（机械设计及理论专业论文）面向成型生产的视觉式缺陷识别技术及应用研究.pdf

摘要 摘要 成型生产是工业产品最具优势也是最主要的加工方式，采用机器视觉技术实现成型 生产的实时监控，对提高生产效率和产品质量具有重要意义。为此，提出了面向成型生 产的视觉式缺陷识别方法与技术。 本文研究工作包括三项关键技术和一套应用系统：模腔异物识别技术，表面缺陷识 别技术，制件外形匹配和检测技术，以及分级模块化双模式视觉式缺陷识别系统。取得 了四项创新：图像的多分辨散度图分析技术，信号的t o p h a t 变换序列分析方法，基于 小尺度小波变换的边缘自适应提取技术，基于多尺度小波的形状多分辨检测技术。 本文的组织结构为： 第一章，阐述了面向成型生产的视觉式缺陷识别技术，综述了国内外机器视觉检测 方法及关键技术的研究及应用现状，指出其在成型生产监控中意义与研究应用的不足， 介绍研究内容和论文结构。 第二章，研究图像变化识别存在的两大难点，分析图像之间的回归关系，提出基于 散布图的异物识别方法，通过构造样条生成回归线、散点离差统计获得匹配置信区间， 实现了检测的光照无关性。提出结合多分辨的散布图优化技术，通过对两幅图像分别进 行同阶小波分解，获得了消除边缘细节的逼近图像，实现了检测的几何偏差无关性。通 过本章技术对监控图像进行分析，判断成型模具中是否残留异物，实现了模具自动保护。 第三章，分析图像中不同对象在t o p h a t 变换序列中的行为，研究结构元素尺寸对 分割对象的影响，提出信号的0 t h 分解树和对象谱分析方法，提出最佳尺寸获取和目 标修补技术，实现了具有准确性和完整性的缺陷自适应提取。通过本章提出的技术对模 腔及制件表面进行检测，识别其是否存在划痕、麻坑、流痕或龟裂等缺陷，实现了模腔 和产品表面质量的监控。 第四章，研究在复杂背景下目标边缘的特征，分析小波尺度对变换结果的影响，提 出基于小尺度小波变换和边缘完整性连接的边缘定位技术，实现了目标轮廓的完整提 取。提出了小波多分辨的形状分析方法，实现了起点无关的轮廓曲线小波变换，在粗尺 度下完成形变判定，在细尺度下完成轮廓缺陷精检测。通过本章提出的技术，捕获制件 或模具外形，分析轮廓是否发生曲翘形变、破损或飞边等缺陷，实现了模具和制件外形 质量的监控。 i i l 浙江大学硕士学位论文面向成型生产的视觉式缺陷识别技术及应用研究 第五章，介绍了面向成型生产的视觉式缺陷识别原型系统的开发及应用验证。阐述 了硬件和软件平台设计的约束和关键要素。硬件设计包括图像采集、光照和传输等设备 及互相间的连接。软件设计包括以去噪增强、边缘检测、区域分割、角点提取、模板匹 配和纹理分析等为元素的工具集，以及信号处理、数学形态学、统计学、图形学等算法 库。最后，利用自主开发的原型系统对成型生产中的异物、表面缺陷和形状异常进行了 应用，验证了本文方法技术。 第六章，总结了本文的研究成果，并指出了今后研究工作的方向。 关键词：成型生产；机器视觉；异物识别；缺陷检测；形状匹配；t o p h a t 变换；小波 多分辨分析； i v a b s t r a c t a b s t r a c t m o l d i n gp r o d u c t i o ni st h em o s ti m p o r t a n ta n dm o s ta d v a n t a g e o u sw a yo fp r o c e s s i n gf o r i n d u s t r i a lp r o d u c t s u s i n gm a c h i n ev i s i o n t e c h n o l o g yf o rm o l d i n gp r o d u c t i o nr e a l t i m e m o n i t o r i n ga n dp r o d u c tq u a l i t yc o n t r o lh a si t si m p o r t a n ts i g n i f i c a n c e a n o m a l yr e c o g n i t i o no f m o l d i n gp r o d u c t i o nb a s e do nv i s u a li n s p e c t i o nw a sp r e s e n t e d t h er e s e a r c hw o r k si n c l u d et h r e ek e yt e c h n o l o g i e sa n da na p p l i c a t i o ns y s t e m ：m o l d f o r e i g ns u b s t a n c e si n s p e c t i o nt e c h n o l o g y , m o l d i n gp r o d u c t i o no r i e n t e ds u r f a c ed e f e c t s d e t e c t i o n t e c h n o l o g y , m o l d i n gp r o d u c t i o n o r i e n t e d s h a p ei n s