轎車流線型曲面缺陷的圖像識別與檢測方法研究

苗佳　趙永來

摘 要： 提出一種基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識別與檢測方法，采用圖像處理方法進行轎車流線型曲面缺陷識別，提高轎車表面缺陷的智能修復能力。對采集的轎車表面圖像進行降噪提純處理，利用自適應權重均衡分割方法進行圖像分割，采用Retinex信息增強方法進行曲面缺陷圖像增強處理，結合灰度像素鄰域模板匹配方法進行缺陷識別與檢測。仿真結果表明，采用該方法進行轎車流線型曲面缺陷的圖像識別，檢測的準確匹配概率較高，對缺陷部位的定位較準，性能優越。

關鍵詞： 圖像識別； 曲面缺陷； 圖像檢測； Retinex信息增強

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）20?0095?03

Abstract： For car′s streamline curved surface defect， an image recognition and detection method based on grayscale pixel neighborhood template matching is put forward in this paper. The image processing method is used to recognize the streamline curved surface defect of car to improve the intelligent repair ability of car′s surface defect. The captured surface image of the car is processed with noise reduction and purification. The adaptive weight balanced segmentation method is used for image segmentation. The Retinex information enhancement method is adopted to enhance the image with curved surface defect， and combined with the grayscale pixel neighborhood template matching method to recognize and detect the defect. The simulation results show that the method has high accurate?matching probability for detection， precise positioning for defect parts and high performance while it is used to recognize the streamline curved surface defect of car.

Keywords： image recognition； curved surface defect； image detection； Retinex information enhancement

0 引 言

圖像作為數字信息處理的重要應用方向，在機械加工、目標識別、表面缺陷檢測和信息修復等領域都展示了重要的應用價值[1]。研究圖像處理在轎車表面曲面中的缺陷檢測識別中的問題，由于采用人工校準方法進行轎車流線型曲面缺陷識別受到視線和光照等因素的影響，對缺陷部位的準確定位檢測準確性不好。因此需要研究一種智能的轎車流線型曲面缺陷的檢測方法，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識別與檢測方法，結合圖像處理方法進行缺陷識別和檢測，取得了較好研究成果。

1 轎車流線型曲面圖像采集處理

1.1 轎車表面圖像采集

為了實現對轎車流線型曲面圖像的缺陷部位檢測，首先進行圖像的信息采集和圖像降噪提純處理，構建圖像檢測識別信息加工模型，采用自適應降噪方法進行圖像邊緣輪廓分割和圖像檢測，在二維鄰域的信息素模板中對轎車流線型曲面圖像進行信息素分解[2]，在圖像的初始種子點處進行信息配對，采用圖像小波信息融合方法計算轎車流線型曲面缺陷的低頻分量，求解公式為：

1.2 圖像降噪及分割處理

對采集的轎車表面圖像進行降噪提純處理，采用自適應權重均衡分割方法進行圖像分割，對轎車流線型曲面圖像邊緣的亮點局部跟蹤[4]，得到輸出轎車流線型曲面圖像的紋理像素點增量表示為：

把檢測輸出轎車流線型曲面圖像分成幾個子集，得到水平和垂直方向的分割尺度為[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]。通過上述處理，實現轎車流線型曲面圖像降噪及分割處理，為進行缺陷識別和檢測提供有效圖像信息輸入。

2 缺陷圖像識別與檢測實現

2.1 曲面缺陷圖像增強處理

在上述進行轎車流線型曲面缺陷的采集和預處理的基礎上，進行缺陷識別檢測，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識別與檢測方法，采用自適應權重均衡分割方法進行圖像分割，采用Retinex信息增強方法進行曲面缺陷圖像增強處理[5]，得到Retinex信息增強通過上述方法計算缺陷部位的梯度值，進行圖像識別檢測。

2.2 圖像缺陷檢測實現

采用圖像特征分割和平滑分類模型[7]，結合灰度像素鄰域模板匹配得到曲面圖像缺陷尺度值歸一化表達式為：

[u]為圖像[pi，j]的缺陷部位的梯度下降函數，[i，j]為缺陷部位和完好部位像素點之間的特征差異值。通過缺陷部位和完好部位的特征點匹配，進行圖像的灰度像素鄰域模板匹配分析，實現圖像的缺陷識別和檢測。

3 仿真實驗分析

為了測試本文算法在實現轎車流線型曲面缺陷的圖像識別與檢測中的性能，進行仿真實驗。實驗的硬件環境為主處理器為Intel[?] Pentium[?]Dual，主頻為1.8 GHz的計算機。實驗的軟件環境為Matlab 7。采用三維激光掃描成像技術進行轎車流線型曲面圖像掃描，圖像掃描的像素特征點總數為15，圖像特征分割的尺度為10，初始成像的灰度像素值為1 024×1 024，缺陷部位檢測的迭代次數為120次，迭代步長為14，邊緣輪廓輸出邊緣值為10.2，設定閾值[ε]=1.0，特征分塊尺度為[a]=0.25，缺陷部位的標定誤差0.1 mm。根據上述仿真環境和參數設定，進行轎車流線型曲面缺陷檢測仿真分析，得到原始圖像如圖2所示。

分析圖3結果得知，采用本文方法進行轎車表面的缺陷識別檢測，能準確識別圖像的缺陷部位，具有較高的檢測性能。為了定量對比檢測性能，以準確檢測概率為測試指標，采用不同方法得到轎車流線型曲線缺陷的識別與檢測，得到結果如圖3所示。

分析圖3得知，采用本文方法進行轎車流線型曲線缺陷的識別與檢測的準確度較高，性能優于傳統方法。

4 結 語

為了提高轎車表面缺陷的智能修復能力，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識別與檢測方法。仿真結果表明，采用該方法進行轎車流線型曲面缺陷的圖像識別，檢測的準確匹配概率較高，對缺陷部位的定位較準，性能優越，具有實用價值。

參考文獻

[1] 林兆華，米陽，葛兵.一種粗精結合的快速圖像自動調焦算法[J].國外電子測量技術，2015，34（10）：28?31.

[2] 駱健，蔣旻.基于RGB?D圖像核描述子的物體識別方法[J].計算機應用，2017，37（1）：255?261.

[3] SHU Zhifeng， DOU Xiankang， XIA Haiyun， et al. Low stratospheric wind measurement using mobile Rayleigh Doppler wind LIDAR [J]. Journal of the Optical Society of Korea， 2012， 16（2）： 141?144.

[4] 施曉東，劉格.一種光學遙感圖像海陸分割方法[J].國外電子測量技術，2014，33（11）：29?32.

[5] 楊霞，劉志偉，雷航.基于TrustZone的指紋識別安全技術研究與實現[J].計算機科學，2016，43（7）：147?152.

[6] 李積英，黨建武，王陽萍.融合量子克隆進化與二維Tsallis熵的醫學圖像分割算法[J].計算機輔助設計與圖形學學報，2014，26（3）：465?471.

[7] 劉婷，程建.基于訓練字典的遙感圖像融合[J].計算機工程與應用，2013，49（19）：135?140.

[8] 王利，楊征，李洋.特征聚合的遙感圖像數據庫檢索技術[J].激光雜志，2016，37（6）：78?81.