玻璃纖維布的機(jī)器視覺缺陷檢測(cè)系統(tǒng)設(shè)計(jì)

李紀(jì)峰，趙鳳霞，金少搏

（鄭州大學(xué) 機(jī)械工程學(xué)院，河南 鄭州 450001）

1 引言

玻璃纖維布是一種常用的工業(yè)用織物，可以作為一種增強(qiáng)材料，在聯(lián)結(jié)結(jié)構(gòu)之間具有非常高的結(jié)構(gòu)強(qiáng)度和可靠性，廣泛用于航天航空、建筑、汽車等領(lǐng)域。玻璃纖維布的縫隙缺陷是影響其價(jià)格和品級(jí)評(píng)定的一個(gè)重要因素[1]。目前，國(guó)內(nèi)的許多玻璃纖維布生產(chǎn)企業(yè)仍采用人工方式來檢驗(yàn)玻璃纖維布的缺陷，這種方式主觀因素影響大，檢測(cè)效率低、精確度低、漏檢率高，亟需一種自動(dòng)化缺陷檢測(cè)方式以提高玻璃纖維布生產(chǎn)自動(dòng)化程度。

隨著機(jī)器視覺技術(shù)的不斷發(fā)展，其在工業(yè)生產(chǎn)過程中應(yīng)用越來越為廣泛。國(guó)外的織物在線檢測(cè)技術(shù)起步相對(duì)較早，市場(chǎng)上在布匹缺陷檢測(cè)方面的視覺檢測(cè)系統(tǒng)有比利時(shí)的Cyclops檢測(cè)系統(tǒng)，瑞士的Fabrsican系統(tǒng)等，雖然這些系統(tǒng)織物檢測(cè)速度高，但是從國(guó)外引進(jìn)這些系統(tǒng)價(jià)格昂貴，且這些系統(tǒng)都是針對(duì)白坯布的缺陷檢測(cè)。近年來國(guó)內(nèi)許多學(xué)者基于機(jī)器視覺技術(shù)對(duì)紡織品的質(zhì)量檢測(cè)進(jìn)行了研究，并取得諸多成果。出現(xiàn)了利用圖像處理檢測(cè)醫(yī)用紗布表面的缺陷[2]；基于局部統(tǒng)計(jì)與整體顯著性的織物疵點(diǎn)檢測(cè)算法[3]；基于機(jī)器視覺技術(shù)的針織品瑕疵檢測(cè)系統(tǒng)設(shè)計(jì)[4]；無紡布缺陷自動(dòng)檢測(cè)系統(tǒng)[5]；經(jīng)編機(jī)布匹瑕疵的在線視覺檢測(cè)[6]等等。國(guó)內(nèi)的研究主要是針對(duì)某一種算法的研究且僅適用于一種織物缺陷檢測(cè)，不能直接應(yīng)用于玻璃纖維布的缺陷檢測(cè)生產(chǎn)實(shí)際中，因此基于C#和Halcon配置環(huán)境設(shè)計(jì)了玻璃纖維布缺陷檢測(cè)系統(tǒng)。

2 玻璃纖維布缺陷檢測(cè)系統(tǒng)設(shè)計(jì)

2.1 玻璃纖維布缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)組成陷是斷經(jīng)或者間隙造成的縫隙缺陷，缺陷定義為寬度大于1mm，長(zhǎng)度大于150mm的縫隙。玻璃纖維布在線生產(chǎn)速度為2m/min，幅寬為2.5m左右。系統(tǒng)能夠?qū)崟r(shí)的檢測(cè)出缺陷信息，并進(jìn)行質(zhì)量統(tǒng)計(jì)。根據(jù)生產(chǎn)實(shí)際狀況，設(shè)計(jì)的玻璃纖維布缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)，如圖1所示。

圖1 玻璃纖維布缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖Fig.1 Schematic Diagram of the Glass Fiber Cloth Defect Detection System

由圖1可以看出該系統(tǒng)包含相機(jī)、鏡頭、光源組成的圖像采集模塊和控制臺(tái)軟件系統(tǒng)模塊，其中控制臺(tái)軟件系統(tǒng)模塊包括人機(jī)交互模塊、圖像處理模塊和數(shù)據(jù)統(tǒng)計(jì)模塊等。

