浙江大学学报(工学版)

浙江大学学报(工学版), 2019, 53(10): 1883-1891 doi: 10.3785/j.issn.1008-973X.2019.10.005

机械与能源工程

摩擦片表面缺陷的视觉显著性检测算法

秦钟伟,, 陈捷,, 洪荣晶, 吴伟伟

Visual salience detection algorithm for surface defects of friction sheets

QIN Zhong-wei,, CHEN Jie,, HONG Rong-jing, WU Wei-wei

通讯作者: 陈捷，女，教授, 硕导. orcid.org/0000-0002-9718-3039. E-mail: article_1971@163.com.cn

收稿日期: 2018-08-22  

Received: 2018-08-22  

作者简介 About authors

秦钟伟(1994—)，男，硕士生，从事数字图像处理的研究.orcid.org/0000-0002-2819-3911.E-mail:2553230346@qq.com , E-mail：2553230346@qq.com

摘要

针对摩擦片表面缺陷高精度高效率的检测要求以及摩擦片自身复杂的表面状况，提出基于视觉显著性的检测算法. 利用图像分割，将摩擦片从背景中分离；使用高斯平滑弱化表面纹理，采用多尺度细节增强算法补偿高斯平滑中丢失的缺陷边缘信息，计算图像中目标的显著性进行强弱分化；采用连通域法和OTSU，提取缺陷区域的二值图像. 经由实验验证，该算法针对摩擦片的缺陷检测具有较强的针对性，缺陷识别率超过98%，双面检测100个摩擦片用时27 s. 从客观和主观两个方面对检测结果进行评价验证，结果表明，该算法具有较高的识别率和精确度，满足工业检测的需求.

关键词： 摩擦片 ; 缺陷检测 ; 高斯平滑 ; 细节增强 ; 显著性

Abstract

A detection algorithm based on visual salience was proposed according to the requirement of high precision and efficiency for detecting the surface defect of friction sheet and complex surface conditions of the friction sheets themselves. The friction sheets were separated from background by the image segmentation. The surface texture was smoothed by Gaussian Blur. The multi-scale detail enhancement algorithm was used to compensate missing defect edge information in Gaussian Blur, and the saliency of the target in this image was calculated for differentiation. The connected domain method and Otsu were utilized to extract the binary images of the defect area. The experimental results show that the algorithm has strong pertinence for the defect detection of friction sheets. The defect recognition rate is over 98%. It takes 27 s to detect 100 friction sheets on both sides. From objective and subjective aspects, the detection results prove that the algorithm has high recognition rate and accuracy to meet the demand of industrial assembly.

Keywords： friction sheet ; defect detection ; Gaussian Blur ; detail enhancement ; saliency

PDF (1757KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

秦钟伟, 陈捷, 洪荣晶, 吴伟伟. 摩擦片表面缺陷的视觉显著性检测算法. 浙江大学学报(工学版)[J], 2019, 53(10): 1883-1891 doi:10.3785/j.issn.1008-973X.2019.10.005

QIN Zhong-wei, CHEN Jie, HONG Rong-jing, WU Wei-wei. Visual salience detection algorithm for surface defects of friction sheets. Journal of Zhejiang University(Engineering Science)[J], 2019, 53(10): 1883-1891 doi:10.3785/j.issn.1008-973X.2019.10.005

摩擦片是一种用于执行制动和传递扭矩的工业零件，其表面质量好坏对制动效果和扭矩传递精度有较大的影响. 在大型工程机械中，各机构间传递的扭矩很大，对摩擦片的质量要求更严格. 我国制定了工农业机械用摩擦片标准GB/T 11834-2011，对于摩擦片的质量进行了规范要求. 目前，国内的摩擦材料生产厂家和质检部门大多采用人工目测的方法，对摩擦片的表面质量进行检测，该方法对人的主观性依赖较大，并且速度较慢，容易造成误检和漏检[1-4]，在大批量检测中结果不可靠.

近年来，机器视觉技术依托迅速发展的计算机技术和数字图像处理技术取得了很大的进展，以非接触性、快速性、精度合适、现场抗干扰能力强等突出的优势[5-8]，已成为工业检测领域新兴的主流检测手段. 国内外的诸多学者在机器视觉应用于缺陷检测这一领域进行了广泛研究，提出的检测方法大致分为3类：图像对比差分、图像纹理检测和缺陷区域提取. 图像差分的应用有很多，如Urbanek等[9]通过阈值分割提取物体表面缺陷，将缺陷特征区域与已知缺陷模板对比. 杨东林等[10]利用Hough圆检测分割出待测物体，并与标准模板作差分，得到缺陷区域. 该方法实现较简单，计算量小，应用范围广[11-12]，但是待测图像与目标图像之间像素要对齐，针对表面自带随机纹理的物体的检测效果较差. 对于图像纹理检测，张静等[13]使用LBP提取物体表面纹理，LVAR增强纹理对比度，突出缺陷区域. 苑玮琦等[14]通过分析物体表面纹理信息的灰度特征锁定缺陷的位置. 该方法检测较准确，稳定性高[15]，但是由于需要提取物体的表面纹理信息，计算量偏大，制约了执行效率. He等[16]使用亚像素级边缘方向性搜索法，检测缺陷的轮廓，根据轮廓提取缺陷区域. Huang等[17]对图像进行傅里叶变换，去除高频信号，从而排除干扰信息，最后使用连通域法提取缺陷. 缺陷区域提取的方法有很多，但是这些研究的共性都是设法排除干扰信息，准确提取缺陷区域，因此对于去干扰的算法要求很高[18].

