基于自適應(yīng)閾值“雙K算法”的零件缺陷邊緣檢測

任浪 管聲啟 洪奔奔

摘? 要： 針對傳統(tǒng)邊緣檢測方法難以實現(xiàn)邊緣信息的準(zhǔn)確檢測問題，提出了一種零件缺陷邊緣檢測的新方法.首先對采集到的零件缺陷圖像進(jìn)行灰度化和Wiener濾波，以減少噪聲等因素對后期檢測的影響;然后，以kalman算法預(yù)估圖像分割閾值作為Krisch算法的初始閾值;在此基礎(chǔ)上，進(jìn)行零件缺陷邊緣檢測，以提高零件缺陷檢測的準(zhǔn)確性. 最后，利用MATLAB軟件對零件缺陷圖像進(jìn)行仿真試驗，驗證邊緣檢測算法的檢測效果.實驗結(jié)果表明，推薦算法檢測的平均準(zhǔn)確率達(dá)到94.38%，能夠有效實現(xiàn)零件缺陷邊緣信息的檢測.

關(guān)鍵詞： 自適應(yīng)Wiener濾波;分割閾值;Krisch算法;邊緣檢測

【Abstract】： Aiming at the problem that the traditional edge detection method is difficult to accurately detect the edge information， a new method for edge detection of part defects is proposed. Firstly， the collected part defect image is grayed and Wiener filtered to reduce noise and other factors for later detection. The influence of the image segmentation threshold is estimated by the kalman algorithm as the initial threshold of the Krisch algorithm. On this basis， the edge detection of the part defect is performed to improve the accuracy of the defect detection of the part. Finally， the MATLAB software is used to image the defect of the part. The simulation experiment verifies the detection effect of the edge detection algorithm. The experimental results show that the average accuracy of the recommended algorithm detection is 94.38%， which can effectively detect the edge information of the part defect.

【Key words】： Adaptive wiener filtering; Segmentation threshold; Krisch algorithm; Edge detection

0? 引言

在產(chǎn)品的生產(chǎn)加工，以及儲存運(yùn)輸?shù)冗^程中，受到設(shè)備磨損，外部環(huán)境等因素的影響，難免會出現(xiàn)各種缺陷，而傳統(tǒng)人工檢測方法效率低下、精度差等問題，很難滿足工業(yè)需要[1]。隨著機(jī)器視覺技術(shù)的發(fā)展，基于機(jī)器視覺的邊緣自動檢測成為可能.為此廣大學(xué)者展開了深入研究，提出了各種邊緣檢測的優(yōu)化算法[2]，使得邊緣檢測技術(shù)已經(jīng)開始廣泛

應(yīng)用于各種檢測領(lǐng)域[3-4]。

目前，零件缺陷邊緣檢測算法主要有基于大數(shù)據(jù)檢測方法[5]、基于結(jié)構(gòu)化局部二值Kirsch模式[6]、和激光掃描法[7]等。文獻(xiàn)[9]針對帶鋼表面缺陷的特點(diǎn)，提出了一種基于圖像零均值化的檢測方法，有效地抑制了圖像背景的干擾，實現(xiàn)了帶鋼缺陷的實時性檢測;文獻(xiàn)[10]采用將canny思想和Kirsch算法相結(jié)合的邊緣檢測算法，既可以抑制噪聲，又可以檢測到弱邊緣;文獻(xiàn)[11]主要針對遙感影像道路，在圖像預(yù)處理之后，采用了Krisch算子進(jìn)行邊緣提取，利用改進(jìn)的Harris算子提取特征點(diǎn)，為后期信息的矢量化提供了解決方案。這些算法雖然能夠在某些特定環(huán)境實現(xiàn)對缺陷進(jìn)行檢測，但其檢測閾值往往很難適應(yīng)工業(yè)現(xiàn)場環(huán)境變化。

針對零件表面缺陷邊緣難以準(zhǔn)確檢測問題，本文提出一種自適應(yīng)閾值的缺陷邊緣檢測算法.通過引入最優(yōu)估計技術(shù)Kalman算法[12]到邊緣檢測算法Kirsch中，實現(xiàn)零件缺陷邊緣信息的有效提取，從而實現(xiàn)圖像的背景與目標(biāo)的精確分割.

