基于機(jī)器視覺的硅錠端面隱裂檢測方法

朱 毅，嵇小輔

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122)

0 引言

隨著太陽能光伏行業(yè)與半導(dǎo)體行業(yè)的快速發(fā)展[1]，作為其主要原料，硅錠的市場需求也日益增長。目前，國內(nèi)硅錠生產(chǎn)廠商主要采用自動(dòng)流水線來加工硅錠，圓柱形毛棒經(jīng)截?cái)鄼C(jī)橫向截?cái)嗪螅?jīng)開方機(jī)切割成大小相等的方形硅塊，再經(jīng)拋光機(jī)進(jìn)行研磨拋光后得到成品硅錠。由于硅棒的物理特征與加工機(jī)床的限制，硅錠在加工過程中出現(xiàn)端面隱裂的情況時(shí)有發(fā)生，嚴(yán)重影響了生產(chǎn)線的安全性能和生產(chǎn)效率。目前，生產(chǎn)企業(yè)大多采用人工方法將端面隱裂硅錠從生產(chǎn)線直接移除，這種方法增加了生產(chǎn)成本，提高了人工依賴度，同時(shí)降低了安全性能，嚴(yán)重影響了自動(dòng)生產(chǎn)線的生產(chǎn)效率。

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，機(jī)器視覺技術(shù)在工業(yè)上的應(yīng)用也越來越廣泛[2-3]，常用的檢測算法有直方圖統(tǒng)計(jì)[4]、灰度共生矩陣[5]、邊緣檢測[6-7]等。在檢測方法方面，Peng使用區(qū)域生長法對缺陷進(jìn)行分割[8]，耿玉標(biāo)、Song利用多特征與監(jiān)督學(xué)習(xí)來對缺陷進(jìn)行檢測[9-10]。在工程實(shí)踐方面，王宇利用變異系數(shù)法來檢測太陽能電池硅片裂紋，但該方法對多雜質(zhì)的多晶硅檢測效果較差[11]，Zhan使用循環(huán)神經(jīng)網(wǎng)絡(luò)檢測瀝青路面表面裂紋，該方法需要大量樣本進(jìn)行標(biāo)注，對于樣本較少的工業(yè)場合不合適[12]。Jiang使用Soble算子與patch統(tǒng)計(jì)結(jié)合的方法來檢測紡織物的瑕疵[13]，但是該算法不適用于背景環(huán)境復(fù)雜的應(yīng)用場景。與上述方法相比，本文所提算法只需要少量樣本即可建立背景模型，具體實(shí)施時(shí)可根據(jù)現(xiàn)場情況對背景模型進(jìn)行實(shí)時(shí)更新，有利于情況復(fù)雜多變、樣本較少等應(yīng)用場合；同時(shí)本文根據(jù)硅錠端面隱裂缺陷最大占比來進(jìn)行粗濾波處理，減少了端面雜質(zhì)對檢測的影響，進(jìn)一步提高了檢測精度。

背景差分算法常用于目標(biāo)檢測與瑕疵缺陷檢測，本文針對硅錠隱裂缺陷深淺不一、現(xiàn)場環(huán)境苛刻等特點(diǎn)，對常見的背景差分算法進(jìn)行了改進(jìn)。本文首先設(shè)計(jì)滿足檢測條件要求的視覺檢測平臺(tái)來消除檢測環(huán)境的干擾，采用中值濾波的方法來對圖像進(jìn)行濾波預(yù)處理，采用圖片樣本庫訓(xùn)練得到背景模型，并對常見差分算法進(jìn)行了改進(jìn)，在進(jìn)行差分的同時(shí)對隱裂缺陷進(jìn)行增強(qiáng)處理，根據(jù)最大隱裂缺陷比例不超過百分之十，進(jìn)一步將背景從前景中移除，再對圖像進(jìn)行二值化，提取出缺陷區(qū)域并對其進(jìn)行形態(tài)學(xué)閉操作來消除細(xì)小空洞，最后對提取出的區(qū)域進(jìn)行連通域分析并根據(jù)提取出的缺陷區(qū)域面積來在線判斷端面是否隱裂。同時(shí)本文針對所檢測硅錠端面的背景環(huán)境特性以及車間的生產(chǎn)環(huán)境，使用自動(dòng)與手動(dòng)相結(jié)合的方法來對背景圖像進(jìn)行更新。論文設(shè)計(jì)的硅錠端面隱裂檢測算法在麗江某硅錠生產(chǎn)車間進(jìn)行了驗(yàn)證，算法的識(shí)別召回率、精確率、識(shí)別時(shí)間等指標(biāo)都很好地滿足了現(xiàn)場運(yùn)行需求。

