汽車安全帶扣缺陷檢測系統設計分析

隨著機器視覺檢測技術的快速發展，自動化缺陷檢測系統在工業領域得到了快速普及。而受到現有技術條件的制約，機器視覺檢測技術在具有規則外形，或者表面較為平整的工件上有著良好的表現，而針對體積較小且表面不規則的零件，機器視覺檢測技術的應用具有一定的局限性

。而汽車安全帶扣表面結構較為復雜，現有的機器視覺檢測技術對于安全帶扣表面的凹坑以及裂紋無法做到精準捕捉。針對這一問題，相關工作人員嘗試對缺陷檢測算法進行優化，加強缺陷檢測系統對于數字圖像的處理能力，提高在線檢測的時效性。

1 圖像預處理

1.1 灰度化處理

工業照相機所采集的圖像通常為三通道彩色圖片，此類圖片具有R、G、B三個分量，每一個分量的取值范圍為0～255，圖像上的每一個像素點，均由R、G、B三種顏色組成。在檢測安全帶扣表面缺陷以及幾何分量時，不考慮其圖像顏色特征，因此可以將圖片進行灰度化處理，達到過濾圖像噪聲以及無用信息的效果，提高缺陷檢測效率，為后續的圖像處理工作奠定良好的基礎。本次設計的缺陷檢測系統采用圖像灰度處理技術，將圖像每一個像素點的R、G、B分量進行加權平均，得到像素點對應的灰度值，計算公式為：

gray=0.299×R+0.587×G+0.114×B

(1)

1.2 仿射變化

對圖像進行灰度化處理之后，需要利用仿射變化將每一個像素點進行線性轉化以及平移，將其投射到另一個向量空間中，其轉化公式如下：

(2)

分析公式(2)可以發現，借助仿射運算法則對灰度化圖像中的像素點進行位置轉變，在不改變圖形形狀的情況下，根據實際需要對灰度圖像進行五種轉變：①平移；②縮放；③剪切；④翻轉；⑤旋轉。其中旋轉與平移是直接對圖像進行仿射變化，從類型上看屬于剛性變換。縮放則是按比例將圖像放大或者縮小，翻轉是以圖像的某一個點為基點，圍繞該點將圖像旋轉一個角度。以上五種轉變中，非平移仿射轉變可以用下面的矩陣表示

。

(3)

不同的變換方式所對應的

、

、

、

數值不同，灰度圖像經過變換之后其原點坐標位置保持不變，這種變換方式被稱為線性變換，為了滿足缺陷檢測需求，需要增加矩陣維度，將平移變換包含在內。

(4)

變換矩陣擁有統一的描述方式，其仿射變換會根據約束量的不同而發生變化。借助仿射變換矩陣，可以對灰度圖像進行非線性或者線性變換，根據后續檢測需求對圖像進行調整，降低后續圖像識別及判斷工作的難度。圖1為灰度圖像仿生變換示意圖。

1.3 圖像濾波

目前常用的圖像濾波方式包括均值濾波、中值濾波、高斯濾波以及雙邊濾波等。考慮到安全帶扣圖像特點，本次設計使用雙邊濾波技術對圖像進行降噪處理。

1.4.2 動態閾值分割法

雙邊濾波的計算原理是借助加權平均法，在確保圖像邊緣不變的情況下進行濾波，經過雙邊濾波所得到的灰度圖像像素值代表該像素的強度，這種濾波方式涉及像素之間的歐式距離以及像素輻射差異，是對于像素相似度以及像素空間鄰近度的一種折中處理，其計算公式為：

節奏管理，是管理工作中的一種藝術，其含義屬于抽象概念，其實質是按時間節點有序地對項目的實施進行管理。不僅是工程施工中需要節奏的管理，各個行業均適合應用節奏化的管理。

歐米茄腕表之所以能夠獲得至臻天文臺認證，源于品牌的先鋒精神，不斷挑戰制表極限及對機心工藝革新的不懈追求。

(5)

公式(5)中，

代表輸入的圖像，

代表經過濾波處理的圖像，

代表空域高斯函數標準差，

代表搜索窗口，利用雙邊濾波公式對灰度圖像進行降噪，如果安全帶扣表面存在缺陷，在光照作用下其灰度值要高于背景灰度值，利用雙邊濾波法能夠有效處理灰度圖像上的白點以及臟污

