机器视觉新技术在自动表面检测中的探讨

1 机器视觉的作用与应用领域

传统上，视觉检测与质量控制都由熟手工来进行. 人工检测具主观性，高度依赖检测员的经验，且人工检测比机器慢，易疲劳. 现在，熟手工不易找到和维持，需要进行培训，他们的技术需要时间的积累. 有时，检测是枯燥而困难的，即使对受过良好训练的熟手工也是如此; 有时，精确的信息必须被迅速不断地提取和应用( 如目标跟踪、机器人导引) ; 有时，检测可能是危险而困难的( 如水下检测、化学工业等) . 在这些场合下，机器视觉可有效取代人工.

机器视觉是图像技术、模式识别技术，以及计算机技术发展的新的产物，是实现智能化、自动化、信息化的先进技术领域. 机器视觉的应用研究，已经拓展到每个可能的工业领域. 最主要的应用行业为汽车、制药、电子与电气、制造、包装、食品、饮料、医学等. 在现代工业自动化生产中，涉及到各种各样的检查、测量和零件识别应用，例如汽车零配件尺寸检查和自动装配的完整性检查、电子装配线的元件自动定位、饮料瓶盖的印刷质量检查、产品包装上的条码和字符识别等. 这类应用的共同特点是连续大批量生产、对外观质量的要求非常高. 如芯片贴片机是一种重要的电子装配设备，高速、高精度是其发展方向，而要实现这一目标就需要应用机器视觉技术对芯片进行在线检测. 这种带有高度重复性和智能性的工作，过去是靠人工检测来完成. 人工执行这些工序，在给工厂增加巨大的人工成本和管理成本的同时，仍然不能保证100% 的检验合格率( 即“零缺陷”) . 0. 1%缺陷的存在，对企业在市场上的竞争也是极为不利的. 机器视觉的引入，代替传统的人工检测方法，避免了人眼的视觉疲劳. 由于机器视觉系统可以快速获取大量信息，易于自动处理，也易于同设计信息以及加工控制信息集成. 在现代自动化生产过程中，机器视觉系统广泛地应用于工况监视、成品检验和质量控制等领域，可以大大提高生产效率和生产的自动化程度，是实现计算机集成制造的基础技术，极大地提高了投放市场的产品质量. 机器视觉的特点是自动化、客观、非接触和高精度，与一般意义上的图像处理系统相比，机器视觉强调的是精度和速度，以及工业现场环境下的可靠性. 典型的线径在线检测与控制，如被加工件的直径测量、铜线的拉线线径测量与控制，传统的接触式测量方法存在缺陷，人工在线测量是不可能的. 机器视觉极适用于大批量生产过程中的测量、检查和辨识. 线阵 CCD 在连续、扫描在线测量中的应用非常具有优势，如面积测量，不仅得到的结果准确，而且实时、快捷. 再如，零件装配完整性、装配尺寸精度、零件加工精度、位置/角度测量、零件识别、特性/字符识别等. 在零售业界，POS 的终端设备，如条码识读机， 也是线阵CCD 在机器视觉上的典型应用.

本研究将现代数学应用于机器视觉中，提出机器视觉在自动表面检测上的新方法，将此研究应用于制造业( 如芯片封装) 中，必将提高装备的智能化、自动化水平，提高装备的使用效率、可靠性等性能，一方面可以带来新的产业增长点，向市场推广满足各种需求的机器视觉系统产品，产生直接的经济效益; 另一方面，通过机器视觉系统的应用，更加有效地发挥自动化装备的效能，提升自动化生产水平，提高生产率，提高产品质量，带动整个产业的生产效率大幅提高，为使用该技术的部门提供了竞争性优势. 发达国家GDP 的65%增长部分与IC 应用有关.如在IC 封装专用设备中，国内全自动粘片机的价格约为国外同类产品的1 /3. 若按我国IC 每年需求量增长20 亿块计算，则仅增添IC 的封装设备每年就需4O 亿元人民币. 全自动粘片机的视觉系统需要先进的自动视觉表面测量技术的支持，相信通过本研究的研究，将之应用于芯片封装等制造业中，其价格上的优越性更使其有广泛市场前景，预期的经济效益及社会效益十分可观，从而推动我国IT 制造等重大装备的发展.

2 国内外研究前沿

自动视觉表面检测技术可分为2 种方法. 第一种方法用一个无缺陷模板与一待检图像进行匹配，适于具有确定几何构形的物体，在PCB 检测中被广泛采用. 第二种方法在一滑动窗口中计算一组纹理特征，从整幅图像中寻找特征值的显著局部偏差. 该方法的困难之处在于提取体现图像纹理信息的充足的纹理特征. 而且用多特征向量表达的纹理维数很高，这就需要贝叶斯、最大似然、神经网络等复杂的分类器来比较模型特征和被检特征.

