采用機(jī)器視覺的鋁壓鑄件表面缺陷檢測

鄭曉玲， 劉斌

(1. 數(shù)字化視覺測量廈門市重點(diǎn)實(shí)驗(yàn)室， 福建 廈門 361021;

2. 黎明職業(yè)大學(xué) 機(jī)電及自動(dòng)化學(xué)院， 福建 泉州 362000)

?

采用機(jī)器視覺的鋁壓鑄件表面缺陷檢測

鄭曉玲1,2， 劉斌1

(1. 數(shù)字化視覺測量廈門市重點(diǎn)實(shí)驗(yàn)室， 福建 廈門 361021;

2. 黎明職業(yè)大學(xué) 機(jī)電及自動(dòng)化學(xué)院， 福建 泉州 362000)

摘要：對鋁壓鑄件常見的缺陷形態(tài)進(jìn)行分析，提出適用于鋁壓鑄件表面缺陷的檢測算法.首先，采用閾值分割與形態(tài)學(xué)相結(jié)合的方法分割出可疑區(qū)域；然后，根據(jù)基于面積、亮度均值、亮度均值差、灰度曲線分析的4個(gè)剔除原則，剔除偽缺陷的干擾.試驗(yàn)結(jié)果表明：文中的檢測方法具有低成本、高精度、可操作性強(qiáng)等優(yōu)點(diǎn)，能有效提高鋁壓鑄件生產(chǎn)過程中的檢測效率.

關(guān)鍵詞：鋁壓鑄件; 缺陷檢測; 偽缺陷; 機(jī)器視覺

在鋁壓鑄件生產(chǎn)過程中，由于種種原因，鋁壓鑄件表面不可避免地產(chǎn)生氣孔、裂紋、劃痕等缺陷.這些缺陷嚴(yán)重影響產(chǎn)品的表面質(zhì)量和物理機(jī)械性能.因此，生產(chǎn)過程中的缺陷檢測具有十分重要的意義.目前，國內(nèi)鑄造生產(chǎn)車間多采用人工目視檢測法，主要依賴于人工經(jīng)驗(yàn)，勞動(dòng)強(qiáng)度大且工作效率低.隨著市場對壓鑄件質(zhì)量要求的日益提高，以及企業(yè)勞動(dòng)力成本的提升，依賴于人工檢測的傳統(tǒng)質(zhì)量監(jiān)控體系已無法適應(yīng)現(xiàn)代生產(chǎn)發(fā)展的要求.在鑄件的大批量生產(chǎn)中，基于機(jī)器視覺的實(shí)時(shí)在線無損檢測成為壓鑄件質(zhì)量檢測的發(fā)展方向.國內(nèi)外許多學(xué)者進(jìn)行了相關(guān)研究[1-4]，但針對鋁壓鑄件表面缺陷檢測的研究成果較少.由于鋁壓鑄件形狀復(fù)雜，最常見的氣孔缺陷尺寸細(xì)微，難以準(zhǔn)確分割出缺陷區(qū)域，并且在生產(chǎn)過程中出現(xiàn)的水漬、油污等易被誤識(shí)為缺陷，對檢測結(jié)果造成干擾.因此，本文對鋁壓鑄件常見缺陷形態(tài)進(jìn)行分析，提出適用于鋁壓鑄件表面缺陷識(shí)別的算法.

圖1　機(jī)器視覺檢測流程Fig.1　Process of machine vision

1檢測過程

表面缺陷視覺檢測流程，如圖1所示.圖像處理算法可分為兩個(gè)步驟.1) 采用較快速的算法檢測到感興趣的可疑區(qū)域，將其分割出來,保存至可疑圖像緩存區(qū).這一步驟不僅可以初步判斷是否有可疑的目標(biāo)，還能縮小需要后續(xù)處理的圖片數(shù)據(jù).2) 對可疑圖像緩存區(qū)的對象進(jìn)行篩選.在鑄件生產(chǎn)過程中出現(xiàn)的水漬、油污等不屬于鑄件缺陷，但由于其外觀形貌在圖像上與缺陷非常類似，易被檢測系統(tǒng)誤識(shí)為缺陷.對這些偽缺陷的處理不僅增加系統(tǒng)檢測的負(fù)擔(dān)，而且影響對嚴(yán)重缺陷的正確識(shí)別.因此，在判斷出可疑目標(biāo)的基礎(chǔ)上，還要進(jìn)一步深入研究可疑區(qū)域上是否有真實(shí)缺陷，剔除偽缺陷的干擾.