。

1.4 圖像分割

目前常用的基于全局值域的圖像分割方式，包括直方圖法、動態閾值分割法、自動閾值分割法等。本次設計中為了提高圖像分割準確性，組合使用直方圖法、動態閾值分割法。

1.4.1 直方圖法

在圖像識別系統中，圖像邊緣特征檢測十分重要，所謂的邊緣特征即圖像灰度值產生劇烈變化的區域。使用一階導數得到圖像邊緣亮度梯度變化數值，一階導數的峰值代表灰度圖的邊緣，以圖像邊緣特征為基礎對待檢測圖像進行分割。如果安全帶扣工件表面存在凹坑以及劃痕，則缺陷部位的邊緣特征會十分明顯，缺陷檢測系統會快速識別含有缺陷圖像特征的圖像，判斷該工件存在質量缺陷

。

第三步，利用find_shape_model算子檢索待檢測圖像，輸出匹配模板個數以及位置信息。

3)Whatarethe difficultiesin writing an application letter?

實際采集圖像過程中，無法確保目標對象具有規則的外形以及穩定的光照環境，這種情況下堅持使用固定全局閾值對圖像進行分割，無法照顧到圖像的整體情況。此時就要使用動態閾值分割法，依據子圖像在圖像整體中的位置以及其亮度分布，為每一個子圖像分配相對應的閾值，確保每一個子圖像都擁有獨立的自適應閾值，強化對于圖像特征的提取，這種圖像分割技術對于圖像噪聲具有良好的抵抗能力，在處理光照不均勻圖像時能夠發揮出理想效果，但對于設備的性能要求較高。在實際使用過程中，根據圖像的實際情況，靈活選擇直方圖法或動態閾值分割法對圖像進行分割。

2 安全帶扣表面缺陷分析

能夠影響安全帶扣缺陷檢測效果的因素有很多，例如檢測系統的穩定性檢測時效性，在眾多影響因素中，缺陷檢測算法是提升檢測準確率的直接影響因素，也是確保缺陷檢測工作能夠穩定運行的基礎。實際開展缺陷檢測工作時，想要提升缺陷檢測準確率，就必然需要處理更多的數據，數據體量的急劇膨脹使得對線檢測系統對于算法的要求變得更高，需要對缺陷檢測算法進行精簡，在確保檢測準確度的前提下提高檢測效率，在檢測速度與檢測精度之間尋找平衡

。

安全帶扣表面所存在的缺陷主要以凸起、凹坑、毛刺、裂紋等為主，設計人員基于安全帶扣缺陷大小以及類型特點，綜合考慮圖像處理方式以及安全帶扣質量要求等因素，科學配置函數及相關參數，并對缺陷檢測算法進行優化。在實際開展區縣檢測工作過程中，可以將安全帶扣表面缺陷大致分為兩類，凸塊缺口缺陷以及凹坑劃痕缺陷。

2.1 凸塊、缺口缺陷檢測

得到圖像邊緣灰度值的梯度方向與幅值之后，將梯度強度未達到峰值的像素點設置為0，得到完整的邊緣輪廓，設定低閾值

1與高閾值

2，將灰度值大于

2的點標記為缺陷強邊緣，將灰度值低于

1的點標定為圖像背景，進而確定缺陷邊緣輪廓。

但我們也應注意，一方面，文辭、曲律并非戲曲審美的新鮮元素，在元代以來的多種對元曲成就有所標舉的曲論中，均是重要的審美構成與評價標準，其于嘉、萬時期的抬升，有著承應元人藝術審美因子的性質。另一方面，文辭、音律一直是文人曲學的主要審美構成，因此這些藝術性要素的抬升，也實則是明代戲曲文人化發展脈絡的重要表現。

2.1.1 基于圖像灰度值進行模板匹配

對工業照相機拍攝的圖像進行灰度化處理之后，提取模板圖像灰度值，比較待檢測圖像灰度值與模板灰度值之間的差異，如果數值差異在差異閾值范圍內代表頭像匹配成功，如果由于圖像噪聲較多，導致待檢測圖像特征不清晰，可以將圖像的灰度測證作為匹配目標進行模板匹配，通過特定的算法得出原始圖像與待檢測圖像的相似度，待檢測圖像中的每一個像素點均包含了圖像的一部分信息，因此通過比較待檢測圖像與原始圖像的灰度值，就可以得到二者灰度值相似度信息，鎖定相似度最高的像素點區域。

與核形石、藻疊層的對比發現，生物鮞層的形成過程為：當鮞粒變大，不能懸浮時，相互的碰撞、摩擦就少了，微生物就較長時間的附著其上。有微生物的參與，低能鮞層的生長較快，所以形成的層理較厚，且富含有機質。