本文采用缺陷区域提取的思路，针对以上算法中存在的不足，结合摩擦片特殊的表面状况展开研究. 在视场内绘制圆形轮廓外接矩形，分割出所有待检测的摩擦片图像；利用高斯平滑弱化摩擦片自带的表面纹理信息，为了弥补因高斯平滑被一同弱化的缺陷特征，使用细节强化算法[19]；提出基于显著性的强弱目标分化算法，将图像二值化后利用连通域法提取缺陷区域，通过实验进行对比验证.

1. 摩擦片表面缺陷检测系统

检测系统采用较成熟的传送带检测系统，系统构成可以分为进料系统、传输系统、翻转系统、光学成像系统、识别系统和分拣系统. 单个摩擦片的检测流程如下.

1）摩擦片经由进料系统输送到传送带带上.

2）摩擦片被光学成像系统所捕捉，图片传输至识别系统中进行判别.

3）根据判别结果，由分拣系统中的吸盘机械手剔除含缺陷的摩擦片.

4）由翻转系统将摩擦片进行翻面，重复2）~3）.

检测系统示意图如图1所示.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   缺陷检测系统构成

1-进料系统；2-工业CCD相机；3-翻转机械手；4-分拣机械手；5-传送带；6-分拣分类箱   Composition of defect detection system


2. 摩擦片缺陷检测算法

摩擦片的表面缺陷一般指在生产和运输的过程中由于外力挤压或保管不当等原因，造成的表面龟裂、表面划伤以及表面污浊等缺陷. 这些缺陷没有固定的形状，没有固定的大小，也没有固定的颜色深浅，并且摩擦片的工作面本身具有较复杂的纹理，对缺陷检测存在干扰. 针对上述特点，研究从图像分割、缺陷细节增强和缺陷的显著性计算与提取3个方面着手.

2.1. 摩擦片图像分割

图像分割是图像分析、模式识别和计算机视觉等领域的关键步骤[20]. 相机的视场范围较大，当前视场中存在多个待检摩擦片，如果在当前视场内对所有摩擦片进行缺陷检测，由于图像背景环境复杂，不仅增加了许多无谓的工作量，而且容易造成误检和漏检. 需要将待测摩擦片图像从背景中分割出来[21]. 摩擦片的形状规则且简单，使用Hough圆检测可以准确定位摩擦片的位置，并根据半径大小进行分割，如图2（a）所示. 摩擦片呈圆环状，中间区域和周围区域不在检测范围内，因此将摩擦片的图像分割成3个部分，如图2（b）所示. 其中A和C区域为不检测区域，利用如下步骤消除其对待测图像的干扰.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   摩擦片待检测区域提取

Fig.2   Extraction of undetected area in friction sheets


1）将图像进行灰度化.

2）计算图像中的像素点到圆心的距离d.

3）R1和R2分别为摩擦片内圈半径和外圈半径. 若d<R1，则将该点灰度置为0. 若R1<d<R2，则保持原灰度不变. 若d>R2，则将该点灰度置为0.

4）重复1）~3），直至将分割出的所有摩擦片图像处理完毕.

至此，将除摩擦片本身的信息外，其余干扰信息全部去除.

2.2. 摩擦片缺陷细节增强

摩擦片是由石棉、铜丝和塑性纤维等材料磨压而成的复合材料，工作面凹凸不平，并且有许多的铜点，如图3所示. 这些表面纹理对于缺陷的检测属于干扰信息，而这些裸露的铜点在光源下会形成离散的感光点. 使用高斯滤波对待测摩擦片图像作平滑处理，对于滤波器窗口大小为（2k+1）×（2k+1）的高斯滤波，计算公式为

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   摩擦片表面特征分布

Fig.3   Surface feature distribution of friction sheets


$ {H_{i,j}} = \frac{1}{{2\pi {\sigma ^2}}}\exp \left( { - \frac{{{{\left( {i - k - 1} \right)}^2} + {{\left( {j - k - 1} \right)}^2}}}{{2{\sigma ^2}}}} \right). $

式中：Hi,j为在以窗口中心为坐标原点的坐标系下，窗口中各元素的值；σ为标准差，根据经验，选择σ约为滤波器窗口大小的1/3.

