玻璃波筋在线检测方法，本发明属于工业检测技术领域，目的在于克服现有浮法玻璃检测设备不能在线检测玻璃斑马角的不足，以有效检测出浮法玻璃生产中的波筋缺陷，并在线实时测定玻璃的斑马角。本发明包括设置检测系统步骤、预先建立映射表步骤、边缘检测步骤、阈值分割步骤、去除图像噪声步骤、条纹细化步骤和计算斑马角步骤。本发明检出率高、检测速度快、大大降低工人了的劳动强度，可以满足浮法玻璃在线检测斑马角的实时性要求。

Description

一种浮法玻璃波筋在线检测方法

技术领域

本发明属于工业检测技术领域，具体涉及一种浮法玻璃波筋在线检测方法。

背景技术

机器视觉是指用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。它是一项涉及人工智能、神经生物学、计算机科学、图像处理、模式识别等诸多领域的综合技术。由于机器视觉系统可以快速获取大量信息，易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，机器视觉系统在工况监视、成品检验和质量控制等领域得到了广泛的应用。

浮法玻璃的波筋反映了玻璃内部介质的不均匀性，通常是由于熔炉内部加热不均或配料的局部变化引起的，是影响玻璃评级的一项重要指标；一般来说，波筋会引起轻微的光学变形，目前主要采用中华人民共和国国家标准GB11614-2009《平板玻璃》第6、7页6.5.4光学变形检测方法(业内俗称斑马法)检测这种光学变形，所测得的表征浮法玻璃试样光学变形程度的入射角，业内俗称斑马角；其测量原理如图1(a)所示，试样G按拉引方向垂直放置，观察者P透过试样观察屏幕S上的条纹，首先让条纹明显变形，然后慢慢转动试样G直到变形消失，记录此时玻璃法线与视角的夹角，这个入射角就是斑马角或称光学变形角，通常用这个角作为浮法玻璃的光学变形质量的评价指标，图1(b)为屏幕S上的条纹图像；图1(a)、图1(b)中所标注的尺寸单位为mm。

斑马法只能对浮法玻璃的波筋进行人工离线抽检，难以全面保证产品质量。随着玻璃深加工工艺的不断发展，对玻璃原板的质量要求也越来越高，波筋的人工离线抽检方式已无法适应目前浮法玻璃等级评定的实际需要。因此，要全面保证浮法玻璃质量和提高生产效率，对浮法玻璃波筋进行在线实时检测就显得十分重要。

目前，国内基于机器视觉的浮法玻璃在线检测设备可以有效检测出玻璃生产中的气泡、夹杂、粘锡、裂纹等常见缺陷，但对引起较小光学变形的波筋无能为力。国外的浮法玻璃自动检测设备供应商凭着资金和硬件技术上的优势，已经打入国内市场，例如德国的Innomess公司的光栅在线检测系统、德国Lasor公司的2F1检测系统、英国的Image Automation公司、皮尔金顿玻璃公司、日本的旭硝子玻璃机械都有相应的浮法玻璃缺陷检测系统，技术较为成熟，可以识别出波筋缺陷，但这些系统都没有提供在线测定斑马角的方法。

发明内容

本发明提供一种浮法玻璃波筋缺陷在线检测方法，目的在于克服现有浮法玻璃检测设备不能在线检测玻璃斑马角的不足，以有效检测出浮法玻璃生产中的波筋缺陷，并在线实时测定玻璃的斑马角。

本发明所提供的一种浮法玻璃波筋缺陷在线检测方法，其特征在于，其包括下述步骤：

(1)设置检测系统步骤：在光路中，依次设置LED光源、第一光栅G1、第二光栅G2和CCD相机，所述第一、第二光栅的周期相同，平行放置，第一光栅G1贴近LED光源安装，使LED光源近似平行入射，第二光栅G2位于第一光栅G1的泰伯成像平面处并位于CCD相机的一倍焦距之内，调整至CCD相机能够得到第二光栅G2的清晰放大虚像；

将待测玻璃带放置于第一光栅G1和第二光栅G2之间且三者平行，CCD相机输出透过第二光栅G2形成的莫尔条纹灰度图像；

(2)预先建立映射表步骤：

预先建立阈值-灰度映射表和梯度-斑马角映射表：阈值-灰度映射表包括分割阈值表项和平均灰度表项，分割阈值表项包括各幅莫尔条纹灰度图像的分割阈值，平均灰度表项包括与所述各分割阈值对应的各幅莫尔条纹灰度图像的平均灰度；梯度-斑马角映射表包括梯度表项和斑马角表项，梯度表项包括各莫尔条纹灰度图像的梯度最大值，斑马角表项包括与所述各梯度最大值对应的各浮法玻璃试样的斑马角；

