摘 要 针对环形器件表面检测中存在的问题，文中以环形金属涂层陶瓷为研究对象，提出了一种基于机器视觉的表面缺陷检测方法。该方法使用 Canny 边缘检测和 Hough 变换快速定位同心圆轮廓，进而提取金属涂层区域。为了将极坐标转换为直角坐标，文中采用径向投影方法将环形金属涂层图转换为矩形状图。最后，对连通域面积和周长进行分析，确定环形陶瓷金属涂层是否存在缺陷。实验结果表明，对于缺损面积大于 0. 5 mm × 0. 5 mm 的样品，该算法的检测正确率为 98% 。
关键词 环形器件表面; 机器视觉; 边缘检测; Hough 变换; 缺陷检测; 径向投影; 坐标转换; 检测系统
环形金属涂层陶瓷在新能源汽车、5G 基站部分滤波器以及高性能航空发电机等领域的应用十分广泛[1]。因此，对环形陶瓷金属涂层缺陷的检测也越来越重要。由于环形陶瓷的体积小，通常难以发现其金属涂层的缺陷，故长期以来缺乏针对该问题的自动检测研究。
近年来，机器视觉发展为环形图像检测提供了便捷[2 - 5]，也为金属涂层表面缺陷检测创造了较好的条件。文献[3]用投影法联合 Hough 变换定位圆心和半径，将 Hough 变换的三维累计转变到一维累计。该方法虽然简化了算法量，但同心圆的数量和缺陷位置的难预知性导致这种算法对噪声过于敏感。文献[4]采用标定方法和亚像素技术实现了对单个圆环图像器件的精密测量，但不能检测其表面缺陷，并且该方法对于多同心圆图像的检测存在算法量大以及抗干扰能力差的问题。本文所提方法旨在从降低噪声、增强抗干扰能力等方面提升对环形陶瓷金属涂层缺陷的检测能力。
1 环形陶瓷金属涂层缺陷检测算法
环形金属涂层陶瓷如图 1 所示。要利用机器视觉方法检测涂层正面和反面的金属涂层缺陷，必须先获取正、反两面的图像。从任何一面来看，其图像都包含 3 个同心圆，即裸露陶瓷内环、金属涂层内环和外环。缺陷检测的干扰主要来自陶瓷内环的背景、金属涂层内环和外环背景及金属涂层边缘噪声。
文献[3]所提出的投影法联合 Hough 变换可准确检测环形陶瓷尺寸，但多重噪声会严重干扰环形陶瓷金属涂层缺陷检测，降低同心圆定位准确度。利用文献[3]的方法对环形金属涂层陶瓷图像进行水平方向投影时，由于扫描线上存在多个灰度突变的像素点，致使圆心定位发生偏差，如图 2 所示。
为了最大限度避免金属涂层在图像中受到多重干扰，更加准确地进行缺陷检测，本文采取分段处理、逐步优化的方法来获取缺陷的位置。首先，剔除背景噪声。运用 Canny 边缘检测及 Hough 变换检测同心圆参数，通过计算 3 个同心圆的参数，滤除陶瓷内环背景、金属涂层内环和外环背景，提取金属涂层图像; 然后，剔除边缘噪声。为简化计算量，裁剪金属涂层圆环最小外接矩形，对该区域进行径向投影，结合阈值分割的方法滤除金属涂层边缘噪声; 最后，缺陷判断与定位。在滤除完噪声的金属涂层区域寻找连通域，计算连通域面积和周长大小，判断其是否有缺陷，并做定位。
1. 1 提取环形金属涂层区域并剔除背景噪声
光照、现场环境等因素将影响环形金属涂层陶瓷图像的获取过程。采集到的图像存在噪声，严重影响缺陷检测的精度。这时可运用中值滤波方法滤除部分噪声干扰。由于环形金属涂层陶瓷图像的特殊性，本文采用一种以图像归一化直方图为基础的对一维阵列进行计算的方法，在类间方差最大的情况下获取图像二值化的最佳阈值，以达到最佳分割效果。
在滤波和二值化结束后，通过 Canny 边缘检测，寻找三重同心圆轮廓。Hough 变换需要在 5 维空间寻找峰值，对于检测多个同心圆，该方法计算量较大。本文采用 Hough 变换的方法快速检测圆心和半径参数。其原理为: 椭圆圆心是距离圆上任意一点最大距离最小的点，这个最小距离的最大值就是长半轴 α; 得到生成的两个轮廓数组后，计算二维平面上所有的点和轮廓数组上的点的最大距离，距离最大的点即是椭圆的圆心 C( x0，y0 ) ; 最后设置阈值，超过阈值则进行拟合。
由于采集到的图像尺寸较大且目标区域较小，导致图像处理过程中计算耗时过长，浪费计算资源。因此，需对目标区域进行裁剪。在提取圆环型零件的整体轮廓之后，对整体环形区域进行最小外接矩形裁剪。此方法可以提高后续缺陷识别精度，加快识别速度。
