基于Zernike矩亚像素的高反光金属工件缺陷检测 下载: 1116次
1 引言
随着工艺水平的不断提高,人们对工件产品的要求也不断提高,作为工程应用中的重要组成构件,工件质量的好坏将会影响到工业产品质量以及机器的寿命[1-2]。如在航空零件加工中,工件任何缺陷都有可能导致其机械传动性能下降,影响产品的使用性和安全性;在精密电子仪器中,缺陷零件有可能造成仪器设备度量不精确,影响使用效果,甚至会导致重大事故的发生,因此对工件产品缺陷的精确检测极为重要。高反射率金属工件表面缺陷检测是工件缺陷检测中的一个热门课题,在获取图像过程中,金属工件引入的高光噪声是工件缺陷检测的主要障碍之一[3]。其镜面反光特性会使捕获的图像中存在部分过饱和的高光区域,同时,在工件表面上反射的周围物体的像也会掩盖一些原图像信息,从而严重影响缺陷检测。
针对高反光金属工件缺陷检测问题,众多学者在以下两方面进行了研究,一方面是改进图像采集系统;另一方面是对检测算法进行改进。苏俊宏等[4]通过光学系统和机械旋转平台的配合,在旋转中完整采集高反光圆柱型零件的表面图像,先对采集图像进行模糊化滤波,再得到其差值图像的边缘特征几何参数,最后进行缺陷检测。孙阔原等[5]通过暗视野前向照明利用散射光观察被测轴件的方式获取高对比度图像,采用最大类间方差法进行阈值分割,结合形态学滤波及边缘几何特征对缺陷进行定位检测。姜美华等[6]基于穹顶状光源,在灯罩内壁上装饰规则同心圆的图案,获取了钢轴承球表面反射图像,采用自适应阈值结合Canny算法得到反射图像的边缘信息,通过计算边缘的曲率来判断是否存在缺陷。闵永智等[7]在采集系统外部装设遮光罩,并采用亮度和照射角度可调的条形发光二极管(LED)辅助光源来减弱自然光的影响,基于图像灰度梯度特征设计了自适应背景平滑滤波器,先对差分图像作阈值分割,再进行连通区域标记,最终实现了钢轨表面缺陷检测。采集系统的改进虽然可以抑制工件表面反光区域点云的部分缺失,但搭建的采集系统复杂,设备的角度位置需要精确调整,并且采集过程中的繁复操作易引入其他噪声,增加后期处理工作。以上改进算法在检测复杂边缘信息时噪声排除不干净,信息保真度不够理想,影响检测精度。
在金属工件缺陷检测中,对获取的图像信息进行有效分割提取是研究的重点,目前常用的目标提取方法包括背景差分法、阈值分割法、形态学处理及边缘检测法等[8-9]。亚像素边缘检测法可以被用来提高边缘检测精度,通常亚像素边缘点存在于图像中灰度值发生渐变的区域,可以利用基于矩、插值法及拟合等方法[10-12]获得边缘点的亚像素位置。其中基于矩进行亚像素定位的技术已有深入的研究,先后提出基于差分灰度矩、空间矩、傅里叶梅林矩[13]及Zernike正交矩[14]等算法。基于Zernike矩的亚像素边缘检测算法,与其他计算复杂度相当的算法相比,检测精度较高,不仅能够快速稳健地估计出边缘法线方向以筛选水平候选点,而且在特定的边缘点上只需使用周围小区域的像素,就可以处理由于整体光照或视野变化和局部反射率变化引起的边缘像素强度的渐变。在此技术上,预处理的效果也很关键。目前图像滤波方法主要基于空域和频域,常用的有各向异性扩散滤波、双边滤波、非局部均值滤波及三维块匹配(BM3D)滤波等。其中,BM3D滤波具有较高的峰值信噪比,能够较好地在保持边缘信息的同时平滑图像,在图像处理与分析领域得到了广泛应用。
针对高反光金属检测难点,为保证能够精确地提取出图像复杂的边缘信息,本文采用LED光源前向照明方式获取金属工件图像,处理图像时结合改进的BM3D去噪算法,提出一种基于Zernike矩亚像素边缘提取的工件缺陷检测方法。该方法采集图像设备简单,避免过多地引入其他噪声。图像预处理时,采用改进的BM3D算法可以有效地滤除高光噪声,保持原图像信息。应用基于Zernike矩改进的亚像素边缘提取算法,能够精确地进行边缘定位并提取出图像复杂的边缘信息,最后通过计算边缘信息图像连通区域的几何参数来筛除非缺陷轮廓,计算全局信息熵,判断是否存在缺陷,将缺陷工件检测出来。
2 实验原理及装置
检测系统主要包括照明设备、CCD摄像机、载物台、计算机等,总体硬件装置设计如
本实验对高反光金属工件缺陷检测的整体流程如
3 工件缺陷检测
3.1 图像预处理
由Dabov等[16]提出的BM3D算法,结合了空间域中非局部均值滤波的相似块计算方法与频域中小波变换方法,可获得较高的峰值信噪比,去噪适用性强,因此被众多学者广泛应用于图像领域。其中李海洋等[17]基于BM3D算法结合原始噪声图像和去噪图像信息提出了一种渐进式图像去噪算法,算法流程如
图 3. 基于BM3D算法的渐进图像去噪算法图