2.2 圖像采集模塊

圖像采集模塊由相機(jī)，鏡頭和光源組成，相機(jī)采用的是由深圳邁德威視公司生產(chǎn)的兩個(gè)全局曝光的MV-GE130GM黑白工業(yè)相機(jī)，分辨率為1280x960 pixel，幀率為60FPS，滿足玻璃纖維布精度檢測(cè)要求，確保采集到圖像的精確度，獲得清晰且無拖影的圖像。鏡頭采用日本Computar公司的M0814-MP2機(jī)器視覺鏡頭，規(guī)格為2/3”，焦距為8mm，與相機(jī)相匹配。相機(jī)與PC端的數(shù)據(jù)傳輸接口采用千兆網(wǎng)GigE圖像接口技術(shù)，可以實(shí)現(xiàn)高速、遠(yuǎn)距離圖像傳輸，保證缺陷檢測(cè)系統(tǒng)的實(shí)時(shí)性要求。

選擇合適的光源可以得到良好的成像效果，使被測(cè)物的重要特征顯現(xiàn)，簡(jiǎn)化算法，提高檢測(cè)精度，保證系統(tǒng)的穩(wěn)定性。玻璃纖維布的缺陷區(qū)域有顯著的特征，存在缺陷的位置有機(jī)纖維線相對(duì)稀疏，并且玻璃纖維布產(chǎn)品的顏色特征為白色，明場(chǎng)光源不易于突出缺陷特征，因此采用暗場(chǎng)光源方式。這種方式能夠獲得較大灰度值差的玻璃纖維布圖像，有效的降低缺陷檢測(cè)算法的復(fù)雜度，提高系統(tǒng)的運(yùn)算速度。

2.3 人機(jī)交互模塊

人機(jī)交互模塊包括參數(shù)設(shè)置和圖像標(biāo)定等。其中參數(shù)設(shè)置包含相機(jī)參數(shù)設(shè)置、主機(jī)速度設(shè)置、報(bào)警閾值設(shè)置以及布匹緯紗走向等。主機(jī)速度、相機(jī)曝光時(shí)間等參數(shù)是用來確定相機(jī)捕獲圖像的頻率，防止出現(xiàn)漏檢現(xiàn)象。報(bào)警閾值根據(jù)生產(chǎn)的玻璃纖維布品級(jí)要求確定其閾值范圍；圖像標(biāo)定即根據(jù)相機(jī)內(nèi)參數(shù)與外參數(shù)矯正鏡頭畸變，確定像素尺寸與實(shí)際物理尺寸的換算關(guān)系。人機(jī)交互模塊的另一功能就是確定玻璃纖維布生產(chǎn)機(jī)器正常停機(jī)與非正常停機(jī)后玻璃纖維布檢測(cè)系統(tǒng)是否繼續(xù)上一次的檢測(cè)，例如出現(xiàn)缺陷而導(dǎo)致非正常停機(jī)時(shí)則需要繼續(xù)上次檢測(cè)，一卷布匹生產(chǎn)完成時(shí)則需要結(jié)束本次檢測(cè)開始新的檢測(cè)。設(shè)計(jì)的人機(jī)交互模塊界面，如圖2所示。

圖2 人機(jī)交互模塊軟件界面Fig.2 Software Interfaceof the Man-Machine Interaction Module

2.4 圖像處理模塊

圖像處理模塊是玻璃纖維布檢測(cè)系統(tǒng)的核心模塊，其功能是將圖像采集模塊捕獲的圖像進(jìn)行圖像拼接、缺陷檢測(cè)和缺陷參數(shù)計(jì)算等操作，這是核心內(nèi)容，將在第3節(jié)中詳述。

2.5 數(shù)據(jù)統(tǒng)計(jì)分析模塊

圖像處理后可以得到缺陷的數(shù)量、缺陷的位置和尺寸等信息，為了便于布匹品級(jí)的確定與管理，基于Sql Sever數(shù)據(jù)庫(kù)搭建數(shù)據(jù)管理平臺(tái)以存儲(chǔ)和統(tǒng)計(jì)缺陷相關(guān)信息。

3 圖像處理

圖像采集模塊獲得圖像后，采用Halcon圖像處理軟件進(jìn)行織物缺陷檢測(cè)，檢測(cè)流程，如圖3所示。

圖3 玻璃纖維布缺陷檢測(cè)系統(tǒng)流程Fig.3 Flow Chart of the Glass Fiber Cloth Defect Detection System

