砂紙生產中砂紙缺陷自動檢測系統(tǒng)的設計

砂紙生產中砂紙缺陷自動檢測系統(tǒng)的設計,砂紙,生產,出產,缺陷,缺點,自動檢測,系統(tǒng),設計 砂紙生產中砂紙缺陷自動檢測系統(tǒng)的設計摘要隨著科技的發(fā)展進步，自動化的普及，砂紙作為一種生產過程中必備的研磨工具，已實現(xiàn)生產完全自動化。但是其質量檢測仍然采用傳統(tǒng)的目測法。這種方法成本高，效率低，受主觀性影響，不確定性太大。因此需要一種低成本，高效率，精確的方法代替滯后的目測法。本文通過對國內外文獻的研究，提出了基于機器視覺的砂紙缺陷自動檢測系統(tǒng)的基本思路。砂紙缺陷在線檢測是在合適的光源下，用攝像器材對砂紙進行圖像采集，用計算機對采集到的圖像進行圖像處理，然后對缺陷自動識別。典型的砂紙缺陷有缺砂、堆砂、折痕、劃痕、破損等。本文完成的主要工作如下：1、簡介機器視覺與無損檢測的概念與研究現(xiàn)狀。并說明無損檢測技術在砂紙缺陷檢測系統(tǒng)中的應用。2、通過對系統(tǒng)中用來采集圖像的攝像器材和光源進行分析，完成了試驗設備的搭建。系統(tǒng)針對砂紙缺陷特征的復雜性，選用了漫反射作為照明方式。3、通過對圖像處理相關技術的學習和研究，對各種圖像處理算法進行分析比較，本文采用迭代閾值分割算法，對采集到的缺陷圖像閾值分割。實現(xiàn)對缺砂，堆沙，劃痕的特征提取。4、實驗驗證本文提出的適合砂紙的圖像處理算法。經實驗驗證，該系統(tǒng)能夠在特定情況下完成砂紙表面缺陷的檢測。關鍵詞：砂紙，缺陷檢測，機器視覺，圖像處理THE DESIGN OF AN AUTOMATIC DEFECT SYSTEM FOR DEFECTIONS OF SANDPAPER IN PRODUCTIONABSTRACTWith the development of technology,sandpaper becoming as an fully automatedessential tool in the production.But the quality detection still adopts the traditional method.However,the traditional method is higher cost and lower efficiency which is also influenced by subjectivity feelings.So that we should find another method to instead of that method.An automatic defect detection system based on machine vision for sandpaper is introduced in this paper.CCD-camera is used to collect the images in suitable lighting. Then the defect detection system can be used to identify the defects automatically. The typical defects can be classified into sand lacking, sand accumulation, creases, nick, damage, etc. The concept and researching status about machine vision and non-destructive testing are introduced. Then the appliances of the non-destruction testing technique in the sandpaper defect detection system are illustrated.After that, based on the analysis of the image processing equipment and light source, a test equipment is built in this paper. Additionally, to tackle the complexity of the sandpaper defections, the diffuse reflection is utilized to light the system. Further, based on some corresponding technologies of image processing, the comparison of various image processing algorithms are completed. And in order to extract the features of the sandpaper defects, the iterative threshold segmentation algorithm is presented to cut the images collected.Finally, numerical experiment results are included to validate the proposed suitable image processing algorithms for sandpaper.The experiment results show that, by applying this system, the sandpaper surface defect detection can be completed in certain situations.Key words:Sandpaper, Defect Detection, Machine Vision, Image Procession目 錄1. 緒論.11.1 引言.11.2 砂紙缺陷種類及檢測現(xiàn)狀.11.3 基于機器視覺的無損檢測技術概述.21.3.1 機器視覺21.3.2 無損檢測31.4 課題研究內容.42. 砂紙缺陷檢測系統(tǒng)總體設計方案.62.1 圖像采集設備.62.2 光源系統(tǒng).62.3 系統(tǒng)硬件系統(tǒng).73. 砂紙缺陷檢測的圖像處理.83.1 圖像預處理83.1.1 RGB 顏色空間83.1.2 彩色圖像灰度轉換.83.2 圖像增強83.2.1 中值濾波93.2.2 高斯濾波103.2.3 圓形均值濾波103.3 圖像分割133.3.1 雙峰法143.3.2 迭代閾值分割143.3.3 大津法143.4 圖像的形態(tài)學運算154. 軟件部分仿真實驗.214.1 軟件概述.214.2 軟件系統(tǒng)總體框架214.3 主要功能.225. 結論.25參考文獻27致謝29附錄3011 緒論1.1 引言砂紙，俗稱砂皮，一種常用的磨具。常用來把金屬、木材表面打磨光滑。根據(jù)砂紙表面使用砂粒的不同，將砂紙分為玻璃砂紙、金剛砂紙、人造金剛砂紙等。砂紙生產過程中，植砂是非常重要的環(huán)節(jié)，即將砂粒均勻的涂覆在原紙表面，在這個環(huán)節(jié)中非常容易出現(xiàn)砂紙缺陷。目前砂紙的生產制造完全實現(xiàn)自動化生產，但是產品的質量檢測環(huán)節(jié)還是主要是依靠工人目測。這種低效率、低產能、高成本、高投入的滯后的檢測技術長期得不到改善。為了在工業(yè)生產中實現(xiàn)高效，實時，準確的砂紙缺陷自動檢測，許多國內外生產廠家和研發(fā)人員正在不斷探索。1.2 砂紙缺陷種類及檢測現(xiàn)狀在實際生產過程中，任何產品都不會全部合格。砂紙也不例外，在生產中的任何環(huán)節(jié)都有可能使砂紙出現(xiàn)缺陷。常見砂紙缺陷及產生原因見表 1-1：表 1-1 砂紙缺陷種類及產生原因序號 缺陷類別 產生原因1 表面鋒利 涂膠量過大；干燥時間短溫度低未完全干燥；磨料質量差2 脫砂 涂膠量過??；干燥時間不夠溫度過低3 柔軟性差 干燥時間過長溫度過高；胺基清漆用量過大4 缺膠缺砂 涂膠混有臟物；膠面劃道；砂箱堵塞25 砂團 膠團；紙面有疙瘩；磨料結團；漆皮及雜質；底膠太厚6 粗粒 磨料中混入粗料；植砂設備未打掃干凈7 折印 原紙受潮起皺；生產時張緊力太大或太小；繞卷是過緊過松；干燥不均勻8 透膠 原紙耐水性不好松緊不一；浸漬厚度不夠9 花臉 上砂不勻；預干燥不夠，卷繞或復膠時脫砂嚴重在實際生產中，砂紙生產廠家都是通過具有一定工作經驗的工人眼睛目測和鋼尺測量的方法對砂紙質量進行檢測的。在科技飛速發(fā)展的背景下，對效率、速度要求越來越高。這種落后的方法已不再適用。而且這這種方法受工人主觀性影響，不同的工人可能檢測出來不同的結果。無損檢測替代人工檢測成為必然的發(fā)展趨勢。無損檢測是未來檢測技術的發(fā)展方向，使用智能的計算機視覺技術對砂紙表面缺陷進行檢測具有高效性，快速性，準確性，經濟型等優(yōu)點。1.3 基于機器視覺的無損檢測技術概述1.3.1 機器視覺機器視覺利用計算機的計算能力、處理能力來模擬的視覺功能、判斷能力，從而完成對物體的識別、判斷 [1]。發(fā)展至今，機器視覺已有 20 多年的發(fā)展歷史。在此期間新的理論和技術不斷的涌現(xiàn)。在理論方面有模式識別，神經網(wǎng)絡等。在技術方面有 ARM，F(xiàn)PGA 等，理論和技術不斷的互相促進發(fā)展，使機器視覺在實際生產中應用越來越廣泛 [2]。目前,機器視覺檢測技術廣泛應用于工業(yè)、軍事、國防、醫(yī)學等各個領域 [3]。在工業(yè)生產中，機器視覺主要應用于物體的識別、尺寸的檢測和缺陷的檢測等方面 [4]。機器視覺系統(tǒng)的基本構成如圖 1-1 所示，在一定光照條件下，將攝像器材采集到的關于被檢測的物體的圖像，傳輸給圖像處理系統(tǒng)，再根據(jù)圖像中所包含的信息如像素、亮度等，通過圖像處理算法對這些信息進行處理，得到目標3的特征，如面積、長度等，再根據(jù)預設的約束條件輸出想要得到結果，如尺寸、角度、個數(shù)等，實現(xiàn)自動識別功能。