國內紫外像增強器視場瑕疵檢測技術研究現狀

丁習文，程宏昌,2，袁 淵,2，張若愚,2，楊書寧,2，楊 曄,2，黨小剛,2

（1.昆明物理研究所，云南 昆明 650223；2.微光夜視技術重點實驗室，陜西 西安 710065）

0 引言

紫外像增強器是由光電陰極、微通道板和熒光屏等組件構成的光學器件，其功能是將紫外輻射圖像轉化為可見光圖像。該器件在軍事任務中扮演著重要角色[1-2]，包括軍事目標觀察、跟蹤、制導和告警等，是現代戰爭武器裝備中不可或缺的成像器件之一。然而，紫外像增強器的視場瑕疵對其探測性能有嚴重影響，這些瑕疵不僅會降低圖像質量和視覺效果，還會損害圖像信息的準確性。視場瑕疵主要源于組件材料的自身缺陷和制造過程中引入的污染，而且瑕疵的產生是不可避免的。因此，視場瑕疵檢測作為一種輔助手段，旨在篩選出不同視場等級的紫外像增強器，以滿足多樣化的使用需求。

視場瑕疵檢測技術最初是應用于微光像增強器，由于紫外像增強器與其結構相似[3]，并且視場瑕疵的特征基本相同，使得該技術在兩者之間具有一定的通用性。但是，相較于微光像增強器，紫外像增強器的視場中存在著更多、更復雜的瑕疵。因此，深入研究紫外像增強器視場瑕疵問題并提出更有效的瑕疵檢測方法，是當前亟待解決的問題。

鑒于目前國內尚未有對紫外像增強器視場瑕疵檢測技術進行全面、詳盡的綜述文獻，于是參考了相應的微光像增強器視場瑕疵檢測技術[4-9]，通過對相關文獻進行了歸納梳理，對紫外像增強器視場瑕疵檢測技術展開了研究。研究的重點在于探討“紫外像增強器視場瑕疵”、“紫外像增強器視場瑕疵檢測技術”以及“紫外像增強器視場瑕疵檢測技術的未來發展趨勢”這三個方面。

1 紫外像增強器視場瑕疵

1.1 視場瑕疵的定義

視場瑕疵更多是基于人類觀感的概念，嚴格來說，視場中所有影響觀察的因素都可以被稱為視場瑕疵。在機器視覺任務中，需要提供一個可以量化的定義，即在紫外輻射照射下，待紫外像增強器工作狀態穩定后，通過采集熒光屏輸出的圖像并對其灰度值分布進行統計，可以準確辨別出那些灰度值超過平均灰度值10%的圖像區域，這些區域呈現出不同的形狀圖案，被視為視場中的瑕疵[4-6]。

紫外像增強器視場瑕疵主要包括兩部分[4]：

1）在無紫外輻射的情況下，加以額定工作電壓，觀察熒光屏是否存在比周圍亮得多的點狀、條紋、發射點和其它形狀的圖案；

2）當有紫外輻射的情況下，正常工作條件下觀察熒光屏圖像中的各規定區域內是否出現超出規定對比度的亮點及暗點。

圖1 展示了紫外像增強器視場圖像中的一些典型瑕疵，包括(a)暗點、(b)亮點、(c)條紋狀、(d)暗斑、(e)亮斑和(f)發射狀。紫外像增強器視場瑕疵通常表現出同一類別但形態各異，與熒光屏背景之間有一定對比度等特點。

圖1 采集的視場圖像中典型瑕疵示例Fig.1 Typical defect examples in the field of view image acquisition

1.2 視場瑕疵檢測標準

紫外像增強器視場的檢測需求很明確，即判別瑕疵的數量、位置、大小。因此一個合格的紫外像增強器，需要在正常工作情況下滿足以下標準：

1）在無紫外輻射條件下，熒光屏各區域不應存在固定位置的亮點；

2）在有紫外輻射條件下，熒光屏無干涉條紋且各區域的暗點數量、大小不應超過規定值。

其中，非圓形暗斑的大小用等面積圓點的直徑表示；當兩個暗斑或更多點之間的距離小于該區域最大點直徑時，將所有暗斑看作一個圓形點。

表1 展示了輸出窗口直徑為18 mm 的紫外像增強器視場暗點的檢測標準[6]。

表1 視場中各分區允許不同大小暗點存在的數量Table 1 The allowed number of scotoma of different sizes in each zone of the FOV

