基于Halcon的環(huán)保型餐盤(pán)缺陷檢測(cè)方法

彭昕昀，林文強(qiáng)，龍迎春，李 錦

（韶關(guān)學(xué)院 智能工程學(xué)院，廣東 韶關(guān) 512005）

環(huán)保型餐盤(pán)在生產(chǎn)過(guò)程中采用工業(yè)機(jī)器人快速大量生產(chǎn)，由于生產(chǎn)工藝和生產(chǎn)環(huán)境的影響，會(huì)出現(xiàn)少量缺陷產(chǎn)品.目前廠家對(duì)環(huán)保型餐具的缺陷檢測(cè)大多采用人工分揀，人工目檢的檢測(cè)速度慢、檢測(cè)失誤率高、檢測(cè)效率遠(yuǎn)低于機(jī)器視覺(jué)檢測(cè)效率［1］.隨著中國(guó)智能制造在全國(guó)制造業(yè)大規(guī)模的推廣應(yīng)用，國(guó)產(chǎn)的圖像處理技術(shù)和機(jī)器視覺(jué)技術(shù)的快速發(fā)展，現(xiàn)代化智能制造工廠采用機(jī)器視覺(jué)檢測(cè)系統(tǒng)代替了人工目檢.筆者基于Halcon圖像算法平臺(tái)，主要研究環(huán)保型餐盤(pán)的邊緣缺陷和表面污點(diǎn)的圖像處理算法.

1 環(huán)保型餐盤(pán)的缺陷分類及檢測(cè)流程

環(huán)保型餐盤(pán)的表面缺陷主要包括邊緣缺陷、表面污點(diǎn)、內(nèi)部破損、內(nèi)部劃痕、圓形度不良等.通過(guò)工業(yè)相機(jī)對(duì)環(huán)保餐盤(pán)進(jìn)行圖像采集，在Halcon軟件平臺(tái)運(yùn)用算子處理，通過(guò)檢測(cè)結(jié)果進(jìn)行分析，從而判斷出正品和次品.

環(huán)保型餐盤(pán)缺陷檢測(cè)步驟主要包括：（1）圖像采集系統(tǒng)拍照后，傳送原圖像到圖像處理系統(tǒng)，運(yùn)用圖像灰度化和圖像分割進(jìn)行預(yù)處理；（2）通過(guò)灰度化閾值分割方法，提取被檢餐盤(pán)圖像中所需檢測(cè)的區(qū)域（ROI區(qū)域）；（3）分別提取圖像中的邊緣特征和內(nèi)表面特征，根據(jù)圓度和區(qū)域數(shù)量等特征來(lái)判斷是否為缺陷產(chǎn)品；（4）標(biāo)記出被檢產(chǎn)品的缺陷區(qū)域，再輸出結(jié)果［2］.餐盤(pán)缺陷檢測(cè)流程如圖1所示.

圖1 環(huán)保餐盤(pán)缺陷檢測(cè)流程

2 圖像預(yù)處理

2.1 圖像灰度化

圖像灰度化是圖像處理系統(tǒng)基本的圖像預(yù)處理，為之后的特征點(diǎn)提取、特征識(shí)別和特征檢測(cè)等圖像處理操作做準(zhǔn)備.灰度化處理有分量法、平均法、最大值法以及加權(quán)平均法等.筆者采用加權(quán)平均法進(jìn)行灰度化處理，將彩色圖像中的三分量亮度求平均得到一個(gè)灰度值［3］.即：

其中，gray 表示圖像處理后灰度值，red表示在圖像處理后紅色占用的灰度值，green 代表圖像處理后綠色占用的灰度值，blue表示在圖像處理后藍(lán)色占用的灰度值.

2.2 圖像增強(qiáng)

圖像增強(qiáng)是指運(yùn)用某種方法對(duì)圖像進(jìn)行處理，增強(qiáng)圖像特征，如對(duì)環(huán)保餐盤(pán)邊緣或輪廓等進(jìn)行處理，增強(qiáng)圖像的清晰度，使圖像特征更加明顯.圖像增強(qiáng)的方法可分為兩類：空間域法和頻域法.筆者選擇空間域法中的灰度值線性化［4-5］，即：

其中，Mf表示f（x，y）的最大值.

