ISA Transactions 53 (2014) 834–844

Contents lists available at ScienceDirect

ISA Transactions

journal homepage: www.elsevier.com/locate/isatrans

Research Article

Surface defect detection in tiling Industries using digital image processing methods: Analysis and evaluation

Mohammad H. Karimi, Davud Asemani ⁿ

Laboratory of Signals and Electronic Systems, Electrical and Computer Engineering Faculty, K.N. Toosi University of Technology, Shariati Avenue, Tehran 1355-16315, Iran

a r t i c l e i n f o

Article history:

Received 17 June 2013 Received in revised form 21 October 2013

Accepted 21 November 2013 Available online 4 February 2014

This paper was recommended for publication by Mohammad Haeri

Keywords:

Surface defect

Tiling

Pattern recognition

a b s t r a c t

Ceramic and tile industries should indispensably include a grading stage to quantify the quality of products. Actually, human control systems are often used for grading purposes. An automatic grading system is essential to enhance the quality control and marketing of the products. Since there generally exist six different types of defects originating from various stages of tile manufacturing lines with distinct textures and morphologies, many image processing techniques have been proposed for defect detection. In this paper, a survey has been made on the pattern recognition and image processing algorithms which have been used to detect surface defects. Each method appears to be limited for detecting some subgroup of defects. The detection techniques may be divided into three main groups: statistical pattern recognition, feature vector extraction and texture/image classification. The methods such as wavelet transform, filtering, morphology and contourlet transform are more effective for pre-processing tasks. Others including statistical methods, neural networks and model-based algorithms can be applied to extract the surface defects. Although, statistical methods are often appropriate for identification of large defects such as Spots, but techniques such as wavelet processing provide an acceptable response for detection of small defects such as Pinhole. A thorough survey is made in this paper on the existing algorithms in each subgroup. Also, the evaluation parameters are discussed including supervised and unsupervised parameters. Using various performance parameters, different defect detection algorithms are compared and evaluated.

amp; 2013 ISA. Published by Elsevier Ltd. All rights reserved.

1. Introduction

Nowadays, ceramic and tile industry represents one of the most dynamic industries, including lots of innovations in various stages of production and automation. However, human vision control is still used for detection of defective products and grading and automatic grading is not yet well established [1]. Grading is implicitly related to the whole fabrication line because various surface defects such as color, image pattern, crack or scratch, arc, and bumps on the ceramic or tile originate from different stages [1]. The main challenge of automatic grading is in the image processing algorithms required for defect detection. Different challenges of grading are namely various kinds of color, different kinds of texture design, real-time processing requirement and the vast types of defects [1]. Current grading is usually done in three stages: first, tile arc is measured by a linear planer; then, size difference compared to ideal size is measured by a stacker; finally,

ⁿ Corresponding author. Tel.: 98 21 84062405, mobile: 98 9126761161; fax: 98 21 8846 2066.

E-mail address: Asemani@eetd.kntu.ac.ir (D. Asemani).

surface defects are identified by human vision and registered on the product surface with fluorescent markers. This traditional and non-automatic grading process suffers from problems such as poor performance, non-repeatable procedure, high cost, and low speed. Industrial and unhealthy environment of product line for huma-nitarian personnel is another negative factor of manual grading.

The automatic grading system would result in better perfor-mance, lower cost, and uniformity in each category of products. The current increasing demand of tile and ceramic validates the market need of automatic grading for higher production speeds [2]. In modern production lines, tiles are actually classified into five grades based on the three above mentioned evaluation criteria, in which level five is considered as losses [3].

