基于圖像背景差影的沖壓板料表面缺陷檢測*

商業(yè)彤，劉乘昊，王 晶，孔祥志，何雨陽，魏鴻磊

(大連工業(yè)大學(xué)機械工程與自動化學(xué)院，大連 116034)

0 引言

沖壓成型工藝廣泛應(yīng)用于各行各業(yè)，如汽車制造[1]、生活用品制造以及各種設(shè)備的殼體制造等，其過程包含切割下料、拉延成型、切邊、卷邊、拋光等多道工藝。毛坯板料經(jīng)常存在各種缺陷，如劃痕、瘢痕、裂紋等。較嚴(yán)重缺陷如裂紋、深度劃痕等情況無法通過后期拋光工藝修正，任由其進入生產(chǎn)工序會造成廢品率上升，浪費人力物力，因此對毛坯板料的缺陷檢測非常重要。人工檢測效率低，且易漏檢[2]，企業(yè)迫切需要自動化的檢測設(shè)備。

近年來，基于機器視覺的表面缺陷檢測技術(shù)迅速發(fā)展，具有檢測效率高、成本低等優(yōu)點，大大降低人工勞動量，提高生產(chǎn)效率，廣泛應(yīng)用于工業(yè)檢測領(lǐng)域[3]。表面缺陷檢測方法主要分為傳統(tǒng)圖像處理方式、機器學(xué)習(xí)和深度學(xué)習(xí)，傳統(tǒng)圖像處理方式主要方法有邊緣檢測法和閾值分割法[4]。黃夢濤等[5]通過對Canny算子進行濾波增強和閾值自適應(yīng)獲取對鋰離子電池極片表面進行缺陷檢測。田洪志等[6]對采集的沖壓件圖像進行兩次不同閾值的動態(tài)閾值分割結(jié)合區(qū)域生長法得到優(yōu)化二值圖進行區(qū)域篩選進而提取缺陷。為提高缺陷檢測的魯棒性，還有很多方法加入了各種圖像處理環(huán)節(jié)以突出特征，如形態(tài)學(xué)處理[7]、特征空間換向[8]、投影直方圖修正[9]等。近年來，隨著深度學(xué)習(xí)方法的迅速發(fā)展，基于深度學(xué)習(xí)的方法如基于YOLOv4[10]、Refine-ACTDD[11]、DCGAN[12]、小樣本圖像非對稱[13]等方法在缺陷檢測領(lǐng)域也得到了廣泛的研究和應(yīng)用。

沖壓件生產(chǎn)車間大都環(huán)境較惡劣，而上述方法或者需要較好的光照條件，或者計算量較大導(dǎo)致實時性不好難以進行實際應(yīng)用，因此提出了一種對光照變化不敏感且效率較高的缺陷檢測方法，首先用模板匹配方法定位板料，然后分割出模板圖像，并由背景差影法定位缺陷。

1 毛坯板料表面缺陷實驗平臺

搭建如圖1所示實驗平臺，包括130萬像素的海康威視MV-CE013-50GM黑白工業(yè)相機、16 mm焦距的定焦鏡頭，以及高亮度LED環(huán)形光源進行照明。相機垂直安裝于傳送帶上方，為了保證傳送帶的傳送區(qū)域都能收入相機視野，安裝高度根據(jù)傳送帶寬度進行調(diào)整，保證實驗平臺具有良好的成像質(zhì)量。

圖1 缺陷檢測實驗平臺

工作時，待檢測毛坯板料通過傳送帶傳輸?shù)綑z測平臺設(shè)定區(qū)域觸發(fā)傳感器，工業(yè)相機采集標(biāo)準(zhǔn)工件圖像并傳送至計算機進行圖像檢測，若表面質(zhì)量不合格，則計算機將工件坐標(biāo)結(jié)果發(fā)送給機械手實現(xiàn)從傳送帶上剔除，整體流程如圖2所示。

圖2 算法檢測流程

2 模板匹配定位

模板匹配的目的是從生產(chǎn)線上提取工件圖像進行檢測，并定位以供檢測不合格時由機械手移除。

2.1 模板設(shè)置

在模板匹配開始前首先需要人工交互設(shè)置模板。通過人機交互界面在采集的圖像中畫出ROI(模板圖像區(qū)域)，并由圖像分割程序去除ROI內(nèi)背景圖像，然后存儲為模板。

