机器视觉表面缺陷检测综述Word文档下载推荐.docx

机器视觉表面缺陷检测综述Word文档下载推荐.docx

《机器视觉表面缺陷检测综述Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《机器视觉表面缺陷检测综述Word文档下载推荐.docx（24页珍藏版）》请在冰豆网上搜索。

如何提高算法的准确性、实时性和鲁棒性，一直是研究者们努力的方向。

结论 

机器视觉是对人类视觉的模拟，机器视觉表面检测涉及众多学科和理论，如何使检测进一步向自动化和智能化方向发展，还需要更深入的研究。

关键词

机器视觉;

表面缺陷;

检测算法;

图像处理;

图像识别

Reviewofsurfacedefectdetectionbasedonmachinevision

TangBo, 

KongJianyi, 

WuShiqian

SchoolofMechanicalandAutomationEngineering,WuhanUniversityofScienceandTechnology,Wuhan430081,China

Supportedby:

NaturalScienceFoundationofHubeiProvince,China（2016CFC752）

Abstract

Objective 

Surfacedefectsofindustrialproductsexertadverseeffectsonappearance,comfort,andserviceperformance,andenterprisesdetectthesesurfacedefectsofproductstocontrolthemintime.Themanualdetectionmethodisthetraditionalwayofsurfacedefectdetectionandischaracterizedbylowsamplingrate,accuracy,andefficiency,poorreal-timeperformance,highlaborintensity,andsensitivitytoartificialexperience.Thedetectionmethodbasedonmachinevisioncansignificantlyovercomethesedisadvantagesbymanualdetection.Machinevisiondetectionmethodcanfindafewproblemsexistingintheproductionprocessonthebasisofthedetectionresultstoeliminateorreduceproductdefects,preventpotentialtradedisputes,andmaintainenterprisehonor.Thedetectionmethodbasedonmachinevisionpresentsmanyachievementsandapplicationsinmetal,paperprinting,textile,ceramictile,glass,andwoodsurfacedefectdetectionathomeandabroad.Method 

Theresearchandapplicationofsurfacedefectdetectionbasedonmachinevisionarereviewedonthebasisofextensiveresearchandthedevelopmentresultsofrelevantliterature.Thebasicstructureandworkingprincipleofatypicalsurfacedefectdetectionsystembasedonmachinevisionareanalyzed,andtheresearchstatusandexistingvisualsoftwareandhardwareplatformsofsurfacedefectdetectionbasedonmachinevisionareintroduced.Therelevantresearchoftheoryandimagealgorithmforpreprocessing,segmentation,featureextractionandoptimization,andimagerecognitionaresummarized.Themaindifficultiesanddevelopmentofvisualdetectionofsurfacedefectsarepresented,andthedevelopmenttrendinthisfieldisconcluded.Thesurfacedefectdetectionsystembasedonmachinevisionincludesthefollowingmodules:

imageacquisition,imageprocessing,imageanalysis,datamanagement,andman-machineinterface.Theimageacquisitionmodulemainlyconsistsofchargecoupleddevice（CCD）cameras,opticallenses,andlightsources.Theimageprocessingmodulemainlyinvolvesimagedenoising,imageenhancementandrestoration,defectdetection,andobjectsegmentation.Theimageanalysismoduleismainlyconcernedwithfeatureextraction,featureselection,andimagerecognition.Thedatamanagementandman-machineinterfacemodulecandisplaythedefecttype,position,shape,andsizeandcancarryoutimagestorage,query,andstatistics.Imagepreprocessingaimstoreducenoiseandimprovethequalityofimagesandusuallyincludesspatialandfrequencydomainmethods.Inrecentyears,mathematicalmorphologyandwaveletmethodsareusedinimagedenoisingandobtaingoodresults.Imagesegmentationmeansdividinganimageintoseveralnon-overlappingregions;

