CN111612737A - 一种人造板表面瑕疵检测装置及检测方法 - Google Patents

Abstract

一种人造板表面瑕疵检测装置及检测方法，可解决人工检测人造板表面瑕疵，效率低误差大的技术问题。包括光源模块、相机模块、图像处理分析模块和控制模块，包括上箱体和下箱体上下对应设置，上箱体和下箱体之间设置空层结构，空层结构用于人造板穿过；箱体内部设置光源模块和相机模块，光源模块包括投光灯和补光灯，相机模块包括摄像头；摄像头设置在箱体底部，镜头对着箱体敞口方向；投光灯和补光灯分别设置在与摄像头相应的位置，用于把光源引导到箱体敞口方向；摄像头分别与图像处理分析模块、控制模块通信连接。本发明可实现快速成像，结果对比后，分辨表面的瑕疵，自动分拣，程序可不断优化，以便于生产人员调整工艺，提高产品合格率。

Description

一种人造板表面瑕疵检测装置及检测方法

技术领域

本发明涉及CCD工业相机成像技术领域，具体涉及一种人造板表面瑕疵检测装置及检测方法。

背景技术

当前人造板表面瑕疵检测，主要是人工检测，靠人眼来检测，人眼会疲劳，很容易漏检测；产线速度快，人眼检测的速度有时跟不上，或者不能检测细小的瑕疵，自动化程度不足、反应速度慢、效率低。

发明内容

本发明提出的一种人造板表面瑕疵检测装置及检测方法，可解决人工检测人造板表面瑕疵，效率低误差大的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种人造板表面瑕疵检测装置，包括光源模块、相机模块、图像处理分析模块和控制模块，还包括用于支撑的箱体结构，所述箱体结构包括上箱体和下箱体，上箱体和下箱体分别为半封闭结构，上箱体为底部敞口，下箱体为顶部敞口，上箱体和下箱体上下对应设置，上箱体和下箱体之间设置空层结构，所述空层结构用于人造板穿过；

所述上箱体和下箱体内部分别设置光源模块和相机模块，所述光源模块包括投光灯和补光灯，所述相机模块包括摄像头；

所述摄像头设置在箱体底部，镜头对着箱体敞口方向；

所述投光灯和补光灯分别设置在与摄像头相应的位置，用于把光源引导到箱体敞口方向；

所述摄像头分别与图像处理分析模块、控制模块通信连接。

进一步的，还包括支架结构，所述箱体结构固定在支架结构上。

进一步的，还包括传输装置，所述传输装置把人造板经过空层结构传输通过。

进一步的，所述摄像头通过摄像头支撑架固定在箱体内底部，通过调整摄像头支撑架来调整摄像头高度。

进一步的，所述投光灯包括两个，分别通过投光灯支撑杆和灯架固定在摄像头的两边，通过调整投光灯支撑杆来调整投光灯的高度和投光角度。

进一步的，所述补光灯包括两个，分别设置在箱体的侧壁上。

进一步的，还包括挡光板，挡光板固定在箱体设定位置，用于防止箱体内壁反射出来的光照进入摄像头。

另一方面本发明还公开一种人造板表面瑕疵检测方法，包括以下步骤：

S100、训练缺陷特征分类器；

S200、获取人造板图像数据；

S300、对人造板进行缺陷检测；

其中S300具体包括，

在获取木板图像后，对获得的图片先进行图片预处理；

首先通过图像灰度化获得灰度图像，提高图像的处理速度；

然后通过直方图均衡化增强，突出木板与背景对比，方便后续的边缘提取；

之后对图片进行灰度变化增强，通过调整图像灰度等级来实现图像增强；在进行图像预处理之后运用边缘检测算子对图像中的木板边缘进行找边，使图像中的木板与背景分离，提高缺识别率和识别速度；

