摘要：為了更好的識別齒輪端面在加工過程中所出現(xiàn)的表面缺陷，本文提出了一種基于機器視覺的齒輪端面缺陷檢測方法，該方法將會通過對齒輪端面圖像的預處理及識別過程，對端面上缺陷的存在性及缺陷類型進行快速且準確的識別。同時，為了實現(xiàn)檢測方法所需的圖像多分類任務，本文對一般的支持向量機分類算法進行了改進，同時，利用多線程編程方法加速了對缺陷圖像的分類過程。最后，本文還通過控制單元實現(xiàn)了對不同類型缺陷的識別反饋。經(jīng)圖像分類測試，本文所述的缺陷檢測方法對本文所涉及的工件表面缺陷圖像的識別準確率可達100%。

關鍵詞：機器視覺;支持向量機;缺陷檢測;多線程編程

0 ?引言

隨著國家生產(chǎn)力水平的提高，工廠對各種工件生產(chǎn)的質(zhì)量要求也有了大幅提升。齒輪作為一種重要的傳動件，其生產(chǎn)質(zhì)量將直接影響機械整體的運行情況。但在齒輪的生產(chǎn)過程中，時常由于各種因素使其端面出現(xiàn)劃痕、氧化、斑塊等缺陷，從而導致該工件質(zhì)量不達標。在過去，為了控制齒輪出廠質(zhì)量，工廠需雇傭?qū)ｉT的質(zhì)檢員對工件進行人工質(zhì)檢。但人眼的識別能力有限，不同的人對工件表面缺陷的敏感程度也不相同，尤其在長時間的連續(xù)勞作情況下，人工質(zhì)檢的方法會使檢測效率大打折扣，因此，人工質(zhì)檢方法已經(jīng)不能滿足當下的工廠發(fā)展需求。基于機器視覺的檢測技術是目前世界范圍內(nèi)的熱門研究方向之一，該種技術可以利用計算機對工件表面圖像進行處理及識別，從而替代過去的人工質(zhì)檢，實現(xiàn)對工件表面的自動化檢測過程。

1 ?圖像預處理過程

由于CCD相機直接采集的圖像多數(shù)會受拍攝環(huán)境、相機性能限制等因素的影響，難以直接進行特征提取及分類，因此要對圖像進行一定預處理過程，消除圖像干擾，加強圖像特征，便于后期提取及識別缺陷的圖像特征。本文所述檢測方法所用的預處理過程，包含圖像增強、圖像濾波、圖像閾值分割等處理過程。

1.1 圖像增強

圖像增強算法可以從一定程度上提高圖片質(zhì)量，增強圖像對比度，從而使圖像中的目標區(qū)域相對圖像背景更加凸顯的同時，又可以弱化一些非目標區(qū)域圖像信息。因此，經(jīng)灰度增強后的圖像較原圖會具有更加直觀的視覺特征，也更適于分析研究。目前，可實現(xiàn)圖像灰度增強的算法較多，各種方法由于其原理和轉(zhuǎn)換方式的不同，所處理的圖像效果也會有顯著區(qū)別。本文采用了幾種常用圖像灰度增強算法進行了對比，其對應處理結(jié)果如圖1所示。

觀察圖1可知，通過線性變換和反轉(zhuǎn)算法的兩種灰度增強處理效果較好，但反轉(zhuǎn)圖像并沒有顯著增強圖像對比度;經(jīng)直方圖均衡化處理后的金屬表面缺陷區(qū)域圖像對比度有所增強，但圖像背景中的紋理對比度也被一起提高，這樣的處理效果反而使缺陷區(qū)域圖像與背景圖像更加難以區(qū)分。因此，在不改變原圖背景與目標灰度特性的條件下，通過對多種算法處理效果的對比，本文采用效果最優(yōu)的線性變換算法對圖像進行增強處理。

1.2 圖像濾波

經(jīng)過圖像增強處理后，將進入圖像濾波過程，該過程需要盡可能的消除圖像中由于環(huán)境或硬件設備等原因所產(chǎn)生的圖像噪聲，從而進一步提升圖像質(zhì)量。為了得到更好的降噪效果，本文針對圖像椒鹽噪聲，分別利用幾種濾波算法對圖像進行降噪效果對比，其對應處理效果如圖2所示。

