胡曉彤，董瑩瑩

(天津科技大學(xué)計(jì)算機(jī)科學(xué)與信息工程學(xué)院，天津 300222)

對于高速自動化生產(chǎn)線來說，金屬罐內(nèi)壁要經(jīng)過焊接、沖壓和鍍膜等工藝，在此期間可能造成金屬罐內(nèi)壁的質(zhì)量缺陷，因此，在出廠前必須進(jìn)行金屬罐內(nèi)壁的質(zhì)量檢測．傳統(tǒng)檢測多采用人工方法，效率和精度較低，且存在人工污染．采用機(jī)器視覺技術(shù)可以避免人工檢測的不足．采用機(jī)器視覺方法對金屬罐內(nèi)壁進(jìn)行質(zhì)量檢測與常規(guī)的機(jī)器視覺檢測系統(tǒng)相比，存在成像較常規(guī)透明材料困難、罐內(nèi)壁質(zhì)量檢測對象為多個區(qū)域，不同于常規(guī)的對象整體檢測等問題[1–2]．

基于機(jī)器視覺的缺陷檢測技術(shù)已經(jīng)成為生產(chǎn)線上質(zhì)量控制的主要手段[3–5]．內(nèi)壁檢測是生產(chǎn)線上重要的環(huán)節(jié)，能夠及時地反映出生產(chǎn)設(shè)備或者其他原因造成的內(nèi)壁缺陷，從而解決相應(yīng)問題，具有較高的研究價值．本文研究金屬罐內(nèi)壁的缺陷檢測，包括罐口、焊縫及內(nèi)壁 3部分的缺陷，主要有罐口的變形，焊縫是否只有兩條并在規(guī)定的區(qū)域，罐內(nèi)壁存在劃痕、污點(diǎn)等．文獻(xiàn)[2]和文獻(xiàn)[6]實(shí)現(xiàn)了對罐內(nèi)壁的缺陷檢測，其中文獻(xiàn)[6]的檢測速度為 2個/s，已無法滿足高速生產(chǎn)線的速度需求．本系統(tǒng)結(jié)合生產(chǎn)實(shí)際，提出了對金屬罐內(nèi)壁具體的檢測方法，并運(yùn)用4線程對劃分的區(qū)域進(jìn)行瑕疵點(diǎn)檢測，能夠大大縮短時間，提高檢測速度．

1 系統(tǒng)設(shè)計(jì)

在現(xiàn)有自動化生產(chǎn)線上基于機(jī)器視覺的金屬罐內(nèi)壁缺陷檢測中，因鋁制罐容易反光，容易讓大多數(shù)的相機(jī)和傳感器失靈[3]．在解決這個問題上，本設(shè)計(jì)采用了圓頂光源．圓頂光源是一種漫反射無影光源，結(jié)構(gòu)優(yōu)化后排列的LED發(fā)出的光線經(jīng)球面漫反射之后，平滑、均勻地照射在被測物體表面，該系列光源具有較大的光擴(kuò)散面，能夠全方位均勻照射在被測物體上，適用于表面有起伏、反光的物體，即使是彎曲的金屬表面也能夠被均勻地照射到．以王老吉易拉罐作為被檢測對象，采集的金屬罐內(nèi)壁圖像如圖 1所示．

圖1 金屬罐內(nèi)壁圖像Fig.1 Images of metal cans’ inner wall

將被檢測的金屬罐放在傳送裝置上，該傳送裝置上設(shè)有傳感器、攝像機(jī)、光源等裝置．當(dāng)金屬罐到達(dá)放置傳感器的檢測工位時，成像系統(tǒng)對金屬罐內(nèi)壁進(jìn)行高速成像，將采集的金屬罐內(nèi)壁圖像傳輸?shù)焦I(yè)計(jì)算機(jī)，工業(yè)計(jì)算機(jī)對其進(jìn)行處理和多區(qū)域檢測，并進(jìn)行質(zhì)量判別．?dāng)z像機(jī)采用大恒圖像研發(fā)的具有USB2.0接口的數(shù)字?jǐn)z像機(jī) MER–125–30,UM/UC，采集圖像大小為1,176像素×964像素．圖2為檢測系統(tǒng)裝置簡圖．

圖2 檢測系統(tǒng)裝置簡圖Fig.2 Schema of the detection system

結(jié)果判別主要通過對采集的圖像進(jìn)行分析，包括對圖像進(jìn)行邊緣檢測，采用最小二乘法對采集的圖像擬合，找出圓心和半徑，對圖像檢測區(qū)域進(jìn)行定位，最后進(jìn)行各區(qū)域的檢測．圖 3為基于機(jī)器視覺的金屬罐內(nèi)壁缺陷檢測系統(tǒng)功能簡圖．

