宋宇寧，郭天太，趙 軍，孔 明

(中國(guó)計(jì)量大學(xué) 計(jì)量測(cè)試工程學(xué)院，浙江 杭州 310018)

基于圖像處理的內(nèi)襯套表面缺陷檢測(cè)

宋宇寧，郭天太，趙 軍，孔 明

(中國(guó)計(jì)量大學(xué) 計(jì)量測(cè)試工程學(xué)院，浙江 杭州 310018)

為了提高內(nèi)襯套的檢測(cè)速度和精度，保證內(nèi)襯套的使用壽命，提出結(jié)合圖像處理技術(shù)實(shí)現(xiàn)內(nèi)襯套表面缺陷的自動(dòng)檢測(cè).通過(guò)采用CMOS相機(jī)在近紅外背光源暗域照明環(huán)境中獲取圖像并進(jìn)行處理，實(shí)現(xiàn)對(duì)內(nèi)襯套的毛刺及擦痕的自動(dòng)檢測(cè).本檢測(cè)系統(tǒng)主要通過(guò)圖像形態(tài)學(xué)濾波和GrabGut圖像分割算法分別實(shí)現(xiàn)對(duì)內(nèi)襯套表面毛刺和擦痕的檢測(cè)，通過(guò)輪廓擬合提取檢測(cè)毛刺和擦痕的圖像，從而實(shí)現(xiàn)對(duì)內(nèi)襯套的表面缺陷檢測(cè).實(shí)驗(yàn)表明,所提出的內(nèi)襯套表面缺陷的自動(dòng)檢測(cè)方法具有高效、準(zhǔn)確的優(yōu)點(diǎn)，且該系統(tǒng)運(yùn)行穩(wěn)定，因而具有推廣價(jià)值.

圖像處理；形態(tài)學(xué)濾波；GrabCut圖像分割算法；缺陷檢測(cè)

Abstract: To improve the detection speed and precision of the inner liner of air-conditioning pipe joints, an automatic detection method based on image processing technique was proposed. The images collected by using a CMOS camera in the near infrared backlight dark area illumination environment were processed with digital image processing technique. The image morphological filtering and the GrabGut image segmentation algorithm were used to distinguish the burrs and scratches in the inner liner of air-conditioning pipe joints. Contour extraction was performed to detect the size of the burrs and scratches. Experimental results show that the automatic detection method is effective and accurate; and the system is stable and practically valuable.

Keywords: image processing; morphological filtering; GrabCut image segmentation algorithm; defect detection

內(nèi)襯套是空調(diào)管路中的重要部件之一，在空調(diào)管路中起密封作用.由于其安裝快捷、使用方便而得到廣泛應(yīng)用.內(nèi)襯套的使用能減少設(shè)備的磨損、振動(dòng)和噪音，并有防腐蝕的效果，還能方便機(jī)械設(shè)備的維修以及簡(jiǎn)化設(shè)備的結(jié)構(gòu)和制造工藝.因此，內(nèi)襯套的質(zhì)量是影響設(shè)備運(yùn)行和使用壽命的關(guān)鍵因素.而在實(shí)際加工制造過(guò)程中，會(huì)使內(nèi)襯套表面留有細(xì)小的余屑，造成毛刺的生成，同時(shí)在傳輸中難免會(huì)受到擦傷而在零件表面留下擦痕.因此，為保證空調(diào)管路的正常運(yùn)行，內(nèi)襯套的表面缺陷檢測(cè)必不可少.目前，內(nèi)襯套的表面缺陷檢測(cè)主要是人工檢測(cè)，通過(guò)人眼進(jìn)行抽檢或是逐一進(jìn)行表面檢測(cè)，但存在以下問(wèn)題：1)人工檢測(cè)很難滿足對(duì)生產(chǎn)效率的要求；2)流水線生產(chǎn)由人工進(jìn)行毛刺和擦痕檢測(cè)不但耗時(shí)，而且大大增加了生產(chǎn)成本；3)人工檢測(cè)很難定量，勞動(dòng)強(qiáng)度大，易疲勞，檢測(cè)標(biāo)準(zhǔn)不統(tǒng)一，易引入潛在的人為誤差，容易發(fā)生錯(cuò)檢漏檢[1].因此，結(jié)合視覺(jué)檢測(cè)技術(shù)實(shí)現(xiàn)內(nèi)襯套的在線檢測(cè)有著重要的研究意義.

