【《玻璃缺陷检测算法工作原理分析案例》5000字】

玻璃缺陷检测算法工作原理分析案例目录TOC\o"1-3"\h\u27517玻璃缺陷检测算法工作原理分析案例 1253021.1算法流程 1259361.2气泡污点缺陷预处理算法 2214411.2.1滤波降噪算法 2226541.2.2边缘检测算法 412931.3划痕缺陷预处理算法 7207061.4玻筋缺陷预处理算法 10102821.4.1差影运算 10202931.4.2阈值分割 1162851.4.3形态学闭运算 111.1算法流程玻璃缺陷图像的采集由于光照变化和噪声影响，可能相机得到的照片质量不高，表现在亮度不匀称以及图像不清楚，所以我们要对图像进行预处理的步骤。在本章中，对比不同缺陷在不同光照下设计了独立的算法。流程如下图3-1可知：气泡/污点缺陷滤波降噪边缘检测阀值分割划痕缺陷形态学运算阀值分割气泡/污点缺陷滤波降噪边缘检测阀值分割划痕缺陷形态学运算阀值分割（a）气泡污点缺陷预处理算法（a）气泡污点缺陷预处理算法形态学运算玻筋缺陷差影运算阀值分割（c）玻筋缺陷预处理算法形态学运算玻筋缺陷差影运算阀值分割（c）玻筋缺陷预处理算法（b）划痕缺陷预处理算法（b）划痕缺陷预处理算法图3-1玻璃缺陷预处理算法流程图(1)对于泡和污点缺陷，根据正确的滤波算法，消除残留尘埃等环境干扰边缘检测算法提取而且对边缘信息进行存储，接着对图像采取阀值图像分割的操作，一次来使缺陷更加明显。(2)对于划痕缺陷，采用形态学操作消除低角度照明方式造成的异质照明问题；重用阈值分割将目标缺陷从背景中分离出来。(3)对于玻筋，想要获得符合要求的玻筋图像，可以经过微分运算得到缺陷的近似形状。利用阈值对缺陷进行分割，通过闭合形态学运算对差异运算引起的缺陷骨折进行填充。下面将详细分析和研究这些算法的具体原理。1.2气泡污点缺陷预处理算法1.2.1滤波降噪算法清除相机固有特性(如相机传输噪声、成像噪声)和外部环境(如周围环)噪声会对获得的图像产生影响，第一步往往是用来通过去噪的算法来使本来的图像免去噪声的干扰，提高图像的质量和部分地方的检测效率，使接下来的算法不再那么复杂。生产的地方常常有大量的噪声，这些噪声包含了高斯噪声以及椒盐噪声，这些噪声会使图像的质量很大程度的下降。频带滤波器和空带滤波器是目前商业化的两种滤波器计算方法。通过傅里叶变换修正上，继续半变换得到一个不同的图像。M×N的数字图像f(x,v)，则基本滤波公式如下。ggx,y，Hu,v和Fu,v该滤波器预先设置了与一个小矩形(掩模)由相对应的掩模范围内的像素通过运算进行组成。滤波之后，对于那些在图像上的全部像素点，绘制一个输出图像。任意设置一个点(x,y)，下列方程平等。g即滤波器的中心系数w(0,0)与位置(x,y)的像素相平齐。对于一个大小为M×N的模板。设m=2a+1a,b是正整数，代表在后面的讨论中，将对奇数尺寸过滤器来处理，当中尺寸最小的为3×3，一般来说，线性空间滤波使用M×N的滤波来解决M×N大小的图像，可以用下列式子来表示g然而，即使这种方法也能够去除图像里点噪声信息，它却也会使边缘有效的信息变得不易检测，不利于进一步提取图像中符合我们要求的区域。因此，一定要仔细选择掩膜的大小，以消除由于错误选择掩膜而对下面图相处理造成不必要的影响。因为图像能量主要分布在振幅谱的中低部分，而噪声主要分布在振幅谱的高频部分。当实际图像被处理时，通常选择中间滤波。认为泡沫及缺陷的斑点属于细小的气泡,属于瑕疵周围的空气与中途必须完好无损,其轮廓和妥善保存图像处理,后期才能够进行图像处理。下面将详细描述中值过滤。中值滤波在处理脉冲噪声(椒盐噪声)方面非常有效，但不如具有相同掩模尺寸的平滑线性滤波有效。这个波不那么模糊。例如，如上所述的空间滤波，掩膜所遮挡的地方像素排序是根据中值滤波的升序来的，使用平均像素的灰度替换前面最开始的灰度。例如，对于3X3的邻域，中值是第5个纵坐标值，对于5X5的邻域，中值是第13个纵坐标值。它的表达式如下：g在公式中，f(x,y)和g(x,y)为原始输入和输出图像，W为二维模型。结果表明，在噪声比较大的范围内中值滤波的滤波效果才是最好的。