圖 1-1 機器視覺的系統(tǒng)構成1.3.2 無損檢測無損檢測（non-destructive testing NDT）也叫無損探傷(non-destructive examination NDE），顧名思義是指在不破壞被檢測物體的前提下，根據(jù)聲波、光線、磁場等對材料內部的異?；蛉毕莶课坏姆磻?，通過物理或化學方法，憑借現(xiàn)代化的技術和先進的設備器材，對試件內部或表面的紋理、結構、性質、數(shù)量、形狀、位置、尺寸進行檢查和測試的方法 [5]。通過使用依靠激光、超聲、電磁等原理的現(xiàn)代化儀器，可以在不損壞物體的前提下，對材料、產品進行缺陷檢測，得到缺陷的特征信息。中國無損檢測學術組織是中國機械工程學會無損檢測學會，TC56 是其標準化機構 [6]。目前無損檢測已被廣泛應用于自動化生產,與傳統(tǒng)的檢測手段相比,無損檢測具有不可替代的優(yōu)點 [7]。1.3.2.1 無損檢測國外研究現(xiàn)狀1985 年,日本的千葉廠和川崎廠首先將激光掃描技術應用于實際生產中,其圖像采集設備的光學裝置選用了會聚透鏡和一個濾光面罩,增強了檢測缺陷的能力 [8]。1988 年 ,德國 SICK 公司 [9]將五套表面缺陷檢測設備安裝在在冷軋廠檢測4線上, 利用激光原理對鋼板在自動生產過程中進行缺陷檢測 [10]。自上世紀 90 年代至今，線陣 CCD 技術逐漸出現(xiàn)在世人眼前，與早期的激光逐點掃面相比，線陣 CCD 采集到的圖像效果更好 [11]。德國 NANO systems 公司研發(fā)了 NANO 系統(tǒng)，該系統(tǒng)就是采用的線陣 CCD 攝像頭，該系統(tǒng)可以在高帶寬，高速度下，檢測最小尺寸為 0.5mm 的帶鋼表面缺陷 [12]。1997 年，德國 Parsytec 公司為韓國浦項制鐵公司研制了 HTS-2 冷軋帶鋼表面缺陷檢測系統(tǒng) [13]，該系統(tǒng)首次將基于人工神經網(wǎng)絡（ANN）的分類器設計技術應用于鋼板檢測領域。英國 European Electronic System 公司（EES）研發(fā)的熱軋帶鋼表面檢測系統(tǒng)，相比于同類產品缺陷檢測能力更強、缺陷圖像質量更高，系統(tǒng)對環(huán)境的適應能力更好，更加可靠、實用，歐美主要鋼鐵制造企業(yè)已將其應用在實際生產中 [14]。1.3.2.2 無損檢測國內研究現(xiàn)狀我國無損檢測技術的研究工作目前尚處在起步階段，與西方發(fā)達國家相比，整體水平比較低，在實際生產中的應用還很低端。90 年代初，華中理工大學羅志勇等將激光掃描方法應用在測量冷軋鋼板寬度和檢測孔洞缺陷上，并為該系統(tǒng)研發(fā)了相應的信號處理電路，此后又開展了基于線陣 CCD 和面陣 CCD 的檢測技術的研發(fā)工作 [15]。1995 年，他們又開發(fā)出了利用多臺面陣 CCD 相機成像，對冷軋帶鋼表面孔洞、重皮和邊裂等缺陷進行檢測的實驗系統(tǒng)。同年，哈爾濱工業(yè)大學機器人研究所開始研究對帶鋼表面的主要缺陷進行靜態(tài)檢測和識別。2002 年，北京科技大學徐科等人開發(fā)了一種圖像采集系統(tǒng)，該系統(tǒng)采集鋼板表面圖像使用了多個面陣 CCD 攝像機同時采集 [16]。 2004 年浙江大學雙元公司推出了 SYWIS3000 紙病檢測分選系統(tǒng) [17]，這是最早出現(xiàn)的紙張缺陷視覺檢測系統(tǒng)，是國內第一個自行研發(fā)的紙病檢測系統(tǒng)，然而該系統(tǒng)的應用也僅限于實驗室，未見其應用于國內的企業(yè)。1.4 課題研究內容本課題的主要目的是研究一種基于計算機視覺的砂紙質量檢測方法，以圖像處理技術為手段，結合砂紙本身特性，對上述缺陷進行自動識別和檢測，以代替現(xiàn)有的人工檢測，適應生產線完全自動化的要求。完成本系統(tǒng)首先要選取5光源和攝像器材的選取，然后使用計算機對采集到的圖像進行處理，最后輸出使用者需要的缺陷處信息。本課題的主要工作有以下四點：（1） 調查研究工業(yè)生產行業(yè)中先進的表面缺陷檢測技術進。（2） 完成試驗設備的搭建。（3） 針對砂紙表面缺陷特征，設計驗證適合砂紙的相關圖像處理算法。 （4） 使用該算法，檢測砂紙表面缺陷，驗證該算法的有效性。62 砂紙在線檢測系統(tǒng)總體方案設計2.1 圖像采集設備圖像采集設備在在整個系統(tǒng)中的作用相當于人的眼睛，用來獲取外部信息。為達到系統(tǒng)的要求，選用攝像器材時需要滿足考慮以下幾個問題：（1）攝像器材的分辨率：在工業(yè)成產中，選擇攝像頭的分辨率需要考慮被檢測物體的幅面和檢測精度。（2）攝像器材的采集速度：用幀率（Frames per Second FPS）即每秒顯示幀數(shù)表示攝像器材的圖像采集速度。檢測對象的運動速度決定了攝像器材的幀率選擇。本課題中砂紙生產過程中的卷軸轉動速度不是很快，可以選用低幀率的攝像器材，可以降低成本。（3）工作距離：相機鏡頭與被觀察物體之間的距離。本課題需要拍攝到比較清晰的圖像，但并不是說離砂紙的距離越近越清晰。本文使用微距模式進行拍攝，但是不能距離砂紙表面過近，因為可能會出現(xiàn)將砂紙表面的砂粒拍攝的過于清晰的情況，導致后期圖像處理出現(xiàn)問題，誤判為缺陷。綜上考慮，根據(jù)工業(yè)生產中常用的 CMOS 芯片的攝像機使用情況，本課題選用 MV-VDM120SM/SC 相機。該相機性能參數(shù)為：最高分辨率：，像素尺寸： ，光學尺寸 ，幀率 ，信噪比960128?m?75.3.?“3/1fps0，可通過外部信號觸發(fā)采集或連續(xù)采集，使用 USB3.0 接口輸出。本課dB5?題中攝像頭與砂紙間距離為 ，可以穩(wěn)定采集砂紙圖片。102.2 光源系統(tǒng)光源作為系統(tǒng)中的關鍵部分，光源選擇的不好會直接對處理結果造成影響。7光源應以最合適的方式將光線投射到被檢測的物體表面，使被檢測物體的特征更加突出。照明系統(tǒng)設計的越好，圖像采集的效果就越好，后期的處理就越簡單算法的設計也將更為簡單。光源及照明方式比較實際生產中，主要使用掃描法、透射法、光照漫反射法作為缺陷檢測系統(tǒng)的照明方式。這三種照明方式各有優(yōu)缺點，適合不同的情況。通過比較這幾種照明方式，選擇最適合砂紙缺陷檢測的照明方式。（1）掃描法：常用于傳統(tǒng)工業(yè)檢測中。本課題中檢測砂紙這樣大面積的表面缺陷，且分辨率在毫米級，如果采用掃描法進行檢測需要非常多的 CMOS 芯片。如果只使用一個 CMOS 芯片，則需要用幾百分鐘的時間進行檢測，速度過慢，不滿足實時處理的要求。所以本課題不采用這種方法。（2）透射法：工業(yè)中使用這種方法常采用背景光源，背景光源放置在被測物體的下方。不透光部分在成像時呈現(xiàn)黑斑。這種方法通常用于檢測特征和背景之間有明顯的透光差異的物體。將這種方法應用在砂紙的缺陷檢測中，使用效果并不理想，所以本實驗沒有采用透射法。（3）漫反射法：因其設備簡單，價格低廉被廣泛應用于工業(yè)無損檢測中。在本課題中，因為砂紙表面的紋理特性，缺陷區(qū)域反射率高，能與非缺陷區(qū)域對比強烈，能突出缺陷特征。經過分析對比，本文選用條形光源，這種光源適合對大面積表面進行檢測，并且?guī)缀踹m合所有缺陷的檢測。2.3 系統(tǒng)硬件架構根據(jù)前文分析的硬件選擇，下面給出了本本課題所使用的硬件設備的結構示意圖，如圖 2-1 所示。8圖 2-1 硬件系統(tǒng)結構示意圖在圖 2-1 中，采用兩個條形光源，并對稱放置作為光源系統(tǒng)。這樣可以降低因光照不均對處理結果的影響。使用線陣 CCD 相機對圖像進行采集，再將采集到的圖像傳輸?shù)接嬎銠C中，使用后文中所設計的算法對圖像進行處理，最后輸出處理結果。硬件系統(tǒng)的基本工作原理為：攝像機采集圖片→數(shù)據(jù)傳入 PC機→圖像處理→輸出缺陷信息。硬件系統(tǒng)原理如圖 2-2 所示。9圖 2-2 硬件系統(tǒng)原理框圖103 砂紙缺陷檢測的圖像處理使用數(shù)字圖像處理技術首先需要進行圖像獲取。在圖像采集過程中必不可少的會引入光照不勻，攝像設備等噪聲干擾。在向計算機傳輸圖像信息的過程中，也會受到外界因素干擾而產生噪聲。所以，在檢測缺陷前需進行圖像預處理，降低噪聲對處理結果的干擾。3.1 圖像預處理通過攝像設備采集到的圖像并不是馬上進行處理的，而是需要先對圖像進行預處理，如灰度轉換，圖像幾何變換。3.1.1 RGB 顏色空間數(shù)字圖像的每一個網(wǎng)格上都填充了唯一的一種顏色，顏色空間就是計算機中顏色的表示方法。RGB（Red、Green、Blue）顏色空間是常用的一種顏色模型，稱其為與設備相關的色彩空間。其原理為：在陰極射線顯像管顯示系統(tǒng)中，彩色陰極射線管使用 R、G、B 的數(shù)值來驅動電子發(fā)射電子，分別刺激熒光屏上用來顯示 R、 G、B 顏色的熒光粉發(fā)出不同亮度的光線。3.1.2 彩色圖像灰度轉換本課題中使用的是彩色相機，采集到的圖像是彩色圖像，需要對彩色圖像進行灰度轉換。因為如果直接使用彩色圖像進行處理，有可能會出現(xiàn)處理速度慢，需要的算法復雜，占用儲存空間大等問題。因此，在圖像處理前需要將彩色圖像轉換成灰度圖像。灰度圖像所包含的信息足夠支撐分析意圖，灰度轉換可以提高圖像處理速度，并且可以降低算法的復雜性。3.2 圖像增強11增強處理的目的在于突出圖像中感興趣的部分，抑制不感興趣的成分。根據(jù)不同的情況，使用不同的圖像增強，有時可能需要強調圖像整體特性，有時又可能需要強調圖像的局部特性。可能需要把原本不清晰的圖像變清晰，也可能需要將原本清晰的圖像變模糊。在不同的場合下，圖像增強處理的手段和目的常常是完全不同的。3.2.1 中值濾波圖像的中值濾波是一種非線性的圖像處理方法，它把與它相鄰的區(qū)域內的灰度按從小到大的順序排列，選擇中間的灰度值作為作為他自己的灰度。一般采用的是 個點的滑動窗口。中值濾波窗口形狀有很多種，常用)12()(??n的有線性、方形、X 形等形狀。中值濾波的窗口大小通常在 3、5、7 等奇數(shù)中選擇，具體數(shù)值根據(jù)實際情況對不同大小的窗口處理結果進行對比，選擇最佳大小。本課題中砂紙缺陷部分形狀特征的差別，檢測系統(tǒng)中使用的窗口為 n×n型。圖 3-1 中列舉了幾種常用的采樣窗口。