在電子、光學(xué)和計(jì)算機(jī)等技術(shù)不斷成熟和完善的基礎(chǔ)上，視覺(jué)檢測(cè)技術(shù)得到了突飛猛進(jìn)的發(fā)展.國(guó)內(nèi)外視覺(jué)檢測(cè)技術(shù)發(fā)展迅速，涵蓋的應(yīng)用領(lǐng)域十分廣泛[2-3].例如，NI公司將可視化圖像采集的應(yīng)用從實(shí)驗(yàn)室擴(kuò)展到生產(chǎn)線上的產(chǎn)品檢驗(yàn)；日本的Keyence公司的Keyence XG-7000/8000系列影像處理系統(tǒng)中新增的算法能過(guò)濾反光或其他背景干擾，在檢測(cè)中只突出瑕疵；德國(guó)Siemens公司的智能化PROFIBUS工業(yè)視覺(jué)系統(tǒng)SIMATICVS710提供了一體化、分布式的高檔圖像處理方案.在國(guó)內(nèi)，大恒圖像公司設(shè)計(jì)的基于智能機(jī)器視覺(jué)系統(tǒng)的工件表面質(zhì)量在線檢測(cè)系統(tǒng)能夠安裝在工件生產(chǎn)流水線上，對(duì)每個(gè)工件的表面缺陷及外形尺寸等進(jìn)行在線檢測(cè)[4].

目前，基于機(jī)器視覺(jué)的表面在線檢測(cè)系統(tǒng)是表面在線檢測(cè)的主流，照明方式和缺陷處理是該系統(tǒng)的關(guān)鍵.孔祥偉對(duì)金屬鍍層工件表面強(qiáng)反射程度不同和工件表面缺陷種類繁多等問(wèn)題進(jìn)行了照明技術(shù)和缺陷檢測(cè)算法的研究[4]；王雷等研究了銅棒的在線缺陷檢測(cè)，通過(guò)低角度和同軸照明方式采集圖像，并用圖像檢測(cè)分析和處理銅表面缺陷[5]；孫雪晨等采用低角度照射對(duì)凸輪軸進(jìn)行區(qū)域定位，采用缺陷分割算法進(jìn)行表面缺陷檢測(cè)[6].

本文的檢測(cè)關(guān)鍵技術(shù)在于通過(guò)計(jì)機(jī)器視覺(jué)采集圖片后的缺陷輪廓提取.針對(duì)毛刺，本文根據(jù)缺陷特征采用的形態(tài)學(xué)濾波理論可有效的分析及處理圖形.形態(tài)學(xué)濾波理論于20世紀(jì)90年代提出.數(shù)學(xué)形態(tài)學(xué)研究以二值圖像為對(duì)象，已成為圖像處理理論的一個(gè)重要方面，廣泛應(yīng)用到機(jī)器人視覺(jué)、自動(dòng)讀取、圖像分割、邊緣檢測(cè)等領(lǐng)域.針對(duì)擦痕，本文采用缺陷分割算法處理，圖割理論于2001年，Boykov等人引入圖像分割的領(lǐng)域；2004年，Rother等人提出了Grabcut算法；2005年，C.Vachier等人提出了分水嶺算法的研究.由于分水嶺分割存在著邊界分割粗糙的不足，因此本文采用速度快、檢測(cè)精準(zhǔn)的GrabCut進(jìn)行分割處理.

針對(duì)現(xiàn)有視覺(jué)自動(dòng)化檢測(cè)技術(shù)的弊端，本文提出一種內(nèi)襯套表面缺陷自動(dòng)檢測(cè)系統(tǒng)，通過(guò)采用近紅外背光源暗域照明方式進(jìn)行圖像采集，采用圖像形態(tài)學(xué)濾波和GrabCut圖像分割算法分別實(shí)現(xiàn)對(duì)內(nèi)襯套表面毛刺和擦痕的提取，針對(duì)不同缺陷實(shí)現(xiàn)有針對(duì)性的檢測(cè).

1 檢測(cè)系統(tǒng)搭建及流程

1.1 系統(tǒng)結(jié)構(gòu)

內(nèi)襯套表面缺陷自動(dòng)檢測(cè)系統(tǒng)的結(jié)構(gòu)圖如圖1，主要由兩部相機(jī)、背光源、電源、I/O卡、計(jì)算機(jī)等組成.

