手機、電腦等電子設備一般通過膠水使其各組件連接，工業(yè)生產(chǎn)中一般采用自動點膠機進行點膠，但由于點膠機工藝水平的限制往往會導致不合格品產(chǎn)生，如少膠、斷膠、無膠等。如果不能及時檢測出這些不合格品，將會嚴重影響產(chǎn)品最終應用性能。

       傳統(tǒng)的點膠質(zhì)量檢測主要依靠人工進行，不僅耗費大量的人力物力，而且效率低下，檢測精度往往不足。隨著機器視覺的不斷興起，視覺檢測技術已經(jīng)成為國內(nèi)外研究的熱點。本文提出一種基于亞像素邊緣檢測的視覺點膠質(zhì)量檢測方法，通過細化圖像邊緣像素，結合模板匹配方法，實現(xiàn)更加高效、快速的點膠質(zhì)量檢測。

1. 檢測系統(tǒng)方案設計

       一個完整的檢測系統(tǒng)由硬件和軟件兩部分組成，硬件部分主要由工業(yè)相機、光源、鏡頭和計算機等部件組成，主要負責采集待檢測產(chǎn)品的圖像信息，其整體結構如圖 1 所示。

圖1視覺檢測系統(tǒng)

       軟件部分主要是對圖像進行分析，通過對采集到的圖像進行處理，最終確定待檢測產(chǎn)品點膠質(zhì)量及不合格原因。常用的圖像分析軟件主要有 Halcon、Opencv 等。其中，Halcon 代碼精簡，運行效率高，擁有廣泛的集成開發(fā)環(huán)境，是世界上公認具有最佳效能的商用機器視覺軟件之一，因此，本文選用 Halcon 完成點膠質(zhì)量檢測的圖像處理任務。

2.檢測系統(tǒng)實現(xiàn)

       本文針對點膠質(zhì)量檢測方法步驟可歸納如下:Step1: 分別拍攝得到標準合格產(chǎn)品與待檢測產(chǎn)品圖像。Step2: 選取標準合格產(chǎn)品圖像，對圖像進行預處理后劃分目標區(qū)域( 包含點膠區(qū)域和溢膠區(qū)域) 并通過亞像素提取法分割點膠區(qū)域與溢膠區(qū)域。Step3: 在標準合格產(chǎn)品圖像中選定模板區(qū)域( 所有產(chǎn)品圖像中相同且與目標區(qū)域無關的區(qū)域) 創(chuàng)建模板進行匹配，并根據(jù)匹配結果計算相各待檢產(chǎn)品圖像與標準合格產(chǎn)品圖像間仿射變換矩陣。Step4: 根據(jù)仿射變換矩陣搜索每一待檢測產(chǎn)品圖像中目標區(qū)域。Step5: 判斷待檢測產(chǎn)品點膠質(zhì)量，若不合格，則進一步判斷不合格原因。

2.1 圖像預處理

       在圖像采集的過程中由于環(huán)境以及待檢測產(chǎn)品自身特性等因素影響，往往會使得采集得到的圖像包含噪聲，這些噪聲的存在往往會對點膠質(zhì)量檢測結果的準確性造成影響。為了解決此類問題，在對待檢測產(chǎn)品點膠質(zhì)量檢測前，通常需要對所采集到的圖像進行降噪處理。常用的圖像噪聲處理方法有均值濾波、中值濾波等。由于均值濾波具有運算簡單、速度快、降噪效果好等優(yōu)點而被廣泛應用，因此在本文中采用均值濾波去除待檢測產(chǎn)品圖像噪聲，其處理前后結果如圖 2 所示。

圖2 降噪前后產(chǎn)品圖像對比

2.2 點膠區(qū)域提取

2.2.1 目標區(qū)域確定

       為準確提取合格產(chǎn)品標準圖像中目標區(qū)域( 點膠區(qū)域與溢膠區(qū)域) ，需要在標準合格圖像中提取包含目標區(qū)域最小范圍區(qū)域。并剔除干擾背景。如圖3所示。

圖3包含目標區(qū)域最小區(qū)域

       采用閾值分割方法對目標區(qū)域進行圖像分割，利用圖像在目標與背景處的灰度值差異設置分割閾值，從而實現(xiàn)對圖像目標區(qū)域的提取。其算法表達式為:

       其中，f 表示待分割的圖像中目標區(qū)域的灰度值，gmin和 gmax分別表示目標區(qū)域灰度閾值上下限。Ｒ 表示提取出來的目標區(qū)域。

       標準合格產(chǎn)品圖像目標區(qū)域中所包含的區(qū)域有點膠區(qū)域與溢膠區(qū)域，通過輪廓選擇以及形態(tài)學處理后可初步定位標準合格產(chǎn)品圖像中的點膠區(qū)域，目標區(qū)域中的其他部分即為溢膠區(qū)域。2.2.1 亞像素邊緣提取圖像是由像素點構成，這些像素決定了圖像所呈現(xiàn)出的效果。通過上述圖像分割可初步定位標準合格產(chǎn)品圖像目標區(qū)域中的點膠區(qū)域，由于得到的點膠區(qū)域( 邊緣) 精度也為像素級別，無法適應工業(yè)應用中高精度的檢測要求，此時就需要提取點膠區(qū)域的亞像素精度輪廓。亞像素精度是指在兩個相鄰像素之間細分，將每個像素分為更小單元，從而在軟件層面提高圖像分辨率，以滿足更高的精度要求。本文以初定位目標區(qū)域中點膠區(qū)域的外邊界和邊界像素中心作為亞像素輪廓點生成圖像亞像素邊緣。在外界因素及圖像噪聲等影響下，生成的亞像素輪廓中通常包含偽邊緣及不必要輪廓，因此需要根據(jù)長度等特征進行區(qū)分，得到點膠區(qū)域亞像素輪廓。亞像素輪廓的應用，提高了產(chǎn)品點膠質(zhì)量的檢測精度，滿足工業(yè)使用要求，如圖 4 所示。

圖4圖像邊緣

2.3 模板選定與匹配

       模板匹配是在待檢測產(chǎn)品圖像中根據(jù)已知的模板圖的某種特性進行匹配，從而得到模板圖像和待檢圖像之間的關系。模板匹配不僅可用于物品完整性檢測，也可用于物體識別，即區(qū)分不同類型物體，是最具代表性的一種圖像識別方法。模板匹配方法一般包括灰度值模板匹配和幾何特征模板匹配。由于不同產(chǎn)品圖像拍攝角度與點膠質(zhì)量的不同，導致顯示在產(chǎn)品圖像中膠水寬度、位置均發(fā)生變化，因此選用與目標區(qū)域無關的模板區(qū)域作為模板，進行待檢測產(chǎn)品圖像與標準合格產(chǎn)品圖像匹配對提高檢測結果具有重要意義。

       通過觀察圖 5 所示的幾種典型待檢測產(chǎn)品圖像可知，每個圖像均包含與目標區(qū)域無關的相同區(qū)域( 圖中紅/藍色框內(nèi)區(qū)域) ，實驗表明，選取標準合格產(chǎn)品圖像中的任意相同無關區(qū)域作為模板，能極大的提高模板匹配的效率。

圖5典型待檢測產(chǎn)品圖像

       NCC 匹配方法是灰度值模板匹配中最具代表性的方法，最初由 Ｒosenfeld 等人提出，其主要原理是根據(jù)圖像相似度值來判斷不同圖像間的相似度特性。在空間中，一維向量相似度值計算方法如式( 2) 所示:

       通過 cosθ 的值來判斷兩個向量 a 和 b 之間的相關性，當 cosθ 的值越接近 1 時，表明向量 a 和 b 之間夾角越小，向量 a 和 b 相似度越高。將該原理推廣到二維圖像中，可得用于二維圖像中，圖像相似度系數(shù)( 圖像歸一化相關系數(shù)) ，如式( 3) 所示:

       其中，mt表示模板圖像的平均灰度值，s2t表示模板圖像中所有像素灰度值的方差，t( u，v) 表示模板圖像 T 中點 ( u，v) 處的灰度值。即:

       通過計算 ncc 的值來確定模板圖像和待檢圖像之間的匹配程度。其中，ncc( r，c) ∈ ［0，1］，其值越接近 1，表明待檢圖像與模板圖像相似度越高，且當ncc( r，c) = 1 時，可認為待檢圖像與之間模板圖像完全一致。通過 NCC 模板匹配找到待檢測產(chǎn)品圖像中與模板區(qū)域相對應的位置后，為擬合待檢測產(chǎn)品圖像與標準圖之間的變換，可通過標準圖中的模板區(qū)域與待檢測圖中所找到的相對應的模板區(qū)域之間的位置和角度關系，并計算得到相應的剛性仿射變換矩陣。其中剛性仿射變換由旋轉變換和平移變換組成，其本質(zhì)是兩個矩陣在空間的映射。而圖像本質(zhì)上是數(shù)字化的矩陣，因此剛性仿射變換能夠準確的反映待檢測圖像模板區(qū)域與模板在空間中的映射關系。令模板圖像中原始點的坐標為( row1，col1) ，待檢測圖像中與模板圖像對應點坐標為( row2，col2) ，則變換前后仿射變換矩陣 HomMat2D 可表示為:

2.4 缺陷檢測結果

      通過標準合格工件圖中的點膠區(qū)域、溢膠區(qū)域以及得到的剛性仿射變換矩陣確定待檢測產(chǎn)品圖像中的點膠區(qū)域與溢膠區(qū)域位置信息，如圖 6 所示。

圖6待檢測圖像檢測區(qū)域

2.4.1 溢膠檢測

       對經(jīng)由剛性仿射變換矩陣確定的待檢測產(chǎn)品圖像溢膠區(qū)域，如圖 6a 所示，通過二值化分割方法判斷該區(qū)域中是否存在膠水部分，若存在，則表明該產(chǎn)品存在溢膠。

2.4.2 其他缺陷檢測

       對經(jīng)由仿射變換矩陣確定的待檢測產(chǎn)品圖像點膠區(qū)域，如圖 6b 所示，利用二值化分割方法提取待檢測膠水區(qū)域中白色膠水反光區(qū)域及黑色膠水不反光區(qū)域，并返回兩個區(qū)域的聯(lián)合，通過開閉運算、孔洞填充及聯(lián)通域聯(lián)合等一系列圖形處理后，根據(jù)當前產(chǎn)品面積特征設定合適閾值，并提取待檢測圖像中膠水區(qū)域中面積大于該閾值的區(qū)域，若該區(qū)域個數(shù)大于 1 即斷膠，等于 0 即無膠，等于 1 則進一步判斷是否為少膠。對通過面積特征提取出來的膠水區(qū)域腐蝕指定寬度后再計算該區(qū)域個數(shù)，若個數(shù)為 1 則為合格品，若大于 1 即少膠。為驗證算法的有效性，隨機抽取 500 個工件進行實驗，檢測結果如表 1 所示，總體檢測成功率達99． 6% ，相比不采用亞像素輪廓進行檢測，其檢測準確率提高了 11．6%。

       在本文中，單幅圖像在配置為 Core i5/2． 3GHz( CPU) 、8GB ＲAM 的計算機上最大耗時僅為354．6ms，滿足工業(yè)檢測效率要求，相對于傳統(tǒng)的人工檢測準確率和效率都有了很大的提高。

3. 結語

       根據(jù)工業(yè)生產(chǎn)需求，本文設計得到一種針對產(chǎn)品點膠質(zhì)量檢測系統(tǒng)，該系統(tǒng)基于亞像素邊緣檢測方法，與傳統(tǒng)方法相比具有精度高，效率高等優(yōu)點。并且，采用該方法設計得到的檢測系統(tǒng)對測量環(huán)境要求低，具有很強的自適應能力。實驗結果表明，該方案能準確并快速的檢測出合格品并判讀不合格品的缺陷類型，對實現(xiàn)點膠質(zhì)量工業(yè)化檢測有重要意義，并為視覺檢測技術在其他檢測領域的應用提供一定的參考。

        深圳市雙翌光電科技有限公司是一家以機器視覺為技術核心，自主技術研究與應用拓展為導向的高科技企業(yè)。公司自成立以來不斷創(chuàng)新，在智能自動化領域研發(fā)出視覺對位系統(tǒng)、機械手視覺定位、視覺檢測、圖像處理庫等為核心的20多款自主知識產(chǎn)權產(chǎn)品。涉及自動貼合機、絲印機、曝光機、疊片機、貼片機、智能檢測、智能鐳射等眾多行業(yè)領域。雙翌視覺系統(tǒng)最高生產(chǎn)精度可達um級別，圖像處理精準、速度快，將智能自動化制造行業(yè)的生產(chǎn)水平提升到一個更高的層次，改進了以往落后的生產(chǎn)流程，得到廣大用戶的認可與肯定。隨著智能自動化生產(chǎn)的普及與發(fā)展，雙翌將為廣大生產(chǎn)行業(yè)帶來更全面、更精細、更智能化的技術及服務。