俞霖煒，曾培峰

　　(東華大學 計算機科學與技術學院，上海 201620)

　　摘要：討論了實際工業生產中點狀缺陷的實時檢測問題，提出一種基于嵌入式的一維缺陷檢測方法。首先通過行灰度信息的變化定位缺陷位置，并針對缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進方案，實現了點狀缺陷的實時監測。實驗結果證明，該算法具有準確性和有效性。

　　關鍵詞：工業生產；點狀缺陷；一維檢測；實時檢測

0引言

　　近年來，缺陷檢測一直是一個熱門的研究方向，廣泛運用在工業生產缺陷檢測中。為了在工業生產中實現嵌入式控制的實時缺陷檢測，本文提出了一種基于嵌入式的一維缺陷檢測方法，先通過行灰度信息的變化快速定位缺陷位置，再針對缺陷處于特定位置、圖像有噪聲、光照不足或過度等特殊情況提出了改進方案，實現了點狀缺陷的實時監測。此外，本文還討論了在攝像頭傾斜情況下，計算缺陷實際位置的矯正算法。

1研究現狀

　　現有的缺陷檢測算法大致可以分成五大類：統計學法、結構化法、光譜法、基于模型的方法以及機器學習的方法。

　　統計學法根據像素間的空間分布關系檢測缺陷，自相關函數［1］、灰度共生矩陣［2］等都是經典的統計學方法。自相關函數易于處理具有強正則性的紋理圖像，但是它易受噪聲影響，不太適合處理紋理不規則的圖像。灰度共生矩陣對單調灰度變換具有不變性［2］，它的空間表現優于自相關函數。然而，當紋理圖像清晰度高或是存在大量鄰接像素需要高強度計算時，灰度共生矩陣的性能表現不佳。

　　結構化法將紋理描述成由許多紋理基元組成的集合，這些基元可以是單一像素也可以是一塊區域，通過這些基元的布局規則，就能找到無序缺陷所在的位置［3］。

　　光譜法主要有傅里葉變換、加伯變換、小波變換以及圖像濾波等。傅里葉變換需要通過整張圖像來提取信號，不能有效地定位缺陷區域，通常會采用加窗傅里葉變換來解決這一問題。當窗函數是高斯函數時，加窗傅里葉變換就變成了加伯變換［46］。

　　最著名的基于模型的方法是自回歸模型以及馬爾可夫隨機場模型。自回歸模型［78］通過捕捉紋理圖像上不同的像素描述線性關系，這種方法易于識別微小的缺陷，且不易受到圖像平移的影響，但它受光照的影響較大。馬爾可夫隨機場模型認為圖像中像素的強度取決于其相鄰幾個像素的像素強度。在執行時間上，馬爾可夫隨機場模型大大優于其他的隨機場模型［9］，但它不容易識別微小的缺陷。

　　最近，也有一些機器學習的方法運用在缺陷檢測上。參考文獻［1012］都擁有高于90%的缺陷檢測率。但是機器學習的方法在特征數據不充分時，往往得不到滿意的效果。

2一維行掃描法

　　一維行掃描的方法通過行灰度信息的變化快速定位缺陷位置。

　　2.1算法的基本原理

　　針對缺陷灰度值局部最小的特點，對于每一行數據，可以通過如下定義來識別缺陷：

　　定義1x∈［0,m－1］,若α>0,使得h1(t)<min(|Pn(x－α)－Pn(x)|,|Pn(x+α)－Pn(x)|)<h2(t)，則x∈Xdefect

　　其中，變量m、n分別表示圖像Im×n的寬和高。函數Pn(μ)是圖像中第n行第μ列的像素灰度值，μ∈［0,m－1］。函數h1(t)、h2(t)是光強度t下的上下波幅閾值，它們決定了缺陷與背景灰度之差的浮動范圍。