1.3 視場瑕疵檢測的難點

目前在紫外像增強器視場瑕疵檢測中，通常使用人工和機器視覺檢測方法。由于視場瑕疵存在特殊的性質，會給視場瑕疵檢測帶來一定的困難。

1.3.1 同類瑕疵之間存在靠近現象

在紫外像增強器視場瑕疵檢測中，同類或異類瑕疵之間出現交疊、靠近的現象非常常見。當多個同類瑕疵相互交疊時，它們往往會被視為一個瑕疵，即每個位置上只會出現一類瑕疵。然而，當同類多個瑕疵之間過于接近時，也會被判定為一個瑕疵。因此，如何處理視場中多個相互靠近的同類瑕疵成為了檢測中的一個難題，如圖2所示。

圖2 同類瑕疵存在相互靠近的情況Fig.2 Similar defects are close to each other

1.3.2 大部分瑕疵占據圖像面積小、分布廣

通常，普通待檢測物體在圖片中占據的面積大小一般在1%～50%之間，而且待檢測物體的數量也不是很多，因此很容易被檢測算法識別出來。

然而在紫外像增強器視場中，瑕疵通常只占整張圖片不到1%的面積，而且它們雜亂地分布在綠色熒光屏背景下的各個位置，如圖3所示。這無疑給紫外像增強器視場瑕疵檢測帶來了困難。

圖3 視場中小瑕疵數量多、分布雜亂Fig.3 The number of small defects in the field of view is large and the distribution is messy

此外，紫外像增強器視場圖像通常是由高清攝像機拍攝的，具有較高的像素，這給后續的數字化處理帶來了一些不便?？赡苄枰獙D片進行壓縮處理，但這樣就會導致一些小瑕疵的信息丟失。

1.3.3 不同種類瑕疵存在數量、形態差異

為了確保對視場瑕疵圖像的數據分析可靠性，采集了共計1331 張不合格的微光像增強器和紫外像增強器的視場圖像樣本，并對兩者共同存在的各類瑕疵占比情況進行了統計分析（詳見表2）。從表中的結果可以觀察到，暗點（Scotoma）是占據相當大比例的瑕疵類型，因此其也是視場瑕疵檢測中的主要檢測對象。其次，根據紫外像增強器視場樣本的實際情況，盡管條紋狀瑕疵的占比極低，但是它們卻呈現出更多樣的表現形式，有的發白，有的發黑，并且主要分布在紫外像增強器視場邊緣區域。綜上可知，在設計瑕疵檢測算法時，需要考慮樣本數量，并為數量較少且形狀復雜的瑕疵設計專門的算法，以實現更準確的檢測效果。

表2 樣本中各類型瑕疵數量占比情況Table 2 The proportion of each type of defect in the samples

2 視場瑕疵檢測技術

2.1 人工檢測

人工檢測是一種基于人眼直接感知的方法。與微光像增強器可以直接觀察熒光屏的輸出圖像不同，由于設備間可能存在連接不緊密的情況，會導致紫外輻射的泄露，直接觀察可能會對人眼造成無法估計的損害。因此，為了操作安全考慮，紫外像增強器的視場瑕疵人工檢測需通過圖像采集裝置進行觀察。操作流程如圖4所示：待紫外光源系統處于穩定工作狀態時，檢測人員通過目視檢查采集到的紫外像增強器視場圖像來判斷是否存在瑕疵，并確定其位置和大小。

