機器視覺檢測分解

研究背景：產(chǎn)品表面質(zhì)量是產(chǎn)品質(zhì)量的重要構(gòu)成部分，也是產(chǎn)品商業(yè)價值的重要保障。產(chǎn)品表面缺點檢測技術(shù)從最初的依靠人工目視檢測到現(xiàn)在以CCD和數(shù)字圖像解決技術(shù)為代表的計算機視覺檢測技術(shù)，大致經(jīng)歷了三個階段，分別是傳統(tǒng)檢測技術(shù)階段、無損檢測技術(shù)階段、計算機視覺檢測技術(shù)階段。[]傳統(tǒng)檢測技術(shù)人工目視檢測法頻閃檢測法無損檢測技術(shù)渦流檢測法紅外檢測法漏磁檢測法計算機視覺檢測技術(shù)激光掃描檢測法CCD檢測法采用熒光管等照明設(shè)備，以一定方向照射到物體表面上，使用CCD攝像機來掃描物體表面，并將獲得的圖像信號輸入計算機，通過圖像預(yù)解決、缺點區(qū)域的邊沿檢測、缺點圖像二值化等圖像解決后，提取圖像中的表面缺點的有關(guān)特性參數(shù)，再進行缺點圖像識別，從而判斷出與否存在缺點及缺點的種類信息等。優(yōu)點：實時性好，精確度高，靈活性好，用途易于擴充，非接觸式無損檢測?；跈C器視覺的缺點檢測系統(tǒng)優(yōu)點：集成化生產(chǎn)縮短產(chǎn)品進入市場時間改善生產(chǎn)流程100%質(zhì)量確保實時過程監(jiān)控提高產(chǎn)量精確檢測100%檢測由于經(jīng)濟和技術(shù)因素國內(nèi)絕大多數(shù)圖像解決技術(shù)公司都以代理國外產(chǎn)品為主，沒有或者極少涉足擁有自主知識產(chǎn)權(quán)的機器視覺在線檢測設(shè)備，對視覺技術(shù)的開發(fā)應(yīng)用停留在比較低端的小系統(tǒng)集成上，對需要進行大數(shù)據(jù)量的實時在線檢測的研究極少也極少有成功案例，但是隨著國內(nèi)經(jīng)濟發(fā)展和技術(shù)手段不停提高對產(chǎn)品質(zhì)量檢測規(guī)定就更高，對在線檢測設(shè)備的需求也就更大含有巨大的市場潛力。機器視覺圖像解決技術(shù)是視覺檢測的核心技術(shù)鑄件常見缺點：砂眼氣孔縮孔披縫粘砂冷隔掉砂毛刺澆局限性缺點變形問題的提出：水漬、污跡等不屬于鑄件缺點，但由于其外觀形貌與缺點非常類似,因此易被檢測系統(tǒng)誤識為缺點。從現(xiàn)在發(fā)表的文獻來看，對于偽缺點的識別率較低。不同種缺點之間可能存在形狀、紋理等方面的相似性，造成缺點誤判。國外研究發(fā)呈現(xiàn)狀：20世紀90年代后，基于機器視覺檢測系統(tǒng)的自動化功效和實用化水平得到了進一步的提高。1990年芬蘭RautaruukkiNewTechnology公司研制了Smartivis表面檢測系統(tǒng)[]，該系統(tǒng)含有自學(xué)習(xí)分類功效，應(yīng)用機器學(xué)習(xí)辦法對決策樹構(gòu)造進行自動設(shè)計優(yōu)化。1996年美國Cognex公司研發(fā)了一套iLearn自學(xué)習(xí)分類器軟件系統(tǒng)并應(yīng)用于其研制了iS-自動檢測系統(tǒng)。通過這兩套系統(tǒng)的無縫銜接，極大地提高了檢測系統(tǒng)實時的運算速度，有效的改善了傳統(tǒng)自學(xué)習(xí)分類辦法在算法執(zhí)行速度、數(shù)據(jù)實時吞吐量、樣本訓(xùn)練集規(guī)模及模式特性自動選擇等方面的局限性之處[]。年P(guān)arsytec公司公布了新一代表面質(zhì)量檢測產(chǎn)品Parsytec5i，該系統(tǒng)運用了自學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類辦法進行缺點分類，將表面質(zhì)量信息輸入到支持決策信息中，不僅能夠?qū)Ξa(chǎn)品的表面質(zhì)量進行檢測和評價，還能預(yù)測潛在質(zhì)量問題，并將檢測信息提供應(yīng)使用者進行整合和運用[]國內(nèi)研究發(fā)呈現(xiàn)狀：北航周正干等人提出了一種新型的數(shù)學(xué)形態(tài)學(xué)濾波與計算機視覺算法相結(jié)合的缺點自動提取辦法。