由于中值濾波需要采樣窗口內取灰度排序后位于中間的灰度作為結果，所以采樣窗口通覆蓋的像素個數(shù)通常為奇數(shù)。圖 3-1 中值濾波采樣窗口在中值濾波算法中，對孤立的像素的點關注并不高，但是認為圖像中的每個像素與跟它相鄰的像素有著密切的關系，該算法會在每一個鄰域中選取選取一個最可能代表這個鄰域特征的像素灰度作為中心像素的灰度。這種方法能很好的消除孤立噪聲點，對密集或稍大的噪聲點也可以很好的去除。尤其是在處12理椒鹽噪聲效果非常明顯。中值濾波對去除脈沖噪聲有良好效果，并且能夠同時去除噪聲和保護信號的邊緣不被模糊。中值濾波的這些優(yōu)點是線性濾波所不具有的。此外，中值濾波還具有算法簡單，處理速度快，硬件易于實現(xiàn)等優(yōu)點。所以，中值濾波方法一經提出后，便廣泛應用在圖像處理中。3.2.2 高斯濾波高斯濾波是一種線性平滑濾波，利用鄰域平均的思想對圖像進行平滑。在高斯濾波中，對圖像鄰域平均時，對不同位置的像素賦予不同的權值。在圖 3-2中顯示的是 鄰域的高斯模版。3?圖 3-2 高斯模版如圖 3-2 所示，越靠近鄰域中心的位置，所賦予的權值越大。如此賦予權值的意義在于在對圖像平滑時，能同時做到對圖像細節(jié)進行模糊且保留圖像的總體灰度分布特征。高斯濾波的優(yōu)勢在于對圖像的總體特征的提取和增強，但是對于高對比度的圖像平滑效率比較低，消除離散型噪聲效果不理想。3.2.3 均值濾波均值濾波是最典型的線性濾波。其基本原理為：利用卷積運算對圖像的鄰域像素灰度進行平均。使用這種方法能達到減少圖像噪聲影響，降低圖像對比度的目的。使用如圖 3-3 所示的卷積模版，選用 9 作為衰減因子，實現(xiàn)簡單的均值濾波。13圖 3-3 簡單卷積模版值得注意的是，鄰域內的像素灰度值相同時，卷積運算結果與原來像素灰度值相同，可以使圖像均值濾波處理后不會產生新的噪聲影響。在均值濾波中，可以用增大鄰域邊長的方法消除更多的噪聲，但是圖像的對比度也會降低很多。實用均值濾波方法消噪的代價是大幅降低圖像的對比度。使用以上提到的三種濾波，對不同的缺陷圖像進行處理，得到如圖 3-4、圖3-5、圖 3-6、圖 3-7 所示的結果。圖 3-4 使用不同濾波對堆沙缺陷進行處理14圖 3-5 使用不同濾波對刮痕缺陷進行處理圖 3-6 使用不同濾波對折痕缺陷進行處理15圖 3-7 使用不同濾波對褶皺缺陷進行處理經過對以上使用不同濾波進行處理的圖片進行對比，不難發(fā)現(xiàn)視同中值濾波的處理結果最好。能在減低圖像噪聲的同時，保持圖像清晰。本文使用中值濾波進行圖像的預處理。使用均值濾波需要考慮其窗口選擇的問題。下面對窗口選擇進行分析比較。分別使用 、 、 的中值濾3?57?波窗口，對同一圖像進行處理，得到如下結果，分別如圖 3-8、圖 3-9、圖 3-10所示：圖 3-8 3×3 中值濾波16圖 3-9 5×5 中值濾波圖 3-10 7×7 中值濾波通過對以上處理結果的對比，可以發(fā)現(xiàn)使用 3×3 大小的窗口進行中值濾波，噪聲去除的效果最好，窗口增大后，缺陷部分輪廓變得模糊。因此本文采用窗口為 3×3 大小的中值濾波進行消噪處理。3.3 圖像分割閾值分割是一種根據(jù)圖像直方圖使用閾值圖像像素分為若干類的圖像分割技術。這種圖像分割方法的優(yōu)點是實現(xiàn)簡單，計算量小，性能穩(wěn)定。但在圖像灰度差異不明顯的圖像分割無法做到精確的分割。其基本算法為：設原灰度圖像為 ，設定一個閾值 T，則二值圖像為：),(yxf????10),g(yxTyxf??),(實際應用中，常用的閾值分割方法有：雙峰法，迭代法，大津法（OTSU法）等。3.3.1 雙峰法雙峰法的原理非常簡單：該方法認為一副圖像由兩部分組成，分別為前景和背景，它們在灰度直方圖上分別形成高峰，圖像閾值就在雙峰之間的最低谷處。這種方法簡單的同時，缺點也很明顯。那就是如果圖像復雜的話，不只兩個峰值，會導致閾值選取失敗。173.3.2 迭代閾值分割迭代法的基本思想是逼近，其原理是：首先猜測一個初始閾值 T，通常取灰度的平均值，在圖像處理中不斷改變這個閾值，從而得到最佳的閾值。之后計算分割后的兩個區(qū)域的平均閾值，低于 T 的區(qū)域平均閾值定為 Tb， 大于 T 的區(qū)域平均值定為 T0，則新的閾值為 。不斷重復以上步驟，當重復到2/0）（ b?第 k 次時，有 ??????????NTjTjTitkkkkkk hjdi1111 ][2][0當 時，迭代算法停止。 為最終的閾值。1??kTk采用迭代二值化閾值分割的圖象處理效果比雙峰法要好。經過不斷迭代運算得出的閾值能較為準確將圖像的前景和背景分割開，但是在圖像的細節(jié)處還無法做到準確的分割。3.3.3 大津法（OTSU 法）1979 年，日本學者大津提出了 OTSU 算法，該算法的基本思想是聚類，基本內容是把圖像的灰度數(shù)分成 2 個部分，使最大的灰度差異在兩個部分之間，最小的灰度差異在每個部分之間，通過方差的計算找到一個合適的灰度級來劃分?；驹頌椋涸O t 為前景與背景的分割閾值，前景點數(shù)占圖像比例為 ，0w平均灰度為 ；背景點數(shù)占圖像比例為 ，平均灰度為 。圖像的總平均灰度0u1w1u為 [18]： 10u???當前景和背景之間的方差最大時，得到的這個 t 值就是我們想要求得的閾值。其中，方差的計算公式如下： 2120)()(uwug??????方差可以作為衡量灰度分布是否均勻的一種方法,方差越大,意味著前景和背18景之間的差異越大,而當前景和背景都有一部分被錯分為另一部分是兩部分之間的方差就會變小，而減少錯分的概率，因此，如果類間方差達到最大，則此時的錯分的概率為最低。綜合考慮，本文采用迭代二值化法閾值分割。下面是采用迭代二值化法閾值分割的原圖和效果圖。圖 3-11 處理劃痕缺陷效果圖處理結果表明，經過迭代法多次運算，能將缺陷特征準確的分割出來，缺陷特征輪廓清晰，使用迭代法處理砂紙缺陷結果令人比較滿意。但是由于系統(tǒng)圖像采集使用漫反射方法，光線照射不均勻，光線集中的地方比較亮，遠離光照中心的區(qū)域，相對亮度較低一些，非缺陷部分亮度較高的區(qū)域經過二值化處理，可能誤判為缺陷，形成噪聲。下文將對殘余的噪聲進行處理。3.4 圖像的形態(tài)學處理開閉運算常用于圖像的形態(tài)學處理。開閉運算在實踐應用中，因具有處理速度快，算法思路清晰等特點，而被廣泛應用于許多領域。開運算和閉運算都要用到腐蝕和膨脹。下面簡單介紹下腐蝕和膨脹的原理與算法。腐蝕：消除邊界點，使邊界向內部收縮的過程。腐蝕操作常常用來去除無意義的小物體。腐蝕的基本算法：使用一個大小為 3x3 的結構元素，對圖像的19每一個像素都掃描一遍，用結構元素根其覆蓋的元素做“與”操作，如果結果都為 1，那么該點的圖像像素為 1，不然為 0。腐蝕的結果：使二值圖像縮小一圈。腐蝕的基本原理：在數(shù)字形態(tài)學中，設 A 是在（ x,y）平面上的一個目標區(qū)域，S 為大小和形狀確定的結構元素，定義 S 所表示的區(qū)域為 S（x,y），S（x,y）位于（ x,y）平面上，這樣對于 A 的腐蝕結果為：?????yxyx/),(),(膨脹：把與物體相鄰的所有背景點都融合到此物體中，使邊界向外部擴張的過程。膨脹操作常常用來填補物體中的空洞。膨脹的基本算法：使用一個大小為 3x3 的結構元素，對圖像的每一個像素都掃描一遍，用結構元素跟覆蓋的元素做“與”操作，如果結果都為 0，那么該點的圖像像素為 0，不然為 1。膨脹結果：使二值圖像增大一圈。膨脹的基本原理：在數(shù)字形態(tài)學中，設 A 為（x,y）平面上的一個目標區(qū)域，S 為大小和形狀確定的結構元素，定義 S 所表示的區(qū)域為 S（x,y），S （ x,y）在（x,y）上，這樣對于 A 的膨脹結果為：??????yxSAyx),(),(|,在數(shù)字圖像形的態(tài)學處理中腐蝕和膨脹是最基本的兩個算子，通過對它們的組合及配合集合的運算，可以構造出形態(tài)學運算簇。常用 A+S 表示 S 對 A膨脹，用 A-S 表示 S 對 A 腐蝕，定義 表示 S 對 A 做開運算、 表示 S??對 A 做閉運算，則有如下關系： ???)(?SAS?對于目標圖像 A 的開運算可以理解成先對 A 腐蝕，再膨脹；而 A 的閉運算可以理解成先對 A 膨脹，再腐蝕。在圖像處理中，常用開閉運算來對目標圖像進行過濾和填補。開運算：圖像的開運算可以理解為對目標圖像先腐蝕，再膨脹。但膨脹恢復后的結果是有損的，就是說開運算后的圖像與原圖像并不相同。開運算處理20后只有附近存在完整結構元素的像素點會被留下，而其他附近沒有完整結構元素的的像素點會被清除。在圖 3-12 中，a 代表目標圖像， b 為經過開運算處理的圖像。圖像的開運算常常用來消除孤立的小像素點，在物體纖細點使其分離，在不改變面積的前提下對較大物體的邊界進行平滑。使用開運算對圖像進行消噪處理時，可以選擇性的保留目標圖像中與結構元素相同部分，而消除掉相與結構元素不同的部分。圖 3-12 圖像開運算的性質閉運算：圖像的閉運算可以理解為對目標圖像先膨脹，后腐蝕，但腐蝕恢復的結果同樣是不同于原圖像的。閉運算的處理結果常常會在原圖像上增填一些新的像素。經過閉運算的處理，原圖像中距離相對較近的區(qū)域可能會被連接起來，通常會放大孤立的元素點，結構元素的形狀和大小決定元素點放大的形狀和大小。在圖 3-13 中，a 為目標圖像，b 為經過閉運算處理的圖像，圖中A、B 點在經過閉運算處理后被連接，因為 A、B 兩點所在的位置距離較為接近，C 點所在位置距離 A、B 點所在位置距離較遠，所以不能被連接。常用閉運算對目標圖像中的縫隙和空洞進行填補，或對分開的切鄰近區(qū)域進行連接，在不改變面積的前提下平滑其邊界。如果結構元素選擇合適，圖像經過閉運算處理可以使圖像中填補的區(qū)域具有一定的幾何特征，適當進行閉運算是可以同時使圖像變得更加清晰和連貫，且不讓圖像中的線條變粗。21圖 3-13 圖像閉運算的性質原始圖像經過迭代二值化法閾值分割后進行開閉運算效果如下：劃痕缺陷經過開閉運算處理后的效果圖，如圖 3-14 所示：a 原始圖像 b 閾值分割結果c 開閉運算結果22圖 3-14 開閉運算處理劃痕缺陷結果在圖 3-14 中，經過閾值分割處理后，殘余的噪聲，在經過開閉運算后明顯減少了。