圖4 人工檢測示意圖Fig.4 Manual detection diagram

紫外像增強器視場瑕疵的人工檢測方法簡單易行、操作靈活，并能夠較準確評估視場瑕疵的嚴重程度。與此同時，紫外像增強器需要借助圖像采集裝置，因此在采集過程中不可避免地會引入噪聲，會干擾視場瑕疵檢測的最終結果。

2.2 機器視覺視場瑕疵檢測

機器視覺檢測方法在紫外像增強器視場瑕疵檢測中相較于人工檢測方法具有優勢，可以利用算法消除部分噪聲的影響，有效提高視場瑕疵檢測準確率?；玖鞒倘鐖D5所示，包括以下3 部分：

圖5 基于機器視覺瑕疵檢測流程Fig .5 Defect detection process based on the machine vision

1）圖像采集

利用紫外光源、相機等設備獲取待測紫外像增強器的視場瑕疵圖像；

2）圖像預處理

對采集到的視場圖像進行去噪、增強等處理，旨在消除圖像采集過程中引入的噪聲和模糊，以便進行后續的瑕疵檢測；

3）瑕疵檢測

包括視場瑕疵的特征提取、特征篩選和分類器的使用，其主要任務是利用從視場圖像中提取到的有效特征信息進行瑕疵的判別。

2.2.1 基于圖像閾值分割算法

紫外像增強器視場中的瑕疵灰度特征相似或接近，而與熒光屏背景的灰度特征則有明顯差異。閾值分割法就是通過設定適當的灰度閾值，將視場圖像的像素點分為熒光屏背景和瑕疵兩類，從而圖像被分離成多個不重疊的背景區域和瑕疵區域。

由于實現簡單、計算量小且性能較穩定，閾值分割法成為視場瑕疵檢測中最基本且應用最廣泛的方法之一。其中閾值的選取是圖像閾值分割方法的關鍵，如果閾值過小，會將噪聲誤判為瑕疵；而閾值過大，則可能忽略一些變化不明顯的瑕疵。

關于灰度閾值的確定方法。許光正等人[4]根據視場圖像平均灰度的30%設定了固定閾值，首次實現了用CCD 成像系統代替人眼進行像增強器的瑕疵檢測，主要適用于熒光屏背景和瑕疵灰度值區別明顯的情況。該方法不僅能統計瑕疵的數量，還可以對瑕疵進行初步定位，提高了視場瑕疵檢測效率并具有較強的實時性。王吉暉等人[5]在此基礎之上根據視場瑕疵在熒光屏背景不同區域灰度區別較大的情況，采用了多區域閾值的方法。將視場圖像分為中心、中間和邊緣3 個區域，并分別設定了10%、10%、40%的不同對比度閾值。進一步提高了像增強器視場瑕疵測試的精度要求。

趙清波等人[6]為滿足不同檢測環境采用了可調節閾值的方法，通過計算鄰近3 個像素點的灰度特征值方差，當方差超過預設閾值時，將該點標記為瑕疵。該方法可以解決瑕疵目標與熒光屏背景的灰度值區別不明顯的情況，可以根據視場圖像的具體情況手動調節以達到最佳的檢測狀態。

2.2.2 基于圖像邊緣分割算法

基于邊緣分割的方法利用視場圖像中瑕疵目標與熒光屏背景之間灰度值的不連續特性，可以通過微分的方式檢測出它們之間的交界線。常見的邊緣檢測算法包括一階微分邊緣檢測算子（Robert 算子、Prewitt算子、Sobel 算子等）和二階微分邊緣檢測算子（Laplace 算子、Canny 算子等）兩大類。

富容國等人[7]設計了一種類似于Robert 邊緣算子的簡化算法，用于檢測視場瑕疵的邊緣。隨后再將識別到的邊緣像素點標記為紅色，最后使用黃色框體對該區域進行標記，最后檢測效果如圖6所示。這種方法可以簡便、快速地檢測紫外像增強器視場中的瑕疵，但在實際測試過程中會偶爾出現瑕疵邊緣定位不準確的情況。

圖6 基于簡化版Robert 算法的視場瑕疵檢測Fig.6 Defect detection based on simplified Robert algorithm