缺陷和摩擦片的表面纹理都属于图像的细节，在高斯滤波的同时，削弱了缺陷部分的信息强度，不同之处是缺陷区域一般连续且具有明显的边缘，表面纹理一般呈离散状. 引入多尺度细节增强算法，增强缺陷部分的边缘细节信息.

1）利用标准差分别为σ1=1、σ2=2、σ3=4的3个高斯滤波器G1、G2、G3，对高斯平滑后的图像I进行处理，得到3幅滤波图像B1、B2、B3.

$ {B_1} = {G_1}*I,\;{B_2} = {G_2}*I,\;{B_3} = {G_3}*I. $

2）根据式（3）将对应图像作差分处理，获得精细级细节图D1、次精细级细节图D2、粗略细节图D3.

$ {D_1} = I - {B_1},\;{D_2} = {B_1} - {B_2},\;{D_3} = {B_2} - {B_3}. $

3）根据式（4）将3个精细级的图像进行整合，获得整个细节图像D*，其中ω1=0.5，ω2=0.5，ω3=0.25.

$ {D^*} = \left( {1 - {\omega _1} \times {\mathop{\rm sgn}} \left( {{D_1}} \right)} \right) {D_1} + {\omega _2} {D_2} + {\omega _3} {D_3}. $

$ {\mathop{\rm sgn}}\;{{x}}= \left\{ {\begin{array}{*{20}{c}} {1{\text{，}}{{ x > }}0;}\\ {0{\text{，}}{{ x = }}0;}\\ { - 1{\text{，}}{{ x < }}0.} \end{array}} \right. $

在式（4）中，由于D1过度扩大了边缘附近的灰度差，容易造成灰度饱和，必须对D1中的灰度大于原图的部分进行抑制，低于原图的部分进行放大，以实现边缘处像素正、负分量的均衡，在有效提升边缘细节强度的同时，避免灰度饱和.

为了保证最终细节增强图像的清晰度和边缘品质，引入图像熵H(x)和边缘品质因数P[22]：

$ H(x) = - \sum\limits_{i = 1}^n {p({x_i}){{\log }_2}(p({x_i}))} {\text{，}} $

$ P = \frac{1}{{\max ({I_{\rm I}},{I_{\rm A}})}}\sum\limits_{i = 1}^{{I_{\rm I}}} {\frac{1}{{1 + \alpha {d^2}(i)}}} . $

式中：p(xi)为图像中每个像素级出现的概率，II为理想边缘像素数量，IA为实际检测出的边缘像素数量，d为理想边缘与实际边缘之间的距离，α取1，P越大表示边缘效果越好.

在高斯平滑阶段选取不同的滤波器窗口尺寸m和标准差σ，上述2个参数对图像质量的影响如图4所示.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   滤波器窗口尺寸与标准差对图像质量的影响

Fig.4   Impact on image quality from window size and standard deviation of filter


综合考虑滤波器窗口尺寸和标准差大小对细节增强图像信息熵和边缘品质的影响，取滤波器窗口大小为11×11，标准差约为滤波器窗口尺寸的1/3，取3，高斯平滑的结果如图5（a）所示，细节增强效果如图5（b）所示.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   图像细节增强前、后的对比图

Fig.5   Comparison of enhancing image details


从图5可以看出，经过多尺度细节提升后，被高斯平滑削弱的缺陷边缘信息得以找回，原本颜色较淡的缺陷区域特征被强化. 经过细节增强处理后，缺陷定位会更加准确，得到的缺陷区域的形状和大小与实际更加接近.

2.3. 缺陷显著性计算与提取

基于显著性强弱的缺陷提取是研究中的核心环节，所谓显著性是指物体、人或像素区别于相邻对象，吸引观察者的注意力的能力[23].

2.3.1. 颜色空间转化

由工业CCD相机采集到的图片的颜色模型一般为RGB模型，即由红、绿和蓝3个颜色通道的变化与叠加来发生颜色的改变. RGB模型是机器设备记录图像信息的一种模型，该研究的对象是摩擦片，目的是利用显著性算法检测摩擦片表面的缺陷，针对该研究目标，RGB模型不适用. 引入基于生理特征且与设备无关的Lab颜色模型，该模型可以以数字化的信息来描述生物视觉的感观[24]. RGB模型无法直接转化为Lab模型，须先转化为XYZ模型，再由XYZ转化成Lab模型[25]，具体步骤如下.

1）利用Gamma校正函数，对RGB三通道的值进行校正；根据式（8）将R、G、B 3个通道的值转化为X、Y、Z.

$ \left[ {\begin{array}{*{20}{c}} {{X}}\\ {{Y}}\\ {{Z}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {0.412\;5}&{0.357\;6}&{0.180\;5}\\ {0.212\;6}&{0.715\;2}&{0.072\;2}\\ {0.019\;3}&{0.119\;2}&{0.950\;5} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{R}}\\ {{G}}\\ {{B}} \end{array}} \right]. $

2）令Xs=0.950 5，Ys=1，Zs=1.088 8，分别计算Xc=X/(255 Xs)，Yc=Y/(255 Ys)，Zc=Z/(255 Zs).