年北京科技大學(xué)徐科等采用線形激光進行連鑄坯表面裂紋的在線檢測，并用AdaBoosting分類器成功地實現(xiàn)了對表面裂紋、水痕、渣痕、氧化鐵皮和振痕等5種缺點和偽缺點樣本的識別。北京科技大學(xué)高效軋制國家工程研究中心研制開發(fā)了含有全部自主知識產(chǎn)權(quán)的冷軋帶鋼[19-20]和熱軋帶鋼表面在線檢測系統(tǒng)[21]，并在生產(chǎn)線上得到成功應(yīng)用?！痘诠舛攘Ⅲw學(xué)的金屬板帶表面微小缺點在線檢測辦法》徐科等機械工程學(xué)報檢測示意圖微小缺點與常規(guī)缺點同時檢測裝置核心點：二維圖像上缺點研究的核心是如何精確地分割出缺點目的。圖像目的分割辦法大多是為特定應(yīng)用設(shè)計的，含有較強的針對性和局限性。缺點分割就是指將感愛好的缺點目的從被測表面的背景信息（如顏色、輪廓、亮度、形狀）中分離出來，使缺點直接成為分析和解決對象的過程，是視覺檢測的核心。缺點分割是后續(xù)缺點分析鑒別的基礎(chǔ)，若分割中出現(xiàn)錯誤或誤差而傳輸給后續(xù)的圖像分析中，將造成檢測錯誤或失敗。因此，缺點分割性能的優(yōu)劣直接影響著后續(xù)的研究工作的進行，是表面缺點檢測中的一項核心技術(shù)。全局閾值分割雙峰法、自適應(yīng)迭代法和最大類間分割法東北林業(yè)大學(xué)紋理分割（可否獲得高質(zhì)量的圖像，突出缺點？）光源的作用是形成有助于后續(xù)檢測算法復(fù)雜度減少和缺點檢測率提高的鑄坯表面缺點圖像效果。光源的選擇直接關(guān)系到采集圖像的質(zhì)量和圖像中能否明顯表露存在的缺點。據(jù)統(tǒng)計，最少30%的圖像質(zhì)量和應(yīng)用效果受到光源選擇的直接影響。采集到的抱負圖像應(yīng)是完整的、均勻亮度、對比度強且沒有畸變。難點：由于生產(chǎn)環(huán)境而造成的偽缺點的出現(xiàn)極大的影響了檢測的精度和精確度，引發(fā)檢測系統(tǒng)的誤動作。多維視角分析在上圖某些環(huán)節(jié)的基礎(chǔ)上，增加了某些基于多維視角幾何的分析環(huán)節(jié)。多維視角分析的核心思想是，它能夠通過從不同的角度進行多維視角分析來獲取待測物體的更多的信息。它是一種在檢測容易被誤檢的復(fù)雜對象時非常有用的辦法，由于從不同角度對同一物體的兩個或多個視角能夠提高只通過一張圖像來檢測缺點的辦法的對的率。（剔除偽缺點，見文獻[][][]）圖2多角度獲取圖像信息特性提?。?對于表面缺點檢測，在缺點有效的分割之后，要進行缺點的鑒別。這里，缺點的鑒別涉及缺點識別、缺點分類、真?zhèn)稳秉c判斷、缺點參數(shù)給出等問題。如果將缺點的鑒別過程看做是一種“黑盒子”，那么這個“黑盒子”的輸入是陷圖像的多個特性數(shù)據(jù)，輸出是鑒別成果（類型、參數(shù)等）。征去除無意義特性。紋理特性提?。罕M量縮小同類內(nèi)樣本特性值之間的差距，增大不同類間特性值的差距，有助于提高分類器的性能，減少分類器設(shè)計的復(fù)雜性。Gabor濾波器：針對二維數(shù)字圖像，二維的Gabor濾波器含有優(yōu)良的濾波性能，并與生物視系統(tǒng)有相近的特點。二維Gabor濾波器能夠在方向、徑向頻率帶寬以及中心頻方面進行定制，因此在空間域和頻率域都能獲得極佳的分辨率。計算量大。小波變換：將紋理圖像當作是二維信號，運用二維離散小波變換進行紋理圖像的解決?？蓪D像在頻域上分解為低頻子帶（紋理的基本構(gòu)造）和若干方向上的高頻子帶（紋理細節(jié)），然后提取各子帶的特性形成特性向量。