圖1 檢測(cè)系統(tǒng)結(jié)構(gòu)圖Figure 1 Diagram of detection system structure

系統(tǒng)的主要任務(wù)是利用機(jī)器視覺(jué)技術(shù)對(duì)實(shí)時(shí)拍攝到的內(nèi)襯套進(jìn)行圖像處理，根據(jù)所要檢測(cè)的缺陷特征進(jìn)行分析，得出毛刺與擦痕輪廓.CMOS相機(jī)1和背光源1的組合是為了拍取內(nèi)襯套口徑處的毛刺；CMOS相機(jī)2和背光源2的組合是為了拍取內(nèi)襯套表面的擦痕.為實(shí)現(xiàn)表面一周的圖像采集，底座的旋轉(zhuǎn)運(yùn)動(dòng)平臺(tái)每隔5s旋轉(zhuǎn)一次，每一次相機(jī)采集角度為120°，以完成整個(gè)內(nèi)襯套表面圖像的采集.

由于內(nèi)襯套為金屬工件，在光源照射下易產(chǎn)生強(qiáng)反射，使得缺陷和非缺陷區(qū)域之間對(duì)比度低.為避免自然光及其他雜光對(duì)拍攝環(huán)境的影響，實(shí)驗(yàn)采用暗場(chǎng)照明方式.在照明中，為更好地獲取零件表面缺陷的圖像，需針對(duì)物體的反射特性調(diào)整被測(cè)物體、光源與攝像機(jī)的位置.由于毛刺常位于口徑處，故將近紅外背光源放置于內(nèi)襯套底部，采用垂直拍攝方式，以獲取更清晰的毛刺圖像輪廓.而擦痕常位于內(nèi)襯套，故將近紅外背光源放置在內(nèi)襯套前側(cè)，將光源打在內(nèi)襯套表面，以內(nèi)襯套為中心，攝像機(jī)與光源在同一圓弧上，相隔一定弧度對(duì)內(nèi)襯套進(jìn)行低角度拍攝，使得擦痕表面的光照相對(duì)于光滑表面處更亮，以突出擦痕的缺陷特征.

1.2 檢測(cè)流程

系統(tǒng)采用兩部相機(jī)進(jìn)行內(nèi)襯套兩方位圖像采集，以實(shí)現(xiàn)毛刺和擦痕缺陷的提取.在圖1的檢測(cè)系統(tǒng)中，人工將零件放置在暗箱中進(jìn)行檢測(cè).檢測(cè)流程如圖2.

圖2 檢測(cè)流程圖Figure 2 Detection flow chart

檢測(cè)時(shí)，首先打開(kāi)水平放置的背光源1和CMOS相機(jī)1，采集內(nèi)襯套輪廓圖像，用于檢測(cè)輪廓處是否有毛刺；關(guān)閉背光源1和CMOS相機(jī)1，打開(kāi)背光源2和CMOS相機(jī)2，采集內(nèi)襯套表面圖像，用于檢測(cè)表面是否有擦痕.為去除圖像中的干擾因素需對(duì)圖像進(jìn)行預(yù)處理，主要包括濾除和閾值處理，然后進(jìn)行缺陷特征提取，最后通過(guò)輪廓擬合得到對(duì)缺陷的檢測(cè)結(jié)果.

圖3、圖4分別為實(shí)驗(yàn)中采集到的毛刺件圖像與擦痕件圖像.

圖3 毛刺件圖Figure 3 Sample with burrs

圖4 擦痕件圖Figure 4 Sample with scratches

2 圖像處理

2.1 圖像預(yù)處理

圖像預(yù)處理的目的，是將采集得到的圖像進(jìn)行灰度化、濾波和閾值處理.

1)圖像灰度化

圖像灰度化將圖像轉(zhuǎn)變成灰度圖像，這不僅保持了整幅圖像的整體和局部的色度和亮度等級(jí)的分布和特征，還能減少后續(xù)的圖像處理的計(jì)算量.

2)圖像濾波

圖像信息在采集過(guò)程中往往受到各種噪聲的干擾，通過(guò)圖像濾波可以更有效地提取感興趣的視覺(jué)特征.實(shí)驗(yàn)中采用雙邊濾波進(jìn)行處理，通過(guò)將常用的高斯濾波、中值濾波和雙邊濾波的處理進(jìn)行對(duì)比.以毛刺件為例，其圖像濾波效果如圖5.