3.1 圖像拼接

由于整個(gè)系統(tǒng)采用兩個(gè)全局曝光的黑白工業(yè)相機(jī)同步工作，因此需要將兩個(gè)相機(jī)采集到的圖像經(jīng)過圖像拼接算法配準(zhǔn)，合成一幅寬視角的全景圖像。常用的圖像配準(zhǔn)方法有：基于圖像像素的配準(zhǔn)方法，基于圖像特征的方法，基于相位相關(guān)技術(shù)的圖像配準(zhǔn)方法等。基于像素的配準(zhǔn)方法利用圖像像素灰度進(jìn)行比較無需提取特征，基于圖像特征的配準(zhǔn)方法利用提取到圖像特征的匹配關(guān)系建立圖像之間的映射變換關(guān)系，匹配特征可以是邊緣、輪廓、顏色和紋理等特征。相位相關(guān)法基于二維傅立葉變換，具有簡(jiǎn)單準(zhǔn)確的優(yōu)點(diǎn)，計(jì)算兩幅圖像的相對(duì)平移量進(jìn)而對(duì)圖像拼接融合。圖4（a）是相機(jī)1采集到的圖像I1，如圖4所示。圖4（b）相機(jī)2采集到的圖像I2。從圖中可以看出圖像I1和I2沒有明顯的特征區(qū)域，圖像中存在噪聲，且檢測(cè)系統(tǒng)實(shí)行性要求較高，因此要求圖像配準(zhǔn)算法計(jì)算復(fù)雜度低，簡(jiǎn)易可行，所以選用基于相位相關(guān)技術(shù)的圖像配準(zhǔn)算法。其算法原理[7]如下：

設(shè)f2（x，y）為f1（x，y）在x，y方向上平移x0，y0后的圖像，則：

若f1和f2對(duì)應(yīng)的傅立葉變換分別為F1（u，v），F(xiàn)2（u，v），則：

其中x0和y0表示圖像I1和I2的相對(duì)平移量，圖4（c）圖像I3即圖像I1和圖像I2拼接融合后的圖像。

圖4 圖像拼接Fig.4 Image Stitching

3.2 圖像增強(qiáng)

由于生產(chǎn)環(huán)境、拼接接縫以及布匹張緊程度不一等因素的影響，拼接后的圖像會(huì)存在噪聲。另外玻璃纖維布具有明顯的紋理特征，這也會(huì)影響到玻璃纖維布缺陷特征的提取。因此要對(duì)圖像進(jìn)行增強(qiáng)處理以抑制紋理和噪聲的干擾，突出圖像的缺陷特征區(qū)域。圖像增強(qiáng)處理可以是將原來不清晰的圖像變得清晰，也可以將原來清晰的圖像變得模糊，以滿足某些特殊分析的需要，這里根據(jù)需要將得到的圖像進(jìn)行模糊處理。

常見的模糊處理方法有高斯濾波平滑、雙邊濾波平滑和均值濾波平滑等方法。均值濾波平滑作為一種典型的線性濾波算法，既能模糊圖像削弱纖維布的紋理特征影響，又能去除噪聲的影響，因此選擇均值濾波平滑算法模糊處理玻璃纖維布圖像。

3.3 閾值分割

常用的圖像分割方法主要有：基于邊緣的分割方法，基于特定理論的分割方法，基于區(qū)域的分割方法和基于閾值的分割方法等。其中，閾值分割法使圖像分割中最常用的一種方法，適合處理特征目標(biāo)與背景區(qū)域區(qū)別明顯的圖像。玻璃纖維布圖像特征缺陷區(qū)域與其他區(qū)域存在明顯的灰度值差異，圖像對(duì)比度高，因此選用基于閾值的圖像分割方法。閾值分割法的關(guān)鍵就是確定閾值，將處于閾值區(qū)間的像素點(diǎn)分割得到圖像區(qū)域，其分割算法定義如下：

由式（3）可知，閾值分割法就是將原始圖像f中處于閾值Tmin和Tmax范圍內(nèi)的所有點(diǎn)分割到輸出圖像g中。閾值確定方法有利用灰度直方圖的峰谷法，最大類間方差法，最大熵自動(dòng)閾值法等等。其中基于最大類間方差法的Ostu算法是一種灰度圖像動(dòng)態(tài)二值化方法，設(shè)定一個(gè)閾值將灰度圖像分為目標(biāo)部分與背景部分兩個(gè)部分，適合處理目標(biāo)區(qū)域與背景區(qū)域?qū)Ρ让黠@的圖像，相比其他方法能夠更好的滿足了玻璃纖維布在線檢測(cè)要求，因此采用Ostu算法確定閾值T的范圍。

