机器视觉表面缺陷检测系统设计与检测精度分析
期刊: 建筑监督检测与造价 2026年第17期 DOI: 10.67328/wslwpp2727 PDF下载
机器视觉表面缺陷检测系统设计与检测精度分析
张伟142628199610100619
摘要:机器视觉检测具有非接触、速度快、一致性好的特点,正逐步替代人工目检。本文从光源、镜头与相机三要素出发,阐述了成像方案的选择依据与系统分辨率的匹配关系,分析了滤波、阈值分割、边缘提取与模板匹配等图像处理环节的作用与局限,讨论了误检漏检的成因及稳定性保障措施。研究表明,检测精度首先由光学系统决定,算法只能在成像质量允许的范围内提升识别率,因此方案设计必须从缺陷特征出发逆向确定分辨率与照明方式。
关键词:机器视觉;缺陷检测;照明设计;图像处理;误检率;系统分辨率
引言
表面缺陷如划痕、凹坑、污渍、毛刺,是影响产品外观与性能的重要因素。传统人工目检依赖经验,存在疲劳、标准不一致、速度受限等问题,在高速产线上难以胜任。机器视觉通过相机采集图像、由算法自动判别,具有稳定、可追溯的优势,已在电子、汽车、包装等行业广泛应用。
但视觉系统并非“装上就能用”。现场常见的失败情形是:算法在实验室调试良好,上线后误检率居高不下;或某些缺陷始终检不出。这类问题多数源于成像方案与缺陷特征不匹配,而非算法本身不够先进。本文从光学设计到算法处理,分析精度形成的完整链条。
一、成像系统构成与分辨率
(一)光源与照明方式
照明的目的是让缺陷与背景形成足够对比。明场照明从相机方向照射,适合检测表面污渍与颜色差异;暗场照明以低角度掠射,适合检测划痕、凹坑等引起散射的缺陷;背光照明从工件背后照射,形成剪影,适合测量轮廓与检测通孔;同轴照明则适合高反光表面的均匀照明。
选择照明方式的关键是理解缺陷的光学特性:缺陷是靠吸收、散射还是几何遮挡区别于背景。若缺陷与背景的反差本身很弱,再强的算法也难以稳定识别。工程上常需定制光源形状与角度,通过试验比较不同方案下的图像对比度,而非直接采用标准环形光源。
(二)镜头与相机
镜头决定视场与畸变。普通镜头存在透视畸变,测量类应用应选用远心镜头,其在一定景深范围内放大倍率恒定,可消除因工件高度变化引起的测量误差。光圈选择需在景深与进光量之间折中:光圈过小衍射加剧、分辨率下降,光圈过大景深不足。
相机选型关注分辨率、帧率与传感器类型。面阵相机适合静止或间歇运动工件,线阵相机适合连续运动的卷材与带材,通过行扫描拼接成像。传感器尺寸与镜头像面需匹配,否则会出现暗角或视场浪费。
二、图像处理与缺陷识别
(一)预处理与分割
预处理用于抑制噪声与增强对比。高斯滤波平滑但模糊边缘,中值滤波可去除椒盐噪声且较好保留边缘,同态滤波可校正照明不均。选择滤波方式应权衡平滑效果与边缘保持,过度滤波会把微小缺陷一并抹去。
阈值分割将图像分为目标与背景。固定阈值在照明稳定时简单有效,但抗光照变化能力差;最大类间方差法可自动确定阈值,适用于双峰直方图的图像;自适应阈值按局部区域计算,可应对照明不均。分割质量直接决定后续特征提取的可靠性,是误检的主要来源之一。
(二)特征提取与匹配
缺陷的特征包括面积、周长、长宽比、灰度均值、纹理熵等。规则缺陷如划痕呈细长形,其长宽比与方向可作为判据;凹坑呈近圆形且灰度偏低;污渍则表现为区域灰度异常而边缘模糊。通过多特征组合可有效降低误判。
模板匹配适用于有固定图案的产品,通过相关性度量定位目标区域,再在区域内比对差异。其局限是对旋转、缩放与光照变化敏感,需配合几何校正。近年来基于卷积神经网络的检测方法在复杂纹理表面表现更优,但需要足量标注样本,且推理时间与硬件成本较高,是否采用应结合节拍与缺陷样本可得性判断。
(三)误检与漏检的成因
