基于局部投影統計法的螺紋缺陷檢測

陳佳倩 金晅宏 郭旭

摘 要：為解決傳統接觸式螺紋測量方法費時且程序冗長的缺陷，提出一種基于機器視覺技術的螺紋缺陷檢測算法。對捕獲的螺紋圖像進行中值濾波、迭代法二值化與Canny邊緣提取處理;通過分析螺栓圖像中螺紋缺陷斷口位置灰度值的變化，提出一種基于DOG模型的螺紋自動檢測方法。為驗證該算法性能，用基于形狀的模板匹配算法作為對照進行實驗。結果表明，局部投影統計算法能有效提取螺紋缺陷圖像的缺陷信息，螺紋缺陷圖像識別率在95%以上。該方法可快速有效地降低噪聲，準確迅速地定位缺陷點，提高生產線螺栓可替換性。

關鍵詞：螺紋缺陷;投影統計;DOG金字塔

0 引言

螺栓在機械設備中起連接、傳動和緊固的作用。螺栓的螺紋若存在缺陷，則影響螺栓可替換性及整個機械設備質量，甚至引發生產事故，影響企業生產。因此準確高效的螺栓螺紋檢測極其重要。目前我國制造業常用螺栓螺紋檢測方法大多為接觸式檢測[1-4]，主要利用測量工具對螺栓幾何參數進行測量，以及通過人眼分辨螺栓螺紋是否存在缺陷以判斷螺栓質量。接觸式檢測效率低，早已不能滿足自動化程度越來越高的包裝生產要求[5-6]。非接觸測量技術應時代要求，正逐步替代傳統測量方法。隨著計算機性能與圖像處理技術發展的日益成熟，機器視覺檢測技術被應用于復雜工件檢測領域成為非接觸技術發展趨勢[7]。

Zhang等[8]搭建了一套視覺檢測系統用于對抓拍的零件圖像進行自動檢測和分類，并提出一種新的分類策略用于精確定位零件缺陷;施保華等[9]提出一種利用工業CMOS相機在線采集螺紋圖像，對螺紋圖像進行邊緣提取及缺陷定位的在線檢測方法;余愚等[10]提出一種用線陣CCD裝置投影成像技術，實現檢測外螺紋幾何形狀參數的方法;李永敬等[11]提出輪廓形狀匹配算法，用于檢測沖壓零件外部形狀缺陷;田野等[12]搭建了一套內螺紋圖像高效采集檢測實驗平臺，可以實現實時檢測;Singh等[13]設計了一種用特殊的粒子分類器對經過預處理后的螺紋圖像進行自動分類和檢測的算法，將處理結果與預先保存的螺紋圖像模板進行匹配。

上述方法可獲取螺紋表面缺陷或輪廓缺陷，但螺紋缺陷點的定位不夠精確且基于模板匹配的方法內存占比大，算法耗時長。本文通過待檢測螺栓缺陷圖像分析，發現螺紋缺陷圖像上，輪廓斷裂處灰度值變化較大，因此提出基于局部投影的統計檢測算法，利用缺陷處像素投影，準確快速地實現缺陷點定位。

1 圖像預處理

在螺栓螺紋圖像中不可避免地存在由各種電子器件、光學器件等引入的非線性噪聲，對螺紋缺陷圖像的定位影響明顯，所以圖像預處理必不可少。

經由傅里葉變換后呈現白色大幅度的低頻區域，代表圖像中慢變化的特性，即灰度變化緩慢的特性。經由傅里葉變換后呈現黑色大幅度的高頻區域，代表圖像中快變化的特性，即灰度變化快的特性。經過頻譜分析可知噪聲類型主要為椒鹽噪聲，可以采用中值濾波處理[14-16]，其結果如圖1、圖2所示。

對濾波后的圖像需要進行閾值分割處理，目的在于方便提取目標圖像，為之后處理作準備。常見處理方式有固定閾值分割法、最大類間方差法、迭代法等[17-19]，灰度直方圖可以更直觀體現閾值分割后圖像變化，處理結果如圖3、圖4、圖5所示。

