田國富，馬書新，高峰
（沈陽工業大學 機械工程學院，遼寧 沈陽 110870）
摘要：提出了一種基于圖像處理的玻璃缺陷實時檢測系統。闡述了系統的基本原理和結構，著重研究了系統的核心技術：中值濾波、圖像分割、邊緣檢測、缺陷定位、參數計算與缺陷識別。實驗結果表明，該系統的檢測識別率高，達到95%;速度快，處理周期約350 ms;抗干擾能力強，基本能夠實現鋼化玻璃缺陷的在線檢測要求。
關鍵詞：玻璃缺陷;實時檢測;圖像處理;BP神經網絡
0引言
現在的玻璃缺陷檢測系統主要是利用人工檢測、激光檢測和摩爾干涉定理的方法。人工檢測容易帶來主觀誤差，激光檢測易受干擾，摩爾干涉定理檢測往往占用大量的檢測時間，不能適應自動化生產線。將圖像測量技術應用于玻璃的非接觸測量，可以避免主觀誤差，提高檢測效率［1］。
1系統概述
1.1系統的整體結構
圖1所示為玻璃缺陷實時檢測系統的基本結構，主要包括：LED光源、CCD陣列攝像機、圖像處理單元、顯示器、通信/輸入輸出單元等。
圖1實時檢測系統結構示意圖玻璃原板的檢測幅面較大，檢測精度和效率要求較高，故系統采用C/S網絡化分布的并行處理方式［2］。如圖2所示,使用柯拉光路透鏡組以獲取均勻穩定的視場強度，使用遮光罩避免了外部光的干擾。
1.2系統的基本原理
圖3為實時檢測原理示意圖，光源背面垂直照射玻璃，由攝像機組拍攝圖像，傳輸到計算機中，由軟件進行圖像分析，提取缺陷的位置，特征參數及判別類型，并通過局域以太網發送至總服務器 ［3］。
2玻璃圖像的精確測量
在光源照射下，玻璃缺陷的圖像顯示是非常明顯的，這就為圖像檢測奠定了基礎。圖4所示為缺陷的圖像檢測算法步驟［4］。
2.1圖像去噪
采用了一種改進的自適應中值濾波算法 ［5］，其過程如下：假設玻璃圖像大小為m×n，T的初值為玻璃圖像總像素的一半，即T=mn/2。
(1)窗口回復缺省值，對新開始的內容排序并建立直方圖,確定其值P,同時記下亮度Pi不大于P的像素數目Q。
(2)因最左列亮度PL的每個像素為P,且H［PL］ =H［PL］-1。則H［PL］即為直方圖最左列亮度的像素數。
(3)將窗口右移1列,因最右列亮度PR的每個像素為P,且H［PR］=H［PR］+1。如果PR<P,則置Q=Q+1。
(4)若Q>T則轉步驟(5)。重復Q=Q+H［P］, P=P+1;直到Q≥T,則轉步驟(6)。
(5)重復P=P-1,Q=Q-H［P］,直到Q≤T。
(6)如果窗口的右側列不是玻璃圖像的右邊界,則轉步驟(2)。
(7)如果窗口的底行不是玻璃圖像的下邊界,則轉步驟(1)。
2.2閾值分割
提出了一種復合型閾值分割算法。
2.2.1基于自跟蹤的閾值曲面分割方法［6］
在檢測前采集一無缺陷玻璃圖像，將其灰度分布曲面作為初始曲面f0(x,y)。假設圖像為m×n, R(x,y)為實時圖像，G為平均灰度差變化：
以G為修正值對f0(x,y)修正，得到新的閾值曲面T(x,y),有
T(x,y)=f0(x,y)+G(2)
為了保證分割時缺陷的特征，必須保持各像素間的灰度關系，因此采用式（3）所示的向下分割［7］：
2.2.2自適應閾值分割［8］
整幅圖像總像素像素的灰度值比閾值T小的像素個數記作N1，比閾值T大的像素個數記作N2，則目標像素點數在整幅圖像中所占比例為C1=N1M×N,平均灰度為U1,背景像素點數在整幅圖像中所占比例為C2=N2M×N,平均灰度為U2。其中N1+N2=M×N, U1+U2=1。則圖像的加權平均灰度值U與類間方差g分別為：
U=C1×U1+C2×U2(4)
g=C1×(U-U1)2+C2×(U-U2)2(5)
當g最大時，目標與背景的對比度最大，可用遍歷法得到對應的最大最佳閾值T，然后進行圖像二值化分割。
2.3圖像邊緣檢測
本文采用了一種二階段逼近式亞像素邊緣檢測算法。
2.3.1圖像邊緣粗定位
Sobel算子能確定邊緣點的位置和方向，對噪聲具有平滑作用，所以在邊緣粗定位時選用Sobel算子［8］。給定閾值T，根據圖5可知，若像素f(x,y)附近存在邊緣時，梯度值S(x, y)需要滿足以下關系：
S(x,y)≥S(x+1,y)>S(x+2,y),
S(x,y)≥S(x-1,y)>S(x-2,y),S(x,y)>T
（x,y-2）（x,y-1）(x-2,y)（x-1,y）（x, y）（x+1,y）（x+2,y）（x,y+1）（x,y+2）
2.3.2圖像邊緣精定位
選取5個像素點，橫坐標x代表像素值，其取值分別設為-2、-1、0、1、2，其縱坐標y代表各點對應的灰度值，依據施密特正交化法得到正交基，如式（6）所示：
則灰度分布擬合表達式為：
F5(x)=a0×G0(x)+a1×G1(x)+a2×G2(x)
+a3×G3(x)+a4×G4(x)+a5×G5(x)(7)