　　為了提高計算速度，可以事先求得明背景的平均閾值Thl和暗背景的平均閾值Thd，僅對0<Pn(x)<Thd－h1(t)以及Thl－h2(t)<Pn(x)<Thl－h1(t)的像素進行處理。除非光照發生變化，Thl和Thd在一次實驗中只需要計算一次。為了更進一步提高計算速度，對于每一行的數據，可以首先計算它們的像素和作為校驗和，式(1)為校驗和Sn的計算公式：

　　當|Sn－Sn′|>β，則認為第n行存在缺陷。其中：Sn′是上一幀圖像中第n行像素灰度值的校驗和，β是根據缺陷的形狀和大小信息預先設定的經驗值。因此，僅對存在缺陷的行數據做進一步的計算，可以大大減小計算量。

　　在大多數情況下，通過定義1就能夠獲得很好的結果，但在當缺陷位于明暗背景的邊界處、圖像噪聲的最大方差較大、光照不足或過度時，圖像處理的效果將欠佳。特別是當圖像在采取過程中產生偏移時，式(1)將會失效。針對這些特殊情況，將進一步給出相應的改進方案。

　　2.2邊界問題

　　圖像的明背景與暗背景之間通常會產生分明的邊界，反映在直方圖上會產生明顯的幅值變化。缺陷位于邊界處可分為三種情況：(1)缺陷整體處于明背景部分；(2)缺陷整體處于暗背景部分；(3)缺陷處于明暗背景之間。這三種情況都容易造成漏判，圖1分別給出了這三種情況。

　　對于上述情況，定義2給出了新的判斷檢驗和方法，Tn表示圖像中第n行像素灰度值的檢驗和，它不再對整行的數據求和，只對梯度發生較大變化的數據求和。

　　其中，γ是一個經驗值，γ的大小根據明暗背景的幅度來決定，本文選取γ=18(Thl－Thd）。采用新的校驗和有以下優點：

　　(1)仍然能夠作為校驗和判斷缺陷的產生。

　　(2)不僅能夠檢驗邊界處的缺陷，還能夠判斷缺陷究竟是位于邊界部分，還是位于背景部分。Tn′是上一幀圖像中第n行像素灰度值的新校驗和，當|Tn－Tn′|>β時，表示第n行存在缺陷。當Tn<Tn′時，則表明缺陷處于邊界部分；當Tn>Tn′時，則表明缺陷處于背景部分。

　　(3)能夠忽略采集過程中圖像的輕微偏移。通常，如果在當前行的位置x處發生梯度變化，相鄰行也將會在x的鄰域處發生梯度變化，因為新的校驗和只對梯度發生較大變化的像素值求和，且行間的像素變化是連續的，所以圖像的輕微偏移不會導致新的檢驗和失效。

　　2.3圖像噪聲問題

　　如果圖像噪聲的幅值較大，將會把某些噪聲誤判為缺陷。針對這種情況，可以引入一個閾值Thc來判斷每一行中每一個缺陷所占像素的范圍。實現方法如下：在掃描中每當發現疑似缺陷，通過缺陷的起始坐標Xb、終點坐標Xe求得缺陷的像素范圍count=Xe－Xb+1。當count>Thc時，將疑似缺陷判定為真正的缺陷，否則將其判定為圖像噪聲。當識別完一個疑似缺陷后，count清零，繼續判斷之后發現的疑似缺陷。Thc的大小與噪聲的類型以及圖像的清晰度有關。

　　上述方法對零散的高幅值噪聲過濾效果較好，但是會疏漏連續出現的噪聲，因此可以引入行間檢查的方法。具體步驟如下：(1)記錄圖像中每一行內缺陷區域的個數，這樣，一幅m×n大小的圖像就會形成一個大小為n的一維數組F［n］；(2)將F［n］通過式(3)轉化為另一個數組G［n］，就能判斷是否有噪聲被誤判成缺陷。