p e c t i o nt e c h n o l o g y , a n d h i e r a r c h i c a lm o d u l a rd u a l - m o d ev i s u a l i n s p e c t i o ns y s t e m t h e r ea l ef o u ri n n o v a t i o n s ： t e c h n o l o g yo fi m a g e ss c a t t e r g r a m sa n a l y s i s ，m e t h o do ft o p - h a tt r a n s f o r ms e q u e n c ea n a l y s i s ， t e c h n o l o g yo fa d a p t i v ee d g ed e t e c t i o nb a s e do ns m a l ls c a l ew a v e l e tt r a n s f o r mi sp r o p o s e d ， m e t h o do fs h a p ea n a l y s i su s i n gw a v e l e tm u l t i r e s o l u t i o n t h eo r g a n i z a t i o ns t r u c t u r eo ff u l lt e x ti sa sf o l l o w s ： i nc h a p t e r1 ，t h et e c h n o l o g yo fm o l d i n gp r o d u c t i o na n o m a l yr e c o g n i t i o nb a s eo nv i s u a l i n s p e c t i o ni sd e s c r i b e d t h er e s e a r c ha n da p p l i c a t i o no fm a c h i n ev i s i o nd e t e c t i o na th o m ea n d a b r o a di sr e v i e w e d t h es i g n i f i c a n c ea n ds h o r t a g eo fr e s e a r c ho nm o l dp r o d u c t i o nm o n i t o r i n g i sp o i n t e do u t t h er e s e a r c hc o n t e n ta n da r c h i t e c t u r eo ft h ed i s s e r t a t i o ni si n t r o d u c e d i nc h a p t e r2 ，t h et w od i f f i c u l t i e so fi m a g ec h a n g ed e t e c t i o ni ss t u d i e d i no r d e rt om a k e t h ea l g o r i t h mi l l u m i n a t i o ni n v a r i a n t ，t h er e g r e s s i o nr e l a t i o nb e t w e e nt h ep a i ro fc o m p a r e d i m a g e sw a sd e r i v e db ya n a l y z i n gt h ep r o b a b i l i t yd i s t r i b u t i o no ft h ec o r r e s p o n d i n gp i x e lg r a y i nt h et w oi m a g e s f o rt h ep u r p o s eo f s o l v i n gt h ep r o b l e mo ft h eg e o m e t r i cd e v i a t i o nb e t w e e n t w oi m a g e s ，m r a ( m u l t i - r e s o l u t i o na n a l y s i s ) w a su s e db e f o r ei n s p e c t i o n ap a i ro fm o u l d m o n i t o ri m a g e si sc o m p a r e da n dr e c o g n i z e dt h r o u g ht h i st e c h n o l o g ya n dr e a l i z ep r o t e c t i n g m o l d sa u t o m a t i c a l l y i nc h a p t e r3 ，i t e r a t i v eo p e no p e r a t i o na n dt o p - h a tt r a n s f o r m a t i o no ft h es i g n a la r e c o m p u t