劉曉杰+羅印升+張旻+范洪輝

摘 要： 針對(duì)零部件表面缺陷檢測(cè)精度問(wèn)題，提出一種基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法。傳統(tǒng)的利用機(jī)器視覺(jué)對(duì)零部件表面缺陷檢測(cè)方法中，由于零部件表面的光學(xué)反射特性，因此無(wú)法對(duì)零部件表面缺陷進(jìn)行高精度的檢測(cè)。提出的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法引進(jìn)了差影法檢測(cè)模型，根據(jù)部件表面特征，利用分段線性灰度算法對(duì)部件表面細(xì)小的缺陷進(jìn)行區(qū)域檢測(cè)，并且結(jié)合了灰度共生矩陣的換算熵作為判定的依據(jù)，最終建立的缺陷檢測(cè)模型是利用矩陣方位度和相似度之比進(jìn)行高精度的檢測(cè)。為了驗(yàn)證設(shè)計(jì)的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法的有效性，通過(guò)仿真試驗(yàn)證明了該設(shè)計(jì)方法，結(jié)果表明該方法能夠有效地解決零部件表面缺陷檢測(cè)的精度問(wèn)題。

關(guān)鍵詞： 機(jī)器視覺(jué)； 零部件表面缺陷； 差影法； 灰度計(jì)算

中圖分類號(hào)： TN912.205?34； G420 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0181?03

Abstract： In allusion to the precision problem of parts surface defect detection， a machine vision based detection method for defects on parts surface is proposed. For the traditional parts surface defect detection method based on machine vision， it is not possible to perform high?precision parts surface defect detection due to the optical reflection characteristic of parts surface. The difference image detection model is introduced in the proposed parts surface defect detection method based on machine vision. According to the features of parts surface， the piecewise linear gray algorithm is adopted to perform area detection for small defects on parts surface， and with the conversion entropy of the gray level co?occurrence matrix as the judging basis， the finally?constructed defect detection model utilizes the ratio of matrix orientation degree to similarity degree to perform high?precision detection. In order to verify the validation of the designed parts surface defect detection method based on machine vision， the simulation experiment was carried out. The experimental results show that the designed method can effectively resolve the precision problem of parts surface defect detection.

Keywords： machine vision； parts surface defect； difference image method； gray calculation

伴隨著工業(yè)的不斷發(fā)展，各領(lǐng)域中使用的零部件都要經(jīng)過(guò)多重檢測(cè)才能進(jìn)行使用，由于零部件生產(chǎn)中都是大批量生產(chǎn)，致使對(duì)于零部件的檢測(cè)要求快速的同時(shí)還要保持高精度[1?2]。零部件在生產(chǎn)加工過(guò)程中，由于使用材質(zhì)以及加工成型工藝的問(wèn)題，會(huì)導(dǎo)致零部件表面出現(xiàn)裂紋、劃痕、針孔等多種類型的缺陷[3]。這些缺陷會(huì)極大地影響工件的美觀程度，同時(shí)降低工件的使用性能，嚴(yán)重的可能會(huì)導(dǎo)致一定的安全隱患。使用機(jī)器視覺(jué)對(duì)零部件表面缺陷進(jìn)行檢測(cè)，可以極大地摒棄原始的人工檢測(cè)和半機(jī)械檢測(cè)的缺陷，同時(shí)可以利用相關(guān)的程序，通過(guò)網(wǎng)絡(luò)連接進(jìn)行遠(yuǎn)程控制。但是，傳統(tǒng)的利用機(jī)器視覺(jué)對(duì)零部件表面缺陷進(jìn)行檢測(cè)方法存在一定的檢測(cè)精度問(wèn)題，為此本文提出一種新型的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法，這種方法可以有效地解決檢測(cè)精度問(wèn)題，同時(shí)加大了檢測(cè)能力，實(shí)現(xiàn)了批量檢測(cè)[4?5]。

1 基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法

本文設(shè)計(jì)的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)系統(tǒng)包括：圖像識(shí)別采集、圖像計(jì)算處理、信息識(shí)別對(duì)比、信息傳輸控制及執(zhí)行裝置等。基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)流程圖如圖1所示。