1 系統(tǒng)總方案設(shè)計(jì)

整個(gè)檢測系統(tǒng)由硬件部分與軟件部分兩部分組成，其中硬件部分主要負(fù)責(zé)圖像的采集、硅錠在流水線上的自動(dòng)流轉(zhuǎn)以及為軟件系統(tǒng)的運(yùn)行提供硬件條件，由視覺檢測平臺(tái)與工控機(jī)兩部分組成；軟件部分主要負(fù)責(zé)對圖像的識(shí)別與顯示、人機(jī)交互、數(shù)據(jù)存儲(chǔ)與通信、重要參數(shù)修改等功能，主要功能集中在上位機(jī)檢測界面中。系統(tǒng)的總體框架如圖1所示。

圖1 系統(tǒng)總體框架

1.1 硬件方案設(shè)計(jì)

檢測系統(tǒng)的硬件部分主要由視覺檢測平臺(tái)與工控機(jī)兩部分組成，其中視覺檢測平臺(tái)主要負(fù)責(zé)對待檢測硅錠端面圖像的采集與傳送、硅錠的流轉(zhuǎn)；工控機(jī)作為檢測平臺(tái)運(yùn)行的載體，負(fù)責(zé)圖片的獲取、存儲(chǔ)、處理并給出硅錠端面檢測結(jié)果。

現(xiàn)場需檢測的成品硅錠為方形，長度范圍為1 000～9 000 mm，端面大小為，要求檢測精度為0.5 mm。視覺檢測平臺(tái)的好壞直接決定著檢測效果，根據(jù)硅錠端面尺寸規(guī)格、檢測精度要求和現(xiàn)場環(huán)境等特點(diǎn)，本文設(shè)計(jì)了圖2所示的視覺檢測平臺(tái)，視覺檢測平臺(tái)由防塵罩、機(jī)械爪、工業(yè)相機(jī)、光電傳感器組成，具體設(shè)計(jì)原則及器件選型如下：

1)為減少車間灰塵所帶來的影響，在檢測工位四周設(shè)計(jì)了防塵罩。

2)成品硅錠端面非常光滑，為防止燈光直射情況下出現(xiàn)反光影響檢測效果，將視覺檢測平臺(tái)四周的防塵罩設(shè)計(jì)成灰色(圖2所示的CAD圖中對防塵罩進(jìn)行了透視處理，以便觀察防塵罩內(nèi)部結(jié)構(gòu))，同時(shí)為保證檢測時(shí)的光線，將上方的防塵罩設(shè)置為白色透明。

3)為了實(shí)現(xiàn)對硅錠位置的精準(zhǔn)定位，在流水線上裝有多個(gè)光電傳感器。

4)為保證同一工位上不同長度的硅錠都有合適的相機(jī)焦距，將工業(yè)相機(jī)安裝于高精度的機(jī)械爪上，當(dāng)光電傳感器檢測到硅錠到位后，PLC根據(jù)硅錠實(shí)際長度控制機(jī)械爪到達(dá)合適位置，確保相機(jī)到端面的距離固定。

5)工業(yè)相機(jī)作為主要的檢測裝置，需要根據(jù)檢測精度需求進(jìn)行選型。根據(jù)待檢測硅錠的特點(diǎn)以及檢測要求，本文選擇大恒MER-220-9GM/C型的黑白相機(jī)，分辨率，幀率9幀/s，像素尺寸1.85 μm×1.85 μm，像素深度8 bit、12 bit，曝光時(shí)間23 μs～1 s，CMOS芯片，可直接連接HALCON等第三方軟件，通過千兆以太網(wǎng)直連工控機(jī)向工控機(jī)傳輸圖像。

圖2 視覺檢測平臺(tái)

