異型沖壓工件邊緣檢測算法研究

王延年，劉成濤，馬麗娜

（西安工程大學電子信息學院，西安710048）

異型沖壓工件邊緣檢測算法研究

王延年，劉成濤，馬麗娜

（西安工程大學電子信息學院，西安710048）

為了不斷提高產品質量和生產效率，沖壓工件缺陷自動在線檢測技術在生產過程中顯得日益重要。針對這一需求，提出了基于小波分解的神經網絡和快速模糊算法相融合的異型沖壓工件邊緣檢測算法。神經網絡算法的引入，克服了快速模糊算法在圖像邊緣檢測時高頻信號得不到有效利用和檢測速度較慢等問題。在提高算法效率的同時，增強了算法的適應性。與經典的邊緣檢測算法相比較，得到的處理圖像更加清晰完整。

異型沖壓工件；小波分解；神經網絡；快速模糊算法；邊緣檢測

1 引 言

在精密沖壓生產線上異型沖壓工件的自動檢測和識別過程中，圖像處理算法會在很大程度上影響檢測與識別的效果和速度。其中關鍵是對工件圖像進行邊緣檢測，獲得清晰的工件輪廓線。但采用傳統的邊緣檢測方法對工件進行圖像處理的效果不理想，容易丟失邊緣信息，邊緣輪廓線不清晰，給進一步處理帶來困難。因此，一種能夠準確快速獲得沖壓工件邊緣信息的檢測算法非常重要。

針對上述問題，提出了一種神經網絡和快速模糊算法相融合的異型沖壓工件邊緣檢測算法。首先用小波變換對圖像分頻，然后用神經網絡和模糊算法對圖像的不同頻段分別處理。圖像的高頻部分用神經網絡方法檢測，而圖像的低頻分量邊緣比較模糊，將模糊集理論引入到圖像低頻邊緣檢測方法中，能夠達到較好的效果；然后對分離出的邊緣圖像運用差影法進行融合。兩種方法檢測出的圖像邊緣具有良好的互補性，檢測出的邊緣精確度較高。

沖壓工件圖像的獲得方法是將工件的特征信息進行光學成像，通過圖像傳感器將光信號轉變成為電信號，傳遞給計算機的圖像數據采集卡；然后圖像采集卡再將其轉換成為數字信號送入計算機，之后采用具體算法對沖壓工件圖像進行處理。

2 沖壓工件傳統邊緣檢測算法

邊緣是圖像中局部區域像素灰度值的突變，它是圖像的基本特征之一，包含著圖像絕大多數的有用信息。異型沖壓工件的缺陷檢測是實際圖像處理中較高層次的一個應用。圖像邊緣檢測的手段多種多樣，經典的邊緣提取方法是通過考察圖像的每個像素鄰域內灰度的變化，即利用邊緣鄰近的一階或二階方向導數變化規律來檢測邊緣，主要有Robert、 Laplace、Sobel、Prewitt、Canny等算子［1］。隨著科學技術的不斷發展，近年來在圖像邊緣檢測領域涌現出了一些新的技術和方法，例如小波多尺度算法［2］、模糊算法［3］、遺傳算法［4］、蟻群算法［5］等。但是上述幾種傳統檢測方法都有一定的缺陷，如圖1為待處理的原圖像，圖2，圖3，圖4分別是經過sobel算法、canny算法、模糊算法對沖壓工件圖像進行邊緣檢測后得到的處理圖像。

圖1 源圖像

圖2 sobel算法檢測的圖像

圖3 canny算法檢測的圖像

圖4 模糊算法檢測的圖像

通過實驗證明，常用的這些圖像邊緣檢測方法無法準確有效地進行沖壓工件圖像的邊緣檢測，從而給后期對沖壓工件圖像的缺陷分析帶來很多困難。基于此，提出將神經網絡和快速模糊算法相結合的方法來提取沖壓工件圖像的邊緣。