堆砂缺陷經過開閉運算處理后的效果圖，如圖 3-15 所示：a 原始圖像b 閾值分割結果23c 開閉運算結果圖 3-15 開閉運算處理堆砂缺陷結果在圖 3-15 中，經過閾值分割處理后的圖像還有很多細小噪聲不規(guī)則的分布在圖像中，經過開閉運算處理后，噪聲基本消除，消噪效果良好。通過對以上處理結果分析，可以得出結論，經過開閉運算的處理，圖像消噪效果明顯，并且對圖像中孔洞也進行了填補，圖像變得更加清晰連貫，并且輪廓也變得更加平滑了，由此可見，開閉運算的處理結果令人滿意。經開閉運算處理后，對圖像是否有缺陷進行判斷。本課題采用比值法判斷砂紙是否存在缺陷。求出缺陷部分的像素數(shù)量與圖像的總像素數(shù)量的比值。使用這個比值與一個預先設定好的閾值做比較，大于這個閾值則為有缺陷，反之則為無缺陷。這個預先設定好的閾值通過多組有缺陷的圖片的白色像素的比例對比，如表 4-1 所示，然后選取一個合適的閾值范圍，本課題中閾值選取的范圍定為 0~0.004。由于處理過程中可能會有噪聲無法消除，所以這個閾值不能為 0。為防止漏檢和誤檢，這個閾值選取得不能太大也不能太小，本文暫選取 0.002 為閾值。在不同環(huán)境中，該閾值需要根據(jù)實際情況進行對應的調整。表 4-1 不同圖像白色像素比例圖像 無缺陷砂紙圖像 1無缺陷砂紙圖像 2堆沙圖像 1 堆沙圖像 2 劃痕圖像白色像素比例0 0 0.0046 0.0045 0.0057244 軟件部分仿真實驗4.1 軟件概述本課題在已有的缺陷檢測理論基礎上，完成了硬件部分的設計。軟件部分設計使用美國 MathWorks 公司研發(fā)的 MATLAB 軟件，完成了整個檢測系統(tǒng)軟件部分的開發(fā)?？紤]到實際生產過程中，不同工人的操作方式不同，水平不同，在保證功能的前提下，盡可能使軟件理解起來簡單易懂，操作上方便快捷，人機交互友好。 MATLAB 具有的優(yōu)點：一、速率較高的編程，較于 C 語言等更簡潔明了；二、方面快捷的實用，一種調試和編寫比 VB 還易于理解編寫的語言；三、彈性較大，庫函數(shù)包容性強，一些復雜的數(shù)學公式可直接調用于窗口。MATLAB 軟件編譯環(huán)境對用戶非常友好，編寫語言簡單易于掌握，視界窗口簡潔不復雜，分析數(shù)據(jù)和處理圖像有較強的能力。由于 MATLAB 軟件的快捷化，它在各大領域得到很多實際運用并有實際效益，尤其是在模塊集合工具箱方面的運用更為廣泛。4.2 軟件系統(tǒng)總體框架軟件部分作為系統(tǒng)的核心部分，實現(xiàn)的主演功能為：圖像獲取、圖像處理、輸出結果。圖像獲?。鹤鳛閳D像信息的來源，圖像獲取在系統(tǒng)中的作用非常重要。采集到的圖像的好壞，直接影響圖像處理結果的好壞。論文在第二章已經完成了硬件設備的確定，這里不再具體闡述。譯文及原文譯文：基于圖像處理的瓷磚表面缺陷檢測的分析與評價摘要陶瓷、瓷磚行業(yè)需要對產品質量進行分級。目前，分級通常使用人工控制系統(tǒng)。自動分級系統(tǒng)對增強質量控制和產品營銷至關重要。因為在瓷磚生產線的不同階段會產生六種不同類型的缺陷,所以提出了許多圖像處理技術對不同缺陷進行檢測。本文調查了已被用于檢測表面缺陷的模式識別和圖像處理算法。每個方法似乎是有限的檢測缺陷的一些小組。檢測技術可以分為三類:統(tǒng)計模式識別,提取特征向量和紋理圖像分類。方法如小波變換、濾波、形態(tài)學和輪廓波變換都能使預處理任務更有效。其他包括統(tǒng)計方法、神經網(wǎng)絡和基于模型的算法可以應用于提取表面缺陷。統(tǒng)計方法適合識別大斑點等缺陷,小波處理等技術檢測小針孔等缺陷。本文對目前的算法進行了徹底調查，并且對評價參數(shù)的監(jiān)督和非監(jiān)督參數(shù)進行討論。用各種性能參數(shù),對不同的缺陷檢測算法進行比較和評估。1.引言如今,陶瓷,瓷磚行業(yè)代表最具活力的產業(yè)之一,在產品和自動化生產上有各種各樣的創(chuàng)新。然而產品的缺陷檢測和分級仍然由人工完成，自動分級尚未完善的[1]。分級與整個制造線有隱性的關系，因為各種表面缺陷,如顏色、像圖,裂縫或擦傷,弧度,碰撞會在瓷磚生產的不同階段產生[1]。自動分級的主要困難是在缺陷檢測時所需的圖像處理算法。不同等級的挑戰(zhàn)就是各種各樣的顏色,不同的紋理設計,實時處理要求,大塊的缺陷[1]。當前分級通常分為三個階段:首先,線性刨床衡量瓷磚弧度衡量;然后,堆垛機衡量大小差異；最后,表面缺陷是由人工視覺檢測并在產品表面用馬克筆標記。這種傳統(tǒng)且非自動分級過程面臨的問題是誤差大,過程不可重復,高成本,低速度。工業(yè)生產線的另一個負面因素來自于人道主義人員和不健康的環(huán)境。自動分級系統(tǒng)將有更高的效率,更低的成本,并且能使產品類型統(tǒng)一。當前瓷磚和陶瓷驗證市場大量需要自動分級來提高的生產速度[2]。在現(xiàn)代生產線,瓷磚實際上是將上述三個評估標準分為五個等級,五級被認為是廢品。到目前為止,各種處理算法已經提出了智能分級。這些方法可根據(jù)缺陷檢測機制分為四個主要類別:過濾方法、結構技術、統(tǒng)計方法和基于模型的方法(表1)。數(shù)學翻譯和過濾方法通常使用基于模式識別的缺陷檢測的方法。結構處理由傳統(tǒng)的形態(tài)學圖像處理和邊緣檢測算法組成?；谀Ｐ偷姆椒òǔＲ妶D像處理模型的自回歸(AR)和隱馬爾可夫模型(HMM)。在統(tǒng)計方法中,亮度直方圖一般用于缺陷檢測。統(tǒng)計方法的特點是簡單性以及低復雜性[4]。因為瓷磚生產線上的各種化學制品和機械生產過程,導致各種類型的表面缺陷出現(xiàn)在最終的產品上。缺陷通常有不同的視覺形態(tài),有時是矛盾的。因此,所需的分級系統(tǒng)應該包括各種圖像處理算法用來以覆蓋不同類型的缺陷。本文提出的分級算法在對生產線的產品質量和計算復雜性進行了討論和評估。在第 2 部分中,對出現(xiàn)在生產線上的不同類型的表面缺陷進行了研究。在第3 部分,對不同的缺陷檢測算法進行了討論。然后,第四節(jié)處理參數(shù)，用測試結果評估缺陷檢測算法。用質量參數(shù),對檢測技術進行了比較。最后,第五節(jié)的討論得出結論。表 1 不同的缺陷檢測方法2.陶瓷和瓷磚的表面缺陷陶瓷產品在生產線上經過各種化學和機械階段。瓷磚的生產由八個主要階段:成型、干燥、鏡面、烘焙、分級、分類[92],如圖 1 所示。鏡面缺陷發(fā)生在上釉和印刷階段。斷裂和裂縫發(fā)生在烘焙階段。邊緣缺陷發(fā)生在上釉線的傳送過程中。此外,針孔缺陷通常發(fā)生在干燥中[3]。表面缺陷可分為六大類，分別具有以下特征(圖 2)[5]。針孔針孔缺陷是一種在產品表面出現(xiàn)小洞的缺陷。針孔大小通常小于 1 毫米。同時,針孔的出現(xiàn)常帶有雜物和凹陷。此缺陷通常產生在烘焙。蝕釉這個問題源于角落部分的釉聚集。釉積累是通常在幾毫米的缺陷部分。這個缺陷出現(xiàn)在緩慢的上釉過程中[5]。裂紋最常見的缺陷是裂紋，因為快速烘烤過程中溫度迅速升高或降低。陶瓷邊緣裂紋主要是由于溫度上升引起的。由降低溫度引起的裂紋也稱為空氣冷裂縫,經常產生在快速烘烤過程中[6]臟物一些水滴狀斑點可能存在于陶瓷的表面，被稱作臟物缺陷。一般是由于進爐前濕度沒調整過或冷卻時間不夠引起的。刮傷這種缺陷是由于在某個方向上噴涂的時候打滑產生的。這種缺陷經常是在上釉線到干燥爐的時候產生。邊緣缺陷邊緣缺陷最常發(fā)生在烘烤階段，但是也可能發(fā)生在其他的制造階段。3.陶瓷制品的缺陷檢測算法對于表面缺陷的檢測,它需要整個產品表面分析。所以,應該先獲取高分辨率圖像。系統(tǒng)必須有適當?shù)恼彰鱽慝@得一個合適的表面照片。根據(jù)表 1,缺陷檢測算法可分為四個主要組成部分。在這里,對每一部分的主要算法進行了討論。3.1 過濾方法在過濾方法中,通常使用數(shù)學變換和過濾器。在這方面,可以使用線性和非線性變換。最重要的算法包括小波和輪廓波變換,獨立分量分析(ICA)分析、伽柏過濾和人工神經網(wǎng)絡在下面討論。3.1.1 小波變換根據(jù)多分辨率的性質分析,用程序延長小波變換(10、11)。在小波變換中,兩個低通 h 和高通 g 過濾器稱為父和母函數(shù),分別使用濾波器組的方式(圖 3)[12]。在圖 3 中,輸入是一個 n m 圖像還有四輸出,LH、HL 和 HH 大小為(n / 2)、(m / 2)。在每個階段,輸入圖像分為四個子圖片。小波變換用于預處理和紋理特征提取[13]。2001 年,Kumar 和 Pang 提出了一種基于小波變換的缺陷檢測方法。那里,小波變換系數(shù)的頻道包含重要的信息用于處理紋理圖像的特征。這個方法是對處理非常柔軟的質地變化是有用的[14]。2005 年,Yang 等人運用類似的方法檢測缺陷紡織廠的紡織物。在這個方法中所面臨的挑戰(zhàn)是如何選擇小波。此外,測試階段是依賴于數(shù)據(jù)點的數(shù)量[15]。3.1.2 輪廓波變換輪廓波變換最初目的是克服小波變換的不易選定小波類型[16]。輪廓波變換用多分辨率和空頻曲線的小波。輪廓波變換結合拉普拉斯算子的直接二維濾波器組(圖 4)。圖像通過拉普拉斯算子轉換為帶通圖片。這種變換具有良好的去噪性。[17]。2012 年,Ai 等人提出了一個新的基于輪廓波變換的特征提取方法從金屬表面圖像中提取足夠和有效的特點。在這項研究中,在特定方向的識別是重要的缺陷,并介紹了輪廓波變換靈活的方向設置。這種方法的缺點是需要額外信息的輪廓波變換。鑄造板和鋁條的表面缺陷的總分類率分別是 93.55%和 92.5%[18]。3.1.3 遺傳算法遺傳算法可以找到一個未達最佳標準的解決方案(19、20)。在缺陷檢測的背景下,首先被認為是統(tǒng)計關系來確定像素對應于表面缺陷。然后,遺傳算法優(yōu)化這些相關參數(shù)。這些參數(shù)可能代表閾值點或形態(tài)學方法參數(shù)(21、22)。2002 年,Zheng 等人介紹了一個基于遺傳算法的方法來檢測表面缺陷。在該算法中,使用形態(tài)學參數(shù)包括基本元素和閾值點。不過,這種方法非常簡單,但是測試階段仍然是一個有爭議的問題[23]。3.1.4ICAICA 算法是一個基本的源分離方法(24、25)。ICA 算法在圖像處理應用程序中,通常假設輸入圖像相結合兩個或多個獨立的圖像。ICA 算法試圖找到最基本的圖像。