3.4 形態(tài)學(xué)處理

閾值分割后的圖像往往會(huì)存在雜點(diǎn)、突起以及狹窄的縫隙等，這些因素都會(huì)影響缺陷提取，因此要對(duì)圖像進(jìn)行形態(tài)學(xué)處理以排除干擾因素。腐蝕和膨脹是圖像形態(tài)學(xué)處理中常用的兩種操作。圖像處理時(shí)常用腐蝕來消除物體的邊界點(diǎn)，去除一些小的結(jié)構(gòu)元素以削弱噪聲影響。膨脹的作用是擴(kuò)展物體的邊界點(diǎn)，可以使一些相鄰距離較短的區(qū)域進(jìn)行連接，然而對(duì)于細(xì)小的雜點(diǎn)膨脹處理會(huì)使其變得較為明顯。因此對(duì)分割后的圖像開運(yùn)算（先腐蝕后進(jìn)行膨脹的處理）來去除缺陷區(qū)域突出部分的干擾，然后再進(jìn)行閉運(yùn)算（先膨脹后進(jìn)行腐蝕的處理）以填補(bǔ)缺陷區(qū)域中的小洞和狹窄的縫隙區(qū)域。

3.5 特征提取和特征參數(shù)計(jì)算

形態(tài)學(xué)處理后的圖像包含缺陷區(qū)域和其他非缺陷干擾區(qū)域，這就需要將缺陷區(qū)域與非缺陷區(qū)域分離開來，去除非缺陷區(qū)域的干擾。玻璃纖維布具有明顯的紋理方向特征，一般情況下其方向?yàn)椤?5°，其出現(xiàn)的缺陷也具有明顯的方向特征。與其他非缺陷區(qū)域相比缺陷區(qū)域的面積相對(duì)較大，因此可以根據(jù)面積特征、方向特征和寬度等特征將缺陷區(qū)域提取出來。提取到缺陷特征區(qū)域后，所得到的區(qū)域并不是一個(gè)規(guī)則的幾何圖形，對(duì)提取到的特征區(qū)域擬合求其最小外接矩形P，根據(jù)最小外接矩形P的尺寸參數(shù)判斷玻璃纖維布是否存在瑕疵。因此將缺陷區(qū)域判別式P定義為：

式中：Pw—最小外接矩形P的寬度值（像素?cái)?shù)量值）；PL—最小外接矩形P的長(zhǎng)度值（像素?cái)?shù)量值）；S—一個(gè)像素所代表的實(shí)際物理尺寸值。若滿足以上條件，則該產(chǎn)品存在缺陷為不合格產(chǎn)品，反之則為合格產(chǎn)品。

圖5（a）為原始圖像；圖5（b）為利用均值濾波器平滑處理，Ostu算法閾值分割后得到的圖像；圖5（c）為對(duì)圖像形態(tài)學(xué)處理開運(yùn)算和閉運(yùn)算操作后的圖像；圖5（d）為利用區(qū)域面積特征和方向特征等特征提取后，擬合缺陷區(qū)域最小外接矩形后的圖像。

圖5 圖像缺陷檢測(cè)Fig.5 Image Defect Detection

4 實(shí)驗(yàn)與分析

搭建的玻璃纖維布缺陷檢測(cè)試驗(yàn)臺(tái)，如圖6所示。圖像采集模塊所采用的相機(jī)為MV-GE130GM黑白工業(yè)相機(jī)；鏡頭為M0814-MP2機(jī)器視覺鏡頭，其焦距為8mm；控制臺(tái)計(jì)算機(jī)配置為Intel Core i5 4590，內(nèi)存4G。軟件環(huán)境為基于VS2010的C#語(yǔ)言、Halcon11.0和Sql Sever 2005。

