基于机器视觉的黑片缺陷检测图像边缘提取算法研究

摘要

检测技术的发展在一定程度上标志着一个国家的科技水平。广泛应用于通信、医学、工业、交通、公安、航空航天、化工和国防等领域。然而传统的检测技术已经不能满足实际的应用，测量的精度、效率以及自动化程度都很难满足新的要求。例如在微小尺寸精密零件、板材缺陷、机器人焊接等。有些问题用传统检测方法是无法解决的。因此，研究新的检测技术具有很重要的实际意义。
　　 以图像处理技术为基础的机器视觉技术作为一种非接触检测手段已经越来越广泛的应用于产品检测中。机器视觉就是用机器代替人眼来做测量和判断，基于机器视觉的检测技术通常是指确定一个产品与给定的一组标准要求的偏差的过程。视觉缺陷检测是机器视觉众多应用中最为重要的领域之一，视觉缺陷检测技术具有非接触、精度高、速度快和智能化水平高、易于同设计信息与加工控制信息集成等优点，可以很好地满足零件的检测要求。视觉缺陷检测技术的目的是:提高检测的安全性和可靠性；提高产品质量；提高生产的柔性和自动化程度。事实表明，用视觉缺陷检测方法与人工视觉缺陷检测方法相比有诸多优势，如能够获得更高的精度和效率，对仪器精度要求不高，能够实现非接触检测。人类视觉检测是一个变化的过程，有研究报道称人工检测最多只能够达到80％的有效性。然而基于机器视觉的缺陷检测技术不仅能够检测产品是否符合规格，而且还能够检测出具体的偏差值大小，以便统计偏差产生的原因，方便后期的产品质量控制。
　　 本文依托的课题背景是项目“基于机器视觉的黑片缺陷检测”。黑片又名煅烧硅钢片，是硅钢片经过退火处理，然后通入氨气，使硅钢片的颜色发黑，因颜色是黑的所以叫黑片，是用来制作变压器或电机转子的一种材料，其厚度为1mm左右，几何形状为1/4圆环。它的平面几何参数的精确度对变压器的性能有重大的影响。通过在线实时检测黑片的平面几何参数，再与给定的一组标准要求相比，可以识别产品是否存在缺陷，从而生产出符合要求的产品。但是，传统接触式测量法容易对黑片零件产生损坏，而且精度很难保证，所以本课题应用基于机器视觉的缺陷检测技术来检测黑片的平面几何参数是否符合要求。缺陷检测的流程为：由CCD摄像机和图像采集卡采集黑片图像，将其转化为数字图像，先用定位技术把黑片图像定位到标准位置，然后对图像进行去噪处理，利用边缘提取算法提取出黑片图像的像素级边缘和亚像素级边缘，再利用提取出的边缘求得零件的一些几何参数和特征，然后与事先预设的允许度和其他条件输出结果，从而识别和排除有缺陷的产品。在此过程中边缘定位精度直接影响到几何参数的测量，这就要求检测系统能够精确的定位黑片边缘，正因如此，边缘提取技术是本课题的核心技术之一，对于课题的圆满完成具有重要的意义。
　　 图像的边缘包含了图像的大部分主要信息，图像的边缘是其最重要的信息载体之一,它包含对人类视觉和机器识别有价值的物体图像边缘信息。图像边缘是指图像中灰度有阶跃状或屋顶状变化的那些像素的集合，也就是信号发生突变的奇异点，例如灰度值的突变、纹理结构的突变、颜色的突变等，同时边缘也存在于不同交界处，例如目标与目标、目标与背景及区域与区域之间，它标示出目标物体或区域的实际含量,是图像识别信息最集中的地方。是图像分割、纹理特征提取和形状特征提取等图像分析所依赖的重要基础，也是从二维图像信息重构三维空间信息的基础。如果检测出这些边缘点，就给出了图像轮廓的位置，这些轮廓则常常是我们在图像处理时所需要的非常重要的一些特征条件。显然，在本文的基于机器视觉的黑片缺陷检测系统中，零件尺寸测量的关键在于边缘的提取，为特征匹配提供所需的二维轮廓线。因此,图像边缘提取这一领域还有待于进一步深入研究，依据具体的需要，设计新的方法或改进现在的方法来满足实际要求依然是研究的主流方向。
