本發(fā)明涉及玻璃生產(chǎn)加工領(lǐng)域，尤其是一種基于機(jī)器視覺的玻璃瑕疵的識別方法以及分類處理系統(tǒng)。

背景技術(shù)：

我國生產(chǎn)的民用平板玻璃居于全球首位，玻璃總生產(chǎn)量大概是世界總產(chǎn)量的五分之二。我國目前共有一百六十多個浮法玻璃生產(chǎn)廠家，玻璃產(chǎn)量的五分之四為浮法玻璃。依靠先進(jìn)的玻璃工藝制造技術(shù)，玻璃的產(chǎn)量和質(zhì)量有所增加，但是在成品玻璃中仍然會出現(xiàn)一些瑕疵，影響玻璃的性能和外觀，例如劃痕、氣泡、錫點(diǎn)、墨點(diǎn)、光畸變等。在玻璃的生產(chǎn)銷售過程中，必須保證玻璃的高質(zhì)量、高性能才能爭得市場地位，因此玻璃瑕疵檢測是玻璃生產(chǎn)系統(tǒng)中不可缺少的環(huán)節(jié)，以此來避免不合格的玻璃流入市場，更可以對玻璃劃分等級。在過去，由于技術(shù)有限，玻璃生產(chǎn)線運(yùn)行速度緩慢，人工檢測成為當(dāng)時主要的檢測方法。伴隨著科學(xué)技術(shù)的發(fā)展，以及對玻璃的需求量不斷提升，玻璃的生產(chǎn)線運(yùn)行速度加快，人工檢測的局限性凸顯，已不能達(dá)到生產(chǎn)的要求。

人工檢測存在的缺點(diǎn)主要有：生產(chǎn)車間現(xiàn)場灰塵多，噪聲大，工人檢測工作環(huán)境惡劣，無法直接使用目測，勞動強(qiáng)度大；正常人眼在不間斷的觀測運(yùn)動物體一段時間會眼花，眼脹等不適，檢測人員無法長期不間斷工作，無法保證出廠合格率；而且玻璃瑕疵人眼很難準(zhǔn)確判斷，誤差大，出錯機(jī)會很多，無法保證檢測質(zhì)量，生產(chǎn)速度也會有極大限制。

因此，在玻璃生產(chǎn)加工行業(yè)中，急需一種利用電子系統(tǒng)和方法來代替人眼對玻璃瑕疵進(jìn)行測量和判別。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于提供一種檢測效果精確、穩(wěn)定性強(qiáng)、快速方便的基于機(jī)器視覺的玻璃瑕疵在線檢測系統(tǒng)及方法。

為實(shí)現(xiàn)上述目的，采用了以下技術(shù)方案：本發(fā)明所述系統(tǒng)包括線陣ccd攝像機(jī)、嵌入式處理器、電源模塊、存儲器模塊以及顯示模塊；

線陣ccd攝像機(jī)與嵌入式處理器的信號輸入端連接，線陣ccd攝像機(jī)逐行掃描待測玻璃，獲取玻璃的圖像信息并輸入嵌入式處理器；嵌入式處理器的信號輸出端與顯示模塊相連，嵌入式處理器另與存儲器模塊、電源模塊相連；嵌入式處理器對線陣ccd攝像機(jī)獲取的玻璃圖像信息進(jìn)行預(yù)處理后，嵌入式處理器將玻璃信息傳輸至顯示模塊進(jìn)行結(jié)果顯現(xiàn)，嵌入式處理器將玻璃信息傳輸至存儲器模塊進(jìn)行儲存；所述電源模塊用于給系統(tǒng)提供電力。

進(jìn)一步的，所述顯示模塊應(yīng)用vga接口，包括adv7123kst140和外圍電路。

進(jìn)一步的，所述嵌入式處理器為tms320dm642處理器。

本發(fā)明所述的一種線檢測方法，包括以下步驟：

步驟1，線陣ccd攝像機(jī)獲取玻璃圖像信息并傳輸至嵌入式處理器；

步驟2，嵌入式處理器首先對玻璃圖像信息進(jìn)行預(yù)處理；然后通過特征提取算法對玻璃瑕疵圖像進(jìn)行特征提取，計(jì)算其幾何特征量及灰度特征值，依據(jù)幾何特征量和灰度特征值對玻璃圖像信息進(jìn)行分類識別；