e du s i n gs i z ed r i v e ns t r u c t u r ee l e m e n t sa n dt h e0 一t h ( o p e n - t o p h a t ) d e c o m p o s i t i o n t r e ei so b t a i n e d o b je c t sa n a l y s i ss p e c t r u mi se s t a b l i s h e dw h o s e a m p l i t u d ei st h ee n e r g yo ft h e 0 t ht r e el e a fn o d e s t h e n t h eo p t i m u ms i z eo ft h es t r u c t u r ee l e m e n ta n dt h eo p t i m u m v 浙江大学硕士学位论文面向成型生产的视觉式缺陷识别技术及应用研究 s e g m e n tt h r e s h o l da r eo b t a i n e d o nt h i sb a s i s ，t h ep r e l i m i n a r ys e g m e n tr e s u l ti sp a t c h e db y c o m p a r i n gt h ee l e m e n t si nt h es e q u e n c ew i t ht h et o p - h a tt r a n s f o r mr e s u l tw h i c hu s e st h e o p t i m u ms 缸u c n l r ee l e m e n t a n dt h et a r g e t si nt h es i g n a la r ed e t e c t e dc o m p l e t e l y s c r a t c h e s ， w e l dl i n e s ，s i l v e rs t r e a k sa n dc r a z ec r a c ka r ed e t e c t e db yt h i st e c h n o l o g ya n dr e a l i z e i n s p e c t i n gd e f e c t so nc a v i t ya n dp r o d u c ts u r f a c ea u t o m a t i c a l l y i nc h a p t e r4 ，t h ec h a r a c t e r i s t i c so fo b j e c te d g eu n d e rc o m p l e xb a c k g r o u n di ss t u d i e d t h e i m p a c to fw a v e l e ts c a l eo nt h et r a n s f o r mr e s u l t i sa n a l y z e d e d g el o c a l i z a t i o nt e c h n i q u e s b a s e do ns m a l ls c a l ew a v e l e tt r a n s f o r ma n di n t e g r i t ye d g el i n k i n gi sp r e s e n t e d ，a n dt h e c o n t o u ro ft h eo b j e c t si se x t r a c t e dc o m p l e t e l y t h es h a p ea n a l y s i st e c h n o l o g yb a s e do nm r a i sp r o p o s e d ，w h i c hm a k et h et r a n s f o r m a t i o ns t a r t i n g - p o i n ti n v a r i a n t t h eo b je c t s s h a p ei s i d e n t i f i e du n d e rt h ec o u r s es c a l ea n dt h ed e f e c t so fo b j e c t s c o n t o u ri sd e t e c t e da c c u r a t e l y u n d e rt h ef i n es c a l e t h es h a p eo fm o l d so rp r o d u c t sa r ec a p t u r e da n da n a l y z e dw h e t h e rt h e r e a r ew a r p i n g ，d a m a g e ，m o l d i n gf l a s ho ro t h e ra b n o r m a l i t i e sh a p p e n e db yt h i st e c h n o l o g ya n d a c h i e v et h e i