基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測

柴子凡, 趙麗琴, 蔣海波, 段能全, 馬清艷, 王 棟

(中北大學(xué) 機(jī)械工程學(xué)院,太原 030051,E-mail:czf84166@163.com)

玻璃瓶多使用壓吹法[1]成型,在脫模過程中由于操作不當(dāng)導(dǎo)致模具接縫處的瓶身出現(xiàn)多條分模線或是分模線不連續(xù),這種缺陷稱為分模線缺陷。對(duì)于玻璃制品上的邊界缺陷,其主要技術(shù)方法是利用濾波器對(duì)圖像進(jìn)行預(yù)處理,再利用霍夫變換將曲線變換至參數(shù)空間,通過利用曲線上點(diǎn)與曲線參數(shù)之間的對(duì)偶性來檢測曲線。在此基礎(chǔ)上,段汝嬌等人[2]通過對(duì)分好類的像素點(diǎn)進(jìn)行感知編組,再使用隨機(jī)Hough變換來確定直線位置;孫鐵波等人[3]研究將邊緣梯度方向引入Hough變換,通過縮小參數(shù)的取值空間進(jìn)而確定邊界位置;李后隆等人[4]通過對(duì)Canny算子中的雙閾值選取進(jìn)行改進(jìn),并對(duì)Hough變換進(jìn)行極角約束進(jìn)而確定邊界位置。然而,針對(duì)透明玻璃制品的缺陷邊界定位和缺陷檢測的研究較少。因?yàn)椴Ａе破返耐该餍?其上的缺陷位置很難確定并且進(jìn)行穩(wěn)定地檢測,李偉等人[5]針對(duì)該問題提出利用Hough變換圓檢測和para空間均值圓心的方法來對(duì)需要的目標(biāo)進(jìn)行定位;楊應(yīng)彬等人[6]提出了一種基于分?jǐn)?shù)體系的算法,并與輪廓特征檢測和Hough變換相結(jié)合,來對(duì)需要的目標(biāo)進(jìn)行定位。

然而這些算法都是基于固定視圖和圖像質(zhì)量清晰的基礎(chǔ)上。在本文的研究背景下,使用傳統(tǒng)的機(jī)器視覺采圖方法難以有效清晰地拍到缺陷圖像,所以需要先針對(duì)采集過程作優(yōu)化處理,并在采集之后對(duì)圖像進(jìn)行特征提取等處理。針對(duì)透明玻璃瓶上的分模線缺陷,本文構(gòu)建了一種基于機(jī)器視覺的玻璃瓶分模線缺陷檢測方法,提出了一種將傅里葉變換、霍夫變換結(jié)合K-means聚類的無監(jiān)督學(xué)習(xí)方法,實(shí)現(xiàn)了玻璃瓶分模線的缺陷檢測。

1 檢測系統(tǒng)的組成和原理

玻璃瓶缺陷檢測系統(tǒng)采用機(jī)器視覺檢測技術(shù)實(shí)現(xiàn)了玻璃瓶分模線的非接觸式自動(dòng)化檢測,利用工業(yè)相機(jī)對(duì)分模線圖像進(jìn)行采集,并使用基于Hough變換和K-means聚類的改進(jìn)的缺陷識(shí)別方法對(duì)玻璃瓶分模線的圖像進(jìn)行檢測,其總體布局如圖1所示,主要由工業(yè)相機(jī)、工業(yè)鏡頭、條紋面光源和傳送帶等組成,是以生產(chǎn)線上的運(yùn)輸帶結(jié)構(gòu)作為基礎(chǔ)平臺(tái),不需要破壞生產(chǎn)線的基礎(chǔ)功能,在運(yùn)輸帶兩側(cè)加安光源支架和相機(jī)支架,在支架上安裝相機(jī)和光源,當(dāng)檢測時(shí),相機(jī)對(duì)運(yùn)輸帶上的玻璃瓶進(jìn)行間隔采樣,可兼容多種不同型號(hào)的玻璃瓶分模線檢測。對(duì)玻璃瓶分模線進(jìn)行檢測時(shí),條紋面光源的條紋光經(jīng)分模線發(fā)生折射,由另一側(cè)的工業(yè)相機(jī)進(jìn)行采集,經(jīng)圖像預(yù)處理后去除干擾和噪聲,使用基于Hough變換和K-means聚類的改進(jìn)的缺陷識(shí)別方法獲取分模線的長度、寬度和條數(shù)等信息,進(jìn)而對(duì)分模線的質(zhì)量進(jìn)行判斷,本文使用4個(gè)相機(jī)從4個(gè)不同角度進(jìn)行圖像采集,提高了檢測系統(tǒng)的檢測精度和檢測效率。