最后通过机器学习的方法训练好的缺陷分类器来对图片上的木板缺陷进行检测识别。

进一步的，所述边缘检测算子对图像中的木板边缘进行找边，具体包括：

首先选用Canny算子边缘检测方法来实现木板与背景的图像分割，将图像中木板部分与其背景分离，并针对只有木板的图像进行分析研究。

然后定义组成木板边缘的像素点为P_i(i＝0,…,n-1)，木板外接多边形的四个角为Q_j(j＝0,1,2,3)，Q_j到像素点P_i的最小距离对应在木板边缘上的点为K(j＝0,1,2,3)；

通过以上的运算找到木板边缘上的K_j(j＝0,1,2,3)点，但这四个K点并不一定是真正的木板顶点，为了获得真实的木板顶点，还需要依靠K_j(j＝0,1,2,3)点对木板边缘进行拟合提取；

将木板边缘像素点拟合连接提取得到图像中的木板边界，包括：

设点(x₀,y₀)是木板边缘上存在的初始分析点即K_j点，点(x₁,y₁)是点(x₀,y₀)小邻域内的像素点；对点(x₁,y₁)和点(x₀,y₀)是否相似，通过以下两个准则进行判定：

(2)梯度方向准则；记梯度向量的方向为α(x₀,y₀)，若满足式1.1，则邻域点(x₁,y₁)在方向角度上与被分析点(x₀,y₀)相似；

|α(x₀,y0)-α(x₁,y1)|<A (1.1)

其中A是一个非负角约束值，梯度向量的方向α(x₀,y₀)由一阶差分算子得出：

(2)响应强度准则；记用于生成边缘像素梯度算子的响应强度为

若满足式1.3，则邻域点(x1,y1)在幅值上相似于被分析点(x0,y0)；

其中E为一个非负约束值，响应强度

由一阶差分算子得出：

如果邻域像素点(x₁,y₁)在梯度方向准则和响应强度准则上都满足于被分析点(x₀,y₀)，则将两点拟合连接起来；

木板边缘上的其他位置重复此类判定操作，直至拟合出完整的木板外形边界；

然后通过木板四条边参数化方程找出木板真实顶点p₀～p₃的坐标，继而计算得出木板图像尺寸；

通过标尺对木板图像尺寸进行换算，最终得到真实的木板尺寸。

进一步的，所述S100训练缺陷特征分类器包括：

S101、使用选定的特征提取算法对训练样本集中的木板图像进行特征提取；

S102、运用K-means++聚类方法对提取的木板特征进行聚类构建视觉词典；

S103、结合通过K步交叉验证法(K-CV)得到SVM分类器核函数的最优惩罚因子C和参数g，SVM分类器对训练样本集中的木板图像特征进行训练，得到相应的分类器模型；

S104、运用S103得到的分类器模型对测试样本集中的木板样本进行识别分类。

由上述技术方案可知，本发明的人造板表面瑕疵检测装置采用面阵CCD工业相机成像，通过对图像进行比对分析，找出成像异常点，作为刨花板表面瑕疵；本发明快速成像，结果对比后，分辨表面的瑕疵，自动分拣，设备可靠，程序可不断优化，根据不同参数要求，达到检测目的，可将检测物品根据设定的程序，分为多个等级；检测到的瑕疵可根据设定分类，记忆存储，以便于生产人员调整工艺，提高产品合格率。

附图说明

图1是本发明的结构示意图；

图2是本发明的立体结构示意图；

图3是本发明的检测方法流程图；

图4是外接多边形示意图；

图5是harr小波示意图；

图6是特征描述子表示图；

图7是样本空间到特征空间非线性映射示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例所述的人造板表面瑕疵检测装置，包括光源模块、相机模块、图像处理分析模块和控制模块，还包括用于支撑的箱体结构1，所述箱体结构1固定在支架结构10上，所述箱体结构包括上箱体和下箱体，上箱体和下箱体分别为半封闭结构，上箱体为底部敞口，下箱体为顶部敞口，上箱体和下箱体上下对应设置，上箱体和下箱体之间设置空层结构，所述空层结构用于人造板穿过。

