圖像處理技術(shù)在零件質(zhì)檢工作中的應(yīng)用研究

摘 要:在工業(yè)零件外觀檢測中，圖像處理技術(shù)日益得到重視，對一些精度要求較高的微小零件，其缺陷檢測的作用更加重要。通過分析零件表面缺陷檢測技術(shù)的現(xiàn)狀問題，綜合運用了圖像處理技術(shù)。對零件表面缺陷檢測方法進行了研究，并開發(fā)了一套零件質(zhì)檢系統(tǒng)軟件，為圖像處理技術(shù)在復(fù)雜零件質(zhì)檢工作中的應(yīng)用奠定了基礎(chǔ)。

關(guān)鍵詞:圖像處理;表面檢測;濾波;邊緣檢測

中圖分類號:TP319文獻標(biāo)識碼:A

文章編號:1004-373X(2010)04-061-03

Application and Research of Image Processing Technology in Quality Inspection Work

LI Caihua，HU Xaoping，ZHANG Jinbo

(College of Mechanical Engineering，Jiamusi University，Jiamusi，154007，China)

Abstract:Research and application of image processing technology are paid more and more attention in quality inspection work which has resulted in excellent results in many fields.The actuality of surface detection techniques are analyzed，the image processing technology is synthetically applied，the methods of surface detection are researched，and a set of quality inspection system software is developed，which has established academic foundation for surface detection of complex parts in control field.

Keywords:image processing;surface detection;filter;edge detection

0 引 言

隨著現(xiàn)代工業(yè)自動化水平的發(fā)展，零件外觀缺陷檢測自動化顯得越來越重要，尤其是對一些精度要求較高的微小零件的缺陷檢測。一般的零件缺陷通常表現(xiàn)為裂紋、劃線、銹斑和污點等。傳統(tǒng)的外觀檢測是用人的視覺來完成的，不可避免地帶來了一些人為的不確定因素，而且效率低。在現(xiàn)代化生產(chǎn)過程中，隨著電子計算機科學(xué)、圖像處理、模式識別技術(shù)與理論的迅速發(fā)展，對零件進行自動檢測的視覺系統(tǒng)已經(jīng)發(fā)展起來，并越來越受到人們的重視。

以計算機為核心的自動檢測系統(tǒng)的基本原理是，通過CCD攝像頭采集一幅無缺陷的零件標(biāo)準(zhǔn)圖像，保存在計算機中。然后在線采集待檢圖像，不斷將待檢圖像和標(biāo)準(zhǔn)圖像進行對比，檢測出錯誤圖像，從而完成零件的質(zhì)檢工作任務(wù)。基于圖像處理技術(shù)，開發(fā)了一套零件自動化質(zhì)檢的軟件系統(tǒng)。該系統(tǒng)能夠?qū)Ρ粰z測零件進行自動檢測，用于零件質(zhì)檢工作中，大大提高了生產(chǎn)率。

1 檢測系統(tǒng)的構(gòu)成

要檢測的零件經(jīng)常出現(xiàn)的缺陷為表面裂紋、孔洞和中心不重合，這里缺陷的定義為表面裂紋長度大于30個像素，孔洞面積大于10×10個像素 ，中心點距離偏差小于1×1個像素。檢測系統(tǒng)的構(gòu)成示意圖如圖1所示。

圖1 檢測系統(tǒng)示意圖

工作過程如圖2所示，是通過攝像頭采集零件待檢測表面圖像，把圖像存儲于計算機內(nèi)，然后進行濾波、邊緣檢測、中心位置提取等圖像處理過程，再與標(biāo)準(zhǔn)零件圖像進行對比，篩查出不合格產(chǎn)品，從而實現(xiàn)零件質(zhì)檢工作的自動化。

圖2 檢測過程

2 檢測算法的研究

數(shù)字圖像處理，即利用計算機對圖像進行處理[1]，利用計算機進行圖像處理有兩個目的:一是產(chǎn)生更適合人觀察和識別的圖像;二是希望計算機能自動識別和處理圖像。為了能嚴(yán)格地用數(shù)學(xué)來研究圖像的邊緣檢測[2-4]，有必要對數(shù)字圖像做如下假設(shè)[5]:

(1) 圖像是一個二元連續(xù)函數(shù)f(x，y):(x，y)∈D。函數(shù)的定義域設(shè)為D;(x，y)表示二維空間中某個點的坐標(biāo);f(x，y)表示點的灰度值，值域為V。

(2) 數(shù)字圖像是對函數(shù)f(x，y):(x，y)∈D的離散表示。在空間域D上進行抽樣:用有限個像素(Pixel)來表示定義域D，每一個像素表示對應(yīng)區(qū)域的平均灰度值;在值域空間V中進行量化即用有限個值代表V。

(3) 圖像帶有噪聲。由于機器設(shè)備等的原因這些像素值都是有誤差的或者是帶有隨機噪聲的。

(4) 圖像用矩陣表示。矩陣中每一個元素代表一個像素，像素的取值代表這個像素的灰度值。因此在圖像的離散模型中也常用M表示圖像，使用m(i，j)代表圖像的第(i，j)元素。

2.1 圖像濾波

實際得到的圖像由于各種原因被強度隨機信號(也稱為噪聲)所污染。一些常見的噪聲有椒鹽噪聲、脈沖噪聲、高斯噪聲等[6]。椒鹽噪聲含有隨機出現(xiàn)的黑白亮度值;脈沖噪聲則只含有隨機的白強度值(正脈沖噪聲)或黑強度值(負脈沖噪聲);高斯噪聲含有亮度服從高斯或正態(tài)分布的噪聲，是許多傳感器噪聲的很好模型[7，8]。

因此，在對圖像進行進一步處理之前，應(yīng)首先對圖像進行濾波。在此，采用邊緣保持濾波器。該濾波器在濾除脈動噪聲的同時，又不至于使圖像邊緣十分模糊。

邊緣保持算法的基本過程是對灰度圖像中每一個像素點(i，j)取適當(dāng)大小的一個鄰域(如3×3鄰域)，分別計算(i，j)的左上角子鄰域、左下角子鄰域、右上角子鄰域和右下角子鄰域的灰度分布均勻度V，然后取最小均勻度對應(yīng)區(qū)域的均值作為該像素點的新的灰度值。計算灰度均勻度的方法見式(1)所示，也可以用式(2)計算。邊緣保持算法的濾波結(jié)果如圖3所示。

V=∑f2(i，j)-[∑f(i，j)]2/N(1)

V=∑[f(i，j)-(i，j)]2(2)

2.2 邊緣檢測

Sobel算子是3×3算子，因此可以避免在像素之間內(nèi)插點上計算梯度，所以它是邊緣檢測器中最常用的算子之一。Sobel算子也是一種梯度幅值，如式(3)所示，其中的偏導(dǎo)數(shù)如式(4)的計算。

M = S2x  +S2y (3)

Sx=(a2+ca3+a4)-(a0+ca7+a6)

Sy=(a0+ca1+a2)-(a6+ca5+a4)(4)

式中:a0a1a2

a7a8a3

a6a5a4為模板位置矩陣;c為常數(shù)，這里為2，所得Sobel算子Sx和Sy的卷積模板如式(5)所示。Sobel算子邊緣檢測法的檢測結(jié)果如圖4所示。

Sx=-101

-202

-101， Sy=121

000

-1-2-1(5)

圖3 邊緣保持算法濾波

圖4 Sobel邊緣檢測結(jié)果

2.3 中心位置檢測

常用的圓檢測方法是圓Hough變換法，該方法可靠性高，在噪聲、變形，甚至部分區(qū)域丟失的狀態(tài)下仍然能取得理想的結(jié)果。但是該方法的缺點是計算復(fù)雜，資源需求大。為此，本文用點Hough變換法實現(xiàn)圓檢測的方法[9]，即利用圓周上任意兩條不平行弦的中垂線相交于圓心的性質(zhì)，同時選取三點進行檢測，降低了計算的復(fù)雜性，如圖5所示。互不重合(不平行)的弦KL和LM，根據(jù)圓的幾何性質(zhì)，KL的中垂線lKL與LM的中垂線lLM必然相交于圓的中心點O，因此選取不同的三個點就可確定幾個中心點，再取平均值即可得到中心位置坐標(biāo)。