圖6 玻璃纖維布生產(chǎn)試驗(yàn)臺(tái)Fig.6 Test-Benchof the Glass Fiber Cloth

表1 玻璃纖維布樣品檢測(cè)數(shù)據(jù)表Tab.1 Test Data Reporof the Glass Fiber Cloth

對(duì)不同紋理的玻璃纖維布進(jìn)行了缺陷檢測(cè)實(shí)驗(yàn)，得到了檢測(cè)樣品的圖像處理結(jié)果和缺陷長(zhǎng)度、缺陷寬度、缺陷個(gè)數(shù)等數(shù)據(jù)。對(duì)3種不同樣品的檢測(cè)結(jié)果統(tǒng)計(jì)表，如表1所示。其中，1號(hào)和3號(hào)樣品的檢測(cè)結(jié)果均為不合格產(chǎn)品，2號(hào)為合格產(chǎn)品。

5 結(jié)論

缺陷檢測(cè)是玻璃纖維布生產(chǎn)過程中質(zhì)量控制的一個(gè)重要環(huán)節(jié)。根據(jù)玻璃纖維布企業(yè)的生產(chǎn)實(shí)際，基于機(jī)器視覺技術(shù)設(shè)計(jì)了玻璃纖維布缺陷檢測(cè)系統(tǒng)，所設(shè)計(jì)的系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，所采用的圖像采集模塊成本較低，且能滿足實(shí)際檢測(cè)需求，得到了企業(yè)的認(rèn)可。所編制的圖像處理軟件系統(tǒng)，算法簡(jiǎn)單且檢測(cè)結(jié)果穩(wěn)健可靠、實(shí)時(shí)性好。所設(shè)計(jì)的檢測(cè)系統(tǒng)在實(shí)驗(yàn)室環(huán)境下進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，該系統(tǒng)具有較強(qiáng)的適應(yīng)性和通用性。因此，研究對(duì)改善玻璃纖維布的在線質(zhì)量生產(chǎn)現(xiàn)狀提供了可靠的技術(shù)保證，也為其它同類的研究提供了參考。

［1］K.L.Mak，P.Peng.AReal-time Computer Vision System for Detecting Defects inTextileFabrics［C］.IEEE International Conference on Industry Technology，2005，469-474.

［2］黃娟，楊建璽.圖像處理在醫(yī)用紗布表面缺陷檢測(cè)中的應(yīng)用［J］.機(jī)械設(shè)計(jì)與制造，2013（10）：87-89.（Huang Juan，Yang Jian-xi.Application of image processing in medical gauze defect inspection［J］.Machinery Design&Manufacture，2013（10）：87-89.）

［3］劉洲峰，趙全軍，李春雷.基于局部統(tǒng)計(jì)與整體顯著性的織物疵點(diǎn)檢測(cè)算法［J］.紡織學(xué)報(bào)，2014（11）：62-67.（Liu Zhou-feng，Zhao Quan-jun，Li Chun-lei.Fabric defect detection algorithm using local statistic features and global saliency analysis［J］.Journal of Textile Research，2014（11）：62-67.）

［4］郝偉，張芳芳.基于計(jì)算機(jī)視覺技術(shù)的針織品瑕疵檢測(cè)系統(tǒng)設(shè)計(jì)［J］.計(jì)算機(jī)測(cè)量與控制，2013（9）：2397-2399.（Hao Wei，Zhang Fang-fang.Knitwear flaw detection method research based on computer vision technology［J］.Computer Measurement&Control，2013（9）：2397-2399.）

［5］邵鑫玉，華繼釗.基于機(jī)器視覺的無紡布缺陷自動(dòng)檢測(cè)系統(tǒng)［J］.計(jì)算機(jī)科學(xué)，2014（S1）：487-489.（Shao Xin-yu，Hua Ji-zhao.Automatic detection system of fabric defects based on machine vision［J］.Computer Science，2014（S1）：487-489.）

［6］王明景，吉峰，白瑞林.經(jīng)編機(jī)布匹瑕疵的在線視覺檢測(cè)［J］.計(jì)算機(jī)工程與應(yīng)用，2015（9）：185-190.（Wang Ming-jing，Ji Feng，Bai Rui-lin.Machine vision detection method of fabric defects of warp knitting machine［J］.Engineering and Application，2015（9）：185-190.）

［7］馮宇平，戴明，孫立悅.圖像自動(dòng)拼接融合的優(yōu)化設(shè)計(jì)［J］.光學(xué)精密工程，2010（2）：470-476.（Feng Yu-ping，Dai Ming，Sun Li-yue.Optimized design of automatic image mosaic［J］.Optics and Precision Engineering，2010（2）：470-476.）