(3)边缘检测步骤：

采用Kirsch算子计算莫尔条纹灰度图像中各像素点的最大卷积值，得到卷积值灰度图像；

(4)阈值分割步骤：对卷积值灰度图像进行阈值分割，得到二值化图像；

(5)去除图像噪声步骤：使用去噪阈值分割二值化图像，去除二值化图像的噪声，得到去噪二值化图像；

(6)条纹细化步骤：计算条纹的中点，对去噪二值化图像进行细化，得到细化条纹图像；

(7)计算斑马角步骤：计算细化条纹图像中各相邻条纹线之间的不同宽度，再在莫尔条纹灰度图像中计算所述不同宽度对应范围内所有像素灰度值的和值，然后计算各和值的梯度，从中找出梯度最大值D₀；根据梯度-斑马角映射表，计算D₀对应的斑马角A₀。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于：

所述设置检测系统步骤(1)中，第一光栅G1和第二光栅G2均为Ronchi光栅，第一光栅G1和第二光栅G2之间的距离L：

$L=\frac{{\mathrm{md}}^2}{\mathrm{\λ}},m=\mathrm{1,2},3,...,$

其中，L的单位为米，d为第一、第二光栅的周期，λ为入射光波的波长，单位为米。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述预先建立映射表步骤(2)包括下述子步骤：

(2.1)采集不同光照条件下的一组莫尔条纹灰度图像，并计算每幅莫尔条纹灰度图像的平均灰度；

(2.2)对每幅莫尔条纹灰度图像，用Otsu法得到对应的分割阈值；

(2.3)建立阈值-灰度映射表：阈值-灰度映射表包括分割阈值表项和平均灰度表项，分割阈值表项包括各幅莫尔条纹灰度图像的分割阈值，平均灰度表项包括与所述各分割阈值对应的各幅莫尔条纹灰度图像的平均灰度；

(2.4)获取一组波筋度数不同的浮法玻璃试样；

(2.5)采用斑马法测得各浮法玻璃试样的斑马角；

(2.6)采用所述步骤(1)和下述步骤(3)、(4)、(5)、(6)获得各浮法玻璃试样的细化条纹图像；

(2.7)计算各细化条纹图像中各相邻条纹线之间的不同宽度，再在相应的莫尔条纹灰度图像中计算所述不同宽度对应范围内所有像素灰度值的和值，然后计算各和值的梯度，从中找出梯度最大值，从而得到各莫尔条纹灰度图像的梯度最大值；

(2.8)建立梯度-斑马角映射表：梯度-斑马角映射表包括梯度表项和斑马角表项，梯度表项包括各莫尔条纹灰度图像的梯度最大值，斑马角表项包括与所述各梯度最大值对应的各浮法玻璃试样的斑马角。

Otsu法(Otsu's method)是图像处理领域的技术人员熟知的，如《自动化学报》1993年1月第19卷第1期101～105页所载的“灰度图像的二维Otsu自动阈值分割法”一文，即对Otsu法进行了详细说明。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述子步骤(2.6)得到各莫尔条纹灰度图像的梯度最大值包括下述过程：

(2.6.1)将梯度最大值赋为0；

(2.6.2)相邻边缘间像素点灰度值求和：按照自左而右的顺序，计算细化条纹图像中，当前条纹线和下一条纹线之间的宽度，再在莫尔条纹灰度图像中，计算所述宽度对应范围内所有像素点灰度值的和值；

(2.6.3)计算所述和值的梯度：计算所述和值与前一次和值的差值，得到当前和值的梯度；

(2.6.4)梯度最大值判定：判断当前和值的梯度绝对值是否大于梯度最大值的绝对值，是则将梯度最大值置为当前和值的梯度，转步骤(2.6.5)；否则保持梯度最大值不变，转步骤(2.6.5)；

(2.6.5)最后条纹线判定：判断当前条纹线是否为细化条纹图像的最后一根条纹线，是则转子步骤(2.7)；否则将下一条纹线作为当前条纹线，转子步骤(2.6.2)；

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述边缘检测步骤(3)包括下述子步骤：

(3.1)模板数组初始化：定义8个3×3模板数组，并分别对其按Kirsch算子赋值；

(3.2)卷积计算：按照从左至右、自上而下的顺序，在莫尔条纹灰度图像中，将当前像素作为3×3模板数组的中心点，对当前像素值及其8邻域像素值分别用8个模板数组进行卷积计算，得到8个卷积值；

(3.3)求绝对值最大卷积值：从所述8个卷积值中求出绝对值最大的卷积值，将其作为当前像素点的像素值；

(3.4)结束判定：判断当前像素点是否为莫尔条纹灰度图像的最后一个像素点，是则形成卷积值灰度图像，结束，转阈值分割步骤；否则将下一像素作为当前像素，转子步骤(3.2)。

Kirsch算子(Kirsch Operator)是图像处理领域的技术人员熟知的，如《通信学报》1996年1月第17卷第1期131-134页所载“Kirsch边缘检测算子的快速算法”，文中即详细介绍了Kirsch算子的内容及其应用。