1? 零件缺陷圖像邊緣檢測

為了提高零件缺陷邊緣檢測的準(zhǔn)確性，本文提出了一種新的邊緣檢測方法。在零件圖像預(yù)處理基礎(chǔ)上，通過kalman閾值預(yù)估，得到缺陷與背景的最優(yōu)閾值，結(jié)合krisch邊緣檢測，實現(xiàn)零件缺陷邊緣信息的準(zhǔn)確提取，其檢測過程如圖1所示。

1.1? 圖像預(yù)處理

工業(yè)現(xiàn)場所采集的機(jī)械零件缺陷圖像，往往含有大量噪聲信息，因而需要圖像預(yù)處理。本文首先對采集的圖像進(jìn)行圖像灰度化，以減少后期計算量;在此基礎(chǔ)上，通過濾波算法濾除噪聲信息，減少噪聲等對后期缺陷檢測的干擾。在濾波除噪時，濾波算法選擇直接影響濾波效果。中值濾波雖然對缺陷圖像細(xì)節(jié)保留較好，但其對零件缺陷的紋理破壞很嚴(yán)重;高斯濾波對零件缺陷圖像的噪聲敏感，但會使缺陷邊緣模糊，進(jìn)而丟失弱邊緣信息，造成缺陷檢測不準(zhǔn)確等問題;均值濾波由于其本身固有缺陷，在去噪的同時，也破壞了圖像的細(xì)節(jié)部分，無法兼顧圖像細(xì)節(jié)與噪聲點(diǎn)之間的平衡。相較于其他濾波器，Wiener濾波器的適應(yīng)面更廣泛，并非針對解決某一問題的濾波器，其實用性較好，因而本文采用Wiener濾波器對零件缺陷圖像進(jìn)行自適應(yīng)濾波。

1.2? Kalman閾值預(yù)估

在對零件圖像進(jìn)行缺陷目標(biāo)提取時，閾值的選擇是一個關(guān)鍵，閾值過大或過小，都會對邊緣檢測的準(zhǔn)確性有影響，所以既要減少偽邊緣的影響，又要防止弱邊緣信息的丟失.因此引入Kalman自適應(yīng)閾值估計，為邊緣檢測提供更精確的分割閾值.具體算法如下：

1.3? Krisch邊緣檢測算法

邊緣檢測方法有很多種[14]，包括常見的邊緣檢測算法Sobel算子、Roberts算子、Prewitt算子、Canny算子、Kirsch算子、Laplace算子等，以及新的算法如基于亞像素的檢測方法[15]和融合閾值與形態(tài)學(xué)的邊緣檢測方法[16]等。隨著邊緣檢測技術(shù)的日新月異[17-18]，文獻(xiàn)[19]給出了各類邊緣檢測算法的最新研究進(jìn)展，從信噪比、定位精度、單邊緣響應(yīng)和計算效率等方面對一階和二階微分算子進(jìn)行算法對比，分析了各算法的優(yōu)缺點(diǎn)。以下詳細(xì)介紹邊緣檢測Kirsch算法.

傳統(tǒng)Kirsch算子是一種3×3的非線性方向算子，是將目標(biāo)與背景的像素各取同類平均值及平均值之差，同時取其中最大的值作為邊緣強(qiáng)度，達(dá)到邊緣檢測的目的。Kirsch不僅能夠定位目標(biāo)，還能夠很好的保護(hù)邊緣細(xì)節(jié)的信息[20]。

Krisch邊緣檢測算法是由8個卷積核組成，通過使用8個卷積核分別對圖像像素進(jìn)行卷積，然后取最大值點(diǎn)作為邊界點(diǎn).具體算法可以歸結(jié)為兩大部分：第一部分為掃描圖像，對圖像像素進(jìn)行遍歷，用8個卷積核做卷積操作以此定位圖像缺陷邊緣;第二部分比較這8個模板的結(jié)果，取最大值為目標(biāo)特征.八個模板如下：

2? 實驗仿真及分析

2.1? 實驗環(huán)境

為驗證本文算法有效性，實驗時采用本文算法與其他文獻(xiàn)經(jīng)典方法進(jìn)行對比的方法，以驗證本文的邊緣檢測方法的效果;實驗中采集機(jī)械零件缺陷圖像作為測試對象;實驗平臺是基于處理器為Intel（R） core（TM） i5-4210U，內(nèi)存4G的硬件配置系統(tǒng)下，使用matlab R2016a軟件作為仿真平臺。

