檢測產(chǎn)品表面缺陷，例如變色，灼傷，裂縫和劃痕，對于人類或機(jī)器視覺來說是一項(xiàng)艱巨的任務(wù)。這些缺陷可能具有隨機(jī)形狀和低對比度，并且經(jīng)常被產(chǎn)品的天然表面紋理或圖案遮擋。利用機(jī)器視覺檢測這些缺陷需要了解缺陷的外觀，注意照明，相機(jī)分辨率和部件顯示以及復(fù)雜的機(jī)器視覺算法。

我們通過直觀和通過培訓(xùn)了解這些缺陷的外觀來檢測表面缺陷。例如，劃痕通常表現(xiàn)為一系列直線或輕微彎曲的線段，我們使用我們的“格式塔”能力下意識地連接成一條線。對于機(jī)器視覺，這些能力必須通過視覺算法來近似。

照明在表面缺陷檢測中尤其重要，因?yàn)檫@些缺陷通常具有低對比度，適當(dāng)?shù)恼彰骺梢苑糯蟆τ谔岣咂矫娓叨鹊娜毕荩瑖L試低角度照明以“照亮”凸起區(qū)域的邊緣。對于平坦的缺陷，或在曲面上尋找缺陷時，請嘗試漫射光。

相機(jī)和鏡頭必須在裂縫或劃痕上以三個像素或更多像素成像。有時需要多個攝像機(jī)或踩踏零件以檢查具有所需分辨率的零件的整個表面。因?yàn)槲覀冋趯ふ倚∪毕荩粤慵砻姹３智逦鷮狗浅Ｖ匾．?dāng)零件表面彎曲時，這可能是一個挑戰(zhàn)。

陰影校正

通過清晰的好的和有缺陷的部件圖像，您可以嘗試各種機(jī)器視覺算法。包含此類算法的軟件可以輕松嘗試不同的解決方案，并且可用于檢測裂縫和劃痕。

如果劃痕或裂縫的強(qiáng)度遠(yuǎn)高于或低于零件的自然紋理，則檢測任務(wù)似乎很容易：應(yīng)用強(qiáng)度閾值僅顯示劃痕或裂縫中的像素，并且這些像素的計(jì)數(shù)是您的缺陷信號。

然而，閾值之外的像素值可能是由于不均勻的照明，而不是劃痕或裂縫。陰影校正消除了照明的變化，因此改善了裂縫和劃痕檢測。陰影校正通常通過空間頻率濾波或通過將輸入圖像劃分為參考圖像來完成。

空間高通濾波器放大高空間頻率裂縫和劃痕，并消除由于光強(qiáng)度變化引起的低頻變化。該過濾器可以破裂和劃傷檢測。不幸的是，它還會放大零件的表面紋理，從而產(chǎn)生可能使劃痕或裂縫檢測變得困難的嘈雜圖像。

我們可以減去低空間頻率，而不是放大高空間頻率。首先，通過平均每個像素周圍的像素強(qiáng)度，從輸入圖像中制作低通）圖像。這些局部平均值近似于緩慢變化的光強(qiáng)度。接下來，從輸入圖像中減去低通圖像，在幾乎平坦的強(qiáng)度背景下留下高空間頻率變化，劃痕和裂縫。

通過在沒有部件就位的情況下對圖像序列進(jìn)行時間平均來創(chuàng)建參考圖像。參考圖像顯示照明分布。隨后的輸入圖像被參考圖像分割以消除照明效果。因?yàn)閳D像強(qiáng)度是照明和部件的反射或透射的乘積，所以參考圖像的逐像素分割抵消了照明因子，僅留下部件的反射或透射。這種方法通常用于顯微鏡檢查，但在生產(chǎn)線上則較少。

黃金參考方法

大多數(shù)零件都有反射率或透射率變化，可能會遮擋劃痕和裂縫。我們可以通過平均已知良好部分的精確對準(zhǔn)圖像而不是空圖像來擴(kuò)展參考圖像的想法，以產(chǎn)生黃金參考圖像。整體方差給出了零件上每個點(diǎn)的自然或可接受變化的估計(jì)。

