林柳嫻

（同濟(jì)大學(xué)中德學(xué)院，上海 2 0 1 8 0 0）

基于MA T L A B的小型零件表面缺陷檢測(cè)方法研究

林柳嫻

（同濟(jì)大學(xué)中德學(xué)院，上海 2 0 1 8 0 0）

機(jī)器視覺技術(shù)在零件缺陷檢測(cè)領(lǐng)域中應(yīng)用前景廣闊。圖像處理作為機(jī)器視覺技術(shù)中的關(guān)鍵技術(shù)，對(duì)零件表面缺陷檢測(cè)效果有著直接的影響。本文以M A T L A B為圖像處理工具，對(duì)小型零件表面缺陷檢測(cè)方法進(jìn)行研究，并對(duì)不同處理方法下的檢測(cè)效果進(jìn)行分析比對(duì)，并對(duì)未來的研究方向進(jìn)行了初步的探討。

機(jī)器視覺技術(shù)；缺陷檢測(cè)；圖像處理

基于視覺識(shí)別技術(shù)的表面缺陷檢測(cè)系統(tǒng)在現(xiàn)代制造業(yè)中是保證產(chǎn)品質(zhì)量的關(guān)鍵。其通過計(jì)算機(jī)模擬人的視覺，來實(shí)現(xiàn)實(shí)際的檢測(cè)、測(cè)量和控制等功能，具有非接觸、速度快、精度合適、現(xiàn)場(chǎng)抗干擾能力強(qiáng)等突出的優(yōu)點(diǎn)。機(jī)器視覺技術(shù)包括光源照明技術(shù)、光學(xué)鏡頭、攝像機(jī)、圖像采集卡、圖像信號(hào)處理，以及執(zhí)行機(jī)構(gòu)等關(guān)鍵技術(shù)。本文以MA T L A B的圖像處理技術(shù)為基礎(chǔ)，對(duì)采集到的環(huán)形片狀小型零件進(jìn)行缺陷檢測(cè)方法研究。

1 視覺圖像和MA T L A B的聯(lián)系

MA T L A B在處理數(shù)字圖像時(shí)，通過對(duì)圖像的采樣和量化得到一幅離散化成M×N樣本的、整數(shù)整列的數(shù)字圖像，極為直觀簡(jiǎn)便，其圖像處理工具箱具有灰度變換、圖像濾波、圖像增強(qiáng)等強(qiáng)大的圖像處理功能。因此，用MA T L A B處理數(shù)字圖像在工程計(jì)算、控制設(shè)計(jì)、信號(hào)處理與通訊、圖像處理、信號(hào)檢測(cè)、金融建模設(shè)計(jì)與分析等領(lǐng)域獨(dú)具優(yōu)勢(shì)。

2 環(huán)形片狀小型零件檢測(cè)方法研究

2.1 缺陷檢測(cè)流程流程

本文在研究機(jī)器視覺檢測(cè)系統(tǒng)的硬件選型、光源照明技術(shù)以及圖像處理等方面關(guān)鍵技術(shù)的基礎(chǔ)上，基于MA T L A B 7.8編程環(huán)境下進(jìn)行表面缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)，實(shí)現(xiàn)尺寸為外徑5.5 c m，內(nèi)徑4.3 c m的薄片狀環(huán)形零件的缺陷檢測(cè)。首先采集無缺陷的零件圖像作為模板圖像，可以設(shè)置多幅模板圖像來降低誤檢率，也可將檢測(cè)到的正常零件圖像替代原模板，從而降低檢測(cè)過程中環(huán)境微小變化對(duì)檢測(cè)結(jié)果的影響再在基于MA T L A B圖像處理的編程環(huán)境下對(duì)模板圖像進(jìn)行預(yù)處理。當(dāng)匹配值小于閾值時(shí)進(jìn)行圖像分割、邊緣檢測(cè)等算法獲取缺陷區(qū)域，并提取缺陷特征進(jìn)行分類識(shí)別。

2.2 圖像處理模塊

（1）圖像增強(qiáng)處理。由于實(shí)驗(yàn)中采集的原始圖像包含了復(fù)雜的背景，再加上在光源照射、震動(dòng)、灰塵、表面粗糙等會(huì)造成噪聲干擾，因此需要進(jìn)行圖像增強(qiáng)處理，以增加圖像辨識(shí)度，銳化零件的邊緣輪廓，削弱或去除背景、噪聲等信息。圖像增強(qiáng)處理方法主要有基本灰度變換、直方圖處理、圖像濾波等。中值濾波能有效去除圖像中的離散噪聲，對(duì)圖像的實(shí)際處理效果較好。（2）圖像分割。圖像分割的目的之一就是目標(biāo)提取，其輸入為圖像而輸出為從這些圖像中提取出來的屬性。其所采用的閾值分割法相當(dāng)于對(duì)圖像進(jìn)行二值化,其實(shí)質(zhì)是確定一個(gè)閾值,通過對(duì)圖像中的每一個(gè)像素和此閾值的大小比較,決定當(dāng)前像素是前景點(diǎn)還是后景點(diǎn)。OT S U算法是閾值分割算法中較好的分割方法，其最根本的思想是把待分割的對(duì)象最終分割成兩類,因此對(duì)于本檢測(cè)系統(tǒng)中不良零件來說,該算法有利于將缺陷和背景分割開來。但對(duì)于良好的零件來說，OT S U算法會(huì)由于良好零件灰度圖像像素灰度值分布的集中度較高而失靈。（3）邊緣檢測(cè)。圖像的邊緣一般是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合,主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域包括不同色彩之間。邊緣的種類可以分為兩種:一種為階躍性邊緣,它兩邊的像素的灰度值有顯著的不同；另一種為屋頂狀邊緣,它位于灰度值從增加到減少的變化轉(zhuǎn)折點(diǎn)。邊緣檢測(cè)的步驟如下：①濾波：基于導(dǎo)數(shù)計(jì)算設(shè)計(jì)濾波器來降低噪聲，但濾波器在降低噪聲的同時(shí)也會(huì)損失一部分邊緣精度。②增強(qiáng)：通過計(jì)算梯度幅值來突出顯示鄰域中灰度有顯著變化的點(diǎn)。③檢測(cè)：通過判斷圖像中梯度幅值閾值較大的點(diǎn)進(jìn)行邊緣點(diǎn)檢測(cè)。④定位：精確確定邊緣的位置。邊緣檢測(cè)的基本算法有很多，有梯度算子、方向算子、拉普拉斯算子和坎尼算子等等。本實(shí)驗(yàn)分別用了梯度算子中的Ro b e r t s算子、S o b e l算子和P r e w i t t算子和L OG濾波器對(duì)零件圖像進(jìn)行了邊緣檢測(cè)。