Fig. 3. Schematic of progressive image denoising algorithm based on BM3D
在初始阶段,高反光工件图像预处理框架如
第一步,对噪声图像进行初始估计,先聚类分组,结合硬阈值滤波,得到相似块权重,对组内各部分加权平均进行三维反变换后得到初始估计。
第二步,利用小波分解对初始估计图像进行分层,分解成边缘层、细节层和基础层,分别对各部分进行去噪增强处理。高频信息利用改进的自适应非锐化掩模法[18]滤波处理,中频信息进行DCT变换,低频信息采用自适应阈值分段线性变换,同时进行去噪与增强。
第三步,将处理后的三部分进行小波重构,对重构后的图像再次进行块匹配估计。应用原噪声图像的结构信息,将原噪声图像及重构图像与当前图像进行块匹配,聚类形成两个3维数组(分组),通过联合维纳滤波后逆变换,根据所得权重加权平均,获得最终的估计结果。
图 4. 高反光工件图像预处理算法图
Fig. 4. Schematic of image preprocessing algorithm of highly reflective workpiece
3.2 基于Zernike矩的亚像素边缘提取
如
假设摄像机边缘扩展函数近似于二维高斯函数,那么理想的边缘扩展函数应该类似于高斯函数的累积分布函数[20],这种边缘模型没有对矩进行合理的分析评估。基于此,提出一个强度渐变函数
式中:
图 5. 图像的边缘像素变化。(a)原图像;(b)局部灰度图像的边缘像素;(c)三维图像
Fig. 5. Variation of edge pixels of image. (a) Original image; (b) edge pixels of local gray image; (c) 3D image
Zernike矩可以较好地提取图像的边缘轮廓,
图 6. Zernike矩的亚像素边缘提取。(a)原始边缘位置;(b)旋转后边缘位置;(c)生成模板图像
Fig. 6. Subpixel edge extraction based on Zernike moment. (a) Original edge position; (b) edge position after rotation; (c) generated template image
式中:
令图像与
式中:(
3.3 缺陷检测
基于Zernike矩亚像素边缘提取算法提取出的边缘特征,统计二值图像中被标记的区域的面积分布,设置阈值,筛除非缺陷干扰信息;处理后,计算图像的全局信息熵,并与正常图像的全局信息熵进行对比,对比函数的表达式为
式中:
4 实验结果及分析
4.1 实验环境
实验采用Intel Core i5 CPU,8 G内存,MATLAB 2016a编译环境,对上述算法进行调试分析。选取的待检工件图片包含凹陷、点伤及划痕等缺陷,类型较复杂。获取图像中目标缺陷受高光噪声影响,对比度较低,在此,除高光外不考虑其他因素的影响;实验图像来自应用CCD摄像机采集的带缺陷的金属工件表面的普通高光图像,光源为LED白炽灯。
4.2 实验结果对比
针对高光工件图像目标特征提取问题,选取了两种基于当前主流方法改进的算法[21-22],与所提算法进行对比实验,以验证算法的有效性。文献[
21]中的算法基于Canny算子结合全局阈值最大类间方差法和形态学图像分割法对表面高反光零件进行边缘提取;文献[
22]中的算法通过背景建模差分减弱高铁钢轨表面光照变化反射不均的影响,再通过阈值分割获取边缘信息。将所提算法与以上两种算法分别应用于获取的图像数据集,其中包含60张缺陷图像,40张正常图像,部分实验结果如
为了验证所提算法对于环境变化的稳健性,增加了在不同程度光照下的对比实验,如
4.3 实验数据分析
为确保检测结果的可靠性,以此进行量化分析验证,基于所提算法与其他文献算法在峰值信噪比(PSNR)和结构相似性(SSIM)[23]两个参数下进行对比,
图 8. 实验结果。(a)原图;(b)文献[ 21]中的算法;(c)文献[ 22]中的算法;(d)所提算法
Fig. 8. Experimental results. (a) Original images; (b) algorithm in Ref. [21]; (c) algorithm in Ref. [22]; (d) proposed algorithm
图 9. 不同光照下的对比实验结果。(a)不同光照下工件图像;(b)文献[ 21]中的效果;(c)文献[ 22]中的效果;(d)所提算法的效果
