CN106683099A - 一种产品表面缺陷检测方法 - Google Patents

Abstract

本发明公开了一种产品表面缺陷检测方法。该方法采取被动检测方式，即，该方法不关注产品表面的瑕疵或缺陷本身以及缺陷的特点，而是在图像处理过程中去除非缺陷的区域，留下缺陷部分图像。首先，该方法利用OTSU算法进行阈值分割，将原始图像的灰度图进行图像二值化；其次为了去除伪缺陷以及背景噪声，本发明设置了缺陷阈值窗口ε，对获得的二值图像进行二次分割；最后，为了处理产品图像边缘的毛刺问题，本发明提出局域抑制解决办法，从而获得准确清晰的真实缺陷图像。本发明提出的被动检测方式，不仅能够降低算法的运算量，提高算法的处理速度，同时还去除了由于光照不均等引起的边缘毛刺所形成的伪瑕疵部分，实现了产品表面缺陷的快速准确检测。

Description

一种产品表面缺陷检测方法

技术领域

本发明属于产品质量检测技术领域，具体涉及一种产品表面缺陷检测方法。

背景技术

随着生产和工艺的发展，人们对产品的外观质量也给予了更多的关注，主要有：①以产品外观质量作为价值依附的产品，如印刷、包装、工艺品等；②表面缺陷直接影响到产品的使用或深加工的产品，会给使用者或深加工客户带来极大的损失，如在光缆制造过程中，由于材料或工艺不当造成的光缆表面缺陷不仅降低了光缆的物理强度，也可能会导致光缆内部的损坏，从而会使光缆的光学性能发生变化，如光纤的色散损耗等。这就迫使产品制造商在产品出厂前进行更严格的质量管理控制，以在出厂前发现这些缺陷。从节约生产成本的角度来看，产品在线监测的质量管理方式能降低原材料消耗，减少人工成本。

目前，国内针对产品的表面缺陷尚无成熟的在线检测解决方案；国外进口的检测设备不但价格昂贵，而且使用和操作风格与国内技术人员的使用习惯均存在较大差异，不利于其大范围的推广应用。因此，目前国内生产企业一般仍采用传统的、相对廉价的人工检测来进行产品表面缺陷的检测。

传统的人工检测在实际使用中有很大局限性。首先，人工检测依赖于人的主观评价，受人的心情、思维以及照明等主客观因素的影响而具有很大的不稳定性、不可靠性和非标准型，给产品的质量控制带来了很多不稳定和不可靠的因素。其次，人眼无法实现产品高速生产时的在线缺陷检测，无法满足对生产质量的全过程在线实时监控的要求。因此，探索客观、有效、灵活、高速、可靠的质量控制方案，寻求新的产品表面缺陷检测方法来替代传统的人工检测成为许多企业迫切需要解决的问题之一。

发明内容

本发明的目的在于克服现有技术的不足，提供一种新型产品表面缺陷检测方法，以实现产品表面缺陷的快速准确检测。

现有算法通常采取的是主动寻找缺陷或瑕疵的方式，比如基于小波变换、神经网络的技术以及数学统计方法等，这些算法复杂度及运算量较大，因此比较耗时。相反地，本发明采取被动检测方式，即，本发明提出的方法不关注产品表面的瑕疵或缺陷本身以及缺陷的特点，而是在图像处理过程中去除非缺陷的区域，留下缺陷部分图像，从而不仅提高了算法的处理速度，同时去除了由于光照不均等引起的边缘毛刺所形成的伪瑕疵部分。

本发明的技术方案包括图像分割和缺陷识别两部分。

1、所述图像分割算法包括阈值分割和图像二值化。

在图像分割部分，本发明需要选取一个合适的阈值进行图像二值化以区分图像的目标域和背景域。优选地，本发明采用OTSU算法作为阈值分割算法将灰度图像转换成二值图像，OTSU算法也称最大类间方差法，是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景域和目标域两部分，背景域和目标域之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此，使类间方差最大的分割意味着错分概率最小。

假设图像的灰度级为L(G＝0,1,......,L-1)，将图像中的像素按灰度级t划分为两类：C₀(灰度级为0到t)和C₁(灰度级为t+1到L-1)。则两类出现的概率分别为：

