基于模式識別的圖像檢測算法的研究

山東青州濰坊工程職業學院 蔣慶磊 郇新 聶永濤

1 引言

目前國內零部件加工生產廣泛采用自動化生產線模式，受加工技術的不足和不確定因素的影響，零件加工質量不一定可以保證，因此，需要對零件加工過程中存在的缺陷實現智能判別，分析加工的零件合格情況。當前采用計算機控制生產加工過程和零件加工質量檢測，要達到生產加工過程適應自動化的質檢過程，就要選用較高精度的模式識別算法，獲得快速、高精度的圖像檢測效果，并可以達到實時零件加工質量的檢測。

本文結合傳統檢測算法存在的缺陷，根據檢測的精度和實時性要求，優化比對像素算法，設計了一種基于特定模式識別獲取零件加工質量缺陷的圖像檢測算法。上述算法是基于機器視覺和零件加工質量檢測標準，合理選取圖像灰度閾值大小，借助特定模式識別實現檢測，既能夠保證較高的圖像檢測精度，又可以提高檢測效率，達到實時檢測的目的。利用上述圖像檢測的算法，已經設計出來高效率的圖像加工質量檢測系統，并且將其運用到實際工業生產中去。調試結果說明，基于模式識別的圖像檢測算法可以對零件加工中存在的缺陷進行判別，與其他算法進行比較，大大提高檢測效率，滿足檢測系統的設計要求。

2 模式識別簡述

2.1 模糊類型

已知事物的不同類別，判斷待檢測的或新的對象應該隸屬于哪一類，或是否為新的類別的過程，即模糊類型的模式識別。模糊類型的問題一般包含兩種：第一，識別模糊的模式庫和待識別對象；第二，識別模糊的模式庫和分明待識別對象。解決第一類模式識別問題采用間接方法，而解決第二類模式識別的問題采用直接方法。

2.2 統計類型

統計模式識別方法，是參照概率統計理論和決策理論的內容形成的識別方式，其原理是假設待識別的對象或者運算提取的特征量是具有分布規律的隨機變量。統計類型的模式識別，是依據模式統計特性，借助特定處理技術，采用模式識別進行數據統計分析，利用提取的目標特征實現分類識別處理。統計類型模式識別的原理是：借助一個數組，代表輸入的對象內容。該數組是對原始數據進行運算的結果。

2.3 聚類分析

聚類模式識別的算法并不唯一，常選用模糊均值的方法，其算法是利用在n維空間相應的數據點的歐式幾何貼近度，將待檢測的數據進行聚類處理，進而計算出不同類聚的間距。

根據算法優缺點的綜合分析，本文選用模糊統計分類的方法，對待檢測零件的加工質量完成統計模式識別。利用該算法可以獲得正確結果的幾率較高，具有十分重要的生產實際運用價值。

3 圖像檢測算法

Sobel算子、Prewitt算子、Robert算子、Gauss-Laplace 算子、Kirsch算子、Canny算子等，是實現圖像邊緣檢測的主要算法。圖像檢測算法的原理是獲取圖像不連續部分的特征，基于閉合的邊緣區域，提取待檢測圖像的邊緣，分析圖像的特定參數。獲取的圖像邊緣對應圖像不連續的局部特性，邊緣特性是在垂直方向上像素變化大，而在平行方向上像素變化小。所以選取合適的邊緣檢測算子十分重要。

3 .1Sobel算子

選取相鄰像素區域的梯度值，來換算出單個像素的梯度，即Sobel算子。其原理是選取某圖像區域的每個像素，獲取它相鄰點灰度的加權差，再將每個方向上的灰度加權差求和，即該算子的圖像邊緣效果。

3.2 Prewitt算子

采用微分理論，即Prewitt算子。其原理是將梯度算子采用卷積運算，并輸出卷積的最大值，可以采用一般模板卷積進行運算。

3.3 Robert算子

采用微分算子，近似提取梯度的幅值，即Robert算子。其基本原理是根據梯度的特點，求取梯度值，采取在任一個交叉成直角方向上求導，利用局部差分算子提取邊緣算子，也是選取4個斜向上的像素交叉運用差分獲取梯度。

3.4 Gauss-Laplace算子

選用與邊緣方向無關的微分算子，即Gauss-Laplace（拉普拉斯）算子。它是一個標量，在同一個方向上的性質相同，其算子原理是求解圖像每個像素的二階導數，然后求和提取邊界。

3.5 Kirsch算子

Kirsch算子是運用多方向獲取邊緣檢測的算子。該算子是調整某一特定值并在子域中不同方向上搜索邊界，然后把它們與圖像閾值進行比較，進而判定有無邊界。

3.6 Canny算子

Canny算子的原理是利用高斯濾波實現圖像平滑，利用有限差分，獲取梯度的方向和幅值，然后針對梯度的幅值采取非極大值抑制，運用雙閾值算法實現檢測和邊緣連接，最后提取恰當的邊緣。

根據算子原理的優缺點可知，本文選用Canny邊緣檢測算子，實現待檢測零件的邊緣檢測。

4 模式識別下的圖像檢測案例分析

4.1 待檢測零件的圖像處理過程

利用零件加工質量檢測系統的軟件進行待檢測零件的圖像處理。軟件初始化后，借助文件菜單中的“打開位圖”項目，打開待檢測零件的原始圖像，效果如圖1所示。對原始圖像進行灰度處理、中值濾波（1X3模板）的效果如圖2、圖3所示。對濾波后的圖像進行灰度均衡處理，效果如圖4所示。對均衡后的圖像進行二值化、Canny算子處理，效果如圖5、圖6所示。

圖1 原始圖像

圖2 灰度處理

圖3 中值濾波

圖4 灰度均衡

圖5 二值化

圖6 Canny算子

4.2 圖像的模式識別過程

根據待識別零件特征向量，對零件加工質量問題進行分類，并將其歸類到已知類別中。為正確劃分待識別的目標圖像的模式類，應設計出對應有效的分類函數。本文基于零件加工質量識別要求，選取線性識別器進行分類。工作原理是：根據特定類別的已知樣本集合，來獲取待檢測圖像的分類。由于每個待檢測的零件圖像，對應著不同的向量值，所以需要借助學習訓練樣本，得到合格、可修復的不合格、不可修復的不合格三種模糊模式，使其與后續待識別的目標圖像進行比較，基本完成對待檢測零件圖像的分類工作。本零件加工質量檢測系統的類別有：合格類A、不合格可修復類B和不合格不可修復類C。根據特定的識別函數，如果要判斷待檢圖像的類別，只需把提取的特征值代入識別函數中計算，基于最大隸屬度的原則來判別A、B、C中最大類，即模式識別的最終結果。待檢測零件的模糊統計分類算法的流程如圖7所示。

圖7 模糊統計分類算法的流程圖

圖8 運行結果

4.3 檢測軟件的運行效果

通過檢測軟件的實際測試，獲得的效果如圖8所示。

5 結論

通過檢測系統的運行，表明基于模式識別的圖像檢測算法，具有結果穩定、準確的優點，適用于待檢測零件加工質量的檢測，同時該算法識別效果明顯，實現了自動、快速檢測，具有較高的研究價值。

[1]岳國偉.基于窗口平移的圖像線性目標快速檢測算法研究[J].山東科技大學學報,2015(6):96～101.

[2]周麗芬.駕駛員輔助系統的圖像模式識別算法研究[J].現代計算機,2014(24):21～26.