入組及排除標準[3]：均符合糖尿病臨床診斷標準；均知曉本次實驗；對本次實驗所用藥物無過敏史；排除惡性腫瘤、酮癥酸中毒、心力衰竭、急性感染、自身免疫性疾病、精神疾病等患者。本研究經醫院倫理委員會同意批準。

這種模板匹配方式過程較為簡單，無需預處理緩解且具有很高的準確度，但是這種模板匹配方式對于待檢測圖像的質量要求較高，如果待檢測圖像不清晰或者存在大量噪聲，會嚴重影響匹配精度，因此這種匹配方式在實際運用過程中具有一定的局限性。

2.1.2 基于圖像形狀進行模板匹配

將表1的數據代入公式(1)即可得到各評價指標的云模型參數，取k為0.01。運用正態云發生器分別對上述10個評價指標生成相對應的綜合云模型，并選取其中結構面的傾角指標和mrqd指標的云模型，分別如圖1和圖2所示。

通過對拍攝圖像進行特征提取，確定待檢測圖像輪廓并創建形狀模板。這種匹配方式的優勢在于對于環境變化的適應性較高，特別是待檢測圖像在仿射變化時出現縮放、位移等情況時，可以借助形狀模板對待檢測圖像進行精準判斷。實際工作中為了進一步提高模板匹配精度，可以利用多個形狀模板反復確認圖像是否與模板相匹配，條件允許的情況下還可以將完整的圖像作為模板，擴大特征提取范圍。本次設計中，相關工作人員采用基于形狀的模板技術，對安全帶扣表面缺陷進行粗檢，完成圖像邊緣檢測之后對待檢測圖像進行形狀匹配，低于設定匹配分數的圖像會被認為帶有缺陷(如圖2所示)。

2.1.3 形狀匹配具體 流程

步驟一：對缺陷檢測處理流程進行簡化，將待檢測圖像的局部作為模板，確定待檢測圖像的模板區域，并在確保工件位置擺放正確的前提下，對其進行仿射變換，利用gen_rectangle算子，生成矩形區域，再利用reduce_domain算子，沿著矩形區域的邊緣將原圖中待檢測區域的局部裁剪下來，得到有關在檢測圖像的矩形ROI區域(感興趣區域)。

步驟二：在得到ROI區域之后，運用create_shape_madel算子創建形狀模板，由于汽車安全帶扣件缺陷檢測臺采用水平傳送方式，因此圖像僅為水平方向位移，在不借助其他算子的情況下就可以得到形狀模板。

（4）統計落入網格u′中數據點的數量，判斷其是否滿足 density（u′）≥ τ，若滿足則將網格 u′標記為稠密網格，考察其余稀疏網格單元。圖3為在二維空間中使用滑動網格方法進行網格修正。

2.2 劃痕、凹陷缺陷檢測

2.2.1 缺陷特征

直方圖法的計算原理是以圖像的灰度直方圖為基礎計算圖像灰度的波峰與波谷，根據波峰波谷數據的大小確定最佳閾值，這種方法在背景灰度與目標灰度差異較大的情況下能夠發揮出理想的效果，如果圖像受到噪聲以及光源的影響而出現多個波峰，其處理圖像細節的能力就會減弱。

2.2.2 邊緣檢測

在介紹第一份報紙《中國日報》時，“資產階級民權思想”翻譯成了“civil rights thoughts”，而“civil rights thoughts”只是民權思想的意思。專有名詞的錯譯可能會導致外國游客誤解原文意思，不利于達到向外國人傳達正確紅色文化信息的目的性。“資產階級民權思想”應該翻譯成“Bourgeois civil rights thoughts”。

對灰度圖進行雙邊濾波之后，得到較為光滑的待檢測灰度圖G

與G

，此時利用canny算子對待檢測圖像的灰度值方向以及幅值進行計算。使用一階有限差分公式計算P與Q(偏導數陣列)。

′(

,

)≈

=[

(

+1,

)-

(

,

)+

(

+1,

+1)-

(

,

+1)]

2

′ (

,

)≈

=

(

,

+1)-

(

,

)+

(

+1,

+1)-

(

+1,

)]

2

(6)

凸塊、缺口缺陷是安全帶扣件表面常見的一種問題，設計人員嘗試創建一套基于模板匹配的缺陷識別方法。在提取圖像特征時，利用不同的工業相機對同一個工件進行圖像采集，或者利用一臺工業相機針對某一個工件，在不同的環境以及時間采集多組圖像。得到圖像之后，利用缺陷檢測算法對圖像進行比較，尋找不同圖像中所擁有的相同特征。