統(tǒng)計幾何特性提取辦法《基于非基于非下采樣Contourlet變換和PCNN的表面缺點自動識別辦法》周新星中國地質(zhì)大學(xué)首先用NSCT對缺點圖像進行多尺度多方向分解;然后將子帶圖像輸入迭代點火，計算點火圖的熵序列作為子圖的特性，合并各子圖特性得到原圖的特性向量;最后用支持向量機進行分類識別。NSCT原理示意圖PCNN中單個神經(jīng)元的模型分類：模式識別分類器。（SVM與神經(jīng)網(wǎng)絡(luò)）表面缺點檢測的應(yīng)用往往存在多個類型的表面缺點，因此，缺點識別問題普通是多類分類問題。分類的難點在于分類器的設(shè)計。現(xiàn)在慣用的分類器辦法大致能夠分為兩種：不需要學(xué)習(xí)的分類器和需要學(xué)習(xí)的分類器。不需要學(xué)習(xí)的分類器普通基于統(tǒng)計的辦法，如貝葉斯理論、距離鑒別、Fisher鑒別、k-鄰近法、聚類分析、決策樹分類等；需要學(xué)習(xí)的分類器如神經(jīng)網(wǎng)絡(luò)、支持向量機等。不需要學(xué)習(xí)的分類器往往需要大樣本支持，并且需要一定的先驗知識，計算量大，速度慢，因此，在實時檢測應(yīng)用中往往難以實現(xiàn)。（《注射制品表面缺點在線檢測與自動識別》華中科技大學(xué)材料成形與模具技術(shù)國家重點實驗室，提出一種基于缺點區(qū)域輪廓、制品輪廓、區(qū)域灰度等特性的缺點自動識別算法。缺點分類鑒定規(guī)則）需要學(xué)習(xí)的分類器，如果通過充足的、含有代表性的樣本學(xué)習(xí)訓(xùn)練后使分類器規(guī)則擬定，則可用于實時在線的檢測應(yīng)用。但神經(jīng)網(wǎng)絡(luò)的神經(jīng)元層數(shù)及每層神經(jīng)元的個數(shù)還是需要先驗知識擬定，且其計算原理基于最小方差理論，因此容易陷入局部最優(yōu)，且其分類思想還是基于經(jīng)驗風(fēng)險最小化原則。支持向量機（SVM,SupportVectorMachine）是在統(tǒng)計學(xué)習(xí)理論（SLT,tisticalLearningTheory）的基礎(chǔ)上發(fā)展起來的一種統(tǒng)計學(xué)習(xí)辦法，其核心思想構(gòu)造風(fēng)險最小化取代傳統(tǒng)分類器的經(jīng)驗風(fēng)險最小化[148]。支持向量機是一種建立在VC維和構(gòu)造最小化準則上的機器學(xué)習(xí)算法，通過學(xué)習(xí)，SVM能夠自動尋找那些對分類有較好分辨能力的支持向量，由此構(gòu)造出的分類器能夠最大化類之間的間隔，使不同的樣本能夠被分類器分開。因而有較好的推廣性能和較高的分類精確率。SVM已被用于文本分類、孤立的手寫體識別、語音識別、人臉識別、三維物體識別、遙感圖像分析等。支持向量機是一種高性能的分類算法，跟上面介紹的辦法相比有明顯的優(yōu)勢。支持向量機（SVM,SupportVectorMachine）是在統(tǒng)計學(xué)習(xí)理論（SLT,tisticalLearningTheory）的基礎(chǔ)上發(fā)展起來的一種統(tǒng)計學(xué)習(xí)辦法，其核心思想構(gòu)造風(fēng)險最小化取代傳統(tǒng)分類器的經(jīng)驗風(fēng)險最小化即使向量機是針對二分類問題的，由二分類器組合成的多分器在性能上也有較好的體現(xiàn)。隨著越來越多的對它的研究，將是機器學(xué)習(xí)中一項很有發(fā)展前景的技術(shù)。通過多個二分類向量器的組合構(gòu)造多分類向量器。一對多一對一DAGSVM：核函數(shù)核參數(shù)處罰因子減少訓(xùn)練時間減少向量機復(fù)雜程度多分類算法核心點：確保訓(xùn)練樣本的質(zhì)量，濾除噪聲。