薄膜表面瑕疵就是在薄膜的生产过程中，由于各种原因导致表面出现缺陷。比如设备故障或性能不佳、操作人员操作不当、生产原料在传送过程中被意外污染等都可能导致薄膜表面出现。在氟塑料薄膜生产过程中，要经过较多的工序，且每个工序都可能产生一些影响，从而产生瑕疵。表面瑕疵会严重地影响塑料薄膜的质量和品质，致使产品的残次品率增加。检测系统的目的就是在产品生产过程中及时发现这些瑕疵，通过修复和预防，尽可能降低由瑕疵导致的产品质量下降，有时也同时完成瑕疵的分类。
   由于瑕疵种类众多，要找出一种能检验出所有瑕疵的通用模式识别算法的可能性不大。为了便于本文的讨论，根据氟塑料薄膜表面瑕疵的特征，并结合常见的瑕疵类型，将薄膜表面瑕疵种类简单地划分有机物污染、金属斑点、孔洞三类瑕疵。
常见的瑕疵检测算法
   基于机器视觉的瑕疵检测技术的核心内容是对采集的图像进行分析将瑕疵从背景中分离出来，瑕疵检测的图像分析算法一般有两类：一类是直接对图像的灰度值在空间域进行分析和计算;另一类是通过傅立叶变换!小波变换等算法,先把图像转换到频域,再进行分析和计算畔。
1.在空间域的瑕疵检测算法
   在空间域进行瑕疵检测的常用算法中包括灰度匹配法!数学形态法、灰度统计量法、纹理结构模型法。
   （1）灰度匹配法：它一般通过将待测产品与无瑕疵样品进行灰度比较，求出两者灰度的一种度量差,再与设定闽值比较，对待测图像做出判断。这种方法比较简洁，检测速度比较快，适合实时处理。但对图像的质量要求较高,易受噪声的影研句。
   （2）数学形态法：该算法首先根据标准无瑕疵图像的自相关函数计算产品的基本重复单元；然后计算有瑕疵产品图像像素点的灰度均值及标准差，并根据它们确定产品图像瑕疵区域与无瑕疵区域的判别闭值。由己知的无瑕疵的产品图像得到结构元素。实际检测时，首先将待检产品图像的像素点与该阂值进行逐点比较，对图像进行二值化,然后通过数学形态处理来判断待检产品是否带有瑕疵并根据瑕疵的形状确定瑕疵的类别。这种方法能够判断具体瑕疵的类别，但由于它要对像素点进行逐点二值化，因而受噪声的影响大，容易引起错误检测。其次，因为这种检测方法的计算步骤多，所以处理速度较慢。
   （3）灰度统计量法：这种算法与形态法有些相似，首先根据标准无瑕疵产品图像的自相关函数计算产品的基本重复单元。然后以基本重复单元为标准窗口大小，计算无瑕疵产品图像中每幅窗口像素点的平均灰度，并求出这些平均灰度的均值和标准差，并根据公式来确定无瑕疵窗口和有瑕疵窗口的判别闭值。这种方法的关键在于选择标准窗口的大小。窗口选择太大，虽然能降低窗口平均灰度的标准差，但是瑕疵对窗口平均灰度的影响相对减弱，从而造成漏检；另一方面，如果窗口选择偏小，标准差将会增加而使判别闭值范围很大，会引起误检。
  （4）纹理结构模型法：通过提取正常纹理中少量特征参数，建立相应的纹理模型，通过分析待检测图像找到异常信息来断定瑕疵是否存在。首先根据无瑕疵样品的图像估计该随机场模型参数，并以此为匹配模板。在实际检测时，将待检测图像的模型参数与模板进行对比，通过统计假设法对待检图像做出判断。该方法的最大优点在于采用较少的随机场模型参数表示一幅产品图像，同时又因为其模型参数的估计算法的效率高，从而减少了图像分析的总体计算量。其次由于该方法从图像时域信号统计的角度出发，它对瑕疵的检测不受瑕疵类别的限制。这种方法的不足在于仅仅通过随机场模型并不能最大限度地降低图像分析的计算复杂度和提高图像处理的速度，因而还不能实现瑕疵的快速自动检测。这种方法比较容易从整体上检测出有无瑕疵，但是难于精确地进行瑕疵分类。