Fig. 9. Comparative experimental results under different illumination. (a) Workpiece images under different illumination; (b) results of algorithm in Ref. [21]; (c) results of algorithm in Ref. [22]; (d) results of proposed algorithm
表 1. 3种算法的量化对比
Table 1. Quantitative comparison of three algorithms
|
PSNR越大表示去噪效果越好,SSIM数值在(0,1)之间,越接近1说明保真度越好。由
5 结论
针对高反光工件的缺陷检测困难及特殊工业零件标准要求高的问题,结合改进的BM3D去噪算法,提出一种基于Zernike矩的亚像素边缘提取方法。实验过程中通过CCD直接获取工件图像,采集过程简单方便。实验结果显示,该算法在金属工件缺陷检测中去噪性及保真度方面都有较好的表现,能够在消除高光影响的基础上准确地检测出工件缺陷,提升高亮金属工件缺陷检测精度,并且在环境光照变化时,也有较强的稳健性。在后续的研究工作中,将以提高检测算法的实时性为重点,并且会继续扩展算法的通用性。
[1] 卢荣胜, 吴昂, 张腾达, 视觉, 等. 检测技术及其在缺陷检测中的应用综述[J]. 光学学报, 2018, 38(8): 0815002.
[2] 李涛涛, 杨峰, 许献磊. 基于多视觉线结构光传感器的大尺度测量方法[J]. 中国激光, 2017, 44(11): 1104003.
[3] 陈广锋, 管观洋, 魏鑫. 基于机器视觉的冲压件表面缺陷在线检测研究[J]. 激光与光电子学进展, 2018, 55(1): 011501.
[4] 苏俊宏, 刘胜利. 圆柱型高精密零件表面缺陷检测及形貌分析[J]. 激光与光电子学进展, 2014, 51(4): 041202.
[5] 孙阔原, 蒋理兴, 王俊亚, 等. 轴类工件表面视觉自动检测系统[J]. 无损检测, 2016, 38(6): 53-57, 72.
[6] 姜美华, 付鲁华, 王仲, 等. 基于图案完整性的高反射曲面缺陷检测新方法[J]. 测试科学与仪器(英文版), 2016, 7(3): 221-228.
[7] 闵永智, 岳彪, 马宏锋, 等. 基于图像灰度梯度特征的钢轨表面缺陷检测[J]. 仪器仪表学报, 2018, 39(4): 220-229.
[8] 乔闹生. 印制电路板缺陷图像边缘检测[J]. 光子学报, 2016, 45(4): 0410001.
[9] 郭萌, 胡辽林, 赵江涛. 基于Kirsch和Canny算子的陶瓷碗表面缺陷检测方法[J]. 光学学报, 2016, 36(9): 0904001.
[15] 李智慧, 华云松. 表面缺陷检测中工件与光源相机位置关系研究[J]. 电子科技, 2018, 31(5): 66-68, 72.
[16] DabovK, FoiA, KatkovnikV, et al. Image denoising by sparse 3D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing, 16( 8): 2080- 2095.
[17] 李海洋, 曹伟国, 李诗锐, 等. 渐进式图像去噪算法[J]. 系统仿真学报, 2017, 29(2): 282-294.
[21] 郭皓然, 邵伟, 周阿维, 等. 全局阈值自适应的高亮金属表面缺陷识别新方法[J]. 仪器仪表学报, 2017, 38(11): 2797-2804.
[22] 贺振东, 王耀南, 刘洁, 等. 基于背景差分的高铁钢轨表面缺陷图像分割[J]. 仪器仪表学报, 2016, 37(3): 640-649.
Article Outline
刘婷婷, 王培光, 张娜. 基于Zernike矩亚像素的高反光金属工件缺陷检测[J]. 激光与光电子学进展, 2019, 56(12): 121203. Tingting Liu, Peiguang Wang, Na Zhang. Subpixel Defect Detection in Highly Reflective Workpieces Based on Zernike Moments[J]. Laser & Optoelectronics Progress, 2019, 56(12): 121203.