玻璃纖維織物是經(jīng)編多軸向織物，由一層或多層平行的紗線按照盡可能多的方向交錯(cuò)而成的?？椢锞哂幸欢ǖ拿軐?shí)度和厚度，顏色一般為白色，生產(chǎn)時(shí)的質(zhì)量缺陷主要為劈縫缺陷，在線生產(chǎn)速度為2m/min，幅寬一般為2.5m左右，檢測(cè)精度要求為0.5mm。

本文根據(jù)生產(chǎn)實(shí)際狀況，搭建了玻璃纖維織物缺陷在線檢測(cè)系統(tǒng)平臺(tái)如圖1所示。由下圖可以看出，工業(yè)相機(jī)、鏡頭及光源組成了機(jī)器視覺檢測(cè)系統(tǒng)的圖像采集模塊。本次研究采用了全局曝光的面陣相機(jī)搭配GigE工業(yè)相機(jī)、Computa高清鏡頭。

圖1 玻璃纖維織物缺陷在線檢測(cè)系統(tǒng)平臺(tái)

解決方案：

由于織物材料為白色的玻璃纖維絲，正面光照會(huì)使圖像反光，我們將條形光源放在織物下方進(jìn)行背光照明。通過采用該圖像采集模塊可以獲得高對(duì)比度的圖像，當(dāng)織物無缺陷時(shí)，圖像上沒有透光部分，如圖2所示，織物有缺陷時(shí)，織物缺陷部分將有亮光透過，缺陷將被清晰的勾勒出來，右下圖中高亮區(qū)域即為織物的劈縫缺陷。

圖2 有缺陷和無缺陷玻璃纖維織物

采集圖像后，采用OpenCV圖像處理軟件進(jìn)行織物的質(zhì)量檢測(cè)。一般情況下正常玻璃纖維織物的紋理具有一致的周期特性和統(tǒng)一的色彩分布，但是當(dāng)織物的紋理遭到破壞產(chǎn)生缺陷時(shí)，便不再具備一致的周期性和統(tǒng)一的色彩分布，因此玻璃纖維織物疵點(diǎn)的檢測(cè)主要是采用提取織物的紋理信息和灰度分布來判斷織物的疵點(diǎn)的存在與否。因此，本文提出采用基于OpenCV機(jī)器視覺庫的圖像處理法進(jìn)行織物的缺陷檢測(cè)。

首先對(duì)圖像處理進(jìn)行平滑處理以消除噪聲干擾，然后對(duì)圖像進(jìn)行圖像分割、形態(tài)學(xué)處理和特征提取，最后對(duì)提取的缺陷特征進(jìn)行參數(shù)計(jì)算，求出圖像中的缺陷的個(gè)數(shù)、發(fā)生的位置、尺寸等參數(shù)。

圖3 織物的圖像處理過程

圖像平滑：采用均值濾波器（blur函數(shù)）對(duì)圖像進(jìn)行平滑處理，減小噪聲干擾。

圖像分割：采用全局閾值法進(jìn)行圖像分割，即利用threshold函數(shù)實(shí)現(xiàn)缺陷和背景紋理的二值化分割，有缺陷的用白色像素表示，背景紋理用黑色表示。

形態(tài)學(xué)處理：采用形態(tài)學(xué)中的閉運(yùn)算操作對(duì)二值化的圖像進(jìn)行處理，消除干擾的小雜點(diǎn)，提高缺陷的檢出率及檢測(cè)準(zhǔn)確性。

特征提?。?/strong>

利用OpenCV中findContours實(shí)現(xiàn)形態(tài)學(xué)處理后圖像的輪廓提取與分析，先采用contourArea函數(shù)計(jì)算出每個(gè)輪廓的面積，并通過與設(shè)定的面積參數(shù)比較賽選出符合缺陷面積特征的輪廓后，通過contours.size()計(jì)算出織物中缺陷的個(gè)數(shù)。

特征參數(shù)計(jì)算：為計(jì)算織物中位置和尺寸等特征，采用minAreaRect函數(shù)構(gòu)造出缺陷輪廓的最小外接矩形，由最小外接矩形中心的X和Y坐標(biāo)值、矩形的傾斜角度、矩形的寬度和高度等參數(shù)，從可計(jì)算出缺陷的特征參數(shù)。

本文根據(jù)實(shí)際生產(chǎn)情況搭建了基于機(jī)器視覺的玻璃纖維織物在線檢測(cè)平臺(tái)，結(jié)構(gòu)簡單，易于實(shí)現(xiàn)，照明方式減少了織物材質(zhì)對(duì)成像的影響，使圖像中的目標(biāo)信息與背景信息得到了最佳的分離，行程了有利于圖像處理的成像效果。有效的改善玻璃纖維織物的在線質(zhì)量檢測(cè)生產(chǎn)現(xiàn)狀，提供了可靠的技術(shù)保證為其他類型織物的質(zhì)量檢測(cè)提供了參考。