所述的浮法玻璃波筋在线检测方法，其特征在于，所述阈值分割步骤(4)包括下述子步骤：

(4.1)计算卷积值灰度图像的平均灰度：对卷积值灰度图像中所有像素点的灰度值累加求和，再除以像素点的数目，得到卷积值灰度图像的平均灰度H₀；

(4.2)查询阈值-灰度映射表；

在阈值-灰度映射表中，找到所述平均灰度H₀对应的灰度区间[H₁，H₂]，利用下式计算所述平均灰度对应的分割阈值T₀：

$T_0=T_1+\frac{T_2-T_1}{H_2-H_1}(H_0-H_1),$

式中，H₁≤H₀≤H₂，H₁、H₂分别为H₀对应的灰度区间较小、较大的灰度值，T₁、T₂分别为H₁、H₂对应的分割阈值；

(4.3)用分割阈值T₀对图像进行阈值分割，得到二值化图像；转去除图像噪声步骤。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述去除图像噪声步骤(5)包括下述子步骤：

(5.1)统计二值化图像中当前列黑色像素点数量：从二值化图像的左边开始，按照自上而下的顺序，统计二值化图像当前列中黑色像素点的数量；

(5.2)颜色判定：判断当前列中黑色像素点的数量与当前列中像素点总数之比是否大于去噪阈值T_d，是则将当前列的所有像素点置为黑色像素点，转步骤(5.3)；否则将当前列的所有像素点置为白色像素点，转步骤(5.3)；其中，0.5≤T_d≤0.8；

(5.3)结束判定：判断当前列是否为二值化图像的最后一列，是则得到去噪二值化图像，结束，转条纹细化步骤；否则将下一列作为当前列，转子步骤(5.1)。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述条纹细化步骤(6)包括下述子步骤：

(6.1)获取当前条纹的起点和终点：按照自左而右的顺序，从当前像素点开始，扫描去噪二值化图像的一行，当扫描到一个紧邻白色像素点的黑色像素点时，将该黑色像素点位置记录为当前条纹起点位置，当继续扫描到一个紧邻黑色像素点的白色像素点时，将黑色像素点位置记录为当前条纹的终点位置；

(6.2)计算当前条纹的中点：计算当前条纹起点位置和终点位置的平均值，得到条纹的中点；

(6.3)条纹细化：在去噪二值化图像中，将条纹中点位置对应的一列像素点全部置为黑色像素点，当前条纹其他位置像素点均置为白色像素点，形成条纹线；

(6.4)结束判定：判断当前像素点是否为去噪二值化图像一行中最后的像素点，是则得到细化条纹图像，结束，转计算最大光通量变化率步骤；否则将下一像素点置为当前像素点，转子步骤(6.1)。

所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述计算斑马角步骤(7)包括下述子步骤：

(7.1)将梯度最大值D₀赋为0；

(7.2)相邻边缘间像素点灰度值求和：按照自左而右的顺序，计算细化条纹图像中，当前条纹线和下一条纹线之间的宽度，再在莫尔条纹灰度图像中，计算所述宽度对应范围内所有像素点灰度值的和值；

(7.3)计算所述和值的梯度：计算所述和值与前一次和值的差值，得到当前和值的梯度；

(7.4)梯度最大值判定：判断当前和值的梯度绝对值是否大于梯度最大值D₀的绝对值，是则将D₀置为当前和值的梯度，转步骤(7.5)；否则保持D₀不变，转步骤(7.5)；

(7.5)最后条纹线判定：判断当前条纹线是否为细化条纹图像的最后一根条纹线，是则转子步骤(7.6)；否则将下一条纹线作为当前条纹线，转子步骤(7.2)；

(7.6)查询梯度-斑马角映射表：

在梯度-斑马角映射表中，找到所述梯度最大值D₀对应的梯度区间[D₁，D₂]，利用下式计算D₀对应的斑马角A₀：

$A_0=A_1+\frac{A_2-A_1}{D_2-D_1}(D_0-D_1),$

式中，D₁≤D₀≤D₂，D₁、D₂分别为D₀对应的梯度区间较小、较大的梯度值，A₁、A₂分别为D₁、D₂对应的斑马角；计算完毕结束。

本发明基于莫尔条纹成像技术和泰伯效应原理。在第一光栅的泰伯成像平面处放一块周期相同的第二光栅，可以观察到清晰的莫尔条纹，此时，若光路中存在相位物体，则由莫尔条纹形状的改变就可以测量由相位物体所产生的相位变化。图2为本发明测量装置示意图，LED照明光源发出的光经第一光栅G1后，透过玻璃带GS与第二光栅G2形成莫尔条纹，玻璃带GS中的波筋缺陷会使莫尔条纹的形状发生相应的改变，通过CCD相机获取波筋缺陷的莫尔条纹灰度图像，通过本发明的后续步骤对莫尔条纹灰度图像中莫尔条纹的形状变化进行分析，就可计算出玻璃带的斑马角。在检测系统中，要求第一光栅G1贴近LED光源安装，使LED光源近似平行入射，此时可按一阶泰伯距离d²/λ确定第一光栅G1和第二光栅G2之间的距离L；同时，第二光栅G2应位于CCD相机的一倍焦距之内，并调整至合适的距离，以保证可以得到第二光栅G2清晰的放大虚像。