2.2? 實驗步驟

首先在實驗環(huán)境下采集機(jī)械零件缺陷圖像，并進(jìn)行裁剪和預(yù)處理;然后，分別用本文算法與經(jīng)典算法進(jìn)行零件缺陷邊緣提取，分析各種檢測算法邊緣提取的效果;在此基礎(chǔ)上，對提取的零件缺陷幾何特征參數(shù)進(jìn)行客觀評價，以證明本文推薦算法的有效性。

2.3? 實驗結(jié)果及其分析

2.3.1? 邊緣檢測效果對比分析

為驗證本文算法的效果，實驗分別與其他文獻(xiàn)中經(jīng)典算法進(jìn)行對比實驗，實驗結(jié)果如圖2所示。圖2（a）為零件缺陷原圖，圖2（b）為文獻(xiàn)[8]采用Otsu改進(jìn)Canny算子的圖像邊緣檢測（即算法1）;圖2（c）為文獻(xiàn)[21]采用人工設(shè)定閾值進(jìn)行分割的方法（即算法2）;圖2（d）為人工標(biāo)記效果圖。

由圖2分析可知，在圖2（b）中算法1無法提取到缺陷目標(biāo)，由于采用自適應(yīng)濾波器改進(jìn)傳統(tǒng)高斯平滑濾波，同時用Otsu代替?zhèn)鹘y(tǒng)雙閾值檢測算法，不適用于本文實驗對象;圖2（c）算法2可定位到缺陷區(qū)域，但含有大量噪聲信息，而且邊緣連續(xù)性較低;圖2（e）采用本文提出的“雙K算法”，邊緣檢測效果與圖2（d）中人工標(biāo)記效果基本相同，在很好抑制噪聲的基礎(chǔ)上，準(zhǔn)確得到目標(biāo)缺陷特征.因此證明本文邊緣檢測算法是合理有效的，并取得不錯的檢測效果。

2.3.2? 邊緣幾何特征評價及分析

為客觀評價本文算法結(jié)果的準(zhǔn)確性，以幾何特征參數(shù)的誤差率為指標(biāo)來衡量檢測的效果.選取檢測目標(biāo)的面積、周長、形狀因子作為特征，誤差率的計算公式如下

其中，P實際表示算法實際像素值，P人工表示人工標(biāo)注得到的像素值，D表示誤差率。

為了證明本文邊緣檢測算法的準(zhǔn)確率，選用平均誤差率作為綜合評價指標(biāo)，采用類比的方法對零件幾何特征進(jìn)行對比實驗，如表1所示。

根據(jù)表1可知，算法1的零件邊緣檢測準(zhǔn)確率在1.55%～13.18%，檢測準(zhǔn)確率較低，主要原因可能是Otsu方法在目標(biāo)與背景面積相差較大時分割效果不佳。

算法2的邊緣檢測準(zhǔn)確率在40.31%～91.48%，準(zhǔn)確率較算法1有很大提高，可能原因是對圖像空間信息相差大、不敏感，但采用人工設(shè)定閾值進(jìn)行分割會降低邊緣檢測的準(zhǔn)確率;而本文算法的邊緣檢測算法準(zhǔn)確率在91.48%～99.01%，高于算法1和算法2，主要原因在于本文采用自適應(yīng)閾值的方法，能有效提取零件缺陷圖像邊緣信息。

綜上所述，對比上述幾種算法誤差率，結(jié)果分析表明，本文算法的即平均準(zhǔn)確率達(dá)到94.38%，實現(xiàn)了缺陷邊緣的準(zhǔn)確檢測，因此證明本文算法有較高的準(zhǔn)確性。

3? 結(jié)束語

針對零件缺陷邊緣的精確檢測的需要，本文通過分析該零件缺陷的特征，提出了一種基于自適應(yīng)閾值“雙K算法”的缺陷邊緣檢測方法。該方法以Wiener自適應(yīng)濾波，并結(jié)合kalman算法預(yù)估圖像分割閾值，克服krisch算法閾值自適應(yīng)性差的問題，最后較準(zhǔn)確得到目標(biāo)特征.本文方法有效抑制了背景噪聲的干擾，較為完整的提取到零件缺陷邊緣信息，證明本文算法的有效性和準(zhǔn)確性。對于目標(biāo)中存在少量的偽邊緣信息處理，將成為下一步亟待解決的問題。

參考文獻(xiàn)

何小嵩， 張占文， 榮偉彬. 基于計算機(jī)視覺的微球缺陷檢測及分類方法[J]. 強(qiáng)激光與粒子束， 2017， 29（8）： 75-79.