根據最小二乘法原理有：
根據函數的極值求解條件,求解的x即是亞像素點的位置。
2.4缺陷區域定位
在同一實驗環境下，分別采用8鄰域搜索算法及RLE算法對同一幅8 000×6 000的含缺陷的灰度圖像進行處理，記錄時間運算周期，結果如表1所示［9］。
2.5缺陷特征參數提取［10］
本文提取如下4種特征參數作為區分缺陷類型的指標: 缺陷核心面積、缺陷目標的伸長度、周長和圓形度。
（1）面積A定義為區域內所包圍的像素點數。計算方法是掃描整幅圖像，統計目標邊界及內部的全部像素數，公式為：
（2）伸長度Q可以把細長目標和近似圓形或方形目標區分開來，公式為：
Q=DL/A(13)
其中，A為缺陷區域面積，D與L分別為目標寬度和長度。
（3）周長Z即區域邊界的長度。假設每個點是面積為1的一個小方塊，對圖像邊緣做出標記，累計所標記的像素總數，即為周長。標記方法如下：
①定義一個二維數組h(i, j)=1，其中(i, j)是值為 1的點的坐標。
②對整幅圖像從上到下掃描，比較相鄰兩點的值，若值為1和0，則令h1(i, j)=1,記錄滿足條件的像素數目Z1；再從左到右掃描，比較相鄰兩點的值，若值為1和0，則令h2(i, j)=1，記錄像素數目Z2。
③計算Z=Z1+Z2，Z為區域邊界的周長。
（4）圓形度O主要用來區分圓形或橢圓形缺陷(氣泡等）及細長狀缺陷（裂紋或異物摻雜等），可用式（14）求解：
O=A/Z2（14）
2.6缺陷類型識別
2.6.1缺陷類型識別原理
若當均勻光垂直入射沒有雜質的玻璃時，出射光的強度也是均勻的，方向也不會發生改變，如圖6(a)所示；若遇到光透射型缺陷，光線在缺陷位置發生折射，相機靶面上探測到的光相應增強，如圖6(b)所示；若遇到光吸收型雜質，則該缺陷位置的光會變弱，相機靶面上探測到的光比周圍的光要弱，如圖6(c)所示［10］。
2.6.2缺陷類型識別方法
考慮到玻璃缺陷分類的多類性和非線性,系統采用三層BP算法的神經網絡識別缺陷。缺陷識別流程如圖7所示。隱含層節點數取7,激活函數為sigmoid函數，將雜質特征參數作為網絡輸入，網絡輸出為雜質類型，在誤差反饋時采用動量項和自適應學習速度的方法改進網絡訓練［11］。
實驗證明,在誤差范圍達到0.002時，缺陷識別率在95%,對大于0.4 mm的缺陷分類準確率達92%,滿足了浮法玻璃缺陷在線分類的要求。
3實驗數據與誤差分析
系統每處理一幀6 140×2 000的圖像時間為350 ms,以縱向0.2 mm/pixel的分辨率計算, 30 m/min的速度對應采集每幀的時間為540 ms>350 ms,算法很好地滿足了缺陷在線檢測的實時性要求。
圖8玻璃缺陷對圖8所示兩種缺陷圖像進行實時處理，計算區域特征參數并進行識別分類，數據如表2所示，可以看出，算法具有較高的識別正確率和分類準確率。
4結論
針對鋼化玻璃生產企業的需求，采用視覺檢測方法，實現了玻璃缺陷快速定位、計算和類型識別，缺陷識別率在95%以上，分類準確率達92%。儀器的連續性好，抗干擾能力強，在應對鋼化玻璃的自爆問題上可以發揮很大作用。
參考文獻
［1］ 石兵華,金永,王召巴.基于數字光柵投影的浮法玻璃缺陷檢測方法研究［J］. 光電子.激光, 2014,25（3）:521525.
［2］ 王飛,崔鳳奎,劉建亭，等.一種平板玻璃缺陷在線檢測系統的研究［J］.應用光學, 2010,31(1）:9599.
［3］ 趙漣漪,許寶杰,童亮. 玻璃缺陷在線檢測系統的研究［J］.北京信息科技大學學報(自然科學版),2011,26(4):5761.
［4］ 楊繼亮,金永,王召巴.基于線陣CCD的玻璃缺陷檢測系統研究［J］.傳感器與微系統,2011,30(11):2527.
［5］ 周欣,鄧文怡,劉力雙. 玻璃缺陷快速檢測分類研究［J］. 微計算機信息, 2008,28(27):304305，20.
［6］ 楊杰,盧盛林,趙曉芳. 機器視覺在鋼化玻璃缺陷檢測中的應用研究［J］.計算機技術與發展, 2013,23(3):211214.
［7］ 趙健,高軍,羅超,等.基于數字圖像處理的玻璃缺陷在線檢測系統［J］.電子技術應用, 2013,39(12):9092.
［8］ 田國富,高峰. 一種圖像亞像素邊緣檢測算法的改進研究［J］. 微型機與應用, 2015,34(21):4042.
［9］ 余文勇,周祖德,陳幼平. 一種浮法玻璃全面缺陷在線檢測系統［J］. 華中科技大學學報(自然科學版),2007,35(8):14.
［10］ 劉懷廣,陳幼平,謝經明,等. 浮法玻璃缺陷在線識別技術的研究［J］. 小型微型計算機系統, 2011,38(4):738742.
［11］ 吳丹. 玻璃缺陷識別算法研究［J］. 現代工業經濟和信息化,2015,5(2):7273.