基于机器视觉的金属表面缺陷检测方法研究

作者：翟伟良，李有煊，黄浩湄，黄茂发，陈俊杰，莫锦超 来源：《科技传播》 2017年第9期

金属表平面的缺陷检测中主要有划痕、污点和凹陷等检测功能，应用基于灰度阈值的分割法能实现基本检测功能，但是实际的场景应用中金属会出现较大的反光情况，会导致检测效果极差，主要的误判经常出现在反光边缘交界处，反光的内部区域灰度变化的情况依然适合灰度阈值的处理方法，因此我们就可以通过标准图片的灰度值对比方式，把变化大的区域分离成适合于灰度阈值处理的区域，再细化进行检测。应用灰度对比提取缺陷区域的方法和基于灰度阈值分割的缺陷判断方法相结合进行金属表面缺陷检测[2]。如图1 为本文使用的金属检测表平面。

其中表示所有像素点的灰度值的集合，其有个像素点， 表示整体区域的面积，也是总体像素点个数； 表示原本区域的像素点灰度值的集合； 表示通过一个m×n 矩形处理的平均像素值； 则是一个增强倍数值，就是增强的倍数；因此本算法处理中需要有提供最小污点面积为40，增强倍数为7 的处理效果更为明显。

2.3 特征提取缺陷区域

在经过缺陷增强等处理操作后，可以通过使用灰度阈值分割的方式进行缺陷区域的提取，对各种缺陷进行特征分析处理，如表1 为3 种缺陷效果图表。

其中由划痕及污点图中可知对于污点和划痕两种缺陷，会出现灰度值偏暗的情况，而对于凹陷缺陷则会出现灰度值偏亮的情况，因此在进行图像增强后本文使用的灰度范围分割出划痕和污点区域，使用灰度范围分割出凹陷缺陷区域。具体的分割范围需要根据具体的图片进行特征分析处理。

本文中提供一个，把面积大于40个像素点的区域提取出来。但是对于反光情况的凹陷处理而言，增强图片的时候掩码矩形会把不存在的边缘点拟定为最亮像素点，因此增强处理后的边缘都呈现出高光形态，单纯凹陷阈值分割会出现严重的误提取操作，因此需要对边缘区域做形

态学处理，把边缘的m×n 个像素点去除后，再进行凹陷阈值分割，才能达到准确提取的效果。

3 结论

如表格2 所示为直接的阈值处理效果和分割阈值处理的效果对比图表，由可知本文使用基于灰度对比的区块化处理的缺陷检测方法，实现的图片处理过程中的分块结构处理，使得复杂变化的问题单一提取处理，使得算法的特征处理简单化，且使用了图片增强对比度的计算尽最大可能的抑制图片噪音的变化情况，使得特征处理更加稳定化，本文的方法适合于绝大部分表面灰度值基本一致的金属表面缺陷处理情况。