1.1可疑區(qū)域分割

1.1.1分割算法的選擇基于邊緣檢測的可疑區(qū)域分割算法和影像相減法是缺陷檢測系統(tǒng)常用的檢測算法[5-7]. 但這兩種算法各有局限之處， 并不適用于復(fù)雜形狀鑄件細(xì)微缺陷的檢測. 文中采用閾值分割和形態(tài)學(xué)相結(jié)合的方法.氣孔缺陷處亮度較圖片平均亮度偏暗，因此，通過閾值分割獲得灰度值較低的像素點(diǎn).陰影和噪聲點(diǎn)區(qū)域的灰度值和缺陷區(qū)域相似，在分割出缺陷區(qū)域時(shí)，也分割出干擾區(qū)域.利用形態(tài)學(xué)中的膨脹技術(shù)將氣孔缺陷與陰影、噪聲點(diǎn)的特征進(jìn)行區(qū)分，從而準(zhǔn)確分割出缺陷區(qū)域.

1.1.2閾值分割檢測黑點(diǎn)有氣孔缺陷的汽車啟動(dòng)機(jī)蓋圖像，如圖2所示.為了提高檢測結(jié)果的精確性，在RGB模型下選取一定閾值，將低于此閾值的賦值為1，其余賦值為0.RGB模型下檢測黑點(diǎn)結(jié)果，如圖3所示.由圖3可知：受成像過程中出現(xiàn)的陰影及噪聲點(diǎn)的影響，檢測出缺陷區(qū)域的同時(shí)，也出現(xiàn)了大量的干擾區(qū)域.因此，需要通過后續(xù)途徑去除干擾，準(zhǔn)確分離出缺陷區(qū)域.

圖2　有氣孔缺陷的汽車啟動(dòng)機(jī)蓋圖像　　　　　　　　圖3　RGB模型下檢測黑點(diǎn)結(jié)果圖　Fig.2　Car boot cover image with porosity defects Fig.3　RGB model for the detection of black spot′s result

1.1.3形態(tài)學(xué)圖像處理在圖像獲取過程中，由于相機(jī)噪聲、光照不均、被測物表面細(xì)小灰塵等因素影響，獲得的圖像會(huì)產(chǎn)生一些噪聲點(diǎn)，對正確識(shí)別出可疑區(qū)域造成干擾.將數(shù)學(xué)形態(tài)學(xué)中的灰度膨脹應(yīng)用于缺陷檢測算法中，可有效地去除噪聲點(diǎn)的干擾.

數(shù)學(xué)形態(tài)學(xué)是用具有一定形態(tài)的結(jié)構(gòu)元素提取和度量圖像中的對應(yīng)形狀，以達(dá)到分析識(shí)別圖像的目的.因其具有天然并行結(jié)構(gòu)實(shí)現(xiàn)的優(yōu)點(diǎn)，可實(shí)現(xiàn)處理算法和形態(tài)學(xué)的并行，進(jìn)而快速提高圖像分析和處理速度.數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有腐蝕、膨脹、開啟、閉合等4種.

若輸入圖像為f(x,y)，結(jié)構(gòu)元素為B(i,j)，則形態(tài)學(xué)膨脹定義為

(1)

式(1)中:Df為圖像大?。籇B為結(jié)構(gòu)元素大小.

結(jié)構(gòu)元素的選取除了考慮形狀的相似性及尺寸的覆蓋性外，還應(yīng)考慮到腐蝕的結(jié)果是否能突顯出目標(biāo)區(qū)域.因后續(xù)的檢測方法基于連通區(qū)域的幾何特征，故結(jié)構(gòu)元素像素大小的選取尤為重要.若結(jié)構(gòu)元素過小，則無法區(qū)分目標(biāo)區(qū)域與噪聲點(diǎn)；若結(jié)構(gòu)元素過大，則目標(biāo)區(qū)域與背景區(qū)域融合為同一個(gè)連通區(qū)域.經(jīng)過多次實(shí)驗(yàn)效果比對，最終選用15個(gè)像素的方塊結(jié)構(gòu)元素對圖像進(jìn)行膨脹處理.