然而没有分析像素之间的长度会对图像产生影响，对于各种噪声的分布无法比较好的匹配。由于污点缺陷比气泡缺陷边缘更明显，过滤器对于缺陷边缘的影响较小，可是相对于一样的环境而言，所以气泡缺陷和污点缺陷滤波的算法是通用的。1.2.2边缘检测算法图中亮度的变换能够转换成计算的中调值的变换，在缺陷的边缘是分界线，边缘的灰度值变化十分的大，容易集中在棱角上的中调值，为增加频率，对边缘进行提取，对图像进行微分运算来得到信号的频率改变，即计算的倾斜度和差异的变化。一种比较合适提取边缘的手段可以使边缘具有更好的灵敏度，也能够对噪声进行有效的约束，下面来介绍常用的边缘检测算子：Robert很容易受到噪音的干扰，不是最好的决策。Sobel操作符在灰度改变和噪声比较小的图像非常的实用。然而，操作者不善于发现边缘。它不适合提取弱边缘，边缘信息会很轻易的损失，对精度较好的边缘检测不合适，Canny算子使一个熟练的操作者在复杂噪声中对边缘提取有很好的效果，可以准确地检测出较弱的边缘。同时，形态梯度是边缘检测使用很多次的办法。(1)形态学梯度梯度使用在描述图像灰度范围内的研究区域和边缘边缘。形态学梯度本质上是通过减法来将目标边缘更加显现出来，减法不同于通过膨胀或腐蚀来突出原始图像。本文主要采用以下两种梯度方法：内部梯度：用原图像减去腐蚀之后的图像得到的差值图像。外部梯度：用图像膨胀之后再减去原来的图像得到的差值图像。(2)Canny算子边缘检测的三大准则：1.低错误率:标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报2.高定位性:标识出的边缘要与图像中的实际边缘尽可能接近1.最小响应:图像中的边缘只能标识一次Canny算法分为以下几步:a.用高斯滤波器平滑图像我们需要通过高斯滤波来将噪声消除，才可以防止噪声被当做伪边缘。b.分析计算梯度的幅值和方向Canny操作符的第二步其实为Sobel操作符，它使用两组3X3矩阵和原始图像生成卷。然后近似G水平(x)和G垂直(y)的梯度(差)来处理水平和垂直像素点。边缘，点，是一个像素，其梯度大于某个阈值。以下是与G(x)和G(v)方向相关的模型公式GGA——最初图像G（x）——横向灰度值G（y）——纵向灰度值梯度方向可通过下式计算θ=c．非极大抑制进行上述步骤之后,可以有多个像素的梯度的岸边堆放一些像素,因此需要使用非最大的两侧来完善,即取消以保住最大坡度的地方和删除其他所有梯度值(定义为0)。如图1.2图1.2非极大抑制示意图图中的点c是上述算法中要确定的像素点。g1、g2和g3、g4代表像素点,是四点八场的梯度的方向,从蓝线这一点来说,如果c为当地最大梯度,其梯度幅值M,最大的是蓝线g1g2和g2g3交点，即dTmp1梯度幅值和dTmp2最多,因为他们可能也是一个地方,而且dTmp1

dTmp:这不是全部的像素，是亚像素。梯度幅值设振幅为M(g1)，振幅为M(g2)，则DTMP1可由下式得到M(dTmpl)=w∗M(g2)+(1−w)∗M(g1)其中w是比例系数，具体计算公式如下w=dis计算dTmp1和dTmp2后，如果点c的灰度值小于其中一个点，则c不是局部最大值，即不是边缘点。d.双阈值法在非极大抑制处理之后，还是有大量的噪点在图像里。所以采用了双阀值法，这种方法的原理就是通过规定一个阀值的上限和下限，当图像中的像素点的阀值比上限大，则会判定一定是边界，但是小于这个阀值的下限就会被判定不可能是边界，如果是在最大阀值和最小阀值当中的就需要待定，我们要更加深入的研究。我们能从其中可以了解这两种处理之后任然会产生像素点堆积的情况，会发生边缘模糊的情况，也许会产生虚假的边缘点，内部梯度会有双轮廓的问题，不适合气泡缺陷的分割，外部梯度获得的气泡大小却和原始图像中气泡缺陷的大小有一点区别，由此看出这两种算法都不是进行边缘提取算法的最好办法。能够比较好的对气泡边缘进行检测，并且提取出的缺陷十分清楚，可内部气泡却很模糊看不清楚，需要继续使用算法进行修改。综上选择Canny算法较为合适。