2.3 ROI（0Region of Interest）提取

ROI是指用戶感興趣的一個(gè)或多個(gè)經(jīng)過(guò)固定劃分的子圖所組成的集合［6］.在被檢餐盤(pán)產(chǎn)品中，需要提取邊緣缺陷和表面污點(diǎn)的缺陷區(qū)域，多個(gè)不同臟污缺陷點(diǎn)可能出現(xiàn)在被檢餐盤(pán)的不同位置，需要提取不同的ROI區(qū)域，消除其他缺陷位置的影響，以提高餐盤(pán)缺陷檢測(cè)的準(zhǔn)確性.

2.4 圖像定位

筆者根據(jù)設(shè)置圖像采集系統(tǒng)的固定位置，來(lái)實(shí)現(xiàn)圖像定位.即設(shè)置被檢產(chǎn)品的Y軸坐標(biāo)為一個(gè)固定坐標(biāo)值，進(jìn)行圖像定位.當(dāng)被檢產(chǎn)品的Y軸運(yùn)動(dòng)到圖像采集系統(tǒng)的固定坐標(biāo)位置時(shí)，圖像采集系統(tǒng)實(shí)現(xiàn)圖像定位，啟動(dòng)拍照.如果被檢產(chǎn)品的Y軸沒(méi)有運(yùn)動(dòng)到指定位置，系統(tǒng)會(huì)報(bào)錯(cuò).當(dāng)被檢產(chǎn)品實(shí)現(xiàn)圖像定位后，運(yùn)動(dòng)系統(tǒng)的X、Y、Z三軸會(huì)重新回到零點(diǎn)，為下一次被檢產(chǎn)品的圖像定位做準(zhǔn)備.

3 環(huán)保餐盤(pán)缺陷的檢測(cè)算法

3.1 表面污點(diǎn)檢測(cè)算法

對(duì)環(huán)保餐盤(pán)表面污點(diǎn)的檢測(cè)先采用歐式距離變換［7］，將二值圖像轉(zhuǎn)變?yōu)榛叶葓D像.歐式距離變換是把原圖像的像素到邊緣的像素距離轉(zhuǎn)變?yōu)榛叶戎档拇笮?，距離越大，灰度值越大，圖像中間比較光亮.歐式距離變換主要呈現(xiàn)圖像的骨架.圖2為被檢測(cè)餐盤(pán)的原圖像，圖3為經(jīng)過(guò)歐式距離變換后的效果圖，歐式距離變換公式如下：

圖2 環(huán)保餐盤(pán)原始圖像

圖3 經(jīng)過(guò)歐式距離變換后的效果圖

環(huán)保餐盤(pán)原始圖像經(jīng)過(guò)二值圖像的歐式距離變換后，再對(duì)該圖像采用分水嶺運(yùn)算的方法進(jìn)行處理.本文使用快速圖像分割算法［8］.運(yùn)用快速圖像分割算法，如果被檢餐盤(pán)表面沒(méi)有污點(diǎn)，圖像區(qū)域只有一個(gè)；如果被檢餐盤(pán)表面有污點(diǎn)時(shí)，圖像將分成n+1個(gè)區(qū)域，n表示污點(diǎn)的數(shù)量.當(dāng)出現(xiàn)多個(gè)區(qū)域，圖像處理系統(tǒng)將采用不同顏色進(jìn)行標(biāo)記，并分割出來(lái).經(jīng)過(guò)分水嶺算法后，被檢餐盤(pán)圖像的效果如圖4所示.

圖4 分水嶺算法后效果圖

利用區(qū)域交集算法，對(duì)沒(méi)有圖像分割的區(qū)域和運(yùn)用分水嶺算法分割的區(qū)域進(jìn)行交集，所得到的區(qū)域數(shù)量來(lái)判斷表面污點(diǎn)的數(shù)量，當(dāng)區(qū)域交集數(shù)量為1時(shí)，說(shuō)明環(huán)保餐盤(pán)表面沒(méi)有污點(diǎn)，當(dāng)區(qū)域數(shù)量大于2時(shí)，環(huán)保餐盤(pán)表面污點(diǎn)為n-1個(gè)，n表示區(qū)域交集數(shù)量.運(yùn)用intersection算子進(jìn)行交集的數(shù)學(xué)模型如圖5所示.

