基于MA T L A B的小型零件表面缺陷檢測方法研究

林柳嫻

（同濟大學中德學院，上海 2 0 1 8 0 0）

基于MA T L A B的小型零件表面缺陷檢測方法研究

林柳嫻

（同濟大學中德學院，上海 2 0 1 8 0 0）

機器視覺技術在零件缺陷檢測領域中應用前景廣闊。圖像處理作為機器視覺技術中的關鍵技術，對零件表面缺陷檢測效果有著直接的影響。本文以M A T L A B為圖像處理工具，對小型零件表面缺陷檢測方法進行研究，并對不同處理方法下的檢測效果進行分析比對，并對未來的研究方向進行了初步的探討。

機器視覺技術；缺陷檢測；圖像處理

基于視覺識別技術的表面缺陷檢測系統在現代制造業中是保證產品質量的關鍵。其通過計算機模擬人的視覺，來實現實際的檢測、測量和控制等功能，具有非接觸、速度快、精度合適、現場抗干擾能力強等突出的優點。機器視覺技術包括光源照明技術、光學鏡頭、攝像機、圖像采集卡、圖像信號處理，以及執行機構等關鍵技術。本文以MA T L A B的圖像處理技術為基礎，對采集到的環形片狀小型零件進行缺陷檢測方法研究。

1 視覺圖像和MA T L A B的聯系

MA T L A B在處理數字圖像時，通過對圖像的采樣和量化得到一幅離散化成M×N樣本的、整數整列的數字圖像，極為直觀簡便，其圖像處理工具箱具有灰度變換、圖像濾波、圖像增強等強大的圖像處理功能。因此，用MA T L A B處理數字圖像在工程計算、控制設計、信號處理與通訊、圖像處理、信號檢測、金融建模設計與分析等領域獨具優勢。

2 環形片狀小型零件檢測方法研究

2.1 缺陷檢測流程流程

本文在研究機器視覺檢測系統的硬件選型、光源照明技術以及圖像處理等方面關鍵技術的基礎上，基于MA T L A B 7.8編程環境下進行表面缺陷檢測系統的設計，實現尺寸為外徑5.5 c m，內徑4.3 c m的薄片狀環形零件的缺陷檢測。首先采集無缺陷的零件圖像作為模板圖像，可以設置多幅模板圖像來降低誤檢率，也可將檢測到的正常零件圖像替代原模板，從而降低檢測過程中環境微小變化對檢測結果的影響再在基于MA T L A B圖像處理的編程環境下對模板圖像進行預處理。當匹配值小于閾值時進行圖像分割、邊緣檢測等算法獲取缺陷區域，并提取缺陷特征進行分類識別。

2.2 圖像處理模塊

（1）圖像增強處理。由于實驗中采集的原始圖像包含了復雜的背景，再加上在光源照射、震動、灰塵、表面粗糙等會造成噪聲干擾，因此需要進行圖像增強處理，以增加圖像辨識度，銳化零件的邊緣輪廓，削弱或去除背景、噪聲等信息。圖像增強處理方法主要有基本灰度變換、直方圖處理、圖像濾波等。中值濾波能有效去除圖像中的離散噪聲，對圖像的實際處理效果較好。（2）圖像分割。圖像分割的目的之一就是目標提取，其輸入為圖像而輸出為從這些圖像中提取出來的屬性。其所采用的閾值分割法相當于對圖像進行二值化,其實質是確定一個閾值,通過對圖像中的每一個像素和此閾值的大小比較,決定當前像素是前景點還是后景點。OT S U算法是閾值分割算法中較好的分割方法，其最根本的思想是把待分割的對象最終分割成兩類,因此對于本檢測系統中不良零件來說,該算法有利于將缺陷和背景分割開來。但對于良好的零件來說，OT S U算法會由于良好零件灰度圖像像素灰度值分布的集中度較高而失靈。（3）邊緣檢測。圖像的邊緣一般是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合,主要存在于目標與目標、目標與背景、區域與區域包括不同色彩之間。邊緣的種類可以分為兩種:一種為階躍性邊緣,它兩邊的像素的灰度值有顯著的不同；另一種為屋頂狀邊緣,它位于灰度值從增加到減少的變化轉折點。邊緣檢測的步驟如下：①濾波：基于導數計算設計濾波器來降低噪聲，但濾波器在降低噪聲的同時也會損失一部分邊緣精度。②增強：通過計算梯度幅值來突出顯示鄰域中灰度有顯著變化的點。③檢測：通過判斷圖像中梯度幅值閾值較大的點進行邊緣點檢測。④定位：精確確定邊緣的位置。邊緣檢測的基本算法有很多，有梯度算子、方向算子、拉普拉斯算子和坎尼算子等等。本實驗分別用了梯度算子中的Ro b e r t s算子、S o b e l算子和P r e w i t t算子和L OG濾波器對零件圖像進行了邊緣檢測。