eachregionpossessesthesameorsimilarcertainpropertiesorcharacteristics,buttheimagefeaturesbetweendifferentregionspresentobviousdifference.Existingimagesegmentationmethodsaremainlydividedintothreshold-based,region-based,andedge-basedsegmentationsandspecifictheorymethods.Atpresent,newtheoriesandmethodsofotherdisciplineshavebeenusedinimagesegmentation.Imagefeatureextractionisthemappingfromahigh-dimensionalimagespacetoalow-dimensionalfeaturespace.Imagefeaturescanbedividedintophysical,structural,andmathematicalcharacteristics.Amethodthatusesmachinetosimulatehumaneyeandnervoussystemaswellasphysicalandstructuralfeaturesdoesnotexist;

hence,mathematicalcharacteristicsareusedtodescribeimagefeaturesindigitalimageprocessing.Thecommonlyusedimagefeaturesatpresentaremainlytexturalfeatures,colorfeatures,andshapefeatures.Ifthefeaturedimensionoftheextractedimageistoohigh,thenredundantinformationwillexistintheextractedfeature,therebynotonlyincreasingtheprocessingtimebutalsodecreasingtheaccuracyofimageprocessing.Thecorrelationamongthefeaturedimensionsoftheextractedimagescanbedecreasedbydecreasingthefeaturedimensionwithfeatureselectionoroptimizationastheprocessingmethod.Featureselectionmethodmainlyincludesprincipalcomponentanalysis,independentcomponentanalysis,self-organizingmap,geneticalgorithm,andFisher,correlationanalysis,relief,Tabusearch,andnonlineardimensionalityreductionmethods.Theoryforguidingtheselectionandoptimizationoffeaturesisunavailabletodate.Statisticalandsyntacticpatternrecognitionsaretwobasicpatternrecognitionmethods,andartificialneuralnetworksandsupportvectormachinesarethemostwidelyusedstatisticalpatternrecognitionmethods. 

Result 

Surfacedefectdetectionbasedonmachinevisionwillbethemaindirectioninthefuture.Theoreticalresearchandpracticalapplicationofsurfacedefectdetectionbasedonmachinevisionhaveobtainedencouragingresultstodate,butsomeproblemsanddifficultiesremaintobesolved.Imageprocessingandanalysisalgorithm,whichincludeimagepreprocessing,segmentationofdefectregions,featureextractionandselection,anddefectrecognitionandclassification,areimportantconcepts.Manyalgorithmshaveappearedineachprocessingflow,andeachofwhichpossessesitsadvantagesanddisadvantagesandrangeofadaptation.Researchershavefocusedmostlyonimprovingthesignal-to-noiseratio,accuracy,efficiency,real-timeperformance,androbustnessofthedetectionsystem.Simulatingtheinformationprocessingfunctionofthehumanbraintoconstructanintelligentmachinevisionsystemstillneedsfurthertheoreticalresearch.Conclusion 

Surfacequalityinspectionbasedonmachinevisionhasbeenattractingmuchattentionandapplicationinmodernautomaticproduction.Thesurfaceofmachinevisiondetectioniscomplexandinvolvesmanydisciplinesandtheories.Machinevisionisthesimulationofhumanvision,butthevisualmechanismofhumansremainsunclear.Expressingthevisualprocessofhumansbycomputerisdifficult.Therefore,theconstructionofmachinevisioninspectionsystemshouldbefurtherimprovedthroughresearchofbiologicalvisionmechanism.Accordingly,thedetectionwillfurtherdeveloptothedirectionofautomationandintelligence.

Keywords

machinevision;

surfacedefect;

detectionalgorithm;

imageprocessing;

imagesrecognition

0引言

中国是一个制造大国，每天都要生产大量的工业产品。

用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。

但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。

不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。

表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。

人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法可以很大程度上克服上述弊端。

美国机器人工业协会（RIA）对机器视觉下的定义为：

“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置”[1]。

机器视觉是一种无接触、无损伤的自动检测技术，是实现设备自动化、智能化和精密控制的有效手段，具有安全可靠、光谱响应范围宽、可在恶劣环境下长时间工作和生产效率高等突出优点。

机器视觉检测系统通过适当的光源和图像传感器（CCD摄像机）获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。

