基于機器視覺的航天裝備元器件瑕疵檢測系統(tǒng)研究

張魏魏

（上海航天控制技術研究所 上海市 201109）

1 航天裝備元器件瑕疵檢測相關方法

元器件是航天裝備科研生產中重要的組成部分，其質量的好壞關系著航天裝備的生產成功與否，所以有必要檢測元器件中是否有瑕疵存在。航天裝備的元器件瑕疵通常是外觀表現出的瑕疵，如圖1所示，含瑕疵的產品與合格產品的外觀情況有差異，而外在瑕疵能夠被肉眼可見，因此國內部分航天制造企業(yè)采用較為傳統(tǒng)的人眼檢測的方法檢測生產航天裝備的元器件，這種檢測方法根據質量檢測工人的積累出來的經驗來判斷元器件表面是否有質量問題，并將該質量問題手動記錄下來。質檢工人需要經過實踐培訓和理論知識的學習培訓，經過一定時間的培訓且合格后才可上崗完成對元器件的外觀質量檢測，但是這種人工檢測的方法具有一定的局限性。一方面，產品質檢結果的好壞較大程度取決于質檢工人的經驗積累和理論學習的程度，在檢測任務量較大時，則需要工人熟練的操作，同時需要在不產生疲勞問題的情況下進行操作，這些限制都將影響檢測結果的正確性，不利于制造廠商對元器件的質量管控。

圖1：元器件外觀劃痕

現在市面上已針對不同的應用場景開發(fā)出產品瑕疵檢測裝置，例如超聲檢測裝置，這種檢測方法對檢測對象本身不會造成損傷，屬于無損檢測法。該種方法的檢測原理是將壓電轉換器射出的超聲波，借助輔助顯示劑的作用射入被測對象中，檢測工作人員通過觀察被測件反射或投射的波形來判斷瑕疵的位置和類型。當超聲波遇到正常工件和存在瑕疵的工件時，會反射回來不同的波的信息，檢測人員可以根據波的情況判斷工件瑕疵信息。但是這種無損檢測裝置適用范圍小，且費用較高，對國內的部分成本管控較為嚴格的企業(yè)來說，并不是一種較好選擇。

由于以上檢測方法的種種局限性，基于機器視覺技術在工業(yè)檢測中取得了快速發(fā)展，這種方法以機器代替人眼，同時也能滿足不同場景的檢測需求。機器視覺技術的是利用機器模擬人類視覺系統(tǒng)以識別對象的方法，該技術需要借助多個領域的相關方法，其中有計算機軟件信息處理、圖像信息處理以及模式識別等這幾個方面。通常在實際應用中利用機器視覺系統(tǒng)解決對象識別的問題，主要有兩部分內容：硬件設備和軟件部分。硬件設備包含照明設備、圖像采集設備、工業(yè)計算機控制部分、運動控制設備等部分，軟件部分需要借助圖像處理方法和圖像識別部分。機器視覺技術利用圖像采集系統(tǒng)對待檢測圖像進行圖像采集，并將圖像傳輸到軟件，之后運用圖像處理軟件高效地獲取到客觀事物真實有效的信息，最后在計算機軟件交互界面顯示結果。本文基于機器視覺技術設計了一種航天裝備元器件瑕疵檢測系統(tǒng)。

2 檢測系統(tǒng)硬件設計

基于機器視覺技術的航天裝備元器件瑕疵檢測以采集到的元器件外觀圖像為檢測對象，系統(tǒng)中硬件設備采集到的圖像的清晰程度將直接影響瑕疵檢測結果。在檢測過程中需要建立一個良好的照明環(huán)境，排除外界對照明的影響，進而提高所采集到圖像的質量。從硬件設備中采集到的航天裝備元器件高清晰度的原始圖像能簡化圖像處理進而提高元器件瑕疵檢測的效率和準確性，為此需要搭建一個良好的硬件平臺。航天裝備元器件的瑕疵檢測系統(tǒng)硬件設備方案包含照明環(huán)境環(huán)境、圖像采集部分、工控設備、運動控制設備和計算機等。

為采集到高質量的圖像，需要借助良好的光源設備，在多種光源中，球形光源性能較好，如圖2所示，其所產生的光纖較為擴散，可有效降低對焦照射的陰影影響，其相對點狀、條形和背光源等類型的光源設備會產生較為均勻的光線。若不同種類的元器件形狀不一，但光源在元器件各部分的反射也是均勻的。

