基于統計矩的輪廓缺陷檢測

英昌盛，徐志偉，常大俊

(1.吉林師范大學 計算機學院，吉林 四平136000;2.長春大學 計算機科學技術學院，長春130022;3.長春建筑學院 電氣信息學院，長春130000)

0 引言

金剛石薄膜具有硬度高、耐磨性高、摩擦系數低、穩定性高等優異的特點，非常適合制作齒輪、軸承、外頭等器件的耐磨層，也可將其制作為拋光磨具，其在機械系統具有廣泛應用。采用化學氣相沉積(CVD)方法制備金剛石薄膜工藝有許多種，如微波法、熱絲法等等［1］?，F今在歐美等國家采用微波等離子體化學氣相沉積(MPCVD)制備金剛石薄膜是主流方法，我國MPCVD 與歐美國家還有相當差距。

1 廓缺陷的產生

當金剛石膜片生產完成之后，需根據實際需求對其使用激光按指定樣式進行切割。金剛石膜片通常為圓形，由于邊緣弧度等原因，在金剛石膜片邊緣處切割樣品通常與指定樣式不相符而形成輪廓缺陷。同時，在激光切割金剛石膜片過程中，由于金剛石膜片生長厚度不完全均勻一致，加上激光產生的高能熱量會引起冷熱劇烈變化，從而導致樣品在切割線邊緣產生崩角輪廓缺陷。正品與兩種不同情況下產生的輪廓缺陷樣品如圖1 所示。

圖1 合格樣品及輪廓缺陷樣品

2 輪廓缺陷檢測系統框架

金剛石膜片切割樣品平均面積為4 平方毫米，因此每個膜片都會切割為大量樣品。切割后有輪廓缺陷的樣品與合格樣品混雜在一起，需要對有缺陷的樣品進行篩選。樣品篩選需要經過粗選、細選等若干道工序，使用人工篩選費時、費力、效率低。人工篩選時，工人長時間工作會因疲勞而導致誤判率增大;而且對于缺陷的判定，不同工人的主觀判斷也不完全一致。因此，需要采用完全自動化的方法來對輪廓缺陷樣品進行自動檢測、識別和處理。檢測系統綜合集成光、機、電、算等各個學科的內容，其基本架構如圖2 所示。

由進料裝置將膜片切割后的樣品均勻、等間隔地放置到原料傳送帶上;在向前傳送過程中，當樣品到達相機位置時將觸發同步信號，相機開始對樣品進行拍照;上位機對采集的樣品圖像進行分析與處理，判定樣品是否為輪廓缺陷樣品;當判定結果為輪廓缺陷樣品時，由上機發出控制信號，控制廢料吹送風扇將之回收到廢料回收裝置中;當判定結果為合格樣品時，樣品將會被回收到傳送帶末端的合格樣品回收裝置中。

圖2 輪廓缺陷檢測系統構成

3 檢測過程

本文主要側重上位機對于采集到樣品圖像信息進行處理，從而判定樣品是否為輪廓缺陷樣品。對于相機采集到的樣品圖像可以采用數字圖像處理方法進行增強，然后獲得其輪廓，將得到輪廓采用基于統計矩的圖像匹配方式進行處理與判定。

3.1 Mat 圖像在MFC 中顯示

本文采用MFC 和OpenCV 相結合的圖像處理與檢測方法。MFC 是開發桌面應用程序和圖像處理程序的高效工具，其功能十分強大。OpenCV 是跨平臺的計算機視覺庫，其中提供了許多開源計算機視覺算法，覆蓋范圍從最基本的數字圖像處理算法到物體檢測等高級應用。OpenCV2.0 版本以后引入的Mat 類型，替代了原來的IplImage 類型，而且不再支持CvvImage，所以Mat 類型圖像無法直接在MFC 中顯示。本文利用CImage 結構將用于表示圖像信息的Mat 數據轉化為位圖數據，然后將位圖信息利用MFC 中的設備上下文DC 及畫刷顯示于CStatic 控件中，其實現偽代碼如下:

