1.玻璃缺陷特征
玻璃片生产过程中，常见的缺陷有：气泡、划痕、结石、夹杂物，翘曲等。各类缺陷的主要特点分：人脸识别怎么建模
(1)气泡，该类缺陷是由于玻璃生产材料含有气体、外界环境气泡、金属铁丝等引起，主要特点为整体轮廓近似于圆形、线形、中空、具有光透射性等。
(2)结石，由于其热胀系数和外界环境热胀系数的差异，该类缺陷严重影响玻璃质量。主要分为：原材料结石、耐火材料结石以及玻璃析晶结石等。
(3)夹锡，夹锡主要分为粘锡和锡结石，其特点是呈暗黑、具有光吸收性。
甲午中日战争教案(4)划伤，该缺陷主要是玻璃原板与硬质介质间的相互摩擦产生，外表呈线性。
(5)shibor利率表面裂纹及线道，其特点表面呈线性。
具体的缺陷图如图1-1所示：
苯胺类化合物
（c）含结石玻璃图像 （d）含裂纹玻璃图像
（e）含夹杂物的玻璃图像 （f） 划痕的玻璃图像
图 1-1 玻璃典型缺陷图像
2玻璃缺陷视觉监测系统工作原理
2.1 玻璃缺陷视觉检测原理
玻璃生产过程大体可分为：原料加工、备制配合料、熔化和澄清、冷却和成型及切裁等。在各生产过程中，由于制造工艺、人为等因素，在玻璃原板的生产任一过程中都有可能产生缺陷，根据玻璃现行标准中的规定，玻璃常见的缺陷主要包括：气泡、粘锡、划伤、夹杂等。无缺陷的玻璃其特点是质地均匀、表面光洁且透明。玻璃质量缺陷检测是采用先进的CCD成像技术和智能光源。系统照明采用背光式照明，其原理如图2-1所示，即在玻璃的背面放置光源,光线经待检玻璃，透射进入摄像头[1]。
图 2-1 检测原理图示意图
山莨菪碱
光线垂直入射玻璃后，当玻璃中没有杂质时如图2-2(a)所示，出射的方向不会发生改变，CCD摄像机的靶面探测到的光也是均匀的；当玻璃中含有杂质时，出射的光线会发生变化，CCD摄像机的靶面探测到的光也要随之改变。玻璃中含有的缺陷主要分为两种：一是光吸收型（如沙粒，夹锡等夹杂物）如图2-2(b)所示，光透射玻璃时，该缺陷位置的光会变弱，CCD摄像机的靶面上探测到的光比周围的光要弱;二是光透射型（如裂纹，气泡等）如图2-2(c)所示，光线在该缺陷位置发生了折射，光的强度比周围的要大，因而CCD摄像机的靶面上探测到的光也相应增强。因此，本文研究的基于机器视觉技术的玻璃缺陷检测系统是可行的[2]。
（a）玻璃无缺陷时 （b）光吸收型缺陷时 （c）光透射型缺陷时
图 2-2 玻璃缺陷光学检测原理
2.2玻璃缺陷视觉检测系统构成
整个机器视觉检测系统包含图像采集、图像处理、智能控制、机械执行等部分，其结构如图 2-3 所示。其中光源及被测玻璃固定，光源位于玻璃底部，通过透射进入摄像头。摄像头以 X－Y 方式匀速扫描整块玻璃。图像采集卡接收摄像头信号，滤波后经模数转换变成 24 位的数字信号，再由计算机对其加以分析。如发现缺陷，则进行分类和统计，报告缺陷类型、尺寸、位置等，为玻璃分级打标提供信息[3]。
图 2-3 检测系统结构示意图
2.3 机器视觉检测系统检测过程
机器视觉检测系统检测过程如图2-4：
图 2-4 检测过程原理图
（1）图像获取：一般采用高速线阵CCD摄像机实时采集生产线上的玻璃图像,所获取的图像模拟信号通过图像采集卡的数字化处理,再传送到计算机中进行图像预处理[4]。
（2）图像预处理：图像预处理是图像分析的一个重要环节，对图像进行适当的预处理，
可以使得图像更加便于分割和识别，主要包括图像滤波处理(均值滤波、中值滤波、高斯滤波)和图像增强处理(图像的灰度变换、直方图均衡化、图像尖锐化处理)。为了消除图像中的各种噪声，必须用到滤波器。图像增强是图像预处理的基本内容之一，图像增强是指按 照特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更适用，比如，突出边缘信息，改善对比度，增强图像的轮廓特征，以保证检测的准确性，使处理的结果使图像更适合于人的视觉特性或机器的识别系统。因此，这类处理是为了某种应用而去改善图像质量的。
3玻璃缺陷视觉检测系统实施例图像增强技术基本上可分成两大类：一类是频域处理法，一类是空域处理法[5] ,以粘锡玻璃缺陷为例如图2-5。
（a）粘锡玻璃缺陷原图 (b) 灰度处理图 (c) 对应直方图
2013苏州中考作文
图 2-5 处理直方图
图像经线性变换、去噪等预处理，如图2-6。
图 2-6 变换后的图像及对应的灰度直方图
（3）图像分割：为了进一步对目标图像进行分析、理解和识别，必须把目标从背景中分割出来。图像分割是依据图像的灰度、颜或几何性质将其中具有特殊含义的不同区域区分开，这些被分开区域是互不相交的，且都满足特定区域的一致性，比如对同一目标的图像，一般需要将图像中属于该物体的像素或物体特征像素点从背景中分割出来，即将属于不同物体的像素点分离开。在玻璃缺陷图像处理过程中，缺陷的灰度值与背景灰度值相比
有较大变化，并且灰度图像中缺陷边缘灰度值同周围背景相比，也存在很大的差异，所以采用基于灰度直方图的阈值分割算法和边缘检测算法相结合，就可以将缺陷从玻璃背景图像中分割出来，形成完整的缺陷目标，为缺陷目标的特征参数的提取和缺陷判断识别提供了良好基础。阈值化分割算法的原理，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个像素的灰度值都与这个阈值相比较,并根据比较结果将对应的像素(分割)划分为两类：像素的灰度值大于阈值；像素的灰度值小于阈值，确定阈值是分割的关键，如果能确定一个合适的阈值就可方便地将图像分割开来，阈值分割法的结果很大程度上依赖于对阈值的选择，因此该方法的关键是如何选择合适的阈值，合理的阀值应取在边界灰度变化比较大比较明显的地方。因此，可以把某个阈值所产生的边界两边灰度对比度的大小作为衡量的标准，出能够检出最大平均边界对比度的阈值 [6] 。以自适应分割法为例得到的夹锡阈值分割图像如图2-7。
（a）自适应阈值分割法灰度直 （b）自适应分割法阈值图像
图 2-7 自适应分割法夹锡阈值分割图像
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议