基于差分圖像的滴塑模具殘留物檢測算法

鄧高生，李 迪，王世勇

(華南理工大學 機械與汽車工程學院，廣州 510640)

基于差分圖像的滴塑模具殘留物檢測算法

鄧高生，李 迪，王世勇

(華南理工大學 機械與汽車工程學院，廣州 510640)

模具是工業(yè)產品的成型工具，在滴塑加工過程中，若模具存在異物，它會導致下一次成型時成品出現孔洞，嚴重降低產品質量;針對該問題，提出了一種基于差分圖像的殘留檢測算法，首先采用基于灰度模板匹配算法定位檢測區(qū)域，再將標準圖像和當前圖像作差分，并進行閾值分割和形態(tài)學處理獲得二值化圖像，最后對圖像進行連通區(qū)域分析，得到殘留物在圖像中的位置和大??；針對環(huán)境光照變化引起的誤檢現象，采用了一種全局光照補償算法降低其影響；測試結果表明，該算法效率高并具有良好的穩(wěn)定性，適用于模具的殘留物檢測。

滴塑；殘留物檢測；差分圖像

0 引言

滴塑技術是利用高分子材料在一定溫度下具有黏流性的特點，在它處于黏流狀態(tài)時按照要求塑造成設計的形狀，并在一定溫度下固化成型[1]。用來完成各類顏色塑體的定型，在完成一次滴塑后，需要將塑料件從模具取出，此時有可能會出現部分塑料殘留物在模具上，在進行下一次滴塑時塑料件會出現孔洞，影響成品率。因此每次滴塑開始前都應該檢測是否有殘留物。

殘留物檢測是機器視覺的重要應用場景，目前也有很多研究人員根據具體使用環(huán)境提出了各自的解決方法，其中，張果勝提出基于灰度和輪廓模板的異常檢測算法[2]，馬琳采用了灰度共生矩陣實現了注塑模具的瑕疵檢測[3]，尹華則通過邊緣特征圖對模具的異物進行檢測[4]，雖然他們實現的算法具有較高魯棒性，但算法過程比較復雜，速度較慢。

采用的檢測算法基于差分圖像，即模板圖像和當前圖像做差值并取絕對值。首先需要對圖像進行平滑濾波以降低噪聲對檢測算法的影響。由于機器振動、電機丟步等問題，模具在圖像中的位置會有少量位移，需要使用模板匹配算法修正目標區(qū)域的位置偏差。由于設備工作環(huán)境的光線會有小幅度變化，因此需要對圖像亮度進行補償。再求差分圖像并使用閾值分割方法進行二值化，并對它進行形態(tài)學處理以消除孤立區(qū)域和連通區(qū)域中間的縫隙，最后使用連通區(qū)域算法進行面積測量。

1 算法過程

1.1 圖像平滑

在圖像處理系統中，采集的圖像由于硬件的原因，往往有各類噪聲，如敏感元器件的內部噪聲熱噪聲、抖動噪聲、量化噪聲等，而這些噪聲往往是隨機產生的，分布往往不均勻，對后續(xù)的處理有一定影響，為了抑制這些噪聲，改善成像質量，我們需要首先對采集的圖像進行平滑去噪處理。

常用的濾波算法包括均值濾波、中值濾波、高斯濾波，基于運行效率和效果的考慮，本文采用高斯濾波實現圖像平滑。

1.2 目標位置偏差修正

設備在運行一定時間后，由于丟步、干擾、機器振動等因素，會導致絕對定位出現誤差，影響測量精度，因此需要對位置進行修正，獲取正確的目標區(qū)域。

模板匹配算法是一種比較精確的定位算法，它通過在檢測圖像上找出與模板最相似的區(qū)域定位目標。常用的度量灰度圖像相似度的算法有平方差、歸一化平方差、相關、歸一化相關系數等，其中歸一化相關系數的抗白噪聲能力強、精度較高，并具備一定的抗全局光照能力，因此本文采用該算法作為相似度度量方法，圖像的歸一化相關系數定義如下：

R(i,j)=

(1)

其中:Si,j表示檢測圖像在(i,j)處的子圖像，T表示大小為M×N的模板圖像。R(i,j)越接近1，表示相似程度越高。直接使用上式計算非常耗時，計算一次模板圖像跟檢測圖像的子區(qū)域的相似度，需要進行2MN次乘法運算，因此有學者提出快速模板匹配算法[5]，使用積分圖、平方積分圖加速相關系數降低計算量。

本文采用的相機分辨率是2 592×1 944，如圖1，(a)是目標區(qū)域，大小為1 703×1 792；(b)是含有殘留物的模具(圓圈部分是殘留物)，矩形是識別定位的結果。

