基于機器視覺的零部件表面缺陷檢測方法研究

劉曉杰+羅印升+張旻+范洪輝

摘 要： 針對零部件表面缺陷檢測精度問題，提出一種基于機器視覺的零部件表面缺陷檢測方法。傳統的利用機器視覺對零部件表面缺陷檢測方法中，由于零部件表面的光學反射特性，因此無法對零部件表面缺陷進行高精度的檢測。提出的基于機器視覺的零部件表面缺陷檢測方法引進了差影法檢測模型，根據部件表面特征，利用分段線性灰度算法對部件表面細小的缺陷進行區域檢測，并且結合了灰度共生矩陣的換算熵作為判定的依據，最終建立的缺陷檢測模型是利用矩陣方位度和相似度之比進行高精度的檢測。為了驗證設計的基于機器視覺的零部件表面缺陷檢測方法的有效性，通過仿真試驗證明了該設計方法，結果表明該方法能夠有效地解決零部件表面缺陷檢測的精度問題。

關鍵詞： 機器視覺； 零部件表面缺陷； 差影法； 灰度計算

中圖分類號： TN912.205?34； G420 文獻標識碼： A 文章編號： 1004?373X（2017）24?0181?03

Abstract： In allusion to the precision problem of parts surface defect detection， a machine vision based detection method for defects on parts surface is proposed. For the traditional parts surface defect detection method based on machine vision， it is not possible to perform high?precision parts surface defect detection due to the optical reflection characteristic of parts surface. The difference image detection model is introduced in the proposed parts surface defect detection method based on machine vision. According to the features of parts surface， the piecewise linear gray algorithm is adopted to perform area detection for small defects on parts surface， and with the conversion entropy of the gray level co?occurrence matrix as the judging basis， the finally?constructed defect detection model utilizes the ratio of matrix orientation degree to similarity degree to perform high?precision detection. In order to verify the validation of the designed parts surface defect detection method based on machine vision， the simulation experiment was carried out. The experimental results show that the designed method can effectively resolve the precision problem of parts surface defect detection.

Keywords： machine vision； parts surface defect； difference image method； gray calculation

伴隨著工業的不斷發展，各領域中使用的零部件都要經過多重檢測才能進行使用，由于零部件生產中都是大批量生產，致使對于零部件的檢測要求快速的同時還要保持高精度[1?2]。零部件在生產加工過程中，由于使用材質以及加工成型工藝的問題，會導致零部件表面出現裂紋、劃痕、針孔等多種類型的缺陷[3]。這些缺陷會極大地影響工件的美觀程度，同時降低工件的使用性能，嚴重的可能會導致一定的安全隱患。使用機器視覺對零部件表面缺陷進行檢測，可以極大地摒棄原始的人工檢測和半機械檢測的缺陷，同時可以利用相關的程序，通過網絡連接進行遠程控制。但是，傳統的利用機器視覺對零部件表面缺陷進行檢測方法存在一定的檢測精度問題，為此本文提出一種新型的基于機器視覺的零部件表面缺陷檢測方法，這種方法可以有效地解決檢測精度問題，同時加大了檢測能力，實現了批量檢測[4?5]。

1 基于機器視覺的零部件表面缺陷檢測方法

本文設計的基于機器視覺的零部件表面缺陷檢測系統包括：圖像識別采集、圖像計算處理、信息識別對比、信息傳輸控制及執行裝置等。基于機器視覺的零部件表面缺陷檢測流程圖如圖1所示。

1.1 引進差影法

引用的差影法是把圖像中重疊并且不具有變化因素的部分減去，這樣可以在流水生產線上進行快速的對比檢測。當所處環境不變時[6]，差影法會預先設定好一個閾值，通過影像的差樣比較從而進行零部件表面檢測，閾值公式為：

假設的閾值為N，那么每一個檢測的工件為。對比相位差為：

式中：M是自定義的值域范圍；n為閾值系數；T為法旨的倒數。使用相對應計算算子確定邊框位置，這樣可以增加對比計算精度[7?8]，同時又不丟失缺陷形態特征。算子定位公式如下：