所述上箱体和下箱体内部分别设置光源模块和相机模块，所述光源模块包括投光灯3和补光灯2，所述相机模块包括摄像头7；

所述摄像头7设置在箱体底部，镜头对着箱体敞口方向；所述摄像头7通过摄像头支撑架6固定在箱体内底部，通过调整摄像头支撑架6来调整摄像头高度。

所述投光灯3和补光灯2分别设置在与摄像头7相应的位置，用于把光源引导到箱体敞口方向；所述补光灯2包括两个，分别设置在箱体的侧壁相应的位置上。

所述投光灯3包括两个，分别通过灯架4固定在摄像头7的两边。还包括挡光板8，挡光板8固定在箱体1设定位置，用于防止箱体内壁反射出来的光照进入摄像头7。

还包括传输装置，所述传输装置通过传输带把人造板经过空层结构传输通过。

所述摄像头7分别与图像处理分析模块、控制模块通信连接。

使用时，把箱体1即上箱体和下箱体分别用L型铁9、12、13固定在支架结构10上。通过螺栓11来调整上下箱体的高度，使传送板材能够正常从上下箱体1中间的空层结构通过。灯架4固定在箱体内底部，射灯支撑杆5固定在灯架4相应位置，摄像头支撑杆6固定在灯架4相应位置。使投光灯3与射灯支撑杆5相连接，补光灯2固定在箱体1中指定位置，通过调整投光灯3的高度、角度和补光灯2的高度来使经过木板上的光照强度和均匀程度达到合适。摄像头7与摄像头支撑架6相连接，通过调整摄像头支撑架6来调整摄像头高度，使其可以达到合适的拍照区域。挡光板8固定在箱体1指定位置，防止箱体内壁反射出来的光照进入摄像头7。最后通过控制模块控制上下摄像头7进行拍照，就完成了木板正反面的图片获取。

以下再进一步说明：

控制模块包括系统控制模块和人机交互模块；

系统控制模块处于整个检测系统的核心位置，从被检测物体的位置信息触发，到得出机电执行模块所需要的检测结果信息，每一步都需要系统控制核心的参与才能完成，人机交互模块更是需要直接和控制核心相互通信，完成操作者对检测系统的实时参数更新和实时指令执行等工作。

在工业视觉检测系统工作流程中，当被检测的对象运动到某一设定位置时会被位置传感器发现，位置传感器会向视觉控制器发送“探测到被检测物体”的电脉冲信号，视觉控制器经过计算得出何时物体将移动到相机的采集位置，然后准确地向图像采集卡发送触发信号，采集开检测的此信号后会立即要求相机采集图像。被采集到的物体图像会以内存格式送到工控机，然后调用视觉软件对图像进行分析处理，得出被检测对象是否符合预设要求的结论，根据“合格”或“不合格”信号，执行机会对被检测物体作出相应的处理。系统如此循环工作，完成对被检测物体队列连续处理。

关于系统成像：

图像质量直接影响到检测系统的检测精度和检测速度，图像质量过低甚至会导致检测失败，所以图像采集系统的配置就成了检测系统能否成功的第一步。通常，图像采集系统由工业相机，配合合适的镜头和光源来组成。这三个部分需要根据被检测工件的尺寸和表面状态以及检测现场的工作环境进行合理选择与搭配。

工业相机是将光学信息转换为数字信息的电子器件，衡量视觉传感器的性能主要因素包括：相机的的分辨率、像素尺寸、FFG的尺寸、信息传输方式、信噪比、对光的灵敏度等，另外，按摄相机的工作方式不同，通常分为隔行扫描相机和逐行扫描相机两大类，通常情况下，隔行扫描相机用于被测物体静止或者速度非常慢的情况下，而逐行扫描相机则用于获取运动物体的图像信息。