Ro b e r t s算子通常會在圖像邊緣附近的區域內產生較寬的響應，故采用該算子檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。如圖1（a）所示。P r e w i t t算子對灰度漸變和噪聲較多的圖像處理得較好，但未把重點放在接近模板中心的像素點上。如圖1（b）所示。S o b e l算子對灰度漸變和噪聲較多的圖像處理得較好。如圖1（c）所示。L OG算子利用高斯濾波器濾除噪聲，解決了二階導數算子對噪聲十分敏感的問題，即高斯濾波+拉普拉斯邊緣檢測：先平滑掉噪聲，再進行邊緣檢測，效果較好。本系統選用L OG算子，對帶缺口的薄片狀環形零件進行邊緣檢測，效果如上圖1（d）所示。

圖1 不同算子下的邊緣檢測效果圖

2.3 缺陷特征的提取與分類

特征的提取是缺陷分類的關鍵，特征的選取應考慮可區別性、可靠性、獨立性、數量少等因素。本實驗中的小型塑料制品常見的缺陷種類有翹曲、缺口、變形等。圖2所示為采集的環狀小型零件的灰度圖像。從以上3種缺陷零件和正常零件的灰度圖對比可發現，出現缺失、斷裂部位的灰度值為模具背景的灰度，正常零件的該區域灰度為零件的灰度；翹曲零件翹曲位置周圍出現不正常的灰度。

在獲取缺陷區域后，通過特征提取模塊提取缺陷區域重心位置與零件輪廓的關系、區域灰度均值與模板圖像的同一區域的灰度均值的大小關系等3個特征，根據翹曲、缺口、變形3種缺陷的特點，即可判斷制品的缺陷種類。缺陷識別的基本規則如表1所示。

圖2 零件灰度圖

表1 缺陷分類判定規則

3 結語

本文基于MA T L A B對小型零件表面缺陷檢測的圖像處理部分進行了研究,并且取得了一定成果。現對不足之處進行總結：（1）本文只針對特定形狀的小型零件表面缺陷的檢測及分類進行了研究,而實際零件表面缺陷的種類很多。因此有必要進一步缺陷檢測范圍。（2）本文主要是在實驗室靜態條件下的缺陷檢測，而實際零件生產企業通常要求動態的在線實時檢測，因此有必要進一步進行小型零件表面缺陷動態檢測的研究。（3）在圖像處理與控制中，有待于進一步改進人機交互控制功能。在軟件功能方面，開發如圖像的放大與縮小，缺陷的類別和數量等相關數據的實時顯示等功能，并最終實現根據檢測結果進行后續自動控制的目的。

[1]張五一，趙強松，王東云.機器視覺的現狀及發展趨勢[J].中原工學院學報，2 0 0 8,1 9(1):9~1 5.

[2]厲曉飛.基于機器視覺的汽車零件缺陷檢測技術研究[D].武漢:武漢理工大學，2 0 1 2.

[3]秦襄培，鄭賢中.MA T L A B圖像處理寶典[M].北京，2 0 1 0:1 7~4 6.

[4]陳文達，白瑞林，吉峰等.基于機器視覺的軸承防塵蓋表面缺陷檢測[J].計算機工程與應用，2 0 1 4,5 0(6):2 5 0~2 5 4.

T P 3 9 1.4 1

A

1 6 7 1-0 7 1 1（2 0 1 7）0 1（上）-0 0 6 5-0 2