由圖2可知，采用平均值代替某一點灰度值的均值濾波算法雖能降低噪聲，但該算法對噪聲點的抑制不徹底，同時噪聲點周圍區(qū)域的像素被均勻化后，會使部分圖像細節(jié)丟失;高斯濾波算法對噪聲點的抑制同樣不夠徹底，同樣無法滿足良好的濾波效果;中值濾波算法處理后的圖像中，噪點過濾效果較為徹底，同時，該算法對圖像細節(jié)的保留程度也較好，因此，本文將采用中值濾波算法實現(xiàn)圖像濾波過程。

1.3 圖像閾值分割

圖像閾值分割過程的基本思路是通過設定一個或多個閾值，將圖像中各個像素點的灰度值與所對應閾值比較，并根據(jù)比較結(jié)果實現(xiàn)對圖像中的像素點的二值化。即大于該閾值的所有像素點對應灰度值都置為255;小于該閾值的所有像素點對應灰度值都置為0。

常用的閾值分割算法主要有最大類空間方差法、模糊集法、直方圖雙峰閾值法、最大熵法等。本文利用其中的最大類空間方差法和最大熵法，分別對圖像進行了閾值分割處理，效果對比如圖3所示。

從圖3可知，在對金屬表面劃痕圖像的閾值分割過程中，兩種閾值分割算法的處理結(jié)果均可將缺陷從背景中分割出來，但最大熵算法所對應圖像的右上角區(qū)域出現(xiàn)了許多白色噪聲像素，同時，該算法分割出的劃痕邊界輪廓存在很多細小噪點，使得劃痕輪廓清晰度明顯下降;最大類空間方差算法對應圖像的劃痕缺陷區(qū)域和背景分割較為清晰，且缺陷邊界輪廓分割完好，引入噪聲像素量較少，因此，本文將選擇最大類空間方差算法實現(xiàn)圖像閾值分割過程。

2 ?控制單元設計

為了更好的將圖像識別結(jié)果反饋出來，本文所述缺陷檢測方法還利用單片機開發(fā)板設計了專門的控制單元。本文所述控制單元實物如圖4所示。

控制單元工作原理如圖5所示。當計算機對圖像的識別結(jié)果為無缺陷圖像時，電機將正常工作;當計算機對圖像的識別結(jié)果為有缺陷圖像時，將會通過串口向單片機發(fā)送識別信號。當單片機接收到信號后，根據(jù)識別信號不同，單片機將會熄滅LED燈組中對應的小燈，提示缺陷類型。同時，單片機也會將繼電器狀態(tài)改變，使電機電源切斷，以此模擬工廠流水線的停止，進一步的提示工人及時采取措施。

3 ?總結(jié)

本文提出了一種基于機器視覺的齒輪端面缺陷檢測方法。其中，主要對圖像的預處理過程及圖像特征提取及識別過程進行了詳細介紹。同時，本文通過對普通二分類支持向量機分類算法的改進，使支持向量機算法實現(xiàn)了多分類任務，并通過分類測試可知，該分類算法對三種齒輪端面缺陷圖像的識別正確率均達到了100%。此外，本文還對缺陷類型分類過程進行了多線程編程，以此來保證分類算法的分類效率。最后，本文通過控制單元的設計，將計算機識別過程的缺陷識別結(jié)果通過LED燈組的開關表現(xiàn)出來，同時，當有缺陷圖像出現(xiàn)時，控制單元亦可控制電機停機，以此模擬工廠流水線的停止，提示工人采取措施。

參考文獻：

[1]羅三定，胡坤，陳遠兵，聶振宇.工件表面缺陷檢測投影分析與算法研究[J].計算機工程與應用，2015，51（06）：50-153.

[2]楊永敏，樊繼壯，趙杰.強反射表面缺陷圖像預處理[J].光學精密工程，2010，18（10）：2288-2296.

[3]周鵬，徐科，劉順華.基于剪切波和小波特征融合的金屬表面缺陷識別方法[J].機械工程學報，2015，51（6）：98-103.

基金項目：西安工程大學研究生創(chuàng)新基金（No.chx2019087）。

作者簡介：白斯豪（1993-），男，陜西西安人，碩士，學生，研究方向為機器視覺、自動化控制。