Up to now, various processing algorithms have been proposed for intelligent grading. These methods can be divided into four main categories according to the defect detection mechanism: filtering methods, structural techniques, statistical methods, and model-based techniques (Table 1). Filtering methods usually use mathematical translation and filters or pattern recognition meth-ods for defect detection. The structural approaches consist of conventional morphological image processing and edge detection algorithms. Model-based approaches include common image

0019-0578/$ - see front matter amp; 2013 ISA. Published by Elsevier Ltd. All rights reserved. http://dx.doi.org/10.1016/j.isatra.2013.11.015

M.H. Karimi, D. Asemani / ISA Transactions 53 (2014) 834–844

835

Table 1

Different approaches of defect de

剩余内容已隐藏，支付完成后下载完整资料

---

基于数字图象处理的瓷砖表面缺陷检测的分析与评

Karimi, MH; Asemani, D

ISA TRANSACTIONS, 05/2014, 卷 53, 期 3

翻译自原文834页至838页部分

引言

陶瓷、瓷砖行业必不可少地应该包括一种分级标准去评定产品的质量。实际上,人类的控制系统通常用于分级的目的。自动分级系统对于提高产品的质量控制和营销是至关重要的。因为来自瓷砖生产线的不同阶段与不同的材质和形态通常存在六种不同类型的缺陷,所以许多图像处理技术致力于缺陷检测研究。本文调查了已用于检测表面缺陷的模式识别和图像处理算法。每种方法似乎是有限的检测缺陷的一些小组。检测技术可以分为三类:统计模式识别、特征向量提取和纹理图像分类。方法如小波变换、滤波、形态学和轮廓变换在预处理任务中更有效。其他方法包括统计方法、神经网络和基于模型的算法可以应用于提取表面缺陷。尽管如此,统计方法通常适合识别大斑点等缺陷,而小波处理等技术为检测小针孔等缺陷提供一个可接受的方案。本文彻底调查了每个类别当前的算法。同时,评价的参数包括监督和非监督参数。对不同的缺陷检测算法在使用各种性能参数的情况下进行比较和评估。

1 .介绍

当前,陶瓷和瓷砖行业是最具活力的产业之一,在生产的不同阶段和自动化生产中有很多创新。可是,人工的视觉仍然被用于检测产品的缺陷和分级而且自动化的分级系统尚未建立。分级暗含在生产线的每个部分因为各种表面缺陷,如颜色、图像模式,裂缝或划痕,弧度以及在陶瓷或瓷砖在不同阶段的碰撞。自动化分级的主要挑战在于缺陷检测所需的图像处理算法。不同分级的挑战换句话说就是存在各种各样的颜色,不同的纹理设计,实时处理要求以及很多种的缺陷。当前的分级通常是由三个阶段组成:首先,瓷砖弧度由一个线性刨床来测量;然后,大小差异是通过一个堆垛机与标准的大小进行比较;最后,表面缺陷是由人类的视觉标识并且在注册产品的表面用荧光标记。这种传统和非自动分级存在很多问题例如性能欠佳,不可重复的过程,高成本,低速度。工业和不健康的产品生产线环境对员工的影响也是人工分级的另一个负面因素。自动分级系统拥有更好的性能,更低的成本,并保证每种产品的一致性。当前的瓷砖和陶瓷需求增加要求市场为了更快的生产速度采用自动分级。在现代生产线中,基于上述三个评估标准，瓷砖实际上是被分为五个等级,其中五级被认为是不合格的。

到目前为止,各种处理算法已经实现了智能分级。根据缺陷检测机制这些方法可分为四个主要类别:过滤方法、结构技术法、统计方法和基于模型的方法(表1)。过滤方法通常使用数学转换和滤波器或模式识别方法进行缺陷检测。结构方法由传统的形态学图像处理和边缘检测算法组成。基于模型的方法包括常见图像处理模型的自回归(AR)和隐马尔可夫模型(HMM)。在统计方法中,亮度直方图统计方法通常用于缺陷检测。统计方法的特点是简单性以及低复杂性。

由于在瓷砖生产线中的各种化学和机械过程,各种类型的表面缺陷出现在最终产品上。这些缺陷通常有不同的视觉模式,有时是完全对立的。因此,所需的分级系统应该包括各种图像处理算法以涵盖不同类型的表面缺陷。