在缺陷檢測中,缺陷應該是在前景和背景模式。然后,ICA 用于區(qū)分前景和背景(途徑)。2006 年,Tsai 等人提出了一種基于 ICA 的缺陷檢測方法。他們使用了限制ICA 模型設計一個最優(yōu)濾波器從無噪聲的背景檢測表面缺陷。該算法需要無噪聲模式。此外,噪聲使性能降低[27]。3.1.5 人工神經網(wǎng)絡人工神經網(wǎng)絡(ANN)大多是用于人工智能(29、30)。在圖像處理和缺陷檢測系統(tǒng)中,神經網(wǎng)絡作為分類器。應用圖像提取特征向量的神經網(wǎng)絡。在缺陷檢測上,特征向量分為兩類：無缺陷的和有缺陷的 ANN[31]。2008 年,Suyi 等人提出了紡織品缺陷檢測[32]。神經網(wǎng)絡有一些缺陷,即相關測試過程需要長時間,容易陷入局部最小值,影響算法的準確性。而粒子群優(yōu)化具有良好的搜索能力,但在這個工作粒子群 Optimization-Back-Propagation(PSO-BP)算法用于神經網(wǎng)絡的測試階段而不如 BP 算法快。3.1.6 伽柏過濾器伽柏過濾器具有相同的空間和頻率域。這些過濾器可以從組合獲得一個指數(shù)和高斯函數(shù)如下[33]:這里的 x0，y0 是空間坐標中心，u0，v0 是濾波器頻率中心，s 和 β 代表高斯橢圓的 x 和 y 偏差。盡管伽柏過濾器不是正交的,但是他們覆蓋完整信息的圖像,可以選擇指定的頻率和方向。在表面缺陷檢測應用程序中,缺陷可能是運用伽柏過濾器后一個簡單的閾值導致的缺陷區(qū)域[34]。因此,伽柏過濾器主要用在預處理階段。2010 年,格瓦拉等人介紹了織物疵點檢測的一種方法,在紡織行業(yè)基于伽柏過濾器的規(guī)模的變化。他們提出的方法存在計算復雜度高的問題。除此之外,該方法需要一個參考無缺陷物品[35]。3.2 結構方法結構方法中用于缺陷檢測是一個直觀的過程。這些方法使用形態(tài)學操作以及邊緣檢測缺陷檢測的方法。3.2.1 形態(tài)學方法基于形態(tài)學的圖像處理需要二進制和灰度形態(tài)學方法。每個圖像像素的輸出值由確定的輸入像素值及其相鄰的像素確定[36-38]。所以,適當?shù)倪x擇元素往往是最重要的部分[39]。關閉操作導致一些區(qū)域的圖像平和,通常用混合小斷裂和消除了小洞,填補環(huán)境中[40]。形態(tài)學方法通常用于改善圖像,平滑圖像,減少缺陷圖像中噪聲。同時,利用形態(tài)學運算,在缺陷圖像邊緣檢測實現(xiàn)[41-43]。2009 年,Yiu 等人提出了一種新的基于形態(tài)學算子方法檢測織物紋理缺陷。在這種方法中,首先使用伽柏小波設計形態(tài)學方法的基本元素。這種算法便于輸入圖像，先后經過開閉運算,中值濾波,閾值分割，缺陷判斷，再輸出圖像即可。該方法的檢測類型和細節(jié)上存在缺陷[44]。3.2.2 邊緣檢測算法最簡單的邊緣檢測方法是圖像的梯度(45、46)。邊緣檢測是最后一步?？梢詫崿F(xiàn)通過選擇合適的閾值使圖像的邊緣精度提高[47]。邊緣檢測方法用于檢測表面缺陷的邊緣缺陷檢測和圖像分割[48]。2011 年,Salimian 和 Pourghassem提出一種方法檢測陶瓷和瓷磚邊緣缺陷。在這種方法中,邊緣用高精算法首先檢測到。然后,角的角度是由使用內積。最后如果角大約是 89 - 92 則是有缺陷的邊緣[9]。2006 年,穆克吉等人介紹了一個基于密度的邊緣缺陷檢測技術。提取邊緣密度,他們用離散余弦變換(DCT)。檢測帶鋼邊界后,帶鋼表面缺陷檢測通過使用一個紋理解碼器基于高斯濾波器。該技術速度低因為它需要使用小塊[49]。3.3 基于模型的方法在基于模型的圖像處理中,選擇一個模型來分析所需的圖像參數(shù)。它包含了隱馬爾科夫模型(HMM)[50]。HMM 模型可以被想象為一組相互關聯(lián)的有一系列的連接概率的狀態(tài)[51]。其他基于模型的方法是有限的區(qū)間[52],自回歸模型(AR)[53 - 56],[57]和分形模型。3.3.1 隱馬爾可夫模型在這里,一個獨立的區(qū)域將會分配給每個特性。通常使用一些圖像測試HMM。如果隱馬爾可夫模型用于缺陷檢測、三個組件的狀態(tài),必須定義向量 π 和狀態(tài)轉移矩陣。發(fā)生的概率有缺陷或無缺陷狀態(tài)零地區(qū)的圖像表示為向量 π。必須提醒,每個 N M 小區(qū)域的圖像被認為是一種狀態(tài),N 和 M 代表區(qū)域的大小。從有缺陷的概率的變化為無缺陷條件(反之亦然)所示狀態(tài)改變矩陣。2008 年,Hadizadeh 和 Shokouhi 介紹使用 1-D HMM 缺陷檢測的方法。在這種方法中,輸入圖像預測的 HMM。然后,模型輸出和輸入圖像之間的差異表現(xiàn)出缺陷[49]。這種方法的一個主要問題是統(tǒng)計計算的復雜性。3.3.2 自回歸模型AR 模型包括閾值自回歸模型和指數(shù)自回歸模型[60]表示一個簡單的基于模型的方法(61、62)。AR 模型參數(shù)的確定了所需的紋理,紋理的特定區(qū)域不相容的模型參數(shù)可以被視為缺陷區(qū)域。2010 年,Bu 等人提出了一個方法基于新的時間序列譜分析方法對織物紋理缺陷檢測,使用 AR 譜基于 Burg-algorithm[63]。同時需要測試階段和非確定性和統(tǒng)計結果是這個方法的缺點。3.4 統(tǒng)計方法統(tǒng)計方法通常用于分類問題。主要方法包括直方圖曲線特性,符合威布爾分布,同現(xiàn)矩陣和自相關。3.4.1 直方圖曲線圖像直方圖描述像素的數(shù)量在每個輸入圖像的亮度。圖 5 展示了一個有缺陷的圖像及其直方圖。如果最優(yōu)閾值點在圖像直方圖,缺陷模式可以簡單地由閾值提取[64]。2006 年,Hui-Fuang Ng 提出缺陷檢測的閾值方案應用于直方圖。這種方法是基于大津法和計算理想點直方圖曲線的缺陷檢測。它可以簡單的實現(xiàn),但有時結果存在很大的誤差[65]。3.4.2 同現(xiàn)矩陣Haralick 和他的同事們用鄰接矩陣來研究不同材質的屬性[66]。應用灰度共生矩陣建立灰度共生矩陣法(GLCM)關于鄰近的像素值之間的關系在數(shù)學上表達為這里的 c 是同現(xiàn)矩陣，I 是 NL M 圖片，x 是距離和方向參數(shù)(67、68)。同現(xiàn)矩陣可以創(chuàng)建在任何方向和距離特征提取參數(shù)供選擇。通常同現(xiàn)矩陣用于六個方向特征提取和缺陷檢測[69]。但在某些情況下只有兩個方向的同現(xiàn)矩陣用于缺陷檢測應用程序[70]。GLCM 用來提取特征,如熵,對比度,角二階矩、相關性,和逆差距(71 - 73)。熵熵定義圖像的復雜性。越復雜的紋理,熵值越大。對比度圖像的對比度決定了區(qū)域的像素數(shù)量變化。角二階矩角二階矩是衡量圖像同質性。因此它適用于判斷結構紊亂的圖像。逆差距相關參數(shù)方程如下2012 年,Mingde 等人提出了一個基于支持向量數(shù)據(jù)(計算)的算法。在這種方法中,首先創(chuàng)建兩個 GLCM 描述織物紋理。GLCMs 應用灰度共生矩陣建立的降低計算的復雜性。接下來,SVD 用于分類的分類器。該算法適合實時應用程序[74]。得到特征向量需要復雜的計算是這方法的一個缺點。3.4.3 威布爾分布最近的研究表明,一個隨機紋理可以用威布爾分布分析[75]。此外,大多數(shù)文獻表明,威布爾分布的圖像準確分割的無監(jiān)督圖。分布也被用于視覺內容分析(76、77)。在 β 分布寬度事實上代表了圖像的對比,和 γ 分布峰值代表圖像大小的種子。威布爾分布可以形象派生的分布。在這種情況下,較低的 β 參數(shù)的數(shù)量會導致較低的圖像對比。同時,低價值的參數(shù) γ 是粗的象征或崎嶇不平的紋理圖像。還方程定義 x40[78]。圖 6 演示了四個例子。在這個圖中,第一列是輸入圖像,第二列是推導振幅,第三列是提取圖像的直方圖,第四列是分布安裝。在這個圖中,特別挑選的圖片被用來代替實際瓷磚圖像更好地評估算法在沒有噪音從能力的角度缺陷模式的提取。此外,與特定相關的測試圖像直方圖涵蓋所有可能的情況。紋理缺陷檢測的,首先,圖像分為相同的塊,每一塊的梯度幅值計算。接下來,直方圖的圖像梯度計算,最后,最后一階段包括威布爾分布擬合直方圖圖像的梯度。獲得分布參數(shù)和考慮他們的陣列特征向量,可以檢測到的距離范圍內的缺陷。圖7 演示了這些階段[74]。此外,期望最大化方法可用于計算分布參數(shù)(79、80)。2011 年費邊蒂姆和 Erhardt 巴斯缺陷檢測,提出了一種非參數(shù)方法只使用兩個特性。這種方法的優(yōu)點是快速聚類,因為它只使用兩個特性,但與此同時,特征向量生成包括圖像等復雜計算推導和分布參數(shù)擬合[74]。3.4.4 自相關自相關圖像表示圖像像素之間的相似度。自相關法用圖像處理檢查圖像塊之間的相關性[81]。2010 年,Hoseini 等人利用自相關函數(shù)作為缺陷檢測工具。這個方法有四個階段。在第一步中,原始的紋理模式是從 defectless 圖像中提取(測試階段)。在第二步中,將有缺陷的區(qū)域與輸入的參考圖像做對比。第三階段計算圖像背景的均值，減少高頻信息。在最后一步中,對檢測到的缺陷使用閾值分割[82]。4.缺陷檢測方法評價4.1 評估標準可以使用不同的標準來評估各種檢測方法包括錯誤定義和缺陷檢測診斷或誤診的比例。對于錯誤的計算,正確的判斷應考慮評估不同的算法輸出。在這種情況下,缺陷通常是由人工視覺和相關檢測模式定義進行評估。圖 8 展示了一個有缺陷的瓷磚圖像及其缺陷圖像,是由人工視覺判斷[83]。應該提醒的是,監(jiān)督評價方法是主觀的和相對的方法[84]。監(jiān)督評價方法的參數(shù)包括品質因數(shù)(FOM)[85],[86]豪斯多夫距離,和 Odet 的標準(ODI 與 UDIn)[87]。品質因數(shù)在這個方程中,d(i)是第 i 個像素的圖像和最近的像素的圖像之間的距離。card(I)是 I 圖像像素的數(shù)量。豪斯多夫距離Odet 的標準Odet 的標準包括兩個錯誤從發(fā)散衡量標準,這是一個受歡迎的評價標準。和在這些方程 d0(k)是 k 像素之間的距離，檢測算法輸出圖像和最近的像素圖像缺陷模式。