圖3 金屬罐內(nèi)壁缺陷檢測系統(tǒng)功能簡圖Fig.3 Function diagram of the defect detecting system of metal cans’ inner wall

2 圖像預(yù)處理

2.1 邊緣檢測

邊緣檢測是圖像處理和機(jī)器視覺中，尤其是特征提取中的一個重要研究領(lǐng)域．本文對比幾種邊緣檢測算子，最終采用 Canny算子提取金屬罐內(nèi)壁圖像的邊緣．

2.1.1 對原始圖像進(jìn)行灰度化

Canny算法通常處理的圖像為灰度圖像，因此首先要對采集的彩色圖像進(jìn)行灰度化處理．使用OpenCV庫的轉(zhuǎn)換函數(shù)可實(shí)現(xiàn)快速準(zhǔn)確的轉(zhuǎn)換．

因?yàn)閳D像是在紅色圓頂光源下拍攝，因此程序采用cvSplit中輸出紅色通道的方式進(jìn)行灰度轉(zhuǎn)換．

2.1.2 Canny算法

在實(shí)現(xiàn) Canny算法中所采用的卷積算子的表達(dá)式為

Canny算子用于尋找圖像的局部極大值．本文采用雙閾值方法[5]．由圖 4可以看出，經(jīng)過 Canny算子檢測后的圖像邊緣是連續(xù)的，且內(nèi)壁劃痕圖像清晰，效果較好．

圖4 canny邊緣檢測結(jié)果Fig.4 Result of canny edge detection

2.2 最小二乘法原理

設(shè)要擬合的圓的方程為

可將此不易擬合的二次非線性方程整理成如下形式：

殘差平方和為

使殘差平方和取最小值時求出的參數(shù)A、B、C即為在最小二乘圓擬合意義上的最優(yōu)解．由上述公式可求得最小二乘圓心坐標(biāo)及半徑：

最小二乘算法的程序簡單，具有較快的運(yùn)行速度．根據(jù)得到的圓心和半徑可對金屬罐內(nèi)壁檢測區(qū)域進(jìn)行定位．

2.3 霍夫直線檢測

霍夫變換(Hough transform)是數(shù)字圖像處理中重要算法之一，主要用于在圖像中檢測幾何圖案，包括在二值圖像中檢測直線、圓等．在系統(tǒng)中運(yùn)用霍夫直線檢測，通過對點(diǎn)的采集查找出直線，對焊縫部分進(jìn)行檢測．圖 5所示為霍夫直線檢測原理中由點(diǎn)到直線的變換．

圖5 霍夫變換檢測，直線坐標(biāo)系變換Fig.5 Detecting by Hough transform，the rectangular coordinates transformed

3 金屬罐內(nèi)壁檢測區(qū)域的定位及檢測

3.1 金屬罐內(nèi)壁檢測區(qū)域定位

通過最小二乘法找出外圓半徑 R1和內(nèi)圓半徑R2，設(shè)定定位參數(shù) a、b，則罐口部分為所組成的圓環(huán)區(qū)域，金屬罐內(nèi)壁部分為組成的圓環(huán)區(qū)域[6–9]．根據(jù)霍夫直線檢測確定焊縫區(qū)域．圖6所示是對3個區(qū)域的定位實(shí)例.

圖6 檢測區(qū)域定位Fig.6 Position of the detecting area

3.2 缺陷檢測算法

3.2.1 罐口部分缺陷檢測

確定檢測范圍之后，首先對金屬罐頂部邊緣，即圖像的外圓進(jìn)行檢測．外圓變形大多是生產(chǎn)運(yùn)輸過程中因碰撞、擠壓造成的表面凹陷．圖 7為罐口部分存在凹槽時的檢測圖像．

圖7 邊緣檢測后的凹槽Fig.7 A groove after edge detection

(1)定義一個整型數(shù)組 x[n]，并初始化數(shù)組的初值等于數(shù)組的下標(biāo)．偽代碼如下：

Def.x[n]

Repeat{

x[n]《←i

}

(2)對位于頂部邊緣檢測范圍內(nèi)的白色像素點(diǎn)，如果像素點(diǎn) x[i]＝1(白色)，取這個像素點(diǎn)的極坐標(biāo)角度值，并把數(shù)組中下標(biāo)等于該角度值的元素賦值為1．重復(fù)循環(huán)此過程．偽代碼如下：