在本文中，基于输出质量和计算复杂性，对陶瓷和瓷砖生产线的分级系统所使用的算法进行了讨论和评估。在第二节中,对出现在陶瓷和瓷砖生产线中不同类型的表面缺陷进行了研究。在第三节,对不同的缺陷检测算法进行了讨论。然后,第四节处理评价参数。首先,提出可用措施评估缺陷检测算法。使用质量参数对技术进行了比较。最后,讨论在第五节总结。

2 .陶瓷和瓷砖的表面缺陷

陶瓷和瓷砖产品通过生产线时会经历不同的化学和机械阶段。瓷砖的生产由八个主要阶段组成:成型，干燥，上釉，烘烤，分级，和分类,如图1所示。上釉缺陷发生在上釉和印刷阶段。与断裂和裂缝有关的缺陷发生在成型和烘焙阶段。相比之下,边缘缺陷更多的是从上釉线往干燥窖传输过程形成的。同时,针孔缺陷通常发生在干燥窑。因此,表面缺陷可分为具有以下特征六大类(图2)。

针孔缺陷

针孔缺陷是一种产品表面出现小洞的质量缺陷。针孔大小通常小于1毫米。同时,出现针孔缺陷的产品会成为废品。这种缺陷通常发生在烘焙阶段。

釉蚀缺陷

这个问题源于一部分釉集中在瓷砖的一角或一部分。釉积累通常是在几毫米的显著扩张区域缺陷。这个缺陷出现在上釉阶段釉的分布过程中。

裂纹缺陷

最常见的缺陷就是是裂纹缺陷，这种缺陷是因为快速烘干过程中温度的快速增加或减少。瓷砖边缘的裂缝主要是由于温度上升引起的。由于温度降低造成的裂缝也称为冷裂缝或空气裂缝，这种裂缝缺陷通常是由于在干燥窖里的快速烘干导致。

斑块缺陷

在瓷砖表面存在的一种像水滴一样的斑块称为斑块缺陷。这种缺陷通常发生在进入干燥窑之前而且湿度没有调整到合适程度。

刮痕缺陷

这种故障是因为某些颜料在某方向的拖拉。这种缺陷通常发生在上釉线网干燥窖传输的过程中。

边缘缺陷

边缘缺陷通常发生在干燥窑中,但也可能来自制造过程中的其它阶段。

3.瓷砖和陶瓷产品的缺陷检测算法

表面缺陷的检测,应分析整个产品表面。所以,应该首先捕获高分辨率的图像。系统必须有适当的照明来获得一个合适的表面图像。根据表1,缺陷检测算法可分为四个主要组别。在这里,对每一组的主要算法进行讨论。
3.1 滤波法

在滤波法中,通常使用数学变换和滤波器。在这方面,可以使用线性和非线性变换。最重要的算法包括小波变换和counterlet变换,独立成分分析(ICA)、伽柏滤波器和下面讨论的人工神经网络。

3.1.1小波变换

由于多分辨率的性质,小波变换已经扩展到了许多应用程序的处理中甚至有时被称为是最强大的工具,在小波变换中,两个低通滤波器h和高通滤波器g称为双亲函数,分别使用滤波器组的方式(图3)。在图3中,输入是一个n m的图象,也有四个输出LL,LH,HL和HH，大小(n / 2)(m / 2)。在每一个阶段,输入图像被分为四个子图片。

小波变换已经被用于预处理和纹理特征提取中。2001年,Kumar和Pang提出一个基于小波包络的缺陷检测方法。在这个方法中,来自优势频率频道包含重要的信息的小波包络系数被用于纹理图像的特征。这种方法在纹理轻微变化时很有效。2005年,杨等人运用类似的方法使用有分别的小波帧检查纺织工厂的面料的缺陷分类。为了更好的描述的纺织品图像的潜在结构，自适应小波帧将比标准的要好。在这种方法中所面临的挑战是如何选择小波。此外,训练阶段非常依赖于数据点的数量。