圖1 使用模板匹配算法匹配目標

1.3 光照補償

拍攝圖像時光源的屬性，如它的顏色、亮度、照射角度等都會對圖像產生一定程度的影響。有效地克服光照影響始終是圖像處理中必不可少的環(huán)節(jié)，也是計算機視覺技術中尚未完全解決的技術難點之一[6]。圖像的光照條件會對檢測結果產生較大影響。對于本文設備，光照主要發(fā)生了全局變化，可以通過對圖像的灰度直方圖進行調整實現。

一般情況下，光照越強，圖像灰度值的均值越大，亮度變化越大，即灰度值的方差越大，反之，光照越小，均值越小，亮度變化越小，方差越小?；谶@個關系，可以使用均值和方差對實際采集的圖像的灰度值進行線性變換，以達到補償亮度目的，下式是變換的表達式：

(2)

下標T表示模板圖像，下標S表示當前采集的圖像。σ表示圖像的方差，u是圖像的均值。

1.4 圖像差分

圖像差分算法常常應用在目標跟蹤、缺陷檢測中，它的原理是通過將兩幅圖像相減并取絕對值，從而去除兩幅圖像間相同的區(qū)域，而只保留它們存在差異的地方。

本文使用彩色相機，將RGB3個通道的差分圖像求絕對值后相加即可。

R=|SR-TR|+|SG-TG|+|SB-TB|

(3)

1.5 閾值分割

得到差分圖像后，需要對圖像進行二值化處理，以便進行連通區(qū)域計算。

OTSU算法[7]是一種常用的自動確定閾值的算法，又稱為類間方差最大法，在1980由大津展之提出。它是基于判決分析最小二乘原理上推導得到，思想是采用某個灰度閾值，將圖像分為兩組，求這兩組各自方差，并求它們差值。如圖2，(b)是使用OSTU閾值分割得到的二值化圖像，算法選取的最佳閾值是45，獲取閾值耗時2.6 ms，二值化耗時1 ms，耗時較短，可以滿足檢測要求。

圖2 使用OTSU算法二值化后的圖像

1.6 形態(tài)學運算

由于光照和成像噪聲，閾值分割后的圖像存在許多小面積的顆粒狀區(qū)域，有些較大的區(qū)域被分割成多個小區(qū)域，前者引入了偽缺陷，后者有可能導致檢測失敗，為了提高缺陷識別準確率，本文需要對閾值分割后的圖像進行形態(tài)學運算。數學形態(tài)學[8]形成于1964年，由馬瑟榮和他學生提出。它的基本原理是使用特定的結構元素掃描每個像素點，以達到改善形狀結構，去除不相關結構，修復區(qū)域的目的。常用形態(tài)學的運算包括膨脹、腐蝕、開運算、閉運算、頂帽變換、骨骼化等[9]。

本文需要去除細微孤立區(qū)域并連接相近的較大的區(qū)域，針對該情況，單單使用膨脹或腐蝕效果是較差的，而使用開運算、閉運算會有較好效果。如圖3，(a)是二值化圖像；(b)則是先進行開運算，再膨脹，算法在去除孤立區(qū)域的同時也填充了中間的縫隙。

圖3 形態(tài)學處理結果

1.7 殘留區(qū)域測量

預處理后的二值圖像需要進一步測量以獲取每塊殘留物的大小、位置，方便軟件操作人員用工具剔除。輪廓跟蹤和連通區(qū)域標記均可以實現測量物體的幾何形狀和特征，但前者僅能得到被測物體的外輪廓，在一些特殊情況，比如殘留物體內部有孔洞，則影響幾何參數的測量。連通區(qū)域標記則不會出現該情況，因此本文使用連通區(qū)域獲取殘留物參數。完成連通區(qū)域標記后，即可測量出殘留物的面積和位置。

連通區(qū)域的面積A等于該區(qū)域像素點的總數，在連通區(qū)域標記的過程中就可以計算出來，對所有屬于該區(qū)域的像素點坐標求均值即可獲取中心位置，即：

(4)

如圖4，矩形內是檢測到的殘留物，它的位置是(1 237.73，725.15)，面積為8 886。

圖4 殘留測量結果

2 實驗結果

本文的測試環(huán)境是i3-3220 3.3 GHz，4 G內存，拼接的圖像分辨率是2 592×1 944，進行耗時和穩(wěn)定性測試。

2.1 耗時測試

對于大部分模具，殘留檢測的時間在一秒以下即可保證工作效率。

表1是處理其中一幀圖像時以上各個處理過程的耗時，總耗時約340 ms，滿足加工過程要求。從表1可以看到，匹配定位占用最多時間，達到280 ms，占檢測總耗時超過80%，說明該算法效率還有待提升，若能得到較大改善，可以大幅提升檢測算法的速度。