步驟3，嵌入式處理器將處理后的玻璃圖像信息寫入存儲器模塊進(jìn)行儲存，同時，嵌入式處理器將處理后的玻璃圖像信息傳輸至顯示模塊進(jìn)行結(jié)果顯現(xiàn)。

其中，步驟2中，嵌入式處理器的預(yù)處理包括濾波去噪、閾值分割處理，在閾值分割處理后，再次使用中值濾波對圖像進(jìn)行濾波處理，也就是在閾值分割前后分別使用一次中值濾波進(jìn)行去噪，獲取準(zhǔn)確無噪聲的瑕疵核心圖像；具體步驟如下：

步驟2-1，圖像處理器接收圖像信息，對獲取的圖像進(jìn)行圖像中值濾波，中值濾波可以保護(hù)邊緣信息，計(jì)算復(fù)雜度較小，對椒鹽噪聲有很好的抑制作用，因此其適用于玻璃瑕疵檢測系統(tǒng)。

步驟2-2，在去除圖像噪聲后，為提高識別效率，進(jìn)行閾值分割。利用otsu進(jìn)行閾值分割；

步驟2-3，對處理后得到的圖像信息，為了提取準(zhǔn)確的瑕疵核心，在閾值處理后，再次使用中值濾波對圖像進(jìn)行濾波處理，也就是在閾值分割前后分別使用一次中值濾波進(jìn)行去噪，進(jìn)行二次濾波；

步驟2-4，使用canny算子對玻璃瑕疵圖像進(jìn)行邊緣提取處理，使圖像邊界分明，對目標(biāo)區(qū)域識別、提取，理解分析打下基礎(chǔ)。

步驟2中，所述特征提取算法用于獲取有利于瑕疵分類的特征，包括圖像不變矩的提取、幾何特征的提取及灰度等圖像特征的提取，采用無偏u-relieff特征選擇算法。

步驟3中，嵌入式處理器以數(shù)字方式生成圖像信息，經(jīng)過轉(zhuǎn)換器變?yōu)閞、g、b三原色信號和行、場同步信號，信號通過電纜傳輸?shù)斤@示模塊中，完成檢測結(jié)果圖像信息的顯示。

所述無偏u-relieff特征選擇算法進(jìn)行特征選擇中，被選擇的五個特征為：伸長度、矩形度、灰度標(biāo)準(zhǔn)差、閾值、圓形度。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)：

1、提高玻璃瑕疵在線檢測的實(shí)時性，增強(qiáng)了可靠性。

2、提高relieff算法評估準(zhǔn)確性，使得特征權(quán)重評價更加公平，解決了樣本數(shù)量對特征權(quán)值的影響。

附圖說明

圖1是本發(fā)明系統(tǒng)的結(jié)構(gòu)框圖。

圖2是本發(fā)明系統(tǒng)的整體工作流程圖。

圖3是圖像處理程序流程圖。

圖4是圖像預(yù)處理流程圖。

圖5是u-relieff算法流程圖。

圖6各特征對瑕疵的定性描述圖。

圖7特征值排序圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步說明：

如圖1所示，本發(fā)明系統(tǒng)主要由三部分組成，分別是圖像處理主控部分、圖像采集部分以及結(jié)果顯示部分。生產(chǎn)線總體結(jié)構(gòu)圖如1所示，線陣ccd攝像機(jī)與嵌入式處理器的信號輸入端連接，線陣ccd攝像機(jī)逐行掃描待測玻璃，獲取玻璃的圖像信息并輸入嵌入式處理器；嵌入式處理器的信號輸出端與顯示模塊相連，嵌入式處理器另與存儲器模塊、電源模塊相連；嵌入式處理器對線陣ccd攝像機(jī)獲取的玻璃圖像信息進(jìn)行預(yù)處理后，嵌入式處理器將玻璃信息傳輸至顯示模塊進(jìn)行結(jié)果顯現(xiàn)，嵌入式處理器將玻璃信息傳輸至存儲器模塊進(jìn)行儲存；所述電源模塊用于給系統(tǒng)提供電力。本系統(tǒng)以機(jī)器視覺為基礎(chǔ)，依靠圖像處理技術(shù)設(shè)計(jì)了一套玻璃瑕疵檢測及類型識別系統(tǒng)，該檢測系統(tǒng)通過線陣ccd攝像機(jī)來獲取瑕疵圖像數(shù)據(jù)，在通過傳輸線路把數(shù)據(jù)傳輸?shù)街骺貦z測系統(tǒng)；數(shù)據(jù)到達(dá)處理器時，首先把數(shù)據(jù)轉(zhuǎn)換為數(shù)字信號，并采用圖像處理技術(shù)對瑕疵圖像進(jìn)行預(yù)處理，得到清晰地可靠地圖像；其次，對瑕疵圖像進(jìn)行特征提取，計(jì)算其幾何特征量及灰度特征，依據(jù)這些特征參量來對其進(jìn)行分類識別。

