纽扣是服装上不可或缺的重要部件，在纽扣生产过程中，可能出现内孔变形、堵孔、裂纹和色差等缺陷。以前纽扣的缺陷检测都是采用人工目测的方式完成，随着成像技术、计算机技术和图像处理技术的发展，利用机器视觉的方式进行工业产品缺陷检测对于企业来说渐渐成为一种有利的切实可行的解决方案。国内外很多企业已经将机器视觉表面缺陷检测系统引入到流水生产线上，替代人工视觉进行产品质量检测。机器视觉相对于人工目测方式有着检测速度快、稳定性好、不会疲劳能长时间工作等优点，能大大提高生产效率，纽扣企业对纽扣的自动化质量检测分拣有着迫切的需求。目前机器视觉领域较为领先的是国外品牌，如我公司代理的DALSA视觉相机及其配套软件系统。
纽扣在生产的过程中产生的多种不同类型的缺陷，难以用单一的方式进行检测。内孔缺陷主要有内孔变形、缺孔、裂纹、破损；色差缺陷主要有表面污渍、染色错误等。分类如下图：
纽扣实际大小约为2-4cm，视场大小约为50mm×50mm左右，因此选择DALSA公司 能达到640×480分辨率的CCD面阵相机。纽扣图像区域范围设置约为80mm×60mm，工作距离约为80mm，故采用焦距为8mm的定焦镜头。同时选用LED环形光源照明，获得稳定清晰的纽扣图像。照明方案如下：
视觉检测算法则分为内孔缺陷监测与色差缺陷检测两大块。内孔分别通过分割与边缘的方式提取内孔轮廓特征进行合格内孔与不合格内孔的识别；通过内孔的检测可以获得内孔的位置信息，利用内孔定位进行与模板图像的配准，检测纽扣各区域色差。纽扣的合格内孔相较于不合格内孔（变形、破损、裂纹）有着较为明显的区别，通过提取内孔轮廓特征进行合格内孔与不合格内孔的识别，从而判断内孔是否存在缺陷。缺孔与内孔变形是较为容易检测的缺陷，通常是由于纽扣打孔针的损坏导致的，在图像中表现为纽扣内孔出现一定程度的变形甚至缺孔。内孔的分割较为简单，而且便于检测内孔的变形与缺孔，同时对合格内孔进行定位。内孔破损与内孔裂纹则是更为常见的缺陷，在纽扣打孔与抛光的过程中常常出现。在这两类缺陷内孔图像中内孔是较为完好的，但在纽扣表面出现裂纹或者明显破损。破损可以视为更为严重的裂纹。
从流程图中看纽扣内孔变形缺陷及裂纹缺陷的检测有许多相似之处，都采用轮廓跟踪的方式提取出每个轮廓，再对每个轮廓提取特征进行合格内孔轮廓的识别；不同之处主要在于前期图像处理算法与特征识别所选特征的不同。内孔堵孔通过分割的方式分割内孔轮廓，能较好的保证内孔的外形轮廓，所以该轮廓同时也用于内孔的定位；而裂纹则采用Canny 边缘进行内孔与裂纹边缘的检测，采用膨胀桥接内孔边缘与裂纹边缘，从而将裂纹的检测转为内孔是否合格的检测。要进行纽扣内孔的检测，首要任务即将纽扣内孔区域从图像中分割出来，纽扣内孔在图像中表现为纽扣中心区域的黑色圆孔。内孔的分割有全局阈值和自适应阈值两种方式。OTSU阈值法与动态阈值算法对比效果如下。
左 纽扣图像 中OTSU阈值分割 右 动态阈值分割从上图可以看出，动态阈值分割出的是相对于周围像素均值较低的像素点，所以在纽扣周围一圈也被分割出来，但内孔分割效果对两类纽扣都有着较好的效果。在纽扣内孔有阴影的情况下，OTSU全局阈值则完全分割错误，不能分割出内孔区域，而动态阈值却依然能较好地分割出内孔区域。分割出纽扣内孔图像后，为了进一步单独分析每一个内孔的形状特征，必须进行连通域分析。连通域分析指通过对二值图像中前景点的标记，让每个单独的连通区域获得一个独一无二的标记号形成一个单独的块，进一步就可以获得各个不同连通区域的轮廓、质心、外接矩形等几何参数，所以连通域标记是二值图像分析的基础。获得的内孔连通域内孔轮廓后，从图中可以看出提取出的不只是纽扣内孔轮廓，也有很多由于动态阈值而形成的在纽扣外环附近的小轮廓，这些轮廓与合格轮廓在面积上有着较为明显的区别，不会影响内孔的最终识别效果。
圆形度是用于描述图像区域的一个重要特征，圆形度即一个区域的面积与具有相同周长的一个圆的面积之比，区域形状越接近圆形，其圆形度越接近1。对采集到的纽扣样本图像进行标记，并统计样本纽扣特征向量分布图如下图，其中蓝色*标记表示的是合格样本，红色圆圈表示的是有缺陷内孔轮廓的特征值。