　　 提高黑片平面几何参数的测量精度，是提高黑片缺陷检测系统精度的重要方法之一，而对黑片边缘的高精度定位是黑片平面几何测量的基础。传统的图像边缘提取算法其提取的边缘定位精度最高只能达到一个像素，然而边缘存在于像素点内的任何位置，整像素级边缘提取最大误差为0.5个像素，在生产线上这点误差极有可能导致生产出的零件不符合规格。可采用亚像素边缘定位技术来提高精度，可以把亚像素边缘定位技术理解为一种可以使分辨率小于1个像素的图像处理技术。亚像素边缘定位技术是根据图像特征采用一定的算法将图像的基本组成单位像素进行细分，使用它的前提条件是目标具有一定的灰度和形状分布。利用这一技术可以从软件的角度提高检测系统的精度，降低成本，并且实现简单。因此，亚像素的边缘定位方法对于本课题十分重要，也是本文研究的一个主要内容。
　　 论文围绕图像边缘提取技术做了如下工作：
　　 第一，论述了机器视觉技术在黑片缺陷检测中的可行性、必要性和其理论与实践的价值。并说明了边缘提取技术在黑片缺陷检测中的必要性，详细阐述了边缘提取技术在国内外研究动态。
　　 第二，对边缘提取的基础理论和主要方法进行了较为详细的归纳总结，分析了边缘提取中存在的难点，讨论了现在面临的问题。介绍了边缘的定义及分类，并简要介绍了边缘提取技术的分类。
　　 第三，介绍了经典的边缘提取算法，具体包括一阶微分边缘提取方法：Roberts算子、Sobel算子和Priwitt算子，二阶梯度边缘提取方法：拉普拉斯算子、Log算子，基于最优化理论的Canny算子等。对每种算法进行了实验，给出了各算法的实验结果和比较，并分析了各算法在随机噪声情况下的特性。
　　 第四，研究了基于数学形态学的边缘提取方法，详细地阐述了数学形态学的基本理论，包括膨胀、腐蚀运算，开、闭运算，将各种运算从二值形态学推广到灰度形态学。考虑只采用一种尺度的结构元素,其提取的图像边缘只包含一种边缘信息，会使图像中边缘的大部分细节特征都呈现为线段,这就触发我们在数学形态学边缘提取中引入多尺度的思想，将不同尺度下的结构元素对图像边缘进行提取,这样可以充分保持图像中的各种边缘细节。利用这一思想，改进了一种多尺度数学形态学边缘提取算法，并进行了相关的实验，该方法提取的黑片图像边缘清晰，不存在伪边缘，并且抗噪声性能好，以至于在图像含有大量随机噪声的情况下，仍然能较好的提取边缘。因此，可以把本文的改进的多尺度数学形态学边缘提取算法应用于黑片图像边缘提取中。
　　 第五，研究了亚像素边缘提取算法。介绍了常用的亚像素边缘提取算法，如曲线拟合法、插值法、矩法。研究了基于Zernike矩的算子具有正交性、对噪声图像不敏感等优点，但算法运算时间较长，不能满足黑片在线检测的实时性要求。本文首先用二值化的方法提出目标，然后提取出二值图像的像素级边缘，膨胀图像来加宽边缘，适当的加大搜索范围，保存这些像素级边缘点，然后对提取出的像素级边缘用改进后的Zernike矩来进行亚像素边缘定位。从几组实验结果分析可得，本文的亚像素边缘定位算法运算时间短。克服了整像素级算子定位精度低及亚像素算子运算时间长的缺点，综合了二者的优点，适用于对速度要求较高的领域。对黑片图像进行边缘定位得到了较好的效果，为下一步的特征匹配打下了良好的基础。