王誠誠　李文森　雷鳴　管聲啟

摘要：針對機(jī)械零件表面缺陷的特點，提出了一種基于目標(biāo)特征的檢測方法。首先，通過對測試圖像進(jìn)行均值濾波，以消除噪聲對檢測的影響；其次，通過分析表面缺陷特征設(shè)置分割閾值，在此基礎(chǔ)上，實現(xiàn)對檢測目標(biāo)分割；最后，采用形態(tài)學(xué)濾波消除噪聲和孤立點對檢測結(jié)果的影響。實驗表明，本文采用的方法能夠有效抑制圖像背景干擾，能夠有效的實現(xiàn)機(jī)械零件表面缺陷準(zhǔn)確檢測。

關(guān)鍵詞：機(jī)械零件；表面缺陷；目標(biāo)特征；檢測方法

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.1003-6970.2016.04.009

0 引言

在機(jī)械零件加工以及使用過程中，機(jī)械零件表面會產(chǎn)生裂紋等缺陷，這些缺陷嚴(yán)重影響著機(jī)械零件表面質(zhì)量；因此，對這些機(jī)械零件表面質(zhì)量監(jiān)測有著重要意義。然而，傳統(tǒng)的監(jiān)測方法是由人工離線抽檢完成，這種方法依賴于檢驗人員的檢驗，不能實時發(fā)現(xiàn)產(chǎn)生的缺陷。圖像檢測技術(shù)可以通過對所采集圖像的進(jìn)行圖像處理，從而實現(xiàn)在線檢測，而基于圖像處理的檢測技術(shù)關(guān)鍵在于圖像處理算法。

目前，基于圖像處理的機(jī)械零件表面缺陷檢測方法很多，分別針對刀具、帶鋼、齒輪、軸承等的機(jī)械零件表面缺陷檢測提出了空間域檢測方法（邊緣檢測法、零均值化法）和小波域的檢測算法等。其中，零均值化方法是通過構(gòu)造零均值化圖，并采用閥值分割出缺陷區(qū)域，這種算法雖然簡單，但檢測缺陷區(qū)域誤差較大；邊緣檢測方法是通過檢測缺陷邊緣實現(xiàn)對缺陷的檢測，這種方法只能提取缺陷的大致邊緣，不能檢測出完整缺陷區(qū)域；小波域的檢測算法是利用小波分解使正常區(qū)域信息與缺陷區(qū)域信息相分離，從而實現(xiàn)缺陷區(qū)域的檢測。

然而，缺陷區(qū)域分割好壞很大程度上依賴小波濾波器構(gòu)造的性能，如何構(gòu)造小波濾波器是研究的難點問題，目前沒有統(tǒng)一的方法。

事實上，人類視覺系統(tǒng)在有先驗知識的前提下，總是在視野中搜索與先驗知識相匹配的檢測目標(biāo)特征，并對這些目標(biāo)進(jìn)行優(yōu)先處理，這就是人類具有的檢測機(jī)制。如果將這種機(jī)制引入到機(jī)械零件表面王誠誠等：基于目標(biāo)特征的機(jī)械零件表面缺陷檢測方法缺陷檢測中，利用缺陷特征作為機(jī)械零件缺陷檢測條件，就有可能把注意力集中到缺陷所在的區(qū)域，從而避免環(huán)境因素對檢測的影響，實現(xiàn)對缺陷區(qū)域的準(zhǔn)確分割。為此，采用檢測目標(biāo)特征設(shè)定分割閾值，實現(xiàn)對機(jī)械零件表面缺陷的準(zhǔn)確分割。

1 機(jī)械零件表面缺陷均值濾波

工業(yè)現(xiàn)場所采集的圖像往往含有噪聲，為了消除其對后期缺陷檢測的影響，我們擬在所采集的圖像中滑動進(jìn)行均值濾波。

設(shè)圖像f_j，j大小為M×N，則將圖像劃分為9×9的圖像窗口，然后每個窗口灰度均值為：

（1）式中0≤i≤M-1，0≤i≤N-1。

在計算每個子窗口灰度值后，將子窗口均值代替窗口中心的像素值；通過子窗口遍歷整幅圖像實現(xiàn)滑動均值濾波。

2 基于目標(biāo)分析的表面缺陷分割

在先驗知識條件下，人類視覺總是關(guān)注視場中與檢測目標(biāo)相同的特征，并對其特定特征區(qū)域進(jìn)行分析加工，以提高檢測快速性和準(zhǔn)確性。機(jī)械零件表面缺陷大小、形態(tài)各異，缺陷種類繁多；然而，這些缺陷又有其共同特征，這就是缺陷區(qū)域數(shù)目相比較背景總是比較稀少的，如果能夠利用這個特性，就能夠節(jié)省計算機(jī)，準(zhǔn)確的分割出缺陷信息。通常稀少目標(biāo)必須滿足以下條件：