从纽扣的正负样本特征分布图中可以看出选取的特征向量较好地区分除了正负样本，合格样本集中在圆度大于0.82的一个有限区域内，而不合格内孔的轮廓的圆形度较小，面积有着较为明显的差异。划分为合格内孔的轮廓即可视为内孔合格轮廓，获得合格轮廓的中心位置，有利于后续的进一步分析和处理。纽扣内孔有一定的成像角度，用圆拟合会有误差，因此采用轮廓的质心作为内孔的圆心可以大大减少计算复杂度，而且误差在可接受范围内。合格内孔的识别与定位效果如下图，从中可以看出程序较好地识别出了合格内孔，成功地对每一个合格内孔进行了较为准确的定位，并用绿色小圆点标志在图中。裂纹特征与内孔变形、堵孔有着较大的差别。对于不同种类纽扣的裂纹与破损，其在图像中呈现的亮度不一，裂纹较为严重，更偏黑色，而裂纹较浅的则和纽扣表面灰度相差不大难以进行图像分割。而且裂纹的形状千奇百怪，不像内孔一样有特定的形状用于识别，较难找到适合的特征描述纽扣裂纹，难以识别。但视觉系统可以利用裂纹处梯度变化较大的特性，用Canny算子进行裂纹的检测，可以有效地检测出不同梯度强度的裂纹与破损。同时，可以利用纽扣裂纹存在于内孔附近这一先验知识，将裂纹与内孔连接起来，将裂纹的检测转化为内孔的检测，将无明显规则的裂纹检测转化为对有明显规则的合格内孔的检测。图像的边缘特征是图像最基本也是最重要的特征之一，边缘的检测有利于进一步对图像的理解与分析。边缘信息是裂纹缺陷最直观明显的特征。通过设定合适的阈值可以有效保留内孔附近的边缘，滤除纽扣表面的无关边缘。Canny 算法处理效果如下图所示。从图中可以看出，Canny 边缘检测算法较好地保留了纽扣外边缘和4个内孔及裂纹信息，剔除了不必要的信息，成功地保留了我们比较感兴趣的内孔边缘与裂纹部分。而且对于左图中轻微裂纹和右图中的内孔破损都能有着较好的效果，能有效提取出裂纹与内孔边缘信息。通过形态学膨胀操作可以桥接断裂，使得内孔边缘成为一个完整的闭合曲线。采用3×3的矩形结构体对Canny边缘进行膨胀的结果图像如下图所示。通过膨胀操作，有效地将裂纹与内孔连接在一起，形成了一条闭合轮廓，成功地将裂纹的检测问题转化为对合格内孔的检测问题。通过膨胀操作将内孔与裂纹连接在一起后，再通过基于边缘跟踪的连通与分析算法，提取纽扣内孔的外轮廓，可以获得纽扣外部轮廓形状，其处理效果图如下。通过轮廓的跟踪提取可以有效地获得内孔的边界信息，从图中可以看出裂纹导致内孔的轮廓发生了较为明显的形变，而合格的内孔轮廓则依然保持着较好的圆形形状，从而可以通过轮廓区分内孔是否存在裂纹。
通过参考模板的方式将待测图像与模板图像进行对准，然后分区域进行检测。
算法分为离线学习过程和在线检测过程，通过学习过程，获得纽扣各个不同颜色分割图及各区域对应的平均色差，同时计算模板图像的内孔位置，以便于后续匹配。检测过程则利用内孔的位置进行纽扣的对准，利用学习的模板图进行纽扣各区域分割，再次计算检测纽扣图像的各区域的平均色差，验证各个区域的颜色是否出现偏差。
RGB是最常用的颜色空间模型，是一个正方体的色彩空间。对图像进行颜色聚类，即将图像的每一个像素点的颜色值（R，G，B）看作一个三维向量空间的坐标数据，4个中心颜色从下到上分别为黑色、灰色、绿色和蓝色，正是纽扣模板图像的 4个主要颜色，由图可知，聚类的效果不错，提取出了模板纽扣图像的主要颜色特征，符合人们的视觉感知。
除了基于RGB的颜色空间模型，还有HSV以及Lab空间模型，分析效果对比如下：
双线性插值被广泛应用在图像、视频信号处理中，在进行图像的旋转、缩放等处理时有着较好的插值效果，失真较小。将随机采集到的图像，利用内孔定位，通过双线性插值后校准，使待检图像与参考图像的各个区域对准。
利用模板图像对待测图像进行区域分割，获得各区域分割结果如下图。可以看出经由匹配对准后所提取出的区域效果很好，待测图像的各个部分被分割到与模板图像对应的区域中，各区域基本重合，图中缺陷区域被正确分割到了蓝色区域内。
通过逐个检测图像与模板标记图像的配准分割，可以获得检测图像的各个不同区域与该区域所对应的中心颜色，通过每个区域的统计特征可以判断该区域内是否存在较大的色差区域。
由于纽扣表面凹凸不平形成光照阴影，而且每个纽扣各个区域的大小可能有轻微的变化，统一用模板标记图像分割在区域边界处会有些许的分割误差。这些误差都会在一定程度上导致各个区域的平均色差值的增大，所以必须通过统计一定数量的合格纽扣样本模板图像的各个区域的平均色差值，作为各个区域平均色差值的评判标准值。
请关注我们微信公众号了解更多