光源系统是图像信息获取模块的另一个重要组成部分，按其使用的场合不同可以分为：直接照明光源、间接照明光源、透射照明光源和同轴照明光源等；另外，其工作方式又可分为频闪方式和常亮方式。选择合适的光源系统需要考虑以下几个方面：

摄像机的视野要求：

尽量使光线集中在视野之内，提高照明效率；

光源系统与被测物体间的距离：调解高度，使被摄物体的特征与背景之间的对比度尽量大；

被测物体的形状、表面状态及颜色：

根据被摄物体的形状和表面状态来选择照明的方式，根据被摄物体的特征部分的颜色来选择合适的光源颜色；

突出被测物体的测量细节部分：要以突出被测物体的测量细节部分作为图像采集的首要目的，以此选取合适的光源。在常用的光源种类中，LED光源显色性能较好，光谱范围宽，发光亮度高，寿命长，随着其制造工艺和技术的成熟，它已经越来越广泛地被应用于机器视觉领域；还有高频荧光灯因其发光强度高、性价比好，在某些应用场合也是很好的选择。

图像信息处理算法的选择

目前工业系统中使用的大部分视觉算法都是由专业的视觉软件开发商进行过大量优化的算法，在图像处理的精度和速度方面都达到了相当高的水平，基本能满足通常情况下的工业测量需要由于图像信息处理模块的信息处理量巨大，并且要求较快的处理速度，所以一般选择在计算机信息处理平台上实现。可以选择常用的编程语言如C/C++来方便的实现针对不同应用场合的处理程序，非常有利于视觉检测系统的快速开发。

系统的误差控制

检测系统的误差通常包括：机械误差、标定误差和分析误差。其中，机械误差是由系统机电执行部分硬件引入的，例如在一幅图像内可能无法完成对工件的测量，工件需要移动位

置来采集多幅图像，这时，机电运动系统的运动精度将会对测量的精度产生很大的影响；这一部分误差可以通过运动精度的大小计算出来，在多步运动过程中会产生累积，所以应尽量减少测量过程中的运动步数。

在建立检测系统的过程中，要在实际检测条件的基础上合理分配系统的误差裕度。简化机电系统运动步骤，提高机电系统的硬件精度；采用较高精度标定算法和标定模板；提高图像质量，尽量采用较小的物像比。

检测系统的实时性

为了提高检测系统的实时性，系统采用一种多通道工作模式。多通道模式的最终目的是摆脱系统的串行工作模式，即图像处理算法在完成当前的检测任务的同时，下一个工件的图像采集也可以同时进行，工件图像会被存储在程序设定的图片堆栈中，多通道工作模式可以省去图像采集单元等待当前计算机处理结果的时间，改变原来系统的串行处理模式，在相同硬件条件下，大大提高系统的实时性。

下面对本发明实施例的具体检测方法，做进一步说明：

系统的木板图像缺陷检测主要分为两步：缺陷特征分类器的训练和缺陷检测。

1、缺陷特征分类器的训练：首先选取大量带有缺陷的木板图像作为训练样本集，通过特征提取的方法来提取缺陷特征，并把这些特征交给训练分类器反复的学习与训练，最后得到训练好的分类器来进行实时的缺陷检测与识别。

2、缺陷检测：在获取木板图像后，为增强图片上缺陷与木板的对比度提高缺陷检测效率，需要对获得的图片先进行图片预处理；首先通过图像灰度化获得灰度图像，提高图像的处理速度；然后通过直方图均衡化增强，突出木板与背景对比，方便后续的边缘提取；之后对图片进行灰度变化增强，通过调整图像灰度等级来实现图像增强。在进行图像预处理之后运用边缘检测算子对图像中的木板边缘进行找边，使图像中的木板与背景分离，提高缺识别率和识别速度；最后通过机器学习的方法训练好的缺陷分类器来对图片上的木板缺陷进行检测识别。

