灰度分布曲線與冰勺頭部劈裂檢測

顧 鳴，苑瑋琦

（1.沈陽工業大學視覺檢測技術研究所，沈陽 110870；2.遼寧省機器視覺重點實驗室，沈陽 110870）

1 引 言

冰勺是一種用于食用冰激凌等冷飲的工具，主要由樺木制成。冰勺在制作過程中受到機器切割磨損可能會出現劈裂。冰勺的劈裂可能會造成使用者口、舌的劃傷，嚴重威脅人身健康。目前很多廠家對冰勺缺陷檢測以人工為主，檢測效率和準確率已經無法達到現代工業化的需求。在工業上，基于機器視覺對缺陷的檢測可在一定程度上提高生產檢測效率[1]。該項技術對冰勺檢測也同樣適用。目前針對木材劈裂這類缺陷的檢測算法主要包括裂紋提取和裂紋分類兩種[2]，而對于裂紋提取的方法相對較少。李德健[3]提出通過投影與局部閾值分割相結合的方法檢測劈裂缺陷。李紹麗[4]運用Canny 算子提取出雪糕棒正面劈裂、紋理以及礦物線的邊緣。上述方法在提取寬劈裂的效果較好，但對相對較窄的劈裂容易出現漏檢。曹心寧等人[5]針對裂縫目標與背景的灰度對比度不明顯、小裂縫無法識別等問題，提出了連通域長、短軸比值的裂縫檢測方法，但該方法漏檢率較高。由于裂紋呈現出線狀特征，對此有學者提出運用線檢測方式來檢測裂縫，如采用Hough 變換[6]、高斯線檢測[7]等，但冰勺頭部圖像光照不均勻、背景復雜，在運用線檢測時會造成大量誤檢。綜上所述，對于裂口閉合緊實、光照不均勻、背景復雜的情況，現有的檢測方法會造成誤檢甚至漏檢。

2 冰勺頭部劈裂檢測算法原理

冰勺示意圖如圖1 所示。冰勺劈裂從冰勺的正面和側面頭部都能觀測到。由于冰勺正面存在與劈裂特征相似的礦物線，所以在進行檢測時會造成一定的誤檢。通過對冰勺頭部圖像的大量觀察發現，冰勺頭部只存在劈裂這一種缺陷，所以針對頭部圖像進行劈裂檢測會大大提高檢測準確性。

圖1 冰勺示意圖

灰度分布曲線是由多個凹線段和凸線段交替組成。凹線段是由一個灰度極小值點和兩側相鄰的灰度極大值組成的曲線，線段中極小值點及附近的像素代表圖像中的暗區域；凸線段是由一個灰度極大值和兩側相鄰的灰度極小值組成的曲線，線段中的極大值點及附近的像素代表圖像中的亮區域。

灰度極值點被定義為：如果當前像素點的灰度值大于其前一個像素點的灰度值和后一個像素點的灰度值，那么當前的像素點為灰度極大值點；如果當前像素點的灰度值小于其前一個像素點的灰度值和后一個像素點的灰度值，那么當前的像素點為灰度極小值點。

如圖2 所示為某個冰勺的側面頭部區域的灰度分布曲線。圖2(a)為橫穿這一冰勺頭部的灰度分布曲線，其中方框內為劈裂所在位置。圖2(b)為劈裂位置凹線段示意圖，其中，f(a)為凹線段的極小值，f(b)、f(c)為凹線段的極大值。

圖2 冰勺頭部橫向灰度分布曲線

定義當中幅值大的為相對幅值fr(a)，幅值小的為絕對幅值fa(a)，如下式所示：

當一條線段的相對幅值遠大于絕對幅值時，該線段反映了目標的邊界特征；當一條線段的相對幅值與絕對幅值接近時，該線段反映了目標或者干擾的完整特征。按照定義，劈裂位置有較大的絕對幅值特征，所以可以通過提取劈裂位置凹線段的絕對幅值來實現對劈裂的檢測。

3 冰勺頭部劈裂缺陷檢測算法

3.1 冰勺頭部圖像噪聲去除

由于冰勺頭部背景復雜，灰度分布曲線上疊加了高頻噪聲。首先需將高頻噪聲平滑掉，將劈裂位置的幅值特征與正常位置的幅值差異最大化。在對圖庫中圖像進行分析時發現，劈裂位置是暗區域，整列的灰度值都較低，而正常位置由于是明暗交替的情況，整列灰度值有高有低。根據高頻噪聲在灰度分布曲線上的特點，可采用垂直方向計算出的一列灰度值的平均值來代替此列灰度值，如下式：

其中，f(xi)代表冰勺側面區域某列中每行的灰度值，n代表冰勺側面頭部區域此列灰度值個數代表每列的灰度均值，a 為列數。

利用該方法既平滑了高頻噪聲，又保留了曲線原來的變化趨勢和劈裂位置的幅值特征。如圖3 所示為計算均值前后的灰度分布曲線?？梢钥闯雠盐恢茫ň匦慰騼龋┑幕叶炔▌右廊槐容^明顯，但是背景正常位置的波動相對于計算均值之前明顯減弱。