1.1 引進(jìn)差影法

引用的差影法是把圖像中重疊并且不具有變化因素的部分減去，這樣可以在流水生產(chǎn)線上進(jìn)行快速的對(duì)比檢測(cè)。當(dāng)所處環(huán)境不變時(shí)[6]，差影法會(huì)預(yù)先設(shè)定好一個(gè)閾值，通過(guò)影像的差樣比較從而進(jìn)行零部件表面檢測(cè)，閾值公式為：

假設(shè)的閾值為N，那么每一個(gè)檢測(cè)的工件為。對(duì)比相位差為：

式中：M是自定義的值域范圍；n為閾值系數(shù)；T為法旨的倒數(shù)。使用相對(duì)應(yīng)計(jì)算算子確定邊框位置，這樣可以增加對(duì)比計(jì)算精度[7?8]，同時(shí)又不丟失缺陷形態(tài)特征。算子定位公式如下：

式中：gx，gy為設(shè)定好的邊緣坐標(biāo)；通過(guò)線性方程組可以轉(zhuǎn)化輸出g（m，n）為：

假設(shè)原圖像的值為f（x，y），轉(zhuǎn)換梯度為：

式中，f（x，y）為設(shè)定的原樣值，經(jīng)過(guò)梯度算子的轉(zhuǎn)化，可以得到對(duì)應(yīng)的關(guān)鍵值。

通過(guò)查找表格可以找到對(duì)應(yīng)的算子進(jìn)行灰度對(duì)比運(yùn)算，邊緣算子如表1所示。

使用對(duì)應(yīng)的閾值和算子進(jìn)行檢測(cè)，首先把區(qū)域分為若干塊，進(jìn)行條件設(shè)置，如下：

式中：f（·），b（t）均為不確定函數(shù)；w（t）為對(duì)零部件表面檢測(cè)過(guò)程中存在的未知外界干擾；u（t）為控制檢測(cè)速度的量；t為系數(shù)值，方便進(jìn)行大量計(jì)算。

1.2 灰度相關(guān)性質(zhì)點(diǎn)匹配

假設(shè)的模板圖樣f（x，y）與等待檢測(cè)的f1（x，y）邊緣算子以及像素均等，為了測(cè)量?jī)煞鶊D像的相關(guān)性，使用差影法進(jìn)行限制的同時(shí)，進(jìn)行當(dāng)兩幅圖的相似度核對(duì)，相似度達(dá)到設(shè)定的閾值，便可以標(biāo)記為合格，反之亦然。相似度求取公式如下：

式中：R為相似的比對(duì)值；M，N為對(duì)應(yīng)的設(shè)置系數(shù)以及實(shí)際系數(shù)。為了檢測(cè)更加精準(zhǔn)，需要把系數(shù)歸一化運(yùn)算，這樣才會(huì)不影響灰度值的波動(dòng)。歸一化系數(shù)計(jì)算公式為：

進(jìn)行歸一化的運(yùn)算過(guò)后，提取相對(duì)應(yīng)的區(qū)域，且選取的圖像為色彩圖像，因此需要繼續(xù)按三種分量劃分，保證圖像的真實(shí)度，對(duì)每一個(gè)分量進(jìn)行割斷計(jì)算公式如下：

式中：t1，t2，t3，t4分別代表閾值分量、熵分量、對(duì)比度分量、倒數(shù)差分量，即：

這樣可以得到兩幅圖像在（P1，P2）處的分量關(guān)系，在（P3，P4）處的分量關(guān)系，從而可以進(jìn)行精確計(jì)算，計(jì)算公式為：

式中，用A表示相聯(lián)性的大小，通過(guò)對(duì)比閾值得：

式中：W代表轉(zhuǎn)化之后參數(shù)值；n代表相應(yīng)參數(shù)位的長(zhǎng)度；分別代表參數(shù)的最大值和最小值；C代表參數(shù)二進(jìn)制值。

假設(shè)的集合與原集合相比較，經(jīng)過(guò)對(duì)比的區(qū)域后，得對(duì)應(yīng)的矩陣式，分類模型系數(shù)矩陣為：