边缘检测拟合

在获得木板图像之后，需要对木板与背景进行图像分割。图像分割就是指将图像中有意义的对象与其背景分离，并针对有意义的对象进行分析研究。本系统选用Canny算子边缘检测方法来实现图像分割：

1)使用高斯滤波器，以平滑图像，滤除噪声。

2)计算图像中每个像素点的梯度强度和方向。

3)应用非极大值抑制，以消除边缘检测带来的杂散响应。

4)应用双阈值检测来确定真实的和潜在的边缘。

5)通过抑制孤立的弱边缘最终完成边缘检测。

Canny算子只是将木板的边缘轮廓找到并进行了可视化，并不能直接用于测算，要想对木板真实尺寸进行测量，还需要对图像进行像素标定和木板边缘拟合提取。

为了对木板边长尺寸进行检测，本系统使用了一种木板图像外接多边形的尺寸检测方法。如图4所示，在如图坐标系中，定义组成木板边缘的像素点为P_i(i＝0,…,n-1)，木板外接多边形的四个角为Q_j(j＝0,1,2,3)，Q_j到像素点P_i的最小距离对应在木板边缘上的点为K_j(j＝0,1,2,3)。

通过以上的运算可以找到木板边缘上的K_j(j＝0,1,2,3)点，但这四个K点并不一定是真正的木板顶点，为了获得真实的木板顶点，还需要依靠K_j(j＝0,1,2,3)点对木板边缘进行拟合提取。

将木板边缘像素点拟合连接就可以提取得到图像中的木板边界，为了实现有效的拟合连接，本检测系统采用基于梯度方向判断的局部处理方法。

该方法是分析每个木板图像中边缘点(x₀,y₀)的一个小邻域(如4×4)内像素的点，将所有满足设定准则的相似点连接起来，可形成由共同满足这些准则的像素组成的一条完整木板边界。

设点(x₀,y₀)是木板边缘上存在的初始分析点(即K_j点)，点(x₁,y₁)是点(x₀,y₀)小邻域内的像素点。对点(x₁,y₁)和点(x₀,y₀)是否相似，通过以下两个准则进行判定：

(1)梯度方向准则。记梯度向量的方向为α(x₀,y₀)，若满足式3.6，则邻域点(x₁,y₁)在方向角度上与被分析点(x₀,y₀)相似。

|α(x₀,y0)-α(x₁,y1)|<A (1.1)

其中A是一个非负角约束值，梯度向量的方向α(x₀,y₀)由一阶差分算子得出：

(2)响应强度准则。记用于生成边缘像素梯度算子的响应强度为

若满足式3.8，则邻域点(x₁,y₁)在幅值上相似于被分析点(x₀,y₀)。

其中E为一个非负约束值，响应强度

由一阶差分算子得出：

如果邻域像素点(x₁,y₁)在梯度方向准则和响应强度准则上都满足于被分析点(x₀,y₀)，则将两点拟合连接起来。木板边缘上的其他位置重复此类判定操作，直至拟合出完整的木板外形边界。然后通过木板四条边参数化方程找出木板真实顶点p₀～p₃的坐标，继而计算得出木板图像尺寸。通过标尺对木板图像尺寸进行换算，最终得到真实的木板尺寸。

缺陷特征提取算法

本系统选择SURF(Speeded Up Robust Features)算法作为特征提取算法，该算法是一种具有鲁棒性的局部特征检测算法。SURF算法流程大致可以分为三个部分：尺度空间极值检测、主方向的确定和构造特征描述子。

(1)尺度空间极值检测

SURF算法为了生成用于特征提取的特征点，需要构建Hessian矩阵，通过Hessian矩阵的局部最大值来寻找特征点，通常特征点要比周围邻域内其他点更亮或更暗。对于一个图像g(x,y)，图像中的某点M＝(x,y)，在尺度σ下的Hessian矩阵表示如下：