纹理特征可直接从空域或从空- 频域中提取.在数字图像中，典型的噪声过程倾向于显著改变强度的局部空间变化，而在频域中具有相对均匀的表达. 谱域特征对噪声通常没有空域特征敏感. 在谱域方法中，纹理特征通常取自傅立叶变换、Gabor 变换和小波变换. 傅立叶方法描述空- 频分布，但它不考虑空域信息. Tsai 等提出了傅氏变换图像的5 个纹理特征，并用神经网络分类器评估机加工表面的粗糙度. Tsai 和Hsieh 提出了基于傅立叶图像重构技术的全局方案，检测方向纹理的表面缺陷. 在纹理表面的恢复图像中，原图像中有周期线的规则区域具有大致一致的灰度，而缺陷区域被明显地保留下来了. Escofet 等用傅立叶谱的角相关评估纺织网的抗磨损性能. Chan 和Pang 用傅立叶分析进行纺织品缺陷检测. 从傅立叶谱的垂直和水平频率成分提取出的7 个纹理特征被用以区分双纱、缺纱、网和纱密度等4 种不同类型的缺陷. Ramana 和Tamamoorthy 采用共现矩阵方法研究机加工表面的纹理特征. Siew 和Hogdson 基于共现矩阵纹理特征进行地毯磨损评测. 在木材缺陷检测中，Ojala 等用图像边界一阶统计纹理特征，Conners 等同时采用一阶、二阶统计. Gabor 滤波器是分析包含高度专有频率和方位特征的纹理图像的有用工具. Daugman 表明Gabor 滤波器在空域和空频域都具有最优联合分布. Clausi 和Jernigan 比较了各种Gabor 滤波器在纹理分析中的实现. 2D Gabor 函数是一加2D 高斯窗的傅立叶变换，参数有频率、正弦方向及高斯函数幅度. Gabor 滤波器中显性的局部分布和空间频率可作为纹理的主要特征. 基于Gabor 滤波器的方法已被成功地应用于纹理分割，输入图像一般用一组不同频率和方向的Gabor 滤波器滤波. 但用代表不同缺陷特征的一大组滤波器计算工作量非常可观. 基于小波变换的多分辨率分解方案将图像分解成不同空间频率的一组局部图像. Chen 和Kuo 提出了纹理分类的树结构小波变换. Laine 和Fan 同时采用每一分解小波包的能量和熵作为纹理特征. 然后用两层神经网络进行纹理分类. Chen 和Lee 考虑了乳腺X 图像中的纹理分割问题. Lambert 和Bock 也提出了纹理缺陷检测的特征提取方法. 纹理特征取自小波包分解的系数. 然后用神经网络和Bayes 分类器评估特征向量. 小波基的纹理特征提取方法已被用于LSI 圆晶、冷压板和织物等的工业材料检测中.

彩色机器视觉在工农业应用研究中成为了一个活跃的领域，如集成电路检测、LCD 板检测等. Van de Wouwer 等将多分辨率小波技术扩展到彩色纹理分类. 用包含每一颜色平面能量的小波相关信号和不同颜色平面的互相关作为纹理特征. Randen 和Husoy 评论了用于纹理特征提取的各种滤波方法. Lambert 和Bock 提出了进行纹理缺陷检测的特征提取方法，纹理特征从小波包分解系数导出. Song 等基于人类彩色感知原理，开发了一套彩色聚类方案，应用该方案和纹理信息检测纹理图像中的缺陷. Iamberlini 等建立了应用傅立叶变换和空间滤波的光学方法，用于对纹理图像缺陷的实时检测. Campbell 和Muirtagh 用形态滤波提取纹理特征，检测局部和扩展的瑕疵特征.随着专用视觉硬件处理器的不断进步与现代数学在机器视觉中的应用，自动视觉表面检测技术也将得到更一步的发展.

3 初步研究成果

1) 对现有的自动表面检测技术进行了更为深入的研究;

2) 针对现有的自动表面检测技术，对现代数学进行深入的研究;

3) 将蚁群算法、小波变换、子带共现矩阵法、熵测度、神经网络、遗传算法等新技术应用于自动表面检测中;

4) 对提出的方法进行大量实验，并考虑照明等因素，得出对测试样本效果的满意程度;

5) 对同一检测样本( 如晶片) 用不同方法进行检测，比较各种方法的优缺点，提出适用于不同自动表面检测的算法; 在实验的基础上，对各种算法进行比较研究，检验算法的准确性与适用性，尤其是通过快速视觉图像识别算法来提高视觉系统的识别精度、运算速度及校正能力;

6) 将得到的较优算法应用于工厂实践中，检验算法的准确性与适用性.