對處理后的螺栓螺紋圖像進行比較可知，迭代法的閾值分割可以提高抗干擾性，確保有效信息完整性。實現準確的螺紋缺陷檢測需有效提取螺紋邊緣，為了方便定位螺紋缺陷，減少假邊緣，選擇Canny算子進行提取。

2 DoG金字塔描述

DoG（Difference of Guassian）算子即高斯差分濾波，其由David Lowe 提出，本質上近似于高斯拉普拉斯LoG，也就是對[σ2？2G]的近似[20-22]。為了得到DoG金字塔首先需構造高斯金字塔，即用不同參數的[σ]對多分辨率金字塔每層圖像作高斯模糊，使每層金字塔獲得多個高斯模糊圖像，DoG金字塔如圖6所示。

具體算法如下：

（1）對使用DoG算法處理過的螺紋圖像矩形區域進行分割。由于缺陷在整幅圖中占比太小，不易定位，所以將其分割成若干塊小區域。矩形區域被分成幾個小區域以便提取缺陷信息。

（2）計算分割圖像的像素投影信息。對分割好的圖像進行投影，將圖像分別在X軸和Y軸方向上投影，獲取相關像素點的集合圖。

（3）確定圖像中像素突變位置。對于檢測到的圖像，由于無螺紋圖像灰度值保持不變以保留圖像細節信息， 當投影圖像像素點突然減少時，即為有缺陷的地方，如此可實現缺陷精準定位。

為驗證算法有效性，本文通過基于輪廓的模板匹配算法和基于局部投影統計法對選取的螺栓螺紋圖像進行處理和對比。

圖7為螺紋原圖，螺紋圖像經過DoG金字塔算法處理后得到圖8，對圖8進行選取矩形區域分割，在該矩形區域內對螺栓圖像在X、Y軸方向上投影，圖9為螺栓螺紋存在缺陷的投影圖像，圖10為螺栓螺紋不存在缺陷的投影圖像。投影結果獲得了像素統計信息，可用于定位缺陷位置，從而找出缺陷區域，如圖11所示。

為獲取螺紋模板，首先確定螺栓螺紋曲圖像中的矩形ROI區域，如圖12所示;其次對該ROI區域進行閾值分割和膨脹處理，如圖13所示，以便獲得較為清晰的輪廓作為模板（見圖14）。

本文實驗共分為3組，共540幅圖像，每組180幅圖像又隨機分成3小組，3組實驗光照等條件相同。具體實驗結果如圖18-20所示。

從圖中可知，基于形狀的模板匹配算法的圖像檢測率約在75%以下，且對螺紋有缺陷圖檢測率明顯低于螺紋無缺陷圖像檢測率;局部投影統計算法對于螺紋圖像檢測率約在95%以上，且對于螺紋有缺陷圖像和螺紋無缺陷圖像的檢測率基本一致，對比兩種算法檢測結果表明，局部投影統計法對于螺紋缺陷圖像的檢測率更高，且誤檢率降低。此外因模板匹配內存占比大，算法耗時明顯低于基于輪廓的形狀匹配算法。

5 結語

本文提出一種基于局部投影統計法的螺栓螺紋缺陷檢測方法，該缺陷檢測方法能夠快速有效地去除噪聲，并且可以更好地加強圖像缺陷信息。經實驗證明，算法可以準確快速地定位缺陷點，從而提高生產線上螺栓可替換性，保障生產工序順利進行。

參考文獻：

[1] 王世峰， 趙馨， 佟首峰，等. 基于激光位移檢測技術的螺紋檢測儀研制[J]. 儀器儀表學報， 2007， 28（4）：755-759.

[2] BOUDINE B， KRAMM S， AKKAD N E， et al. A flexible technique based on fundamental matrix for camera self-calibration with variable intrinsic parameters from two views [J]. Journal of Visual Communication & Image Representation， 2016， 39（C）：40-50.

[3] TSAI D M，HUANG T Y. Automated surface inspection for statistical textures[J]. Image & Vision Computing， 2003， 21（4）：307-323.