工控機(jī)為軟件運(yùn)行提供必要條件，需要根據(jù)實(shí)際情況選擇配置參數(shù)。從工業(yè)軟件運(yùn)行穩(wěn)定性的角度出發(fā)，工控機(jī)選用研華IPC-610L，Windows10 x64操作系統(tǒng)，CPU為Intel酷睿I5-10500型，考慮到需要存儲(chǔ)大量圖片和數(shù)據(jù)，硬盤選用500 G固態(tài)硬盤與1 T機(jī)械硬盤的組合方式，主板為Intel H420E型，內(nèi)存為DDR416GB，工控機(jī)自帶4個(gè)網(wǎng)卡，額外再增加兩個(gè)100 M網(wǎng)卡作為備用。

系統(tǒng)硬件部分的工作流程如圖3所示。加工完成的成品硅錠順著流水線流轉(zhuǎn)，當(dāng)視覺檢測平臺(tái)中的光電傳感器檢測到硅錠到達(dá)檢測工位后，機(jī)械爪將根據(jù)硅錠的長度自動(dòng)調(diào)整到兩端面前的合適位置，工業(yè)相機(jī)實(shí)時(shí)采集硅錠端面圖像并通過千兆以太網(wǎng)將圖片傳送給工控機(jī)，工控機(jī)上運(yùn)行的檢測系統(tǒng)對圖像進(jìn)行實(shí)時(shí)采集、處理、檢測并將檢測結(jié)果通過工控機(jī)上的網(wǎng)口發(fā)送給PLC，PLC根據(jù)檢測結(jié)果來控制機(jī)械爪對待檢測硅錠實(shí)施相應(yīng)的動(dòng)作。

圖3 硬件系統(tǒng)工作流程

1.2 軟件方案設(shè)計(jì)

本系統(tǒng)軟件部分采用C#與Halcon聯(lián)合編程實(shí)現(xiàn)，需要完成人機(jī)交互、圖片采集、圖像處理、實(shí)時(shí)通訊等功能，其中人機(jī)交互部分利用.net平臺(tái)下的相關(guān)組件來實(shí)現(xiàn)，圖像檢測部分主要由Halcon編程來實(shí)現(xiàn)，調(diào)試成功后導(dǎo)出能在.net平臺(tái)下運(yùn)行的.cs代碼，并通過C#編程技術(shù)對該文件進(jìn)行調(diào)用。最終兩部分功能都集中在上位機(jī)檢測平臺(tái)中，具體檢測流程如圖4所示，當(dāng)上位機(jī)接收到一幅圖像后便對圖片進(jìn)行檢測，在檢測完成后將檢測結(jié)果發(fā)送給執(zhí)行機(jī)構(gòu)的同時(shí)將檢測結(jié)果顯示在上位機(jī)界面并保存至本地?cái)?shù)據(jù)庫中。

圖4 軟件系統(tǒng)工作流程

2 端面隱裂檢測算法

2.1 圖像濾波與預(yù)處理

工業(yè)現(xiàn)場環(huán)境較為苛刻，存在著各種干擾。故在對圖像進(jìn)行處理前需要先對圖像進(jìn)行濾波，常見的濾波算法有均值濾波算法、高斯濾波算法、中值濾波算法。均值濾波算法是將待檢測點(diǎn)的像素值用鄰域內(nèi)的像素均值來代替，通過減少圖像灰度值的尖銳變化來減少噪聲，雖然簡單易實(shí)現(xiàn)，但在處理尖銳灰度的同時(shí)也會(huì)使圖像邊緣模糊化，損失圖像的邊緣特性，從而影響對端面隱裂不明顯硅錠的檢測[14]；高斯濾波算法是用一個(gè)掩膜掃描圖像中的每一個(gè)檢測點(diǎn)，將檢測點(diǎn)的像素值用掩膜內(nèi)像素值的加權(quán)平均來代替，與均值濾波相比，高斯濾波在對圖像進(jìn)行濾波的同時(shí)不會(huì)破壞圖像的細(xì)節(jié)部分，也是一種線性平滑濾波算法，但高斯濾波大多只適用于處理高斯噪聲，對點(diǎn)狀椒鹽噪聲往往效果不佳[15]；中值濾波算法是將檢測點(diǎn)的像素值用鄰域內(nèi)的像素中值來代替，能在對圖像進(jìn)行濾波的同時(shí)保護(hù)圖像的尖銳部分，對于孤立的噪聲像素即點(diǎn)狀椒鹽噪聲、脈沖噪聲的效果極好；考慮到車間中的噪聲大多以點(diǎn)狀椒鹽噪聲為主，同時(shí)中值濾波算法在平滑噪聲時(shí)可以保護(hù)圖像的尖銳部分[16]，故本文選用的掩膜對硅錠端面圖像進(jìn)行中值濾波，具體過程如圖5所示。

