玻璃纤维布的机器视觉缺陷检测系统设计

李纪峰，赵凤霞，金少搏

（郑州大学 机械工程学院，河南 郑州 450001）

1 引言

玻璃纤维布是一种常用的工业用织物，可以作为一种增强材料，在联结结构之间具有非常高的结构强度和可靠性，广泛用于航天航空、建筑、汽车等领域。玻璃纤维布的缝隙缺陷是影响其价格和品级评定的一个重要因素[1]。目前，国内的许多玻璃纤维布生产企业仍采用人工方式来检验玻璃纤维布的缺陷，这种方式主观因素影响大，检测效率低、精确度低、漏检率高，亟需一种自动化缺陷检测方式以提高玻璃纤维布生产自动化程度。

随着机器视觉技术的不断发展，其在工业生产过程中应用越来越为广泛。国外的织物在线检测技术起步相对较早，市场上在布匹缺陷检测方面的视觉检测系统有比利时的Cyclops检测系统，瑞士的Fabrsican系统等，虽然这些系统织物检测速度高，但是从国外引进这些系统价格昂贵，且这些系统都是针对白坯布的缺陷检测。近年来国内许多学者基于机器视觉技术对纺织品的质量检测进行了研究，并取得诸多成果。出现了利用图像处理检测医用纱布表面的缺陷[2]；基于局部统计与整体显著性的织物疵点检测算法[3]；基于机器视觉技术的针织品瑕疵检测系统设计[4]；无纺布缺陷自动检测系统[5]；经编机布匹瑕疵的在线视觉检测[6]等等。国内的研究主要是针对某一种算法的研究且仅适用于一种织物缺陷检测，不能直接应用于玻璃纤维布的缺陷检测生产实际中，因此基于C#和Halcon配置环境设计了玻璃纤维布缺陷检测系统。

2 玻璃纤维布缺陷检测系统设计

2.1 玻璃纤维布缺陷检测系统结构组成陷是断经或者间隙造成的缝隙缺陷，缺陷定义为宽度大于1mm，长度大于150mm的缝隙。玻璃纤维布在线生产速度为2m/min，幅宽为2.5m左右。系统能够实时的检测出缺陷信息，并进行质量统计。根据生产实际状况，设计的玻璃纤维布缺陷检测系统结构，如图1所示。

图1 玻璃纤维布缺陷检测系统结构简图Fig.1 Schematic Diagram of the Glass Fiber Cloth Defect Detection System

由图1可以看出该系统包含相机、镜头、光源组成的图像采集模块和控制台软件系统模块，其中控制台软件系统模块包括人机交互模块、图像处理模块和数据统计模块等。

2.2 图像采集模块

图像采集模块由相机，镜头和光源组成，相机采用的是由深圳迈德威视公司生产的两个全局曝光的MV-GE130GM黑白工业相机，分辨率为1280x960 pixel，帧率为60FPS，满足玻璃纤维布精度检测要求，确保采集到图像的精确度，获得清晰且无拖影的图像。镜头采用日本Computar公司的M0814-MP2机器视觉镜头，规格为2/3”，焦距为8mm，与相机相匹配。相机与PC端的数据传输接口采用千兆网GigE图像接口技术，可以实现高速、远距离图像传输，保证缺陷检测系统的实时性要求。

选择合适的光源可以得到良好的成像效果，使被测物的重要特征显现，简化算法，提高检测精度，保证系统的稳定性。玻璃纤维布的缺陷区域有显著的特征，存在缺陷的位置有机纤维线相对稀疏，并且玻璃纤维布产品的颜色特征为白色，明场光源不易于突出缺陷特征，因此采用暗场光源方式。这种方式能够获得较大灰度值差的玻璃纤维布图像，有效的降低缺陷检测算法的复杂度，提高系统的运算速度。

2.3 人机交互模块

人机交互模块包括参数设置和图像标定等。其中参数设置包含相机参数设置、主机速度设置、报警阈值设置以及布匹纬纱走向等。主机速度、相机曝光时间等参数是用来确定相机捕获图像的频率，防止出现漏检现象。报警阈值根据生产的玻璃纤维布品级要求确定其阈值范围；图像标定即根据相机内参数与外参数矫正镜头畸变，确定像素尺寸与实际物理尺寸的换算关系。人机交互模块的另一功能就是确定玻璃纤维布生产机器正常停机与非正常停机后玻璃纤维布检测系统是否继续上一次的检测，例如出现缺陷而导致非正常停机时则需要继续上次检测，一卷布匹生产完成时则需要结束本次检测开始新的检测。设计的人机交互模块界面，如图2所示。

