詹芝青

摘要：現(xiàn)代工業(yè)對于機械零件的質量要求越來越高，因此在機械加工中保證零件的質量十分重要，本文圍繞基于圖像識別的機械零件質量檢測方法進行綜合探討，首先對機械零件質量檢測中所應用到的圖像識別技術進行了常用類別介紹，然后對具體的圖像識別技術檢測應用方法進行了闡述。

關鍵詞：圖像識別技術;機械零件;質量檢測;應用方法

引言

目前的機械零件質量檢測技術應用水平仍處于發(fā)展中，圖像識別技術就是眾多機械零件質量檢測技術中較為常用的一種。相關操作人員通過操控該技術進行質量檢測能夠實現(xiàn)對機械零件尺寸的精準把握，從而讓機械零件成品呈現(xiàn)出良好的應用價值。

一、機械零件質量檢測中的圖像識別技術

1模糊匹配識別技術

模糊匹配識別技術是一種較為基礎的識別技術，應用模板對檢測圖像中的一些區(qū)域進行檢測，然后在矩陣中形成對應的符號和數字。例如機械零件，利用同類模板進行圖像比對，然后在實際操作中對相同模板的物體進行替換。在進行模板匹配的過程中，從待識別圖像中提取若干特征向量與模板對應的特征向量進行比較，計算圖像與模板特征向量之間的距離，用最小距離法判定所屬類別，這種技術的實際操作會受到現(xiàn)實情況的限制，例如拍攝角度，光線亮度，背景改變等，因此在目標匹配中需要更多的模板，并且應該具有一定的適配性，從避免機械零件設計過程中出現(xiàn)浪費現(xiàn)象。

2神經網絡識別技術

神經網絡識別技術的概念就是通過某種特定的方式讓大量神經元實現(xiàn)相互連接，從而構成復雜的神經網絡系統(tǒng)，在圖像識別質量檢測中，單個神經元的檢測能力較為簡單、有限，但是由多個神經元組成的神經系統(tǒng)結構則較為復雜，并具備單個神經元的所有功能，是一種極為強大的檢測系統(tǒng)，這種神經網絡系統(tǒng)會模擬人工智能，實現(xiàn)模擬、抽象以及簡化操作。

對于神經網絡識別技術而言，能夠對人的感知過程進行虛擬模擬，這樣就使得這項技術具備了自主學習能力以及較強的識別能力，應用該項技術進行機械零件質量檢測不僅能夠代替人工檢測的方式，而且精度較高，檢測方式也較為靈活。在檢測中，對于需要同時考慮的多種條件以及多種影響因素，神經網絡識別技術都能夠很好適應，并對圖像識別進行精準處理。

但是這種技術也存在一定的缺陷，就是神經網絡系統(tǒng)的訓練周期較長，并且訓練所需的數據量較大，因此整個收斂精度較慢，不成熟的神經網絡識別技術識別精度很難達到相關要求，并且深度學習技術對于小目標物體的檢測也有很大限制。

3統(tǒng)計識別技術

統(tǒng)計識別技術是針對研究物體進行圖像統(tǒng)計和分析，以此來找出物體外在和內在的客觀規(guī)律，并反映出物體本質的圖像特征，通過這些數據進行圖像識別。統(tǒng)計識別技術主要是以書序模型作為基礎，該技術應用的過程中產生的誤差會非常小。最為常用的統(tǒng)計識別模型主要包含兩種，其一是馬爾科夫的隨機場模型，其二是貝葉斯模型，統(tǒng)計識別技術是基于數據進行識別的一種技術，在估算概率問題時會受到數據限制。

二、圖像識別技術在機械零件質量檢測中的應用方法

1圖像分析

圖像分析的內容主要體現(xiàn)在幾個方面。其一，二值化的圖像處理在計算機處理中發(fā)揮著重要的作用，它屬于傳統(tǒng)的opencv圖像處理技術，主要包括：最大類間方法法（OSTU），迭代閾值法，P分位法，基于最小誤差的全局閾值法、局部閾值法、全局閾值與局部閾值相結合的方法，二值化圖像處理能夠更好地分析出圖像的固有特點，并對圖像中的分析對象進行分離，從而在分離對象中提取二值化對象。其二，從圖像分割層面分析，圖像分割過程中所應用的技術種類較多，有直接、間接、多限門的技術使用等，在多限門技術中，該項技術能夠根據目標區(qū)域的灰度來分割圖像，比較常用的有基于形態(tài)學的分水嶺分割算法。其三，在檢測圖像邊緣的過程中，檢測數據表達的圖像特征主要體現(xiàn)在圖像的灰度、圖像的紋理以及線條特征、圖像的角點等，還有一些其它的非圖像特征，例如幅度以及變換系數等。圖像邊緣檢測算法主要有Sobel， Scarry， Canny， Laplacian，Prewitt， Marr-Hildresh等算子。

2圖像識別

機械零件質量檢測中的圖像識別主要包含兩個方面的內容。

其一是選擇特征參數，機械零件可能出現(xiàn)點蝕、結構缺陷、裂紋和折斷等問題，在選擇特征參數的時候應該根據具體的質量問題來選擇合適的特征參數，然后對圖像進行分析，從而獲得更多的信息，可以采用預處理等方式來選擇圖像的形狀特征，然后對圖像的形狀特征進行綜合比對，形狀特征中需要進行參數提取的單位有圖像的凸凹度、圖像的矩形度、圖像的圓度、圖像的伸長度這四種參數，針對圖像的凸凹度形狀特征而言，主要計算公式為O=t/L，L為圖像的總周長，t則代表圖像同向碼的最大值。

其二是對特征的提取，在對圖像的特征進行提取的過程中，通常采用的方式為數據形態(tài)學，依據數據形態(tài)學來對圖像的形狀特征信息進行提取能夠精準地把握圖像的輪廓，對圖像輪廓進行跟蹤標記，跟蹤標記技術首先需要對圖像進行檢測，然后對圖像中特定的點進行跟蹤，然后對跟蹤得到的參數進行運算，并不是所有的點都需要跟蹤，特定的點主要是指能夠代表圖像形狀特征的點，因此這些點的數量也有限，為圖像的標記跟蹤技術使用降低了操作難度，采用輪廓跟蹤技術進行圖像檢測跟蹤需要注意一些技術應用方面的問題，其中最為重要的問題就是當跨步到黑區(qū)后，再向白區(qū)跨步，那么需要進行跨步右轉，直到跨出白區(qū)位置，當對象循環(huán)一周后回到起點時，整個循環(huán)的軌跡路徑就是對象物的主要輪廓。

三、結束語

綜上所述，機械零件在制造或者運行的過程中難免會出現(xiàn)一些破損情況，這些破損會造成機械零件的質量問題，例如出現(xiàn)裂縫、折斷或者機械零件的表面缺陷，這些質量問題都會嚴重影響到機械零件的正常運行質量和使用壽命，如果機械零件參與到生產中，那么生產的安全系數就會大打折扣，因此需要對其進行定期或者不定期的圖像識別技術檢測，以此來維護機械零件的質量。

參考文獻：

[1]方強.機械零件質量檢測中圖像識別技術的應用[J].山東工業(yè)技術.2018（07）

[2]陳紅玉.試論圖像識別技術如何運用于機械零件質量檢測[J].山東工業(yè)技術.2018（11）

[3]劉烜.探討圖像識別技術在機械零件質量檢測中的運用[J].科技視界.2019（08）