▲圖1 檢測系統(tǒng)總體結(jié)構(gòu)示意圖

2 基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方法

▲圖2 算法流程設(shè)計(jì)圖

本文使用傅里葉變換、霍夫變換結(jié)合K-means聚類的無監(jiān)督學(xué)習(xí)方法,用于玻璃瓶分模線的缺陷檢測,算法流程如圖2所示。該算法分為圖像采集、前處理和缺陷檢測三個(gè)部分。在圖像采集階段,對(duì)于玻璃瓶分模線透明不易識(shí)別的問題,本文根據(jù)光的折射原理提出了引入人為的標(biāo)識(shí)來對(duì)圖像進(jìn)行增強(qiáng)的方法。在圖像前處理階段,分為干擾去除和特征提取兩個(gè)階段,為提高缺陷檢測的檢測精度,本文提出了一種基于傅里葉變換和自動(dòng)閾值分割的方法。在進(jìn)行缺陷定位與檢測的過程中,本文結(jié)合輪廓提取和Hough變換的方案,利用K-means聚類的方法,提出了一種基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案。

2.1 圖像采集

為使采集到的圖片輪廓清晰,對(duì)比度明顯,選擇高均勻性的面光源來進(jìn)行背光照明,并在其外架設(shè)暗室來阻擋環(huán)境光的干擾。由于分模線透明的特殊性,將面光源改造為條紋光,利用分模線處玻璃的折射率與其他地方不同而觀察條紋的變化來檢測分模線的質(zhì)量,如圖3所示。在經(jīng)過對(duì)玻璃瓶分模線的成型原理的分析和多次試驗(yàn)后,設(shè)置四個(gè)工業(yè)相機(jī)從四個(gè)不同的角度對(duì)分模線的圖像進(jìn)行采集,在壓縮成本的同時(shí)最大程度地提升檢測系統(tǒng)的檢測精度和檢測效率[7-8]。

▲圖3 折射對(duì)比圖

2.2 圖像預(yù)處理

相比于其他固定角度和固定目標(biāo)的檢測環(huán)境,由于人為引入的干擾和多個(gè)相機(jī)的位置變化性,相機(jī)采集到的圖像是具有復(fù)雜背景的酒瓶圖像。對(duì)圖像進(jìn)行簡單的灰度化、圖像作差、圖像濾波與閾值分割后[9],對(duì)于從斜條紋背景的瓶身中分離出分模線的問題,提出了基于傅里葉變換和時(shí)頻域轉(zhuǎn)換的分模線提取方案。

基于傅里葉變換和時(shí)頻域轉(zhuǎn)換的主要思想是對(duì)前處理后的圖像進(jìn)行傅里葉變換,將圖像從時(shí)域轉(zhuǎn)換到頻率域;然后在頻率域構(gòu)建合適的濾波器對(duì)頻域圖像進(jìn)行濾波,消除圖像中的斜條紋同時(shí)保留分模線的特征;將圖像由頻域轉(zhuǎn)回到時(shí)域,對(duì)保留下的分模線特征進(jìn)行缺陷檢測。

由于傅里葉變換的周期性質(zhì),頻率域的圖像與空間域的圖像并不存在一一對(duì)應(yīng)的關(guān)系,實(shí)驗(yàn)證明,空間域中邊緣方向與頻率域中高頻亮點(diǎn)的位置存在內(nèi)在聯(lián)系[10-11]。將頻率域原點(diǎn)變換移動(dòng)到頻率域圖像的中間位置,則頻率域構(gòu)建的濾波器具有如下傳遞函數(shù):

(1)

▲圖4 濾波器圖形

其銳化前后的圖像對(duì)比如圖5所示,條紋干擾得到有效地抑制,分模線特征得到了有效地增強(qiáng)。

2.3 缺陷定位與檢測

對(duì)采集到的玻璃瓶圖像進(jìn)行前處理后,可獲得分模線的間斷邊界。為了從含有噪點(diǎn)等干擾的濾波后圖像中提取分模線,采用Hough變換的間斷邊界檢測方案。Hough變換是通過利用曲線上點(diǎn)與曲線參數(shù)之間的對(duì)偶性來檢測曲線的方法,但其對(duì)于為曲線的間斷邊界并沒有較好的效果,且其計(jì)算的時(shí)間復(fù)雜度和空間復(fù)雜度會(huì)隨著參數(shù)空間維度的提升而提升,增加了計(jì)算的時(shí)間成本。

