基于目標特征的機械零件表面缺陷檢測方法

王誠誠　李文森　雷鳴　管聲啟

摘要：針對機械零件表面缺陷的特點，提出了一種基于目標特征的檢測方法。首先，通過對測試圖像進行均值濾波，以消除噪聲對檢測的影響；其次，通過分析表面缺陷特征設置分割閾值，在此基礎上，實現對檢測目標分割；最后，采用形態學濾波消除噪聲和孤立點對檢測結果的影響。實驗表明，本文采用的方法能夠有效抑制圖像背景干擾，能夠有效的實現機械零件表面缺陷準確檢測。

關鍵詞：機械零件；表面缺陷；目標特征；檢測方法

中圖分類號：TP391.41 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2016.04.009

0 引言

在機械零件加工以及使用過程中，機械零件表面會產生裂紋等缺陷，這些缺陷嚴重影響著機械零件表面質量；因此，對這些機械零件表面質量監測有著重要意義。然而，傳統的監測方法是由人工離線抽檢完成，這種方法依賴于檢驗人員的檢驗，不能實時發現產生的缺陷。圖像檢測技術可以通過對所采集圖像的進行圖像處理，從而實現在線檢測，而基于圖像處理的檢測技術關鍵在于圖像處理算法。

目前，基于圖像處理的機械零件表面缺陷檢測方法很多，分別針對刀具、帶鋼、齒輪、軸承等的機械零件表面缺陷檢測提出了空間域檢測方法（邊緣檢測法、零均值化法）和小波域的檢測算法等。其中，零均值化方法是通過構造零均值化圖，并采用閥值分割出缺陷區域，這種算法雖然簡單，但檢測缺陷區域誤差較大；邊緣檢測方法是通過檢測缺陷邊緣實現對缺陷的檢測，這種方法只能提取缺陷的大致邊緣，不能檢測出完整缺陷區域；小波域的檢測算法是利用小波分解使正常區域信息與缺陷區域信息相分離，從而實現缺陷區域的檢測。

然而，缺陷區域分割好壞很大程度上依賴小波濾波器構造的性能，如何構造小波濾波器是研究的難點問題，目前沒有統一的方法。

事實上，人類視覺系統在有先驗知識的前提下，總是在視野中搜索與先驗知識相匹配的檢測目標特征，并對這些目標進行優先處理，這就是人類具有的檢測機制。如果將這種機制引入到機械零件表面王誠誠等：基于目標特征的機械零件表面缺陷檢測方法缺陷檢測中，利用缺陷特征作為機械零件缺陷檢測條件，就有可能把注意力集中到缺陷所在的區域，從而避免環境因素對檢測的影響，實現對缺陷區域的準確分割。為此，采用檢測目標特征設定分割閾值，實現對機械零件表面缺陷的準確分割。

1 機械零件表面缺陷均值濾波

工業現場所采集的圖像往往含有噪聲，為了消除其對后期缺陷檢測的影響，我們擬在所采集的圖像中滑動進行均值濾波。

設圖像f_j，j大小為M×N，則將圖像劃分為9×9的圖像窗口，然后每個窗口灰度均值為：

（1）式中0≤i≤M-1，0≤i≤N-1。

在計算每個子窗口灰度值后，將子窗口均值代替窗口中心的像素值；通過子窗口遍歷整幅圖像實現滑動均值濾波。

2 基于目標分析的表面缺陷分割

在先驗知識條件下，人類視覺總是關注視場中與檢測目標相同的特征，并對其特定特征區域進行分析加工，以提高檢測快速性和準確性。機械零件表面缺陷大小、形態各異，缺陷種類繁多；然而，這些缺陷又有其共同特征，這就是缺陷區域數目相比較背景總是比較稀少的，如果能夠利用這個特性，就能夠節省計算機，準確的分割出缺陷信息。通常稀少目標必須滿足以下條件：

（1）目標區域必須與背景區域存在一定的區分度，存在一定的對比度；

（2）目標區域數目與背景區域數目相比較是很少的。

為了滿足上述條件，采用公式（1）如下：

（1）

其中，F_max（i，j）表示機械零件圖像（i，j）處的大于δ_otsu的像素點，δ_otsu為最大類間方差確定的閾值；F_rarity表示目標興趣區域的稀少度，其數值越大表明越稀少；num[F_max|δ_（n+1））、num[F_max|δ_（n）分別表示在[δ_otsu，255]之間進行N等分得到一系列閾值δ（1）…δ（n-1）、δ（n）…δ（N）中的第n+l和n次分割時所獲得興趣區域數目；F_{rarity（max）}表示最佳稀少度，即前后相鄰兩次分割后興趣區數目差最大，這說明興趣區域數目已經迅速的變成稀少。

根據公式（1），找出最佳稀少度對應的閾值δ（n+1），采用閾值δ（n+1）分割興趣區，興趣區域必須滿足公式（2）：

（2）

圖1示例中，在第3、4次分割檢測興趣區數目差值最大，即稀少度最大；因此，確定分割閾值δ（4），如圖2（c）所示，能夠有效分割缺陷區域信息。

3 形態學濾波

機械零件表面缺陷圖像分割后所得到的區域，通常含有一定噪聲和較小的孤立點；為了消除這部分信息對缺陷的影響，本文采用先膨脹、后腐蝕的

形態學閉運算操作；通過閉運算不僅能平滑濾波，而且還能夠除去區域中的小孔，填平狹窄的斷裂、細長的溝壑以及輪廓的缺口。

設二值圖像為I，其連通域設為x，結構元素為S，當一個結構元素s的原點移到（x，y）處時，我們將其記作S_xy。此時圖像X被結構元素S閉運算的運算可表示如式（3）：

（3）

4 實驗與分析

為了驗證本文算法分割效果，分別選取車削刀具磨損、齒輪裂紋、帶鋼缺陷作為檢測目標，分割結果如圖3所示。可以看出，采用本文方法能夠有效分割出缺陷區域。

為了驗證本文算法的檢測準確率，分別選取車削刀具磨損、齒輪裂紋、帶鋼缺陷圖像各100幅進行試驗。其具體步驟為：首先，采用檢測人員對測試圖像的缺陷區域進行人工標記，并計算缺陷的面積；然后，對測試圖像采用本文算法進行分割，并統計前景目標的面積；最后，將人工標記區域面積與本文分割出來的缺陷區域面積進行對比，當誤差小于10%，認為被準確檢測。試驗試驗結果表明，三種缺陷檢測準確率分別達到了98%、95%、97%，具有較高的檢測準確率。

5 結論

本文通過分析機械零件表面缺陷特征，提出基于檢測目標特征挖掘的缺陷檢測方法；利用機械零件表面缺陷共性特征，確定圖像分割閾值，從而實現對缺陷目標的分割；在此基礎上，實現對機械零件表面缺陷的準確檢測；由于本文采用算法簡單、計算量減少，很容易實現硬件化，從而為在線快速自動檢測提供了途徑。