圖3 垂直方向計算均值前后灰度分布曲線

3.2 冰勺頭部灰度校正

冰勺側面呈彎曲狀，生產流水線的條形光源平行于側面并與水平面呈一定角度打光，中間部分光照強度比兩側強，使冰勺頭部中間灰度值高，兩側灰度值低，中間位置對比度通常高于兩側位置。為消除光照影響，設計一種方法對冰勺側面頭部灰度進行校正，對冰勺頭部各位置的灰度做線性變換，消除光照對冰勺頭部的影響。由于冰勺兩側的光照強度不同，所以需要將冰勺頭部從中間分為兩部分進行灰度校正。以冰勺側面頭部某行左半部分為例，使用灰度校正方法，示意圖如圖4 所示。

圖4 冰勺頭部左半邊灰度校正示意圖

如圖4(a)可見，灰度值整體呈波動上升趨勢。如果將冰勺側面橫向灰度分布曲線看成一個直角三角形的斜邊，如圖4(b)所示，根據直角三角形銳角的正切值，通過線性變換將冰勺側面頭部的橫向灰度分布曲線上的灰度值修正為直角三角形斜邊在水平方向的投影值，這樣在改變灰度分布曲線整體趨勢時不影響其局部的變化趨勢，即避免了由于光照影響導致的兩邊灰度值低、中間灰度值高的情況?；叶刃Ｕ墓饺缦拢?/p>

為了確定公式(4)中的正切值，將圖4(a)的灰度分布曲線運用最小二乘法按行擬合成一條直線，即方程y=kx+b。具體操作方法為：將冰勺頭部圖像的每行像素的坐標看作xi，對應坐標的灰度值看作yi，擬合直線如圖5 所示。擬合直線的斜率即為正切值。

圖5 擬合直線

灰度校正后的灰度分布曲線如圖6 所示。曲線整體校正到一條水平線上，局部趨勢并沒有改變，從而消除了光照分布不均勻導致的灰度分布曲線中間高、兩邊低的情況。右半邊灰度校正方法同理。

圖6 校正后灰度分布曲線

3.3 冰勺頭部劈裂特征提取

通過對凹線段絕對幅值的計算，獲得了灰度分布曲線所有凹線段的幅值。冰勺頭部劈裂位置具有較大的絕對幅值，因此，可以在絕對幅值序列中通過一定分類方法選擇較大的絕對幅值，從而實現劈裂特征提取。將絕對幅值序列按照幅值大小和出現的頻數描繪在直方圖上，如圖7 所示，即為冰勺頭部某行的絕對幅值直方圖。圖中橫坐標代表絕對幅值，縱坐標代表絕對幅值出現的頻數。方框內為背景位置的絕對幅值。箭頭位置代表劈裂位置的絕對幅值。

圖7 絕對幅值直方圖

在統計學中，如果一組樣本數據符合正態分布或近似正態分布，樣本的均值為，標準偏差為σ，一般情況下，正常數據會出現在概率區間內，超出此區域則為異常值，予以剔除[8]。但在檢測缺陷時，如果一組數據中存在異常值，那么在圖像上顯示的一般為缺陷區域。由于劈裂位置凹線段的絕對幅值相對于正常位置的絕對幅值屬于異常值，對此，可利用3σ 準則提取劈裂位置的絕對幅值。

4 算法測試與結果分析

為了驗證算法對冰勺頭部劈裂檢測的有效性，使用冰勺在線檢測系統采集冰勺頭部劈裂圖像建立圖庫，共采集150 張，其中能正確檢出148 張，2 張出現漏檢。檢測結果如圖8 所示，包括正確檢出與漏檢兩種情況。其中，漏檢1 中劈裂位置與背景差異太小，從而造成漏檢；漏檢2 中劈裂分為兩段，中間位置沒有劈開，計算均值后沒有突顯出劈裂位置的幅值差異性，從而造成漏檢。

圖8 劈裂正確檢出示例

上述測試結果表明，本算法對冰勺頭部劈裂檢測準確率較高，適用性較強，能夠有效降低劈裂檢測的漏檢率，適合用于冰勺生產線上的在線檢測。

5 結束語

研究針對冰勺頭部劈裂特征進行分析，并設計出一種冰勺頭部劈裂檢測方法。經實際測試，結果表明本研究的方法能夠有效避免冰勺頭部由于光照因素導致的兩側位置對比度低以及背景復雜導致的劈裂特征不明顯等問題，并運用自動閾值對劈裂特征進行提取，對冰勺劈裂檢測有一定的實用價值。在后續研究中，還有待對冰勺頭部開口特別小的劈裂情況做出進一步的研究。