3）根据式（9）将图像由XYZ模型转化为Lab模型，其中f是一个类似于Gamma函数的校正函数，如下所示：

$ \left. {\begin{array}{*{20}{c}} {{{L}} = 116 \times f({{{Y}}_{\rm c}}),}\\ {{{a}} = 500 \times \left[ {f({{{X}}_{\rm c}}) - f({{{Y}}_{\rm c}})} \right],}\\ {{{b}} = 200 \times \left[ {f({{{Y}}_{\rm c}}) - f({{{Z}}_{\rm c}})} \right].} \end{array}} \right\} $

$ f(t) = \left\{ {\begin{array}{*{20}{l}} {{t^{1/3}}}{\text{，}}&{t > {{\left( {\displaystyle\frac{6}{{29}}} \right)}^3};}\\ {\displaystyle\frac{1}{3}{{\left( {\frac{{29}}{6}} \right)}^2}t + \frac{4}{{29}}}{\text{，}}&{{\text{其他}}.} \end{array}} \right. $

2.3.2. 显著性计算

摩擦片的表面缺陷一般是连续的，具有一定面积的缺陷，属于低频的信号，但是具有明显的边缘信息，属于高频信号，所以在提取缺陷特征时不能使用单纯的高通或是低通滤波器，需要使用带通滤波器. 选择使用DoG滤波器（高斯差分滤波器）.

$\begin{split} &{\text{DoG}}\left( {x,y} \right) = \\ &\frac{1}{{2{\text{π}}}}\left[ {\frac{1}{{\sigma _1^2}}\exp \left( { - \frac{{{x^2} + {y^2}}}{{2\sigma _1^2}}} \right) - }{\frac{1}{{\sigma _2^2}}\exp \left( { - \frac{{{x^2} + {y^2}}}{{2\sigma _2^2}}} \right)}\right] = \\ & G\left( {x,y,{\sigma _1}} \right) - G\left( {x,y,{\sigma _2}} \right).\\ \end{split}$

式中：σ1、σ2为标准差，满足σ1>σ2. DoG滤波器的频带上限为ωhc，下限为ωlc，ωhc用于保留缺陷的边缘信息，过滤噪声，由σ2决定，ωlc用于保留缺陷的区域信息，由σ1决定. 摩擦片表面存在的缺陷无论是形状大小还是颜色深浅都具有很大的随机性，因此频带分布范围较广，采用多个窄带通滤波器进行组合. 这样组合可以将多个窄带通滤波器的输出进行累加，有效避免在标记缺陷区域时使得显著性集中在缺陷的边缘或者区域的中心[26]. 设σ1/σ2=ρ，滤波器的个数为N.

$\begin{split} \sum\limits_{n = 0}^{N - 1} {\rm{DoG}}\left( {x,y} \right) = &{\sum\limits_{n = 0}^{N - 1} {G\left( {x,y,{\rho ^{n + 1}}\sigma } \right)-} } G\left( {x,y,{\rho ^n}\sigma } \right) = \\&G\left( {x,y,{\rho ^{n + 1}}\sigma } \right) - G\left( {x,y,\sigma } \right). \end{split}$

由式(12)可以得出，频带的范围由K=ρn+1决定，其中K为标准差调节因子，当K取较大值时，可以涵盖缺陷分布频带.

当σ1和σ2取实际值时，会造成滤波器实际带宽与式（11）的计算值存在较大偏差，故取σ1趋近于无穷；当标准差趋近于无穷时，相当于对整幅图片的像素取平均值. 不考虑σ2对ωhc的影响，令ωhc=π/2.75.

Iμ为图像像素平均值， $ {I_{\omega_{\rm hc}}}$为在截止频率为ωhc的低通滤波器下的高斯滤波图像的像素点，根据式(13)计算图像中每个像素在颜色模型下的3个空间中的显著性S（x，y），将这3个空间中的显著性值进行累加后作归一化处理，最终得到的值是该像素点的显著性值.

$ S(x,y) = | {{I_\mu } - {I_{\omega_{\rm hc}}}} |. $

经由上述显著性计算算法处理LAB颜色模型下的图像后，摩擦片的缺陷显著性分布如图6所示. 相对于摩擦片的原有表面，摩擦片缺陷区域的显著性更强.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   缺陷显著性三维空间分布图

Fig.6   Distribution in three-dimensional space of defect salience value


2.3.3. 缺陷提取

将原图的灰度直方图与根据上述算法处理得出的显著图灰度直方图进行对比. 可以看出，该算法扩展了图像灰度级动态范围，如图7所示. 图中，N为每个灰度级的像素数量，λ为灰度级. 这种处理方法对显著性强的区域进行了增强，对较弱的部分进行了抑制. 为了避免出现离散的显著性较强的干扰点，使用基于四连通域的两边扫描法检测连续的缺陷区域，最后使用OTSU算法计算出用于分割图像前景与背景的最佳阈值，可以获得摩擦片表面缺陷的二值图像，如图8所示.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   原始图与显著图灰度分布对比