rg o o ds h a p eq u a l i t y i nc h a p t e r5 ，t h ed e v e l o p m e n ta n da p p l i c a t i o nv e r i f i c a t i o no ft h ep r o t o t y p es y s t e mf o r m o l d i n gp r o d u c t i o na n o m a l yi n s p e c t i o ni sd e s c r i b e d t h ec o n s t r a i n t sa n dk e ye l e m e n t so f d e s i g nf o rh a r d w a r ea n ds o f t w a r ep l a t f o r mi se l a b o r a t e d ，a n dt h er e l i a b i l i t y , g e n e r a l i t ya n d s c a l a b i l i t yo ft h em a c h i n ev i s i o ns y s t e mi sr e a l i z e d t h em e t h o d so fd i s s e r t a t i o na r ev e r i f i e d b ya p p l i c a t i o ni n c l u d i n gf o r e i g ns u b s t a n c e s ，s u r f a c ed e f e c t sa n ds h a p ed e f o r m a t i o nt h r o u g h i n d e p e n d e n tp r o t o t y p es y s t e m i nc h a p t e r6 ，t h er e s e a r c hr e s u l t so ft h i sd i s s e r t a t i o na r es u m m a r i z e da n dt h ew a y sf o r f u r t h e rr e s e a r c ha r ep o i n t e do u t k e y w o r d s ：m o l d i n gp r o d u c t i o n ；m a c h i n ev i s i o n ；f o r e i g n s u b s t a n c e si n s p e c t i o n ；d e f e c t s d e t e c t i o n ；s h a p em a t c h i n g ；t o p h a tt a n s f o r m ；m u l t i r e s o l u t i o na n a l y s i s v i 浙江大学研究生学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得逝姿盘堂或其他教育机构的学位或证书而使用过的材料。与我一 同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：签字日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解逝姿态鲎有权保留并向国家有关部门或机构送交本 论文的复印件和磁盘，允许论文被查阅和借阅。本人授权浙姿态堂可以将学位论文的 全部或部分内容编入有关数据库进行检索和传播，可以采用影印、缩印或扫描等复制手段 保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：导师签名： 签字日期：年月日签字1 7 t 期：年 月日 致谢 致谢 在我的硕士论文完成之际，我要向所有关心、帮助和鼓励我的人表示衷心的感谢。 感谢我的导师张树有教授。在我整个硕士研究生求学过程中，张老师从学 - j 、科研、 生活和做人等各个方面给予我细致的关怀和认真的指导。张老师的诚信、正直的价值观， 积极、自省的人生态度，追寻理想、求是创新、勤奋严谨的科研精神，给了我极大的启 发。小到如何写论文的摘要，大到如何发现兴趣并有效执行，张老师都以求是的精神和 实际的行动给予我深刻的诠释。“一日为师，终身为师”，这句话表达了我对张树有教授 最崇高的敬意和最衷心的谢意。 感谢中国工程院院士、浙江大学求是特聘教授、浙江大学工程与计算机图形学研究 所所长谭建荣教授对我研究工作的悉心指导和学业上的关心、鼓励和帮助。衷心感谢浙 江大学工程与计算机图形学研究所的陆国栋教授、施岳定教授、刘振宇副教授、伊国栋 副教授、冯毅雄副教授、高瞻讲师和董进老师等对我学业上和生活上的悉心关怀和热帮 助。 感谢徐敬华博士后、裘乐淼博士后、周佳立博士、屠立博士、邹纯稳博士生对我的 帮助与支持。感谢我的同窗好友硕士研究生麦泽宇、王彦超、韩海荣、刘伟、刘建峰、 罗容、仇桂勇、彭铁柱、程好秋、倪小斌、郭峰、黄昭亮、姜晓明给我的帮助。 感谢我亲爱的父亲、母亲和所有亲人，是他们给予了我世间最伟大最无私的养育之 恩。“谁言寸草心，报得三春晖”，谨此表达我对您们深深的感谢。 