基于機器視覺的零件表面缺陷自動檢測技術應用

中圖分類號：TP391.41 文獻標志碼：A 文章編碼：1672-7274（2025）07-0113-04

Application of Automatic Detection Technology for Surface Defects of Parts Based on Machine Vision

ZHANG Yonghong （AECC Aero-Engine Co.，Ltd.，Xi'an 710021， China）

Abstract： This paper explores the application of machine vision in the defect detection of parts.By constructing an imaging system and optimizing the light source，and combining image preprocessng，a detection foundation is established.Threshold segmentation and morphological processng are used to extract defect features.The algorithm process isoptimized，andpixelcorrelationanalysisand paralelcomputing strategiesare integrated toachieveccuate identification and classification of defects，providing a solution for industrial quality control.

Keywords： machine vision; surface defects of parts; automatic detection; algorithm optimization

0 引言

隨著現代制造業的快速發展，零件表面缺陷的檢測對于確保產品質量和安全性至關重要。傳統的人工檢測方法不僅效率低下，而且易受主觀因素影響，難以滿足高精度、高效率的生產需求。機器視覺技術作為一種先進的非接觸式檢測技術，憑借其高精度、高效率及良好的適應性和靈活性，在零件表面缺陷檢測領域展現出巨大潛力。特別是在航空領域，零件的高精度、高可靠性和高安全性要求使得機器視覺技術成為關鍵的檢測手段。

1 機器視覺技術基礎

1.1機器視覺技術概述

機器視覺技術是一種融合光學、圖像處理、人工智能等多領域技術的綜合性檢測技術，通過工業相機等圖像采集設備獲取物體的圖像信息，利用圖像處理算法對圖像進行預處理、特征提取和分析，最終實現物體的識別、定位和檢測[1。在機器視覺系統中，通過高精度的工業相機和適當的照明系統，可以捕捉到零件表面的清晰圖像，被傳輸到圖像處理單元進行進一步的處理和分析。圖像處理算法能夠去除圖像中的噪聲和干擾因素，提取出有用的特征信息，如邊緣、紋理、顏色等。利用這些特征信息，機器視覺系統可以實現對零件表面的缺陷進行自動檢測和識別。

1.2機器視覺在缺陷檢測中的優勢

機器視覺技術在零件表面缺陷檢測中，可以實現非接觸式檢測，避免傳統檢測方法中因接觸而產生的二次損傷和誤差。機器視覺技術具有高精度和高效率的特點，能夠實現對零件表面的微小缺陷進行快速、準確的檢測。此外，機器視覺技術還具有很好的適應性和靈活性，可以適用于不同類型和規格的零件表面缺陷檢測。以航空領域為例，航空零件通常具有高精度、高可靠性和高安全性的要求。傳統的檢測方法難以滿足這些要求，而機器視覺技術可以通過對零件表面的圖像進行高精度處理和分析，實現對微小缺陷的快速檢測和識別，不僅提高檢測效率，還降低漏檢和誤檢的風險，為航空領域的安全生產提供有力保障。

2 零件表面圖像采集與處理

2.1圖像采集裝置搭建

在零件表面缺陷自動檢測技術中，為了實現高精度的圖像采集，選擇了高分辨率的工業相機，該相機具備出色的圖像捕捉能力和穩定性。以及專業的圖像采集裝置，以確保相機能夠穩定、準確地捕捉到零件表面的圖像[2]。在照射光源的選擇上，采用高亮度、可調節的LED光源，通過精確調節光源的亮度和角度，可以有效消除零件表面的反光和陰影，從而提高圖像的清晰度和對比度。這些設備通過高效的集成，構成了完整的機器視覺掃描裝置（如圖1所示），為后續的圖像處理和分析提供堅實的基礎。

圖1機器視覺掃描裝置

在航空零件表面缺陷檢測中，由于航空零件通常具有復雜的形狀和材質，需要根據零件的具體特點來選擇合適的光源和打光方式。通過反復試驗和調整，確定最佳的光源亮度和角度，以及最合適的打光方式，不僅有效提高圖像的清晰度和對比度，還進一步降低噪聲和干擾因素，為后續的圖像處理提供更有利的條件。