▲圖5 濾波前后對(duì)比圖

針對(duì)該問題,提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案:首利用Hough變換將提取到的間斷邊界轉(zhuǎn)換到參數(shù)空間,利用大致處于同一直線的間斷點(diǎn)邊界,其在參數(shù)空間中會(huì)發(fā)生一定的聚集效應(yīng)的特性,使用聚類方法對(duì)間斷點(diǎn)邊界進(jìn)行拼接,最終識(shí)別出目標(biāo)分模線并對(duì)其進(jìn)行缺陷檢測。

2.3.1 Hough變換

上述處理后的圖像包含豐富的邊緣信息,分別是分模線豎直方向的間斷邊界和其他零散的條紋干擾。為準(zhǔn)確的提取分模線間斷點(diǎn)邊界,采用直線檢測方案,來對(duì)圖像中的目標(biāo)信息進(jìn)行提取。霍夫變換是通過利用曲線上點(diǎn)與曲線參數(shù)之間的對(duì)偶性來檢測曲線的方法,是一個(gè)非常重要的檢測間斷點(diǎn)邊界形狀的方法。如圖6所示,對(duì)于圖像坐標(biāo)空間的一條已知直線L來說,在參數(shù)空間中即可映射為相應(yīng)的點(diǎn)L0;對(duì)于圖像坐標(biāo)空間中直線L上的任意兩點(diǎn)A1、B1,在參數(shù)空間中即可映射為相交的兩條直線,且其交點(diǎn)為L0[12-13]。對(duì)于圖像中的一些間斷點(diǎn)邊界,利用霍夫變換將其所在直線轉(zhuǎn)換到對(duì)應(yīng)的參數(shù)空間后,大致處于同一直線的間斷點(diǎn)邊界,其在參數(shù)空間中會(huì)發(fā)生一定的聚集效應(yīng),從而來判斷處在同一曲線上的間斷點(diǎn)。

▲圖6 Hough變換

2.3.2 邊界合并及識(shí)別

K-means聚類方法是一種通過將劃分出來的簇取均值點(diǎn)作為聚類中心,在不確定劃分規(guī)則的情況下,通過對(duì)數(shù)據(jù)的不斷迭代完成數(shù)據(jù)分類的無監(jiān)督分類算法。采用K-means聚類方法對(duì)參數(shù)空間的數(shù)據(jù)進(jìn)行聚類,大致處于同一直線的間斷點(diǎn)邊界在參數(shù)空間會(huì)發(fā)生一定的聚集效應(yīng),從而完成處在同一曲線上的間斷點(diǎn)邊界的拼接[14-15]。K-means聚類依賴于初始聚類中心的選取,若選取不當(dāng),很容易發(fā)生局部收斂的情況。而在本文的情況中,聚類中心的個(gè)數(shù)難以確定,通過構(gòu)造距離代價(jià)函數(shù),并以距離代價(jià)最小準(zhǔn)則求解最佳聚類數(shù)k。聚類方法的實(shí)現(xiàn)步驟如下:

(1) 通過Hough變換將間斷點(diǎn)邊界轉(zhuǎn)換到參數(shù)空間后,轉(zhuǎn)換成參數(shù)空間中的有聚集效應(yīng)的離散點(diǎn),其包含了原空間中間斷點(diǎn)邊界的斜率和截距的信息。

(2) 構(gòu)建聚類距離代價(jià)函數(shù),設(shè)k為最佳聚類數(shù),有n個(gè)聚類對(duì)象,m為總樣本均值,mi為當(dāng)前簇Ci的樣本均值,p為任意對(duì)象,則有距離代價(jià)函數(shù)F(S,k):

(2)

當(dāng)距離代價(jià)函數(shù)F(S,k)最小時(shí),k即為最佳聚類數(shù)。

(3) 計(jì)算數(shù)據(jù)集中的數(shù)據(jù)到各個(gè)聚類中心的距離,將其歸類到最近的聚類中心,并計(jì)算新簇的質(zhì)心。

(4) 在所有數(shù)據(jù)劃分完畢后,根據(jù)劃分情況重新計(jì)算各個(gè)簇的質(zhì)心,對(duì)數(shù)據(jù)進(jìn)行重新劃分并進(jìn)行迭代計(jì)算,直到質(zhì)心不變或達(dá)到最大迭代次數(shù),其各簇即為連續(xù)的間斷點(diǎn)邊界,如圖7所示。