(3)對整型數(shù)組重新進(jìn)行循環(huán)掃描，判斷是否依然存在數(shù)值不為 1的元素．如果存在則說明外圓在此位置存在凹槽，該位置的元素的值即為殘缺點(diǎn)的極坐標(biāo)角度．如果數(shù)組中的元素全部賦值為 1，則說明數(shù)組中的元素已覆蓋外圓，罐口不存在凹槽缺陷．偽代碼如下：

Repeat{

If(x[i]≠1)

Exist physical defects

Else

Not Exist physical defects

}

3.2.2 金屬罐焊縫檢測

首先創(chuàng)建 1個內(nèi)存存儲器 storage和 1個可增長序列 lines，然后調(diào)用 CvHoughLines2對焊縫圖像進(jìn)行直線檢測．將檢測到的直線保存，為之后對直線的處理作準(zhǔn)備．

檢測出焊縫直線后，首先判斷直線的條數(shù)，如果直線條數(shù)大于 2，則認(rèn)為存在直線劃痕，金屬罐不合格；如果直線條數(shù)等于2，則判斷直線之間的夾角，夾角范圍在m1至m2間即視直線為封口直線，在本設(shè)計(jì)中 m1＝16°，m2＝17°．圖 8 所示為焊縫檢測實(shí)例，在焊縫部分有兩條白色線，能夠準(zhǔn)確定位焊縫位置．

在對焊縫檢測完成之后，需要把該焊縫區(qū)域剔除，以便于后續(xù)檢測．剔除分 2步進(jìn)行：(1)把確定 2條直線的4個點(diǎn)按極坐標(biāo)角度排序，求出最大和最小角度；(2)掃描數(shù)組，將所有在最大和最小角度間的點(diǎn)全部剔除．

圖8 焊縫的霍夫直線檢測Fig.8 Hough line detection of the welding parts

3.2.3 金屬罐內(nèi)壁缺陷檢測

確定內(nèi)壁檢測范圍和霍夫直線檢測剔除焊縫區(qū)域后，得到內(nèi)壁的待檢測圖像，主要用于檢測內(nèi)壁劃痕．對劃痕的檢測方法為：

(1)將圖中所有的白色像素點(diǎn)(已保存在數(shù)組x[n]中)按其極坐標(biāo)角度由小到大排序．因?yàn)閿?shù)據(jù)量不大，采用冒泡法進(jìn)行排序處理．由極坐標(biāo)的定義可知，圖像中連通域的極坐標(biāo)角度一定是連續(xù)的．所以將所有白色像素排序，為劃痕檢測作準(zhǔn)備．

(2)對排序后的數(shù)組元素進(jìn)行逐個掃描，判斷每個元素之后一定范圍內(nèi)的元素，是否有和該元素連續(xù)的點(diǎn)．通常是通過兩點(diǎn)間的距離來判斷是否連通，為了簡化運(yùn)算，采用式(8)來衡量兩點(diǎn)間的距離．

式中：r1、r2、θ1、θ2分別為兩點(diǎn)的極坐標(biāo)半徑和極坐標(biāo)角度．

因?yàn)閳D像在經(jīng)過灰度化和邊緣檢測之后，可能造成小部分像素信息丟失，為了不使丟失的像素影響對連續(xù)區(qū)域的判斷，設(shè)定了閾值T．即由式(8)得到的數(shù)值小于T，則認(rèn)為兩數(shù)組元素為連續(xù)點(diǎn)．

在找到當(dāng)前點(diǎn)的連續(xù)點(diǎn)之后，跳過2個元素之間的數(shù)組元素，從找到的元素開始新的掃描，繼續(xù)查找其連續(xù)點(diǎn)．

(3)圖像中所有的連通域并不一定都是劃痕，也可能是在采集過程中因光照等因素影響形成的雜點(diǎn)．因此找到一組連續(xù)點(diǎn)之后，需判斷該組連續(xù)點(diǎn)是否為內(nèi)壁劃痕．按照系統(tǒng)需求設(shè)定閾值 k，如果該組連續(xù)點(diǎn)的像素點(diǎn)個數(shù)大于 k則認(rèn)為其為待檢測的內(nèi)壁劃痕；反之則認(rèn)為該組連續(xù)點(diǎn)為圖像處理過程中的誤差點(diǎn)．

圖9所示為金屬罐內(nèi)壁缺陷檢測的實(shí)際效果，其中圖 9(c)為經(jīng)上述過程檢測出金屬罐內(nèi)壁中存在的劃痕，劃痕的首尾已經(jīng)圈出．