Fig.7   Comparison of gray value distribution between original image and saliency image


图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8   摩擦片缺陷二值图

Fig.8   Binary diagram of defection in friction sheets


3. 实验验证分析

3.1. 实验设计

由于目前尚无共享测试图像库，参考Anwar等[27]的研究方法建立测试图像库. 选择100个摩擦片样本作为实验测试数据，其中带有划痕缺陷的样本30个，带有龟裂缺陷的样本30个，带有油污缺陷的样本20个，不具有缺陷的样本20个，传送带运动速度设为0.5 m/s，每次触发采样视场内的平均摩擦片个数为8个. 为了检验算法的有效性、精确性以及效率，仿照单忠德等的做法，对摩擦片表面的实际缺陷进行人工标注，以标注结果作为标准，将检测结果与之对比，计算重合度. 系统运行平台为Windows10系统，CPU为i5-7 300 HQ，内存为8 GB.

3.2. 实验评价

采用主观评价和客观评价2种方式，对算法的检测结果进行评价. 主观评价是指将算法检测出的缺陷和人工标注的缺陷作主观对比，该方法比较直观，从人眼观察角度可以得出结论. 客观评价在本领域内常用的方法可以分为2种：1）偏重定性评估；2）偏重定量评估. 为了验证算法的有效性，对检测结果同时从定性和定量2个方面进行评估. 为了验证算法的效率和实用性，使用该算法与同类算法在相同工况下各处理100个摩擦片样本，比较用时.

3.2.1. 主观评价

从测试样本库中选取3个3种缺陷的代表性样本，将人工标注的结果与算法的检测结果作对比，进行评价，如图9所示. 如图9（a）所示为带有表面缺陷的摩擦片原图，如图9（b）所示为人工标注的结果，如图9（c）所示为算法检测的结果.

图 9

新窗口打开| 下载原图ZIP| 生成PPT

图 9   缺陷区域人工标注与算法检测结果对比

Fig.9   Algorithm detection results compared with human-annotated model of defect areas


通过对比可以发现，在检测划痕和裂纹时，算法稳定性较好，不仅能够准确检测出缺陷，而且很好地描述了缺陷的形状和走势. 在检测油污缺陷时，由于油污分布不均匀，且显著性不如前2种缺陷强（见图6（c）），检测出的缺陷形状与人工标注的结果略有出入，但是从总体上来看未出现误检现象，且识别率较高.

3.2.2. 客观评价

1）定性评估[28]，目前该领域内多用的一种评估方法，是一种以有和无作为标准的评估方法. 判断当前输入图像是否具有缺陷，若判断正确，则认为评估结果为好，反之为坏. 利用纹理检测法[29]和差分法[30]分别对摩擦片的缺陷进行检测，与该算法进行比较，结果如表1所示. 表中，Nnum为各种类型的样本的数量，RY、RN分别为有缺陷和无缺陷的检测结果，RW、RO分别为误检和漏检的检测结果，PAC为准确率.

表 1   本算法与同类算法的定性评估结果对比

Tab.1  Comparison of qualitative analysis results between this algorithm and other similar algorithms

样本类型 Nnum RY RN RW RO PAC/%
划痕 30 30 0 0 0 100
龟裂 30 30 0 0 0 100
油污 20 19 1 0 1 95
无缺陷 20 0 20 0 0 100
有缺陷
（纹理检测） 		80 80 0 0 0 100
无缺陷
(纹理检测) 		20 17 3 17 0 85
有缺陷（差分） 80 71 9 0 9 89
无缺陷（差分） 20 12 8 12 0 60

新窗口打开| 下载CSV


由表1的实验结果可知，在针对摩擦片这种自身纹理信息较复杂的对象时，该研究的方法适用性最强，纹理检测法次之，差分法存在较大误差，不适用于该情况.

2）定量评估，首次在Anwar等[27]的研究中提出该评估方法，但是应用较少. 该研究采用精确率P、召回率R和综合指数F 3个指标确定算法检测出的缺陷区域与人工标注区域之间的接近程度，计算公式为

${\begin{aligned} {P ={{{R_{\rm TD}}}}/{{{R_{\rm D}}}}{\rm{ , }}}\quad {R = {{{R_{\rm TD}}}}/{{{R_{\rm T}}}}{\rm{ , }}}\quad {F = 2{{P R}}/({{P + R}}).} \end{aligned}} $

式中：RT为人工标注的真值，RD为算法检测出的缺陷区域，RTD为两者的交集. P用于评价算法的精确程度，R用于评价算法寻找缺陷的能力，F是与两者相关的综合评价指标.

