基于机器视觉的测控技术在缺陷检测领域的应用--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于机器视觉的测控技术在缺陷检测领域的应用

发表时间：2021/6/10 来源：《中国科技信息》2021年7月作者：郝爱国1 孙英涛1范永涛2 李晓丽2 齐燕2 李逢春2

[导读] 机器视觉是建立在计算机视觉理论工程化基础上的一门综合学科，涉及到光学成像、视觉信息处理、人工智能以及机电一体化等相关技术。随着广电技术的不断发展，机器视觉技术凭借其精度高、实时性强、自动化与智能化程度高等优点，被广泛应用于工业生产中的精密测量、特征检测等研究中。

1.山东东营胜利油田胜机石油装备有限公司郝爱国1 孙英涛1、 257000
2.山东东营中国石化胜利石油管理局有限公司电力分公司范永涛2 李晓丽2 齐燕2 李逢春2 257000

摘要：机器视觉是建立在计算机视觉理论工程化基础上的一门综合学科，涉及到光学成像、视觉信息处理、人工智能以及机电一体化等相关技术。随着广电技术的不断发展，机器视觉技术凭借其精度高、实时性强、自动化与智能化程度高等优点，被广泛应用于工业生产中的精密测量、特征检测等研究中。本文对机器视觉的测控技术及其发展情况进行简要概述，并介绍了机器视觉技术在缺陷检测领域的应用方法与研究现状；分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构，并对机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及分类识别理论进行简要介绍。最后分析了当前机器视觉技术在缺陷检测领域存在的局限性，并对其未来的发展趋势进行了展望。
关键词：机器视觉；缺陷检测；图像处理
       1.引言
       机器视觉顾名思义是用机器模拟人类视觉，从图像或者图像序，识别检测实际生活中三维物体的形态及其运动情况。和人类视觉相比，机器视觉具备很多优势，比方说机器视觉不会出现视觉疲劳，同时机器视觉技术功能比人类视觉的速度和精准度更高；机器视觉技术可以在诸多检测技术如紫外线、超声波等的支持之下检测到人类视觉但没有办法检测得到的事物。在人工智能高速发展的今天，越来越多的场景需要机器来识别，机器视觉也成为人工智能的一个重要分支。机器视觉是一种复杂的技术，它将图像处理、机械、光学、传感器、虚拟、计算机软硬件等多个专业技术融合到一起发展成为一项综合的技术。本文将从机器视觉和图像处理技术研究现状和在缺陷检测领域的应用展开论述，并对其未来的发展趋势进行了展望[1]。
        2.国内外的研究现状
        2.1机器视觉技术国内外发展现状
        在国外对机器视觉的研究始于20世纪50年代二维图像的模式识别。在60年代中期有关多面体组成的积木世界概念由美国学者罗伯兹提出，其中所包含的预处理方法、边缘检测方法、对象建模等方法一直沿用至今。在70年代由David Marr提出视觉计算理论，该理论形成了几个重要分支，其中包含有视觉知识的表示、视觉系统的知识库、目标制导的图像处理、图像处理和分析的并行算法等。在80年代中期由于机器视觉相关技术的快速发展促进了机器视觉的蓬勃发展。在90年代随着新概念、新技术、新理论的不断涌现，机器视觉技术广泛应用于包装、电子元件、汽车制造等领域。21世纪以来机器视觉技术逐渐趋于成熟，目前据数据统计显示，在2018年，全球用于工业自动化领域的机器视觉技术市场规模达40余亿美元，其中机器视觉在工业领域的制造商美国康耐视和日本基恩士公司占据了市场份额的一半，两大公司各自所开发的视觉系统和图像处理系统相结合可有效完成物体外观质量检测、尺寸测量、识别分类等功能[2]。
        2.2缺陷检测国内外研究现状
        随着机器视觉技术和图像处理算法的不断发展以及国内外研究人员对缺陷检测技术进行大量的研究后，机器视觉在金属表面、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。
        在国外，2016年Liu等人利用视觉系统对发光二极管薄膜陶瓷基板的表面缺陷进行检测研究，提出一种基于随机主成分分析的图像恢复方法，与均匀性线索差异直方图相结合一同构建了衬底缺陷图。实验结果表明，该方法优于已有的其它相关方法；2018年Chen等人利用视觉系统对LED 基片表面缺陷进行检测，提出了一种基于非负矩阵分解的全局图像复原方法，并从重构的非负矩阵逼近中减去原图像即可有效获取到缺陷部分；同年Hou等人利用视觉系统对荧光灯表面缺陷进行检测分类，提出了一种新的旋转不变量法对纹理进行分析并找出缺陷之间的差异。实验结果表明，该方法可有效将典型缺陷进行分类处理[4]。
        3.机器视觉检测系统
        基于机器视觉的缺陷检测系统由硬件部分和软件部分组成。