圖9 金屬罐內(nèi)壁檢測效果Fig.9 Effect of the metal can’s inner wall detection

4 實(shí)驗(yàn)及改進(jìn)

以 Visual Studio 2010為開發(fā)平臺，設(shè)計(jì)了基于機(jī)器視覺的金屬罐內(nèi)壁缺陷檢測系統(tǒng)，對金屬罐內(nèi)壁缺陷進(jìn)行檢測．檢測系統(tǒng)的計(jì)算機(jī)配置為：CPU Intel(R)Core(TM)i7–3770，8,MB 三級緩存，內(nèi)存4,GB，四核心/八線程．

對金屬罐內(nèi)壁分 3部分進(jìn)行檢測，分別為罐口、焊縫和內(nèi)壁，總檢測時間為 165,ms，無法達(dá)到生產(chǎn)線的速度要求．因此通過 4線程進(jìn)行優(yōu)化，方法為：在金屬罐內(nèi)壁掃描瑕疵點(diǎn)時，以原點(diǎn)為中心，按照角度將圖像平均分成4個象限，用4個線程同時對瑕疵點(diǎn)掃描并存儲．優(yōu)化后減少了檢測時間，總用時55,ms，加上圖像采集及圖像處理時間，對一個金屬罐的檢測時間為101,ms．

采用4線程優(yōu)化前后檢測時間的對比見表1．從表中可以看出，采用4線程優(yōu)化后3個部分的運(yùn)行時間均有明顯縮短．表 2所示為本文方法與 Blob算法的檢測結(jié)果對比，可以看出，本文的優(yōu)化檢測算法能夠更好地提高檢測速度．

表1 優(yōu)化前后的運(yùn)行時間對比Tab.1 Contrast of optimized running time and the original time

表2 兩種方法檢測結(jié)果對比Tab.2 Results of the two methods in contrast

5 結(jié) 語

本文結(jié)合生產(chǎn)實(shí)際設(shè)計(jì)了基于機(jī)器視覺的金屬罐內(nèi)壁缺陷檢測系統(tǒng)，使用4線程后比傳統(tǒng)方法縮短了檢測時間，能夠準(zhǔn)確地檢測金屬罐內(nèi)壁缺陷，并滿足檢測速度要求，檢測速度達(dá)到 600個/min，可檢測瑕疵最小面積為0.2,mm×0.2,mm．

今后還需在減小檢測誤差和檢測更多種類的缺陷特征方面進(jìn)行完善，進(jìn)一步提高金屬罐內(nèi)壁缺陷檢測系統(tǒng)的可擴(kuò)展性和穩(wěn)定性，使其應(yīng)用范圍更廣．

［1］ 賀超英，張輝. 基于機(jī)器視覺的罐蓋質(zhì)量檢測系統(tǒng)設(shè)計(jì)[J]. 儀表技術(shù)與傳感器，2011(2)：85–90.

［2］ 王宣銀，梁冬泰. 基于多元圖像分析的包裝罐內(nèi)壁缺陷檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2009，40(6)：222–226.

［3］ 李煒，黃心漢，王敏，等. 基于機(jī)器視覺的帶鋼表面缺陷檢測系統(tǒng)[J]. 華中科技大學(xué)學(xué)報：自然科學(xué)版，2003，31(2)：72–74.

［4］ 廖水碧，肖明富. 金屬制品表面質(zhì)量缺陷無損檢測的研究現(xiàn)狀與展望[J]. 中國冶金，2007，17(3)：48–51.

［5］ 沈昱明，楊征兵. 機(jī)器視覺在銅帶表面缺陷檢測系統(tǒng)中的應(yīng)用[J]. 電子測量技術(shù)，2010，33(4)：65–67.

［6］ 朱明，曾其勇，洪濤，等. 基于機(jī)器視覺技術(shù)的奶粉罐內(nèi)壁缺陷檢測系統(tǒng)設(shè)計(jì)[J]. 制造業(yè)自動化，2012，34(12)：37–40.

［7］ Malamas E，Petrakis G M，Zervakis M，et al. A survey on industrial vision system，applications and tools [J]. Image and Vision Computing，2003，21(2)：171–188.

［8］ 程轉(zhuǎn)偉，頡譚成，劉岳林，等. 圖像處理技術(shù)在表面缺陷檢測中的應(yīng)用[J]. 微計(jì)算機(jī)信息，2008，24(15)：312–314.

［9］ 易愛春，龍永紅，黃曉清. 一種基于視覺的表面質(zhì)量檢測方法[J]. 湖南工業(yè)大學(xué)學(xué)報，2008，22(6)：46–54.