3 神經網絡和快速模糊算法相融合的圖像邊緣檢測方法

3.1 小波分解

小波變換［6］具有將圖像分成不同頻帶的特性，首先對圖像進行多次變換，每經過一次變換，圖像被分解為四分之一的子頻帶區域，如表1所示。

表1 小波分解過程

其中，LL頻帶保持了原圖像的內容信息；HL頻帶含有水平方向的高頻邊緣信息；LH頻帶含有豎直方向的高頻邊緣信息；HH頻帶含有對角線方向的高頻邊緣信息。接下來通過高通濾波器將LL頻帶數據全部清零，而HL、LH、HH三個子頻帶的數據保持不變，再經過逆變換即可得到高頻分量圖像。同理，通過低通濾波器保留低頻帶信息，去除圖像中大量邊緣信息，僅保留LL頻帶的內容，再經過反變換即可得到低頻分量圖像。

3.2 LVQ1神經網絡對圖像的高頻部分邊緣檢測

學習向量化LVQ1網絡是雙層網絡結構，第一層是無監督的競爭學習層；第二層是有監督學習的直線層［7］。通常第二層的神經元比第一層少，通過減少輸入層神經元數，消除冗余信息，進行信息壓縮。像素點的特征向量作為輸入向量Pij＝［Mij，Qij，Kij］T，邊緣點的輸出向量為［1，0］T，非邊緣點的輸出向量為［0，1］T。神經網絡的學習包括以下幾步：

1）首先指定第一層的每一個神經元為輸出神經元，得到第二層的矩陣W2為

第一層矩陣W1是一隨機矩陣。

2）每次迭代將Pij輸入到網絡，第二層的輸出指出了Pij的像素級。

3）如果Pij的像素級是正確的，則第一層的i*為輸出神經元，則有

其中：q表示迭代次數；α為學習率。

4）如果Pij的像素級是錯誤的，則有

5）返回到3），驗證每一個Pij，直到獲得想要的W1。

3.3 快速模糊算法對圖像低頻部分邊緣檢測

對于低頻部分，人們很容易丟失，但它也含有很有用的信息，所以需要對低頻部分單獨進行邊緣檢測。而低頻部分的邊緣比較模糊，通常使用Pal King模糊邊緣檢測方法［8］提取邊緣。但是這種方法消耗時間比較長，運算十分復雜且效果不是很理想。

在快速模糊邊緣檢測算法中采用了簡單的隸屬度函數，它可快速地完成圖像到隸屬度矩陣的轉換和隸屬度矩陣到圖像的逆變換，因而減少了運算時間；而且只作一次增強迭代處理，也減少了運算量。

算法的具體步驟如下：

1）行歸一化處理作為G變換，其中l是圖像的原始數據矩陣；

2）行初始化。若突出主干邊緣信息，則取μc＝0.85；若突出細節邊緣信息，則取μc＝0.4；

3）μc的值。

4）T變換。

在模糊域對圖像進行模糊增強，采用的增強算子如下：

該變換增大了大于μc或減小了小于μc的μmn值。

5）G－1運算，得到模糊增強的圖像。

6）Max和Min算子結合起來，可以獲得圖像邊緣信息。變換后圖像的邊緣矩陣為：

7）結果是否理想。如果理想，則轉8）；否則，有兩種情況，一種是μc值過小，說明提取了過多次要邊緣，這樣將無法突出主要的邊緣信息，則Up＝1；另一種情況是μc值過大，從而使細小的模糊邊緣信息消失，則Up＝0，在這兩種情況下都返回3）。

8）結束。（一般μc的取值缺省值為0.4）

3.4 差影法對兩幅檢測的圖像融合

差影法實際上是對圖像進行代數運算的一種不同叫法，代數運算是指對兩幅輸入圖像進行點對點的加減乘除計算而得到輸出圖像的運算。結合神經網絡和快速模糊算法的優點，使用差影法對兩幅邊緣圖像進行融合，設低頻邊緣圖像為GL（i，j），高頻邊緣圖像為GH（i，j），融合后的圖像為G（i，j），這里考慮到加權問題，融合算法公式為：

式中，α，β為加權因子，且α＋β＝1。將兩幅圖像的對應像素點進行加運算得到的融合圖像能清晰、全面地再現圖像邊緣。采用步驟如下：①獲取第一幅圖像的首地址以及圖像的高和寬。②開辟一塊內存緩沖區，并初始化為255。③選取進行加運算的第二幅圖像的首地址以及圖像的高和寬。④將兩幅圖像的對應像素點進行加運算，結果大于255，則置255，不大于，則將結果保存下來。⑤將內存中的結果復制回第一幅圖像的數據區。