同時,d0(k)、k 像素之間的距離是檢測算法輸出圖像和最近的像素圖像缺陷模式。沒有像素的數(shù)量是錯誤檢測到缺陷像素和 ν 是像素的數(shù)量是錯誤的檢測是無缺陷像素。對數(shù)是缺陷的最大允許距離和 n 是一個比例因子,考慮不同的權重不同的像素根據(jù)缺陷模式的距離圖像[88]。同時,錯誤的定義可以用作標準算法評估。例如在檢測錯誤(ODE)命名。在這個方程 card(It)和 card(Is)輸出圖像的缺陷像素算法,分別和缺陷模式的圖像。此外另一個定義它/ s,分配給用于算法輸出的像素數(shù)量缺陷像素的形象而不是缺陷模式的圖像。另一個錯誤可以被引入作為一個標準來評估算法。降低檢測錯誤。這個誤差方程如下:應該注意,在上面的方程 card(It)和 card(Is)輸出圖像的缺陷像素算法,分別和缺陷模式的圖像。另一方面,另一個定義/ s,分配給像素的數(shù)量用于缺陷模式缺陷像素的形象而不是輸出圖像的算法。另一種類型的錯誤是本地化錯誤實際上是規(guī)范化的像素數(shù)量錯誤診斷、誤診算法相比,輸出圖像的缺陷模式的形象。這個錯誤方程如下:BO 和 FO 表示缺陷模式的背景和前景區(qū)域像素的圖像,和英國電信和英國《金融時報》表示算法的背景和前景區(qū)域像素輸出圖像[89]。FOM 主要代表實驗距離作為標準。統(tǒng)一的 FOM 值越接近,更好的輸出質量。豪斯多夫距離理論上可能是一個很好的衡量代表兩個集合的相似性。然而,展覽大對噪聲的敏感性。ODI 可以顯示檢測到的缺陷區(qū)域之間的分歧在輸出。同樣,UDI 演示的散度受到缺陷模式的檢測區(qū)域圖像。豪斯多夫距離和 Odet 條件收斂于團結,算法效果更好。這兩個標準是更適合于檢測大型缺陷,如臟缺陷,但Odet 則可以更好地檢測大缺陷,如裂縫和缺陷邊緣。如果檢測到故障比現(xiàn)有的更大,誤差測量的歌唱更適用。LDE 相比之下,更有效的發(fā)現(xiàn)缺陷,他們是小于一個真正的。頌歌和 LDE 零完美的檢測結果。勒是一個衡量,妥協(xié) LDE 歌唱和表演。勒的影響,和檢測情況。它可能被認為是一個合適的測量評估小斷層的探測針孔等缺陷。較低的 LE 測量缺陷的表現(xiàn)出更好的性能檢測。另一個評估類別是無監(jiān)督的,大多是用于統(tǒng)計方法。在這種情況下,不需要先天的缺陷模式的形象。獨立從人工視覺檢測的方法相比,其優(yōu)點是監(jiān)督方法。然而,統(tǒng)計結果不確定性的價值可以枚舉作為他們的缺點[90]。在這些方法中,Entropy-based 和非負分解可以命名為[91 - 93]。在 Entropy-based 方法中,基于熵評價函數(shù)。這種方法使用缺陷和無缺陷地區(qū)輸出圖像的熵的評價算法。同時,輪廓熵可以用于分配的百分比像素屬于每個地區(qū)已被錯誤的檢測是有缺陷的區(qū)域。最后,應該提醒的是,沒有明確的評價體系的診斷錯誤的檢測。非負分解方法是一種評價衡量缺陷和無缺陷區(qū)域之間的對比。4.2 評價缺陷檢測方法現(xiàn)在不同的缺陷檢測方法評估和比較而言,上述的性能標準。表 2 說明了所有這些選擇的標準檢測方法?？梢钥吹?基于直方圖方法的局部誤差小于其他方法,而基于共生矩陣的方法有最大的本地檢測錯誤和不當行為出現(xiàn)在本地錯誤。如前所述,在展示了像素錯誤地診斷為缺陷檢測錯誤。在檢測技術中,伽柏過濾器導致最大的檢測誤差?；谥狈綀D的方法提供最佳性能的檢測誤差。在較低的檢測誤差的情況下,形態(tài)運營商導致的最低檢測錯誤。伽柏過濾器演示最差表現(xiàn)的較低的檢測誤差。三個標準的品質因數(shù),豪斯多夫距離和 Odet 的標準也被利用。應該注意的是,算法的性能越好,接近統(tǒng)一的測量圖的方法(圖 9)。關于豪斯多夫距離標準,基于直方圖,神經網(wǎng)絡,和形態(tài)運營商展示最好的表演和同現(xiàn)矩陣顯示最低的評價。Odet 的標準而言,小波變換和形態(tài)學運算符執(zhí)行更有效率。5.結論本文研究了不同的表面缺陷檢測方法。每種方法都有自己的優(yōu)點和缺點。一些方法速度快但精度較低,其他方法精度高但計算復雜速度慢。根據(jù)實時處理的要求,陶瓷、瓷磚行業(yè)存在不同的模式、同事達到高速度，高精度是一個挑戰(zhàn)。每種方法只能在特殊的缺陷檢測方面達到高速度和高精度。表 3 顯示了各種方法之間的定量和定性的比較。它可以很容易地看到,基于直方圖的方法有非常高的速度。低計算復雜度和效率高的特定特征直方圖的方法?；谏窠浘W(wǎng)絡方法在測試階段還有問題,但是他們的速度在測試階段是相當不錯的。形態(tài)學技術和伽柏過濾器也可以作為候選的實時應用程序。相比之下,同現(xiàn)技術的計算復雜度最高。小波反式復雜的計算與快速應用程序的要求不符。小波變換和形態(tài)學技術對噪聲的處理最好。因此,本文得出結論是,提出的通用算法還不能檢測所有的的缺陷類型。所以,混合方法對工業(yè)應用是必不可少的?？梢钥闯?統(tǒng)計方法更適合檢測大斑點等缺陷。一些方法,如小波變換和伽柏過濾器可以檢測小像針孔缺陷,盡管他們的問題是計算太復雜。結構性方法適用于檢測陶瓷的邊緣裂紋缺陷。計算復雜的基于模型的方法,可以檢測更大缺陷。參考文獻[1]Rawlings RD, Wu JP, Boccaccini AR. Glass-ceramics: their production from wastes—a review. Springer J Mater Sci 2006;41(3):733–61.[2]Sezzi G. World production and consumption of ceramic tile. Ceram World Rev 2006;14(58):54–71.[3] Hawks L. Selecting ceramic tile. Archived USU Extension Publications; Utah State University, Digital Commons; 1987 (Paper 515).[4] Kim J, Fisher JW, Yezzi A, Cetin M, Willsky AS. A nonparametricstatistical method for image segmentation usinginformationtheory and curveevolution. IEEE Trans. Image Process 2004;14(10):1486–502.[5] Atiqur Rahaman GM, Hossain MM. Automatic defect detection and classifica-tion technique from image: a special case using ceramic tiles. Int J Comput Sci Inf Secur (IJCSIS) 2009;1(1):22–30.[6] Jones JT. The ceramic and pottery defect series. 3rd ed. Fabiano Nazario Santos; 2007 available on /http://ceramiedefeets.com/df01.pdfS.[7] Mansoory MS, Tajik H, Mohamadi G, Pashna M, Edge defect detection in ceramic tile based on boundary analysis using fuzzy thresholding and radon transform. In: Proceedings of the IEEE international symposium on signal processing and information technology (ISSPIT); 2008, pp. 58-62.[8] Gonzalez JMV, Linuesa FA, Garcia FL, A ceramic tile inspection system for detecting corner defects. In: Proceedings of the IX Spanish symposium on pattern recognition and image analysis; 2001, 2, No. 1, pp. 213-218.[9] Najafabadi FS, Pourghassem H, Corner defect detection based on dot product in ceramic tile images. In: Proceedings of IEEE 7th international colloquium on signal processing and its applications (CSPA); 2011, pp. 293-7.[10] Hocenski ?, Rimac-Drlje S, Keser T, Visual diagnostics based on image wavelet transform, In: Proceedings of 9th European conference on power electronics and applications; 2001, pp. 627-31.[11] Krishnaiah GC, Prasad TJ, Prasad MNG. Algorithm for improved image compression and reconstruction performances. Signal and Image Process: Int J (SIPIJ) 2012;3(2):79–98.[12] Fathi A, Monadjemi AH, Mahmoudi F. Defect detection of tiles with combined undecimated wavelet transform and GLCM features. Int J Soft Comput Eng (IJSCE) 2012;2(2):30–4.