感谢所有关心帮助我的人，在美丽的杭州求是园给我留下了美好和珍贵的回忆。 毛锋谨致 己丑仲冬公元二零一零年一月 中国杭州西湖之畔浙大玉泉求是园 l 绪论 1 绪论 1 1 引言 随着现代工业技术水平不断提高，对生产效率和产品质量的要求愈来愈高。机器视 觉检测技术对及时掌握生产情况、监控产品质量具有重要意义。它是一种以现代光学为 基础，集光电子学、计算机图像学、信息处理和计算机视觉等现代学科为一体的综合检 测技术，广泛应用与各种几何测量、外观检测和识别分类等检测任务中。在产品检验和 质量控制中，视觉检测识别和生产加工同时进行，能够及时、主动地检查产品的质量。 另外，视觉检测技术有助于更好地监测系统安全经济地运行，通过计算机来处理检测信 息，以便及时发现异常，加强故障预防，避免发生严重事故，保证设备和人员安全，提 高经济效益。一个综合自动化系统通常包括信息的获取、转换、处理、传送及执行等功 能，而信息获取与转换是其重要组成的环节，只有灵活智能、精确及时地进行检测识别， 才能保证整个系统的正常运行。 本章阐述了机器视觉检测技术及研究意义，介绍了各项关键技术，对国内外研究现 状进行分析总结，提出存在的问题和技术难点，并给出本文的研究内容结构及研究意义。 1 2 机器视觉检测技术及研究现状 1 2 1 机器视觉检测概述 随着现代工艺、设备、材料的不断进步，检测领域不断扩大，检测要求不断提高， 传统的自动检测方式很难满足需求。以大规模生产制造过程为例，有着大量的反映生产 需求的检测识别任务，如测量、检验、装配等，其目标是试图实现百分之百的零件、装 配体、成品的质量保证。在这个过程中，最困难的任务之一是在各种环境条件下快速识 别各种物件功能上和外观上的异常情况，于是需要一种实时、无损、智能、高效、低成 本的智能检测技术。机器视觉作为近三十年发展起来的一种智能检测技术，成为备受关 注的研究领域，被誉为工业自动化的“眼睛”。眼睛是人类感知外界的主要器官，它承担 了8 0 的信息获取任务。视觉传感器的出现与发展，犹如给检测系统安装了眼睛，极大 地扩充了检测系统的功能和手段。 与人工视觉相比较，机器视觉最大的优点是准确、快速、可靠和数字化，具体来讲， 具有以下四大优点：1 ) 解放了检测工人的枯燥乏味的工作；2 ) 更加安全，检测范围更 广；3 ) 检测精度高；4 ) 满足工业质量高要求。 随着各种先进的视觉传感器和数字图像处理技术的迅速发展，机器视觉检测技术成 为现代科学技术研究领域的重要发展方向。机器视觉又称计算机视觉，是利用传感嚣及 计算机来模拟人类的视觉过程，它融合了神经生理学、心理学，计算机科学，图像处理、 模式识别、人工智能和机器学习等学科，在航空、医疗、汽车、物流、纺织、安防、电 子等诸多领域有着广泛和深入的应用。 机器视觉系统包括视觉传惑器，镜头、图像采集卡、光源、圈像处理软件以及控制 执行机构六个部分，如图1 1 所示。前四个部分负贵图像的获取，其中传感器将光转换 为模拟或数字视频信号，镜头使得在传感器上得到清晰的图像，光j 晕使得被测物基本特 征可见，图像呆集卡接收视频信号并将其存储到计算机内存中。第五部分负责图像的传 输、存储、处理及识别。第六部分则根据识别结果产生相应的动作( 如报警、剔除) 。 视觉检测技术主要包括三个环节：图像采集，图像分析、控制执行。采集是机器视 觉系统的基础，其目标是得到满足质量要求的图像；图像分析是机器视觉的核心，它通 过图像处理、模式识别等方法对原始图像进行特征提取和分析，以获得决策或分类结果； 控制执行是根据不同目的设计决策动作，就像人的四肢或嘴，做出动作或表达信息。 # = 二叫，、 一t 再o 2 2 机器视觉检测关键技术 图1 1 机器视觉系统 图像处理分析作为机器视觉技术的核心，是决定机器决策分类成败的关键。它一般 分成四个阶段，即图像预处理、图像分割、特征提取、识别分类，如图1 2 所示。这是 一种自底向上的数据驱动模型，串行顺序地执行。它适用面广，对单目标和复杂物体的 1 绪论 检测识别均适用，具有很强的替换性。 原始 图像 卵茵昧集西撒 识别 结果 图1 2 图像处理流程图 ( 1 ) 图像预处理 通过图像采集设备获得的原始图像若达不到处理分析的质量要求，需要对其进行前 期处理。主要有以下各方面的因素及其处理方法： 噪声。噪声在空域中表现为孤立的突起，在频域中分布在高频区，常用滤波器 将其滤除。常用的降噪滤波器有：中值滤波器，高斯滤波器，小波滤波器，各向异性滤 波器，数学形态学滤波器等。 几何偏差。原始图像间的平移旋转差异是造成后续处理难以精确匹配的主要困 难。一般利用数学模型方法研究图像的几何特性，建立畸变模式，以此建立各种几何校 正模型，进行几何校正处理。传统的图像几何校正模式主要包括多项式模式、三角形线 性模式和共线方程式模式哺瑞良2 0 0 0 1 。 光照变化。环境的变化或光源的不稳定都会造成图像各个通道灰度分布的波动， 这是影响后续处理最直接最重要的因素。由于光照的影响是全局的，采用统计的方法可 以对图像进行归一化。常用的方法有灰度拉伸、直方图均衡、g a m m a 灰度校正、自商 图像、相位图、相对梯度、对数边缘图等方法。 ( 2 ) 图像分割 为了从复杂冗余的像素阵列中获得信息，需要对其进行分割，从而得到具有某种意 义的像素集合，及得到图像中与感兴趣物体相对应的那些区域。