圖5 數(shù)學(xué)模型

當(dāng)被檢餐盤(pán)表面有污點(diǎn)區(qū)域時(shí)，運(yùn)用區(qū)域交集算法會(huì)標(biāo)出污點(diǎn)交集區(qū)域，餐盤(pán)內(nèi)部污點(diǎn)檢測(cè)后結(jié)果如圖6所示，餐盤(pán)的表面污點(diǎn)檢測(cè)算法流程如圖7所示.

圖6 餐盤(pán)內(nèi)部污點(diǎn)檢測(cè)后結(jié)果圖

圖7 餐盤(pán)表面污點(diǎn)檢測(cè)算法流程

3.2 邊緣缺陷檢測(cè)

對(duì)被檢餐盤(pán)進(jìn)行邊緣缺陷檢測(cè)時(shí)，先進(jìn)行圖像預(yù)處理.首先進(jìn)行圖像的灰度變換，再使用閉運(yùn)算把干擾點(diǎn)腐蝕，之后用開(kāi)運(yùn)算進(jìn)行填充.使用Halcon軟件中的fit_circle_contour_xld算子，找出被檢餐盤(pán)的圓心坐標(biāo)和半徑；接著使用gen_contour_region_xld算子，進(jìn)行Canny亞像素的邊緣提?。?］.筆者通過(guò)像素級(jí)別來(lái)尋找被檢餐盤(pán)的邊緣，通過(guò)比較兩個(gè)閥值大小，來(lái)判斷尋找邊緣點(diǎn)是真邊緣點(diǎn)還是偽邊緣點(diǎn).運(yùn)用數(shù)學(xué)公式擬合出邊緣，找到真正的餐盤(pán)邊緣.之后進(jìn)行邊緣圓度判斷.圓度計(jì)算需要先輸入一個(gè)區(qū)域，并且該區(qū)域要與一個(gè)圓進(jìn)行比較，算出輸入?yún)^(qū)域與圓的相似度.餐盤(pán)邊緣缺陷檢測(cè)的處理流程如圖8所示.被檢餐盤(pán)圖像經(jīng)過(guò)邊緣算法處理后，得到清晰的紅色邊緣輪廓圖像如圖9所示.

圖8 餐盤(pán)邊緣缺陷檢測(cè)的處理流程

圖9 餐盤(pán)邊緣缺陷的檢測(cè)效果圖

4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證環(huán)保餐盤(pán)缺陷檢測(cè)的穩(wěn)定性和準(zhǔn)確性，對(duì)不同缺陷類型的環(huán)保型餐盤(pán)進(jìn)行測(cè)試.測(cè)試樣本總數(shù)為200張，50個(gè)合格品出現(xiàn)一個(gè)誤檢，測(cè)試結(jié)果如表1所示，總體檢測(cè)準(zhǔn)確率為99%.

表1 測(cè)試結(jié)果統(tǒng)計(jì)表

測(cè)試中部分參數(shù)具體設(shè)置如下：（1）表面污點(diǎn)的檢測(cè)中，設(shè)置判斷數(shù)量，如果區(qū)域交集數(shù)量大于1，則判斷為有污點(diǎn).（2）邊緣缺陷的檢測(cè)中，正常邊緣的圓度為0.97以上，如果圓度小于0.97則判斷為有邊緣缺陷.

5 結(jié)語(yǔ)

筆者提出的基于Halcon的環(huán)保型餐盤(pán)的缺陷檢測(cè)算法，運(yùn)用圖像處理算法對(duì)產(chǎn)品的表面污點(diǎn)和邊緣缺陷進(jìn)行檢測(cè)，在實(shí)驗(yàn)室運(yùn)用三軸工業(yè)機(jī)器人實(shí)驗(yàn)設(shè)備，檢測(cè)200份樣本后，出現(xiàn)兩個(gè)誤檢.實(shí)驗(yàn)測(cè)試結(jié)果表明，本缺陷檢測(cè)算法穩(wěn)定性好、精確度高，可滿足環(huán)保餐盤(pán)生產(chǎn)過(guò)程的缺陷檢測(cè)需要.本文針對(duì)環(huán)保餐盤(pán)產(chǎn)品的多種缺陷檢測(cè)需求，先進(jìn)行分區(qū)檢測(cè)，能較好地提高檢測(cè)的準(zhǔn)確性，但對(duì)檢測(cè)速度有一定的影響.如何增加環(huán)保型餐盤(pán)產(chǎn)品的更多缺陷檢測(cè)需求和檢測(cè)速度，有待后續(xù)進(jìn)一步研究.