图2 人机交互模块软件界面Fig.2 Software Interfaceof the Man-Machine Interaction Module

2.4 图像处理模块

图像处理模块是玻璃纤维布检测系统的核心模块，其功能是将图像采集模块捕获的图像进行图像拼接、缺陷检测和缺陷参数计算等操作，这是核心内容，将在第3节中详述。

2.5 数据统计分析模块

图像处理后可以得到缺陷的数量、缺陷的位置和尺寸等信息，为了便于布匹品级的确定与管理，基于Sql Sever数据库搭建数据管理平台以存储和统计缺陷相关信息。

3 图像处理

图像采集模块获得图像后，采用Halcon图像处理软件进行织物缺陷检测，检测流程，如图3所示。

图3 玻璃纤维布缺陷检测系统流程Fig.3 Flow Chart of the Glass Fiber Cloth Defect Detection System

3.1 图像拼接

由于整个系统采用两个全局曝光的黑白工业相机同步工作，因此需要将两个相机采集到的图像经过图像拼接算法配准，合成一幅宽视角的全景图像。常用的图像配准方法有：基于图像像素的配准方法，基于图像特征的方法，基于相位相关技术的图像配准方法等。基于像素的配准方法利用图像像素灰度进行比较无需提取特征，基于图像特征的配准方法利用提取到图像特征的匹配关系建立图像之间的映射变换关系，匹配特征可以是边缘、轮廓、颜色和纹理等特征。相位相关法基于二维傅立叶变换，具有简单准确的优点，计算两幅图像的相对平移量进而对图像拼接融合。图4（a）是相机1采集到的图像I1，如图4所示。图4（b）相机2采集到的图像I2。从图中可以看出图像I1和I2没有明显的特征区域，图像中存在噪声，且检测系统实行性要求较高，因此要求图像配准算法计算复杂度低，简易可行，所以选用基于相位相关技术的图像配准算法。其算法原理[7]如下：

设f2（x，y）为f1（x，y）在x，y方向上平移x0，y0后的图像，则：

若f1和f2对应的傅立叶变换分别为F1（u，v），F2（u，v），则：

其中x0和y0表示图像I1和I2的相对平移量，图4（c）图像I3即图像I1和图像I2拼接融合后的图像。

图4 图像拼接Fig.4 Image Stitching

3.2 图像增强

由于生产环境、拼接接缝以及布匹张紧程度不一等因素的影响，拼接后的图像会存在噪声。另外玻璃纤维布具有明显的纹理特征，这也会影响到玻璃纤维布缺陷特征的提取。因此要对图像进行增强处理以抑制纹理和噪声的干扰，突出图像的缺陷特征区域。图像增强处理可以是将原来不清晰的图像变得清晰，也可以将原来清晰的图像变得模糊，以满足某些特殊分析的需要，这里根据需要将得到的图像进行模糊处理。

常见的模糊处理方法有高斯滤波平滑、双边滤波平滑和均值滤波平滑等方法。均值滤波平滑作为一种典型的线性滤波算法，既能模糊图像削弱纤维布的纹理特征影响，又能去除噪声的影响，因此选择均值滤波平滑算法模糊处理玻璃纤维布图像。

3.3 阈值分割

常用的图像分割方法主要有：基于边缘的分割方法，基于特定理论的分割方法，基于区域的分割方法和基于阈值的分割方法等。其中，阈值分割法使图像分割中最常用的一种方法，适合处理特征目标与背景区域区别明显的图像。玻璃纤维布图像特征缺陷区域与其他区域存在明显的灰度值差异，图像对比度高，因此选用基于阈值的图像分割方法。阈值分割法的关键就是确定阈值，将处于阈值区间的像素点分割得到图像区域，其分割算法定义如下：

由式（3）可知，阈值分割法就是将原始图像f中处于阈值Tmin和Tmax范围内的所有点分割到输出图像g中。阈值确定方法有利用灰度直方图的峰谷法，最大类间方差法，最大熵自动阈值法等等。其中基于最大类间方差法的Ostu算法是一种灰度图像动态二值化方法，设定一个阈值将灰度图像分为目标部分与背景部分两个部分，适合处理目标区域与背景区域对比明显的图像，相比其他方法能够更好的满足了玻璃纤维布在线检测要求，因此采用Ostu算法确定阈值T的范围。

3.4 形态学处理

阈值分割后的图像往往会存在杂点、突起以及狭窄的缝隙等，这些因素都会影响缺陷提取，因此要对图像进行形态学处理以排除干扰因素。腐蚀和膨胀是图像形态学处理中常用的两种操作。图像处理时常用腐蚀来消除物体的边界点，去除一些小的结构元素以削弱噪声影响。膨胀的作用是扩展物体的边界点，可以使一些相邻距离较短的区域进行连接，然而对于细小的杂点膨胀处理会使其变得较为明显。因此对分割后的图像开运算（先腐蚀后进行膨胀的处理）来去除缺陷区域突出部分的干扰，然后再进行闭运算（先膨胀后进行腐蚀的处理）以填补缺陷区域中的小洞和狭窄的缝隙区域。

