光学薄膜瑕疵检测算法流程

光学薄膜瑕疵检测算法流程

一、光学薄膜瑕疵检测
在产品质量检测领域中，目前对玻璃制品、印刷行业与纺织行业等的瑕疵检测研究比较多见，但是对高透光率的光学薄膜瑕疵检测还是比较罕见。光学薄膜瑕疵的尺寸极小，在极短的曝光时间内，在严重的电磁干扰条件下，采集到的光学薄膜瑕疵图像总体偏暗，并且瑕疵与背景的灰度级差极小。为了精确分割图像与识别瑕疵，本章采用多种常用的图像处理算法逐一进行对比分析，以求寻找出光学薄膜瑕疵的最优检测路径。依次采用图像的预处理、图像分割、数学形态学处理、目标轮廓边缘检测、瑕疵几何形状特征提取与识别的图像分析算法，对光学薄膜的瑕疵进行检测。实验结果表明：该算法流程能够检测出薄膜中的大部分细小瑕疵，为检测系统提供了一种可行的瑕疵图像检测流程。
二、薄膜瑕疵检测算法流程
所采用的检测算法流程如图 3-1 示。相机采集到的图像带有噪声，在众多的滤波算法当中，有的会使得图像的灰度信息丢失，有的会增加后期图像分割难度，因而需要对原始图像进行滤波算法的分析。滤波后，虽然瑕疵的信息得到了加强，但图像瑕疵与背景仍然混为一体，因此需要对图像进行分割，在此分割阈值的选择至关重要，在第四章中对图像分割算法进行深入研究。图像分割后得到的瑕疵表现出残缺不全或者带有干扰噪声，因而需要对分割后的图像进行修复处理。图像边缘检测能分离出瑕疵的外形轮廓，为瑕疵几何特征的提取做好准备，在此也需要对多种边缘检测方法进行研究。最后，瑕疵的特征提取与识别是算法流程的关键步骤，是实现瑕疵分类的依据，基于BP神经网络实现瑕疵的分类。

1瑕疵图像滤波处理
实验中，采用 [size=1em]C++编程语言来编写算法，在平台 Visual Studio 2008 上开发实现，进行图像数据的处理与分析。经探索性实验（以垃圾、气泡印与白点作说明），在实验平台上获取瑕疵样品图像 (如图 3-2 所示，样本图像是从大幅面图像(宽：8192，高：4096)裁剪出来的带有瑕疵的图像，并且图像按比例缩放)，可见原图像中的瑕疵与背景都是总体偏暗。如图 3-3 示，在灰度直方图上灰度概率值呈现出单峰分布，山峰陡峭并且靠左分布。由直方图可见，图像中的瑕疵与背景的灰度级差极小，绝大部分像素的灰度值分布在 10 个灰度级以内，并且像素灰度值在低灰度级区间分布。


由 CCD 相机采集到的图像一般都带有一些无规则的噪声，这些噪声反映在图像上是一杂乱无章的点，因此必须对图像进行前期的滤波处理。但是，薄膜的运行速度很快并且要求成像精度极高，相机每秒钟要曝光几万次，曝光时间极短，单位次数内的光通量不足，使得采集到的图像总体偏暗。图像的背景、瑕疵与噪声混合在一起，在图像上难以肉眼分辨出来。同时，为了突出图像中的噪声、瑕疵与背景各自差异，在图像进行滤波之前，先对图像进行灰度均衡，增强图像的对比度，增强噪声的表现能力，灰度均衡结果如图 3-4 所示。

见的数字图像滤波的方法包括中值滤波、均值滤波、高斯滤波等等。中值滤波：在 1971 年，由J.w.Jukey首先采用中值滤波器对一维信号进行处理，后来被二维图像信号处理技术引用。中值滤波一般是采用 3×3 的模板窗口在图像中滑动，将模板窗口中的中间值代替当前像素点的灰度值。对于奇数模板窗口，所用数值按大小排列，取中间的数值作为中值；对于偶数窗口模板，数值按大小排列后去中间两个元素的平均值作为中值。中值滤波能在一定条件下克服线性滤波器如均值滤波带来的图像细节模糊，而且能够滤除脉冲干扰及图像扫描噪声，但是对于一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波。
均值滤波：这是一种采用当前像素点与它领域的八个像素点的灰度值叠加，然后求得平均值作为新图像中像素的灰度值。均值滤波是一种采用线性的方法消除图像噪声的方法。均值滤波是一种平滑滤波，算法简单且速度快，可消除点状噪声。
高斯滤波：这是一种求整幅图像进行加权平均的过程。高斯滤波是使用模板窗口在图像中滑动，使用由模板窗口确定的领域像素灰度值的加权平均值代替当前像素灰度值。高斯滤波是一种线性平滑滤波，能降低图像中的噪声，能消除高斯噪声。
2图像分割
图像分割先要选择合适的图像分割阈值 Val，图像的二值化处理函数见式，如果当前像素的灰度值 G(x, y)大于或等于分割阈值 Val，则把当前像素灰度值设为 255；反之，G(x, y)小于分割阈值 Val，则把当前像素灰度值设为 0。实现背景与前景的分割。
3数学形态学处理
由于图像受多种干扰信号的影响，或者是图像分割阈值选择不恰当，分割后的图像中的瑕疵还不够突出，并没有达到预期的效果。二值化处理后的薄膜图像还是带有不少噪声，并且本来是圆形的区域缺省了一部分变成了月亮的现状，瑕疵的外形轮廓并不连贯。通过数学形态学对预处理后的图像进行后续处理，能实现图像再次滤波与瑕疵区域的修复。
4目标边缘检测
图像处理的目的是进行图像的识别。图像的识别是依赖与瑕疵特征的提取。在实验中，为了很好地提取出薄膜瑕疵图像的几何特征，还需要对进行形态学变换后的瑕疵图像进行边缘检测。
5特征提取与识别
图像特征提取的目的是提取图像中瑕疵的独一无二的特征值，作为瑕疵分类的标准。良好的特征应具有以下 4 个特点：（1）可区别性；（2）可靠性；（3）独立性好；（4）数量少。
三、总结
根据光学薄膜瑕疵的成像特点，对薄膜瑕疵检测算法流程进行研究。实验结果表明，该算法使得目标瑕疵能从背景中有效地分离出来，其特征得到了有效提取，瑕疵得到了可靠的分类。可见该算法流程具备一定的可靠性，为检测系统提供了一种可能的途径。但是，这只是对图像处理与识别系统的初步探索性研究与分析，要把光学薄膜检测算法流程应用于实际工业生产线上，还需要对图像分割算法、污点查找算法、检测系统优化与算法加速等进行大量研究。
来源：创视新科技官网