本发明所用的莫尔条纹成像技术，可以用遮光阴影原理来解释，这是按照重叠线条交点的轨迹来表示莫尔条纹的亮度分布的一种方法，在两个光栅暗栅线与暗栅线交点的联线上，由于透光面积最大而形成莫尔条纹的亮带，而在两个光栅暗栅线与亮栅线交点的联线上，由于光线互相遮挡，而形成莫尔条纹的黑带。下面就根据序数方程方法对遮光阴影原理作简单的介绍。图3为形成莫尔条纹的光栅栅线交线示意图，图中采用直角坐标系，X轴为水平方向，垂直线段-1、0、1、…、9为第一光栅G1的暗栅线，斜线段-1、0、1、…、8为第二光栅G2的暗栅线，横向虚线段0、1、2为第一光栅G1和第二光栅G2形成的莫尔条纹的亮带。两光栅的交点可由栅线序数n、m确定，分别列出表征两光栅位置和夹角的代数方程式，便可以通过求解联立的方程组而求得由两光栅所形成莫尔条纹的表达式。

假定两光栅的栅距分别为P1和P2，两光栅栅线之间的交角为θ，莫尔条纹与X轴的夹角为φ，莫尔条纹的节距(横向虚线段0、1、2之间的距离)为W，则莫尔条纹可以由以下两个表达式来描述：

$W=\frac{P_1{P}_2}{{(P_1^2+P_2^2-2P_1{P}_2\cos \mathrm{\θ})}^{1/2}},---\left(1\right)$

$\cos \mathrm{\φ}=\frac{P_1\sin \mathrm{\θ}}{{(P_1^2+P_2^2-2P_1{P}_2\cos \mathrm{\θ})}^{1/2}};---\left(2\right)$

本发明采用泰伯效应原理确定两个Ronchi光栅之间的距离。泰伯效应是一种具有横向周期性结构物体的衍射场在纵向上具有周期性的现象，其物理原因是周期物体后各级衍射分量之间再次相互干涉而引起成像。图4为泰伯成像平面的位置示意图。若d为Ronchi光栅的周期，L表示两光栅之间的距离，λ表示入射光波的波长，当L满足如下条件时：

$L=\frac{{\mathrm{md}}^2}{\mathrm{\λ}},(m=\mathrm{1,2,3},...)---\left(3\right)$

其中，L的单位为米，d为第一、第二光栅的周期，λ为入射光波的波长，单位为米。

观察面上的场分布的光强度分布与物体光强度分布相同，在的整数倍距离上，可观察到Ronchi光栅的像。其中当m为偶数时，光栅和像的相位相同，当m为奇数时，光栅与像的相位相差π。图4中，g₁为第一光栅所在的位置平面，z₁，zx.，…，z_n为泰伯成像位置平面。

本发明基本思想是通过检测莫尔条纹单位周期内光通量的变化率来在线测定玻璃的斑马角。首先通过边缘检测算法获取莫尔条纹的边缘；接着采用改进的固定阈值的分割算法对莫尔条纹图像进行阈值分割；然后根据莫尔条纹图像的特点，设计了一种线性阈值分割的算法去除图像的噪声；最后采用中点法来对条纹图像进行细化，以获取准确的莫尔条纹图像边缘，统计相邻边缘间灰度值的和并计算它们之间的梯度，并将这个梯度作为光通量的变化率，通过实验的方法建立光通量的变化率与浮法玻璃斑马角的映射关系，采用一次牛顿插值法就可以计算出浮法玻璃的斑马角；检出率高、检测速度快、大大降低工人了的劳动强度，可以满足浮法玻璃在线检测斑马角的实时性要求。本发明可以实现如下技术指标：

