心灵的回响
第39卷第2期2021年3月
佛山科学技术学院学报（自然科学版）
Journal of Foshan University（Natural Sciences Edition）
Vol.39No.2
Mar.2021
文章编号：1008-0171（2021）02-0028-05
贺潇苏彩红仔，詹宁宙2，林军帆-梁智宇1
(1.佛山科学技术学院机电工程与自动化学院，广东佛山528000;
2.佛山精视自动化科技有限公司，广东佛山528000)
摘要：针对圆形陶瓷片的产品特性以及厂家检测的需要，设计了一种基于Halcon平台的表面缺陷分区检
测算法。通过前期预处理中的灰度化、图像增强处理以及ROI的选取后，再针对不同缺陷分别采用阈值分割、极坐标转换及边缘提取等方法获取产品缺陷区域并进行检测。实验结果证明本检测算法具有较高的准确性，并能较好地满足实际检测要求。 关键词：缺陷检测；Halcon；阈值分割；边缘提取
中图分类号:TP391.41;TQ174文献标志码:A
圆形陶瓷片在生产过程中，由于生产工艺和生产环境的影响，会出现一定比例的缺陷产品。如果不能及时筛选出来，对于产品后续的使用会存在一定的安全隐患。目前针对圆形陶瓷片的缺陷筛选主要是人工目检，而人工目检存在检测效率低、人工成本高等缺点。近年来，随着图像处理技术和机器视觉技术的不断发展，出现了越来越多的机器视觉检测来代替人工目检的情况。Halcon是由德国MVTec公司研发的机器视觉图像处理软件，提供了全面的图像处理函数库。本文基于Halcon算法平台，主要研究了圆形陶瓷片表面的气泡、斑点、粉尘和炸裂等缺陷的图像处理算法。
1缺陷分类及检测流程
圆形陶瓷片在生产线上通过面阵CCD进行图像采集，在Halcon软件上进行处理、分析和检测[1]o 圆形陶瓷片的表面缺陷主要包括气泡、斑点、粉尘和炸裂4种，缺陷特点及分类如表1所示。
表1缺陷分类及特点
缺陷类型缺陷出现位置缺陷特点
气泡外环白缺损，区域图像灰度比周围背景图像大10以上
斑点大内环黑缺损，区域图像灰度比周围背景图像小15以上
粉尘大内环边缘黑缺陷，区域内连续多个面积大于10的黑缺陷
炸裂内孔边缘白缺损，内孔边缘出现的裂缝，区域裂缝长度大于5
圆形陶瓷片缺陷检测流程如图1所示，检测步骤主要包括：1)利用图像灰度化和增强技术，将原始图片进行预处理;2)利用阈值分割的方法提取图片中各类缺陷对应的感兴趣区域ROI(Region of
收稿日期:2020-06-10
基金项目：广东省普通高校科研资助项目(2019KZDZX1034)
作者简介：贺潇(1996-)，男，湖南南县人，佛山科学技术学院硕士研究生。
*通信作者：苏彩红(1963-)，女，广东江门人，佛山科学技术学院教授，硕士生导师。
第2期贺潇等：基于Halcon的圆形陶瓷片表面缺陷检测方法29
Interest）;3）提取图片中各类缺陷的特征，然后根据面积和长度等特征来判断其是否为缺陷产品，并标记出缺陷区域。
2图像预处理
2.1图像灰度化
图像灰度化是图像处理前的重要步骤。彩图像的RGB只是在光学上的搭配，不反映图片的特征。灰度化处理有平均法、最大值法以及加权平均法等。这里按Halcon中加权平均法函数rgb1_to_gray 灰度化处理，即
gray=0.299*red+0.587*green+0.114*blue，（1）其中,gray代表灰度化处理后的灰度值,red代表红分量的灰度值,green代表绿分量的灰度值,blue 代表蓝分量的灰度值。
2.2图像增强
图像增强的作用是为了突出图像中的一些重要的特征，同时弱化少量不必要的信息。处理后的图像对比度明显增强，特征更加明显[2]o图像增强方法有频域法和空间域法。本文选择空间域法中的灰度值线性化，即
g=（G-G mi n）x G25G,（2）
max min
其中,g为线性化图像增强后的灰度值,G为当前的灰度值,G max为需要加强区域内的灰度最大值,G min 为需要加强区域内的灰度最小值。
2.3ROI的提取
虚拟博物馆
在圆形陶瓷片上，气泡主要分布在产品的外环，斑点主要分布在大内环上，粉尘则主要在大内环的边缘，炸裂主要出现在内孔的边缘。故不同的缺陷检测需要提取不同的ROI，以尽量消除别的区域造成的误检，从而提高检测的准确性。圆形陶瓷片缺陷检测流程如图1所示，产品区域划分如图2所示。
图1圆形陶瓷片缺陷检测流程图2陶瓷片区域划分
3各缺陷的检测算法
热工自动化技术
3.1气泡检测
圆形陶瓷片气泡出现在外环区域上，而且环上有时会出现占据一段连续圆环的大气泡，不利于特征的提取国，可采用瓶口矩形法（极坐标转换的方法）将圆环展开成矩形。这样环形上的气泡就变成了展开矩形的垂直方向的差异。气泡原始图如图3所示。首先先对外环进行ROI提取，如图4所示。然后利用极坐标变换函数将外环展开为矩形如图5所示，可以看到在笛卡尔坐标中更明显突出气泡的特征。在笛卡尔坐标中用运用形态学处理提取缺陷部分⑷，提取效果如图6所示。气泡检测流程如图7所示。检测结果如图8所示，标记为检测出的气泡。
30佛山科学技术学院学报（自然科学版）第39卷
图3气泡原始图片图4提取外环后效果
图5外环展开后效果
西南联合大学图6矩形中提取缺陷特征
图7气泡图像处理流程图8气泡检测后结果
3.2斑点检测
斑点检测采用全局阈值的方法。需要根据斑点的特征灰度值与ROI中的背景灰度值比较，选取合适的阈值区间，看ROI中的每个像素点灰度是否在该阈值区间内[5]o Halcon中提供threshold函数进行全局阈值。检测斑点的效果如图9所示，标记为检测出的斑点。
3.3粉尘检测
粉尘的成像比较浅，与背景相差不大，全局阈值不能适用，这里使用的是动态阈值的方法。动态阈值是根据图像中每个像素点周围的特性，对该像素点选取不同的阈值，形成阈值曲面，将图像进行分割。首先运用Halcon中的mean_image函数来平滑处理，设置为参考背景，然后运用动态阈值函数dyn_threshold设置选取“暗于”参考背景的区域。检测效果图如图10所示，标记为粉尘。
第2期贺潇等：基于Halcon的圆形陶瓷片表面缺陷检测方法31