[13] Ghazvini M, Monadjemi SA, Movahhedinia N, Jamshidi K. Defect detection of tiles using 2D-wavelet transform and statistical features. World Acad Sci Eng Technol 2009;25 910–904.[14] Kumar A, Pang G, Identification of surface defects in textured materials using wavelet packets. In: Proceedings of the 36th IEEE/IAS annual meeting, vol. 1, 2001, Chicago, IL, pp. 247-51.[15] Yang X, Gao J, Pang G, Yung N, Textile defect classification using discriminative wavelet frames. In: Proceedings of the IEEE international conference on information acquisition; 2005, pp. 54-8.[16] Ma C, Zaho C, Hou Y, Pavement distress detection based on nonsubsampled contourlet transform. In: Proceedings of the IEEE international conference on computer science and software engineering, CSSE 2008, Wuhan, China, 2008;pp. 28-31.[17] Eslami R, Radha H, Wavelet based contourlet transform and its application to image coding. In: Proceedings of the international conference on image processing; 2004, pp. 3-6.[18] Ai Y, Xu K. Feature extraction based on contourlet transform and its applica-tion to surface inspection of metals. J Opt Eng 2012;51(11).[19] Snyers D, Petillot Y. Image processing optimization by genetic algorithm with a new coding scheme. Pattern Recognit Lett 1995;16(8):843–8.[20] Loft B, Snow J. A genetic algorithm for drawing ordered sets. Tex Coll Math J 2006;1(2):10–25.[21] Yun JP, Choi S, Seo B, Park CH, Kim SW, Defects detection of billet surface using optimized gabor filters. In: Proceedings of the 17th world congress interna-tional federation of automatic control Seoul, Korea; 2008, pp. 77-82.[22] Frayman Y, Zheng H, Nahavandi S. Machine vision system for automatic inspection of surface defects in aluminum die casting. J Adv Comput Intell and Intelli Inf 2005;10(3):281–2.[23] Zheng H, Kong LX, Nahavandi S. Automatic inspection of metallic surface defects using genetic algorithms. J Materi Process Technol 2002;125:427–33.[24] Karande KJ, Talbar SN. Independent component analysis of edge information for face recognition. Int J Image Process (IJIP) 2012;3(3):120–30.[25] Lee TW, Lewicki MS, Sejnowski TJ, ICA mixture models for image processing. In: Proceedings of the 6th joint symposium on neural computation proceed-ings; 1999, pp. 79-86.[26] Sezer OG, Ertüzün A, Er?il A. Independent component analysis for texture defect detection. Pattern Recognit Image Anal 2004;14(2):303–7.[27] Tsai DM, Tseng YH, Chao SM, Yen CH, Independent component analysis based filter design for defect detection in low-contrast textured images, In: Proceed-ings of the 18th international conference on pattern recognition (ICPR); 2006,pp. 231-4.[28] Qader IA, Amara FA, Abudayyeh O. Fractals and Independent Component Analysis for Defect Detection in Bridge Decks, Hindawi Publishing Corporation Advances in Civil Engineering. Article ID 506464 2011:1–14.[29] Petersen ME, Ridder D, Handels H. Image processing with neural networks—a review. Pattern Recognit—PR 2002;35(10):2279–301.[30] Kheradpisheh Saeed Reza, Behjati-Ardakani Fatemeh, Ebrahimpour Reza. Combining classifiers using nearest decision prototypes. Appl Soft Comput 2013;13(12):4570–8.[31] Branca A, Delaney W, Lovergine FP, Distante A. Surface defect detection by texture analysis with a neural network. Int Conf Robot Autom (ICRA) 1995:1497–502.[32] Suyi L, Jingjing L, Leduo Z, Classification of fabric defect based on PSO-BP neural network. In: Proceedings of the second international conference on genetic and evolutionary computing; 2008, pp. 137-40.[33] Tsai DM, Wu SK. Automated surface inspection using Gabor filters. Int J Adv Manuf Technol 2000;16(7):1–26.[34] Polzleitner W. Defect detection on wooden surface using Gabor filters with evolutionary algorithm design. Int Sympos Neural Networks (ISNN) 2001:750–5.[35] Chen S, Feng J, Zou L, Study of fabric defects detection through gabor filter based on scale transformation. In: Proceedings of the international conference on image analysis and signal processing (IASP); 2010, pp. 97-9.[36] Juang LH, Wu MN. Psoriasis image identification using k-means clustering with morphological processing. Elsevier Meas 2011;44(5):895–905.[37] Kaur B, Mohal G, Gupta P, kaur J. Mathematical morphological edge detection for different applications: a comparative study. Int J Comput Sci Technol (IJCST) 2011;2(2):216–20.[38] Lu S, Chen BM, Ko CC. Perspective rectification of document images using fuzzy set and morphological operations. Image Vision Comput 2005;23 (5):541–53.