真?zhèn)稳秉c鑒別辦法：（國內(nèi)研究現(xiàn)狀）1.基于紋理的非模式圖像偽缺點甄別普通缺點出現(xiàn)時，缺點處的光學(xué)性能的變化呈現(xiàn)兩面性：大多數(shù)區(qū)域的透射性能減少，而局部社區(qū)域的透射性能卻增加。透射性能增加的位置其圖像區(qū)域灰度值呈偏亮的特性，由于這些偏亮的像素往往呈現(xiàn)離散的條紋狀分布在缺點核心的周邊，其反映了缺點核心的外圍輪廓，將之稱為缺點紋理。能夠通過從實時圖像中擬合出一種原則曲面D(i,j)，通過從實時圖像與原則曲面的差來求取缺點紋理。（《產(chǎn)品表面缺點在線檢測辦法研究及系統(tǒng)實現(xiàn)》彭向前華中科技大學(xué)）基于多幅圖像的缺點自動識別技術(shù)該辦法將識別過程分為兩步:缺點提取和缺點跟蹤。第一步運用傳統(tǒng)辦法在每幅圖像中分離出潛在缺點。這一步確保真缺點能全部提取出來，而不考慮偽缺點的數(shù)量。第二步力圖找出同一試件不同圖像中分離出的缺點之間的互有關(guān)系。如果第一步某一圖像中分離出的某一缺點在其它圖像中都找不到相對應(yīng)的缺點區(qū)域，就定義該缺點為偽缺點，也就是說，真缺點在不同圖像中必須滿足一定的幾何關(guān)系。多幅圖像中的缺點跟蹤綜合運用了極線約束、三維重建和三線性約束等立體視覺算法。（《航空發(fā)動機葉片X射線數(shù)字圖像分析的一種新辦法》周正干等北京航天航空大學(xué)）基于B樣條曲線及極值修正的缺點提取針對背景起伏大、對比度低、紋理復(fù)雜的圖像容易出現(xiàn)大量偽缺點。運用B樣條曲線以及極值修正的辦法，對列灰度曲線波形進行平滑優(yōu)化，然后通過對提取的極值進行分析提取，擬定缺點的邊界，最后分割和提取出缺點。減少誤判率。（《X射線焊縫圖像缺點自動提取與識別技術(shù)研究》梁硼南京航天航空大學(xué)）基于相鄰層切片信息的真?zhèn)稳秉c識別辦法識別流程圖：（《基于ICT切片圖像的零件內(nèi)部缺點三維重構(gòu)核心技術(shù)研究》方黎勇西南交通大學(xué)）5.可疑區(qū)域篩選有兩種辦法，一種辦法是去除偽缺點，另一種是挑選真缺點。由于偽缺點基本由水、氧化鐵皮與光照不均現(xiàn)象引發(fā)，很難找到算法將它們直接去除，因此只能采用第二種方案。通過增加4種不同類型的缺點檢測環(huán)節(jié)，去除了大量由水、氧化鐵皮等造成的偽缺點，在確保缺點檢出率的同時，減小缺點的誤識率。（《熱軋帶鋼表面缺點在線檢測的辦法與工業(yè)應(yīng)用》徐科等北京科技大學(xué)）在鍛造生產(chǎn)過程中,種種因素會使鑄件表面產(chǎn)生某些缺點。其中有些缺點如表面裂紋,不僅影響產(chǎn)品表面質(zhì)量,并且會造成較嚴重的生產(chǎn)事故。因此,如何能夠及時發(fā)現(xiàn)并消除表面缺點，成為人們關(guān)注的一種問題?，F(xiàn)在國內(nèi)鍛造生產(chǎn)廠家大多采用人工目測的辦法完畢該項工作,這種辦法勞動強度大、工作效率低,且檢測成果易受檢查人員技術(shù)素質(zhì)和經(jīng)驗及肉眼分辨能力和疲勞等主觀因素影響,缺少精確性和規(guī)范化,無法確保正常的產(chǎn)品質(zhì)量。鑄板的表面裂紋與其它缺點(如疤痕和振痕)或偽缺點(水痕、渣痕和氧化鐵皮)構(gòu)成,它們在各個方向上的紋理特性各有不同,能夠運用小波的多方向性特點對圖像進行分解后再作紋理分析.有選擇的舍棄或增強某方向的信息，能夠起到對某方向紋理的去除或增強作用。 CCD相機光源及照明方式獲取圖像數(shù)字圖像獲取圖像增強濾波 增強濾波形態(tài)學(xué)辦法圖像預(yù)解決理形態(tài)學(xué)辦法圖像預(yù)解決理變換 變換邊沿提取圖像分析邊沿提取圖像分析 目的分割目的分割特性提取 特性提取圖像理解圖像理解 分類器設(shè)計特性分析