[4] SINGH K， KAPOOR R. Image enhancement via median-mean based sub-image-clipped histogram equalization[J]. International Journal for Light and Electron Optics， 2014， 125（17）：4646-4651.

[5] 蔡葉菁，彭濤，何靜，等. 機器視覺在包裝檢測過程中的應用研究[J]. 包裝工程，2003， 24（2）：45-48.

[6] SHANMUGAMANI R， SADIQUE M， RAMAMOORTHY B. Detection and classification of surface defects of gun barrels using computer vision and machine learning[J]. Measurement， 2015， 60：222-230.

[7] 劉俊琪. 基于圖像識別的鋁塑包裝材料邊緣檢測[J]. 包裝工程工程版，2017，38（13）：154-158.

[8] ZHANG X，KREWET C，KUHLENK？TTER B. Automatic classification of defects on the product surface in grinding and polishing[J]. International Journal of Machine Tools & Manufacture， 2006， 46（1）：59-69.

[9] 施保華， 魏雅慧. 一種基于機器視覺的螺紋缺陷檢測方法[J]. 三峽大學學報：自然科學版， 2015， 37（2）：64-66.

[10] 余愚，戴躍洪，唐其林. 用線陣CCD裝置自動檢測外螺紋幾何形狀參數的方法[J]. 振動、測試與診斷， 2000， 28（s1）：196-199.

[11] 李永敬，朱萍玉，孫孝鵬，等. 基于形狀模板匹配的沖壓件外形缺陷檢測算法研究[J]. 廣州大學學報：自然科學版，2017（5）：62-66.

[12] 田野. 基于機器視覺的內螺紋參數檢測系統設計[D]. 合肥：合肥工業大學，2017.

[13] AJAY P， NEERAJ J. Screw? classification using machine vision[J].? International Journal of Electronics & Communication Technology， 2011，2：31-33.

[14] COOTES T F， PAGE G J， JACKSON C B， et al. Statistical grey-level models for object location and identification[J]. Image & Vision Computing， 1996， 14（8）：533-540.

[15] NAKARIYAKUL S. Fast spatial averaging： an efficient algorithm for 2d mean filtering[J]. Journal of Supercomputing，2013，65（1）：262-273.

[16] CHAN R H，HO C W，NIKOLOVA M. Salt-and-pepper noise removal by median-type noise detectors and detail-preserving regularization[J]. IEEE Transactions on Image Process，2005，14（10）：1479-85.

[17] OTEN R，DE FIGUEIREDO R J P. Adaptive alpha-trimmed mean filters under deviations from assumed noise model[J]. IEEE Transactions on Image Processing，2004，13（5）：627.

[18] 曹風云，李東興，張華強，等. 自適應多方向灰度形態學圖像邊緣檢測算法[J]. 光學技術，2016， 42（3）：234-238.

[19] YUAN X C， WU L S， PENG Q. An improved OTSU method using the weighted object variance for defect detection[J]. Applied Surface Science， 2015， 349：472-484.

[20] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）：91-110.

[21] PAN B. An Evaluation of convergence criteria for digital image correlation using inverse compositional Gauss-Newton algorithm[J]. Strain， 2014， 50（1）：48-56.

[22] 羅曉暉，李見為. 基于DOG模型的線條檢測算法[J]. 計算機輔助設計與圖形學學報， 2003， 15（4）：425-431.

[23] 游磊，楊丹，張小洪. 一種新的基于DoG的立體匹配算法[J]. 重慶理工大學學報：自然科學版， 2009， 23（1）：122-126.

[24] 舒小華，沈振康，龍永紅. 一種基于輪廓配準的包裝缺陷檢測方法[J]. 包裝工程，2007，28（3）：19-21.

[25] PAN B，QIAN K，XIE H， et al. Topical review： two-dimensional digital image correlation for in-plane displacement and strain measurement： a review[J]. Measurement Science & Technology， 2009， 20（6）：152-154.

（責任編輯：江 艷）