3.2 檢測依據

對于形狀比較規則的樣品，如矩形、三角形等，其輪廓缺陷檢測方法相對簡單，只要獲得樣品的幾條主要輪廓線就可以構造出其理想形狀，可以計算出其理想面積與實際面積差值，在差值不超過設定閾值情況下即可認為樣品不存在輪廓缺陷?；谳喞娣e的檢測方法需要事先確定樣品的幾何形狀是規則的，而且由于缺陷所在位置不同、樣品擺放的角度不同都會對理想面積的估計產生影響，造成檢測結果不準確。所以，需要尋找一種可以對大多數形狀都能估算出正確面積，而且對樣品擺放位姿沒有特殊要求的算法。

本文采用待測樣品與合格標準樣品對比的圖像匹配方法來進行檢測。首先，將由若干名經驗豐富的檢測工人均認為合格的樣品保存到樣品數據庫，將待檢測樣品與之進行對比。接下來需要提取待檢測樣品的輪廓信息，計算其與標準樣品之間的統計矩信息。最后，根據計算結果給出判定信息。

3.3 獲得樣品輪廓信息

在獲取樣品輪廓之前，需要根據樣品圖像灰度分布特征對其進行二值化處理。由于背景為白色對后續結果會產生影響，因此對二值化結果圖像進行反相處理之后，將背景信息扣除。由于金剛石膜片在生長過程中的不均勻，在樣品拍照過程中不同區域的灰度信息分布會有一定的差異，這給樣品輪廓提取造成了困難。因此，在二值化處理之后還需要進一步對二值化結果使用7*7 大小的模板進行膨脹操作［2］，以消除樣品生長不均勻導致的圖像內部孔洞。對于膨脹之后的二值圖像，可以使用輪廓查找算法查找其輪廓。本文采用將所有點由鏈碼形式翻譯為點序列形式來查找樣品的輪廓，其關鍵實現如下:

3.4 統計矩檢測

由于標準樣品和待檢測樣品的光照、拍攝時間、拍攝角度、拍攝距離等可能都存在差異，在進行標準樣品圖像輪廓與待測樣品輪廓匹配時，必須選擇一種對于光照、尺度、旋轉都具有不變性的算法。

基于全局幾何特征的算法，如面積、周長等，容易受到縮放等操作的影響，并不適合本文所描述的情況。在模式識別、圖像匹配、分類等應用中，常常使用圖像的矩來作為函數。Hu 在1961 年在其“Pattern recognition by moment invariant”一文中提出使用二階和三階歸一化中心矩構造7 個不變矩［3］。7 個不變矩構成一組特征向量，Hu 證明了這7 個矩具有平移、旋轉和縮放不變性。在圖像識別和匹配中，Hu 矩的識別速度快，在紋理不復雜、物體較大的情況下，識別效果較好，與本文的情況恰好相符。

對于灰度概率分布函數為f(x，y)的離散灰度圖像，其p+q 階中心矩定義如式(1):

歸一化的中心矩則定義為式(2):

本文只使用了Hu 矩中的前三個，其定義分別如式(3)、(4)、(5):

在檢測過程中，使用如下所示的代碼來匹配待檢測樣品與標準樣品之間的3 個Hu 矩:

dMatch1=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I1，0);

dMatch2=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I2，0);

dMatch3=matchShapes(filteredContours［0］，filteredContours2［0］，CV_CONTOURS_MATCH_I3，0);

本文抽取了部分檢測數據的Hu 矩信息，與之對應的圖形如圖3 所示。

圖3 檢測數據的Hu 矩三維視圖

從圖3 中可以明顯看出，當三個Hu 矩I1、I2 和I3 數據值都非常接近0 時，待檢測圖像與標準樣品的輪廓匹配程度最高，其他情況下均為輪廓缺陷樣品。

4 結語

本文探討了基于統計矩的輪廓缺陷檢測方法，該方法具有較好的識別效果，具有相當的實用價值。對于樣品內部具有缺陷的情況還需要進一步處理。

［1］ 呂反修.金剛石膜制備與應用［M］.北京:科學出版社，2014，8.

［2］ (美)岡薩雷斯.數字圖像處理［M］.3 版.北京:電子工業出版社，2011.

［3］ 張偉.Hu 不變矩的構造與推廣［J］.計算機應用，2010(9):2449－2452.