3.5 特征提取和特征参数计算

形态学处理后的图像包含缺陷区域和其他非缺陷干扰区域，这就需要将缺陷区域与非缺陷区域分离开来，去除非缺陷区域的干扰。玻璃纤维布具有明显的纹理方向特征，一般情况下其方向为±45°，其出现的缺陷也具有明显的方向特征。与其他非缺陷区域相比缺陷区域的面积相对较大，因此可以根据面积特征、方向特征和宽度等特征将缺陷区域提取出来。提取到缺陷特征区域后，所得到的区域并不是一个规则的几何图形，对提取到的特征区域拟合求其最小外接矩形P，根据最小外接矩形P的尺寸参数判断玻璃纤维布是否存在瑕疵。因此将缺陷区域判别式P定义为：

式中：Pw—最小外接矩形P的宽度值（像素数量值）；PL—最小外接矩形P的长度值（像素数量值）；S—一个像素所代表的实际物理尺寸值。若满足以上条件，则该产品存在缺陷为不合格产品，反之则为合格产品。

图5（a）为原始图像；图5（b）为利用均值滤波器平滑处理，Ostu算法阈值分割后得到的图像；图5（c）为对图像形态学处理开运算和闭运算操作后的图像；图5（d）为利用区域面积特征和方向特征等特征提取后，拟合缺陷区域最小外接矩形后的图像。

图5 图像缺陷检测Fig.5 Image Defect Detection

4 实验与分析

搭建的玻璃纤维布缺陷检测试验台，如图6所示。图像采集模块所采用的相机为MV-GE130GM黑白工业相机；镜头为M0814-MP2机器视觉镜头，其焦距为8mm；控制台计算机配置为Intel Core i5 4590，内存4G。软件环境为基于VS2010的C#语言、Halcon11.0和Sql Sever 2005。

图6 玻璃纤维布生产试验台Fig.6 Test-Benchof the Glass Fiber Cloth

表1 玻璃纤维布样品检测数据表Tab.1 Test Data Reporof the Glass Fiber Cloth

对不同纹理的玻璃纤维布进行了缺陷检测实验，得到了检测样品的图像处理结果和缺陷长度、缺陷宽度、缺陷个数等数据。对3种不同样品的检测结果统计表，如表1所示。其中，1号和3号样品的检测结果均为不合格产品，2号为合格产品。

5 结论

缺陷检测是玻璃纤维布生产过程中质量控制的一个重要环节。根据玻璃纤维布企业的生产实际，基于机器视觉技术设计了玻璃纤维布缺陷检测系统，所设计的系统结构简单，易于实现，所采用的图像采集模块成本较低，且能满足实际检测需求，得到了企业的认可。所编制的图像处理软件系统，算法简单且检测结果稳健可靠、实时性好。所设计的检测系统在实验室环境下进行了实验验证，结果表明，该系统具有较强的适应性和通用性。因此，研究对改善玻璃纤维布的在线质量生产现状提供了可靠的技术保证，也为其它同类的研究提供了参考。

［1］K.L.Mak，P.Peng.AReal-time Computer Vision System for Detecting Defects inTextileFabrics［C］.IEEE International Conference on Industry Technology，2005，469-474.

［2］黄娟，杨建玺.图像处理在医用纱布表面缺陷检测中的应用［J］.机械设计与制造，2013（10）：87-89.（Huang Juan，Yang Jian-xi.Application of image processing in medical gauze defect inspection［J］.Machinery Design&Manufacture，2013（10）：87-89.）

［3］刘洲峰，赵全军，李春雷.基于局部统计与整体显著性的织物疵点检测算法［J］.纺织学报，2014（11）：62-67.（Liu Zhou-feng，Zhao Quan-jun，Li Chun-lei.Fabric defect detection algorithm using local statistic features and global saliency analysis［J］.Journal of Textile Research，2014（11）：62-67.）

［4］郝伟，张芳芳.基于计算机视觉技术的针织品瑕疵检测系统设计［J］.计算机测量与控制，2013（9）：2397-2399.（Hao Wei，Zhang Fang-fang.Knitwear flaw detection method research based on computer vision technology［J］.Computer Measurement&Control，2013（9）：2397-2399.）

［5］邵鑫玉，华继钊.基于机器视觉的无纺布缺陷自动检测系统［J］.计算机科学，2014（S1）：487-489.（Shao Xin-yu，Hua Ji-zhao.Automatic detection system of fabric defects based on machine vision［J］.Computer Science，2014（S1）：487-489.）

［6］王明景，吉峰，白瑞林.经编机布匹瑕疵的在线视觉检测［J］.计算机工程与应用，2015（9）：185-190.（Wang Ming-jing，Ji Feng，Bai Rui-lin.Machine vision detection method of fabric defects of warp knitting machine［J］.Engineering and Application，2015（9）：185-190.）

［7］冯宇平，戴明，孙立悦.图像自动拼接融合的优化设计［J］.光学精密工程，2010（2）：470-476.（Feng Yu-ping，Dai Ming，Sun Li-yue.Optimized design of automatic image mosaic［J］.Optics and Precision Engineering，2010（2）：470-476.）