利用圖像識別進(jìn)行機械零件質(zhì)量檢測的方法研究

龐 博

(商丘職業(yè)技術(shù)學(xué)院，河南 商丘 476100)

隨著計算機技術(shù)的不斷發(fā)展，機器視覺在機械行業(yè)越來越廣泛地被應(yīng)用于產(chǎn)品識別、檢測、裝配等領(lǐng)域[1-2].應(yīng)用于零件識別的機器視覺系統(tǒng)的核心是零件圖像識別技術(shù)[3].當(dāng)機械設(shè)備處于運行狀態(tài)時，在各種不同的壓力作用下，其內(nèi)部的零部件的損壞往往會使機械設(shè)備產(chǎn)生故障.因此，為了避免可能造成的經(jīng)濟損失和事故，在機械設(shè)備運行過程中進(jìn)行狀態(tài)分析和故障診斷就顯得尤為重要.

近年來，機器視覺在機械行業(yè)的零件識別、質(zhì)量檢測、參數(shù)測量等領(lǐng)域得到迅速發(fā)展[4].機械零件只是圖像識別的一個對象，解決零件識別的核心是圖像識別的理論與技術(shù)研究.雖然，國內(nèi)外均對基于視覺的機械零件識別進(jìn)行了研究，但是，大多數(shù)都還是基于特征的圖像識別系統(tǒng)研究，其不同之處只是采用不同的識別特征.而本文研究的用于零件識別的機器視覺系統(tǒng)，其核心則是零件圖像識別系統(tǒng)，這也是本文的研究目的.

1 圖像預(yù)處理與邊緣檢測

圖像識別技術(shù)使產(chǎn)品質(zhì)量監(jiān)控和故障診斷不再困難，圖像識別的基本模式如圖1所示. 其中，對收集的圖像進(jìn)行預(yù)處理是在進(jìn)行圖像識別之前的關(guān)鍵一步.可以將計算機的識別過程分為3階段.第1階段是將各零件的圖像從背景圖中分離出來，主要是圖像分割或物體分離階段.第2階段是對物體進(jìn)行度量，即特征抽取階段.第3階段是輸出階段，它是一種決策，即把每個物體確定為應(yīng)歸屬的類別.

圖1 計算機識別過程

在整個執(zhí)行過程中，第1步要做的就是獲取圖像.然而，在圖像的獲取過程中，圖像往往會產(chǎn)生噪聲和畸變，無論是由于成像系統(tǒng)的限制，或者是外界環(huán)境的干擾，都會降低所采集到的圖像的質(zhì)量.圖像中產(chǎn)生的這種噪聲將加大圖像分析的難度，這就需要利用圖像濾波來有效地改善圖像質(zhì)量.

1.1 圖像獲取與平滑處理

采用均值濾波對零件圖像進(jìn)行平滑處理，即將圖像中的每一個像素的灰度值用這一像素及其周圍一定范圍鄰域內(nèi)所有像素的平均值來代替[5-6].假設(shè)圖像中位置為[i,j]的像素，它的灰度值為f[i,j]，則經(jīng)過均值濾波后的輸出值h[i,j]，則可以表示為以下形式：

(1)

上式中，M表示鄰域N內(nèi)的像素總數(shù)，而N表示以[i,j]為中心的鄰域的集合.在進(jìn)行數(shù)字圖像處理的過程中，均值濾波用一個模板與原圖像進(jìn)行卷積計算得到平滑后的圖像.

模板的大小通常為3×3、5×5、7×7模板分別為：

作為一種線性濾波器，均值濾波在去除噪聲的同時會使邊界信息減弱[7]，使圖像變得模糊.這是由于它是以圖像模糊為代價來換取噪聲的減小，且面積(即模板大小)越大，噪聲減少越顯著，同時圖像模糊程度也越大.圖2為飛輪原圖像與平滑后圖像的對比結(jié)果.

1.2 圖像二值化處理

二值圖像指的是只有黑白兩色的圖像.二值化圖像處理技術(shù)應(yīng)用已十分廣泛，并且其在處理黑白兩色圖像時占有十分重要的地位.數(shù)學(xué)形態(tài)學(xué)處理的對象主要是二值圖像，可根據(jù)下式的閾值處理來進(jìn)行圖像的二值化處理.

(2)

一般情況下，值為0和1的部分，分別表示背景和對象圖形.

1.3 圖像分割

(3)

圖像總的灰度均值為：

(4)

由此，得到A、B兩區(qū)域的類間方差為：

σ2=pA(ωA-ω0)2+pB(ωB-ω0)2

(5)

(5)式中，pA、pb、ωA、ωB、ω0、σ2均是關(guān)于灰度級的函數(shù).判別準(zhǔn)則通常是兩類的類間方差，最佳閾值即使得σ2值最大為t*：

(6)

通過這種方法得到最優(yōu)分割閾值.類間方差最大，表示錯誤分割的概率最小，即方差是灰度分布均勻性的一種度量.