每一个被分割出的集合 需满足均匀性要求，且任何数目和相邻子集之并都不满足此均匀性。分割操作以一幅图 像作为输入而返回一个或多个区域或轮廓作为输出。分割算法可以分为以下几类： 阈值分割法。它将图像内灰度值处于某一指定灰度值范围内的全部点输出到目 标集合中。当目标物体与背景存在非常显著的灰度差时，都能使用阈值分割。固定阈值 仅在目标物灰度和背景灰度不变是才有效果。然而这种情况发生的概率小，照明变化会 导致目标和背景灰度的变化。即使光照不变，相似物体间不同的灰度分布也会使固定阈 值分割的结果不能满足要求。因此大多采用动态阈值法。常用的算法有：直方图法，局 部阈值法，类间方差最大化法，松弛法和共生矩阵法等泻义德2 仰6 葛涛2 仰叫从馆2 0 0 9 帅删6 2 引。 浙江大学硕士学位论文面向成型生产的视觉式缺陷识别技术及应用研究 基于边缘法。鲁棒的分割算法的目的是尽可能地找到物体的边界。描述物体边 界的鲁棒性最好的方法就是将边界视为图像中的边缘。图像的边缘部分集中了图像的大 部分信息，图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的，同时 也是图像分割所依赖的重要特征，边缘检测主要是图像的灰度变化的度量、检测和定位。 大部分边缘检测算子都对图像运用一阶微分算子或二阶微分算子，然后根据各像素处的 微分幅值及其他附加条件判定其是否为边缘点。经典的边缘检测算法有r o b e r t s 梯度模 算子法，具有平滑作用的一阶偏导算子( s o b e l 算子、p r e w i t t 算子、k i r s c h 算子、r o s e n f e l d 算子、w a l l i s 算子) 和l a p l a c e 二阶检测算子等。这些算子对不同的图像呈现不同的检 测性能，比如有些算子出现提取的边缘不连通或是过宽，有的对噪声十分敏感。1 9 8 6 年c a n n y 提出了c a n n y 边缘检测算法k “州”8 6 1 ，该算法基于边缘检测准则，在减小噪声影 响、精准地定位边缘、保证边缘的完整性等方面达到较好的平衡。小波分析用于图像处 理，发展了基于小波的多尺度边缘检测技术限础2 仰”呻从“9 9 羽。该技术在小波理论的层面 上对经典边缘检测算子进行了分析。 基于区域法。这种方法以毗邻的像素点几何为研究对象，着重考察某像素与其 周围像素的相似度或者联系，可以获得连通的感兴趣像素区域，具有保持对象完整性的 优点。物体在图像中总是表现为像素块，而大部分物体本身具有颜色的连续性，于是这 些块常常是灰度相关性最大的像素集合。这里蕴含了两层信息，一是像素是相邻的，二 是相邻的像素灰度是高度关联的。一种好的基于区域分割方法能充分考虑物体本身的属 性、图像中像素的关系和分布结构，并挖掘出三者之间的逻辑。经典算法包括基于四叉 树结构的分割算法障小卫2 0 删、基于图论的分割算法测腓2 删和基于分水岭生长法等降岩2 0 06 1 。 基于特征法。以上方法都是以单个或多个像素的灰度为研究对象，而基于特征 的方法是以图像高层信息为研究对象。高层信息是指图像像素子集及子集间的综合属 性，这些属性具有一定的抽象程度，往往是人们表达一个物体时所用的特征。经典的基 于特征的分割方法有：基于纹理特征分割法例穗连2 朝睢叫6 6 乩20 0 8 1 、基于颜色特征分割法札眦 2 删、基于统计特征分割法等咿从0 0 9 1 。 ( 3 ) 特征提取 通过分割，我们得到了对目标的原始描述。接下来必须从分割结果中选出某些区域 或轮廓，如除去分割结果中不想要的部分。而且，检测识别的目的往往是对物体进行测 量或分类( 如o c r ) ，这就需要从区域或轮廓中确定一个或多个特征量。确定特征量的 过程就称为特征提取。通常，特征包括区域特征、轮廓特征和灰度值特征三大类。 4 1 绪论 区域特征。常用的包括面积、矩、外接几何基元、轮廓长度等。其中矩是一种 有效的表达特征的方式，而面积是区域矩的广义特征中的一个特例。对矩进行归一化， 可以推导得到区域的重心。二阶中心矩可以用来定义区域的方位和范围。基于矩的特征 可以对特定的变换结果保持不变，如平移、缩放、旋转和仿射变换。矩可以有效地用来 对物体进行分类。 轮廓特征。由于许多区域特征都能直接转换为轮廓特征。计算轮廓特征及区域 类似，如凸包、重心和面积等。亦有轮廓的矩，其用途和区域类似。 灰度特征。简单的灰度特征如区域内最大灰度值、最小灰度值、平均值、方差、 直方图、累积直方图等。将二值的隶属关系泛化为模糊隶属度，可以从区域矩推广得到 灰值矩。由灰值矩计算得到的面积和重心更准确，特别是在处理微小物体时准确度优势 明显。由于计算灰值矩时必须访问区域内的每个像素，而区域矩仅需行程编码就行，因 此灰值矩速度较慢，一般只用于处理相对较小的区域。 ( 4 ) 识别分类 识别方法分为两个主要方面：理论判别和结构判别慨秋琦2 仰训。前者处理对象是定量描 述的特征，后者处理的对象是定性描述的特征。 理论判别。这是一种基于使用决策函数的识别方法，其基本问题是寻找数目与 类数相同的判别函数，可以看作是特征空间到所有可能的类型集合之间的映射关系： 瓜”h q 。