圖5 中值濾波過程

通過對圖2視覺檢測平臺(tái)采集到的圖片中值濾波后如圖6(a)所示，圖片中含有部分背景像素點(diǎn)，為了減少需處理的像素?cái)?shù)并提高檢測算法的處理速度，需要在提取隱裂缺陷前先對圖像進(jìn)行預(yù)處理，提取出感興趣的區(qū)域(ROI，region of intereset)。從圖6(a)中能看出硅錠端面灰度值明顯高于背景點(diǎn)的灰度值，故預(yù)處理過程如下：

1)選取合適閾值對中值濾波后的圖像進(jìn)行二值化；

2)對二值化之后的區(qū)域進(jìn)行閉操作，消除區(qū)域內(nèi)細(xì)小的空洞；

3)為防止背景中個(gè)別小亮塊的干擾，對區(qū)域進(jìn)行連通域分析，選取面積最大的一塊區(qū)域，再求取區(qū)域的最大外接矩形；

經(jīng)過處理之后得到的ROI圖像如圖6(b)所示。

圖6 提取ROI

2.2 背景差分算法

2.2.1 背景模型的建立

背景差分算法要求待檢測樣本中前景目標(biāo)與背景環(huán)境之間有著明顯的區(qū)別，同時(shí)不同樣本背景環(huán)境之間的差別也應(yīng)盡可能的小[17-18]。對于前者，隱裂缺陷區(qū)域像素點(diǎn)相對于正常區(qū)域像素點(diǎn)會(huì)偏暗；對于后者，車間中的光線穩(wěn)定，且同一流水線上所生產(chǎn)的硅錠都是大小一致型號(hào)相同，不同待檢測樣本之間的背景差異也是非常小的。故硅錠端面檢測環(huán)境滿足背景差分算法的要求，可將硅錠端面隱裂缺陷的檢測過程類比成對一個(gè)固定背景環(huán)境下的目標(biāo)檢測，將硅錠端面隱裂區(qū)域類比成目標(biāo)檢測中的待檢測目標(biāo)，將硅錠端面正常區(qū)域類比成背景環(huán)境。

考慮到車間光線穩(wěn)定，受光照等環(huán)境因素影響較少，故采用魯棒性更好的中值法來建立背景圖像模型：

I(x，y)=Median(In(x，y))

(1)

其中：In(x，y)表示第n張圖片中點(diǎn)(x，y)的像素灰度值，I(x，y)表示計(jì)算N張圖片中對應(yīng)像素點(diǎn)的中值。為了方便后續(xù)計(jì)算，求出背景圖片中點(diǎn)(x，y)與每一張樣本圖片對應(yīng)點(diǎn)(x，y)的標(biāo)準(zhǔn)差，計(jì)算方式為：

(2)

其中：σ(x，y)表示N張樣本圖片中點(diǎn)(x，y)與中值之間的標(biāo)準(zhǔn)差。得到的背景圖片如圖7所示。

圖7 背景圖像

常見的背景差分算法是直接將背景圖像像素值與待檢測圖像對應(yīng)點(diǎn)像素值求差[19]，計(jì)算方式為：

(3)

其中：Im(x，y)表示待檢測圖片，考慮到待檢測圖片中背景像素點(diǎn)與背景圖片中對應(yīng)像素點(diǎn)灰度差會(huì)比較小，而在隱裂缺陷處差值會(huì)比較大。故本文對常見的差分算法中I(x，y)>Im(x，y)的情況進(jìn)行改進(jìn)，在進(jìn)行圖片差分的同時(shí)對像素值差異較大的隱裂缺陷部分進(jìn)行像素增強(qiáng)，具體的計(jì)算方式為：

ΔI(x，y)=ω|I(x，y)-Im(x，y)-γσ(x，y)|

(4)

其中：σ(x，y)為式2所求標(biāo)準(zhǔn)差，ω與γ為兩個(gè)常數(shù)，本文取ω=20，γ=3，差分增強(qiáng)后的圖片如圖8所示。

