0 引言
在当今社会，社会的发展脚步与人们的生活水平质量得到了显著的提升，在人们的正常工作与生活中对玻璃进行运用的需求与途径越来越广阔。然而玻璃是一种易碎物，碎了之后非常容易伤及旁人。因此，为了对玻璃的安全性进行提升，特别是在交通、建筑、家具以及装饰装修等行业，强度比较高的钢化玻璃得到了广泛使用。即便如此，钢化玻璃仍旧拥有普通玻璃抗拉强度较低等特性，发生破坏时常常带有一定的突发性及灾难性。尤其是具有缺陷的钢化玻璃，往往会产生自爆。因此，在生产运营的过程中，对钢化玻璃缺陷的检测是非常有必要的，而检测其缺陷的方式有很多，笔者认为，机器视觉化技术是一种较为理想的检测技术。
1 钢化玻璃出现自爆的原因及可行性措施
通常情况下，玻璃内的各种杂质产生相变膨胀的现象是引发钢化玻璃出现自爆情况的主要原因，硫化镍是这些杂质的主要成分，其他杂质则为氧化铝、单质多品硅以及硅铝酸钠等异质相杂质。针对钢化玻璃产生的自爆情况，很多厂家都会对钢化玻璃进行均质处理，也就是HST。具体说来就是对钢化玻璃进行再次加热，并且将温度提升到300℃左右且在一定时间内保温，使得存在缺陷的钢化玻璃能够在工厂内提前进行自我破碎。不过，从长期实践应用情况来看，采取均质处理，需要比较高的工艺技术，将所有的杂质问题都处理掉具有一定的难度。采用均质处理的方式，从某种程度上来说，的确可以有效地降低钢化玻璃的自爆率，但是对自爆这种现象进行彻底的杜绝仍旧是不可能的。也就是说，在检测钢化玻璃缺陷的过程中，仅采取均质处理的技术是远远不够的。
从大量的计算与实例统计来看，引发钢化玻璃出现自爆情况的杂质颗粒的直径通常在0.03mm-0.71mm间，平均粒径为0.31mm，可以说，与人们的视觉极限非常接近。同时，这些微粒在玻璃中都是以晶体的形式存在，如果将其放置在较为普通的光照环境下，并不能表现出其明显的特征。所以，在检测钢化玻璃缺陷的过程中，使用人工检测的方式存在比较大的难度，而且检测效率也不高，没有统一的标准。不过，采用机器视觉技术则能够很好地完成与之相对应的识别工作。
2 机器视觉化在钢化玻璃缺陷检测中的应用
2.1 机器视觉化中的光源配置
为了将钢化玻璃中的缺陷突显出来，在整个操作的过程中，光源的配置是一个非常重要的技术环节。透明材料是钢化玻璃制作的主要材料，具有较低的反射率，所以在常用的反射照明方式中，其并不是很适用，所以，可以采取透射照明的形式。为了最大限度地提升透射光线的强度，可以依据光的特点，即光的波长越长，那么其所拥有的透射能力就越强，将红光作为照明的光源。除此之外，从系统的可靠性与使用寿命等因素来看，在选择发光体时可以使用红色LED。将这一光源放置到玻璃的下方，光线便会在穿过玻璃之后通过镜头进入到相机。在这种情况下，人们便能够得到比较高的对比度，同时被检测物体较为清晰的整体轮廓也比较容易得到。
2.2 机器视觉化检测系统的关键技术
2.2.1图像预处理技术
因为受采集设备自身噪音与非理想成像条件等因素的影响，对钢化玻璃图像进行采集之后， 难以避免地会有各种干扰与噪声的存在。当噪声较为强烈时， 非常容易将噪声错误地认为是玻璃中的缺陷，因此，在分析与识别缺陷的过程，采取有效的降低或祛除噪声的方法是非常关键的。比较常用的祛噪方式有中值滤波、平均法以及维纳滤液等。在这些方式中，维纳滤液会对图像的高频成分以及边缘进行保留，不过所耗费的时间的也比较多；平均法运行的速度比较快，不过非常容易出现模糊，尤其是细节与图像边缘处。对图像进行处理通常使用边缘信息保护，能够有效地降低图像扫描的噪声与多脉冲噪声，而且使用的方式也非常简单与迅速。
2.2.2提取目标缺陷
对目标图像进行预处理之后，有必要进行二值化处理，使得其梯度特征与几何特征等能够有效地被提取出来。1979 年，日本的一位学者大津曾经提出了最大类间方差法，也叫做大津法，即OTSU 法。这一方法是一种自适应的阈值确定的方法。是将一维直方图作为基础，从而将一种自动的无参数无监督的阈值分割方法推导出来。根据图像的灰度特性，图像就会被分成两大部分，分别是目标与背景。最后，再根据目标与背景之间的类间方差对构成图像两部分的差别进行区别。简单说来就是方差越大的话，那么方差也就越大。但是，当错分出现之后，也就是部分目标错分为背景或者部分背景错分为目标，便对对这两部的分差造成较大的影响，使其变小。
2.2.3提取缺陷特征
提取与选择缺陷特征是非常重要的一大部分，它对学习算法的选择以及学习的效率能够产生比较大的影响，甚至还会对识别的正确率产生重大的影响。从某种程度上来说，它影响到的不仅仅是系统的有效性。特征的数量应该适中，不能太少，但也不能太多。机器在学习与实践的过程中，表现出来的特征个数如果太多，容易使特征出现冗余；如果太少，则会让特征不全。所以在选取特征时，最好是将缩放、旋转与评议不变性等特征选取出来，主要有缺陷的周长、面积、HU 的七个不变矩以及椭圆度等。利用机器视觉化提取钢化玻璃的缺陷特征有助于对实际情况的还原和描述。其中，神经网络具有较强的训练能力和学习能力，在对钢化玻璃缺陷的分类识别中可以更加精确地处理分类以及纠错。通常情况下，三层的BP 网络分类能力十分强，可以形成复杂的空间曲面。因此，三层BP 在钢化玻璃的缺陷分类识别中的使用尤为广泛。
3 结语
综上所述，能够引起钢化玻璃出现自爆情况的杂质颗粒尺寸，通常都超过了人们的视力极限，人工检测技术是很难对这些缺陷进行识别的。相反，使用先进的机器视觉检测的方法，则能够较为稳定、快速且高效地检测出来，而且评价的标准也较为统一，表现出来的连续性也比较好。因此，在钢化玻璃检测过程中应用机器视觉化技术是非常有必要的。