其中L_xx(M,σ)是由点M与高斯二阶微分算子进行卷积后得到的，L_xy(M,σ)和L_yy(M,σ)含义类似。

为提升运算效率，在SURF算法中使用盒式滤波器对高斯二阶偏导数进行近似，利用该方法计算卷积时，其计算量与滤波器的大小无关，可以极大程度提高算法速度。通过盒式滤波器得到D_xx、D_xy和D_yy，便可将Hessian矩阵简化为：

Det(H_approx)＝D_xxD_yy-(0.9D_xy)² (1.7)

在尺度空间中，求得Hessian矩阵行列式的响应图像后，在极值点的3×3×3的立体邻域内进行非极大值抑制，将最值作为候选特征点，采用线性插值法得到特征点的准确位置。

(2)主方向的确定

在SURF算法中，定义一个以特征点为圆心，6σ(σ为特征点对应的尺度)为半径的圆形区域，统计圆内各个扇形邻域内harr小波响应。harr小波模板如图5所示，其中左侧模板计算x方向的响应，右侧模板计算y方向的响应，黑色表示权值为-1，白色表示权值为+1。之后对60度扇形区域内的水平和垂直的harr小波响应总和进行统计，以0.2弧度的间隔旋转，遍历整个圆周统计，最后将小波响应和最大的方向作为主方向。

(3)构造特征描述子

在SURF算法中，在特征点的周围选取一个边长为20σ的正方形框，并将其分成等大的16个区域。选取其中一个区域(包含25个像素)，分别统计25个像素相对于主方向的haar小波响应水平方向值之和(∑dx)，水平方向绝对值之和(∑|dx|)，垂直方向之和(∑dy)，垂直方向绝对值之和(∑|dy|)。进而每个区域得到16×4＝64维的特征向量，亦即特征描述子，最后对特征向量进行归一化处理。如图6所示。

特征聚类

通过特征提取算法会提取到大量的特征数据，为了消除提取特征中的无关冗余特征和大量噪音，突出主要特征，缩短处理特征的时间，在完成对木板表面缺陷特征提取后，需要对特征进行聚类分析。本系统选择K-means++聚类算法。

在选取第一个初始聚类中心(n＝1)时，通过随机的方式进行确定；在第n个初始聚类中心(1<n<k)的选择时，距离前n-1个聚类中心越远的数据点会有更高的概率被选中。其具体的处理过程如下：

(1)首先确定聚类中心数目K，并从n个数据特征中选取1个特征作为初始聚类中心C。

(2)计算每个数据特征与已有聚类中心之间的最短距离，用D(x)表示。

(3)选取D(x)较大的数据特征作为新的聚类中心。

(4)重复(2)、(3)两步直到选择出K个聚类中心。

(5)对聚类结果进行输出。

其中，

c_i为设定的聚类中心，x_i为其它数据特征。

通过聚类算法聚类最终得到的聚类中心就是BoW模型所需要的视觉单词，相似的特征点可以用一个视觉单词进行表示，所有不同的视觉单词组成视觉词典。

木板图像视觉词典的构建是将大量图像的视觉单词序列(小词典)进行汇聚，形成一个可以对图像特征准确描述的集合，以寻找同类图像中高频视觉单词，并以多个高频视觉单词共同描述此类图像特征。

分类器训练

在得到视觉词典后，通过特征单词向视觉词典映射，借助其得出统计规律训练分类器来完成对木板缺陷图像的分类。

本系统采用基于支持向量机算法的分类器对木板表面缺陷特征的进行学习分类。

在实际的数据分类中，几乎所有问题都是非线性的。按照处理线性问题的思路，对于非线性的分类问题，可以通过非线性映射变换转化为高维空间中的线性问题，然后求出最优超平面。木板表面缺陷的分类实质上就是寻找这样的最优超平面将映射到视觉词典中表述的图像特征进行划分。映射关系如图7所示。然而通过这种方式一般得到的是高维甚至是无限维的空间，这就为后续的处理带来了一定的困难，因此，支持向量机需要借助其他方法避免直接在高维或无限维中直接求解。