(1)检测速度(生产线运行速度)：0～30m/min；

(2)适应玻璃厚度：3～25mm；

(3)缺陷漏检率：≤2％；

(4)缺陷误检率：≤2％；

(5)检测版宽：5200mm；

(6)斑马角分辨率：≤3°。

附图说明

图1(a)为传统浮法玻璃斑马角测量装置示意图；

图1(b)为图1(a)中屏幕上的条纹图像示意图；

图2为本发明测量装置示意图；

图3为光栅栅线交线示意图；

图4为泰伯成像平面位置示意图；

图5为本发明流程示意图；

图6为预先建立映射表步骤流程示意图；

图7为边缘检测步骤流程示意图；

图8(a)为莫尔条纹灰度图像；

图8(b)为卷积值灰度图像；

图8(c)为二值化图像；

图8(d)为去噪二值化图像；

图8(e)为细化条纹图像；

图9为阈值分割步骤流程示意图；

图10为去除图像噪声步骤流程示意图；

图11为条纹细化步骤流程示意图；

图12为计算斑马角步骤流程示意图。

具体实施方式

以下结合附图对本发明进一步说明。

如图5所示，本发明包括(1)设置检测系统步骤；(2)预先建立映射表步骤；(3)边缘检测步骤；(4)阈值分割步骤；(5)去除图像噪声步骤；(6)条纹细化步骤；(7)计算斑马角步骤。

如图6所示，预先建立映射表步骤，包括下述子步骤：

(2.1)采集不同光照条件下的一组莫尔条纹灰度图像，并计算每幅莫尔条纹灰度图像的平均灰度；

(2.2)对每幅莫尔条纹灰度图像，用OTSU法得到对应的分割阈值；

(2.3)建立阈值-灰度映射表：阈值-灰度映射表包括分割阈值表项和平均灰度表项，分割阈值表项包括各幅莫尔条纹灰度图像的分割阈值，平均灰度表项包括与所述各分割阈值对应的各幅莫尔条纹灰度图像的平均灰度；

(2.4)获取一组波筋度数不同的浮法玻璃试样；

(2.5)采用斑马法测得各浮法玻璃试样的斑马角；

(2.6)采用所述步骤(1)和下述步骤(3)、(4)、(5)、(6)获得各浮法玻璃试样的细化条纹图像；

(2.7)计算各细化条纹图像中各相邻条纹线之间的不同宽度，再在相应的莫尔条纹灰度图像中计算所述不同宽度对应范围内所有像素灰度值的和值，然后计算各和值的梯度，从中找出梯度最大值，从而得到各莫尔条纹灰度图像的梯度最大值；

(2.8)建立梯度-斑马角映射表：梯度-斑马角映射表包括梯度表项和斑马角表项，梯度表项包括各莫尔条纹灰度图像的梯度最大值，斑马角表项包括与所述各梯度最大值对应的各浮法玻璃试样的斑马角。

如图7所示，边缘检测步骤包括下述子步骤：

(3.1)模板数组初始化：定义8个3×3模板数组，并分别对其按Kirsch算子赋值；

(3.2)卷积计算：按照从左至右、自上而下的顺序，在莫尔条纹灰度图像中，将当前像素作为3×3模板数组的中心点，对当前像素值及其8邻域像素值分别用8个模板数组进行卷积计算，得到8个卷积值；

莫尔条纹灰度图像如图8(a)所示；

(3.3)求绝对值最大卷积值：从所述8个卷积值中求出绝对值最大的卷积值，将其作为当前像素点的像素值；

(3.4)结束判定：判断当前像素点是否为莫尔条纹灰度图像的最后一个像素点，是则形成卷积值灰度图像，结束，转阈值分割步骤；否则将下一像素作为当前像素，转子步骤(3.2)。卷积值灰度图像如图8(b)所示。

如图9所示，阈值分割步骤包括下述子步骤：

(4.1)计算卷积值灰度图像的平均灰度：对卷积值灰度图像中所有像素点的灰度值累加求和，再除以像素点的数目，得到卷积值灰度图像的平均灰度G；

(4.2)查询阈值-灰度映射表；

在阈值-灰度映射表中，找到所述平均灰度H₀对应的灰度区间[H₁，H₂]，利用下式计算所述平均灰度对应的分割阈值T₀：

$T_0=T_1+\frac{T_2-T_1}{H_2-H_1}(H_0-H_1),$

式中，H₁≤H₀≤H₂，H₁、H₂分别为H₀对应的灰度区间较小、较大的灰度值，T₁、T₂分别为H₁、H₂对应的分割阈值；

(4.3)用分割阈值T₀对图像进行阈值分割，得到二值化图像；转去除图像噪声步骤。二值化图像如图8(c)所示。

OTSU法具有分割准确，自适应性强的特点，在静态图片分析中得到了广泛的应用，然而在实际应用中由于需要进行大量的迭代运算，不能满足实时性要求，从而限制了它们在在线检测系统中的应用。固定阈值分割是一种简单快速的算法，由于算法中的阈值是固定的，当光照条件和工作环境变化时，需要人工进行调整，自适应性较差，在本步骤中，申请人对固定阈值分割算法进行了改进，采用查询阈值-灰度映射表的方式进行阈值分割，在保留了快速高效特点的同时，提高了算法的适应性，能满足在线检测的实时性要求。