由简化 Hough 变换检测的圆心和半径参数可知，金属环最大半径为 r3，最小半径( 裸露陶瓷最大半径) 为 r2，裸露陶瓷环最小半径为 r1。
图 3 中，原点到 r1是陶瓷环环内背景; r1 ～ r2是裸露陶瓷区域; r2 ～ r3是金属涂层区域，也就是要提取的目标区域。
由于现场采集图像噪声较大，无法确定环内和环外背景灰度值变换。因此，将 r2半径所组成圆的区域进行掩膜，滤除裸露陶瓷区域和环内背景，得到金属涂层区域和环外背景。通过比较灰度直方图寻找目标区域和环外背景的边界，将与环外背景灰度值相同的像素点 滤 除，从而对金属涂层区域进行提 取，如 图 4 所示。
1. 2 对金属涂层区域径向投影并剔除边缘噪声
提取出来的金属涂层区域边缘，仍然存在较大噪声，不利于细小缺陷的识别。在圆环图像中对其进行边缘滤噪的难度较大且精度不高。
在图 3 中，圆心是极点，r2和 r3所组成区域里的每个像素点，都有其特定的极坐标。将圆心当作直角坐标系下的原点，使 X 轴与极轴正半轴重合，满足极坐标转换为直角坐标的条件。
由环状图转为矩形状图之后，原图中陶瓷环环内背景、裸露陶瓷部分以及陶瓷环外部背景已经被滤除。如图5 所示，矩形状图上、下边缘仍然有明显的阴影部分，这些是图7 中金属涂层边缘噪声。运用 Otsu 算法( 大津法) 获得全局最佳阈值 threshold，对图5 进行二值化处理。
计算得到二值化图像每行灰度值为 255 的点的个数，设 置 一 个 阈 值 ( 经 多 次 试 验，取 该 图 像 列 数 的 2 /3) ，当某行灰度值为 255 的点的个数小于该阈值时，将该行所有点的灰度值全部都置为零，否则置为 255。滤除灰度值全部为 255 的行，得到如图 6 所示图像。
1. 3 金属涂层缺陷判断与定位
得到去除阴影部分的矩形状图像后，再运用之前得到的最佳全局阈值 threshold，对图 6 进行反二值化操作。在此基础上，提出一种效率较高的缺陷识别算法: 寻找二值化图像中连通区域，并得到连通区域的面积和周长。设置阈值，当二值化图像中存在面积大于 0. 5 mm2 ，或者周长大于 1. 5 mm 的连通域时，判定该圆环存在缺损类缺陷，并标记缺陷位置。最后，计算得到缺陷大小和形状，结果如图 7 所示。通过标记方框的 4 个顶点可以对缺陷进行定位与追踪。
本文来源于：《电子科技》为月刊，每月15日出版。主要刊登高等院校、科研院所、电子行业企事业单位等科研机构在电子技术应用、通信工程、计算机科学技术与应用、网络安全及信息、光电子材料等领域最新的学术、技术论文、工程技术应用研究、教学实践总结、行业综述等稿件。
将缺陷标记后的图像进行径向投影反变换，还原到环形图像。
2 环形陶瓷金属涂层缺陷检测系统
2. 1 环形陶瓷金属涂层缺陷检测系统设计
为了验证本文所提出的缺陷检测方法满足企业对于环形金属涂层陶瓷双面检测需求，并实现了零件进料、正反面拍照、自动化检测以及剔除，本文通过图形界面显示并标识缺陷位置，设计了环形陶瓷金属涂层缺陷检测系统。系统总体结构如图 8 所示。机械结构包括三级传送装置、翻面结构和剔除结构。其中 PLC ( Programmable Logic Controller) 负责控制三路步进电机速度和发出剔除信号。
2. 1. 1 三级传送装置设计
沿待检测瓷环输送方向依次安装一级传动带、二级传动带和三级传动带。二级传动带的前端位于一级传动带的末端的下方，三级传动带的前端位于二级传动带的末端的下方，零件通过一级传送带进入检测装置，完成进料。从一级传动带输送过来的待检测零件在不翻面的情况下抵达二级传动带，二级传动带输送过来的待检测陶瓷环在翻面后抵达三级传动带。
2. 1. 2 翻面结构与剔除
为了保证零件翻面的准确率，在二级传动带的末端一侧和三级传动带的前端上方设置辅助翻面结构。辅助翻面结构包括连成夹角的第一引导板和第二引导板。第一引导板的上端朝向二级传动带的末端，第一引导板的下端沿待检测陶瓷环输送方向向下倾斜; 第二引导板的上端沿待检测陶瓷环输送方向向上倾斜，第二引导板的下端沿相反于待检测陶瓷环输送方向的方向向下倾斜。