通過(guò)去除冗余特征對(duì)比，把矩陣中的特征轉(zhuǎn)化為值，按照值的大小和方位進(jìn)行排序得： （14）

得到的結(jié)果Kx便是所要的值，這樣便實(shí)現(xiàn)了精確對(duì)比。

2 試驗(yàn)驗(yàn)證

為了驗(yàn)證本文設(shè)計(jì)的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法的有效性，設(shè)計(jì)了仿真實(shí)驗(yàn)，試驗(yàn)中選擇傳統(tǒng)的利用機(jī)器視覺(jué)對(duì)零部件表面缺陷檢測(cè)進(jìn)行對(duì)比，建立相對(duì)應(yīng)的閾值。對(duì)某廠流水生產(chǎn)線上10件零件進(jìn)行檢測(cè)，檢測(cè)前通過(guò)顯微檢測(cè)對(duì)每個(gè)零件進(jìn)行預(yù)測(cè)，并記錄結(jié)果。首先使用傳統(tǒng)方法進(jìn)行測(cè)量，然后設(shè)定系統(tǒng)閾值N為6 325.25；選高端比相位進(jìn)行測(cè)量，經(jīng)過(guò)測(cè)量的工件比較少所以選擇RO性算子進(jìn)行計(jì)算。試驗(yàn)結(jié)果如圖2所示。圖2是3號(hào)工件上的部分檢測(cè)結(jié)果，本文設(shè)計(jì)的方法檢測(cè)出來(lái)，傳統(tǒng)的方法沒(méi)有檢測(cè)出來(lái)，因此可以看出，本文方法檢測(cè)精度更高。試驗(yàn)對(duì)比結(jié)果見(jiàn)表2。

通過(guò)表2可以看出，本文設(shè)計(jì)的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法能快速檢測(cè)出工件表面的缺陷，同時(shí)有效解決了檢測(cè)精度問(wèn)題。

3 結(jié) 語(yǔ)

本文設(shè)計(jì)的基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法，通過(guò)引入差影法進(jìn)行檢測(cè)運(yùn)算，通過(guò)實(shí)驗(yàn)可以證明本文的設(shè)計(jì)能夠有效地解決傳統(tǒng)方法檢測(cè)精度的問(wèn)題。希望通過(guò)本文的設(shè)計(jì)能給工件的檢測(cè)提供更好的方法。

參考文獻(xiàn)

[1] 陳向偉，肖冰，高強(qiáng).基于機(jī)器視覺(jué)的柱形電子元件表面缺陷檢測(cè)[J].機(jī)床與液壓，2014（14）：116?118.

[2] 徐建亮，毛建輝，方曉汾.基于優(yōu)化Gabor濾波器的鑄壞表面缺陷檢測(cè)應(yīng)用研究[J].表面技術(shù)，2016（11）：202?209.

[3] 蘇俊宏，劉勝利.圓柱型高精密零件表面缺陷檢測(cè)及形貌分析[J].激光與光電子學(xué)進(jìn)展，2014，51（4）：150?154.

[4] 劉元朋，張定華，桂元坤，等.用帶約束的最小二乘法擬合平面圓曲線[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2004，16（10）：1382?1385.

[5] 張振堯，白瑞林，過(guò)志強(qiáng)，等.磁瓦表面缺陷的機(jī)器視覺(jué)檢測(cè)方法[J].光學(xué)技術(shù)，2014，40（5）：434?439.

[6] 吳浩.基于機(jī)器視覺(jué)的銅條表面缺陷檢測(cè)系統(tǒng)的研究[J].儀表技術(shù)與傳感器，2016（7）：86?88.

[7] 陳向偉，肖冰，高強(qiáng).基于機(jī)器視覺(jué)的柱形電子元件表面缺陷檢測(cè)[J].機(jī)床與液壓，2014（14）：116?118.

[8] 杜柳青，余永維.磁瓦表面缺陷機(jī)器視覺(jué)檢測(cè)與識(shí)別方法[J].圖學(xué)學(xué)報(bào)，2014，35（4）：590?594.

[9] 王義文，屈冠彤，付鵬強(qiáng)，等.基于機(jī)器視覺(jué)的光柵表面缺陷檢測(cè)系統(tǒng)[J].光電工程，2016，43（9）：14?19.