2.2圖像預處理

圖像預處理是零件表面缺陷自動檢測中的重要環節。通過對采集到的圖像進行預處理，可以進一步消除噪聲和干擾因素，提高圖像的清晰度和準確性。均值濾波處理是一種常用的圖像平滑技術。通過計算圖像中每個像素點周圍鄰域內像素值的平均值，將其作為該像素點的新值，可以有效去除圖像中的噪聲和細小顆粒。此過程如式（1）所示：

式中， g（x，y） 表示處理后的圖像像素值； 表示原始圖像像素值； m 表示鄰域內像素點的數量。通過均值濾波處理，可以使圖像更加平滑，從而更容易識別出零件表面的缺陷。除了均值濾波處理外，還需要進行噪聲去除和圖像增強工作。噪聲去除主要是通過消除圖像中的無用信息和干擾因素來提高圖像的清晰度。可以采用多種噪聲去除算法，如中值濾波、高斯濾波等，根據具體情況選擇最合適的算法進行處理。圖像增強則是通過增強圖像中的有用信息來提高圖像的對比度和可讀性。通過采用直方圖均衡化、拉普拉斯銳化等方法對圖像進行增強處理，從而進一步提高圖像的質量和可識別性。

通過以上圖像預處理步驟，可以使采集到的零件表面圖像更加清晰、準確，為后續的缺陷識別和分析提供更有利的條件。在航空領域等高精度要求的場合下，這些預處理步驟能夠準確、快速地識別出零件表面的微小缺陷，從而保障產品的質量和安全性。

3 零件表面缺陷區域提取與識別

3.1閾值分割方法應用

在零件表面缺陷自動檢測技術中，閾值分割是一種常用的缺陷區域提取方法。通過對采集到的圖像進行閾值分割，可以將圖像中的缺陷區域與正常區域進行初步劃分。在進行閾值分割時，需要設定一個合適的閾值。這個閾值的選擇需要根據零件表面的具體情況和圖像的特點來確定。通過設定閾值，可以將圖像中的像素值分為兩類：高于閾值的像素被視為缺陷區域，而低于閾值的像素則被視為正常區域。可以初步劃分出零件表面的缺陷區域，為后續的處理和分析提供基礎。在航空領域，由于零件的表面質量和安全性要求極高，通過多次試驗和調整，確定最適合航空零件表面缺陷檢測的閾值設定方法，從而確保缺陷區域的初步劃分準確無誤。

在初步劃分出缺陷區域后，還需要進行形態學數字化處理，以進一步提取和識別缺陷區域的特征。最小外接矩陣填充是一種常用的形態學處理方法。通過對初步劃分的缺陷區域進行最小外接矩陣填充，可以得到一個更加完整、連續的缺陷區域圖像。此區域的計算如式（2）所列：

R₂=R∩R^c

式中， R₂ 表示填充后的缺陷區域； R 表示原始缺陷區域； R^c 表示判別區域。通過最小外接矩陣填充，可以有效地去除缺陷區域中的孤立點和噪聲，從而提高缺陷識別的準確性。

在形態學數字化處理中，判別因子的計算也是一項重要工作。通過對缺陷區域的形態學特征進行分析，可以得到一個用于劃分缺陷區域的判別因子k。判別因子計算如式（3）所示：

式中， R² 表示填充后的缺陷區域； H 表示結構元；判別因子 的大小可以反映缺陷區域的形態學特征，提供識別缺陷類型的依據。

3.2缺陷特征提取

在完成形態學數字化處理后，需要進一步提取缺陷區域的特征，以便進行后續的識別和分析。圖像邊緣算子是反映圖像中物體輪廓和邊界的重要特征。通過對缺陷區域進行圖像邊緣算子提取，可以得到缺陷區域的輪廓和邊界信息，從而更加準確地識別出缺陷的位置和形狀。在航空領域，由于零件的形狀和結構復雜多樣，圖像邊緣算子的提取對于缺陷識別具有重要意義。除了圖像邊緣算子提取外，還需要對缺陷區域的灰度性質點進行分析。灰度性質點是指圖像中像素值的分布和變化情況，可以反映缺陷區域的紋理、顏色等特征。通過對灰度性質點進行分析，可以進一步了解缺陷區域的特征，從而為后續的缺陷識別和分類提供依據。