根据式（12），对样本库中具有缺陷的80幅样本图像进行分类计算，利用Huang等[17]的算法处理结果与之进行比较，计算结果如表2所示.

表 2   该算法与同类算法的定量分析评估结果对比

Tab.2  Comparison of quantitative analysis results between this algorithm and other similar algorithms

缺陷类型 P R F
划痕 0.890 1 0.784 2 0.833 8
龟裂 0.726 3 0.900 1 0.803 9
油污 0.953 1 0.630 5 0.758 9
划痕[15] 0.864 2 0.742 1 0.798 5
龟裂[15] 0.721 7 0.768 5 0.744 4
油污[15] 0.437 6 0.651 4 0.523 5

新窗口打开| 下载CSV


由表2的实验分析可知，该算法更加适用于摩擦片的缺陷检测.

3.2.3. 误差原因分析

经过实验分析可以看出，针对裂纹缺陷和划痕缺陷的检测准确率较高，检测误差主要出现在油污缺陷的检测中. 造成这种误差的原因大致有以下2种.

1）油污颜色很淡，这种缺陷形式的显著性分布图如图10所示. 缺陷区域的显著性较弱，基本淹没在摩擦片自身纹理信息的显著性中；摩擦片内、外边缘的显著性较高，所以无法找到合适的阈值对缺陷区域进行提取，会造成漏检现象.

图 10

新窗口打开| 下载原图ZIP| 生成PPT

图 10   较浅油污缺陷的显著性分布图

Fig.10   Salience value distribution chart of shallow oil defects


2）当摩擦片被挥发性强的油脂污浊后，油污面积会逐渐扩散，以致覆盖了整个摩擦片表面，这种情况下，丧失了显著性的对比，只余下显著性较强的摩擦片内外边缘，从而造成误检.

3.2.4. 效率及实用性验证

贺振东等[30]的算法应用于本研究的对象时检测效率较低，效率和实用性不具有比较性，因此选用Huang等[17]（算法A）和黎明等[29]（算法B）的研究与该算法在同样工况下各处理100个摩擦片样本，检测用时和准确率如表3所示. 表中，tsum为总用时. 通过对比可以看出，Huang等[17]的算法检测时间和该算法相近，但是准确率存在较大差距，黎明等[29]的算法检测时间过长，实时性较差，且准确率不高.

表 3   该算法与同类算法的检测效率对比

Tab.3  Comparison of detection efficiency between this algorithm and other similar algorithms

方法 tsum/s PAC/%
本算法 27 99
算法A 33 91
算法B 94 83

新窗口打开| 下载CSV


通过上述的主观评价和客观评价，提出的算法不仅识别率高，而且具有很好的定位性和缺陷形状描述性. 经实验验证可知，当每幅摩擦片图像摩擦片个数为8，图像分辨率为2 448×2 050时，处理单幅图像需要的用时约为1 200 ms，双面处理100个目标共用时约27 s，效率和准确率普遍高于同类算法.

4. 结　论

（1）将显著性算法应用到摩擦片的缺陷检测中，从客观和主观两个方面证明了该算法具有优于同类算法的准确性和可靠性.

（2）通过实验验证可知，该算法具有很高的检测效率，能够实现在工业生产中的实时检测.

后继的研究将致力于检测区分度较小的缺陷和准确定位不规则缺陷，提高算法对各种缺陷的普遍适用性和对复合缺陷的检测准确性.

参考文献

吴成中, 王耀南, 贺振东, 等

基于机器视觉的注射液中不溶异物检测方法研究

[J]. 仪器仪表学报, 2015, 36 (7): 1451- 1461

DOI:10.3969/j.issn.0254-3087.2015.07.002      [本文引用: 1]

WU Cheng-zhong, WANG Yao-nan, HE Zhen-dong, et al

Research on foreign insoluble particulate detection method for medicinal solution based on machine vision

[J]. Chinese Journal of Scientific Instrument, 2015, 36 (7): 1451- 1461

DOI:10.3969/j.issn.0254-3087.2015.07.002      [本文引用: 1]

MARINO F, DISTANTE A, MAZZEO P L, et al

A real-time visual inspection system for railway maintenance: automatic hexagonal-headed bolts detection

[J]. IEEE Transactions on Systems and Cybernetics Part C Applications and Reviews, 2007, 37 (3): 418- 428

DOI:10.1109/TSMCC.2007.893278     

LAUSCH D, MEHL T, PETTER K, et al

Classification of crystal defects in multicrystalline silicon solar cells and wafer using spectrally and spatially resolved photoluminescence

[J]. Journal of Applied Physics, 2016, 119 (5): 054501

DOI:10.1063/1.4940711     

SUN Q M, MELNIKOV A, MANDELIS A

Camera-based lock-in and heterodyne carrierographic photoluminescence imaging of crystalline silicon wafers

[J]. International Journal of Thermo-physics, 2015, 36 (5/6): 1274- 1280

[本文引用: 1]