圖5 毛刺件的圖像濾波效果Figure 5 Images with filtering of the burrs

從圖5可以看出，高斯濾波模糊了整個(gè)圖像信息，且沒(méi)有濾去外圍零件反射光，易對(duì)后期處理產(chǎn)生干擾；中值濾波對(duì)圖像的噪聲處理效果較差，與高斯濾波一樣沒(méi)有濾去外圍零件反射光；雙邊濾波在合理去除噪聲和反射光的同時(shí)可以較好地保留圖像的邊緣信息.因此，本文采用雙邊濾波對(duì)圖像進(jìn)行處理.

雙邊濾波是非迭代的一般圖像平滑處理工具，被定義為鄰近像素的加權(quán)平均.雙邊濾波考慮與相鄰像元的值的差異，以在平滑時(shí)保留邊.雙邊濾波的關(guān)鍵思想，是當(dāng)一個(gè)像素影響另一個(gè)像素時(shí)，它應(yīng)該不僅占據(jù)附近的位置，而且具有類似的值[7].

如圖6(a)、(b)分別為灰度圖像經(jīng)過(guò)雙邊濾波后的毛刺圖像和擦痕圖像.

圖6 雙邊濾波后的灰度圖像Figure 6 Grayscale images with bilateral filtering

3)閾值處理

圖像閾值處理也稱為二值化，其目的是將圖像結(jié)果轉(zhuǎn)換成黑白二值圖像，得到清晰的邊緣輪廓線.根據(jù)灰度圖的信息分析，實(shí)驗(yàn)采用上下閾值法，可突出缺陷圖像信息.如圖7(a)、(b)分別為經(jīng)過(guò)上下閾值處理后的毛刺件和擦痕件二值圖像.

圖7 經(jīng)過(guò)上下閾值處理后的二值圖像Figure 7 Binary images with upper and lower threshold processing

2.2 缺陷檢測(cè)

輪廓提取即是從內(nèi)襯套圖像中得到缺陷部分，它是保證測(cè)量精度的關(guān)鍵環(huán)節(jié).針對(duì)機(jī)器視覺(jué)檢測(cè)中的圖像通常只包含工件和背景兩類區(qū)域的特點(diǎn)，實(shí)驗(yàn)中根據(jù)不同缺陷特征采取不同的圖像分割方法.缺陷檢測(cè)流程如圖8.

圖8 缺陷檢測(cè)流程圖Figure 8 Flow chart for defect detection

實(shí)驗(yàn)中采用圖像形態(tài)學(xué)濾波獲取毛刺點(diǎn)二值圖像，采取最小外接矩陣包圍不規(guī)則的毛刺輪廓；采用GrabGut圖像分割算法提取內(nèi)襯套表面的擦痕，將前景與背景進(jìn)行分割并提取擬合擦痕輪廓.

2.3 毛刺檢測(cè)

毛刺是外邊緣理想幾何形狀外的剩余粗料，加工或成形工藝的殘余，常位于內(nèi)襯套口徑處.為提取毛刺輪廓，實(shí)驗(yàn)采用基于數(shù)學(xué)形態(tài)學(xué)運(yùn)算中腐蝕膨脹進(jìn)行處理.

腐蝕的過(guò)程是替換當(dāng)前像素位像素集合找到的最小像素值.膨脹則是相反的運(yùn)算，它替換當(dāng)前像素位像素集合中找到的最大像素值.由于輸入的二值圖像僅包含黑色(0)和白色(255)像素，故每個(gè)像素只會(huì)被替換為白色像素或黑色像素[8].

1)膨脹

膨脹就是求局部最大值的操作.按數(shù)學(xué)方面來(lái)說(shuō)，膨脹或者腐蝕操作就是將圖像(或圖像的一部分區(qū)域，記為A)與核(記為B)進(jìn)行卷積，即計(jì)算核B覆蓋的區(qū)域的像素點(diǎn)的最大值，并把這個(gè)最大值賦值給參考點(diǎn)指定的像素.這樣就會(huì)使圖像中的高亮區(qū)域逐漸增長(zhǎng).如圖9為膨脹操作的工作原理.