圖2：球形光源設備

圖像采集部分的核心部件是圖像傳感器和圖像采集控制板。圖像傳感器工業(yè)應用中常見打為CMOS 傳感器和CCD傳感器，而CCD傳感器簡單高效且成本較低，適合工業(yè)檢測；圖像采集卡可高效地處理大批量地圖像數據，如圖3所示，為用戶使用時提供方便。

圖3：圖像采集卡

運動控制設備中地機械和電氣部分同時工作，將待檢測地元器件放置于圖像采集模塊中。計算機時硬件設備地核心部分，圖像處理和控制相關命令都在計算機中進行，因此需要高性能地計算機才可適應生產需要。本文搭建的硬件設備組成如圖4所示。

圖4：硬件設備組成

3 檢測系統(tǒng)軟件

3.1 航天裝備元器件檢測圖像預處理

當硬件設備采集到所需元器件圖像后，由于圖像為彩色圖像，單張圖像的數據量較大，采集的圖像數量較多時，將會大大增加計算機的計算時間，提高時間成本，所以需要對圖像進行預處理，將其轉化為數據量小的灰度化圖像。受光照環(huán)境的影響，難免會因為非均勻的光源，在圖像種產生明暗分布不均的情況，進而造成元器件瑕疵點受光照干擾的問題，所以需運用圖像增強方法將瑕疵點區(qū)域凸現出來，以便后續(xù)元器件圖像的檢測。

文中采用Gamma增強方法對元器件圖像進行增強處理。其原理是將Gmma 曲線應用到待檢測圖像中的像素，低灰度的像素值和高灰度的像素值間進行比例調整，以將整體圖像中的像素顯示效果提高。Gamma 校正的變換函數可用下式表示：

伽馬校正屬于全局性增強方法，針對不一樣的灰度級圖像會使得利用伽馬函數既會增強較暗區(qū)域的灰度值，提高亮區(qū)的灰度值，也會減弱較亮區(qū)灰度值，降低暗區(qū)的灰度值。本文采用改進的伽馬校正算法，采用累計PDF 函數以在考慮圖像全局信息的同時，針對不同灰度值的像素使用對應的變化曲線。首先在灰度值的PDF 中引用加權函數對其進行修正。修正后的函數能夠抑制PDF 高的值過度增強，并且可以使PDF 低的值平滑增強。

3.2 航天裝備元器件檢測圖像濾波

航天裝備元器件外觀圖像在形成和數據傳輸的過程中會有噪聲的產生，圖像中的噪聲通常呈現為隨機、離散和多樣性的特征，將在一定程度上降低元器件外觀圖像的清晰度，該問題會對圖像后續(xù)地瑕疵分割造成干擾。常見的有乘性噪聲、加性噪聲和均勻分布噪聲。

乘性噪聲是由于存在缺陷的信道產生，該噪聲與信號的關系呈現相乘關系，因此檔信號存在時才會產生乘性噪聲，可由下式表示：

其中其中，x(i,j)是理想的圖像，n(i,j)是噪聲圖像，g(i,j)是含噪聲的實際輸出圖像。

加性噪聲是與信號相加關系的一種噪聲，即使信號不存在，也會產生噪聲，通常該種噪聲被視為背景噪聲，可由下式表示：

均勻分布噪聲產生較為簡單，其概率密度函數可由下式表示：

其中，z 表示像素的灰度值，m 和n 表示給定的像素最小灰度值與像素最大灰度值，均勻分布噪聲分布函數中的均值和方差分別表示如下：

若對圖像的中的噪聲降低效果不佳的話，元器件瑕疵檢測系統(tǒng)可能會將噪聲點誤判斷為目標點，影響瑕疵的檢出率，因此需采用具有良好濾波效果的方法濾除噪聲。圖像濾波通常分為兩種，一種是對圖像的頻率特征進行分解、處理和分析的頻率域濾波，該方法需進行大量計算，增加了運行時間成本；另一種是直接在圖像像素上進行操作的空間域濾波，算法簡單高效。在實際工程應用中，通常需要簡單高效的濾波方法。文中采用一種空域濾波方法：雙邊濾波法。該方法與常用的高斯濾波方法較為相似，使用加權平均的計算方法，使得該濾波方法兼顧了空間臨近像素和像素相似程度，并且對待濾波圖像能夠最大程度保護邊緣像素不被模糊掉。雙邊濾波方法可用下式表示：