误检多来自背景干扰:工件表面本身的纹理、加工痕迹、灰尘被误判为缺陷。漏检则多因缺陷对比度不足、尺寸小于系统分辨率或位于视场边缘。二者的此消彼长构成检测阈值的设定难题,工程上应通过收集真实缺陷样本与合格样本,绘制判别阈值对误检率与漏检率的影响曲线,按质量成本确定工作点。
三、精度保障与稳定性
(一)系统分辨率匹配
系统分辨率由视场尺寸与相机像素数决定。若要可靠检出某一尺寸的缺陷,缺陷在图像上应占据若干像素,通常要求最小缺陷尺寸对应三至五个像素以上,才能保证特征提取的稳定性。据此可反推所需像素数,进而确定相机与镜头组合。
需要强调,分辨率只是必要条件。若照明不足导致对比度低,即便像素充足也无法检出。因此设计顺序应为:先明确缺陷类型与最小尺寸,再确定照明方式获得对比度,最后按分辨率要求选择相机与镜头。颠倒顺序是方案失败的常见原因。
(二)标定与环境稳定
涉及尺寸测量的系统必须标定,用标准量块或标定板建立像素与实际尺寸的对应关系,并定期复核。镜头畸变应通过畸变校正模型补偿,否则视场边缘的测量误差会明显大于中心。
环境稳定性对长期运行至关重要。光源光衰会引起图像整体亮度漂移,应选用恒流驱动并定期校准;环境光变化会干扰成像,需加装遮光罩;工件定位偏差会改变成像角度,需保证夹具重复定位精度。这些因素在短期调试中不易暴露,却是上线后误检率上升的主因。
(三)检测节拍与算法效率
检测节拍由成像、传输与处理三段时间构成。高分辨率相机单帧数据量大,传输与处理耗时明显,节拍紧张时应优先压缩处理环节:缩小感兴趣区域、减少全图运算、将部分预处理下放到相机内部完成。采用硬件加速或轻量模型可缩短单帧处理时间,但不能以降低分辨率为代价换取速度,否则会直接牺牲检出能力。
系统投运后应持续收集误判样本并定期复核判别规则。缺陷形态随工艺调整而演化,一次调试确定的特征阈值难以长期适用。建立分类型的缺陷样本库,对每次规则修改做回归测试,是维持检出率与误检率稳定的必要工作。若长期不维护,系统会在工艺变更后悄然失效,而操作人员往往归因于设备老化。
四、实例分析
某精密轴承套圈生产线需检测外圈表面划痕,要求检出长度不小于零点二毫米的划痕,节拍为每件一秒。初期方案采用环形明场光源配普通工业相机,实验室调试可检出,上线后漏检率偏高。分析图像发现,划痕在明场下与抛光表面灰度接近,对比度不足。
改进为低角度暗场照明,使划痕因散射而呈亮线、背景保持暗场,对比度显著提升;相机换为更高分辨率型号并将视场缩小至套圈单侧,使零点二毫米划痕对应约五个像素;镜头改用远心镜头以消除因套圈高度差异引起的放大倍率变化。改进后连续抽检一千件,漏检为零,误检率低于百分之一。该案例说明,缺陷检不出应优先回到光学方案,而非反复调整算法参数。
结论
机器视觉缺陷检测的精度由光学系统与算法共同决定,但光学是基础。设计应遵循“缺陷特征—照明方式—分辨率匹配—算法选择”的顺序:先通过照明让缺陷显形,再按最小缺陷尺寸确定像素要求,最后依据缺陷形态选择特征规则或学习模型。运行阶段则需通过标定、恒流驱动、遮光与夹具精度保障稳定性。把成像质量当作第一约束,算法的作用才能被真正发挥。
参考文献
[1] 章毓晋. 图像工程[M]. 4版. 北京: 清华大学出版社, 2018: 88-156.
[2] 张广军. 机器视觉[M]. 北京: 科学出版社, 2015: 46-92.
[3] 中国机械工业联合会. 机器视觉系统 通用技术条件: GB/T 39113—2020[S]. 北京: 中国标准出版社, 2020.
[4] 中国仪器仪表学会. 工业视觉检测技术及应用[M]. 北京: 机械工业出版社, 2019: 108-146.
[5] 王田苗, 陶永. 机器人技术研究进展[J]. 自动化学报, 2014, 40(9): 1857-1869.
...