圖9 膨脹操作的工作原理Figure 9 Schematic diagram of the dilating operation

膨脹的數(shù)學(xué)表達(dá)式如下:

(1)

毛刺件膨脹處理效果圖如圖10.

圖10 毛刺件膨脹處理效果圖Figure 10 Burr after dilating operation

2)腐蝕

由于膨脹和腐蝕是相反的一對(duì)操作，所以腐蝕就是求局部最小值的操作.

如圖11為腐蝕操作的工作原理.

圖11 腐蝕操作的工作原理Figure 11 Schematic diagram of the eroding operation

腐蝕的數(shù)學(xué)表達(dá)式如下:

(2)

毛刺件膨脹處理后再進(jìn)行腐蝕處理效果圖如圖12.

圖12 毛刺腐蝕處理效果圖Figure 12 Burr after eroding operation

將圖12，經(jīng)過(guò)形態(tài)學(xué)處理變換后得到的與內(nèi)襯套輪廓分離的毛刺，采用最小外接矩陣包圍毛刺連通域的方法獲取毛刺擬合輪廓，如圖13.

圖13 毛刺輪廓擬合圖Figure 13 Burr profile fit

2.4 擦痕檢測(cè)

擦痕是工件加工過(guò)程中工件表面與硬物摩擦導(dǎo)致的不規(guī)則、間斷的面狀分布，常位于內(nèi)襯套表面處.為提取擦痕輪廓，實(shí)驗(yàn)采用GrabCut圖像分割算法進(jìn)行處理，即在通過(guò)上下閾值獲取的擦痕件二值圖的基礎(chǔ)上，再應(yīng)用GrabCut進(jìn)行細(xì)分割處理.

GrabCut是一種高效的交互式分割算法.用戶將一些前景和背景像素標(biāo)記為種子像素[9]，然后將未標(biāo)記像素的灰度級(jí)與標(biāo)記像素的灰度級(jí)進(jìn)行比較，并計(jì)算最小能量值，以便分割圖像[10].

GrabCut算法使用GMM(Gaussian Mixture Model，高斯混合模型)創(chuàng)建彩色圖像數(shù)據(jù)模型.每個(gè)GMM分為兩個(gè)部分，一個(gè)用于背景，一個(gè)用于前景，被認(rèn)為是具有K個(gè)分量(通常K= 5)的全協(xié)方差高斯混合.為了處理GMM，在優(yōu)化框架中，附加矢量k= {k1，…，kn，…，kN}，其中kn∈{1，…K}，分配給每個(gè)像素一個(gè)獨(dú)立的GMM分量，一個(gè)分量來(lái)自背景或前景模型，根據(jù)α= 0或1，用于分割的吉布斯能量現(xiàn)在變?yōu)閇11]：

(3)

吉布斯能量還取決于GMM分量的變量k.其中，U被定義為

(4)

(5)

γ是常量，C是相鄰像素對(duì)的集合，dis(·)是相鄰像素的歐幾里得距離，β(·)是平滑趨勢(shì).其公式如下:

(6)

其中p(·)是高斯概率分布，π(·)是混合加權(quán)系數(shù)．

(7)

因此，模型的參數(shù)表達(dá)式為

(8)

即權(quán)重π，意味著背景和前景分布的2K高斯分量的m和協(xié)方差∑.平滑項(xiàng)V與單色情況(5)基本上沒(méi)有變化，除了使用顏色空間中的歐幾里得距離來(lái)計(jì)算對(duì)比度項(xiàng)

(9)

GrabCut分割算法其產(chǎn)生的結(jié)果比分水嶺算法更為精準(zhǔn)，對(duì)于期望從靜態(tài)圖像中提取前景物體的應(yīng)用，這是最佳算法.在GrabCut算法處理中需要在局部矩形區(qū)域內(nèi)進(jìn)行處理，因此，實(shí)驗(yàn)在已獲取的二值圖像信息中選定擦痕所在面的局部矩形區(qū)域進(jìn)行分割處理[12]，將通過(guò)上下閾值處理獲取的劃痕部分作為前景像素，整個(gè)零件與其他部分為背景像素.基于局部的標(biāo)記，算法將確定完整圖像中的前景與背景分割.如圖14，采用局部標(biāo)記的方法是定義一個(gè)矩陣，前景物體被包圍在矩陣內(nèi)[13].