表1 各處理過程耗時

2.2 穩(wěn)定性測試

將一塊殘留物放置在模具的某個位置，對它進行一定時間的測量，觀察每次測量的殘留物位置和面積，若都能在一定誤差范圍內，則檢測算法在殘留物處于靜態(tài)時是穩(wěn)定的。

表2是隨機抽取的10幀圖像的測量參數。對于坐標，它的浮動范圍是指坐標測量的最大值減去最小值，面積的浮動范圍是它的最大值和最小值的差占面積均值的百分比?？梢钥吹綑z測到的殘留物位置和面積都是比較穩(wěn)定的，浮動在十幾個像素左右，對檢測沒有影響。

表2 檢測算法穩(wěn)定性測試1

除此以外，還應該確保殘留物在任意位置都可以檢測穩(wěn)定。本文的測試方案是：將4塊殘留物放置在目標區(qū)域，測量它們各自的面積，然后將它們都移動到另外一個位置再進行測量，反復進行10次，觀察結果是否穩(wěn)定。

表3是測試結果，可以看到，它們的浮動都在5%以下，說明檢測算法具有較高穩(wěn)定性，適合本文使用。

表3 檢測算法穩(wěn)定性測試2

2.3 光照補償測試

將光源調亮后，若不使用光照補償，則會得到如圖5(a)的二值化圖，出現了很多誤檢區(qū)域，圖5(b)是經過補償后的二值化圖，未調亮前的殘留物大小是8880個像素，經過補償后檢測的大小為8310個像素，相差不大，說明算法在光照變化較大時依然能保證判定正確。

圖5 光照補償對比

3 結論

針對每次滴塑完成后模具上會有殘留物的問題，本文基于機器視覺技術，提出了一種采用差分圖像的檢測算法，輸入圖像經過平滑濾波后，通過模板匹配、亮度的線性補償算法、形態(tài)學處理和連通區(qū)域標記算法測量出殘留物的位置和大小。經過測試表明，該檢測算法具有較高的穩(wěn)定性并具有較高的抗光照干擾能力，能夠滿足滴塑的生產要求。

[1] 郭 偉. 淺談滴塑工藝技術[J].今日印刷,2008(8):37-39.

[2] 馬 琳,王直杰,朱曉明,等. 基于灰度共生矩陣的注塑模具瑕疵檢測[J]. 電子設計工程,2015(7):138-140.

[3] 張果勝. 基于模板的異常檢測系統及其關鍵技術研究[D].長沙：中南大學,2010.

[4] 尹 華. 制筆生產中復雜模具異物檢測算法研究[D].杭州：浙江理工大學,2012.

[5] 邵 平, 楊路明, 黃海濱, 等. 基于積分圖像的快速模板匹配[J]. 計算機科學, 2006(12):225-229.

[6] 楊金鋒, 師一華, 熊興隆. 光照處理中改進的Gamma矯正方法[J]. 中國民航學院學報, 2006(4):39-42.

[7] Otsu N. A threshold selection method from gray-level histograms[J]. Automatica,1975, 11: 23-27.

[8] Sinha D, Giaridna C R.Discrete black and white object recognition via morphological function[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(3):275-293.

[9] Gonzalez R C,Wood R E. Digital image processing[M].Third Edition. Online:Pearson Education India, 2011:27-31.

Plastic Drop Mold Residual Detection Algorithm Based on Difference of Image

Deng Gaosheng,Li Di,Wang Shiyong

(School of Mechanical and Automotive Engineering, South China University of Technology，Guangzhou 510640，China)

Mold is forming tool for industry products. For plastic drop process, the mold residue will cause the worse quality of the product. As for this problem, it proposes a residual detection algorithm based on difference image. First, template matching algorithm based on gray image is used to locate the detection area. Then it calculates the difference of standard image and current image. Binary image is obtained by thresholding and making morphology processing on the difference image. Finally, it calculates the position and size of residuals by connected component analysis. As for mistake detection problem caused by illumination changing , a global illumination compensation algorithm is used to reduce its impact.The test result shows it has high efficiency and stability and is suitable for mold residue detection.

plastic drop; residue detection; difference of image

2016-06-08；

2016-07-08。

國家科技支撐計劃項目(2015BAF20B01)；廣東省科技計劃項目(2012A090100012, 2013B010134010, 2014B090921003，2014A050503009)；廣州市科技計劃項目(201508030007,201604010064)。

鄧高生(1991-)，男，廣東茂名信宜人，碩士研究生，主要從事機器視覺方向的研究。

1671-4598(2016)12-0014-03

10.16526/j.cnki.11-4762/tp.2016.12.005

TP29

A