b斑点检测后结果
图9斑点检测效果
a斑点原始图片
a粉尘原始图片b粉尘处理后结果
图10粉尘检测效果
3.4炸裂检测
圆形陶瓷产品质地比较坚硬，在产品成型过程中内孔边缘非常容易出现炸裂。炸裂的检测选择考虑提取裂纹的亚像素轮廓（XLD），并将XLD轮廓连接后形成“区域”，经过面积和长度的筛选就可提取到缺陷的特征⑹，这里用Canny算法进行亚像素边缘的提取。Halcon中有edges_sub_pi函数进行亚像素边缘的提取。炸裂处理流程如图11所示。
4实验结果分析
为了验证缺陷检测的稳定性和准确性，对相同条件下采集的300张图片在Halcon平台上对缺陷检测算法进行测试。样本总数为300张，样本检测统计结果如表2所示。由表2可知，合格品无漏检，但存在3个误检；斑点的检测效果最好，无误检与漏检情况；气泡有1个漏检；粉尘和炸裂各有1个误检。实验样本总体检测准确率为98%。
图11炸裂图像处理流程
表2测试结果统计表
缺陷类型样本数误检数漏检数准确率/%合格1003097
毕节学院图书馆
气泡500199
斑点5000100
粉尘501099
炸裂501099
总计30051
98
32佛山科学技术学院学报（自然科学版）第39卷
测试中部分参数具体设置如下：1)气泡的检测中，动态阈值函数参数设置为dyn_threshold(Image, ImageM,Regionsl,20,'light')。在极坐标中提取的缺陷特征时面积和高度下限分别为500和15。2)斑点检测中，大内环的灰度在90~110之间，所以全局阈值区间设置在0~75之间，缺陷特征面积提取下限为100。3)粉尘检测中，动态阈值函数参数设置为dyn_threshold(Image，ImageM，Region，5，'dark')o缺陷特征提取时面积和粉尘的个数下限分别为10和5。4)炸裂检测中，亚像素边缘提取参数设置为edges_sub_pix(Image，Edges，'canny'，0.5，4，10)o缺陷提取时裂纹的长度下限为5。
5小结
本文提出了基于Halcon的圆形陶瓷片的表面缺陷检测算法，并通过样本测试验证了可行性和准确性。实验结果表明，该缺陷检测算法能较好满足实际生产过程中的检测需求。本文针对产品所提出的根据实际缺陷进行分区检测，虽然对检测速度有一定的影响，但能较好地提高检测的准确性。如何提高检测速度问题有待后续进一步研究。
参考文献：
[1]任鹏霏，周传德，胡帅，等.HALCON图像处理在纸杯缺陷检测中的应用[J].自动化应用,2019(6):98-99,103.
[2]李长有，刘遵，李帅涛.平板玻璃低对比度表面缺陷检测研究[J].机械工程师,2018(3):21-23,27.
[3]李慧娴.基于图像处理的微小元件端面裂纹及缺陷检测算法的研究[D].河南：郑州大学,2018.
[4]WANG Shuo,XU Jiangfeng,WANG Fangzhou,et al.Identification and Detection of Surface Defects of Outer Package Printed
Matter Based on Machine Vision]J].Pulp Paper Technology,2020,52(2):3-11.
[5]HONG-DAR L,SINGA W C.Flaw detection of domed surfaces in LED packages by machine vision system[J].Expert Systems
陶瓷基片
With Applications,2011,38(12):15208-15216.
[6]淡毅.基于机器视觉的陶瓷基片缺陷检测技术研究[D].沈阳：东北大学,2015.
【责任编辑：任小平***************】Surface defect detection method of circular
ceramic based on Halcon
HE Xiao1,SU Cai-hong1,ZHAN Ning-zhou2,
LIN Jun-fan1,LIANG Zhi-yu1
(1.School of Mechanical Engineering and Automation,Foshan University,Foshan528225,China;
2.Kings Vision Automation Technology Co.Ltd.In Foshan,Foshan528000,China)
Abstract：According to the characteristics of circular ceramic products and the needs of manufacturers' inspection,a surface defect detection algorithm based on Halcon platform is designed.After graying,image enhancement and ROI selection in the pre-processing,threshold segmentation,polar coordinate transformation and edge extraction are used to obtain the product defect area and detect different defects.Experimental results show that the detection algorithm has high accuracy,and can better meet the actual detection requirements.
Key words:defect detection;Halcon;threshold segmentation;edge extraction
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议