基于数字 像处理的玻璃缺陷在线检测系统

摘  要： 研究了一种基于数字图像处理的玻璃缺陷在线检测系统，实现了对玻璃缺陷的实时检测、识别和分类，在缺陷提取上运用的是一种改进的归一化互相关算法,该算法可以显著提高图像的匹配速率和缺陷检测效率，在检测效率上比传统的算法提高了25.7%；在缺陷的识别分类上研究采用的是一种改进的支持向量机算法，该算法在检测精度和效率上都有较大的提高，在缺陷种类的识别上，其准确率可达到95%。
关键词： 玻璃缺陷； 数字图像处理； 缺陷检测

    近年来，玻璃行业在中国迅速发展，本土企业的产能也大大提高，加之中国经济与社会的发展，中国在未来几年将成为最重要的玻璃生产基地之一。随着玻璃市场的进一步扩大，国内玻璃产业迎来了前所未有的机遇，同时也面临着来自国际市场的严峻挑战。
    传统的玻璃质量检测方法主要是采取人工在线肉眼监视的方法，但人工检测速度慢，人眼检测还会受到外界因素的影响，不同的人甚至同一个人在不同的状态下检测标准也不尽相同,极易对缺陷造成漏检或错检[1]。因此，要保证玻璃检测的准确与稳定，就需一种客观有效的检测方法。
    本文研究一种基于数字图像处理的玻璃缺陷在线检测系统，该系统可以对玻璃在生产中出现的缺陷进行有效的检测。本系统以CCD摄像机作为图像传感器，以数字图像处理模块为玻璃缺陷检测的技术核心对玻璃制品进行检测。该系统能够客观精确地检测出玻璃制品的缺陷，并且不受外部环境的影响，有着较高的检测速度与精度，对于提高玻璃产品的质量与等级有着重要意义。
1 系统结构
    玻璃缺陷检测系统的结构如图1所示。本系统主要由传输带、照明系统、CCD摄像机及PC机等组成。其工作的大体流程为：首先CCD摄像机拍摄采集生产线上的玻璃制品图像[2]，该图像经过图像采集卡变换成计算机可识别的数字信号，然后送入计算机，由计算机对得到的图像进行检测识别，并把处理结果实时地显示在计算机上。

    本课题研究的玻璃是透明的，具有低的反射率，因此须采用透射照明的方式，为了使透射光线的强度尽可能大，根据透射原理，采用红色光源；该系统的照明要确保采集到的玻璃图像完整清晰，没有明显的色差，并且图像不能失真；此外，还需考虑光源的稳定性，使用寿命等因素，综上考虑采用红色的LED作为光源[3]。
2 图像预处理
    在对玻璃缺陷检测时需要对玻璃图像进行多次处理，通过对图像的处理来提高对缺陷检测的准确性，以提高玻璃的质量[4]。玻璃图像处理流程如图2所示。

3 缺陷特征提取及识别分类
    玻璃在生产过程中会出现气泡、结石、光畸变等各种缺陷，本文检测的对象就是玻璃制品上的缺陷，在检测过程中，提取缺陷的位置、面积、灰度等特征参数组成的特征向量，然后将这些可能带有缺陷的玻璃所具有的特征向量与已知的缺陷的特征向量进行比对[5]，以此判断缺陷的类型，其流程图如图4所示。