1.4 基于梯度的邊緣檢測

邊緣檢測是圖像預(yù)處理的一個必要過程.由于圖像的邊緣具有勾畫區(qū)域形狀、能被局部定義及傳遞大部分圖像信息等諸多優(yōu)點.因此，邊緣檢測效果是解決問題的關(guān)鍵.邊緣檢測作為一種應(yīng)用廣泛的技術(shù)手段，在處理數(shù)字圖像時，常以一階差分替代一階微分[8]：

(7)

根據(jù)定義，可以將梯度的幅度表示為以下形式：

G[f(x,y)]={[Δxf(x,y)]2+[Δyf(x,y)]2}1/2

(8)

Sobel邊緣檢測算子的計算范圍有兩個步驟：第1步是進(jìn)行加權(quán)平均；第2步是微分運算.其算子的形式可以表示為：

(9)

在檢測邊緣時，Sobel邊緣檢測算子可以得到至少兩個像素的邊緣寬度，具有一定的噪聲抑制能力.Sobel算子水平方向的模板對水平邊緣響應(yīng)最大，而其垂直方向模板對垂直邊緣響應(yīng)最大(垂直方向和水平方向的模板見圖3).該像素點的輸出值為兩個卷積的最大值.圖像中的每個像素均用這兩個模板進(jìn)行卷積.

圖3 Sobel算子模板

2 特征提取與識別

圖像的特征是指圖像顯著的基本特征或特性.要選取圖像的特征參數(shù)，需要采用特定的預(yù)處理方法以得到圖像形狀特征，即根據(jù)圖像的不同情況以及零件的圖像特征制定不同方案.文中選取伸長度(E)這一參數(shù)作為模式樣本的特征：

(10)

上式中，當(dāng)E=1時，圖形區(qū)域就成了圓形；E越小，伸長度圖形區(qū)域越呈細(xì)長形.設(shè)方向碼ai在以x0,y0為起始坐標(biāo)的x軸，y軸上的分量分別是aix,aiy,則有：

(11)

(12)

(13)

數(shù)學(xué)形態(tài)學(xué)常用它來處理與形狀和結(jié)構(gòu)有關(guān)的問題，這是一種應(yīng)用于圖像處理和模式識別領(lǐng)域的新方法. 數(shù)學(xué)形態(tài)學(xué)獲取圖像形狀信息的3種方法分別是鏈碼法標(biāo)記圖像、標(biāo)號法標(biāo)記圖像、輪廓跟蹤法標(biāo)記圖像，這3種方法是在對圖像的形態(tài)特征參數(shù)進(jìn)行提取時經(jīng)常采用的方法.

輪廓跟蹤的計算有兩個步驟：第一是對圖像點進(jìn)行檢測運算；第二是對圖像點作跟蹤運算，這是一種基于點相關(guān)的圖像分割法.因此，只需要對某些點重復(fù)簡單的檢測運算即可，而不用再對每個點進(jìn)行相同的、復(fù)雜的檢測運算.如果圖像是二值圖像，就需要找出對象的邊緣輪廓.可以按照以下規(guī)律進(jìn)行跟蹤：

A：每次只前進(jìn)一步，步距為一個像素；

B: 由黑區(qū)進(jìn)入白區(qū)時，之后每一步向右轉(zhuǎn)，至穿出白區(qū)停下；

C：由白區(qū)進(jìn)入黑區(qū)時，之后每一步向左轉(zhuǎn)，至穿出黑區(qū)停止.

由于無需對每一像素進(jìn)行處理，這種方法相對于區(qū)域生長法和圖像細(xì)化法，更為實用.如此循環(huán)一周后，所經(jīng)過的軌跡便是對象的輪廓.但在要求實時處理的情況下，這種方法仍需要進(jìn)一步完善.

3 識別實驗

為了驗證本文方法對各種缺陷類型零件檢測的有效性，選取了大、小兩種尺寸的齒輪進(jìn)行試驗.每種缺陷類型的數(shù)目都為48個，每個零件只有一種缺陷，實驗結(jié)果如表1所示.總體而言，在氣孔、劃痕、破損、砂眼和裂紋幾種不同類型的缺陷之中，本文方法的識別率還是相當(dāng)高的.其中，對裂紋的識別準(zhǔn)確性最高，達(dá)到了100%.而氣孔和砂眼這兩類缺陷由于易混淆，識別性能略低.

表1 本文方法識別結(jié)果

4 結(jié)語

機械零件質(zhì)量檢測圖像識別技術(shù)，是指通過采集機械零件缺陷部位的數(shù)字成像進(jìn)行識別.對零件圖像識別系統(tǒng)來說，其中的關(guān)鍵技術(shù)是對零件圖像進(jìn)行邊緣檢測、特征提取.本文提出了一種利用圖像識別的機械零件質(zhì)量檢測方法，即運用計算機識別技術(shù)對圖像進(jìn)行預(yù)處理，分析圖像特征并加以提取，從而判斷機械零件是否存在質(zhì)量缺陷的一種技術(shù)方法.本文選取了大、小兩種尺寸的齒輪進(jìn)行實驗，結(jié)果顯示，提出的方法在識別上具有較高的準(zhǔn)確率，驗證了提出方法的有效性.