将正面不合格品通过气嘴在二级、三级传送带间隙剔除。反面不合格品在三级传送带末端剔除。
2. 1. 3 三路步进电机同步差速运行控制
为了保证零件翻面的准确率，避免在图像采集过程中有多个零件进入相机视野，需要设定三路步进电机同步差速运行，即可以独立控制三路电机运行速度与方向。通过电机驱动器来驱动步进电机，利用 PLC 给电机驱动器发脉冲信号。计算机通过串口与 PLC 连接，搭载 Modbus 协议包，编写上位机界面，实时调试脉冲频率。同时，经过图像检测，计算机将不合格的零件信息告知 PLC。随后 PLC 打开气阀开关，将其剔除。控制电机转速的上位机界面如图 9 所示。
2. 1. 4 环形陶瓷金属涂层缺陷检测系统显示界面
将检测过程中所有信息通过图形界面显示。显示内容包括: 两个相机连接情况、正反面检测结果信息以及正反面图像检测结果。结果显示界面如图 10 所示。
2. 2 系统工作流程
系统总体工作流程如图 11 所示。
系统上电后，对各组成部分进行初始化，设置相机为触发拍照模式，曝光 500 ms，将环形金属涂层陶瓷送入一级传送装置，加速后进入二级传送装置。1 号相机对其正面进行取图，并由计算机进行处理分析。若样品存在缺陷，则控制气嘴进行吹气剔除; 若样品合格，则通过翻面机构进入三级传送装置，通过 2 号相机对其反面进行拍照，将不合格品剔除，保留合格品。最后，保留相关缺陷信息，以便为生产厂家提供产品优化数据。
3 实验结果及分析
3. 1 表面缺陷检测实验
将总数 N = 40 个环形金属涂层陶瓷样品以随机位置放置在工业相机下静态取图检测。实验分为 6 组进行，每组包含不同数量的缺陷品，且缺陷面积大于 0. 5 mm × 0. 5 mm。各组实际缺陷品数量分别为 20、 26、30、33、35、36 个，缺陷检测结果如表 1 所示。
由于样品位置摆放的随机性，缺陷对光线的反射情况不同，导致在成像过程中缺陷处的灰度值不同，定位同心圆轮廓不准确。因此，该方法对环形陶瓷金属涂层缺损类缺陷识别存在误差，检测成功率为 98% 。
3. 2 环形器件翻面实验
为了验证所设计系统在运行过程中环形金属涂层陶瓷翻面的准确性，将总数 M = 300 个环形金属涂层陶瓷以随机位置放入一级传送带。伴随一级传送带转动，样品进入二级传送带，系统对其正面进行缺陷识别。样品经过辅助翻面装置进入三级传送带，系统对其反面进行缺陷识别。实验示意图如图 12 所示。
一级传送带的设定工作速度为 2 cm·s - 1 ; 二级传送带的设定初始速度 v = 2. 5 cm·s - 1 ; 二、三级传送带对应的传动轮直径 d = 2 cm，二、三级传送带的高度差 h = 3 cm。为了使得样品翻面率达到 99% ，通过改变二级传送带初始速度 v 寻求其最佳阈值范围。实验结果如表 2 所示。
由于机械加工存在工艺误差，以及步进电机有丢步现象，所以多级传送带在运行过程中会存在卡顿，使零件翻面失败。在对 300 个样品进行 8 组翻面实验中，有 20 次翻面不成功。实验结果显示，当二级传送带初始速度 v = 3 ～ 5. 5 cm·s - 1 时，翻面成功率达到 99% 。
4 结束语
本文针对环形陶瓷金属涂层缺陷在机器视觉检测中特殊的成像，提出一种分段处理、逐步优化的方法。该方法通过滤除背景噪声、边缘噪声，实现了对金属涂层缺损类缺陷的识别。为了验证算法的准确性，本文设计了检测系统，并利用该系统解决了环形陶瓷金属涂层自动化检测、准确翻面、跟踪剔除等问题。随后，本文分别对缺陷检测精度和翻面成功率进行探究性实验。结果显示，金属涂层缺陷检测正确率为 98% ，零件翻面成功率为 99% 。目前，该检测系统已经在某陶瓷厂投入使用。——论文作者：马 鼎1，2 ，吴定祥3 ，唐立军1，2
参考文献
[1] 李军，程健. 复杂背景图像下基于边缘点校验的圆检测方法[J]. 计算机工程，2018，44( 3) : 259 - 263. Li Jun，Cheng Jian. Circle detection method based on edge point verification applied to complex background image[J]. Computer Engineering，2018，44( 3) : 259 - 263.