假设整幅图像的灰度均值为μ，两类的灰度均值分别为μ₀和μ₁，那么两类之间的类间方差为：

为了评估阈值的优劣，引入阈值评判函数：

其中，当最大时，t^*为本发明将灰度图像转换为二值图像所需的最佳分割阈值。

2、所述缺陷识别包括去除伪缺陷和边界处理。

(2-1)去除伪缺陷

假设系统要求识别出的缺陷或瑕疵的最小尺寸为εmm×εmm(该阈值窗口可根据客户对产品质量的需求进行设定)，那么最低分辨率应满足一个像素对应ε²mm²。为了便于精确检测，保留一定的冗余量，一个像素对应∈²mm²(∈＜ε)。假设最小缺陷占据的像素数为P，该值作为分割真缺陷和伪缺陷的固定阈值，其表达式为：

去除伪缺陷算法具体步骤如下：

2-1-1)寻找上述二值化后图像的相邻连通域；

2-1-2)计算步骤2-1-1)中每个连通域的面积，表示为S_k(k＝1,2,......,N)；

2-1-3)分辨缺陷真伪的图像处理条件，应满足：

f(i)＝B,S_k＜P (6)

其中，B表示背景域的灰度值，在该条件下其值为0。即，连通域的面积小于阈值P的部分被认为是伪缺陷区域，将其灰度值置0，反之置为255(即真缺陷的灰度值置为255)。

2-2)边界处理

边界处理的过程主要针对一些线缆等能够安装多个摄像头的在线识别系统，如检测过程中，在待检产品的不同方向同时安置多个(如垂直水平各2个)高速摄像机时，确保了待检产品表面所有的缺陷都能够被拍摄到。此时，某一摄像机拍摄到的图像边缘必定位于另一摄像机拍摄到的图像中间，边缘存在的缺陷或瑕疵也必定在另一摄像机拍摄到的图像中部。因此，本发明在此提出一种简单的局部抑制的边界处理思路，以降低算法的复杂度，从而提升算法的运行速度。即抑制与图像边界相连的亮区域，将公式(6)得到的二值图像中与边界相连的相邻域去除，其去除域大小可自由设定。

综上，经过上述处理步骤得到的图像即为系统所需的真瑕疵图像。

有益效果

本发明具有以下有益效果：

1、本发明采取被动检测方式，即，本发明提出的方法不关注产品表面的瑕疵或缺陷本身以及缺陷的特点，而是在图像处理过程中去除非缺陷的区域，留下缺陷部分图像，从而不仅提高了算法的处理速度，同时去除了由于光照不均等引起的边缘毛刺所形成的伪瑕疵部分。

2、本发明设置了缺陷阈值窗口ε，可根据客户对产品质量的需求进行设定，同时，该值体现了系统对缺陷的识别能力。

3、本发明针对一些线缆等能够安装多个摄像头的在线识别系统，提出了一种简单的局部抑制的边界处理思路，以降低算法的复杂度，从而提升算法的运行速度。

附图说明

图1为本发明产品缺陷检测的原理框图；

图2为本发明光缆识别系统中高速摄像机采集到的原始图像，其中1、2、3、4、5所标识的方框表示光缆实际的缺陷或瑕疵；

图3为本发明经过阈值分割后的二值图像；

图4为本发明去除伪瑕疵后的二值图像；

图5为传统的形态学开闭运算进行边界处理后的图像；

图6为本发明局域抑制法进行边界处理后的图像。

具体实施方式

以光缆表面缺陷识别为例，下面将结合附图详细地介绍本发明的技术方案：

在光缆制造过程中，光缆的传输速度通常为1～2.5m/s。为了确保光缆表面的瑕疵全部被拍摄到，图像帧率需达到100fps。优选地，本发明采用4台高速摄像机同时架于光缆的上下左右4个方向，那么1秒内需要处理的图像数量为400帧，每帧图像的处理时间为2.5ms。

因此，检测算法不仅要确保检测的精确性还要满足系统的实时需求。考虑到被拍摄图像的瑕疵特征及实时处理需求，本发明的算法框图如图1所示。本发明算法包括图像分割和缺陷识别两部分，以下将详细阐述其光缆缺陷识别过程。