于是，解决问题关键是要设计一种性能优良的分类器，使得每次的映射尽量 正确。分类器大体上有两种经典的类型：第一种类型的分类器一般使用贝叶斯定理，尝 试通过不同类型的前验概率估计后验概率；第二种类型的分类器尝试在类型之间构建分 割的超曲面。贝叶斯分类器类型常用的方法有k 最近邻概率密度估计n 0 2 2 1 、特征向量 直方图估计和高斯混合模型方法吣2 圳等。构建分离超曲面分类器类型常用的方法有神经 网络2 0 。7 1 、支持向量机m m 靴删等。 结构判别。这种方法对模式图形在结构上的关系进行适当的估计来实现识别。 有匹配形状数目法、串匹配法、串的语法识别法、树的句法识别法等。 以上是自底向上的数据驱动模型，在底层处理时，不需知识的指导，在技术方法上 可称其为非参考校验法。这种方法盲目性大，算法复杂，工作量大。另一种是自顶向下 的知识驱动模型m ”h2 0 0 引。它在具有目标先验信息的前提下，有高层知识开始，自上而 下，直接在图像中检测目标，在技术方法上称其为带参考比较法。其方法包括：模板匹 浙江大学硕士学位论文面向成型生产的视觉式缺陷识别技术及应用研究 配法、投影法、句法方法和图匹配法。模板匹配是其中最主要的方法，它采用点对点比 较，利用了检测目标的完整知识，可以处理任何性质识别。根据模板是否可以变形，分 为刚性模板和可变模板两类滁莉2 副。 a ) 刚性模板。该类模板一旦建立就不再做任何变化，只能对模板进行刚性变换， 如平移，旋转、缩放等，即模板内部像素之间相对关系不发生改变。它主要包括灰度相 关匹配，频域相关匹配和互信息匹配等算法。人们对这些方法进行了大量的研究，并提 出了各种改进的方法。为了加快灰度相关匹配的速度，有各种优化算法，如序贯相似性 检测算法( s s d a ) 障傻山2 0 0 、多分辨塔形结构算法( m p s a ) 瑚”川2 删盯“岫”1 9 8 1 。频域 匹配有较好的抗噪性，检测结果不受光照和几何变化的影响，常用的相关技术是傅立叶 相关匹配方法眦。2 0 1 0 。基于互信息的匹配方法以像素灰度统计信息作为匹配依据，其方 法简单、匹配精度高，对特征不明显的图像效果较好”2 删。 b ) 可变模板。事实上，物体在图像采集的过程中会因环境变化、传感器噪声等而 发生内在变化。可变模板具有主动适应处理数据变化的性能，能在保持目标物结构的前 提下应对变化的匹配，被称为“橡胶掩膜”啊”1 。可变模板匹配方法模型主要有两类： 自由形式可变模型和参数化可变模型。前者通常称作活动轮廓s n a k e 模型，通过内外和 图像特征能量来控制使达到轮廓能量最小化m h ”0 2 0 0 3 轴m2 仰 。后者通常在具有目标能被 参数化表示的信息的先验知识的情况下采用，根据图像力改变参数而与图像特征动态地 相互作用。包括分析型婶缸”1 9 ”h k ”1 和标准型两类似”删”k 删，它们都通过对目 标函数进行最优化，而获得的参数集能很好地描述检测或匹配效果，目标函数的值可作 为匹配的可信度。 近年来，研究者们综合自底向上和自上而下两者模型的优点，发展了自底向上一自 上而下的混合模型m ”h2 们蚰幢2 删盯m m ”2 0 0 6 1 ，研究建立融合两种不同来源信息的能量方程， 利用局部纹理和颜色特征等自底向上的信息以及全局方向和频率特征等自上而下信息， 估计条件随机域模型，通过迭代过程达到局部和全局识别一致性。从人类视觉角度，这 类方法更加稳定、准确，鲁棒性更好。 1 2 3 机器视觉检测的研究现状 工业生产的机器视觉检测对制品质量、生产效率与装备运行安全性等起着重要作 用，该技术一直来为国内外学者专家所重视。 6 1 绪论 美国国防高级研究项目署( d a r p a ) 设立了以卡内基梅隆大学为首、麻省理工学院 等高校参与的视觉监控重大项目v s a m ( v i s u a ls u r v e i l l a n c ea n dm o n i t o r i n g ) 。2 0 0 4 年 由欧盟出资，雷丁大学与法国i n r i a 等研究机构联合实施的机场智能监视项目 a v i t r a c ，对停机坪场景进行目标跟踪和异常行为检测与报警。奥地利g r a z 理工大学 的嵌入式智能摄像机研究组，i b m 的s 3 项目组，i n t e ! 的i r i s n e 项目组等分别在智能 监视系统进行了大量的研究。美国c o g n e x 公司研制了i s 2 2 0 0 0 自动检测系统和i l e a m 自学习分类器软件系统。德国p a r s y t e c 公司为韩国浦项制铁公司研制的h t s 2 2 冷轧带钢 监视系统。北京科技大学高效轧制国家工程研究中心对热轧带钢表面缺陷进行研究降科 2 9 l ，在克服温度高，辐射光强，并且存在着水、氧化铁皮、光照不均等因素，达到较好 的缺陷识别率。m a t s u s h i m a 等人最早尝试利用图像处理及视觉系统进行刀具状态检测； 文献魄见戚2 0 0 们基于图像配准方法的产品外形缺陷自动检测和分析方案，可以对产品外形轮 廓的缺陷进行定量测定，并对缺陷发生部位给出统计数据，为生产工艺的分析和改进提 供依据，并以瓷砖产品为例，取得了良好的效果。