1.1.4連通區(qū)域面積計(jì)算標(biāo)記連通區(qū)域，參考文獻(xiàn)[8]提出的算法，按列對圖像進(jìn)行掃描編碼，每一個(gè)非零像素團(tuán)記為一個(gè)run，并賦予其初始標(biāo)簽.記錄所有run的起始行、結(jié)束行及所在列.若某一個(gè)run的相鄰列存在與之在行上交疊的run，則判定兩者屬于同一個(gè)連通域，賦予相同標(biāo)簽.若某一列的第k個(gè)run與相鄰前一列的n個(gè)run(n>1)都存在行上的交疊，則判定以上n+1個(gè)run都是屬于同一個(gè)連通區(qū)域[8].

完成所有連通區(qū)域標(biāo)記后，計(jì)算每個(gè)標(biāo)簽對應(yīng)的連通區(qū)域面積，保留面積值在閾值范圍內(nèi)的連通塊，刪除其余連通塊，得到缺陷掩模圖像，如圖4所示.將掩模圖像與圖2相乘，成功分割出缺陷區(qū)域，如圖5所示.

圖4　缺陷掩模圖像 圖5　分割出來的缺陷區(qū)域　Fig.4　Defect mask image Fig.5　Segmented defect area

通過試驗(yàn)驗(yàn)證，該算法能檢測到直徑為0.1mm的氣孔缺陷，平均每幅1 280px×960px的圖像處理時(shí)間為0.061s，可獲得準(zhǔn)確的缺陷焦點(diǎn)位置，完整保存缺陷形狀，以利于后續(xù)分析.

1.2偽缺陷剔除

對從原圖分割出來的可疑區(qū)域樣本進(jìn)行研究，可以發(fā)現(xiàn)：真缺陷區(qū)域大小在一定范圍內(nèi)，且較周圍存在一定范圍的亮度差，區(qū)域內(nèi)部的灰度變化較均勻.

分別對氣孔和油污樣本的區(qū)域中心提取行灰度曲線，如圖6所示.圖6中：g為灰度；s為位置.由圖6可知：氣孔區(qū)域中心行灰度曲線存在一個(gè)很明顯的谷底，而油污的區(qū)域中心行灰度曲線則存在大量的尖峰抖動(dòng).鋁壓鑄件氣孔為一個(gè)凹坑區(qū)域，其表面的反射光線由于方向的改變，無法進(jìn)入相機(jī)，在成像效果上呈現(xiàn)暗區(qū)域效果，相對周圍像素點(diǎn)的灰度值有明顯變化，區(qū)域內(nèi)部處于一個(gè)一定范圍的灰度漸變區(qū)，理論上沿任何方向掃描，其灰度曲線都能存在一個(gè)明顯的山峰區(qū)域；而油污偽缺陷區(qū)域表面其實(shí)是平整的，并不存在反射光線方向的改變，其成像效果上的暗區(qū)域是由油污本身的物質(zhì)結(jié)構(gòu)所決定.在生產(chǎn)過程中，油污很少處處均勻地附著在鋁壓鑄件表面，其區(qū)域內(nèi)部的灰度值并不是有規(guī)律地均勻漸變，故提取行灰度曲線會(huì)發(fā)現(xiàn)存在多處尖峰抖動(dòng).

針對鋁壓鑄件生產(chǎn)過程中容易出現(xiàn)的油污、水漬等偽缺陷，提出以下4個(gè)剔除原則.1) 計(jì)算可疑區(qū)域面積，剔除在閾值范圍外的區(qū)域.2) 計(jì)算可疑區(qū)域亮度均值，剔除在閾值范圍外的區(qū)域.3) 計(jì)算可疑區(qū)域與周圍背景的均值亮度差，剔除差值在閾值范圍外的區(qū)域.4) 用數(shù)學(xué)的方法分析氣孔區(qū)域和油污區(qū)域中心行灰度曲線波形差異，計(jì)算能夠表征此差異的特征值，剔除特征值在閾值范圍外的區(qū)域.