GrabCut算法在指定矩形包圍盒來(lái)提取前景物體(擦痕)，并創(chuàng)建背景/前景分割.背景與前景像素的邊界分割的優(yōu)化問(wèn)題通過(guò)GrabCut算法得到高效解決，該算法將問(wèn)題轉(zhuǎn)化為對(duì)連通圖進(jìn)行切割(Cut)以構(gòu)成最優(yōu)配置，獲取的分割結(jié)果產(chǎn)生新的像素標(biāo)簽[14].因此，GrabCut是一個(gè)迭代的過(guò)程，不斷地優(yōu)化結(jié)果.根據(jù)場(chǎng)景的復(fù)雜度，得到滿意方案的迭代次數(shù)可根據(jù)需要進(jìn)行調(diào)整.分割后的二值圖像如圖15.

在圖15經(jīng)過(guò)GrabCut算法分割后得到的與內(nèi)襯套表面分離的擦痕圖像的基礎(chǔ)上，對(duì)獲取的擦痕擬合輪廓，如圖16.

圖14 局部標(biāo)記前景物體圖Figure 14 Local marker for foreground object

圖15 擦痕二值圖Figure 15 Split binary image of scratch

圖16 擦痕輪廓擬合圖Figure 16 Fitted scratch profile

3 結(jié)果分析

為測(cè)試本文所提檢測(cè)方法的檢測(cè)速率和檢測(cè)精度，在盡量保證同等測(cè)試設(shè)備環(huán)境的條件下，采集了200張不同的內(nèi)襯套圖像.為減少檢測(cè)時(shí)間，算法多次使用閾值分割減小被檢測(cè)區(qū)域，同時(shí)通過(guò)指定局部區(qū)域，有效篩選感興趣輪廓.

缺陷檢測(cè)結(jié)果如表1.通過(guò)機(jī)器視覺(jué)檢測(cè)結(jié)果與人工檢測(cè)結(jié)果進(jìn)行對(duì)比，檢測(cè)的內(nèi)襯套尺寸較小，檢測(cè)率可達(dá)99%，整體檢測(cè)速度較快，檢測(cè)時(shí)間控制在1 000 ms以內(nèi).可以看出，機(jī)器視覺(jué)檢測(cè)的精度更高，結(jié)果更理想.

表1缺陷檢測(cè)結(jié)果

Table 1 Defect detection results

樣本數(shù)毛刺缺陷漏檢/%擦痕缺陷漏檢/%平均運(yùn)算時(shí)間/ms2002.476.49923

4 結(jié) 語(yǔ)

工件檢測(cè)是生產(chǎn)工藝中的重要環(huán)節(jié).針對(duì)傳統(tǒng)的人工檢測(cè)方法存在的問(wèn)題，本文結(jié)合機(jī)器視覺(jué)技術(shù)，提出了基于圖像處理的內(nèi)襯套的表面缺陷自動(dòng)檢測(cè)方法.該方法的優(yōu)點(diǎn)有三個(gè).1)設(shè)備改進(jìn)：采用近紅外背光源暗域照明，解決了金屬件圖像采集中存在的強(qiáng)反射、缺陷圖像不明顯等問(wèn)題.2)檢測(cè)算法：針對(duì)不同的缺陷特征采用不同的圖像分割算法進(jìn)行缺陷提取，處理方法有針對(duì)性.3)提高了檢測(cè)精度：常見(jiàn)的檢測(cè)方法中均采用相同的方法和環(huán)境進(jìn)行缺陷檢測(cè)，會(huì)使結(jié)果的精確度缺失；本文分析兩種缺陷的特征提出不同的提取毛刺、擦痕缺陷的方法，并進(jìn)行輪廓擬合，獲取輪廓信息.結(jié)果表明，該檢測(cè)方法可使缺陷識(shí)別率、檢測(cè)效率達(dá)到較高水平，從而保證了空調(diào)管路的密封性和安裝維護(hù)的快捷性、方便性，進(jìn)而提高了零部件的安全性和使用壽命，有利于內(nèi)襯套表面缺陷檢測(cè)工序?qū)崿F(xiàn)生產(chǎn)自動(dòng)化.

