萬長龍，張 晶，林樟驍，楊曉敏

（珠海市運泰利自動化設備有限公司，廣東 珠海 519180）

工業(yè)中的數(shù)據(jù)和信息在很大程度上依賴于圖像，但在數(shù)學上對攝影數(shù)據(jù)進行估計和處理具有挑戰(zhàn)性。因此，數(shù)字圖像處理技術將有助于對圖像進行處理，并嘗試對其分析進行擴展，圖像處理在工業(yè)領域廣泛應用。

隨著信息科學的飛速發(fā)展，基于計算機視覺的模式識別和圖像處理技術已成為成熟的質量分析技術[1]。計算機視覺技術通過對圖像的電子感知，對圖像中的細節(jié)進行解釋和識別，為精密零部件質量檢測提供信息，以適應人類視覺在精密零部件質量檢測中的作用。因此，本文旨在利用圖像處理技術對精密零部件進行質量檢測[2]。主要包括圖像采集、預處理、圖像分割、特征提取和分類五個步驟，如圖1所示。圖2展示了每年發(fā)表的研究論文數(shù)量，從圖2中可以很容易地看出這個研究領域的趨勢。

圖1 圖像處理中識別的通用框圖

圖2 每年發(fā)表的研究論文數(shù)量

1 精密零部件質量評估

1.1 圖像采集

在應用中，使用的圖像采集工具有照相機、超聲波、磁共振成像、電子斷層掃描和計算機斷層掃描。為了產生數(shù)字圖像，使用了電荷耦合器件和互補金屬氧化物半導體圖像傳感器[1]。

傳統(tǒng)的計算機視覺系統(tǒng)始于20世紀60年代后期，目前廣泛應用于航空航天領域、工業(yè)自動化、安全檢查、智能交通系統(tǒng)、醫(yī)學成像、軍事應用、機器人引導、自動駕駛汽車、食品質量安全檢查等領域。由于傳統(tǒng)的計算機視覺系統(tǒng)使用的是紅、綠、藍（RGB）三原色，所以RGB彩色相機獲取的圖像都是以RGB波長為中心。利用計算機視覺系統(tǒng)，可以對紋理、形狀、尺寸、缺陷等特征進行自動分級和檢測。但是由于紋理和顏色等原因造成的一些缺陷與皮膚相同，是一個具有挑戰(zhàn)性的任務[2-3]。

1.2 預處理

通過各種技術獲取的圖像中含有多種噪聲，這些噪聲會使圖像的面貌變差。因此，需要對圖像進行預處理。預處理對圖像數(shù)據(jù)進行了增強，擴大了圖像處理所必需的特征，并在特定的應用中建立了比原始圖像更相關的圖像。用于質量評價的圖像預處理方法是像素預處理和局部預處理。像素預處理是將輸入圖像轉換為輸出圖像，使每個輸出像素與具有相應坐標的輸入像素相關聯(lián)。最常用的像素預處理方法是用于質量評價的顏色空間變換（CST）。CST的應用大多依賴色相、飽和度和強度（HSI）色彩空間，其中飽和度導致單色圖像，生動地賦予肉圖像紋理。局部預處理（過濾）是在輸入圖像中使用一個像素的小鄰域在輸出圖像中產生一個新的亮度值。它使用簡單濾波器（降低噪聲）、中值濾波器（降低峰值噪聲）和改進的非銳化濾波器[4]。

1.3 圖像分割

在預處理之后，需要進行圖像分割，將數(shù)字圖像分成不同的區(qū)域。主要特征是在對象評估期間分離用于處理重要區(qū)域的背景。正確的分割對于圖像分析的進一步發(fā)展至關重要，而錯誤的分割會降低分類器的性能。

1.4 特征提取

在圖像分割之后，對特征進行估計做進一步分析。這些特征是計算機視覺系統(tǒng)中的基本因素，因為它們包含用于圖像感知，解釋和對象分類的有效數(shù)據(jù)。在此過程中，提取的特征形成了分類的輸入特征向量。這些特征向量唯一且精確地定義了對象形狀。特征提取的目的是通過提取特征來提高識別率。

1.5 分類

精密零部件質量評估的基本特征是分類，該分類提供了一種結構，在該結構中，對人類思維進行了人工模擬，以指導人類即時、正確和持久地形成復雜的判斷。通過使用圖像處理技術，可以通過一組特征（例如顏色、大小、形狀和紋理）來描述精密零部件。這些特征用于形成訓練集，然后應用分類算法提取知識庫，從而做出未知案例的決策。在計算機視覺系統(tǒng)中，已經開發(fā)出多種方法：人工神經網絡，深度學習/卷積神經網絡用于產品質量評估中的分類[5]。

2 精密零部件的缺陷檢測

在商業(yè)分類機中，早期通過傳統(tǒng)計算機視覺對精密零部件的顏色、質地、大小和形狀進行視覺分析。由于缺陷類型的差異較大，缺陷檢測仍然是一項艱巨的任務。當精密零部件出現(xiàn)缺陷時，自動檢測精密零部件缺陷至關重要。通常，精密零部件的常見問題是開口缺陷和裂紋。隨著對精密零部件高質量期望的提高，對精密零部件中真實和客觀質量確定的需求不斷發(fā)展。為了滿足這些要求，計算機視覺系統(tǒng)提供了自動化、經濟高效且無損的技術。這種基于圖像處理的檢查技術在產品質量評估中具有多種應用。表1展示了不同研究人員采用的不同分類技術對產品的質量分析。

表1 產品質量分析中不同分類技術對比

3 挑戰(zhàn)

圖像處理和計算機視覺系統(tǒng)以其優(yōu)異的性能、成本的不斷提高、易于使用和算法的魯棒性等優(yōu)點成為工業(yè)領域的科學機制。傳統(tǒng)的、多光譜的和高光譜的計算機視覺系統(tǒng)目前被廣泛應用于精密零部件的質量評價。尺寸、形狀、紋理和缺陷是傳統(tǒng)計算機視覺系統(tǒng)（TCVS）檢測的常見特征。為了提高TCVS，多光譜和高光譜計算機視覺系統(tǒng)提供了動態(tài)工具，以較少的缺陷檢測具有挑戰(zhàn)性的TCVS。因為光譜圖像的優(yōu)勢，提高缺陷檢測精度面臨諸多挑戰(zhàn)，包括弓形表面光分布不均勻、不同應用需要強大的波長選擇、表面評價、光譜圖像的采集和處理耗時長、不同缺陷的識別等。除了在分級中使用大小、形狀、紋理等特定特征外，還應該測試其他特征以提高結果。此外，對所有特性使用相同的權重值，調優(yōu)權重值可以提高性能。太赫茲成像技術、拉曼成像技術、三維成像技術等的研究進展可用于精密零部件質量分析。

4 結束語

本文重點介紹了圖像處理和計算機視覺技術在精密零部件質量評估領域的應用。為了取代對精密零部件的人工檢查，使用了計算機視覺系統(tǒng)，該系統(tǒng)可提供真實，公平和無損的評級?；谟嬎銠C視覺的質量檢查包括四個主要步驟，即獲取、分割、特征提取和分類。盡管許多研究人員提出了各種精密零部件質量檢測方法，但仍需要構建具有改進性能基于魯棒計算機視覺的系統(tǒng)。