針對玻璃鋼破產(chǎn)爆破的機器視覺檢測系統(tǒng)

針對玻璃鋼破產(chǎn)爆破的機器視覺檢測系統(tǒng)

0玻璃的脆性破壞隨著社會的發(fā)展和生活水平的提高，玻璃在人們的日常工作和生活中的應用越來越廣泛。為提高玻璃的安全性,尤其在建筑、汽車、裝飾裝修、家具等行業(yè),人們普遍使用了強度較高的鋼化玻璃。但是,由于玻璃本身是一種脆性材料,其抗拉強度遠低于抗壓強度,在斷裂過程中幾乎沒有任何塑性變形,即使是鋼化玻璃也是如此,其破壞往往是突發(fā)性的和災難性的。就鋼化玻璃而言,雖說其強度等各項指標遠遠優(yōu)于普通玻璃,但其脆性材料的本質(zhì)并未發(fā)生改變,且由于生產(chǎn)工藝的原因,其自身還存在先天性的重大隱患:自爆,即在無直接機械外力作用下發(fā)生自動性炸裂。自爆在玻璃加工、貯存、運輸、安裝、使用等過程中均可發(fā)生,且無任何預兆,突發(fā)性很強。由于鋼化玻璃往往用于重要場合,自爆后通常更換難度大,處理費用高,同時會伴隨較大的影響及經(jīng)濟損失,甚至危及人的生命。解決這個被稱為“玻璃癌癥”的自爆問題一直是困擾工程界的難題。1均質(zhì)處理的應用一般認為,引發(fā)鋼化玻璃自爆的主要原因,是玻璃中各種雜質(zhì)發(fā)生的相變膨脹。這些雜質(zhì)主要是硫化鎳,還有其它的異質(zhì)相雜質(zhì)如單質(zhì)多晶硅、氧化鋁和硅鋁酸鈉等。為了應對自爆,許多廠家對鋼化玻璃采取均質(zhì)處理(HST),即將鋼化玻璃再次加熱到290℃左右并保溫一定時間,讓有缺陷的玻璃在工廠內(nèi)提前破碎。但實際應用情況表明,均質(zhì)處理對工藝的要求很高,很難把所有雜質(zhì)問題都處理掉,雖然這種方法確實降低了自爆率,但仍然不能杜絕自爆現(xiàn)象。換言之僅用均質(zhì)處理是不夠的。分析計算和實例統(tǒng)計都表明,引起自爆的雜質(zhì)顆粒直徑在0.04mm~0.65mm之間,平均粒徑為0.2mm,基本接近于人類視覺的極限。并且這些微粒都是以晶體存在于玻璃中,在普通光照環(huán)境中,特征不明顯。因而,采用人工檢測具有較大難度,且效率低,標準不統(tǒng)一。而機器視覺技術(shù)可以完成相應的識別。2圖像的分析與判斷機器視覺技術(shù)是指通過圖像獲取裝置,將被測對象的目標信息轉(zhuǎn)換成圖像信號并傳輸至計算機,圖像信號的亮度、顏色等信息經(jīng)過計算機中的圖像分析處理系統(tǒng)的分析處理得到目標特征,然后由計算機進行相應的判斷,從而實現(xiàn)各種檢測、判斷、識別、測量等功能。一個典型的機器視覺系統(tǒng)包括:光源、鏡頭、攝像頭、圖像采集卡、圖像處理軟件、顯示器、執(zhí)行單元等。2.1玻璃中雜質(zhì)的檢測玻璃中的各種雜質(zhì),在光學特性上必然與玻璃本身有差異。當光線入射玻璃后,各種雜質(zhì)會在反射、折射等方面表現(xiàn)出與周圍玻璃不同的異樣。例如,當均勻光垂直入射玻璃時,如玻璃中沒有雜質(zhì),出射的方向不會發(fā)生改變,所探測到的光也是均勻的;當玻璃中含有雜質(zhì)時,出射的光線就會發(fā)生變化,所探測到的圖像也要隨之改變。由于雜質(zhì)的存在,在其周圍就發(fā)生了應力集中及變形,在圖像中也容易觀察。若遇到光透射型缺陷(如裂紋、氣泡等),光線在該缺陷位置會發(fā)生折射,光的強度比周圍的要大,因而相機靶面上探測到的光也相應增強;若遇到光吸收型(如砂粒等)雜質(zhì),則該缺陷位置的光會變?nèi)?