l e e 等基于v i c o m 图像分析系统的 综合性方法改进了测量技术；w h i t e h o u s e 应用谱分析方法对加工表面的粗糙程度进行识 别，进而区别刀具的状况呻 即伽鸵”7 4 1 ；p e k l e n i k 等应用自相关技术来区别被加工表面，以 便判别刀具刃1 2 状态驴默比m 洲；m a n n a n 采用经s o b e l 算子强化边缘信息过的图像，求 取行像素阵列波形下的累积面积，对锋利刀具和磨钝刀具进行区分与监控哪州卧删。浙江 大学与德国f e s t o 公司的国际合作研制了通过图像采集卡使计算机获得气动系统的动 态系列图像，并对动态序列图像进行分析，利用图像特征检测等方法获得系统的运行状 态，根据得到的系统状态，判断系统是否存在故障，并对不同的故障进行分析处理悯镥2 0 0 6 1 。 根据生产中出现典型故障类型，基于机器视觉技术的检测主要包括异物检测、缺陷 检测、形状和尺寸检测等几类任务，如图1 3 所示。 图1 3 机器视觉检测主要应用 浙江大学硕士学位论文面向成型生产的视觉式缺陷识别技术及应用研究 ( 1 ) 异物检测的相关研究 通过摄像头采集当前模腔状态图像，并与已经保存的模板图像进行比较识别，根据 不同识别结果( 制品是否正常脱落，即当前图中是否存在异物) 由控制器进行相关处理。 比较两幅图像的变化普遍采用差分法，但直接采用该方法对在复杂环境下采集的图 像常常失效，主要表现如下： a ) 由于生产环境的变化，使得两幅图像在不同光照下采集，场景中的同一点在图像 上反映为不同的灰度，直接差分导致误判。 b ) 固定的图像采集设备能保证在不同时刻摄取的图像之间不会存在较大的几何偏 差( 偏移、旋转等) ，然而，特别是在带有频繁机械碰撞的采集现场，不能保证两幅图 像不会存在小的几何偏差。即使是微小的错位，也会使得两幅图像中的同一像素对应场 景中的不同点，造成检测失败。 针对第一个问题，国内外研究者从不同角度进行了研究。孙吉花等人阱吉花2 删改进了 一般算法在光照变化时的性能，把当前图像分为无变化、光照变化和内容有变化的三类 区域，然后对内容变化区域各个像素矢量进行线性相关性分析，判断像素属于前景还是 背景，得到最终的结果。w u 等哪2 0 0 2 3 基于对数强度，将图像强度分解为光源照度对数和 物体的放射系数对数的和，实验结果表面背景消减效果质量得到提高，阈值选取更加容 易。b r o m i l e y 等m 嗍儿骱2 0 0 2 1 提出一种无参数统计方法，它基于图像数据的散布图建立统计 模型，通过基于样条、对数似然、局部最值和概率积分等方法完成图像变化检测，并用 于各种医学图像信息的处理，得到良好效果。明英等人嗍荚2 0 0 8 1 给出了一种新的基于柯西 分布的检测算法，以两帧图像间的灰度比值作为特征进行背景建模和剔除，该算法可以 承受整体或局部的、缓慢或突然的光线变化，并且可以滤除背景中小扰动导致的噪声。 针对第二个问题，一般采用图像几何校正的预处理方法障抗詈1 9 腿删耶2 删，通过建立图 像的特征空间确定相似性测度，采用一定的搜索策略使其达到最优并得到图像间的几何 变换。这种方法常用于较大的几何畸变( 线性或非线性) ，对小的几何偏差往往效率低 下，而且要求有较高的精度，否则会造成图像差分失败。 ( 2 ) 表面缺陷检测的相关研究 缺陷检测主要对被检物表面的划痕、凹坑、气泡、裂纹、孔洞、磨损、粗糙度、毛 刺、纹理等影响表面质量的异常情况进行检测，广泛应用于金属工业、成型制件i 纺织、 木材中。 目前研究人员采用不同方法对各种制件进行缺陷检测，如通过设计图像频域滤波器 1 绪论 提取机械加工零件表面缺陷津明2 0 1 ，基于小波特征的多元统计方法检测陶瓷缺陷札2 删， 采用神经网络对电路板的缺陷进行提取和分类m 恻，结合中值滤波- 9h o p f i e l d 神经网 络来分割焊缝图像以判断焊缝是否存在气泡哺炜欣2 删，以及运用数据融合技术对含缺陷铸 件x 射线图像进行处理m 朴2 0 0 6 1 等。然而在制件图像中，缺陷的大小、数量和分布随机， 不但与噪声难以区分，而且与由制件结构复杂多样造成起伏变化的背景相混叠。普遍采 用阈值法m 删1 卵h 2 们、区域生长法哆爱民2 0 0 刀、聚类法”曲。“0 0 1 h 。“n 2 删 ”2 仰和边缘检 测法墙毗0 0 1 洲从2 0 0 刀川2 6 1h 哪2 n 等进行图像分割来提取目标。但它们依赖于图像的灰度 范围和对比度，对背景的抑制也较差，而且需要人工干预。采用一种基于数学形态学的 高通滤波器乩p h a t 变换，通过构造具有一定形状的结构元素可以度量和提取复杂 背景图像中的目标。有研究者用此方法对各种图像进行目标检测：刚铁等嘣铁2 将自适 应形态学滤波方法运用于x 射线焊缝图像的缺陷提取，取得了较好效果；r u b e r t o 等 限吣刚0 0 2 1 通过t o p h a t 变换对感染的血细胞进行分析，试验表明该方法比传统的分水岭 法更准确；文献时斌2 2 1 结合图像序列能量积累对红外图像进行t o p h a t 变换，检测出运 动弱小目标，有较好的抗噪的性能；也有研究者为了自适应地获得结构元素，采用前馈 神经网络通过大量样本训练来进行优化旺蹦0 0 们。然而，这些基于t o p h a t 变换的目标提 取方法大多难以满