(a) 氣孔缺陷區(qū)域中心行灰度曲線1 (b) 氣孔缺陷區(qū)域中心行灰度曲線2

(c) 氣孔缺陷區(qū)域中心行灰度曲線3 (d) 氣孔缺陷區(qū)域中心行灰度曲線4

(e) 油污區(qū)域中心行灰度曲線1 (f) 油污區(qū)域中心行灰度曲線2

(g) 油污區(qū)域中心行灰度曲線3 (h) 油污區(qū)域中心行灰度曲線4圖6　真?zhèn)稳毕莸闹行男谢叶惹€Fig.6　Center line gray curve of true and false defect

原則4)的波形分析具體有以下5個(gè)步驟.

步驟1對可疑區(qū)域提取中心行灰度曲線，如圖7所示.

(a) 偽缺陷樣本 (b) 真缺陷樣本

(c) 偽缺陷區(qū)域 (d) 真缺陷區(qū)域圖7　中心行灰度曲線Fig.7　Center line gray curve

步驟2提取灰度曲線所有極大、極小值點(diǎn).將得到的行灰度曲線離散化，得到曲線的各個(gè)點(diǎn)為(x1,y1)，(x2,y2),…,(xn,yn).其中:n>1;x,y分別為各點(diǎn)的像素位置及像素值.記曲線點(diǎn)集為C,有

(2)

式(2)中：yi為C集合中第i個(gè)點(diǎn)的像素值.當(dāng)m>0時(shí)，所對應(yīng)的點(diǎn)(xi,yi)為極值點(diǎn)，將其儲(chǔ)存入極值點(diǎn)集合M中.

步驟3最小二乘法擬合曲線.假設(shè)集合M中有m個(gè)點(diǎn)，記為(ti,yi)，j=1,2,…,m.通過這些數(shù)據(jù)尋找一個(gè)m次近似多項(xiàng)式，有

(3)

式(3)中:φk(t)=tk,k=0,1,…,m.求系數(shù)a0,a1,…,am，使誤差的偏差平方和

(4)

最小，則P(t)稱為最小二乘擬合多項(xiàng)式，或稱為t,r的經(jīng)驗(yàn)公式.可用多元函數(shù)極值的方法求其最小點(diǎn)和最小值，得駐點(diǎn)方程為

(5)

即

(6)

利用內(nèi)積的定義式，式(6)可寫為

(7)

式(7)稱為正規(guī)方程組，通過這個(gè)正規(guī)方程組解出ak的值，代入多項(xiàng)式P(t)中，即可得到擬合的曲線方程[9].圖8(a)，(b)分別為圖7(c)，(d)的擬合結(jié)果.

(a) 真缺陷 (b) 偽缺陷圖8　真?zhèn)稳毕輸M合結(jié)果Fig.8　Fitting result of false and true defect

步驟4計(jì)算擬合曲線的最大曲率值為

圖9　真?zhèn)稳毕萏卣髑实牟町悺　ig.9　Differences in the characteristics 　　curvature of true and false defect

(8)

根據(jù)式(8)計(jì)算擬合曲線上每一點(diǎn)的曲率，取最大值作為該樣本圖片的特征值.

步驟5選取曲率閾值.真?zhèn)稳毕輩^(qū)域的特征曲率有著較為明顯的區(qū)別，如圖9所示.圖9中：k為曲率；n為樣本編號.將特征值在曲率閾值以下的圖片判定為偽缺陷圖片，從緩存區(qū)域刪除.

2試驗(yàn)分析

為了驗(yàn)證鋁壓鑄件缺陷檢測方法的有效性，從生產(chǎn)車間現(xiàn)場采集137幅含有若干真?zhèn)稳毕莸臉颖緢D像進(jìn)行試驗(yàn).其中，氣孔缺陷區(qū)域109處，油污42處，水漬4處.具體檢測結(jié)果，如表1所示.表1中：n為實(shí)際數(shù)目；n1為檢出數(shù)；η1為檢出率；n2為誤檢個(gè)數(shù)；η2為誤檢率.由表1可知：有102處氣孔缺陷被成功檢測，有4處油污被誤識(shí)為缺陷，檢出率和誤檢率分別為 93.5%，9.5%.造成漏檢的原因是少部分氣孔缺陷出現(xiàn)在很靠近邊緣的區(qū)域，在區(qū)域分割時(shí)被算法判別為陰影或噪聲點(diǎn).在后續(xù)工作中，可通過改進(jìn)圖像采集平臺(tái)對算法進(jìn)行輔助.