[1] 吳彰良，孫長(zhǎng)庫(kù)，劉潔.基于圖像處理的油封缺陷自動(dòng)檢測(cè)與分類識(shí)別方法[J].儀器儀表學(xué)報(bào)，2013,34(5)：1093-1099.WU Z L, SUN C K, LIU J. Oil-seal surface defect automatic detection and recognition method based on imageprocessing[J].ChineseJournalofScientificInstrument,2013,34(5)：1093-1099.

[2] 王娟,周永霞,徐冰俏,等.圖像處理在膠囊外形缺陷檢測(cè)中的應(yīng)用[J].中國(guó)計(jì)量學(xué)院學(xué)報(bào).2012,23(3):239-245. WANG J, ZHOU Y X, XU B Q. Image processing in capsule shape defect detection[J].JournalofChinaUniversityofMetrology.2012, 23(3):239-245.

[3] 何金彪，周永霞. 基于機(jī)器視覺(jué)的罐蓋缺陷檢測(cè)[J].中國(guó)計(jì)量大學(xué)學(xué)報(bào).2015, 26(3)：269-273. HE J B, ZHOU Y X. Lid defects inspection based on machine vision[J].JournalofChinaUniversityofMetrology.2015,26(3)：269-273.

[4] 孔祥偉.組合光源與圖像處理算法在工件表面缺陷檢測(cè)中的應(yīng)用[D].天津：天津大學(xué)，2007. KONG X W.TheApplicationofCombinatorialLamp-houseandImageProcessingAlgorithminWorkpieceSurfaceDefectInspecting[D].Tianjin: Tianjin University,2007.

[5] WANG L, SHEN Y. Design of machine vision applications in detection of defects in high-speed bar copper [C]//2010InternationalConferenceonE-ProductE-ServiceandE-Entertainment.Henan:IEEE: 2010:1-4.

[6] 孫雪晨,姜肖楠,傅瑤,等.基于機(jī)器視覺(jué)的凸輪軸表面缺陷檢測(cè)系統(tǒng)[J].紅外與激光工程.2013,42(6)：1647-1653. SUN X C, JIANG X N, FU Y, et al. Surface defect detection system for camshaft based on computer vision[J].InfraredandLaserEngineering,2013,42(6)：1647-1653.

[7] SYLVAIN P, PIERRE K, JACK T, et al. Bilateral filtering: theory and applications[J].ComputerGraphicsandVision, 2008,4(1) :1-73.

[8] ROBERT L.OpenCV2計(jì)算機(jī)視覺(jué)編程手冊(cè)[M].張靜,譯.北京：科學(xué)出版社, 2013:103-106.

[9] HE Y R, SUN Y Q. An automatic image segmentation algorithm based on GrabCut[C]//Wireless,MobileandMulti-Media(ICWMMN2015),6thInternationalConferenceon. Beijing: IET,2015:185-190.

[10] BOYKOV Y Y, JOLLY M P. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]//ProceedingsofEighthIEEEInternationalConferenceonICCV.Canada:IEEE,2001:105-112.

[11] ROTHER C, KOLMOGOROV V, BLAKE A. GrabCut: interactive foreground extraction using iterated graph cuts[J].ACMTransactionsonGraphics,2004, 23(3): 309-314.

[12] HUA S Y, SHI P. GrabCut Color image segmentation based on region of interest[C]//The20147thInternationalCongressonImageandSignalProcessingonIEEE. Dalian: IEEE,2015:392-396.

[13] WANG R,PENG J Y, LI P,et al.Improved color image segmentation algorithm based on GrabCut[J].AppliedMechanicsandMaterials, 2013, 373-375,464-467.

[14] KHATTAB D, EBIED H M, HUSSEIN A S. Multi-label automatic GrabCut for image segmentation[C]//14thInternationalConferenceonHybridIntelligentSystems. Kuwait: IEEE,2014:152-157.

Detectionofsurfacedefectsininternalbushingofairconditioningpipejointsbasedonimageprocessing

SONG Yuning, GUO Tiantai, ZHAO Jun, KONG Ming

(College of Metrology and Measurement Engineering, China Jiliang University, Hangzhou 310018, China)

2096-2835(2017)03-0274-08

10.3969/j.issn.2096-2835.2017.03.002

2017-03-13 《中國(guó)計(jì)量大學(xué)學(xué)報(bào)》網(wǎng)址zgjl.cbpt.cnki.net

國(guó)家自然科學(xué)基金資助項(xiàng)目(No.51476154).

TG86

A