2.在频域的瑕疵检测算法
   在频域进行瑕疵检测的常用算法中包括基于傅立叶变换的算法,基于小波变换的算法。
   (l)基于傅立叶变换的算法
   (a)基于傅立叶变换的检测算法
   由于纹理信号的重复性使基于傅立叶变换的方法较适于采用频谱方法进行分析。但由于基于傅立叶变换的检测方法缺乏空间域中的定位能力。因此只适合于检测全局瑕疵，而不适合检测局部瑕疵。
   (b)基于Short-time傅立叶变换的检测算法
   通过傅立叶变换可以获取信号所含的频率信息，但是并不知道这些频率信息出现在那个时间段上。基于Short-time傅立叶变换的检测方法较好地解决了这个问题。它可以描述某一局部时间段上的频率信息，能反映出一个信号在任意局部范围的频率信息。为了适应不同问题的需要，人们构造了多种形式的窗口函数，如常用的矩形窗、汉明窗等。这种方法具有空间域定位能力，具有空频域结合分析能力。它的缺点是对闭值的选取很敏感,误检率较高，并且计算量很大。
   (2)基于小波变换的算法
   小波在瑕疵检测中也具有较多的应用”小波滤波器系数和待检产品图像构成二次代价函数,再加上小波滤波器系数的正交约束条件构成一个二次函数”把瑕疵图像经该滤波器滤波,二值化后瑕疵的位置有明显的峰值”当滤波器系数个数同纹理重复单元的像素个数相等时,则说明瑕疵对自适应小波的反应最敏感”该算法一般情况下对瑕疵图像作小波分解并对小波分解的纬向!经向输出进行检测”该算法具有多分辨率的特点,以及在时频两域表征信号局部特征的能力,非常适合检测信号的奇异点,有利于瑕疵正确定位”小波变换则由于其检测畸变信号的优良特性,使之成为傅立叶变换之后在信号检测中最具发展前途的研究工具之一”
   这些频域算法计算时一般较复杂,实时性较差,同一算法对不同类型瑕疵的适应性差,因而距实际应用尚有一定距离”
   由于瑕疵具有种类多样性和形态复杂性等特点，使得此方向的研究还有待于开发出简单易行的高效算法。本文综合考虑上述各类算法的优缺点，结合氟塑料薄膜背景色单一的自身特点，采用基于灰度匹配的瑕疵检测快速算法。因此，下一节将结合本文北京,讨论三种常见的基于灰度的瑕疵检测算法。从中得到适合本文的基于灰度匹配的瑕疵检测快速算法。
三种常见的基于灰度的瑕疵检测算法
   通过对以往研究的总结和对实际薄膜图像的分析可知，薄膜图像在灰度上呈现一定规律变化，具有一定的连续性和相关性，是一个灰度渐变的过程。而瑕疵则被认为是这种灰度连续性的破坏，即在瑕疵处出现与周围灰度的突变。由此可见，对瑕疵的检测过程其实就是一个薄膜图像的灰度分析的过程。
   氟塑料薄膜瑕疵的种类较多,并且这些瑕疵大小不一，形态各异，造成这些瑕疵的原因也大相径庭。因此，目前要找到一种能检验出所有瑕疵的通用模式识别算法不太现实。因此可以将瑕疵的类型分为有机物污染、金属斑点、孔洞三类常见瑕疵。需要说明的是瑕疵的种类较多,以上分类只是包含了较常见的种类。
   三种常见的基于灰度的瑕疵检测算法分别是直接闭值分割法,多次闭值分割法,标准模板匹配法。下面以本实验所采集的瑕疵图像进行实验和比较。