相機靶面上探測到的光比周圍的光要弱。分析相機采集到的圖像信號的強弱變化、圖像特征,便能獲取相應的缺陷信息。缺陷檢測的原理如圖1所示。2.2玻璃的加以分析整個檢測系統(tǒng)包含圖像采集、圖像處理、智能控制、機械執(zhí)行等部分,其結(jié)構(gòu)如圖2所示。其中光源及被測玻璃固定,光源位于玻璃底部,通過透射進入攝像頭。攝像頭以X-Y方式勻速掃描整塊玻璃。圖像采集卡接收攝像頭信號,濾波后經(jīng)模數(shù)轉(zhuǎn)換變成24位的數(shù)字信號,再由計算機對其加以分析。如發(fā)現(xiàn)缺陷,則進行分類和統(tǒng)計,報告缺陷類型、尺寸、位置等,為玻璃分級打標提供信息。3系統(tǒng)的基本特征近年來,圖像處理和模式識別等技術(shù)的快速發(fā)展,大大地推動了機器視覺的發(fā)展。機器視覺系統(tǒng)具有高效率、高柔性、高度自動化等特點,且具有易于實現(xiàn)信息集成的優(yōu)點,是實現(xiàn)計算機集成制造的基礎技術(shù)之一。因此,在對生產(chǎn)要求自動化越來越高的現(xiàn)代社會中,機器視覺系統(tǒng)越來越被廣泛地應用在機械裝配定位、產(chǎn)品的質(zhì)量檢測、產(chǎn)品識別、產(chǎn)品尺寸測量等方面。3.1玻璃的基礎缺陷為了突出缺陷的特征,光源的配置是一個非常重要的技術(shù)環(huán)節(jié)。玻璃是由透明材料制作,其反射率比較低,故其并不適用常用的反射照明方式,因此采用透射照明的方式。為了盡可能的增大透射光線的強度,根據(jù)光的波長越長,其透射能力越強的特點,采用紅光作為照明光源。此外,考慮到系統(tǒng)的使用壽命以及穩(wěn)定性等因素,選擇紅色LED作為發(fā)光體。該光源被置于玻璃的下方,光線穿過玻璃后經(jīng)鏡頭進入相機。這樣可以獲得較高的對比度,且易得到被測物體比較清晰的整體輪廓。圖3至圖5是拍攝到的玻璃缺陷效果圖。從圖中可以看出,幾種不同的缺陷在優(yōu)質(zhì)光源及高分辨率鏡頭下,缺陷明顯,容易判斷。3.2計算機分析識別缺陷在獲得圖像之后,將各種有害雜質(zhì)的光學特征和形態(tài)參數(shù)提取出來并進行有效的分析,包括其幾何特征、灰度特征、梯度特征、紋理特征等,在此基礎上,通過計算機的分析識別,判斷出缺陷類型、位置及尺寸。1圖像邊緣、圖像重構(gòu)處理由于受到非理想成像條件和采集設備自身噪聲等的影響,采集到的玻璃圖像不可避免的存在噪聲和干擾。如果噪聲很強,很容易將噪聲誤認為是缺陷,所以選擇有效的祛除噪聲的方法,是進行缺陷分析和識別的關(guān)鍵。常見的方法有鄰域平均法、中值濾波、維納濾波等。鄰域平均法雖然計算速度快,但是容易造成圖像邊緣和細節(jié)處的模糊,維納濾波雖然保留了邊緣和圖像的高頻成分,但花費的時間較多。中值濾波是一種非線性平滑濾波方法,在圖像處理中常用于保護邊緣信息,對多脈沖噪聲和圖像掃描噪聲非常有效,并且該方法簡單快速,常常被用于玻璃缺陷圖像的濾波。圖像增強技術(shù)的主要目的是根據(jù)實際需要對一幅給定的圖像進行適當處理,突出圖像中的某些需要信息,弱化或去除盡可能多的不需要的信息,使處理后的結(jié)果比原圖更合適某些特定應用。圖像增強的方法一般可以分為空間域處理和頻域處理兩大類:空間域處理是在原圖像上直接進行局部運算或者點運算;頻域處理是把圖像在Fourier等變換域上進行處理,增強感興趣的頻率分量,然后再進行Fourier反變換,便可得到感興趣對象得到增強的圖像。