(a) 人工交互選擇ROI (b) 獲取模板圖像

2.2 基于灰度信息的模板匹配

歸一化互相關(guān)匹配(normalized cross correlation，NCC)是一種典型的基于灰度相關(guān)的匹配方法，具有受光照變化影響小和不受比例因子誤差影響等優(yōu)點。其匹配步驟如下：

步驟1：如圖4所示，假設(shè)搜索圖S的大小為N×N，模型圖像T的大小為M×M，且N>M，將模板T疊放在搜索圖S上，模板覆蓋下的搜索圖成為子圖Si,j，i、j為這塊子圖的左上角像素點在S圖中的坐標(biāo)，稱為參考點。

圖4 NCC算法匹配示意圖

步驟2：對搜索圖進行自左向右、自上向下滑動進行遍歷搜索，分別計算每個子圖Si,j和模板圖像T的相似性度量R(i,j)。

(1)

步驟3：NCC系數(shù)取值越大表示兩者相關(guān)性越大，R(i,j)的取值范圍為0～1，獲得R(i,j)的最大值，并記錄下(i,j)位置，即得到相似度最大的位置信息，提取出匹配區(qū)域。

2.3 基于高斯金字塔的模板匹配加速

采用歸一化互相關(guān)函數(shù)算法(NCC)匹配準(zhǔn)確性高，但計算量大，故利用圖像高斯金字塔分層匹配的思想，提高匹配速率。

高斯金字塔是通過高斯平滑和亞像素采樣獲得采樣圖像，即通過對第i層高斯金字塔進行平滑和亞采樣就可以獲得i+1層高斯圖像。構(gòu)建高斯金字塔具體執(zhí)行步驟如下：

步驟1：圖像金字塔最底層為待檢測的毛坯板料表面圖像原圖，用G0表示。

步驟2：對G0進行高斯核卷積，使用5×5高斯核如下：

(2)

步驟3：將高斯低通濾波后圖像的所有偶數(shù)行和偶數(shù)列刪除得到第二層圖像G1，層級Gi+1層高斯金字塔圖像位于點(x,y)的計算公式如式(3)所示：

(3)

步驟4：重復(fù)步驟3，通過對輸入圖像Gi不斷迭代得到整個圖像金字塔如圖5所示，迭代圖像Gi+1的大小是Gi的1/4，分辨率是Gi的1/2，對其分析時計算量顯著降低。

步驟5：金字塔取5層，在最頂層G5圖像上使用NCC算法找到相似度最大位置，然后反變換傳入最底層原圖上，找到最佳匹配位置，得到毛坯板料的定位圖如圖6所示。

圖5 高斯金字塔示意圖 圖6 工件快速定位

3 缺陷提取方法

由于板料大都是鏡面反光，受光照不均勻和環(huán)境光影響，毛坯表面缺陷難以穩(wěn)定地通過邊緣檢測、灰度值及梯度值檢測。在頻譜圖中圖像灰度梯度的大小表現(xiàn)為高頻分量和低頻分量。為了突出缺陷，結(jié)合頻域去噪與背景差影法檢測毛坯板料表面缺陷。

3.1 基于傅里葉變換的背景圖像生成

快速傅里葉變換的作用是將具有缺陷的毛坯板料圖像轉(zhuǎn)換為頻譜圖。令I(lǐng)(x,y)代表待檢測圖像尺寸大小為M×N的子圖像，則I(x,y)離散傅里葉變換得到F(u,v)，表達(dá)式為：

(4)

如圖7b所示，經(jīng)快速傅里葉變換，在頻譜圖中缺陷主要存在于高頻部位表現(xiàn)為一條亮線，使用高斯低通濾波器去除高頻分量，將其進行快速傅里葉逆變換還原到空間域獲得無缺陷背景圖像如圖7d所示，公式為：

(5)