在以上对目标分类函数求解过程中，都只是涉及向量间的内积运算(x_i,x_j)。设存在非线性映射，φ:R^d→H，可以实现将非线性数据映射到高维空间H中。

当在高维空间H内寻找最优超平面时，没有单独的φ(x_i)出现，寻找过程仅用到了空间的内积φ(x_i)φ(x_j)。因此，在高维空间中可以通过运用核函数K(x_i,x_j)＝φ(x_i)φ(x_j)实现内积的运算。相应的寻优目标函数为：

判别函数为：

所以只要选取合适的核函数就可以利用支持向量机处理非线性的数据分类问题。

本系统选用高斯径向基核函数：

在利用SVM分类器对图像进行分类时，其性能主要受高斯径向基核函数参数g(记g＝1/σ2)和惩罚因子C两因素的影响。所以合理的选取参数g和惩罚因子C就显得尤为重要。

本系统将采用K步交叉验证法对参数进行寻优。

使用K步交叉验证法得到选定核函数参数g和惩罚因子C下所对应的准确率，最后选取分组中准确率最高的核函数参数g和惩罚因子C作为最佳参数。在取得的准确率相同时，选取核函数参数g和惩罚因子C较小的一组作为最佳参数。

基于词袋模型框架，SVM的分类过程如下：第一，使用选定的特征提取算法对训练样本集中的木板图像进行特征提取；第二，运用K-means++聚类方法对提取的木板特征进行聚类构建视觉词典；第三，结合通过K步交叉验证法(K-CV)得到SVM分类器核函数的最优惩罚因子C和参数g，SVM分类器对训练样本集中的木板图像特征进行训练，得到相应的分类器模型；第四，运用第三步得到的分类器模型对测试样本集中的木板样本进行识别分类。

综上所述，本发明实施例采用光学成像，通过对图像进行比对分析，找出成像异常点，作为人造板表面瑕疵；产品的研发及试用效果，大大的降低了工厂的人员投入，提高了此工段的效率、准确率，解决了劳动强度，为企业每年节省大量资金投入。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种人造板表面瑕疵检测装置，包括光源模块、相机模块、图像处理分析模块和控制模块，其特征在于：

还包括用于支撑的箱体结构，所述箱体结构(1)包括上箱体和下箱体，上箱体和下箱体分别为半封闭结构，上箱体为底部敞口，下箱体为顶部敞口，上箱体和下箱体上下对应设置，上箱体和下箱体之间设置空层结构，所述空层结构用于人造板穿过；

所述上箱体和下箱体内部分别设置光源模块和相机模块，所述光源模块包括投光灯(3)和补光灯(2)，所述相机模块包括摄像头(7)；

所述摄像头(7)设置在箱体底部，镜头对着箱体敞口方向；

所述投光灯(3)和补光灯(2)分别设置在与摄像头(7)相应的位置，用于把光源引导到箱体敞口方向；

所述摄像头(7)分别与图像处理分析模块、控制模块通信连接。

2.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：还包括支架结构(10)，所述箱体结构(1)固定在支架结构(10)上。

3.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：还包括传输装置，所述传输装置把人造板经过空层结构传输通过。

4.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：所述摄像头(7)通过摄像头支撑架(6)固定在箱体内底部，通过调整摄像头支撑架(6)来调整摄像头高度。

5.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：所述投光灯(3)包括两个，分别通过投光灯支撑架(5)和灯架(4)固定在摄像头(7)的两边，通过投光灯支撑架(5)来调整投光灯的高度和投光角度。

6.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：所述补光灯(2)包括两个，分别设置在箱体的侧壁上。

