歡迎登錄中國視覺網!
應用案例頻道
APPLICATION OF CASE
位置導航:首頁 >> 應用案例 >> 應用案例 >> 多線陣CCD薄膜瑕疵檢測算法

多線陣CCD薄膜瑕疵檢測算法


時間:2019-05-29

應用領域:薄膜


   薄膜表面瑕疵就是在薄膜的生產過程中,由于各種原因導致表面出現缺陷。比如設備故障或性能不佳、操作人員操作不當、生產原料在傳送過程中被意外污染等都可能導致薄膜表面出現。在氟塑料薄膜生產過程中,要經過較多的工序,且每個工序都可能產生一些影響,從而產生瑕疵。表面瑕疵會嚴重地影響塑料薄膜的質量和品質,致使產品的殘次品率增加。檢測系統的目的就是在產品生產過程中及時發現這些瑕疵,通過修復和預防,盡可能降低由瑕疵導致的產品質量下降,有時也同時完成瑕疵的分類。
   由于瑕疵種類眾多,要找出一種能檢驗出所有瑕疵的通用模式識別算法的可能性不大。為了便于本文的討論,根據氟塑料薄膜表面瑕疵的特征,并結合常見的瑕疵類型,將薄膜表面瑕疵種類簡單地劃分有機物污染、金屬斑點、孔洞三類瑕疵。
常見的瑕疵檢測算法
   基于機器視覺的瑕疵檢測技術的核心內容是對采集的圖像進行分析將瑕疵從背景中分離出來,瑕疵檢測的圖像分析算法一般有兩類:一類是直接對圖像的灰度值在空間域進行分析和計算;另一類是通過傅立葉變換!小波變換等算法,先把圖像轉換到頻域,再進行分析和計算畔。
1.在空間域的瑕疵檢測算法
   在空間域進行瑕疵檢測的常用算法中包括灰度匹配法!數學形態法、灰度統計量法、紋理結構模型法。
   (1)灰度匹配法:它一般通過將待測產品與無瑕疵樣品進行灰度比較,求出兩者灰度的一種度量差,再與設定閩值比較,對待測圖像做出判斷。這種方法比較簡潔,檢測速度比較快,適合實時處理。但對圖像的質量要求較高,易受噪聲的影研句。
   (2)數學形態法:該算法首先根據標準無瑕疵圖像的自相關函數計算產品的基本重復單元;然后計算有瑕疵產品圖像像素點的灰度均值及標準差,并根據它們確定產品圖像瑕疵區域與無瑕疵區域的判別閉值。由己知的無瑕疵的產品圖像得到結構元素。實際檢測時,首先將待檢產品圖像的像素點與該閡值進行逐點比較,對圖像進行二值化,然后通過數學形態處理來判斷待檢產品是否帶有瑕疵并根據瑕疵的形狀確定瑕疵的類別。這種方法能夠判斷具體瑕疵的類別,但由于它要對像素點進行逐點二值化,因而受噪聲的影響大,容易引起錯誤檢測。其次,因為這種檢測方法的計算步驟多,所以處理速度較慢。
   (3)灰度統計量法:這種算法與形態法有些相似,首先根據標準無瑕疵產品圖像的自相關函數計算產品的基本重復單元。然后以基本重復單元為標準窗口大小,計算無瑕疵產品圖像中每幅窗口像素點的平均灰度,并求出這些平均灰度的均值和標準差,并根據公式來確定無瑕疵窗口和有瑕疵窗口的判別閉值。這種方法的關鍵在于選擇標準窗口的大小。窗口選擇太大,雖然能降低窗口平均灰度的標準差,但是瑕疵對窗口平均灰度的影響相對減弱,從而造成漏檢;另一方面,如果窗口選擇偏小,標準差將會增加而使判別閉值范圍很大,會引起誤檢。
  (4)紋理結構模型法:通過提取正常紋理中少量特征參數,建立相應的紋理模型,通過分析待檢測圖像找到異常信息來斷定瑕疵是否存在。首先根據無瑕疵樣品的圖像估計該隨機場模型參數,并以此為匹配模板。在實際檢測時,將待檢測圖像的模型參數與模板進行對比,通過統計假設法對待檢圖像做出判斷。該方法的最大優點在于采用較少的隨機場模型參數表示一幅產品圖像,同時又因為其模型參數的估計算法的效率高,從而減少了圖像分析的總體計算量。其次由于該方法從圖像時域信號統計的角度出發,它對瑕疵的檢測不受瑕疵類別的限制。這種方法的不足在于僅僅通過隨機場模型并不能最大限度地降低圖像分析的計算復雜度和提高圖像處理的速度,因而還不能實現瑕疵的快速自動檢測。這種方法比較容易從整體上檢測出有無瑕疵,但是難于精確地進行瑕疵分類。