在航空零件表面缺陷檢測中，采用了先進的圖像處理和分析技術，對缺陷區域的灰度性質點進行了深入的分析和研究。通過結合圖像邊緣算子提取和灰度性質點分析，可以更加準確、全面地識別和分類零件表面的缺陷，為航空領域的高質量生產和安全性保障提供了有力的技術支持。

4 零件表面缺陷自動檢測算法設計

4.1像素相關性計算

在零件表面缺陷自動檢測中，像素相關性計算是判斷圖像間相似度的重要手段，對于缺陷的初步篩查至關重要。為了準確評估零件表面圖像與標準圖像或前一次檢測圖像之間的相似度，采用了像素比對的方法。對于原始圖像和待檢測圖像中的每一個對應像素點，我們計算其灰度值或顏色值的差異，并通過統計這些差異來得到整體的相似度R。相似度R的計算公式可以根據具體需求設計，如采用均方誤差（MSE）的倒數或其他相關函數。在航空零件檢測中，由于零件表面細微缺陷可能對飛行安全構成嚴重威脅，對相似度R的閾值設定極為嚴格，以確保任何微小變化都能被及時捕捉到。相似度計算公式如式（4）所示：

式中， R 表示相似度計算結果； a 表示圖像設置系數； b表示圖像實際系數。

灰度性質點匹配算法是進一步確認缺陷存在與否及其類型的關鍵步驟。由于不同圖像可能因光照、設備差異等因素導致灰度值范圍不同，直接進行灰度性質點比對可能會產生誤差。在進行匹配之前，對圖像進行歸一化處理，將灰度值映射到一個統一的范圍內。歸一化后的相似度R計算可以基于灰度直方圖的相似度度量，如直方圖交集、卡方距離等。通過歸一化處理，能夠提高缺陷識別的魯棒性，使得算法在不同環境下都能保持穩定的性能。系數歸一化處理計算公式如式（5）所示：

在歸一化處理的基礎上，進一步設計算法來識別并定位缺陷點。通常涉及對圖像進行局部特征分析，如使用邊緣檢測、紋理分析等技術來突出缺陷區域。一旦缺陷區域被識別出來，可以通過計算其與標準圖像的差異來確定缺陷的類型和嚴重程度。

4.2檢測算法流程與優化

為了實現高效、準確的零件表面缺陷自動檢測，需要設計合理的檢測算法流程，并不斷優化算法的性能。自動化檢測流程包括圖像采集、預處理、像素相關性計算、灰度性質點匹配以及缺陷識別與定位等步驟。每個步驟都經過精心設計，以確保整個流程的順暢和高效。例如，在圖像預處理階段，采用了濾波、增強等技術來提高圖像質量；在像素相關性計算和灰度性質點匹配階段，運用先進的算法來確保計算的準確性和魯棒性[3。如圖2零件表面缺陷自動檢測流程。

圖2零件表面缺陷自動檢測流程

為了提高算法的效率和準確性，采取了多種優化策略。一方面，對算法進行了并行化處理，利用多核CPU或GPU來加速計算過程；另一方面，不斷優化算法參數和閾值設定，以提高缺陷識別的準確率和召回率。此外，還引入了機器學習技術來訓練模型，使其能夠更好地適應不同類型和規格的零件表面缺陷檢測任務。在航空領域的應用中，能夠有效提高檢測算法的性能和可靠性，為航空零件的質量控制和安全性保障提供有力支持。

5 結束語

基于機器視覺的零件表面缺陷自動檢測技術，從機器視覺技術基礎出發，詳細探討了圖像采集與處理、缺陷區域提取與識別以及檢測算法設計等關鍵環節。通過優化圖像預處理步驟、采用先進的缺陷提取與識別方法，以及設計高效的檢測算法流程，有效提高零件表面缺陷檢測的準確性和效率。特別是在航空領域的應用中，能夠有效提升航空零件的質量控制水平，為航空安全提供有力保障。

參考文獻

[1]王昊宇，彭群，鄭進彪，等.精沖零件表面缺陷機器視覺檢測[J].鍛造與沖壓，2024（20）：20-22.

[2]張新.基于機器視覺的精密機械零件表面磨損缺陷檢測[J].現代制造技術與裝備，2024，60（08）：128-131.

[3]姚翠萍.基于機器視覺的零件表面缺陷自動檢測識別研究[J].機電產品開發與創新，2024.37（03）：104-106.