圖8 原圖與差分增強(qiáng)圖

2.2.2 背景模型更新

由于工廠光線環(huán)境比較穩(wěn)定，故并不需要實(shí)時(shí)的對背景圖像進(jìn)行更新，但由于各種原因可能會(huì)導(dǎo)致背景環(huán)境突變(切換不同功率的燈管)，而大突變的出現(xiàn)取決于車間的實(shí)際生產(chǎn)情況，很難提前預(yù)判，所以只進(jìn)行背景模型自動(dòng)更新容易受到工廠大環(huán)境的干擾，難以實(shí)現(xiàn)檢測要求。故本文在結(jié)合工廠車間實(shí)際生產(chǎn)情況下，采用定時(shí)自動(dòng)更新與人工手動(dòng)更新相結(jié)合。定時(shí)自動(dòng)更新通過在上位機(jī)檢測系統(tǒng)設(shè)置自動(dòng)更新時(shí)間(自動(dòng)更新時(shí)間可手動(dòng)修改)，軟件系統(tǒng)按照界面提前所設(shè)時(shí)間實(shí)現(xiàn)自動(dòng)更新；人工手動(dòng)更新通過在上位機(jī)檢測系統(tǒng)的界面預(yù)留手動(dòng)更新按鈕來實(shí)現(xiàn)，當(dāng)工廠因燈光或者其它未知因素導(dǎo)致了車間生產(chǎn)環(huán)境突然巨變后，工人可通過點(diǎn)擊手動(dòng)更新按鈕來實(shí)現(xiàn)背景模型手動(dòng)更新。

2.2.3 改進(jìn)閾值分割法

在進(jìn)行背景差分增強(qiáng)后，隱裂缺陷與正常區(qū)域之間有了鮮明的對比度，但圖片中仍然存在著少量的背景點(diǎn)，此時(shí)直接對圖像進(jìn)行閾值分割容易將部分背景點(diǎn)誤認(rèn)為是隱裂缺陷，造成誤檢測，影響檢測精確率。故本文采取一種粗濾波處理來減少誤檢測，通過對大量隱裂硅錠端面進(jìn)行觀察后，發(fā)現(xiàn)隱裂缺陷區(qū)域像素點(diǎn)占比往往低于百分之十，同時(shí)在進(jìn)行差分增強(qiáng)后隱裂缺陷區(qū)域灰度值會(huì)高于其它正常區(qū)域。鑒于上述兩個(gè)事實(shí)，增強(qiáng)差分圖像還可以進(jìn)行進(jìn)一步的優(yōu)化處理，本文在進(jìn)行閾值分割之前先求取一個(gè)閾值來進(jìn)行粗分割，具體計(jì)算如式(5)所示：

(5)

其中：B(x，y)表示粗濾波之后的圖像，其中大于Ts的為前景加背景，小于Ts的為背景，在經(jīng)過預(yù)分割之后圖片被分為前景、前景加背景兩部分。

為選取出合適的閾值Ts來完成粗分割，本文參考最大類間方差法。假設(shè)增強(qiáng)差分圖中總的像素灰度級(jí)別為L，即增強(qiáng)差分圖中任意一點(diǎn)的像素灰度值均為[0L-1]，假設(shè)其中灰度值為i的數(shù)量為ni，則增強(qiáng)差分圖的總像素?cái)?shù)為：

(6)

通過選取一個(gè)閾值Ti來將增強(qiáng)差分圖分成兩部分C1、C2，其中C1是灰度級(jí)別為[0Ti-1]的一組像素點(diǎn)，表示純背景；C2是灰度級(jí)別為[Ti-1L-1]的一組像素灰度點(diǎn)，表示前景加背景；則C2中累計(jì)的像素點(diǎn)個(gè)數(shù)可表示為：

(7)

用Pm來表示硅錠端面隱裂缺陷的最大占比，本文取Pm為百分之十，則像素點(diǎn)差值可表示為：

sub=|C2-(1-Pm)×N|

(8)