2.在頻域的瑕疵檢測算法
   在頻域進行瑕疵檢測的常用算法中包括基于傅立葉變換的算法,基于小波變換的算法。
   (l)基于傅立葉變換的算法
   (a)基于傅立葉變換的檢測算法
   由于紋理信號的重復性使基于傅立葉變換的方法較適于采用頻譜方法進行分析。但由于基于傅立葉變換的檢測方法缺乏空間域中的定位能力。因此只適合于檢測全局瑕疵,而不適合檢測局部瑕疵。
   (b)基于Short-time傅立葉變換的檢測算法
   通過傅立葉變換可以獲取信號所含的頻率信息,但是并不知道這些頻率信息出現在那個時間段上?;赟hort-time傅立葉變換的檢測方法較好地解決了這個問題。它可以描述某一局部時間段上的頻率信息,能反映出一個信號在任意局部范圍的頻率信息。為了適應不同問題的需要,人們構造了多種形式的窗口函數,如常用的矩形窗、漢明窗等。這種方法具有空間域定位能力,具有空頻域結合分析能力。它的缺點是對閉值的選取很敏感,誤檢率較高,并且計算量很大。
   (2)基于小波變換的算法
   小波在瑕疵檢測中也具有較多的應用”小波濾波器系數和待檢產品圖像構成二次代價函數,再加上小波濾波器系數的正交約束條件構成一個二次函數”把瑕疵圖像經該濾波器濾波,二值化后瑕疵的位置有明顯的峰值”當濾波器系數個數同紋理重復單元的像素個數相等時,則說明瑕疵對自適應小波的反應最敏感”該算法一般情況下對瑕疵圖像作小波分解并對小波分解的緯向!經向輸出進行檢測”該算法具有多分辨率的特點,以及在時頻兩域表征信號局部特征的能力,非常適合檢測信號的奇異點,有利于瑕疵正確定位”小波變換則由于其檢測畸變信號的優良特性,使之成為傅立葉變換之后在信號檢測中最具發展前途的研究工具之一”
   這些頻域算法計算時一般較復雜,實時性較差,同一算法對不同類型瑕疵的適應性差,因而距實際應用尚有一定距離”
   由于瑕疵具有種類多樣性和形態復雜性等特點,使得此方向的研究還有待于開發出簡單易行的高效算法。本文綜合考慮上述各類算法的優缺點,結合氟塑料薄膜背景色單一的自身特點,采用基于灰度匹配的瑕疵檢測快速算法。因此,下一節將結合本文北京,討論三種常見的基于灰度的瑕疵檢測算法。從中得到適合本文的基于灰度匹配的瑕疵檢測快速算法。
三種常見的基于灰度的瑕疵檢測算法
   通過對以往研究的總結和對實際薄膜圖像的分析可知,薄膜圖像在灰度上呈現一定規律變化,具有一定的連續性和相關性,是一個灰度漸變的過程。而瑕疵則被認為是這種灰度連續性的破壞,即在瑕疵處出現與周圍灰度的突變。由此可見,對瑕疵的檢測過程其實就是一個薄膜圖像的灰度分析的過程。
   氟塑料薄膜瑕疵的種類較多,并且這些瑕疵大小不一,形態各異,造成這些瑕疵的原因也大相徑庭。因此,目前要找到一種能檢驗出所有瑕疵的通用模式識別算法不太現實。因此可以將瑕疵的類型分為有機物污染、金屬斑點、孔洞三類常見瑕疵。需要說明的是瑕疵的種類較多,以上分類只是包含了較常見的種類。
   三種常見的基于灰度的瑕疵檢測算法分別是直接閉值分割法,多次閉值分割法,標準模板匹配法。下面以本實驗所采集的瑕疵圖像進行實驗和比較。