4 實驗與結果分析

下面以異型沖壓工件圖像為例進行實驗。具體步驟如下：

1）先對圖像做一些預處理，如圖5。如利用直方圖均衡函數histeq等。

圖5 預處理后異型沖壓工件圖像

2）小波多尺度對圖像進行分解，分別對高頻和低頻部分進行邊緣檢測。如圖6所示。

圖6 小波分解后異型沖壓工件圖像高低頻信息

3）提取和圖像融合及比較。分別用LVQ1神經網絡和快速模糊邊緣檢測算法得出圖像后再進行圖像融合。最終處理圖像如圖7所示。

圖7 本文算法提取的異型沖壓工件邊緣圖像

上面得出的圖像（圖7）與圖2、圖3及圖4經過比較可以看出，上述方法較好地融合了LVQ1神經網絡邊緣檢測方法和快速模糊算法的優點。從實驗結果看，經小波分解后的圖像所分成的高頻部分和低頻部分，分別用兩種不同方法所檢測出的圖像邊緣具有較好的互補性，圖像邊緣有了較大改善，與經典的邊緣檢測算法相比，不僅檢測出的邊緣更為完整，而且算法的速度提高了近1倍以上。它既能夠提取主干邊緣，也能實現對細小邊緣的提取，適應性較強。

5 結束語

經過實驗對比，提出的異型沖壓工件邊緣檢測算法能夠準確快速的獲得工件缺陷圖像。這種算法結合了神經網絡和快速模糊算法的優點，通過實驗可以看出這種方法檢測出來的圖像邊緣輪廓比經典算子檢測出來的邊緣輪廓更加清晰，而且耗費時間較短。從一定程度上克服了經典算法對低灰度邊緣檢測的不足。若本算法應用于實際沖壓工件檢測系統之中，必將對我國自動化產業的產品在線檢測方面產生重大意義。

［1］Alerto Carpinteri，Pietro Cornetti，Kiran M kolwanker.Calculation of tensile and flexural strength of disordered material using fractional calculus［J］.Chaos，Solutions and Fractals，2004，21（3）：623－632.

［2］RAKESH R，CHAUDHURI P，MUHIHY CA.Thresholding in edge detection：a statistical approach［J］.IEEE Tram.on image Processing，2004，13（7）：927－936.

［3］耿彥峰，馬鉞.快速模糊邊緣檢測算法［J］.計算機工程，2002，5（10）：21－25.

［4］Koza J R.Genetic Programming［M］.Cambridge，MA：MIT Press，1992.

［5］胡小兵.蟻群優化原理、理論及其應用研究［D］.重慶：重慶大學，2004，3（10）：5－6.

［6］趙登峰，許純新.小波分析及其在數字圖像處理中的應用［J］.同濟大學學報，2001，29（9）：1054－1057.

［7］吳桂芳，徐科，徐金梧.基于LVQ神經網絡的冷軋帶鋼表面缺陷分類方法［J］.北京科技大學學報，2005，27（6）：732－735.

［8］周德龍，潘泉，張洪才.圖像模糊邊緣檢測的改進算法［J］.中國圖像圖形學報，2001，6（4）：353－358.

Study on Edge Detection Algorithm of Irregular Stam ping Workpiece

WANG Yan－nian，LIU Cheng－tao，MA Li－na
（College of Electronic Information，Xi＇an Polytechnic University，Xi＇an 710048，China）

In order to continuously improve quality and efficiency of product，automatic online inspection technology for the defects of the stamping workpiece appears increasingly important in the process of production.So，an irregular stamping workpiece detection algorithm based on wavelet decomposition，which integrates the neural network and the rapid fuzzy algorithm，is put forward in this paper.The shortcomings of the fast fuzzy algorithm，finding high frequency signal inefficiently and slow detection speed，are overcome by the neural network algorithm.The adaptability of algorithm is enhanced with the efficiency improved，and the processed image ismore clear and completed comparing with the classical edge detection algorithm.

Irregular stamping workpiece；Wavelet decomposition；Neural network；Fast fuzzy algorithm；Edge detection

10.3969／j.issn.1002－2279.2014.06.013

TP301.6

：A

：1002－2279（2014）06－0043－04

王延年（1963－），男，吉林省長春市人，教授，主研方向：工業控制信息系統。

2014－03－17