2

2

3 形態學處理

爬坡高度h=5 m、混合物流速Vm=6 m/s、泥漿體積分數Cv=20%工況下，爬坡管段部分截面處混合物切向速度云圖和矢量圖見圖5，其中圖5a)～圖5f)分別為彎頭1入口、彎頭1出口、彎頭2入口、彎頭2出口、X=5D和X=20D處的截面。速度云圖與矢量圖相對應，云圖反映垂直主流動方向的分速度數值大小，矢量圖反映分速度的方向和相對大小，明顯出現疊加于主流之上的流動，這稱為二次流現象，在管道內橫截面內形成反向的渦流，渦核的位置在管道截面中對稱分布。[12]

確定待檢測圖像的邊緣輪廓之后，部分圖像中依然存在噪聲，因此需要圖像進行形態學處理。常見的形態學處理方式包括腐蝕、膨脹以及開閉運算，本次設計中主要使用膨脹法對圖像進行處理。該方式以圖像的二值圖作為基礎，對存在噪聲的區域進行放大并加粗，以圖像的結構元素為基礎靈活調整圖像的碰撞程度，其公式為：

(7)

公式(7)中，B為結構元素，當該元素平移至點z之后，若圖像A中有任意一個像素點與B點重合，則對該像素點進行膨脹，通過這種方式避免圖像邊緣亮度過高而影響缺陷檢測精度。

3.假設單件化妝品的不含稅價為P,買家購買套裝相對于分別購買套裝內所含產品的可享優惠率為R，則套裝化妝品的不含稅價為2P（1-R）。令，P≤2000，2P（1-R）>2000。 根據自網易考拉中選取的100組不參與活動打折的單件和套裝化妝品樣本，以“優惠率=[單件價-(套裝價/套裝所含件數)]/單件價”計算得知，優惠率R大多集中在0.15%-1.75%。

2.2.4 特征提取

在平時學習數學知識內容的時候，作為高中生的我們不可能面面俱到理解掌握所有的數學課本知識，具體而言，我們可能當時在學習某一知識點的時候就沒有理解透徹；還可能理解學習了某些知識內容，但是經過一段時間以后又遺忘了；等等。鑒于此，在平時學習過程中，我們就需要時時對自己一段時間的學習情況進行反思總結，從而在及時進行查漏補缺過程中助力自身數學綜合能力穩步提升。

針對完成預處理以及差分運算的圖像，要對其表面存在的缺陷進行標定，同時消除圖像過亮的邊緣以及圖像噪聲，突出圖像特征，以此來定位安全帶扣工件表面缺陷具體位置。

步驟一：對待檢測圖像進行裁剪，通過形態學計算(本文中采用膨脹法)得到具體的缺陷檢測范圍。

步驟二：對ROI圖像進行閾值分割，運用median_image算子分割圖像的缺陷特征，并將灰度值補償值調整為30，將亮度高于參考圖的區域標記為缺陷檢測區域。

第三步：提取缺陷特征。使用connection算法將圖像劃分為若干個連通域，再以連通域的面積特征為基礎，選出缺陷特征像素點數量超過25個的區域，將其標記為“缺陷區域”，利用這種方式判定安全帶扣是否存在缺陷

。

3 結語

為了保障駕駛員以及乘客的生命安全，需要對安全帶扣質量進行嚴格把關，基于機器人視覺檢測技術，對安全帶扣表面缺陷檢測模式進行升級，提升檢測工作效率以及進度，實現對于安全帶扣工件生產質量的嚴格把控。

[1]楊利,陳柳松,謝永超.基于機器視覺的芯片引腳缺陷檢測系統設計與實現[J].計算機測量與控制,2021,29(07):16-20.

[2]劉國華,孫寶佳.基于機器人視覺的坩堝缺陷檢測系統[J].機械設計,2019,36(02):40-45.

[3]李天建.基于機器人視覺的汽車零配件表面缺陷檢測算法研究與實現[J].沈陽大學學報(自然科學版),2013,25(06):476-480.

[4]宋國榮,劉興奇,王洋,吳斌,何存富.視覺化機器人遠程監控系統的設計與實現[J].計算機測量與控制,2013,21(10):2689-2691.

[5]李天建.汽車零配件表面缺陷檢測算法研究與實現[J].福建工程學院學報,2013,11(04):364-368.

[6]李見為.自動視覺檢測中的啟發式圖象預處理方法[J].光電工程,1995(03):36-42.