视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。

图像获取模块由CCD摄像机、光学镜头、光源及其夹持装置等组成，其功能是完成产品表面图像的采集。

在光源的照明下，通过光学镜头将产品表面成像于相机传感器上，光信号先转换成电信号，进而转换成计算机能处理的数字信号。

目前工业用相机主要基于CCD或CMOS（complementarymetaloxidesemiconductor）芯片的相机。

CCD是目前机器视觉最为常用的图像传感器。

光源直接影响到图像的质量，其作用是克服环境光干扰，保证图像的稳定性，获得对比度尽可能高的图像。

目前常用的光源有卤素灯、荧光灯和发光二级管（LED）。

LED光源以体积小、功耗低、响应速度快、发光单色性好、可靠性高、光均匀稳定、易集成等优点获得了广泛的应用。

由光源构成的照明系统按其照射方法可分为明场照明与暗场照明、结构光照明与频闪光照明。

明场与暗场主要描述相机与光源的位置关系，明场照明指相机直接接收光源在目标上的反射光，一般相机与光源异侧分布，这种方式便于安装；

暗场照明指相机间接接收光源在目标上的散射光，一般相机与光源同侧分布，它的优点是能获得高对比度的图像。

结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的3维信息。

频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。

图像处理模块主要涉及图像去噪、图像增强与复原、缺陷的检测和目标分割。

由于现场环境、CCD图像光电转换、传输电路及电子元件都会使图像产生噪声，这些噪声降低了图像的质量从而对图像的处理和分析带来不良影响，所以要对图像进行预处理以去噪。

图像增强目是针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。

图像复原是通过计算机处理，对质量下降的图像加以重建或复原的处理过程。

图像复原很多时候采用与图像增强同样的方法，但图像增强的结果还需要下一阶段来验证；

而图像复原试图利用退化过程的先验知识，来恢复已被退化图像的本来面目，如加性噪声的消除、运动模糊的复原等。

图像分割的目的是把图像中目标区域分割出来，以便进行下一步的处理。

图像分析模块主要涉及特征提取、特征选择和图像识别。

特征提取的作用是从图像像素中提取可以描述目标特性的表达量，把不同目标间的差异映射到低维的特征空间，从而有利于压缩数据量、提高识别率。

表面缺陷检测通常提取的特征有纹理特征、几何形状特征、颜色特征、变换系数特征等，用这些多信息融合的特征向量来区可靠地区分不同类型的缺陷；

这些特征之间一般存在冗余信息，即并不能保证特征集是最优的，好的特征集应具备简约性和鲁棒性，为此，还需要进一步从特征集中选择更有利于分类的特征，即特征的选择。

图像识别主要根据提取的特征集来训练分类器，使其对表面缺陷类型进行正确的分类识别。

数据管理及人机接口模块可在显示器上立即显示缺陷类型、位置、形状、大小，对图像进行存储、查询、统计等。

机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。

机器视觉在工业检测、包装印刷、食品工业、航空航天、生物医学工程、军事科技、智能交通、文字识别等领域得到了广泛的应用。

工业检测领域是机器视觉应用中比重最大的领域，主要用于产品质量检测、产品分类、产品包装等，如：

零件装配完整性检测，装配尺寸精度检测，位置/角度测量，零件识别，PCB板检测，印刷品检测，瓶盖检测，玻璃、烟草、棉花检测，以及指纹、汽车牌照、人脸、条码等识别。

表面质量检测系统是工业检测的极其重要的组成部分，机器视觉表面缺陷检测在许多行业开始应用，涉及钢板[2-4]、玻璃[5-6]、印刷[7-9]、电子[10]、纺织品[11]、零件[12-13]、水果[14]、木材[15-16]、瓷砖[17-19]、钢轨[20]等多种关系国计民生的行业和产品。

1研究现状、视觉软件系统和研究平台

1.1研究现状

机器视觉在金属（特别是钢板）表面、纸张等印刷品、纺织品、磁砖、玻璃、木材等表面缺陷检测国内外有较多的研究成果，不乏成功应用系统和案例。

在钢板表面缺陷检测领域，美国Westinghouse公司采用线阵CCD摄像机和高强度的线光源检测钢板表面缺陷，并提出了将明域、暗域及微光域3种照明光路形式组合应用于检测系统的思路[21]。

这些系统可识别的缺陷种类相对较少，并且不具备对周期性缺陷的识别能力。

美国Cognex公司研制成功了iS-2000自动检测系统和iLearn自学习分类器软件系统[22]。

这两