表1　檢測結(jié)果

3結(jié)束語

氣孔是鋁壓鑄件鑄造過程中最常見的缺陷，其尺寸通常在毫米以下級別.采用閾值分割和形態(tài)學(xué)相結(jié)合的方法能準(zhǔn)確分割出氣孔區(qū)域，適用于在灰度不均勻,且存在噪聲干擾的圖像中分割出小目標(biāo)區(qū)域的情況.對于油污水漬這類偽缺陷，再通過增加4個(gè)篩選原則從可疑區(qū)域中剔除干擾，從而檢測出真正的缺陷.相比于傳統(tǒng)人工檢測方法，文中的檢測方法具有低成本、高精度、可操作性強(qiáng)等優(yōu)點(diǎn)，能有效提高鋁壓鑄件生產(chǎn)過程中的檢測效率.

參考文獻(xiàn)：

[1]徐科.基于光度立體學(xué)的金屬板帶表面微小缺陷在線檢測方法[J].機(jī)械工程學(xué)報(bào),2013,49(4):25-29.

[2]周新星.基于非下采樣Contourlet變換和PCNN的表面缺陷自動(dòng)識(shí)別方法[J].應(yīng)用基礎(chǔ)與工程學(xué)科學(xué)報(bào),2013,21(1):174-184.

[3]段志娟.基于獨(dú)立成分分析的冷軋帶鋼表面缺陷識(shí)別[J].鋼鐵研究學(xué)報(bào),2011,23(10):63-66.

[4]ELBEHIERY H.Surface defects detection for ceramic tiles using[J].World Academy of Science,2007,12(10)：158-162.

[5]張鑫.基于圖像處理的注塑制品缺陷檢測方法研究[D].沈陽:東北大學(xué),2009：34-38.

[6]彭向前.產(chǎn)品表面缺陷在線檢測方法研究及系統(tǒng)實(shí)現(xiàn)[D].武漢：華中科技大學(xué),2009：25-27.

[7]吳煒峰.基于水平集的灰度不均勻圖像分割研究[D].廣州:華南理工大學(xué),2013：41-42.

[8]HARALICK,ROBERT M,LINDA G.ShAPIRO, computerand robot vision[J].Addison-Wesley,1992,1(8):28-48.

[9]孫志忠.計(jì)算方法與實(shí)習(xí)[M].南京:東南大學(xué)出版社,2011:116-120.

(責(zé)任編輯： 錢筠英文審校： 楊建紅)

Surface Defect Detection of Aluminum Die Casting Using Machine Vision

ZHENG Xiaoling1,2, LIU Bin1

(1. Xiamen Key Laboratory of Digital Vision Measurement, Xiamen 361021, China;2. Institute of Electrical and Automation， Liming Vocational College, Quanzhou 362000, China)

Abstract：The common defects of aluminum die casting were analyzed in this paper, then a detection algorithm suitable for aluminum die casting surface defect was put forward. First, by using the combined method of threshold segmentation and suspicious area. Then, based on four removing principles: the area, the mean brightness, the mean brightness difference, gray curve analysis, false defects interference was eliminated. The experimental results showed that the detection method had the advantages of low cost, high precision, strong operability, and could effectively improve the detection efficiency in the process of aluminum die castings production.

Keywords：aluminum die casting; defect detection; false defect; machine vision

中圖分類號：TP 391

文獻(xiàn)標(biāo)志碼：A

基金項(xiàng)目：國家自然科學(xué)基金面上資助項(xiàng)目(51175191)

通信作者：劉斌(1970-)，男，教授，博士，主要從事數(shù)字化設(shè)計(jì)的研究.E-mail:mold_bin@hqu.edu.cn.

收稿日期：2014-10-29

doi:10.11830/ISSN.1000-5013.2016.02.0139

文章編號：1000-5013(2016)02-0139-06