颜发根, 刘建群, 陈新, 等

机器视觉及其在制造业中的应用

[J]. 机械制造, 2004, 42 (483): 28- 30

[本文引用: 1]

YAN Fa-gen, LIU Jian-qun, CHEN Xin, et al

Machine vision and its application in manufacturing

[J]. Machinery, 2004, 42 (483): 28- 30

[本文引用: 1]

刘长英, 蔡文静, 王天皓, 等

汽车连杆裂解槽视觉检测技术

[J]. 吉林大学学报: 工学版, 2014, 44 (4): 1076- 1080

LIU Chang-ying, CAI Wen-jing, WANG Tian-hao, et al

Vision inspection technology of fracture splitting notch of auto connecting rod

[J]. Journal of Jilin University: Engineering and Technology Edition, 2014, 44 (4): 1076- 1080

郭会文, 吴新宇, 苏士娟, 等

移动相机下基于三维背景估计的运动目标检测

[J]. 仪器仪表学报, 2014, 44 (4): 1076- 1080

GUO Hui-wen, WU Xin-yu, SU Shi-juan, et al

3D background estimation for moving object detection using a single moving camera

[J]. Chinese Journal of Scientific Instrument, 2014, 44 (4): 1076- 1080

GHOSAL S, BLYSTONE D, SINGH A K, et al

An explainable deep machine vision framework for plant stress phenotyping

[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115 (18): 4613- 4618

DOI:10.1073/pnas.1716999115      [本文引用: 1]

URBANEK J, BARSZCZ T, UHL T, et al

Leak detection in gas pipelines using wavelet-based filtering

[J]. Chinese Journal of Scientific Instrument, 2012, 11 (4): 405- 412

[本文引用: 1]

杨东林, 于正林

轴承钢球表面缺陷的快速检测方法

[J]. 兵工学报, 2009, 30 (6): 797- 802

DOI:10.3321/j.issn:1000-1093.2009.06.024      [本文引用: 1]

YANG Dong-lin, YU Zheng-lin

Rapid detection method of surface defects of steel ball for bearing

[J]. Acta Armamentarii, 2009, 30 (6): 797- 802

DOI:10.3321/j.issn:1000-1093.2009.06.024      [本文引用: 1]

李春颖

机器视觉在钢球表面缺陷检测中的应用

[J]. 计算机与现代化, 2005, (10): 63- 65

DOI:10.3969/j.issn.1006-2475.2005.10.020      [本文引用: 1]

LI Chun-ying

Application of machine vision in steel ball surface fault inspection

[J]. Computer and Modernization, 2005, (10): 63- 65

DOI:10.3969/j.issn.1006-2475.2005.10.020      [本文引用: 1]

JIANG L, SUN K, ZHAO F, et al. Automatic detection system of shaft part surface defect based on machine vision [C] // Automated Visual Inspection and Machine Vision. Tokyo, Japan: International Society for Optics and Photonics, 2015.

[本文引用: 1]

张静, 叶玉堂, 谢煜, 等

金属圆柱工件缺陷的光电检测

[J]. 光学精密工程, 2014, 22 (7): 1871- 1876

[本文引用: 1]

ZHANG Jing, YE Yu-tang, XIE Yu, et al

Optoelectronic inspection of detect for metal cylindrical workpieces

[J]. Optics and Precision Engineering, 2014, 22 (7): 1871- 1876

[本文引用: 1]

苑玮琦, 李绍丽, 李德健

基于纹理主、旁瓣特征的雪糕棒裂缝缺陷检测

[J]. 仪器仪表学报, 2017, (11): 2779- 2787

DOI:10.3969/j.issn.0254-3087.2017.11.020      [本文引用: 1]

YUAN Wei-qi, LI Shao-li, LI De-jian

Detection of ice cream stick crack defects based on texture mainlobe and sidelobe features

[J]. Chinese Journal of Scientific Instrument, 2017, (11): 2779- 2787

DOI:10.3969/j.issn.0254-3087.2017.11.020      [本文引用: 1]

SCHOLZ-REITER B, WEIMER D, THAMER H

Automated surface inspection of cold-formed micro-parts

[J]. CIRP Annals - Manufacturing Technology, 2012, 61 (1): 531- 534

DOI:10.1016/j.cirp.2012.03.131      [本文引用: 4]

HE X J, YI Z D, LIU J, et al

Defect detecting technology based on machine vision of industrial parts

[J]. Applied Mechanics and Materials, 2014, 641-642: 1275- 1279

DOI:10.4028/www.scientific.net/AMM.641-642.1275      [本文引用: 1]

HUANG B, MA S, WANG P, et al

Research and implementation of machine vision technologies for empty bottle inspection systems

[J]. Engineering Science and Technology: An International Journal, 2018, 21 (1): 2049- 2052

[本文引用: 4]

YANG Y, ZHA Z J, GAO M, et al

A robust vision inspection system for detecting surface defects of film capacitors

[J]. Signal Processing, 2016, 124 (C): 54- 62

[本文引用: 1]

KIM Y, KOH Y J, LEE C, et al. Dark image enhancement based onpairwise target contrast and multi-scale detail boosting [C] // IEEE International Conference on Image Processing. Kuala Lumpur, Malaysia: IEEE, 2015: 1404-1408.