图2为本发明光缆识别系统中高速摄像机采集到的原始图像，其中1、2、3、4、5所标识的方框表示光缆实际的缺陷或瑕疵。

图3为本发明经过图像分割后的二值图像。根据图像的背景域和目标域，本发明基于OTSU算法，利用图像的灰度直方图动态确定最优分割阈值，并根据该最佳阈值将灰度图像转化为二值图像。

假设光缆缺陷识别系统要求识别出大于0.5mm*0.5mm的缺陷，即本发明的缺陷阈值窗口设置为0.5。为了便于精确检测，保留一定的冗余量，一个像素对应0.01mm²，则最小缺陷占据像素数经去除伪缺陷算法后可得如图4所示的二值图像，由图4可以看到，光缆上的瑕疵能够被准确识别出来，同时也能够看到其边缘部分存在毛刺以及光缆以外的区域存在一些噪声，以下将对其进行边界处理，并对比分析传统的形态学开闭运算与本发明提出的局域抑制法的图像处理结果。

图5为传统的形态学开闭运算对图4进行边界处理后的图像。

开闭运算的表达式为：

对一个图像先进行腐蚀运算然后再膨胀的操作过程称为开运算，如公式(7)所示，它可以消除小物体、在纤细点处分离物体、平滑较大物体边界的同时并不明显改变其面积。对一个图像先进行膨胀运算再腐蚀的过程称为闭运算，如公式(8)。它具有填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。

图6为本发明提出的局域抑制法对图5进行边界处理后的结果，其抑制了与图像边界相连的亮区域，将其各像素点置为与背景域一致。由图6可以清晰地看到实际的缺陷被准确地检测了出来，且边缘毛刺问题也得到了解决。

Claims (1)

1.一种产品表面缺陷检测方法，其特征在于，包括图像分割算法和缺陷识别，其中：

1)图像分割算法包括阈值分割和图像二值化：

选取一个阈值进行图像二值化以区分图像的目标域和背景域，采用OTSU算法作为阈值分割算法将灰度图像转换成二值图像，

假设图像的灰度级为L(G＝0,1,......,L-1)，将图像中的像素按灰度级t划分为两类：C₀为灰度级为0到t和C₁为灰度级为t+1到L-1，则两类出现的概率分别为：

$w_0=P_r\left(C_0\right)=\underset{i=0}{\overset{t}{\Σ}}p\left(i\right)---\left(1\right)$

$w_1=P_r\left(C_1\right)=\underset{i=t+1}{\overset{L-1}{\Σ}}p\left(i\right)---\left(2\right)$

假设整幅图像的灰度均值为μ，两类的灰度均值分别为μ₀和μ₁，那么两类之间的类间方差为：

${\mathrm{\σ}}_B^2=w_0{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+w_1{({\mathrm{\μ}}_1-\mathrm{\μ})}^2---\left(3\right)$

为了评估阈值的优劣，引入阈值评判函数：

其中，当最大时，t^*为将灰度图像转换为二值图像所需的最佳分割阈值；

2)缺陷识别包括去除伪缺陷和边界处理：

2-1)去除伪缺陷

假设系统要求识别出的缺陷或瑕疵的最小尺寸为εmm×εmm，那么最低分辨率应满足一个像素对应ε²mm²；为了便于精确检测，保留一定的冗余量，一个像素对应假设最小缺陷占据的像素数为P，该值作为分割真缺陷和伪缺陷的固定阈值，其表达式为：

去除伪缺陷算法具体步骤如下：

2-1-1)寻找上述二值化后图像的相邻连通域；

2-1-2)计算步骤2-1-1)中每个连通域的面积，表示为S_k(k＝1,2,......,N)；

2-1-3)分辨缺陷真伪的图像处理条件，应满足：

f(i)＝B,S_k＜P (6)

其中，B表示背景域的灰度值，在该条件下其值为0；即，连通域的面积小于阈值P的部分被认为是伪缺陷区域，将其灰度值置0，反之置为255，即真缺陷的灰度值置为255；

2-2)边界处理

边界处理的过程为针对线缆安装多个摄像头的在线识别系统，在待检产品的不同方向同时安置多个高速摄像机时，抑制与图像边界相连的亮区域，将公式(6)得到的二值图像中与边界相连的相邻域去除，其去除域大小可自由设定。