如图10所示，去除图像噪声步骤包括下述子步骤：

(5.1)统计二值化图像中当前列黑色像素点数量：从二值化图像的左边开始，按照自上而下的顺序，统计二值化图像当前列中黑色像素点的数量；

(5.2)颜色判定：判断当前列中黑色像素点的数量与当前列中像素点总数之比是否大于去噪阈值T_d，是则将当前列的所有像素点置为黑色像素点，转步骤(5.3)；否则将当前列的所有像素点置为白色像素点，转步骤(5.3)；其中，0.5≤T_d≤0.8；

(5.3)结束判定：判断当前列是否为二值化图像的最后一列，是则得到去噪二值化图像，结束，转条纹细化步骤；否则将下一列作为当前列，转子步骤(5.1)。

经过阈值分割后的二值化图像存在大量噪点，需要采用滤波算法去除噪声。传统的滤波算法，如中值滤波、均值滤波、高斯滤波等很难有效去除边缘上的噪声，从而不能得到二值化图像的准确边缘。本步骤中，将沿条纹方向的一条直线作为检测对象，当条纹方向的黑色像素大于一定的阈值时，就将这条直线方向的像素点用黑色像素填充，否则，就用白色像素填充；去噪二值化图像如图8(d)所示，结果表明能准确有效地去除莫尔条纹图像边缘上的噪声。

如图11所示，条纹细化步骤包括下述子步骤：

(6.1)获取当前条纹的起点和终点：按照自左而右的顺序，从当前像素点开始，扫描去噪二值化图像的一行，当扫描到一个紧邻白色像素点的黑色像素点时，将该黑色像素点位置记录为当前条纹起点位置，当继续扫描到一个紧邻黑色像素点的白色像素点时，将黑色像素点位置记录为当前条纹的终点位置；

(6.2)计算当前条纹的中点：计算当前条纹起点位置和终点位置的平均值，得到条纹的中点；

(6.3)条纹细化：在去噪二值化图像中，将条纹中点位置对应的一列像素点全部置为黑色像素点，当前条纹其他位置像素点均置为白色像素点，形成条纹线；

(6.4)结束判定：判断当前像素点是否为去噪二值化图像一行中最后的像素点，是则得到细化条纹图像，结束，转计算最大光通量变化率步骤；否则将下一像素点置为当前像素点，转子步骤(6.1)。细化条纹图像如图8(e)所示。

由于实际检测系统的光照很难做到绝对均匀，去噪二值化图像得到的条纹宽度是不均匀的，必须将其细化为一条直线，本步骤对条纹图像进行细化，取条纹图像的中线作为去噪二值化图像的边缘。

如图12所示，所述计算斑马角步骤包括下述子步骤：

(7.1)将梯度最大值P₀赋为0；

(7.2)相邻边缘间像素点灰度值求和：按照自左而右的顺序，计算细化条纹图像中，当前条纹线和下一条纹线之间的宽度，再在莫尔条纹灰度图像中，计算所述宽度对应范围内所有像素点灰度值的和值；

(7.3)计算所述和值的梯度：计算所述和值与前一次和值的差值，得到当前和值的梯度；

(7.4)梯度最大值判定：判断当前和值的梯度绝对值是否大于梯度最大值P₀的绝对值，是则将P₀置为当前和值的梯度，转步骤(7.5)；否则保持P₀不变，转步骤(7.5)；

(7.5)最后条纹线判定：判断当前条纹线是否为细化条纹图像的最后一根条纹线，是则转子步骤(7.6)；否则将下一条纹线作为当前条纹线，转子步骤(7.2)；

(7.6)查询梯度-斑马角映射表：

在梯度-斑马角映射表中，找到所述梯度最大值D₀对应的梯度区间[D₁，D₂]，利用下式计算D₀对应的斑马角A₀：

$A_0=A_1+\frac{A_2-A_1}{D_2-D_1}(D_0-D_1),$

式中，D₁≤D₀≤D₂，D₁、D₂分别为D₀对应的梯度区间较小、较大的梯度值，A₁、A₂分别为D₁、D₂对应的斑马角；计算完毕结束。

由于浮法玻璃在线检测中，其他类型的缺陷也会引起光学变形，会对浮法玻璃的波筋检测造成影响。因此，在进行波筋检测前，检测系统必须完成对玻璃的常规检测，保证所检测区域没有其他类型的玻璃缺陷。同时，还应完成波筋检测的初始化设置，然后才能开始波筋检测。

Claims (9)

1.一种浮法玻璃波筋缺陷在线检测方法，其特征在于，其包括下述步骤：

(1)设置检测系统步骤：在光路中，依次设置LED光源、第一光栅G1、第二光栅G2和CCD相机，所述第一、第二光栅的周期相同，平行放置，第一光栅G1贴近LED光源安装，使LED光源近似平行入射，第二光栅G2位于第一光栅G1的泰伯成像平面处并位于CCD相机的一倍焦距之内，调整至CCD相机能够得到第二光栅G2的清晰放大虚像；