二階微分邊緣檢測算法相較于一階算法對瑕疵的定位更加準確，但對噪聲敏感。楊琦等人[8]就在圖像降噪處理后使用Canny 算法去識別視場瑕疵的邊緣，如圖7(a)所示，然后，參考區域生長算法的思想，從瑕疵的內部向邊緣逐漸代替原有的灰度值，呈現的結果如圖7(b)所示，達到了較為良好的紫外像增強器視場瑕疵檢測效果。

圖7 基于Canny 算法的視場瑕疵檢測Fig .7 Defect detection based on Canny algorithm

2.2.3 基于信噪比的檢測方法

陰極面損傷、高壓放電、微通道板盲孔、以及工藝過程等因素都可能導致紫外像增強器視場出現各種形狀的瑕疵[8]。換句話說，瑕疵的出現實際上意味著該區域存在局部器件故障問題，因此也會在某些檢測中得到體現。

周斌等人[9]就采用了一種基于噪聲理論的時空信噪比瑕疵檢測方法。時空信噪比是一種綜合考慮時域和空域信息的信噪比度量方式，用于衡量信號在時間和空間上的質量和強度。該方法能夠達到像素級的測試精度，并且不受瑕疵形狀和位置的限制，可以實現瑕疵的快速、準確檢測。實驗過程中在熒光屏坐標為（98，100）的位置故意引入了一個瑕疵。圖8 展示了基于時空信噪比檢測方法的結果，其中顯示在Y＝100和X＝98 的位置（即紅框標注的地方）信噪比出現了明顯的差異，這與事先人為引入瑕疵的位置完全相同。

圖8 在熒光屏中人為引入1 個瑕疵的測試結果Fig.8 The test results of intentionally introducing one defect on the fluorescent screen

2.2.4 機器視覺檢測方法的對比

機器視覺技術在紫外像增強器瑕疵檢測領域扮演著重要角色，不同檢測技術的對比如表3所示，其主要特點是結合了快速和自動化。相比于人工檢測方法，機器視覺技術能夠更快速、便捷地檢測出瑕疵，從而顯著提高了檢測的質量和效率。

2.3 目前檢測方法存在的不足

綜上所述，對人工檢測和機器視覺檢測存在的不足進行了歸納總結。

人工檢測方法存在的不足：

1）檢測結果受檢測人員的主觀因素影響較大，不同人可能對同一視場瑕疵存在判斷差異；

2）人工檢測速度較慢，面對復雜視場瑕疵情況容易漏檢或重復計數，并且長時間的目視觀察會導致視覺疲勞，從而影響檢測的準確性；

3）勞動力成本高。紫外像增強器視場情況復雜，視場瑕疵檢測需要培養專業的檢測人員。

機器視覺技術相較于人工檢測效率有所提升，但也存在著以下一些不足：

1）對檢測環境要求較高。在實際應用過程中噪聲干擾、目標遮擋以及光源變化會影響檢測效果；

2）處理能力不足。機器視覺技術基于人工設計特征，無法考慮到視場中所有可能出現瑕疵的情況，因此在處理復雜形狀的瑕疵（如條紋、發射狀等）時相對較弱，需要人工干預來輔助檢測或者重新設計特殊的算法來解決；

3）沒有完善的評價指標。在調研的文獻資料中，均未提及可以量化的檢測方法評價指標，無法直觀地衡量不同檢測方法之間的性能提升程度。

通過對人工檢測以及機器視覺檢測進行對比分析，如表4所示。表明了無論是人工檢測還是機器視覺檢測在面對紫外像增強器的復雜視場瑕疵情況下均存在著檢測效率不佳的問題。因此，需要一種新的紫外像增強器視場瑕疵檢測方法來解決當前存在的不足和挑戰。

表4 人工檢測與機器視覺檢測的對比Table 4 Comparison between manual detection and machine vision detection