類似于最大類間方差法，讓粗濾波閾值Ti在灰度級(jí)別范圍[0L-1]中依次取值，最終使sub最小值的Ti則為粗濾波閾值。

對粗濾波之后的圖像采用最大類間方差進(jìn)行閾值分割，最大類間方差法的思想是選取一個(gè)閾值讓前景區(qū)域與背景區(qū)域之間方差最大化以達(dá)到區(qū)域分割的目的。為使缺陷區(qū)域更加完整，對閾值分割后的圖形使用形態(tài)學(xué)閉操作來填補(bǔ)缺陷之間的空洞。具體做法是先對圖像進(jìn)行形態(tài)學(xué)膨脹操作，然后再對圖像進(jìn)行形態(tài)學(xué)腐蝕操作[20]，膨脹操作是對區(qū)域進(jìn)行擴(kuò)大，區(qū)域在經(jīng)過膨脹后邊緣會(huì)變得平滑，像素會(huì)增多，原本不相連的部分可能會(huì)相連，而腐蝕操作則是一個(gè)相反的過程，經(jīng)過腐蝕后區(qū)域像素值會(huì)減少，原本相連的部分可能會(huì)不相連。膨脹與腐蝕的原理均是先采用一個(gè)合適大小的自定義結(jié)構(gòu)元素，讓結(jié)構(gòu)元素在二值化圖像上移動(dòng)，然后將二值化圖像對應(yīng)的像素點(diǎn)與結(jié)構(gòu)元素的像素進(jìn)行對比，得到的并集則為膨脹之后的圖像像素，得到的交集則為腐蝕之后的圖像像素。處理過程分別如圖9(a)、9(b)所示。由于經(jīng)過處理后圖片中剩下的背景點(diǎn)大多是孤立的，故可在經(jīng)過形態(tài)學(xué)閉操作后根據(jù)圖形的連通域來對缺陷點(diǎn)分區(qū)域，將區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)與設(shè)定值進(jìn)行比較來判斷端面是否隱裂。此時(shí)系統(tǒng)的檢測流程如圖10所示。

圖9 形態(tài)學(xué)閉操作過程

圖10 硅錠端面檢測流程

3 實(shí)驗(yàn)分析

3.1 性能指標(biāo)

為了對本文所提算法進(jìn)行驗(yàn)證，采用模式識(shí)別常用的召回率(Rc，reca rate)、精確率(Pr，precisionrate)、處理時(shí)間等3個(gè)指標(biāo)來進(jìn)行評價(jià)，分別定義為：

(9)

(10)

其中：TP表示有缺陷且被正確識(shí)別出來的樣本數(shù)目，TN表示有缺陷但沒有被識(shí)別出來的樣本數(shù)目，F(xiàn)P表示識(shí)別錯(cuò)誤的樣本數(shù)目。從上述公式可知，隨著召回率的不斷上升，會(huì)使精確率有所降低，故對于二者的平衡與取舍是各種缺陷檢測所必須考慮的問題。對于成品硅錠而言，如果有缺陷但是沒有被識(shí)別出來會(huì)嚴(yán)重影響后續(xù)的打包效率，甚至?xí)斐闪魉€堵料，嚴(yán)重影響車間的產(chǎn)量，此時(shí)召回率顯得更為重要。故結(jié)合車間實(shí)際生產(chǎn)情況，本文的方案是在保證精確率前提下進(jìn)一步提高召回率。

3.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

為了對本文所設(shè)計(jì)的視覺檢測平臺(tái)、軟件流程、檢測算法等進(jìn)行進(jìn)一步驗(yàn)證，在麗江某硅錠廠房搭建了圖2所示視覺檢測平臺(tái)。平臺(tái)使用大恒MER-220-9GM/C型工業(yè)相機(jī)作為圖像采集裝置，上位機(jī)程序運(yùn)行在1.1節(jié)所示配置參數(shù)的工控機(jī)上，工控機(jī)與上位機(jī)通過網(wǎng)線直連進(jìn)行通訊。該廠房平均日產(chǎn)硅錠700根，通過實(shí)際調(diào)試測試后，系統(tǒng)在現(xiàn)場測試運(yùn)行了30天，期間總生產(chǎn)硅錠210 103根，每根硅錠兩個(gè)端面均需單獨(dú)拍照檢測，共檢測了420 206張照片，其中實(shí)際正常照片417 056張，隱裂缺陷照片2 700張。

