表面检测中微小缺陷的识别

在带钢、造纸、玻璃、纺织和陶瓷等行业, 产品的表面质量是一个重要的质量指标。目前, 机器视觉作为表面缺陷检测的主要技术得到了飞速发展。缺陷的识别、分割、特征提取及分类是机器视觉中的研究热点和难点, 如果不能正确识别缺陷, 那么缺陷的分割、特征提取和正确分类将受到影响。目前, 图像识别技术有基于阈值(如Otsu 的类间距最优阈值法、梯度直方图自适应阈值 等)和基于人工智能(BP神经网络分割 、支持向量积的图像识别、模糊图像识别等)等方法, 但对于微小缺陷的识别却达不到理想的效果。尤其是识别光照不均或有一定纹理的图像中的微小缺陷时, 图像的灰度值不是很稳定。如果直接用阈值法, 需要阈值的自动调节, 而现有依据灰度直方图自动选择阈值的方法, 从有无缺陷几乎一致的直方图中很难自动寻找到适当的阈值;而人工智能的方法需要用大量的样本进行训练, 为实际应用带来了难度。

在研究使用线阵CCD 摄像机检测表面缺陷的过程中, 笔者总结出了一种灰度标准方差的微小缺陷识别算法。该法通过建立空间相关的统计数学模型, 可以准确确定是否存在缺陷并对缺陷定位。

方法介绍

线阵摄像机采集图像时, 摄像机和被测目标发生相对位移, 形成对目标的二维行扫描图像信息。无缺陷时, 一行中各像素的灰度值比较接近, 如图 1a 是采集到正常表面一行图像中的10 个像素, 其各个像素的灰度值用16 位编码分别表示为B9 ,BC , BE , BC , C0 , BD , BE , BC , C0 和BE ;如果有缺陷, 灰度值发生变化, 如图1b 是含有缺陷的一行图像中10 个像素示意图, 其中第3 ～ 5 像素的灰度值与其它像素的灰度值明显不同, 其灰度值分别为 B9 , BC , 8B , 88 , 8A ,BD ,BE ,BC ,C0 和BE 。

设每个像素的灰度值为xij , 其中i 为行号, j 为列号, N 为每行的像素数, 则行的灰度均值为:

行灰度值的方差为:

可以计算出图1a 中行的标准差为2 .238 , 图1b 中行的标准差为23 .529 。有缺陷和无缺陷图像的方差特征非常明显, 由此可以把行、列灰度方差作为判断缺陷是否存在的特征。即使对光照不均或有纹理的产品表面图像, 其灰度方差特征也是稳定在某定值附近。由现场检测经验可知, 无缺陷时, 同一纹理产品灰度值的方差变化不大。

由此可以认为, 如果表面图像的每行及每列的灰度标准差超过设定阈值, 即可认为存在缺陷, 否则就无缺陷。标准差超过阈值的行、列号就确定了缺陷的坐标。