气泡，污点处理流程如下图1.3：开始开始输入气泡污点缺陷图片输入气泡污点缺陷图片中值滤波中值滤波计算梯度的幅值和方向计算梯度的幅值和方向非极大抑制非极大抑制非极大抑制双阀值法双阀值法图1.3图1.3气泡，污点缺陷预处理算法流程图结束1.3划痕缺陷预处理算法1.1.1不均匀光照问题此文使用十分细的划痕条纹缺陷来当做检测的样品，所使用的宽度大概是0.01cm，在对缺陷滤波的处理时候，就算使用最小的掩膜都能把缺陷遮掩掉，因此处理要找其他的方法。低角度的光能是划痕缺陷在图像中清除的展现，但会出现光照不均匀的现象，于是便用顶帽运算来消除光照不均匀。这种算法对于处在暗背景中的明亮对象十分的有用，不均匀的光照就会使明亮对象在暗背景产生很大的不同，这样会让暗区域的分割产生误差，应在图像分割前将不良光照的情况避免。开运算可以消除那些小的明亮细节，也能保持整体灰度级与较大明亮特征不会变化，即使在平滑较大物体的边界也不会使其原来的面积发生变化。设原图像为fx,y，掩膜b对定义在图像x,yfΘb是掩膜b原点经过原图中全部的像素点，将腐蚀后的结果输出与fx,y重合的区域当中，fx,y中最小值。腐蚀可以把微小以及没有任何作用的目标去除；膨胀则为图像f⊕b膨胀能够充满目标区域当中的小孔，样可以消除小颗粒的噪声。综合以上，掩膜b对图像fx,y开操作为f∘bf∘b=因为划痕是一条长且细的缺陷，通过开运算之后，原本有缺陷的地方就被会填补，可以将没有缺陷和杂质背景图输出。结合顶帽运算可以得出如下的定义：T进行作差后便可以获得保留之前划痕缺陷的图像。划痕缺陷顶帽运算也同样可以将光照问题解决。虽然不能完全消除这些杂质所带来的问题，却同样对后面的步骤确是很重要的。1.1.2阈值分割阈值分割方法是依靠图像中的缺陷与背景灰度值的不同，通过设置阈值将缺陷从底部分离出来，对像素进行排序。本文考虑了玻璃缺陷部分灰度值分布均匀的特点，为了保证像素分布的平均误差最小，采用大类间方差法进行图像分割。这个方法是依据图像中像素点的灰值度的特性，把图像分为两个不同的部分，C1由灰值度在1,k中的全部像素构成，C2由灰度值在1+k,256中的全部像素构成。与普通的全局阀值处理法不同，这个方法在最佳阀值确定的时候，目标与背景相差最大，当目标与背景类间的方差相差越多，则在图像中目标与背景差别就越大，但是两者如果错分，都会使两个部分差距变小，这样会让最佳阀值处方差最大，两者错分的概率就比较小。设最佳阀值为Pt，输入的像素的大小是M×N，是背景的像素点占整个图像的比例为w其中N1是背景像素点的个数。目标像素点占整个图像比例ww其中N2μ上式中i是0,k间的灰度值，由贝斯叶公式得：P可以得到下列公式：μμ图像的总平均灰度如下：μ=类间方差g定义可知：g=从上式中可以看出当两灰度值相差较大的时候，类间方差就会较大，最大值为Pt最佳值。经过阀值分割后，可以清楚地看到缺陷划痕的印记，与此同时还有一些灰尘之类的痕迹，我们可以在下一步算法中去除灰尘和其他环境的干扰。划痕预处理步骤如下图1.4：开始开始输入划痕缺陷图片输入划痕缺陷图片腐蚀运算腐蚀运算膨胀运算膨胀运算最大类间方差最大类间方差结束结束图1.4划痕缺陷预处理算法流程图1.4玻筋缺陷预处理算法鉴于玻筋缺陷的特殊，不能够通过我们的肉眼直观的看到，选用2.1.3描述的光照能观测缺陷的存在，这也将算法的难度变小了，接下来就是对玻筋缺陷预处理算法的介绍。1.4.1差影运算检测同一场景两幅图像之间的变化，假设时刻1的图像为T1(x,y),时刻2的图像为T2(x,y),则差值为:g(x,y)=T2(x,y)-T1(x,y)T1是样本图片，T2是模板图片，经过通道二的光照下，该系统能够获得无损玻璃的样品图片，再获取含有玻筋缺陷玻璃的样品。两者图像1.5对比如下：(a)无损玻璃（b）含玻筋缺陷玻璃图1.5通道二光照模式下玻璃样本采集图通过差异算法可以得到缺陷部分的像素图，对所有的像素点取绝对值。便可以得到玻筋缺陷基本的形态。在差值运算后，显示不清楚地玻筋缺陷就能够清楚地显示出来，但后边界轮还是存在边缘不明显，需要后续进行进一步的运算。1.4.2阈值分割在差影运算后边缘还是存在模糊的现象，为了把这些模糊消除掉要通过阀值分割转变为二值图像，阈值分割后，玻璃玻筋缺陷轮廓的分界线清晰可见，但缺陷中间有许多小条带，影响了不同缺陷尺寸的