[39] NagaRaju C, NagaMani S, Prasad G, Sunitha S. Morphological edge detection algorithm based on multi-structure elements of different directions. Int J Inf Communi Technol Res 2011;1(1):37–43.[40] Bouaynaya N, Schonfeld D. Spatially variant morphological image processing: theory and applications. IEEE Trans Pattern Anal Mach Intell 2008;30 (5):823–36.[41] Elbehiery H, Hefnawy A, Elewa M. Surface defects detection for ceramic tiles using image processing and morphological techniques. World Acad Sci, Engi Technol 2005:158–62.[42] Pahsa A. Morphological image processing with fuzzy logic. J Aeronaut Space Technol / Havacilik ve Uzay 2006;2(3):27.[43] Bouaynaya N, Charif-Chefchaouni M, Schonfeld D. Spatially variant morpho-logical restoration and skeleton representation. IEEE Trans Image Process 2006;15(11):3579–91.[44] Mak KL, Peng P, Yiu KFC. Fabric defect detection using morphological filters. Image Vision Comput 2009:1585–92.[45] Narendra VG, Hareesh KS. Study and comparison of various image edge detection techniques used in quality inspection and evaluation of agricultural and food products by computer vision. Int J Agri Biol Eng 2011;4(2):1–8.[46] Maini R, Aggarwal H. Study and comparison of various image edge detection techniques. Int J Image Process (IJIP) 2009;3(1):1–12.[47] Sham FC, Chen N, Long L. Surface crack detection by flash thermography on concrete surface. Journal of Insight-Winston then Northampton 2008;50 (5):240–3.[48] Tsai DM, Chao SM. Anisotropic diffusion-based defect detection for low-contrast glass substrates. J Image Vision Comput 2008;26(2):1–35.[49] Mukherjee A, Chaudhuri S, Dutta PK, Sen S, Patra A. An object-based coding scheme for frontal surface of defective fluted ingot. ISA Trans 2006;45(1):1–8.[50] Hadizadeh H, Shokouhi SB. Random texture defect detection using 1-D hidden Markov models based on local binary patterns. Trans Inf Sys (IEICE) 2008;E91-D(7):1937–45.[51] Thede SM, Harper MP, A second-order Hidden Markov Model for part-of-speech tagging. In: ACL '99 Proceedings of the 37th annual meeting of the association for computational linguistics on computational linguistics; 1999,pp. 175-182.[52] Ramage D, Hidden Markov Models Fundamentals. Machine Learning Free Book, CS229 Section Notes; 2007.[53] Deguchl K, Two dimensional autoregressive model for analysis and synthesis of gray-level texture. In: Proceeding of the first international symposium for science on form; 1986, pp. 441-9.[54] Lu SW, Xu H. Textured image segmentation using autoregressive model and artificial neural network. Pattern Recognit 1995;28(12):1807–17.[55] Debure K, Kubota T, Autoregressive texture segmentation and synthesis for wavelet image compression. In: Proceedings of image and multidimensional digital signal processing; 1998, pp. 131-4.[56] Ergen B, Texture analysis and classification using autoregressive signal modeling method. In: Proceedings of 1st Taibah university international conference on computing and information technology (ICCIT2012); 2012,pp. 107-10.[57] Kasparis T, Tzannes NS, Bassiouni M, Chen Q. Texture description using fractal and energy features. Comput Electr Eng Elsevier 1995;21(1):21–32.[58] Nefian AV, Hayes MH. Hidden Markov models for face recognition. IEEE Int Conf Acoust Speech Signal Process 1999:2721–4.[59] Dementhon D, Doermann D, Stückelberg MV. Hidden Markov models for images. International Conference on Pattern Recognition 2000:1–9.[60] Joshi MS, Bartakke PP, Sutaone MS, Texture representation using autoregres-sive models. In: Proceedings of the International conference on advances in computational tools for engineering applications; 2009, pp. 386-90.[61] Alata O, Ramananjarasoa C. Unsupervised textured image segmentation using 2-D quarter plane autoregressive model with four prediction supports. Pattern Recognit Lett 2005;26(8):1069–81.[62] Tugnait JK. Consistent order selection for noncausal autoregressive models via higher-order statistics. Int Federation Autom Control 1990;26(2):311–20.[63] Bu HG, Huang XB, Wang J, Chen X. Detection of fabric defects by auto-regressive spectral analysis and support vector data description. Text Res J 2010;80(7):591–601.[64] Singh S, Kaur M. Machine vision system for automated visual inspection of tile’s surface quality. IOSR J Eng 2012;2(3):429–32.[65] Ng HF. Automatic thresholding for defect detection. Pattern Recognit Lett 2006;27(14):1644–9.Haralick RM, Sha