[本文引用: 1]

王义文, 屈冠彤, 刘献礼, 等

钢球表面缺陷的图像差分检测算法

[J]. 计算机辅助设计与图形学学报, 2016, 28 (10): 1699- 1704

DOI:10.3969/j.issn.1003-9775.2016.10.011      [本文引用: 1]

WANG Yi-wen, QU Guan-tong, LIU Xian-li, et al

Image subtraction detection algorithm for surface defect of steel ball

[J]. Journal of Computer-Aided Design and Computer Graphics, 2016, 28 (10): 1699- 1704

DOI:10.3969/j.issn.1003-9775.2016.10.011      [本文引用: 1]

单忠德, 张飞, 任永新, 等

基于机器视觉铸件布氏硬度在线检测技术研究

[J]. 机械工程学报, 2017, 53 (1): 157- 164

[本文引用: 1]

SHAN Zhong-de, ZHANG Fei, REN Yong-xin, et al

On line detection technology of the hardness of cast iron parts based on machine vision

[J]. Journal of Mechanical Engineering, 2017, 53 (1): 157- 164

[本文引用: 1]

磨少清. 边缘检测及其评价方法的研究[D]. 天津: 天津大学, 2011.

[本文引用: 1]

MO Shao-qing. Research on edge detection and its evaluation [D]. Tianjin: Tianjin University, 2011.

[本文引用: 1]

钱晓亮, 张鹤庆, 张焕龙, 等

基于视觉显著性的太阳能电池片表面缺陷检测

[J]. 仪器仪表学报, 2017, 38 (7): 1570- 1578

DOI:10.3969/j.issn.0254-3087.2017.07.002      [本文引用: 1]

QIAN Xiao-liang, ZHANG He-qing, ZHANG Huan-long, et al

Solar cell surface defect detection based on visual saliency

[J]. Chinese Journal of Scientific Instrument, 2017, 38 (7): 1570- 1578

DOI:10.3969/j.issn.0254-3087.2017.07.002      [本文引用: 1]

贺付亮, 郭永彩, 高潮, 等

基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

[J]. 农业工程学报, 2017, 33 (6): 148- 155

DOI:10.11975/j.issn.1002-6819.2017.06.019      [本文引用: 1]

HE Fu-liang, GUO Yong-cai, GAO Chao, et al

Image segmentation of ripe mulberries based on visual saliency and pulse coupled neural network

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33 (6): 148- 155

DOI:10.11975/j.issn.1002-6819.2017.06.019      [本文引用: 1]

TERADA H, IMAI H, OAKI Y

Visualization and quantitative detection of friction force by self-organized organic layered composites

[J]. Advanced Materials, 2018, 1801121

[本文引用: 1]

ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequency-tuned salient region detection [C] // IEEE Conference on Computer Vision and Pattern Recognition. Miami, FL, USA: IEEE, 2009: 1597-1604.

[本文引用: 1]

ANWAR S A, ABDULLAH M Z

Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique

[J]. Eurasip Journal on Image and Video Processing, 2014, 2014 (1): 1- 17

DOI:10.1186/1687-5281-2014-1      [本文引用: 2]

AGROUI K, PELLEGRINO M, GIOVANNI F

Analysis techniques for photovoltaic modules based on amorphous solar cells

[J]. Arabian Journal for Science and Engineering, 2017, 42 (1): 1- 7

DOI:10.1007/s13369-016-2269-1      [本文引用: 1]

黎明, 马聪, 杨小芹

机械加工零件表面纹理缺陷检测

[J]. 中国图象图形学报, 2004, 9 (3): 318- 322

DOI:10.3969/j.issn.1006-8961.2004.03.011      [本文引用: 3]

LI Ming, MA Cong, YANG Xiao-qin

Detection of texture defects for machined surface

[J]. Journal of Image and Graphics, 2004, 9 (3): 318- 322

DOI:10.3969/j.issn.1006-8961.2004.03.011      [本文引用: 3]

贺振东, 王耀南, 刘洁, 等

基于背景差分的高铁钢轨表面缺陷图像分割

[J]. 仪器仪表学报, 2016, 37 (3): 640- 649

DOI:10.3969/j.issn.0254-3087.2016.03.022      [本文引用: 2]

HE Zhen-dong, WANG Yao-nan, LIU Jie, et al

Background differencing-based high-speed rail surface defect image segmentation

[J]. Chinese Journal of Scientific Instrument, 2016, 37 (3): 640- 649

DOI:10.3969/j.issn.0254-3087.2016.03.022      [本文引用: 2]

/

〈 〉