式中：gx，gy為設定好的邊緣坐標；通過線性方程組可以轉化輸出g（m，n）為：

假設原圖像的值為f（x，y），轉換梯度為：

式中，f（x，y）為設定的原樣值，經過梯度算子的轉化，可以得到對應的關鍵值。

通過查找表格可以找到對應的算子進行灰度對比運算，邊緣算子如表1所示。

使用對應的閾值和算子進行檢測，首先把區域分為若干塊，進行條件設置，如下：

式中：f（·），b（t）均為不確定函數；w（t）為對零部件表面檢測過程中存在的未知外界干擾；u（t）為控制檢測速度的量；t為系數值，方便進行大量計算。

1.2 灰度相關性質點匹配

假設的模板圖樣f（x，y）與等待檢測的f1（x，y）邊緣算子以及像素均等，為了測量兩幅圖像的相關性，使用差影法進行限制的同時，進行當兩幅圖的相似度核對，相似度達到設定的閾值，便可以標記為合格，反之亦然。相似度求取公式如下：

式中：R為相似的比對值；M，N為對應的設置系數以及實際系數。為了檢測更加精準，需要把系數歸一化運算，這樣才會不影響灰度值的波動。歸一化系數計算公式為：

進行歸一化的運算過后，提取相對應的區域，且選取的圖像為色彩圖像，因此需要繼續按三種分量劃分，保證圖像的真實度，對每一個分量進行割斷計算公式如下：

式中：t1，t2，t3，t4分別代表閾值分量、熵分量、對比度分量、倒數差分量，即：

這樣可以得到兩幅圖像在（P1，P2）處的分量關系，在（P3，P4）處的分量關系，從而可以進行精確計算，計算公式為：

式中，用A表示相聯性的大小，通過對比閾值得：

式中：W代表轉化之后參數值；n代表相應參數位的長度；分別代表參數的最大值和最小值；C代表參數二進制值。

假設的集合與原集合相比較，經過對比的區域后，得對應的矩陣式，分類模型系數矩陣為：

通過去除冗余特征對比，把矩陣中的特征轉化為值，按照值的大小和方位進行排序得： （14）

得到的結果Kx便是所要的值，這樣便實現了精確對比。

2 試驗驗證

為了驗證本文設計的基于機器視覺的零部件表面缺陷檢測方法的有效性，設計了仿真實驗，試驗中選擇傳統的利用機器視覺對零部件表面缺陷檢測進行對比，建立相對應的閾值。對某廠流水生產線上10件零件進行檢測，檢測前通過顯微檢測對每個零件進行預測，并記錄結果。首先使用傳統方法進行測量，然后設定系統閾值N為6 325.25；選高端比相位進行測量，經過測量的工件比較少所以選擇RO性算子進行計算。試驗結果如圖2所示。圖2是3號工件上的部分檢測結果，本文設計的方法檢測出來，傳統的方法沒有檢測出來，因此可以看出，本文方法檢測精度更高。試驗對比結果見表2。

通過表2可以看出，本文設計的基于機器視覺的零部件表面缺陷檢測方法能快速檢測出工件表面的缺陷，同時有效解決了檢測精度問題。

3 結 語

本文設計的基于機器視覺的零部件表面缺陷檢測方法，通過引入差影法進行檢測運算，通過實驗可以證明本文的設計能夠有效地解決傳統方法檢測精度的問題。希望通過本文的設計能給工件的檢測提供更好的方法。

參考文獻

[1] 陳向偉，肖冰，高強.基于機器視覺的柱形電子元件表面缺陷檢測[J].機床與液壓，2014（14）：116?118.

[2] 徐建亮，毛建輝，方曉汾.基于優化Gabor濾波器的鑄壞表面缺陷檢測應用研究[J].表面技術，2016（11）：202?209.

[3] 蘇俊宏，劉勝利.圓柱型高精密零件表面缺陷檢測及形貌分析[J].激光與光電子學進展，2014，51（4）：150?154.

[4] 劉元朋，張定華，桂元坤，等.用帶約束的最小二乘法擬合平面圓曲線[J].計算機輔助設計與圖形學學報，2004，16（10）：1382?1385.

[5] 張振堯，白瑞林，過志強，等.磁瓦表面缺陷的機器視覺檢測方法[J].光學技術，2014，40（5）：434?439.

[6] 吳浩.基于機器視覺的銅條表面缺陷檢測系統的研究[J].儀表技術與傳感器，2016（7）：86?88.

[7] 陳向偉，肖冰，高強.基于機器視覺的柱形電子元件表面缺陷檢測[J].機床與液壓，2014（14）：116?118.

[8] 杜柳青，余永維.磁瓦表面缺陷機器視覺檢測與識別方法[J].圖學學報，2014，35（4）：590?594.

[9] 王義文，屈冠彤，付鵬強，等.基于機器視覺的光柵表面缺陷檢測系統[J].光電工程，2016，43（9）：14?19.