近年來，玻璃行業在中國迅速發展，本土企業的產能也大大提高，加之中國經濟與社會的發展，中國在未來幾年將成為最重要的玻璃生產基地之一。隨著玻璃市場的進一步擴大，國內玻璃產業迎來了前所未有的機遇，同時也面臨著來自國際市場的嚴峻挑戰。

    傳統的玻璃質量檢測方法主要是采取人工在線肉眼監視的方法，但人工檢測速度慢，人眼檢測還會受到外界因素的影響，不同的人甚至同一個人在不同的狀態下檢測標準也不盡相同,極易對缺陷造成漏檢或錯檢[1]。因此，要保證玻璃檢測的準確與穩定，就需一種客觀有效的檢測方法。
    本文研究一種基于數字圖像處理的玻璃缺陷在線檢測系統，該系統可以對玻璃在生產中出現的缺陷進行有效的檢測。本系統以CCD攝像機作為圖像傳感器，以數字圖像處理模塊為玻璃缺陷檢測的技術核心對玻璃制品進行檢測。該系統能夠客觀精確地檢測出玻璃制品的缺陷，并且不受外部環境的影響，有著較高的檢測速度與精度，對于提高玻璃產品的質量與等級有著重要意義。
1 系統結構
    玻璃缺陷檢測系統的結構如圖1所示。本系統主要由傳輸帶、照明系統、CCD攝像機及PC機等組成。其工作的大體流程為：首先CCD攝像機拍攝采集生產線上的玻璃制品圖像[2]，該圖像經過圖像采集卡變換成計算機可識別的數字信號，然后送入計算機，由計算機對得到的圖像進行檢測識別，并把處理結果實時地顯示在計算機上。

    本課題研究的玻璃是透明的，具有低的反射率，因此須采用透射照明的方式，為了使透射光線的強度盡可能大，根據透射原理，采用紅色光源；該系統的照明要確保采集到的玻璃圖像完整清晰，沒有明顯的色差，并且圖像不能失真；此外，還需考慮光源的穩定性，使用壽命等因素，綜上考慮采用紅色的LED作為光源[3]。
2 圖像預處理
    在對玻璃缺陷檢測時需要對玻璃圖像進行多次處理，通過對圖像的處理來提高對缺陷檢測的準確性，以提高玻璃的質量[4]。玻璃圖像處理流程如圖2所示。

3 缺陷特征提取及識別分類
    玻璃在生產過程中會出現氣泡、結石、光畸變等各種缺陷，本文檢測的對象就是玻璃制品上的缺陷，在檢測過程中，提取缺陷的位置、面積、灰度等特征參數組成的特征向量，然后將這些可能帶有缺陷的玻璃所具有的特征向量與已知的缺陷的特征向量進行比對[5]，以此判斷缺陷的類型，其流程圖如圖4所示。

3.1 缺陷特征提取
    缺陷特征提取通常是運用圖像模板匹配[6]的算法，圖像的匹配算法可以分為基于區域的匹配方法、基于特征的匹配方法、基于模型的匹配以及基于變換域的匹配等。
    歸一化互相關算法就是一種基于區域的匹配算法，該算法通過對比檢測圖像和模板圖像得到缺陷圖像，但該算法有計算量大、計算時間長的缺點。根據玻璃缺陷的特點，對歸一化互相關算法進行改進，并且首次運用到玻璃缺陷的檢測中。改進后的歸一化互相關算法運用傅里葉變換進行相關的運算，由于傅里葉快速變換技術比直接計算的速度要快，因此用傅里葉變換進行頻域相關計算是一種可行的方法。由于傅里葉變換將圖像由空間域轉換至頻域，因此待測圖像和標準圖像的數據在空間上的相關運算可以轉變為在頻域上的復數乘法運算。根據傅里葉分析中的相關定理可知，2個函數在頻域中的乘積等于它們在空間域中的卷積，而相關則是卷積的一種特定形式。
    由于傅里葉快速變換技術計算速度快，所以采用該方法可以顯著提高圖像的匹配速率，減少運算次數，也提高了缺陷檢測系統的檢測效率。
    根據算法將圖像進行處理，將標準模板和待檢測樣品進行比對，以得到缺陷圖像，其效果圖如圖5所示。

3.2 缺陷識別分類

    缺陷識別分類的目的在于具體細化缺陷，加強對缺陷的進一步認識，對于已發現的缺陷進行有效調整和后續補救有著重要的意義。
　目前缺陷識別分類方法主要是基于BP神經網絡[7]算法。但這種算法有著不可避免的缺點，其網絡結構不易確定，且迭代次數偏多，收斂速度較慢，因此需要對玻璃缺陷識別分類選擇一種快速有效的算法。
    本文在缺陷分類上運用的是一種改進的支持向量機算法。改進的支持向量機算法的依據原則是結構風險最小化[8]，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最優分類面，以期達到最佳分類效果。如圖6所示，圖中的#和*是兩種不同的訓練樣本，H是將其正確分開的分類線，H1、H2、H相互平行，H1、H2 都是距離H最近的兩類樣本的直線。H1與H2之間的距離即為分類距離，而最優分類線的作用就是保證正確分類的同時確保分類距離最大，將其推廣到高維空間就成為最優分類面。

    在運用支持向量機算法檢測玻璃缺陷時，選取了一種Gauss徑向基核函數,其表達式為：
    
    表2中加粗的是正確的識別結果，其他的是錯誤識別，由此可以看出,四類缺陷的識別率都在90%以上，整體的識別率也達到95%,所以總體效果較好的。
    檢測中出現誤判結果的主要原因是，有些氣泡十分細小，其外形與劃傷類似，特征不是很明顯，另外有些夾雜的形狀也不確定，這也是造成誤判的一個原因。
    本文基于數字圖像處理玻璃缺陷的檢測與識別分類中有較好的檢測效率和較高的檢測精度，在一定程度上可以滿足玻璃缺陷的檢測，在玻璃缺陷的檢測和識別分類上有較好的效果。
參考文獻
[1] 彭向前，陳幼平，余文勇.一種基于機器視覺的浮法玻璃質量在線檢測系統[J]. 制造業自動化, 2007,29(12):50-52.
[2] 劉懷廣，陳幼平，謝經明，等.浮法玻璃缺陷在線識別技術的研究[J]. 小型微型計算機系統，2011(4):738-742.
[3] 鐘球盛，胡廣華，李靜蓉.光學薄膜表面微細缺陷在線檢測方法研究[J].機械設計與制造,2011(10):102-104.
[4] 趙漣漪,徐寶杰,童亮.玻璃缺陷在線檢測系統的研究[J].北京信息科技大學學報,2011,26(4):57-61.
[5] 裴克軍.基于嵌入式圖像處理的玻璃缺陷在線檢測技術研究[J]. 電子測量技術, 2009,32(8):100-102.
[6] 張瑾,高軍,付衍文.一種基于改進動態閾值的缺陷提取算法[J].包裝工程,2012(11):107-111.
[7] 熊志明，方康玲，馮知凡，等.基于圖像處理技術的鑄坯表面缺陷自動檢測系統的研究[J].機械與電子，2010(10):38-41.
[8] 丁世飛,齊丙娟,譚紅艷.支持向量機理論與研究綜述[J]. 電子科技大學學報,2011,40(1):2-8.