将待测玻璃带放置于第一光栅G1和第二光栅G2之间且三者平行，CCD相机输出透过第二光栅G2形成的莫尔条纹灰度图像；

(2)预先建立映射表步骤：

预先建立阈值-灰度映射表和梯度-斑马角映射表：阈值-灰度映射表包括分割阈值表项和平均灰度表项，分割阈值表项包括各幅莫尔条纹灰度图像的分割阈值，平均灰度表项包括与所述各分割阈值对应的各幅莫尔条纹灰度图像的平均灰度；梯度-斑马角映射表包括梯度表项和斑马角表项，梯度表项包括各莫尔条纹灰度图像的梯度最大值，斑马角表项包括与所述各梯度最大值对应的各浮法玻璃试样的斑马角；

(3)边缘检测步骤：采用Kirsch算子计算莫尔条纹灰度图像中各像素点的最大卷积值，得到卷积值灰度图像；

(4)阈值分割步骤：对卷积值灰度图像进行阈值分割，得到二值化图像；

(5)去除图像噪声步骤：使用去噪阈值分割二值化图像，去除二值化图像的噪声，得到去噪二值化图像；

(6)条纹细化步骤：计算条纹的中点，对去噪二值化图像进行细化，得到细化条纹图像；

(7)计算斑马角步骤：计算细化条纹图像中各相邻条纹线之间的不同宽度，再在莫尔条纹灰度图像中计算所述不同宽度对应范围内所有像素灰度值的和值，然后计算各和值的梯度，从中找出梯度最大值D₀；根据梯度-斑马角映射表，计算D₀对应的斑马角A₀。

2.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于：

所述设置检测系统步骤(1)中，第一光栅G1和第二光栅G2均为Ronchi光栅，第一光栅G1和第二光栅G2之间的距离L：

$L=\frac{{\mathrm{md}}^2}{\mathrm{\λ}},m=1,2,3,...,$

其中，L的单位为米，d为第一、第二光栅的周期，λ为入射光波的波长，单位为米。

3.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述预先建立映射表步骤(2)包括下述子步骤：

(2.1)采集不同光照条件下的一组莫尔条纹灰度图像，并计算每幅莫尔条纹灰度图像的平均灰度；

(2.2)对每幅莫尔条纹灰度图像，用Otsu法得到对应的分割阈值；

(2.3)建立阈值-灰度映射表：阈值-灰度映射表包括分割阈值表项和平均灰度表项，分割阈值表项包括各幅莫尔条纹灰度图像的分割阈值，平均灰度表项包括与所述各分割阈值对应的各幅莫尔条纹灰度图像的平均灰度；

(2.4)获取一组波筋度数不同的浮法玻璃试样；

(2.5)采用斑马法测得各浮法玻璃试样的斑马角；

(2.6)采用所述步骤(1)和下述步骤(3)、(4)、(5)、(6)获得各浮法玻璃试样的细化条纹图像；

(2.7)计算各细化条纹图像中各相邻条纹线之间的不同宽度，再在相应的莫尔条纹灰度图像中计算所述不同宽度对应范围内所有像素灰度值的和值，然后计算各和值的梯度，从中找出梯度最大值，从而得到各莫尔条纹灰度图像的梯度最大值；

(2.8)建立梯度-斑马角映射表：梯度-斑马角映射表包括梯度表项和斑马角表项，梯度表项包括各莫尔条纹灰度图像的梯度最大值，斑马角表项包括与所述各梯度最大值对应的各浮法玻璃试样的斑马角。

4.如权利要求3所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述子步骤(2.6)得到各莫尔条纹灰度图像的梯度最大值包括下述过程：

(2.6.1)将梯度最大值赋为0；

(2.6.2)相邻边缘间像素点灰度值求和：按照自左而右的顺序，计算细化条纹图像中，当前条纹线和下一条纹线之间的宽度，再在莫尔条纹灰度图像中，计算所述宽度对应范围内所有像素点灰度值的和值；

(2.6.3)计算所述和值的梯度：计算所述和值与前一次和值的差值，得到当前和值的梯度；

(2.6.4)梯度最大值判定：判断当前和值的梯度绝对值是否大于梯度最大值的绝对值，是则将梯度最大值置为当前和值的梯度，转步骤(2.6.5)；否则保持梯度最大值不变，转步骤(2.6.5)；

(2.6.5)最后条纹线判定：判断当前条纹线是否为细化条纹图像的最后一根条纹线，是则转子步骤(2.7)；否则将下一条纹线作为当前条纹线，转子步骤(2.6.2)。

5.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述边缘检测步骤(3)包括下述子步骤：

(3.1)模板数组初始化：定义8个3×3模板数组，并分别对其按Kirsch算子赋值；

(3.2)卷积计算：按照从左至右、自上而下的顺序，在莫尔条纹灰度图像中，将当前像素作为3×3模板数组的中心点，对当前像素值及其8邻域像素值分别用8个模板数组进行卷积计算，得到8个卷积值；