[2] 李健康，黄建斌，刘涵，等. 基于机器视觉的电连接器壳体表面质 量 实 现[J]. 电 子 科 技，2017，30 ( 3 ) : 146 - 148，152. Li Jiankang，Huang Jianbin，Liu Han，et al. Research for surface quality of electric connector shell based on machine vision[J]. Electronic Science and Technology，2017，30( 3) : 146 - 148，152.
[3] 杨凯斌，吴定祥，龚金成，等. 圆环陶瓷检测算法研究[J].中国陶瓷，2017，53( 3) : 39 - 44.Yang Kaibin，Wu Dingxiang，Gong Jincheng，et al. Research on detection algorithm of ceramic ring[J]. China Ceramics， 2017，53( 3) : 39 - 44.
[4] 刘欢，唐曌堃. 基于计算机视觉的易碎产品包装检测系统设计[J]. 自动化与仪器仪表，2019( 12) : 30 - 33. Liu Huan，Tang Zhaokun. Design of fragile product packaging inspection system based on computer vision[J]. Automation & Instrumentation，2019( 12) : 30 - 33.
[5] 章佳佳，杨振超，周律. 基于 MATLAB 图像处理的果核分拣系统[J]. 电子科技，2017，30( 9) : 50 - 52. Zhang Jiajia，Yang Zhenchao，Zhou Lü. The cores sorting system research using image processing based on MATLAB[J]. Electronic Science and Technology，2017，30( 9) : 50 - 52.
[6] 黄远民，易铭，杨曼，等. 基于机器视觉的板材表面缺陷自动检测方法研究[J]. 人工智能与机器人研究，2019，8 ( 3) : 109 - 117. Huang Yuanmin，Yi Ming，Yang Man，et al. Research on automatic detection method of plate surface defects based on machine vision[J]. Artificial Intelligence and Robotics Research，2019，8( 3) : 109 - 117.
[7] 杨凯斌，唐立军，刘晓春，等. 基于纹理公因子的异源图像配准方法[J]. 计算机工程，2016，42( 11) : 233 - 237. Yang Kaibin，Tang Lijun，Liu Xiaochun，et al. Different source image registration method based on texture common factor[J]. Computer Engineering，2016，42( 11) : 233 - 237.
[8] 陈浩，谭检成，李明鑫，等. 基于 ARM + FPGA 的微小陶瓷管缺陷检测系统设计[J]. 计算机测量与控制，2018，26 ( 3) : 39 - 42. Chen Hao，Tan Jiancheng，Li Mingxin，et al. Design of micro ceramic tube defect detection system based on ARM + FPGA [J]. Computer Measurement & Control，2018，26 ( 3 ) : 39 - 42.
