楊建華 劉進圣 金永
1.中北大學(xué)電子測試技術(shù)國家重點實驗室,山西太原 030051;2.遼寧慶陽特種化工有限公司,遼寧遼陽 111002
關(guān)鍵字:包覆層;缺陷;圖像增強;閾值分割
在現(xiàn)代固體火箭和導(dǎo)彈設(shè)計中,包覆層已成為發(fā)動機裝藥的重要組成部分,它是發(fā)動機內(nèi)彈道性能和使用壽命的決定因素之一[1]。在包覆層生產(chǎn)過程中,構(gòu)成包覆層的化學(xué)原料按一定比例配比后形成料漿,再經(jīng)過高速離心機轉(zhuǎn)動、常溫固化、抽真空等一系列操作后,最終形成包覆層。然而由于生產(chǎn)工藝以及原料配比不當(dāng)?shù)挠绊懀诎矊拥谋砻婵赡軙a(chǎn)生裂紋、凸起、凹坑等缺陷。這些缺陷會導(dǎo)致包覆層的厚度偏差以及裝藥量的偏差,若偏差超過指標要求,會影響到發(fā)動機的工作性能,甚至?xí)鸢踩鹿蔥2]。
針對發(fā)動機包覆層表面缺陷的自動檢測技術(shù),采用高分辨率大光圈工業(yè)相機作為主要檢測裝置,安裝于水平測量臂末端的工業(yè)相機在伺服電機的驅(qū)動下,對包覆層表面進行等間距自動采集,采用實時的圖像增強和閾值分割方法增強缺陷的分辨率,快速判斷包覆層表面是否有缺陷存在,并找出缺陷的具體位置和大小。檢測結(jié)果能夠為包覆層生產(chǎn)工藝改進提供依據(jù)。
針對發(fā)動機筒狀的結(jié)構(gòu)和發(fā)動機的直徑較大,采用工業(yè)相機檢測發(fā)動機包覆層表面缺陷,采集原理示意圖如圖1所示。
環(huán)形光源和高分辨率的工業(yè)相機安裝于水平的測量臂末端,另一端與伺服電機驅(qū)動機構(gòu)連接,工業(yè)相機對包覆層四周進行360°圖像拍攝,其中環(huán)形光源提供照明,大光圈的工業(yè)相機成像質(zhì)量高,有助于提高缺陷圖像的對比度。
為了防止相機采集的圖像發(fā)生畸變,在固定攝像裝置時微調(diào)工業(yè)相機的位置,使其焦點與發(fā)動機的圓心在水平方向和垂直方向都處于同一平面。
在檢測的過程中,一幅圖像也可以將整個包覆層拍攝下來,但是圖像的清晰度隨著拍攝距離的增大,是會出現(xiàn)遞減趨勢的。即在一幅圖像中,某些區(qū)域可以達到很高的檢測精度,而其他區(qū)域則不能,工業(yè)相機拍攝圖像如圖2所示。
因此間距的選擇至關(guān)重要。盡管間距越小,檢測精度越高,但是隨之檢測的效率也大大降低。結(jié)合工業(yè)相機的分辨率和視距,選擇間距30mm,這樣兼顧了檢測精度和效率。通過軟件編程實現(xiàn)了工業(yè)相機等間距檢測發(fā)動機包覆層表面圖像。
對發(fā)動機包覆層表面進行缺陷檢測,采集到大量的包覆表面缺陷圖像,由于環(huán)境以及噪聲的影響,圖像比較模糊,分辨率較低,難以準確的定位和識別缺陷如圖2所示,缺陷為相對于背景灰度的高灰度和低灰度區(qū)域。
本文提出了基于形態(tài)學(xué)處理高低帽變換結(jié)合的圖像增強算法,用來提高采集的原始圖像的對比度。高帽變換用于突出暗背景上的亮物體,而低帽變換用于突出亮背景上的暗物體,因此采用原始圖像加上高帽變換的結(jié)果再減去低帽變換的結(jié)果的方法,可以使圖像前景進一步被拉伸,降低背景灰度的影響,突出細節(jié)來增強圖像的對比度。高帽變換的定義為原始圖像與圖像的開運算結(jié)果的差,低帽變換定義為原始圖像與圖像的閉運算的差[3]。
其中,b為5*5結(jié)構(gòu)元素;
將采集的圖像加上高帽變換的結(jié)果減去低帽變換的結(jié)果的算法為:
從而得到增強后的圖像F(x,y)如圖3所示,在增強后的圖像中,缺陷的特征更加明顯。
為了能更精確的獲取包覆層缺陷的大小,需要對增強后的圖像進行閾值分割。由于包覆層表面缺陷屬于復(fù)雜背景上的小目標圖像,常用的單閾值方法很難將目標從復(fù)雜背景中分割出來,本文采用Ostu雙閾值二值化的閾值選取方法來提取包覆層缺陷特征。Ostu閾值分割方法又稱“大津閾值法”或“最大類間方差法”,由日本人大津提出,該方法的原理為用某一灰度值將圖像分為兩部分,當(dāng)這兩部分類間方差最大,同時類內(nèi)方差最小時,此灰度值就作為圖像二值化處理的閾值t[4]。
采用Ostu法得到的閾值t處理后的圖像由于前景與背景差數(shù)值小導(dǎo)致閾值分割效果不好,本文設(shè)計了加權(quán)的雙閾值t1和t2來分割圖像。在閾值t的基礎(chǔ)上,設(shè)定兩個權(quán)值k1、k2,調(diào)節(jié)k1、k2的值,使得二值圖像背景與目標缺陷完好的分離處理。
采用上述方法對增強后的圖像進行閾值分割結(jié)果如圖4所示。分割后的圖像在圖4(a)中有一部分背景沒能徹底分離,再進一步通過求分割圖像的連通分量并使其單獨成像,提取目標缺陷所在的連通分量并顯示。如圖4(b)所示。目標缺陷完整的顯示。采用種子填充算法求的目標缺陷所在連通分量的大小,檢測結(jié)果如表1所示。
采用形態(tài)學(xué)的方法對圖像增強,Ostu雙閾值分割的方法提取缺陷特征,對發(fā)動機包覆層缺陷進行重復(fù)多次的檢測,得到大量的數(shù)據(jù),檢測結(jié)果表明,該方法重復(fù)性好,準確的檢測出了缺陷的具體位置以及缺陷的大小。
表1 檢測結(jié)果