(3.3)求绝对值最大卷积值：从所述8个卷积值中求出绝对值最大的卷积值，将其作为当前像素点的像素值；

(3.4)结束判定：判断当前像素点是否为莫尔条纹灰度图像的最后一个像素点，是则形成卷积值灰度图像，结束，转阈值分割步骤；否则将下一像素作为当前像素，转子步骤(3.2)。

6.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述阈值分割步骤(4)包括下述子步骤：

(4.1)计算卷积值灰度图像的平均灰度：对卷积值灰度图像中所有像素点的灰度值累加求和，再除以像素点的数目，得到卷积值灰度图像的平均灰度H₀；

(4.2)查询阈值-灰度映射表；

在阈值-灰度映射表中，找到所述平均灰度H₀对应的灰度区间[H₁，H₂]，利用下式计算所述平均灰度对应的分割阈值T₀：

$T_0=T_1+\frac{T_2-T_1}{H_2-H_1}(H_0-H_1),$

式中，H₁≤H₀≤H₂，H₁、H₂分别为H₀对应的灰度区间较小、较大的灰度值，T₁、T₂分别为H₁、H₂对应的分割阈值；

(4.3)用分割阈值T₀对图像进行阈值分割，得到二值化图像；转去除图像噪声步骤。

7.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述去除图像噪声步骤(5)包括下述子步骤：

(5.1)统计二值化图像中当前列黑色像素点数量：从二值化图像的左边开始，按照自上而下的顺序，统计二值化图像当前列中黑色像素点的数量；

(5.2)颜色判定：判断当前列中黑色像素点的数量与当前列中像素点总数之比是否大于去噪阈值T_d，是则将当前列的所有像素点置为黑色像素点，转步骤(5.3)；否则将当前列的所有像素点置为白色像素点，转步骤(5.3)；其中，0.5≤T_d≤0.8；

(5.3)结束判定：判断当前列是否为二值化图像的最后一列，是则得到去噪二值化图像，结束，转条纹细化步骤；否则将下一列作为当前列，转子步骤(5.1)。

8.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述条纹细化步骤(6)包括下述子步骤：

(6.1)获取当前条纹的起点和终点：按照自左而右的顺序，从当前像素点开始，扫描去噪二值化图像的一行，当扫描到一个紧邻白色像素点的黑色像素点时，将该黑色像素点位置记录为当前条纹起点位置，当继续扫描到一个紧邻黑色像素点的白色像素点时，将黑色像素点位置记录为当前条纹的终点位置；

(6.2)计算当前条纹的中点：计算当前条纹起点位置和终点位置的平均值，得到条纹的中点；

(6.3)条纹细化：在去噪二值化图像中，将条纹中点位置对应的一列像素点全部置为黑色像素点，当前条纹其他位置像素点均置为白色像素点，形成条纹线；

(6.4)结束判定：判断当前像素点是否为去噪二值化图像一行中最后的像素点，是则得到细化条纹图像，结束，转计算最大光通量变化率步骤；否则将下一像素点置为当前像素点，转子步骤(6.1)。

9.如权利要求1所述的浮法玻璃波筋缺陷在线检测方法，其特征在于，所述计算斑马角步骤(7)包括下述子步骤：

(7.1)将梯度最大值D₀赋为0；

(7.2)相邻边缘间像素点灰度值求和：按照自左而右的顺序，计算细化条纹图像中，当前条纹线和下一条纹线之间的宽度，再在莫尔条纹灰度图像中，计算所述宽度对应范围内所有像素点灰度值的和值；

(7.3)计算所述和值的梯度：计算所述和值与前一次和值的差值，得到当前和值的梯度；

(7.4)梯度最大值判定：判断当前和值的梯度绝对值是否大于梯度最大值D₀的绝对值，是则将D₀置为当前和值的梯度，转步骤(7.5)；否则保持D₀不变，转步骤(7.5)；

(7.5)最后条纹线判定：判断当前条纹线是否为细化条纹图像的最后一根条纹线，是则转子步骤(7.6)；否则将下一条纹线作为当前条纹线，转子步骤(7.2)；

(7.6)查询梯度-斑马角映射表：

在梯度-斑马角映射表中，找到所述梯度最大值D₀对应的梯度区间[D₁，D₂]，利用下式计算D₀对应的斑马角A₀：

$A_0=A_1+\frac{A_2-A_1}{D_2-D_1}(D_0-D_1),$

式中，D₁≤D₀≤D₂，D₁、D₂分别为D₀对应的梯度区间较小、较大的梯度值，A₁、A₂分别为D₁、D₂对应的斑马角；计算完毕结束。