玻璃缺陷检测.docx
- 文档编号:27393638
- 上传时间:2023-06-30
- 格式:DOCX
- 页数:13
- 大小:1.24MB
玻璃缺陷检测.docx
《玻璃缺陷检测.docx》由会员分享,可在线阅读,更多相关《玻璃缺陷检测.docx(13页珍藏版)》请在冰豆网上搜索。
玻璃缺陷检测
玻璃片缺陷视觉检测
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:
(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,其特点是呈暗黑色、具有光吸收性。
(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)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:
(a)无缺陷玻璃图像(b)含气泡玻璃图像
(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
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
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、颜色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,找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
(4)特征提取:
特征提取的基本任务是如何从许多特征中找出那些最有效的特征,特征提取是模式识别中的一个关键问题。
对于玻璃缺陷的特征提取,特征参数的确定至关重要。
所以在选取玻璃缺陷的特征参数时,要尽量反映缺陷本原的特征,尽量选取缺陷之间最能区别于其它缺陷的特征,特征参数还要尽量选得精,选得少,以能把缺陷识别出来即可,太多的参数将会增加系统的计算量,降低系统的运行速度。
能较好地识别玻璃的各种缺陷,主要选择缺陷的几何特征参数为长短径比(L1/L2)、周长平方面积比(v=S2/A)、面积像素数与周长像素数之比(W/S)。
计算机在识别时,不仅要考虑缺陷的几何形状,还需考虑缺陷灰度差等缺陷的光学参数,光学参数即缺陷与光和颜色有关的特征参数,比如缺陷的灰度,对光的反射、折射和衍射的情况等。
不同缺陷的光学性能不同,比如气泡的透光性就比结石的透光性好,在图像上的显示相对来说就稍微亮一些,并且气泡还可能会出现小孔衍射的现象。
物理参数也是必不可少的参数,物理参数即缺陷的物理性能参数,缺陷的机械性能、导电性能、传热和隔音性能等都属于缺陷的物理性能。
每种缺陷有其特定的物理性能。
物理性能的测定需要借助于一定的仪器分析装置。
对图像进行平滑、灰度均衡和阴影去除等预处理后,图像上只有背景和缺陷两种成分,两种成分的灰度各自接近且相互差别较大,在直方图上表现为较为明显的两个峰值,这时如果取谷底为闭值,进行闭值分割,就可以将缺陷与背景分离,将缺陷提取出来,分割后在图像上表现为黑白两种成分,一类为缺陷,另一类为背景[7]。
(5)判断决策:
也就是对玻璃缺陷的分类。
基于图像识别的分类器设计有很多,主要包括传统的经典模式识别方法,例如统计模式识别和句法模式识别;以及近年来新发展起来的识别方法和识别分类理论,主要包括模糊模式识别,人工神经网络以及支持向量机等。
此外,根据分类时是否基于训练样本的期望输出,可以将识别方法分为有监督分类和无监督分类[8]。
3玻璃缺陷视觉检测系统实施例
3.1实施例一
河南科技大学王飞设计了较完整的基于机器视觉的玻璃质量在线检测系统,玻璃监测实验台如图3-1。
(a)玻璃图象采集(摄像机)(b)玻璃图像采集照明系统(LED红光)
图3-1玻璃监测系统实验台
其中A主要由工业摄像机,同步控制器以及图像采集卡组成。
B主要是由PC机组成,完成图像处理的各种算法运算,同时输出检测结果。
C为待检测目标物体—缺陷玻璃。
D为系统照明,主要包括光源、调节器、遮光罩。
E为玻璃检测系统支撑结构,主要是功能是在玻璃缺陷检测时不同情况下,可通过上下调节距离,以保证系统图像采集时能获得较为清晰地玻璃缺陷原图。
此外,在该检测系统检测过程中模拟玻璃生产实际环境,为保证系统的检测精度,还应备有制冷、通风、清洗等辅助设备。
该论文设计的软件系统能较准确地检测出玻璃生产中产生的各种缺陷,为后续玻璃划
分等级、玻璃切割提供相关信息。
玻璃缺陷检测系统主界面如图3-2所示:
图3-2玻璃检测系统离线主界面
该界面主要包括:
玻璃图像点运算、玻璃缺陷图像预处理、边缘检测以特征提取、缺陷亚像素定位以及图像匹配检测。
其中玻璃缺陷图像点运算主要完成玻璃缺陷图像灰度值方图显示、线性变换、亮度增强等,图像匹配主要包括:
图像模糊处理、差影运算、图像形态处理等。
图像边缘检测以及特征提取和亚像素定位模块如图6-3所示:
图3-3中(a)主要包括滤波处理、经典边缘检测算子、图像分割、纹理分析、区域特征参数计算等。
(b)主要实现玻璃夹锡缺陷图像特征参数提取。
(a)玻璃缺陷图像边缘检测模块
(b)玻璃缺陷特征提取模块
图3-3玻璃缺陷图像检测及特征提取系统
该论文介绍的检测系统离线检测运行情况,主要分为硬件和软件部分。
更加侧重软系统运行工作。
通过样本缺陷,演示玻璃缺陷检测和特征参数提取。
主要采用60个四中常见的玻璃样本缺陷作为识别目标,通过对其进行神经网络样本训练测试,有效地识别出缺陷类别,经实验验证系统对其缺陷识别的正确率为91.75%,能够达到较理想的检测效果。
3.2实施例二
燕山大学王平顺设计了玻璃缺陷检测系统,玻璃缺陷检测系统结构如图3-4。
设计由硬件系统设计和软件系统(图像处理算法)设计两部分组成。
其中硬件系统包括照明装置、图像采集装置,计算机图像处理装置。
算法系统包括图像预处理、图像分割、缺陷特征提取和判断决策等等。
图3-4玻璃缺陷检测系统结构图
图3-5照明方式
(1)系统光源选择:
红光LED光源作为照明光源。
(2)照明方式:
照明方式采用图3-5所示的背光照方式中的正透视的照明方式。
(3)图像采集装置:
图像采集装置由CCD摄像机、图像采集卡组成。
系统也采用CCD摄像机器件,规格为敏通MTV1881EX型CCD,摄像镜头选用8mm镜头,水平分辨率是600线。
图像采集卡选用北京大恒图象公司的CG2OO型图像采集卡I23。
CG200图像采集卡可采用标准PAL、NTSC制式,彩色/黑白视频信号输入,图像采集的最大分辨率:
转换,支持YUV4:
2:
2、RGB24、RGB16等多种图像格式的显示和存储。
硬件完成输入图像的比例缩放和裁剪,采集图像的大小、位置可灵活设置,利用图形覆盖功能可实时显示和存储任意形状的输入图像。
另外该图像卡可实现视频信号的多路输入,视频切换可通过软件来实现。
亮度、色度、对比度等软件可调。
(4)图像预处理:
系统采用采用中值滤波算子,此算子在比较理想的滤除图像噪声的同时,并且能保护图像的轮廓边界,不使其变模糊;在图像增强预处理中,应用了梯度微分算子增强处理,将图像的边缘突出,以便于目标的识别和跟踪。
(5)图像分割:
用基于灰度直方图的阈值分割算法和边缘检测图像分割算法相结合,比较理想的将气泡裂纹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。
(6)缺陷特征提取和判断决策:
基于玻璃图像分割的结果,根据玻璃主要缺陷目标(气泡、裂纹)的二值图像和边缘图像,提取出用来描述玻璃外观质量缺陷的形状特征参数(面积和周长),然后计算出玻璃缺陷的圆形度和伸长度这两个主要特征参数,组成特征矢量,对于不同形状的缺陷区域,这些特征参数各不相同。
因为气泡缺陷一般表现为圆型或椭圆型,而裂纹缺陷则表现为比较细长。
因此,对于玻璃气泡缺陷来说,其圆形度C的值比裂纹的圆形度C值要大的多,而伸长度T值则较裂纹的伸长度值小,裂纹的特征参数值恰恰与此相反,因此基于玻璃缺陷的圆形度值和伸长度值就可以将缺陷中的气泡与裂纹区分开来。
检测时,先通过选择大样本空间的实验方法,分别选定气泡和裂纹的圆形度和伸长度的阈值C,T,然后就可以用它们来对玻璃缺陷进行分类。
根据实验结果,本测量系统初步选定气泡缺陷的圆形度值是C∈[0.2,0.4],伸长度值是T∈[0.9,1.2];裂纹圆形度值是C∈[0.02,0.05],伸长度值T∈[3.0,9.5]。
实验结果表明该设计是可行的。
参考文献
1王飞,基于机器视觉的玻璃质量在线检测系统研究,玻璃与搪瓷,2009年10月第37卷第5期第2页
2王飞,基于机器视觉的玻璃质量在线检测系统研究,河南科技大学,2010年4月
3杨杰,卢盛林,赵晓芳,机器视觉在钢化玻璃缺陷检测中的应用研究,计算机技术与发展,2013年3月第23卷第3期
4易乔木,程金树,周洋,陈幼平,一种基于机器视觉的玻璃质量在线检测系统,武汉理工大学学报,2007年5月第29卷第5期
5王平顺,图像处理技术在玻璃缺陷检测中的应用研究,燕山大学,2005年3月
6肖燕,基于数字图像识别技术的玻璃缺陷在线检测实验系统研究,郑州大学,2007年5月
7张同燕,基于图像处理技术的玻璃缺陷识别方法研究,郑州大学,2007年5月
8郑斌,玻璃缺陷图像识别的关键技术研究,武汉理工大学,2009年4月
欢迎您的下载,
资料仅供参考!
致力为企业和个人提供合同协议,策划案计划书,学习资料等等
打造全网一站式需求
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 玻璃 缺陷 检测