所述系統(tǒng)中的圖像采集和圖像處理模塊，所述圖像采集模塊包括sg-14-04k80線陣相機(jī)、myutron的fv5026l-f鏡頭、620nm-750nm波長的led紅色條形光源、采用背光式照射，以及外圍電路，以此獲得待處理的圖像。圖像處理模塊采用嵌入式處理系統(tǒng)作為核心處理器，所搭建的系統(tǒng)整體工作流程如圖2所示。

圖像處理的dsp程序設(shè)計(jì)，由線陣ccd攝像機(jī)采集來的圖像信息暫時存在系統(tǒng)的緩沖存儲器中，并且按照dsp固有的時鐘周期將圖像數(shù)據(jù)傳輸?shù)絛sp內(nèi)。其內(nèi)部圖像處理程序流程如圖3所示。由于玻璃瑕疵圖像數(shù)據(jù)量大，所以系統(tǒng)需要擴(kuò)展外部大容量存儲器來存儲，所以dsp就需要和外部存儲器保持?jǐn)?shù)據(jù)通信，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時讀取、處理和發(fā)送。

圖像預(yù)處理過程，生產(chǎn)線上采集過來的玻璃圖像，需要對其進(jìn)行圖像預(yù)處理后才能夠有效的進(jìn)行特征提取及瑕疵識別。圖像預(yù)處理的過程主要是完成以下幾項(xiàng)任務(wù)：圖像濾波、閾值分割、邊緣檢測等，如圖4所示。

步驟一：圖像處理器接收圖像信息，對獲取的圖像進(jìn)行圖像中值濾波,中值濾波可以很好地保護(hù)邊緣信息，計(jì)算復(fù)雜度較小，對椒鹽噪聲有很好的抑制作用，因此其適用于玻璃瑕疵檢測系統(tǒng)。

步驟二：在去除圖像噪聲后，為提高識別效率，進(jìn)行閾值分割。利用otsu進(jìn)行閾值分割。

步驟三：對處理后得到的圖像信息，為了提取準(zhǔn)確的瑕疵核心，在閾值處理后，再次使用中值濾波對圖像進(jìn)行濾波處理。也就是在閾值分割前后分別使用一次中值濾波進(jìn)行去噪，進(jìn)行二次濾波。

步驟四：使用canny算子對玻璃瑕疵圖像進(jìn)行邊緣提取處理，使圖像邊界分明，對目標(biāo)區(qū)域識別、提取，理解分析打下基礎(chǔ)。

獲取到玻璃瑕疵感興趣區(qū)域后，目標(biāo)主體已明確，但是只有提取出具有良好區(qū)分度的特征，計(jì)算機(jī)才會見圖識物。所謂特征指的是圖像感興趣區(qū)域擁有的共同性質(zhì)，也是計(jì)算機(jī)識別的依據(jù)。瑕疵特征的提取是將玻璃瑕疵從圖像的對象空間映射到特征空間，這種映射關(guān)系縮減了瑕疵圖像的信息量，為后續(xù)的識別分類奠定基礎(chǔ)。

探索出適合玻璃瑕疵分類的特征選擇方法，提出一種無偏的特征選擇算法模型u-relieff。算法流程圖如圖5。

步驟一：瑕疵圖像的特征提取。玻璃瑕疵的幾何特征是檢測目標(biāo)的顯著特征。通常情況下，幾何形狀被看作是一個封閉的、連續(xù)的區(qū)域，這個區(qū)域的輪廓是一條曲線，因此圖像幾何特征的描述就是對這個封閉的、連續(xù)的區(qū)域描述；圖6這些幾何特征共同描述了圖像的整體分布，因此避免了圖像的局部特征帶來的影響，有很好的容差性。