圖5 點Hough變換圓中心檢測原理示意圖

3 檢測系統(tǒng)軟件的開發(fā)與實驗研究

零件缺陷檢測系統(tǒng)的工作過程為攝像頭作為外部傳感器讀取外界圖像數(shù)據(jù)并存入圖像采集卡緩沖區(qū)，在Visual C++環(huán)境下[10]，這些數(shù)據(jù)可以隨時調(diào)用。通過圖像處理技術(shù)(濾波、邊緣檢測和確定中心位置)，得到圖像清晰的邊緣并已知零件的中心位置坐標(biāo)(主要是判斷中心重合度)，然后與標(biāo)準(zhǔn)的零件邊緣圖像對比，看表面裂紋長度、孔洞面積與中心點距離偏差是否超出了規(guī)定值，繼而判斷零件的合格與否。

在Visual C++環(huán)境下開發(fā)的檢測系統(tǒng)軟件界面如圖6所示。

圖6 檢測系統(tǒng)軟件演示界面

軟件界面的最大優(yōu)點是能夠在固定窗口實時顯示視頻圖像，這樣在工作過程中，工作人員對采集圖像質(zhì)量的好壞會有一個直觀的認(rèn)識，以便隨時調(diào)整。采用深圳市宏威達科技有限公司代理的SHIKA(視佳)攝像機和北京微視凌志圖像技術(shù)有限公司代理的Matrox圖像采集卡，采集到的圖像是640×480像素，攝像頭采用高分辨率的黑白CCD工業(yè)攝像頭，有效像素為752×582，對不太復(fù)雜的簡單零件進行實驗和測試，具體統(tǒng)計見表1。

表1 實驗和測試統(tǒng)計

缺陷結(jié)果

檢測類型

檢測樣品數(shù)不合格數(shù)檢測出不合格數(shù)準(zhǔn)確率 /%

表面裂紋100454395.6

孔洞100302996.7

中心點偏離100282796.4

4 結(jié) 語

通過對不太復(fù)雜的簡單零件進行實驗和測試表明，零件的檢測合格品率均在95%以上，達到了預(yù)期要求。對于復(fù)雜的零件(孔洞較多、形狀復(fù)雜)，檢測算法和檢測系統(tǒng)都需要重新規(guī)定，但這些研究為圖像處理技術(shù)在復(fù)雜零件質(zhì)檢工作中的應(yīng)用奠定了基礎(chǔ)。

參考文獻

[1][美]卡斯?fàn)柭?數(shù)字圖像處理[M].朱志剛，林學(xué)閣，石定機，等譯.北京:電子工業(yè)出版社，1998.

[2]劉佳，余志亮.圖像工程學(xué)[M].北京:電子工業(yè)出版社，1998.

[3]何東健.數(shù)字圖像處理[M].西安:西安電子科技大學(xué)出版社，2003.

[4]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(xué)報，2001，6(4):353-358.

[5]王鄭耀.數(shù)字圖像的邊緣檢測[D].西安:西安交通大學(xué)，2003.

[6]賈云得.機器視覺[M].北京:科學(xué)出版社，2000.

[7]王天珍.計算機視覺與重建[J].模式識別與人工智能，1999，28(1):47-53.

[8]李戈.機器人視覺伺服控制系統(tǒng)的研究[D].哈爾濱:哈爾濱工業(yè)大學(xué)，2001.

[9]林金龍，石青云.用點Hough變換實現(xiàn)圓檢測的方法[J].計算機工程，2003(11):17-19.

[10]向世明.Visual C++數(shù)字圖像與圖形處理[M].北京:電子工業(yè)出版社，2002.