3.1.2 Contourlet变换。

Contourlet变换最初是基于小波变换的且目标是克服小波不易选取的弱点。Contourlet变换利用多分辨率和像小波一样的空频曲线。Contourlet变换结合拉普拉斯算子以及一个直接二维滤波器组(图4)。根据拉普拉斯算子带通图像被转换为八张子图片。这个变换具有良好的去噪性能能提高图片的质量。2012年,Ai等人提出了一个新的基于Contourlet变换的特征提取方法和保留核心要点提取充分和有效的金属表面图像特征。在这项研究中在特定方向的图像信息是识别缺陷的重要点,并介绍了Contourlet变换设置方向的灵活性。这种方法的缺点是需要Contourlet变换的额外信息。然而，在这工作中，连续铸造的的木板和铝条的总表面缺陷分级率分别上升至93.55%和92.5%。

3.1.3 基因算法

基因算法可以找到一个不合适的解决方案的优化方法并搜索问题,在缺陷检测的背景下,首先用一个统计关系来确定像素对应的表面缺陷,然后相关的参数被视为基因并且基因算法会优化这些参数,这些参数可能代表阈值点或形态学方法参数。2002年,郑等人介绍了一个基于基因算法的方法来检测表面缺陷。在该算法中,形态学参数已经使用包括基本元素和阈值点。尽管这种方法非常简单,但是训练阶段仍然是一个有争议的挑战。

3.1.4 ICA

ICA算法是一个基本的源分离方法。在图像处理应用程序中,ICA算法一般假设输入图像由两个或多个独立的图像相结合。ICA算法试图找到原始图像。在缺陷检测中,缺陷应该是前景与背景图案的混合。然后,ICA用于区分前景和背景。2006年,Tsai等人提出了一种基于ICA的缺陷检测方法。他们使用了一种限制ICA模型去设计一个最优滤波器用来从噪声背景中检测表面缺陷。该算法需要无缺陷模式。同时,降低噪声的性能。

3.1.5。人工神经网络

人工神经网络(ANN)大多是用于机器学习和人工智能。在图像处理和缺陷检测系统中,神经网络作为分类器。因此,在将任何图像应用于人工神经网络中有必要提取图像特征向量。在缺陷检测时,特征向量将被人工神经网络分为无缺陷和缺陷模式两类。2008年,Suyi等人提出了一种人工神经网络用于纺织品缺陷检测。神经网络有一些缺陷,即相关的训练过程需要长时间,容易陷入局部最小值,影响算法的准确性,而粒子优化群具有良好的搜索能力,但是在这个工作中，反向传播粒子优化群(PSO-BP)算法用于神经网络的训练阶段比BP算法快。

3.1.6伽柏过滤器

伽柏过滤器是那些在空间域和频率域有相同表示的滤波器。这些过滤器可以从一个如下指数和高斯函数的组合中获得。x0,y0是空间域可接受域的中心,u0，v0代表滤波器的中心频率域。s和beta;代表椭圆高斯分布在X和Y上的标准差。尽管伽柏过滤器不是正交的,但它可以覆盖图像的完整信息,可以选择指定的频率和方向。

在表面缺陷检测应用程序中,运用伽柏过滤器可能区分缺陷,一个简单的阈值会导致缺陷区域。因此,伽柏过滤器主要用作预处理阶段。2010年,格瓦拉等人基于伽柏滤波器的规模变化介绍了一种在纺织行业中检测布料缺陷的方法。他们提出的方法存在计算复杂度高的问题。此外,该方法需要一个无缺陷图像作为参考。