另外數(shù)學形態(tài)學和小波分析都是圖像處理的強大工具,在其他圖像處理中顯示了其優(yōu)良的特性。2類間方差大小的影響對預處理后的目標圖像進行二值化處理,以便提取其幾何特征和梯度特征等。由日本學者大津(NobuyukiOtsu)于1979年提出的最大類間方差法,也被稱為大津法,簡稱為OTSU法,是一種自適應的閾值確定的方法。該方法是基于一維直方圖,在判決分析的基礎推導出來的一種自動的無參數(shù)無監(jiān)督的閾值分割方法。按照圖像的灰度特性,圖像被分成背景和目標兩部分,依據(jù)背景和目標之間的類間方差來區(qū)別構(gòu)成圖像的兩部分的差別,即方差越大差別越大。如果出現(xiàn)錯分,即部分背景錯分為目標或是部分目標錯分為背景都將會導致這兩部的分差變小。設圖像I(x,y)的大小為M×N,假設目標圖像較暗,整幅圖像總像素中像素的灰度值比閾值T小的像素個數(shù)記作N1,比閾值T大的像素的個數(shù)記作N2,則目標像素點數(shù)在整幅圖像中所占的比例為ω1=N1M×Nω1=Ν1Μ×Ν,其平均灰度為μ1;背景像素點數(shù)在整幅圖像中所占的比例記為ω2=N2M×Nω2=Ν2Μ×Ν,其平均灰度為μ2。其中N1+N2=M×N,ω1+ω2=1。則圖像的總平均灰度:μ=μ1×ω1+μ2×ω2(1)類間方差:g=ω1×(μ-μ1)2+ω2×(μ-μ2)2=ω1×ω2×(μ1-μ2)2(2)當類間方差g最大時,可以認為此時目標與背景差異最大,也即是灰度的最佳分割閾值,可采用遍歷的方法得到使類間方差最大的閾值T。對預處理后的圖像采用最大類間方差自動閾值法進行二值化分離。3特征不全難以反應個體特征特征的提取與選擇至關(guān)重要,它關(guān)系到學習算法的選擇和學習的效率,關(guān)系到分類識別算法的選取與識別的正確率,在一定意義上講,它關(guān)系到一個系統(tǒng)是否是有效的。特征的數(shù)量不宜過多,也不宜過少。在機器學習的實際應用中,特征個數(shù)太少容易造成特征不全,不能完全反應個體特征;特征個數(shù)太多容易造成特征冗余,訓練模型需要的時間就越長,模型也越復雜,推廣能力也會下降。常見的評價函數(shù)有相關(guān)性、歐式距離和信息增益等。特征的最好選取具有旋轉(zhuǎn)、縮放和平移不變性的特征,如對二值分離的圖像提取幾何特征:缺陷的面積、周長、橢圓度等,以及灰度圖像的灰度特征和HU不變矩等。經(jīng)驗模態(tài)分析(EMD)既具有小波變換的多分辨的優(yōu)勢,又克服了小波變換中人為選取小波基的困難,從信號本身的尺度特征出發(fā)對信號進行分解。它作為一種完全的數(shù)據(jù)驅(qū)動方法,具有良好的局部適應性,短短幾年間,它成功地應用于故障檢測、醫(yī)學、地震、語音、石油勘探等領域。綜上所述,文中選取的特征主要有:缺陷的面積、周長、橢圓度、HU的七個不變矩、EMD的三層分解等。4bp網(wǎng)絡的特點神經(jīng)網(wǎng)絡具有學習和訓練能力,使得神經(jīng)網(wǎng)絡分類器能夠得到更為接近于實際情況的分類結(jié)果,具有更為精確的類別處理能力和較好的容錯能力。三層的BP網(wǎng)絡能夠形成任意復雜的特征空間的分類曲面,具有較強的分類能力,使得BP神經(jīng)網(wǎng)絡分類器在模式識別中廣泛使用。對檢測對