步驟二：瑕疵圖像的特征選擇。特征選擇的目標(biāo)是尋找最優(yōu)特征子集。特征選擇能剔除不相關(guān)(irrelevant)或冗余(redundant)的特征，從而達(dá)到減少特征個數(shù)，提高模型精確度，減少運(yùn)行時間的目的。另一方面，選取出真正相關(guān)的特征簡化模型，協(xié)助理解數(shù)據(jù)產(chǎn)生的過程。

步驟三：relief算法探究。該算法的核心思想是：好的特征在同類樣本之間的距離較小，而不同類的樣本之間的距離較大；對于一個多類樣本，其類內(nèi)距離受同類樣本的離散度影響，類內(nèi)離散度高的樣本，值就處于一個較高的水平。而類內(nèi)比較緊致的樣本，值處于一個較低的水平。用期望值來評估特征分類能力，得到的結(jié)果偏向于數(shù)量上占優(yōu)的樣本類。

步驟四：u-relief算法模型的建立。實(shí)際應(yīng)用中，不能保證每個特征類的樣本盡可能的多，樣本的數(shù)量存在差異性。在此情況下，為提高relieff算法評估準(zhǔn)確性，對其算法進(jìn)行改進(jìn)，如圖5所示。

為了更加通俗的理解上述特征提取及選擇步驟，下面結(jié)合實(shí)際例子進(jìn)行說明：

針對實(shí)際生產(chǎn)現(xiàn)場所提取的瑕疵特征(包括：灰度標(biāo)準(zhǔn)差(1)、閾值(2)、圓形度(3)、矩形度(4)、伸長度(5)、傾斜度(6)、離心率(7)、長寬比(8)、填充度(9)、伸展度(10)等幾何特征)，利用u-relieff算法進(jìn)行評價選擇，同時和relieff算法比較，驗(yàn)證改進(jìn)算法對玻璃瑕疵特征選擇的有效性。

為了驗(yàn)證對比算法，利用relieff和u-relieff算法對上述提取的瑕疵特征進(jìn)行評價選擇，計(jì)算各個特征的特征權(quán)值排序如圖7所示。

由圖7還可以看出，relieff算法進(jìn)行特征選擇中，前四個特征值較穩(wěn)定，第五個特征值增長較高，如果以增幅超過20％作為閾值點(diǎn)的話，第五個以后的特征被選擇，即傾斜度、伸長度、矩形度、灰度標(biāo)準(zhǔn)差、閾值、圓形度6個特征被選擇作為分類的依據(jù)；同理可知，改進(jìn)算法選擇的特征為伸長度、傾斜度、圓形度、閾值、灰度標(biāo)準(zhǔn)差5個特征，把relieff算法中的矩形度特征剔除，這是由于此特征傾向于訓(xùn)練集中樣本較多的錫點(diǎn)，對識別錫點(diǎn)起到積極作用，但是對于總體分類作用不明顯，甚至導(dǎo)致錯分，因此在改進(jìn)算法中予以剔除。

依據(jù)兩種算法選擇出的特征，分別對訓(xùn)練樣本集進(jìn)行分類測試。其未經(jīng)過特征選擇時分類準(zhǔn)確率為71.96％，經(jīng)過relieff特征選擇后準(zhǔn)確率為82.83％，利用u-relieff算法準(zhǔn)確率為85.69％。經(jīng)過特征選擇，總分類識別準(zhǔn)確率提高了13.73％，其中改進(jìn)后較改進(jìn)前提高了2.86％，說明特征選擇對玻璃瑕疵分類識別的必要性。

以上所述的實(shí)施例僅僅是對本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述，并非對本發(fā)明的范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)精神的前提下，本領(lǐng)域普通技術(shù)人員對本發(fā)明的技術(shù)方案做出的各種變形和改進(jìn)，均應(yīng)落入本發(fā)明權(quán)利要求書確定的保護(hù)范圍內(nèi)。