3.2结构法

在结构法中,主要者和分层形式用于缺陷检测形成一个直观的过程和可理解的计算。这些方法使用形态学操作符以及边缘检测法实现缺陷检测。

3.2.1形态学法。

形态学运算符是一种基于形态学既可以对二进制又可以对灰度图像处理的方法。每个图像的输出像素值由输入像素值及其邻域决定。所有形态处理过程都使用结构元素。所以,该元素的合适的选择往往是该过程最重要的部分。关闭操作导致一些区域图像的平和,通常混合细小的断裂和消除了小洞,填补环境中的轨迹。

形态学操作符通常用于对缺陷图像的改善,平滑和噪声降低。同时,利用形态学运算符,可以实现缺陷图像的边缘检测。

2009年,姚等人基于形态学操作符提出了一种新的方法来检测纺织物纹理的缺陷。在这种方法中,首先使用伽柏小波设计形态学方法的基本元素(学习阶段)。这种算法的输入图像先后经过打开,关闭,中值滤波,关闭和阈值阶段,识别输出图像的缺陷。该方法适用于监督类型和具体缺陷。

3.2.2边缘检测算法

边缘的定义是一幅图像两个不同的区域之间的边界。有许多不同的边缘检测方法。一个最简单的边缘检测方法是利用图像的梯度,阈值分割是边缘检测的最后阶段。通过选取合适的阈值可以准确的获得图像的边缘。边缘检测方法用于检测表面缺陷中的边缘缺陷检测和图像分割。2011年,Salimian和Pourghassem提出了一种用于陶瓷和瓷砖的边缘缺陷检测方法。在这种方法中,边缘首先用精明的算法检测。然后,角的角度利用内积决定。最后,角落里被认为是一个有缺陷的边缘如果角大约是89 - 921。2006年,穆克吉等人介绍了一个基于密度缺陷检测技术和基于对象的编码方法应用于存储的有缺陷的钢锭。为了提取边缘密度,他们使用了离散余弦变换(DCT)。检测钢锭的边界后,锭表面缺陷检测通过一个基于高斯滤波器的纹理解码器完成。这种技术的问题是速度低因为它需要小块的使用。

3.3 .基于模型的方法

在基于模型的图像处理中,选择一个模型来分析所需的图像而且这个模型的参数是未知数。它包括隐藏的马尔可夫模型(HMM)。在HMM中,这个模型可以被想象为由一系列的概率连接起来的一组相关状态。其他基于模型的方法是区间有限的,自回归模型(AR)[和分形模型。

3.3.1,隐马尔可夫模型

在这里,一个独特的状态被分配给每个特性。通常情况下一些图像用于训练HMM。为了训练HMM,会用到如反向传播算法,前向传播算法,维特比和双向传播算法。如果隐马尔可夫模型用于缺陷检测、必须定义三个组件的状态,向量pi;和状态转移矩阵。在图像的零区域有缺陷或无缺陷的发生概率被表示为向量pi;。必须提醒的是图像的每个N M小区域被认为是一种状态,其中N和M代表地区的大小。从有缺陷方法到无缺陷条件的状态概率(反之亦然)用状态改变矩阵来表示。在2008年,Hadizadeh 和Shokouhi介绍一种使用一维HMM检测缺陷的方法。在此方法中,输入图像由HMM预测。然后,输出模型和输入图像之间的差异表示缺陷。该方法的主要问题之一是相关统计计算的复杂性。

3.3.2。自回归模型

AR模型包括阈值自回归模型和指数自回归模型用来表示一个简单的基于模型的方法。确定所需的纹理的AR模型参数后,与模型参数不符的特定纹理区域可以被视为缺陷区域。

2010年,基于时间序列谱分析BU等人提出了一个新方法使用基于Burg-algorithm的AR谱对纺织物纹理的缺陷进行检测。同时，这种方法的缺点是需要一个训练阶段和非确定性的统计结果。

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[148122]，资料为PDF文档或Word文档，PDF文档可免费转换为Word