（1）目標(biāo)區(qū)域必須與背景區(qū)域存在一定的區(qū)分度，存在一定的對比度；

（2）目標(biāo)區(qū)域數(shù)目與背景區(qū)域數(shù)目相比較是很少的。

為了滿足上述條件，采用公式（1）如下：

（1）

其中，F(xiàn)_max（i，j）表示機(jī)械零件圖像（i，j）處的大于δ_otsu的像素點，δ_otsu為最大類間方差確定的閾值；F_rarity表示目標(biāo)興趣區(qū)域的稀少度，其數(shù)值越大表明越稀少；num[F_max|δ_（n+1））、num[F_max|δ_（n）分別表示在[δ_otsu，255]之間進(jìn)行N等分得到一系列閾值δ（1）…δ（n-1）、δ（n）…δ（N）中的第n+l和n次分割時所獲得興趣區(qū)域數(shù)目；F_{rarity（max）}表示最佳稀少度，即前后相鄰兩次分割后興趣區(qū)數(shù)目差最大，這說明興趣區(qū)域數(shù)目已經(jīng)迅速的變成稀少。

根據(jù)公式（1），找出最佳稀少度對應(yīng)的閾值δ（n+1），采用閾值δ（n+1）分割興趣區(qū)，興趣區(qū)域必須滿足公式（2）：

（2）

圖1示例中，在第3、4次分割檢測興趣區(qū)數(shù)目差值最大，即稀少度最大；因此，確定分割閾值δ（4），如圖2（c）所示，能夠有效分割缺陷區(qū)域信息。

3 形態(tài)學(xué)濾波

機(jī)械零件表面缺陷圖像分割后所得到的區(qū)域，通常含有一定噪聲和較小的孤立點；為了消除這部分信息對缺陷的影響，本文采用先膨脹、后腐蝕的

形態(tài)學(xué)閉運算操作；通過閉運算不僅能平滑濾波，而且還能夠除去區(qū)域中的小孔，填平狹窄的斷裂、細(xì)長的溝壑以及輪廓的缺口。

設(shè)二值圖像為I，其連通域設(shè)為x，結(jié)構(gòu)元素為S，當(dāng)一個結(jié)構(gòu)元素s的原點移到（x，y）處時，我們將其記作S_xy。此時圖像X被結(jié)構(gòu)元素S閉運算的運算可表示如式（3）：

（3）

4 實驗與分析

為了驗證本文算法分割效果，分別選取車削刀具磨損、齒輪裂紋、帶鋼缺陷作為檢測目標(biāo)，分割結(jié)果如圖3所示?？梢钥闯觯捎帽疚姆椒軌蛴行Х指畛鋈毕輩^(qū)域。

為了驗證本文算法的檢測準(zhǔn)確率，分別選取車削刀具磨損、齒輪裂紋、帶鋼缺陷圖像各100幅進(jìn)行試驗。其具體步驟為：首先，采用檢測人員對測試圖像的缺陷區(qū)域進(jìn)行人工標(biāo)記，并計算缺陷的面積；然后，對測試圖像采用本文算法進(jìn)行分割，并統(tǒng)計前景目標(biāo)的面積；最后，將人工標(biāo)記區(qū)域面積與本文分割出來的缺陷區(qū)域面積進(jìn)行對比，當(dāng)誤差小于10%，認(rèn)為被準(zhǔn)確檢測。試驗試驗結(jié)果表明，三種缺陷檢測準(zhǔn)確率分別達(dá)到了98%、95%、97%，具有較高的檢測準(zhǔn)確率。

5 結(jié)論

本文通過分析機(jī)械零件表面缺陷特征，提出基于檢測目標(biāo)特征挖掘的缺陷檢測方法；利用機(jī)械零件表面缺陷共性特征，確定圖像分割閾值，從而實現(xiàn)對缺陷目標(biāo)的分割；在此基礎(chǔ)上，實現(xiàn)對機(jī)械零件表面缺陷的準(zhǔn)確檢測；由于本文采用算法簡單、計算量減少，很容易實現(xiàn)硬件化，從而為在線快速自動檢測提供了途徑。