本次實(shí)驗(yàn)所設(shè)計(jì)的上位機(jī)檢測界面如圖11所示，通過該界面可以實(shí)現(xiàn)參數(shù)設(shè)計(jì)、圖像處理、查看檢測結(jié)果、手動(dòng)更新背景圖像等功能。通過參數(shù)設(shè)計(jì)功能可以對中值濾波掩膜大小、差分增強(qiáng)參數(shù)ω與γ、求取粗濾波閾值時(shí)硅錠端面隱裂缺陷的最大占比Pm等參數(shù)進(jìn)行設(shè)置；當(dāng)上位機(jī)采集到一張完整圖像后就會(huì)調(diào)用圖像處理程序得到處理結(jié)果；為了方便溯源，上位機(jī)檢測界面提供了查看已經(jīng)檢測的硅錠端面圖片的功能，上位機(jī)檢測系統(tǒng)會(huì)將檢測結(jié)果不同的圖片分類保存到兩個(gè)不同的文件夾中(默認(rèn)保存一周，具體保存時(shí)間可設(shè)置)，可以通過上位機(jī)檢測界面查看固定時(shí)間內(nèi)的硅錠端面圖片的檢測結(jié)果；手動(dòng)更新背景圖像主要是在工業(yè)現(xiàn)場環(huán)境出現(xiàn)強(qiáng)烈突變后，通過點(diǎn)擊手動(dòng)更新按鈕實(shí)現(xiàn)對背景圖像的更新，同時(shí)也可在上位機(jī)界面上設(shè)置背景模型自動(dòng)更新的周期。

圖11 上位機(jī)檢測界面

為了進(jìn)一步驗(yàn)證本文所提檢測算法的有效性與優(yōu)越性，本文對預(yù)處理之后的圖片分別利用普通背景差分算法與文獻(xiàn)[11]所提算法進(jìn)行檢測，并將檢測結(jié)果與本文所提算法進(jìn)行比較。從表1檢測結(jié)果中能看到，不論是召回率還是準(zhǔn)確率本文所提算法都具有更好的識(shí)別效果。其中對于少部分隱裂硅錠，由于機(jī)床加工特性原因?qū)е码[裂缺陷很不明顯，容易造成算法誤判。

表1 實(shí)驗(yàn)結(jié)果

從采集到的圖片中隨機(jī)選取幾張，得到的檢測結(jié)果如圖12所示，能明顯看出普通背景差分算法法會(huì)保留部分背景，不能將隱裂缺陷完整的提取出來；文獻(xiàn)[11]所提算法雖然能提取出隱裂缺陷的大概輪廓，有著較高的召回率，但是會(huì)保留大量的背景，容易將正常區(qū)域識(shí)別成隱裂缺陷從而出現(xiàn)誤檢測，精確率難以保證，相比之下本文所提算法既可以完整的提取出硅錠端面的隱裂缺陷，同時(shí)也不會(huì)出現(xiàn)對背景部分的誤識(shí)別，在保證高召回率的同時(shí)也有著較高的精確率，具有更好的識(shí)別效果。

4 結(jié)束語

本文針對硅錠機(jī)加工自動(dòng)生產(chǎn)線對硅錠端面隱裂缺陷檢測困難、人工檢測效率低等問題，設(shè)計(jì)了一種基于機(jī)器視覺的硅錠端面自動(dòng)檢測系統(tǒng)，并將設(shè)計(jì)好的系統(tǒng)用于工業(yè)現(xiàn)場進(jìn)行了運(yùn)行測試。在試運(yùn)行期間檢測系統(tǒng)軟件部分穩(wěn)定運(yùn)行，沒有出現(xiàn)過死機(jī)，同時(shí)試運(yùn)行期間隱裂缺陷檢測召回率為98.5%，精確率為96.4%，平均檢測耗時(shí)180 ms，滿足工業(yè)生產(chǎn)需求，提高了自動(dòng)生產(chǎn)線的生產(chǎn)效率，也提高了成品硅錠的質(zhì)量，為其余車間的改造提供了方向。但本文只對硅錠端面隱裂缺陷進(jìn)行了檢測，沒有實(shí)現(xiàn)對缺陷的分類，在之后的研究中可以進(jìn)一步實(shí)現(xiàn)對端面隱裂缺陷的分類，同時(shí)在后續(xù)的進(jìn)一步研究中也可將缺陷類型與機(jī)床加工故障相對應(yīng)，通過分析一段時(shí)間內(nèi)各種缺陷類型出現(xiàn)的頻率來反映加工機(jī)床可能出現(xiàn)的故障，及時(shí)地對加工機(jī)床進(jìn)行處理來減少進(jìn)一步的損失。