7.根据权利要求1所述的人造板表面瑕疵检测装置，其特征在于：还包括挡光板(8)，挡光板(8)固定在箱体(1)设定位置，用于防止箱体内壁反射出来的光照进入摄像头(7)。

8.一种人造板表面瑕疵检测方法，其特征在于：

包括以下步骤：

S100、训练缺陷特征分类器；

S200、获取人造板图像数据；

S300、对人造板进行缺陷检测；

其中S300具体包括，

在获取木板图像后，对获得的图片先进行图片预处理；

首先通过图像灰度化获得灰度图像，提高图像的处理速度；

然后通过直方图均衡化增强，突出木板与背景对比，方便后续的边缘提取；

之后对图片进行灰度变化增强，通过调整图像灰度等级来实现图像增强；在进行图像预处理之后运用边缘检测算子对图像中的木板边缘进行找边，使图像中的木板与背景分离，提高缺识别率和识别速度；

最后通过机器学习的方法训练好的缺陷分类器来对图片上的木板缺陷进行检测识别。

9.根据权利要求8所述的一种人造板表面瑕疵检测方法，其特征在于：

所述边缘检测算子对图像中的木板边缘进行找边，具体包括：

首先选用Canny算子边缘检测方法来实现木板与背景的图像分割，将图像中木板部分与其背景分离，并针对只有木板的图像进行分析研究。

然后定义组成木板边缘的像素点为P_i(i＝0,…,n-1)，木板外接多边形的四个角为Q_j(j＝0,1,2,3)，Q_j到像素点P_i的最小距离对应在木板边缘上的点为K(j＝0,1,2,3)；

通过以上的运算找到木板边缘上的K_j(j＝0,1,2,3)点，但这四个K点并不一定是真正的木板顶点，为了获得真实的木板顶点，还需要依靠K_j(j＝0,1,2,3)点对木板边缘进行拟合提取；

将木板边缘像素点拟合连接提取得到图像中的木板边界，包括：

设点(x₀,y₀)是木板边缘上存在的初始分析点即K_j点，点(x₁,y₁)是点(x₀,y₀)小邻域内的像素点；对点(x₁,y₁)和点(x₀,y₀)是否相似，通过以下两个准则进行判定：

(1)梯度方向准则；记梯度向量的方向为α(x₀,y₀)，若满足式1.1，则邻域点(x₁,y₁)在方向角度上与被分析点(x₀,y₀)相似；

|α(x₀,y₀)-α(x₁,y₁)|<A (1.1)

其中A是一个非负角约束值，梯度向量的方向α(x₀,y₀)由一阶差分算子得出：

(2)响应强度准则；记用于生成边缘像素梯度算子的响应强度为

若满足式1.3，则邻域点(x₁,y₁)在幅值上相似于被分析点(x₀,y₀)；

其中E为一个非负约束值，响应强度

由一阶差分算子得出：

如果邻域像素点(x₁,y₁)在梯度方向准则和响应强度准则上都满足于被分析点(x₀,y₀)，则将两点拟合连接起来；

木板边缘上的其他位置重复此类判定操作，直至拟合出完整的木板外形边界；

然后通过木板四条边参数化方程找出木板真实顶点p₀～p₃的坐标，继而计算得出木板图像尺寸；

通过标尺对木板图像尺寸进行换算，最终得到真实的木板尺寸。

10.根据权利要求8所述的一种人造板表面瑕疵检测方法，其特征在于：

所述S100训练缺陷特征分类器包括：

S101、使用选定的特征提取算法对训练样本集中的木板图像进行特征提取；

S102、运用K-means++聚类方法对提取的木板特征进行聚类构建视觉词典；

S103、结合通过K步交叉验证法(K-CV)得到SVM分类器核函数的最优惩罚因子C和参数g，SVM分类器对训练样本集中的木板图像特征进行训练，得到相应的分类器模型；

S104、运用S103得到的分类器模型对测试样本集中的木板样本进行识别分类。

Images