從輸入部分圖像中減去或劃分該黃金參考以消除光照變化和部分反射或透射變化。方差度量用于設(shè)置圖像中每個點(diǎn)的檢測閾值。當(dāng)部件強(qiáng)度結(jié)構(gòu)受到非常嚴(yán)格的控制時，例如半導(dǎo)體，該方法很有效。黃金參考圖像和零件輸入圖像也必須在位置，旋轉(zhuǎn)和比例方面精確對齊。

匹配濾波器去除重復(fù)模式

黃金參考方法有時可以刪除重復(fù)的零件圖案，例如網(wǎng)格或網(wǎng)格。然而，如果零件在結(jié)構(gòu)和反射率或透射率方面沒有嚴(yán)格控制，則黃金方法會發(fā)出錯誤警報。在這些情況下，匹配的過濾器可能會提供更好的結(jié)果。

基本思想是構(gòu)建一個匹配零件重復(fù)模式的空間頻率分量的濾波器，然后應(yīng)用該濾波器濾除模式，使表面缺陷大部分保持完整，優(yōu)化表面缺陷的信噪比。使用匹配濾波器的優(yōu)點(diǎn)包括對濾波器和輸入圖像之間的對準(zhǔn)失配的一些容忍度，并且通過歸一化，對圖案強(qiáng)度變化的容忍度。

使用快速傅里葉變換（FFT）將重復(fù)模式的已知良好圖像變換為空間頻率空間以制作匹配濾波器。然后將FFT應(yīng)用于輸入部分圖像。現(xiàn)在在空間頻率域中，我們將輸入圖像除以匹配濾波器，有效地去除輸入圖像中與匹配濾波器頻率匹配的空間頻率。如果我們不關(guān)心表面缺陷的位置和結(jié)構(gòu)，那么有時可以在空間頻率域中檢測缺陷。或者我們使用逆FFT來構(gòu)建沒有重復(fù)模式結(jié)構(gòu)的空間強(qiáng)度圖像，并在空間域中進(jìn)行檢測。

如果缺陷中的空間頻率與濾波器中的空間頻率重疊，則將部分地擦除缺陷。如果有足夠的重疊，則濾波的信號將不足以提供可靠的缺陷檢測。

結(jié)構(gòu)方法

即使在使用上述方法之后，缺陷信號通常仍然太弱而不能進(jìn)行可靠的檢測。結(jié)構(gòu)方法使用缺陷結(jié)構(gòu)的先驗(yàn)知識來改進(jìn)檢測。例如，劃痕在圖像中顯示為大致成一直線的點(diǎn)。通過沿線放大或累積點(diǎn)，我們可以提高這種類型缺陷的檢測可靠性。以下是許多結(jié)構(gòu)方法中的兩種。

數(shù)學(xué)形態(tài)學(xué)修改并檢測圖像中的形狀（形態(tài)）。侵蝕操作從明亮物體的邊緣“剝離”像素。擴(kuò)張操作將像素添加到明亮物體。假設(shè)劃痕比它所在的物體更亮，并且我們知道劃痕的大致方向。然后使用定向擴(kuò)張，我們可以延伸并“增加”劃痕中的點(diǎn)，使它們接觸。然后定向侵蝕可以選擇“減薄”生成的線條，以減少“肥胖”的噪聲像素。還有許多其他形態(tài)運(yùn)算符可用于改善缺陷檢測，假設(shè)您事先知道缺陷結(jié)構(gòu)。

在霍夫變換中，高于閾值的每個像素“投票”所有可能的線，它可能是其中的一部分。具有足夠票數(shù)（高于閾值）的可能行表示圖像中的像素線是劃痕或裂縫。霍夫方法能夠檢測非常弱的線信號，因?yàn)樗鼈冋狭嗽S多像素上的線的證據(jù)。它們在某些情況下工作得很好，但通常很慢或很難設(shè)置。

來源：搜狐