(a) 有缺陷毛坯板料圖 (b)缺陷毛坯板料頻譜圖

(c) 高斯濾波后頻譜圖 (d) 背景圖像

3.2 基于背景差影法的缺陷提取

為檢測圖7a中的缺陷，通過原始圖7a減背景圖7d得到差分圖8a，在差分圖像中缺陷區(qū)域與正常背景區(qū)域之間的差異程度被明顯地放大。其具體步驟為：

步驟1：分別計算原始圖像I(x,y)和背景圖像D(x,y)坐標(biāo)相同像素點的灰度值D1和D2。

步驟2：將D1與D2做差后求絕對值，得到匹配差值D0。

步驟3：計算差分圖像的閾值T，其表達(dá)式為：

T=(D1-D2)·C+A

(6)

式中，C為校正因子，是一個預(yù)設(shè)定的控制常數(shù)，取值范圍為-255～255；A為差分圖像像素的灰度平均值，取值范圍為-512～512。不同的控制參數(shù)導(dǎo)致不同的效果，在此算法中，取M=2，A=100。

步驟4：滿足條件D0>T的像素(x,y)即為缺陷區(qū)域并用紅線標(biāo)明，示例檢測結(jié)果如圖8b所示。

(a) 差分圖像 (b) 最終檢測圖像

4 實驗分析

為驗證方法對光照的敏感性，在圖1所示的檢測平臺下，采用VS2019開發(fā)環(huán)境編寫沖壓毛坯板料表面缺陷檢測軟件，對毛坯板料表面缺陷檢測方法進行實驗分析，檢測軟件界面如圖9所示。

圖9 沖壓毛坯板料表面缺陷檢測軟件界面

實驗選取了120個沖壓毛坯板料進行表面缺陷檢測實驗，其中無缺陷毛坯板料20個，有1處缺陷毛坯板料50個，多處缺陷毛坯板料50個，為了驗證環(huán)境光對檢測結(jié)果影響，實驗選取了11個不同光照強度的時間段對毛坯板料進行表面缺陷檢測，實驗的結(jié)果如表1所示。

表1 缺陷樣本檢測實驗結(jié)果

由表1可以看出，在實際檢測中，上午9點時實驗受環(huán)境光影響小，大約在13點時環(huán)境光增強達(dá)到最大值，導(dǎo)致圖像灰度值及梯度值產(chǎn)生輕微的變化，但實驗結(jié)果準(zhǔn)確率仍達(dá)到96.7%以上，驗證了本文方法對光照變化具有不敏感性，每幅圖像檢測時間低于0.054 s，達(dá)到工業(yè)生產(chǎn)線檢測速度的要求。

為了進一步驗證本文方法的效果，在同樣的實驗環(huán)境下，與基于邊緣檢測的缺陷檢測方法[5]和基于閾值分割的缺陷檢測方法[6]進行對比。各方法缺陷檢測結(jié)果示例如圖10所示，實驗檢測結(jié)果如表2所示。

(a) 有缺陷毛坯板料圖 (b) 文獻[5]檢測結(jié)果

(c) 文獻[6]檢測結(jié)果 (d) 本文檢測結(jié)果

表2 不同方法檢測對比

由圖10b可以看出，文獻[5]方法對噪聲敏感，且Canny算子的檢測閾值難以確定，當(dāng)選取不合適時容易導(dǎo)致檢測錯誤；由圖10c可以看出文獻[6]采用閾值法對光照不均勻效果不佳，導(dǎo)致板料較亮區(qū)域容易產(chǎn)生誤檢。由圖10d可見本文方法缺陷檢測準(zhǔn)確，對光照不均勻及噪聲程度不敏感。由表2數(shù)據(jù)可以看出，本文方法在誤檢率、漏檢率和檢測效率上有一定的優(yōu)勢。

5 結(jié)論

通過分析沖壓毛坯板料表面特征，提出一種基于背景差影法的沖壓毛坯板料表面缺陷檢測方法，與許多表面缺陷檢測方法不同，該方法首先結(jié)合高斯金字塔算法和基于灰度信息的歸一化互相關(guān)模板匹配算法定位待檢測毛坯位置，提高匹配速率，然后利用傅里葉變換在頻域?qū)D像進行處理，并結(jié)合背景差影法突出缺陷進而完成沖壓毛坯板料表面缺陷檢測。實驗結(jié)果顯示每幅圖像檢測耗時低于0.054 s，檢測準(zhǔn)確率高達(dá)96.7%以上，滿足企業(yè)生產(chǎn)要求，對工業(yè)生產(chǎn)具有實際應(yīng)用意義。