圖1 采集的瑕疵圖像


(1)直接闡值分割法:
   對灰化后的圖像直接選取閩值進行閩值分割,濾波,可以檢測出瑕疵”此方法很難直接得到準確的閉值,需要依靠經驗;而且對圖像的質量要求較高,易受噪聲的影響”
(2)多次閉值分割法:
   本實驗中對灰化后的圖像直接用150進行閡值分割,可以檢測出金屬斑點,如圖2所示。由于剩下的孔洞和有機物污染差別較小,所以要進行直方圖均衡化把灰度差值拉大。對直方圖均衡化后的圖像用35進行閉值分割,可以檢測出孔洞。然而由于原圖像中存在灰度值較低的金屬斑點,直接進行直方圖均衡化,效果必然不夠明顯,因此這里的均衡化僅對金屬斑點以外的像素進行操作,如圖3所示。為了去除由于直方圖均衡化帶來的噪點,達到良好的效果,這里選用了3X3模板的中值濾波器進行濾波,如圖4所示。再對圖像進行直方圖均衡化吧灰度差值拉大,對直方圖均衡化的圖像用110進行閾值分割,如圖5所示,由于有機物污染一般面積較大,故選取9*9領域的中值濾波進行去噪,如圖6所示。
   其中,三次所選用的閾值是基于不同的領域。閾值150是直接原圖像上的灰度值,閾值35是經過一次直方圖均衡化新圖像上的灰度值,110是經過兩次直方圖均衡化后新圖像上的灰度值。



圖2 閾值分割 圖3 直方圖均衡化后的閾值分割



圖4 對圖3進行中值濾波 圖5 直方圖均衡化后的閾值分割 圖6 對圖5進行中值濾波


(3)標準模板匹配法:
   對圖像灰化后,選取沒有瑕疵的一行為模板。現選取第一行為模板。從第二行起,其它各行對應位上像素的灰度值分別與第一行相減,此時構造一個與原圖像大小相同的矩陣,各對應位上分別存放一次差分后的差值,這樣形成一個一次差分矩陣。再分別用閩值100,25,10檢測到金屬斑點、孔洞、有機物污染,如7至圖9所示。



圖7 一次差分后閾值分割(100)     圖8一次差分后閾值分割(25) 圖9 一次差分后閾值分割


三種算法分別從以下幾個方面加以比較:
(l)在程序執行時間上
   直接閉值分割法所用時間最少;多次閾值分割法在檢測孔洞和有機物污染之前要先分別做一次直方圖均衡化,再進行閉值分割,所以所用時間最多;標準模板匹配法先做一次差分,然后再用閉值分割,所以時間折中。
(2)在系統抗干擾性上
   由于實際生產的現場比試驗室情況復雜,存在各種干擾。所以對于同一瑕疵的檢測,閉值可調范圍越大,則說明此種方法抗干擾性強。直接閉值分割法很難直接得到準確的閑值,需要依靠經驗;而且對圖像的質量要求較高,易受噪聲的影響,所以閉值可調范圍最小。多次閡值分割法中金屬斑點的可調范圍是140~200,孔洞的可調范圍是25~40,有機物污染的可調范圍是90~180。標準模板匹配法中金屬斑點的可調范圍是60~120,孔洞的可調范圍是21~28,有機物污染的可調范圍是8~14。所以,多次閾值分割法對三種瑕疵的閉值可調范圍最大,標準模板匹配法次之,直接閉值分割法最小。即在抗干擾性上,多次閉值分割法最強,標準模板匹配法折中。直接閉值分割法最差,
(3)在所需的存儲空間上
   直接閉值分割法是對灰化后的圖像直接閉值分割,所以所需的存儲空間最??;多次閉值分割法需要存儲兩幅直方圖均衡化后的圖像(檢測孔洞和有機物污染時需要),然后再去閉值分割,所以所需的存儲空間最多;標準模板匹配法要
保留一幅一次差分后的圖像,所以所需的存儲空間折中
(4)在所需人工參與上
   由于各方法所包含的處理過程不同,而導致所需人工參與的多少不同。直接閾值分割法中包含的處理過程最少,方法簡單,調節范圍小,當外界環境變化時,需要的人工參與最多;多次閉值分割法中包含的處理過程最多,調節范圍大,能適應復雜的工況環境,需要的人工參與最少;標準模板匹配法中包含的處理過程數目折中,需要的人工參與也折中。


表1三種常見的基于灰度的檢測算法性能比較


  通過三種常見的基于灰度的檢測算法的對比,并結合課題的需求,本實驗中選擇標準模板匹配法和多次閉值分割法分別作為粗檢測和細檢測的核心方法。因此,本實驗采用粗檢測一細檢測兩步策略的瑕疵檢測算法。