(5) 計(jì)算每類簇的數(shù)據(jù)體量作為該類的可信度指標(biāo)。由于分模線的間斷點(diǎn)邊界較多,其所在簇的數(shù)據(jù)體量要遠(yuǎn)遠(yuǎn)多于其他簇,由此使用最小二乘法擬合分模線的間斷點(diǎn)邊界。對(duì)分模線邊界進(jìn)行數(shù)量、長度和寬度等的特征提取對(duì)分模線的質(zhì)量進(jìn)行綜合評(píng)估。

3 實(shí)驗(yàn)驗(yàn)證

采用本文所述方法,與傳統(tǒng)的缺陷檢測方法作以下對(duì)比:①本文采用方法與傳統(tǒng)缺陷檢測方法所用時(shí)間作對(duì)比;②本文采用方法擬合分模線的位置參數(shù)與傳統(tǒng)缺陷檢測方法擬合分模線位置參數(shù)進(jìn)行對(duì)比。邊緣提取和分模線擬合效果如圖7所示,傳統(tǒng)邊緣提取算法面對(duì)復(fù)雜干擾下提取分模線結(jié)構(gòu)的能力較差。

▲圖7 檢測對(duì)比圖

兩種算法的效果對(duì)比如表1所示,表中統(tǒng)計(jì)了兩種算法的運(yùn)算時(shí)間,分模線擬合的正確度和分模線缺陷檢測的準(zhǔn)確度。

表1 測量數(shù)據(jù)對(duì)比

由表可知:

(1) 傳統(tǒng)缺陷檢測方法耗時(shí)1 052.835 ms,本文算法耗時(shí)555.231 ms。本文算法在檢測效率方面有極大優(yōu)勢,可以適應(yīng)工業(yè)現(xiàn)場高速檢測的需求;

(2) 傳統(tǒng)缺陷檢測方法對(duì)分模線擬合的正確度只有60%,缺陷檢測準(zhǔn)確度只有50%;本文方法對(duì)分模線擬合的正確度達(dá)98.6%,缺陷檢測準(zhǔn)確度達(dá)98.5%。這是由于分模線結(jié)構(gòu)的特殊性,導(dǎo)致在傳統(tǒng)缺陷檢測方法的采集方法下分模線可見度不高,從而影響檢測精度;本文方法通過引入條紋光來加強(qiáng)分模線特征,并通過在頻率域空間構(gòu)建濾波器對(duì)圖像進(jìn)行銳化,最后通過聚類方法對(duì)分模線缺陷進(jìn)行分類與檢測,滿足工業(yè)現(xiàn)場的高精度檢測要求。

綜上所述,本文所述方法具有檢測速度快,檢測精度高且重復(fù)穩(wěn)定性好,有效地實(shí)現(xiàn)了工業(yè)現(xiàn)場的玻璃瓶分模線缺陷檢測。

4 結(jié)論

本文針對(duì)工業(yè)現(xiàn)場分模線質(zhì)量檢測的難點(diǎn),提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案,通過對(duì)打光方案的優(yōu)化和聚類算法的改進(jìn),最終對(duì)分模線進(jìn)行特征提取并對(duì)其進(jìn)行質(zhì)量檢測。本文總結(jié)如下:

(1) 針對(duì)分模線結(jié)構(gòu)的特殊性,提出使用條紋光源加強(qiáng)分模線特征的方法。該方法基于條紋光通過分模線發(fā)生折射的原理,實(shí)現(xiàn)了分模線可見度的增強(qiáng);

(2) 基于利用條紋光進(jìn)行分模線可見度的增強(qiáng)方法,提出了構(gòu)建頻率域?yàn)V波器來銳化圖像邊緣特征。算法通過空間域中邊緣方向與頻率域中高頻亮點(diǎn)的位置的內(nèi)在聯(lián)系,在頻率域構(gòu)建高通濾波器,來銳化圖像指定方向上的邊緣特征,實(shí)現(xiàn)了分模線邊緣特征的銳化;

(3) 基于銳化后的分模線邊緣特征,提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方法。算法將銳化后的分模線邊緣特征轉(zhuǎn)至參數(shù)空間,通過構(gòu)造距離代價(jià)函數(shù),使用自適應(yīng)的K-means聚類方法對(duì)分模線進(jìn)行定位和檢測,實(shí)現(xiàn)了工業(yè)現(xiàn)場的玻璃瓶分模線檢測。