　　由于每個缺陷都有一定的面積，行間的數據變化也是有規律的，G［n］上的數據不會發生劇烈變化。但當有噪聲出現時，G［n］上的數據將變化得非常明顯。因此，根據這種方法就能判斷是否存在噪聲誤判。實際應用中，如果一定范圍內G［i］的值都大于0，就認為該區域有噪聲誤判。當確定了誤判，就能通過重新掃描這些行快速過濾誤判噪聲。

　　2.4光照問題

　　光照不足或是光照過度都會影響采集圖像的質量，本文通過自動調節相機增益來穩定光照。實際應用中的流程圖如圖2所示，先計算直方圖中一個波峰的橫坐標值Th2，通過自動調節相機增益使得Th2滿足a<Th2<b，其中a、b都是預先給定的經驗值，這兩個參數保證采集到的圖像光照最佳。通過固定時間重復這個過程就能達到穩定光照的目的。由于該方法僅采用Th2作為光照強度的判斷依據，對于直方圖并不是雙峰的情況也依然適用。

3梯形失真消除

　　梯形失真的圖像是由真實圖像經過仿射變換轉換而成的，由于仿射變換保持同素性，梯形失真的圖像經過仿射變換也能轉換成真實圖像。對于任意坐標(x,y)經過仿射變換轉換得到坐標(u,v)，都有如下關系：

　　u=Ax2+By2+Cxy+D

　　v=Ex2+Fy2+Gxy+H(4)

　　其中，A、B、C、D、E、F、G、H是8個變換參數。

　　因此，只需要知道變換前與變換后4個坐標的坐標值，代入式（4）即可求得8個變換參數，也就得到了失真圖像與真實圖像之間的轉換關系。

4實驗結果分析

　　本文采用一維行掃描法對點狀缺陷進行檢測，圖3給出了該算法在實際應用中的檢測效果。

　　為了驗證算法的效率，本文對相同時間內不同算法在嵌入式設備中能夠處理的幀數進行了比較試驗。圖4是兩種一維缺陷檢測方法（一維加伯變換法和一維自相關函數法）、常規的二維缺陷檢測方法和本文算法的比較。結果表明，本文的算法在效率上優于常規的二維缺陷檢測方法以及加伯變換法和一維自相關函數法缺陷檢測方法。

5結論

　　本文提出了一種基于嵌入式的一維缺陷檢測方法，并針對特殊情況，給出了算法的改進方案。實驗結果證明，該算法擁有良好的缺隱檢出率，并且在算法效率上略優于其他同類型算法。

參考文獻

　　［1］ HARALICK R M.Statistical and structural approaches to texture［J］.Proceedings of the IEEE,1979,67 (5):786804.

　　［2］ MOKJI M M,BAKAR S.Adaptive thresholding basedon cooccurrence matrix edge information［C］. First Asia International Conference on Modelling& Simulation, IEEE, 2007:444450.

　　［3］ VILNROTTER F, NEVATIA R, PRICE K. Structural analysis of natural textures［J］. Pattern Analysis and Machine Intelligence, 1986,8(1):7689.

　　［4］ CLARK M, BOVIK A C, GEISLER W S. Texture segmentation using gabor modulation/demodulation［J］.Pattern Recognition Letters, 1987, 6(4):261267.

　　［5］ VALOIS R L D, ALBRECHT D G, THORELL L. Spatial frequency selectivity of cells in macaque visual cortex［J］. Vision Research, 1982, 22(5):545559.

　　［6］ JAIN A K, FARROKHNIA F. Unsupervised texture segmentation using gabor filters［J］. Pattern Recognition, 1991, 24(12):11671186.

　　［7］ SERAFIM A F.Multiresolution pyramids for segmentation of natural images based on autoregressive models: application to calf leather classification［C］. 1991 International Conference on Industrial Electronics, Control and Instrumentation, IECON′91, IEEE, 1991: 18421847.

　　［8］ HAJIMOWLANS S H, MUSCEDERE R, JULLIEN G A,et al. 1D auto regressive modeling for defect detection in web inspection systems［C］. Proceedings of Midwest Symposium on Circuits and Systems,1998,1:330333.