图1 采集的瑕疵图像

（1）直接阐值分割法：
   对灰化后的图像直接选取闽值进行闽值分割,滤波,可以检测出瑕疵”此方法很难直接得到准确的闭值,需要依靠经验;而且对图像的质量要求较高,易受噪声的影响”
（2）多次闭值分割法：
   本实验中对灰化后的图像直接用150进行阂值分割，可以检测出金属斑点,如图2所示。由于剩下的孔洞和有机物污染差别较小，所以要进行直方图均衡化把灰度差值拉大。对直方图均衡化后的图像用35进行闭值分割，可以检测出孔洞。然而由于原图像中存在灰度值较低的金属斑点，直接进行直方图均衡化，效果必然不够明显,因此这里的均衡化仅对金属斑点以外的像素进行操作，如图3所示。为了去除由于直方图均衡化带来的噪点，达到良好的效果,这里选用了3X3模板的中值滤波器进行滤波,如图4所示。再对图像进行直方图均衡化吧灰度差值拉大，对直方图均衡化的图像用110进行阈值分割，如图5所示，由于有机物污染一般面积较大，故选取9*9领域的中值滤波进行去噪，如图6所示。
   其中，三次所选用的阈值是基于不同的领域。阈值150是直接原图像上的灰度值，阈值35是经过一次直方图均衡化新图像上的灰度值，110是经过两次直方图均衡化后新图像上的灰度值。

图2 阈值分割 图3 直方图均衡化后的阈值分割

图4 对图3进行中值滤波 图5 直方图均衡化后的阈值分割 图6 对图5进行中值滤波

（3）标准模板匹配法：
   对图像灰化后,选取没有瑕疵的一行为模板。现选取第一行为模板。从第二行起，其它各行对应位上像素的灰度值分别与第一行相减，此时构造一个与原图像大小相同的矩阵，各对应位上分别存放一次差分后的差值,这样形成一个一次差分矩阵。再分别用闽值100，25，10检测到金属斑点、孔洞、有机物污染,如7至图9所示。

图7 一次差分后阈值分割（100） 　　　　图8一次差分后阈值分割（25） 图9 一次差分后阈值分割

三种算法分别从以下几个方面加以比较:
(l)在程序执行时间上
   直接闭值分割法所用时间最少；多次阈值分割法在检测孔洞和有机物污染之前要先分别做一次直方图均衡化，再进行闭值分割，所以所用时间最多；标准模板匹配法先做一次差分，然后再用闭值分割，所以时间折中。
(2)在系统抗干扰性上
   由于实际生产的现场比试验室情况复杂，存在各种干扰。所以对于同一瑕疵的检测，闭值可调范围越大，则说明此种方法抗干扰性强。直接闭值分割法很难直接得到准确的闲值，需要依靠经验；而且对图像的质量要求较高，易受噪声的影响，所以闭值可调范围最小。多次阂值分割法中金属斑点的可调范围是140~200，孔洞的可调范围是25~40，有机物污染的可调范围是90~180。标准模板匹配法中金属斑点的可调范围是60~120,孔洞的可调范围是21~28,有机物污染的可调范围是8~14。所以，多次阈值分割法对三种瑕疵的闭值可调范围最大，标准模板匹配法次之,直接闭值分割法最小。即在抗干扰性上，多次闭值分割法最强，标准模板匹配法折中。直接闭值分割法最差，
(3)在所需的存储空间上
   直接闭值分割法是对灰化后的图像直接闭值分割，所以所需的存储空间最小；多次闭值分割法需要存储两幅直方图均衡化后的图像（检测孔洞和有机物污染时需要），然后再去闭值分割，所以所需的存储空间最多;标准模板匹配法要
保留一幅一次差分后的图像,所以所需的存储空间折中
(4)在所需人工参与上
   由于各方法所包含的处理过程不同,而导致所需人工参与的多少不同。直接阈值分割法中包含的处理过程最少，方法简单，调节范围小，当外界环境变化时，需要的人工参与最多;多次闭值分割法中包含的处理过程最多，调节范围大，能适应复杂的工况环境，需要的人工参与最少；标准模板匹配法中包含的处理过程数目折中,需要的人工参与也折中。

表1三种常见的基于灰度的检测算法性能比较

　　通过三种常见的基于灰度的检测算法的对比，并结合课题的需求，本实验中选择标准模板匹配法和多次闭值分割法分别作为粗检测和细检测的核心方法。因此，本实验采用粗检测一细检测两步策略的瑕疵检测算法。