期刊文章分类查询,尽在期刊图书馆

系统硬件部分即图像采集部分，由相机、镜头和光源构成，主要用于获取高质量的图像，且该部分的硬件组成相对固定，需要根据被检元件的特性和环境来确定每个组件的参数选型。光源的选择要注意照度要适中，亮度要均匀且稳定，不应产生阴影，照度要可调节。
        系统软件部分在缺陷检测系统中更为重要。近年来，机器视觉工作者在研究视觉测控系统硬件的同时，也对机器视觉检测处理的共性软件进行了研究开发，出现了很多机器视觉测控系统组态软件平台。通过图像处理软件对所获取到的图像进行分析处理检测到缺陷部分，进而通过分类器实现缺陷图像的分类识别。机器视觉软件系统除具有图像处理和分析功能外，还应具有界面友好、操作简单、扩展性好、与图像处理专用硬件兼容等优点。国外视觉检测技术研究开展的较早，已涌现了许多较为成熟的商业化软件，应该比较多的有HALCON、HexSight、Vision Pro、LEADTOOLS等。
        4.缺陷检测图像处理和分析算法
        4.1 图像预处理算法
        工业现场采集的图像通常包含噪声，图像预处理主要是为了增强有用的信息，降低无关信息的干扰，提高图像的质量。通过机器视觉图像采集系统获取到的原始图像，不可避免的会受到周围环境及自身产生的各种随机干扰。因此在获取到图像后，需要对原始图像进行一系列预处理，比如图像定位、噪声滤除等。
        图像的定位处理包括边缘检测、变换直线检测、Roi提取等手段。边缘检测可以有效提取目标区域的轮廓。其具体原理是先检测出图像中相邻区域灰度变化剧烈的边界点，然后将边界点相连构成封闭区域。其中基于一阶导数的方法有Roberts算子、Sobel算子、Prewitt算子等梯度算子；基于二阶导数的方法有Laplace算子，非阶方法有Canny算子。
        图像的噪声滤除处理通常包括空域方法和频域方法，其算法有灰度变换、直方图均衡、基于空域和频域的各种滤波算法等，其中直观的方法是根据噪声能量一般集中于高频，而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式进行去噪，例如滑动平均窗滤波器、韦恩线性噪声过滤等。最新的研究报告表明，数学形态学方法、小波方法用于图像的去噪，也取得了较为理想的效果。
        5 图像特征提取及算法选择
        5.1 特征选取方法和特征选择
        经过图像分割和缺陷区域提取后，需要对图像中的缺陷进行特征提取，提取出具有较强表现能力且能区别于其它类别缺陷的特征。图像的特征提取可理解为从高维图像空间到低维特征空间的映射，是基于机器视觉的表面缺陷检测的重要一环，其有效性对后续缺陷目标识别精度、计算复杂度、鲁棒性等均有重大影响。目前常用的图像特征主要有纹理特征提取、形状特征提取和颜色特征提取等。
        5.2缺陷目标识别算法
        图像的识别问题通常适用于统计模式识别，基于机器视觉的表面缺陷识别主要涉及统计模式识别。统计模式识别按其实现方式又分为有监督学习的模式识别和无监督学习的模式识别。有监督学习的模式识别是在已知类别标签的特征集(训练集)基础上进行分类器构建; 而无监督学习也称为聚类，该方法不需要已知类别的训练集，分类器直接根据特征向量之间的相似性，将待分类的特征向量集合分为若干个子集。
        6.总结与展望
        本文对机器视觉的测控技术及其发展情况进行简要概述，并介绍了机器视觉技术在缺陷检测领域的应用方法与研究现状，分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构，并对机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及分类识别理论进行了简单介绍，得出了基于机器视觉的表面缺陷检测将是未来研究和发展的主要方向的结论。机器视觉表面缺陷检测系统中，图像处理和分析算法是重要的内容，如何提高算法的准确性、执行效率、实时性和鲁棒性，一直是研究者们努力的方向。
参考文献
[1]汤勃,孔建益,伍世虔.机器视觉表面缺陷检测综述[J].中国图象图形学报,2017,22(12):1640-1663.
[2]贺慧. 基于机器视觉的表贴元件缺陷检测与分类研究[D].西安科技大学,2020.
[3]李少波,杨静,王铮,等.缺陷检测技术的发展与应用研究综述[J].自动化学报,2019(04):1-18.