3.1 缺陷特征提取
    缺陷特征提取通常是运用图像模板匹配[6]的算法，图像的匹配算法可以分为基于区域的匹配方法、基于特征的匹配方法、基于模型的匹配以及基于变换域的匹配等。
    归一化互相关算法就是一种基于区域的匹配算法，该算法通过对比检测图像和模板图像得到缺陷图像，但该算法有计算量大、计算时间长的缺点。根据玻璃缺陷的特点，对归一化互相关算法进行改进，并且首次运用到玻璃缺陷的检测中。改进后的归一化互相关算法运用傅里叶变换进行相关的运算，由于傅里叶快速变换技术比直接计算的速度要快，因此用傅里叶变换进行频域相关计算是一种可行的方法。由于傅里叶变换将图像由空间域转换至频域，因此待测图像和标准图像的数据在空间上的相关运算可以转变为在频域上的复数乘法运算。根据傅里叶分析中的相关定理可知，2个函数在频域中的乘积等于它们在空间域中的卷积，而相关则是卷积的一种特定形式。
    由于傅里叶快速变换技术计算速度快，所以采用该方法可以显著提高图像的匹配速率，减少运算次数，也提高了缺陷检测系统的检测效率。
    根据算法将图像进行处理，将标准模板和待检测样品进行比对，以得到缺陷图像，其效果图如图5所示。

3.2 缺陷识别分类

    缺陷识别分类的目的在于具体细化缺陷，加强对缺陷的进一步认识，对于已发现的缺陷进行有效调整和后续补救有着重要的意义。
　目前缺陷识别分类方法主要是基于BP神经网络[7]算法。但这种算法有着不可避免的缺点，其网络结构不易确定，且迭代次数偏多，收敛速度较慢，因此需要对玻璃缺陷识别分类选择一种快速有效的算法。
    本文在缺陷分类上运用的是一种改进的支持向量机算法。改进的支持向量机算法的依据原则是结构风险最小化[8]，根据有限的样本信息在模型的复杂性和学习能力之间寻求最优分类面，以期达到最佳分类效果。如图6所示，图中的#和*是两种不同的训练样本，H是将其正确分开的分类线，H1、H2、H相互平行，H1、H2 都是距离H最近的两类样本的直线。H1与H2之间的距离即为分类距离，而最优分类线的作用就是保证正确分类的同时确保分类距离最大，将其推广到高维空间就成为最优分类面。

    在运用支持向量机算法检测玻璃缺陷时，选取了一种Gauss径向基核函数,其表达式为：
    
    表2中加粗的是正确的识别结果，其他的是错误识别，由此可以看出,四类缺陷的识别率都在90%以上，整体的识别率也达到95%,所以总体效果较好的。
    检测中出现误判结果的主要原因是，有些气泡十分细小，其外形与划伤类似，特征不是很明显，另外有些夹杂的形状也不确定，这也是造成误判的一个原因。
    本文基于数字图像处理玻璃缺陷的检测与识别分类中有较好的检测效率和较高的检测精度，在一定程度上可以满足玻璃缺陷的检测，在玻璃缺陷的检测和识别分类上有较好的效果。
参考文献
[1] 彭向前，陈幼平，余文勇.一种基于机器视觉的浮法玻璃质量在线检测系统[J]. 制造业自动化, 2007,29(12):50-52.
[2] 刘怀广，陈幼平，谢经明，等.浮法玻璃缺陷在线识别技术的研究[J]. 小型微型计算机系统，2011(4):738-742.
[3] 钟球盛，胡广华，李静蓉.光学薄膜表面微细缺陷在线检测方法研究[J].机械设计与制造,2011(10):102-104.
[4] 赵涟漪,徐宝杰,童亮.玻璃缺陷在线检测系统的研究[J].北京信息科技大学学报,2011,26(4):57-61.
[5] 裴克军.基于嵌入式图像处理的玻璃缺陷在线检测技术研究[J]. 电子测量技术, 2009,32(8):100-102.
[6] 张瑾,高军,付衍文.一种基于改进动态阈值的缺陷提取算法[J].包装工程,2012(11):107-111.
[7] 熊志明，方康玲，冯知凡，等.基于图像处理技术的铸坯表面缺陷自动检测系统的研究[J].机械与电子，2010(10):38-41.
[8] 丁世飞,齐丙娟,谭红艳.支持向量机理论与研究综述[J]. 电子科技大学学报,2011,40(1):2-8.