3 發展趨勢

針對當前視場瑕疵檢測方法的局限，相關領域研究人員正在積極探索更有效和更具魯棒性的視場瑕疵檢測方法，特別是隨著深度學習技術的不斷完善，為視場瑕疵檢測的發展帶來了巨大的機遇。

深度學習的概念源自于人工神經網絡，它是一種具有深層結構的神經網絡，能夠自動學習和提取輸入數據的特征，可以在一定程度上解決之前機器視覺檢測中面對復雜情況檢測效果不佳的問題。同時，基于深度學習的瑕疵檢測技術有著相對完善的評價指標，便于直觀評價不同算法的性能優劣。

國內已經有許多基于深度學習技術的其他工業領域瑕疵檢測成功案例。其中，國內?？低暪咀灾餮邪l的Vision Master 算法平臺[10]，包含了上百種功能完善、性能優秀的深度學習圖像處理算法，可滿足工業中定位、測量和識別的檢測需求，如圖9所示。其在2018年發布的“合智能”系列攝像機[10]，嵌入了多種高效的深度學習算法，適用于各種復雜場景，能夠輕松實現瑕疵圖像的采集和分析，顯著提高了瑕疵檢測的效率。此外，還有凌華科技、大恒圖像、視覺龍、凌云光子、OPT、三姆森和微視圖像等國內公司也在開展基于深度學習的瑕疵檢測技術研究[11]。

圖9 ?？低昖ision Master 算法平臺的檢測效果：(a)表面亮斑；(b)表面劃痕；(c)形狀異常；(d)輪廓殘缺；(e)劃痕檢測；(f)字符缺陷；(g)崩邊檢測；(h)污漬檢測；(e)劃痕檢測；(f)字符缺陷；(g)崩邊檢測；(h)污漬檢測Fig.9 The detection results of Hikvision's Vision Master algorithm platform:(a)Surface speck;(b)Surface scratch;(c)Shape anomaly;(d)Contour incomplete;(e)Scratch detection;(f)Character defect;(g)Edge collapse detection;(h)Stain detection

目前，基于深度學習的瑕疵檢測方法[12]大致有以下幾種：卷積神經網絡（convolutional neural networks，CNN）、全卷積網絡（fully convolutional networks ，FCN）、自編碼器（auto encoders，AE）、殘差網絡（residual network，ResNet）、深度置信網絡（deep belief network，DBN）以及循環神經網絡（recurrent neural network，RNN）。同時，將深度學習相關研究在其他工業領域瑕疵檢測的應用進行了部分梳理匯總，詳情見表5。

表5 基于深度學習的瑕疵檢測的部分研究應用Table 5 Some research applications of defect detection based on deep learning

可以看出，基于深度學習的瑕疵檢測技術已經在其他工業領域得到了廣泛的應用。在相對復雜的瑕疵情景下，尤其是針對小瑕疵的TFT-LCD 以及手機屏幕等場景，深度學習技術都表現出了出色的檢測效果。通過這些實踐證明，可以得出結論：基于深度學習的瑕疵檢測技術在紫外像增強器視場領域有十分廣闊的應用前景，可以進行相應的嘗試。

4 總結

視場瑕疵檢測技術在紫外像增強器制造中扮演著至關重要的角色，它的目的是對產品進行質量篩選。目前，雖然人工檢測和機器視覺檢測在紫外像增強器視場瑕疵檢測的研究方面已經取得了可觀的效果，但在實際應用中仍存在檢測效率不高的問題，這在一定程度上限制了它們的實用性。

相比之下，基于深度學習的瑕疵檢測技術已經在部分工業領域取得了優秀的性能表現。為了能夠有效解決現階段紫外像增強器視場瑕疵檢測領域存在的一些檢測難點，例如瑕疵分布雜亂、瑕疵尺寸較小以及檢測過程中需要人工輔助判別等。并且能夠進一步提高紫外像增強器視場瑕疵檢測的準確性和魯棒性，以實現更加智能化視場瑕疵檢測的目標?；诖?，建議在紫外像增強器視場瑕疵檢測領域應用深度學習技術。