3.3 航天裝備元器件檢測圖像分割

當對待檢測圖像噪聲處理后，圖像由于去除了干擾像素，其清晰度得到改善，但仍未檢測出航天裝備元器件外觀上的瑕疵，需要進一步通過圖像分割，將瑕疵點突出。由于光源技術的限制，文中采用的光源設備并不能產生完美的光照，在圖像上一處仍會產生高光區(qū)域，而在圖像中心未知的像素值較大，整體上呈現較亮的效果。在有瑕疵點存在的圖像中，將瑕疵部分稱作待檢測目標，而將其他部分的像素區(qū)視為背景。對待檢測圖像采取閾值分割的處理方法，將會得到只含背景和待檢目標兩個區(qū)域的圖像，即二值化圖像，待檢瑕疵區(qū)從背景中凸顯出來。

在眾多圖像目標分割方法中，全局分割方法受光線影響較大，若硬件設備不能提供完美的均勻性光線，其圖像中目標分割的效果不理想。Niblack 方法分割不均勻光照的圖像時，自適應性較差，與全局閾值分割方法一樣會造成嚴重的錯誤分割，并且其分割結果中含有較多的噪聲。因此本文采用一種自適應閾值分割法。

該閾值分割方法是一種基于局部閾值分割算法，其分割目標的原理是以待檢測圖像的某個像素為中心，將中心像素與其周圍鄰域的像素組成一個部分，計算該部分內像素值的最大最小灰度級別，然后計算它們之間的平均值，并將該數值作為閾值，如圖5所示。當選擇的窗口越大，所需處理的數據量就越大，從而提高了該局部閾值分割法的分割時間。因此，將當前像素周圍的8 個像素作為鄰域窗口。設C 為圖像當前的各像素點，N為當前像素點C 的8 鄰域像素，l和l分別表示鄰域內像素點中的最小灰度級數和最大灰度級數，可得到閾值：

圖5：自適應閾值分割劃分原理

本文采用的自適應閾值分割算法將待檢測圖像分成數個子圖像，并將其表示為(F,F,…,F)。每個子圖像按其分布特征進一步劃分成數個鄰域，表示為(M,M,…,M)，可以得到具有一定特性且所劃分鄰域接近無窮小，最后對分割圖像會產生多個閾值，表示為(t,t,…,t)，如圖5所示。在劃分區(qū)域數量較多時，則每個閾值可以近似為當前像素點得灰度值。

當對待檢測圖像進行分割過程之后，在分割圖像仍會有一些細小顆粒，圖像分割方法的這些自身局限性都將導致不理想的顯示結果，最終影響瑕疵區(qū)域的有效提取，因此有必要采用數學形態(tài)學操作在圖像分割后圖像進行處理。

4 元器件瑕疵檢測實驗

在搭建好硬件設備環(huán)境后，運用計算機圖像處理軟件進行元器件瑕疵檢測實驗。航天裝備元器件瑕疵檢測流程如圖6所示。

圖6：航天裝備元器件瑕疵檢測流程

文中元器件瑕疵檢測實驗采集了300 張用于生產某單機產品的元器件外觀圖像，對其外觀圖像進行檢測。經質檢人員對該300 個元器件檢驗，外觀合格的元器件為281 個，外觀圖像中檢出瑕疵的不合格元器件為19 個。針對281 個檢測為合格的元器件圖像中，誤檢出2 個含瑕疵元器件；對于19 個檢測為不合格元器件的圖像中，18 個檢測樣本實驗正確，而僅有1 個樣本未能將含瑕疵的不合格元器件檢測出來。

為客觀評價文中的航天裝備元器件瑕疵檢測方法，采用以下幾個參數對實驗中的方法進行評價：

根據實驗中檢測的結果并結合以上4 個參數，可得出文中檢測方法的瑕疵正確檢出率為94.7%，誤檢率為0.7%，漏檢率為5.2%，單個元器件檢測用時為0.8 秒，實現了高效且快速的檢測。

5 結論

文章以機器視覺技術為基礎，選擇較為均勻的光源設備、高效采集和處理圖像數據的設備以及性能良好的運動控制涉筆和計算機，以此搭建高質量的硬件設備環(huán)境，采集航天裝備元器件圖像進行檢測。首先運用Gamma 圖像增強方法、雙邊濾波法和自適應閾值分割對圖像進行處理，然后檢測元器件外觀瑕疵，最后設置3 個評價參數對文中的瑕疵檢測方法進行評價。相對人工檢測的方法，本文基于機器視覺的瑕疵檢測方法具有準確性高、檢測快速、降低人力成本的優(yōu)點，符合當下高質量、高效率、高效益發(fā)展的航天裝備生產制造模式。