Ro b e r t s算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用該算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高。如圖1（a）所示。P r e w i t t算子對(duì)灰度漸變和噪聲較多的圖像處理得較好，但未把重點(diǎn)放在接近模板中心的像素點(diǎn)上。如圖1（b）所示。S o b e l算子對(duì)灰度漸變和噪聲較多的圖像處理得較好。如圖1（c）所示。L OG算子利用高斯濾波器濾除噪聲，解決了二階導(dǎo)數(shù)算子對(duì)噪聲十分敏感的問題，即高斯濾波+拉普拉斯邊緣檢測(cè)：先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)，效果較好。本系統(tǒng)選用L OG算子，對(duì)帶缺口的薄片狀環(huán)形零件進(jìn)行邊緣檢測(cè)，效果如上圖1（d）所示。

圖1 不同算子下的邊緣檢測(cè)效果圖

2.3 缺陷特征的提取與分類

特征的提取是缺陷分類的關(guān)鍵，特征的選取應(yīng)考慮可區(qū)別性、可靠性、獨(dú)立性、數(shù)量少等因素。本實(shí)驗(yàn)中的小型塑料制品常見的缺陷種類有翹曲、缺口、變形等。圖2所示為采集的環(huán)狀小型零件的灰度圖像。從以上3種缺陷零件和正常零件的灰度圖對(duì)比可發(fā)現(xiàn)，出現(xiàn)缺失、斷裂部位的灰度值為模具背景的灰度，正常零件的該區(qū)域灰度為零件的灰度；翹曲零件翹曲位置周圍出現(xiàn)不正常的灰度。

在獲取缺陷區(qū)域后，通過特征提取模塊提取缺陷區(qū)域重心位置與零件輪廓的關(guān)系、區(qū)域灰度均值與模板圖像的同一區(qū)域的灰度均值的大小關(guān)系等3個(gè)特征，根據(jù)翹曲、缺口、變形3種缺陷的特點(diǎn)，即可判斷制品的缺陷種類。缺陷識(shí)別的基本規(guī)則如表1所示。

圖2 零件灰度圖

表1 缺陷分類判定規(guī)則

3 結(jié)語

本文基于MA T L A B對(duì)小型零件表面缺陷檢測(cè)的圖像處理部分進(jìn)行了研究,并且取得了一定成果?，F(xiàn)對(duì)不足之處進(jìn)行總結(jié)：（1）本文只針對(duì)特定形狀的小型零件表面缺陷的檢測(cè)及分類進(jìn)行了研究,而實(shí)際零件表面缺陷的種類很多。因此有必要進(jìn)一步缺陷檢測(cè)范圍。（2）本文主要是在實(shí)驗(yàn)室靜態(tài)條件下的缺陷檢測(cè)，而實(shí)際零件生產(chǎn)企業(yè)通常要求動(dòng)態(tài)的在線實(shí)時(shí)檢測(cè)，因此有必要進(jìn)一步進(jìn)行小型零件表面缺陷動(dòng)態(tài)檢測(cè)的研究。（3）在圖像處理與控制中，有待于進(jìn)一步改進(jìn)人機(jī)交互控制功能。在軟件功能方面，開發(fā)如圖像的放大與縮小，缺陷的類別和數(shù)量等相關(guān)數(shù)據(jù)的實(shí)時(shí)顯示等功能，并最終實(shí)現(xiàn)根據(jù)檢測(cè)結(jié)果進(jìn)行后續(xù)自動(dòng)控制的目的。

[1]張五一，趙強(qiáng)松，王東云.機(jī)器視覺的現(xiàn)狀及發(fā)展趨勢(shì)[J].中原工學(xué)院學(xué)報(bào)，2 0 0 8,1 9(1):9~1 5.

[2]厲曉飛.基于機(jī)器視覺的汽車零件缺陷檢測(cè)技術(shù)研究[D].武漢:武漢理工大學(xué)，2 0 1 2.

[3]秦襄培，鄭賢中.MA T L A B圖像處理寶典[M].北京，2 0 1 0:1 7~4 6.

[4]陳文達(dá)，白瑞林，吉峰等.基于機(jī)器視覺的軸承防塵蓋表面缺陷檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2 0 1 4,5 0(6):2 5 0~2 5 4.

T P 3 9 1.4 1

A

1 6 7 1-0 7 1 1（2 0 1 7）0 1（上）-0 0 6 5-0 2