陳凱， 王舒憬. 基于機(jī)器視覺的圖像邊緣檢測算法的優(yōu)化研究[J]. 工業(yè)控制計算機(jī)， 2015（11）： 91-92.

李敏花， 柏猛， 呂英俊. 自適應(yīng)閾值圖像邊緣檢測方法[J]. 模式識別與人工智能， 2016， 29（2）： 177-184.

郭璇， 鄭菲， 趙若晗， 等. 基于閾值的醫(yī)學(xué)圖像分割技術(shù)的計算機(jī)模擬及應(yīng)用[J]. 軟件， 2018， 39（3）： 12-15.

Wells L J， Shafae M S， Camelio J A. Automated Surface Defect Detection Using High-Density Data[J]. Journal of Manufacturing Science & Engineering， 2016.

Kang G Y， Guo S Z， Wang D C， et al. Image Retrieval Based on Structured Local Binary Kirsch Pattern[J]. Ieice Transactions on Information & Systems， 2013， E96.D（5）： 1230-1232.

Hong-Seok P， Mani T U. Development of an Inspection System for Defect Detection in Pressed Parts Using Laser Scanned Data[J]. Annals of Daaam & Proceedings， 2014， 69（6）： 931-936.

張志強(qiáng)， 宋海生. 應(yīng)用Otsu改進(jìn)Canny算子的圖像邊緣檢測方法[J]. 計算機(jī)與數(shù)字工程， 2014， 42（01）： 122-128+141.

管聲啟， 師紅宇， 王燕妮. 基于圖像零均值化的帶鋼缺陷檢測[J]. 鋼鐵研究學(xué)報， 2013， 25（4）： 59-62.

康牧， 周震， 林曉. Canny思想和Kirsch算法相結(jié)合的邊緣檢測算法[J]. 河南大學(xué)學(xué)報（自然科學(xué)版）， 2017， 47（1）： 73-78.

楊孝翠， 孟萬利. 基于對比度增強(qiáng)和形態(tài)學(xué)的遙感影像道路提取[J]. 測繪通報， 2017（08）： 45-49.

陳政， 劉康. 閃爍噪聲下的自適應(yīng)無跡卡爾曼算法[J]. 軟件， 2018， 39（01）： 70-74

趙霆， 管聲啟， 王鵬. 基于目標(biāo)面積特征分析的帶鋼缺陷圖像分割方法[J]. 西安工程大學(xué)學(xué)報， 2015， 29（04）： 477-481.

林王兵， 許燕， 韓飛， 呂超賢， 龔佳俊， 等. 實驗室環(huán)境下的邊緣檢測技術(shù)研究綜述[J].軟件， 2015， 36（9）： 29-32

劉成志， 李軍成， 楊煉. 基于三次Bézier 曲線逼近的邊緣亞像素定位方法[J]. 軟件， 2015， 36（7）： 31-35

崔麗群， 張月， 田鑫. 融合雙閾值和改進(jìn)形態(tài)學(xué)的邊緣檢測[J]. 計算機(jī)工程與應(yīng)用， 2017， 53（09）： 190-194+200.

Xie S， Tu Z. Holistically-Nested Edge Detection[C]// IEEE International Conference on Computer Vision. IEEE， 2016： 3-18.

Ren H， Zhao S， Gruska J. Edge detection based on single- pixel imaging[J]. Optics Express， 2018， 26（5）： 5501.

張紅霞， 王燦， 劉鑫， 等. 圖像邊緣檢測算法研究新進(jìn)展[J]. 計算機(jī)工程與應(yīng)用， 2018， 54（14）： 11-18.

康牧， 王寶樹. 自適應(yīng)Kirsch邊緣檢測算法[J].華中科技大學(xué)學(xué)報（自然科學(xué)版）， 2009， 37（4）： 47-50.

王誠誠， 李文森， 雷鳴， 等. 基于目標(biāo)特征的機(jī)械零件表面缺陷檢測方法[J]. 軟件， 2016， 37（4）： 32-34.