管聲啟，陳永當(dāng)，師紅宇

?

基于仿生視覺感知的機(jī)械零件表面缺陷檢測

管聲啟，陳永當(dāng)，師紅宇

（西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710048）

為了提高機(jī)械零件表面缺陷檢測準(zhǔn)確性，本文在研究零件缺陷特征的基礎(chǔ)上，提出了一種新的機(jī)械零件表面缺陷檢測方法。首先，根據(jù)格式塔心理學(xué)視覺感知顯著性原理，利用殘余譜方法構(gòu)建顯著圖，以消除紋理信息；然后，利用機(jī)械零件表面缺陷數(shù)目的稀少性作為任務(wù)，實(shí)現(xiàn)噪聲與缺陷的分離，從而實(shí)現(xiàn)缺陷信息的提取。實(shí)驗(yàn)表明，推薦方法能夠有效檢測機(jī)械零件表面缺陷，具有較高的檢測準(zhǔn)確率。

機(jī)械零件；表面缺陷；視覺感知；殘余譜；顯著圖

0 引言

在機(jī)械制造業(yè)中，機(jī)械零件表面缺陷直接影響著機(jī)械零件的最終加工質(zhì)量，進(jìn)而影響機(jī)械裝備最終水平；因此，對機(jī)械零件表面缺陷自動檢測方法的研究，具有重要意義[1-2]。為此，國內(nèi)外眾多研究者開展了基于視覺的表面缺陷自動檢測方法研究[3-6]。

基于視覺的表面缺陷自動檢測方法其主要檢測算法有零均值化法、大律法、傅里葉變換、脈沖耦合神經(jīng)網(wǎng)絡(luò)法、小波域的檢測算法等[7-9]。零均值化方法雖然簡單，但檢測缺陷區(qū)域誤差較大。脈沖耦合神經(jīng)網(wǎng)絡(luò)法是利用脈沖耦合網(wǎng)絡(luò)分割出缺陷區(qū)域，而網(wǎng)絡(luò)的主要參數(shù)是通過人工經(jīng)驗(yàn)確定的，因此無法做到自適應(yīng)性。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(shí)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的性能，如何構(gòu)造小波濾波器一直是研究的難點(diǎn)問題。

基于視覺的表面缺陷自動檢測方法已經(jīng)成為研究的熱點(diǎn)，形成的表面缺陷檢測的算法很多，這些算法或多或少能夠檢測一些機(jī)械零件的表面缺陷而且檢測結(jié)果直接反應(yīng)表面質(zhì)量的情況；然而，無論是哪種檢測算法都是孤立的研究了某一機(jī)械零件的表面缺陷檢測問題，并不適合以柔性制造為特點(diǎn)的智能制造中的機(jī)械零件表面缺陷自動檢測[10]。

1 相關(guān)理論分析

通過相關(guān)分析可知，當(dāng)人類面對復(fù)雜場景時(shí)，人類的視覺系統(tǒng)總能迅速感知與眾不同的興趣目標(biāo)，并進(jìn)行優(yōu)先處理，這就是人類具有的視覺注意機(jī)制的感知能力；并且這種感知能力不依賴于檢測環(huán)境，僅僅檢測目標(biāo)與檢測背景的對比度[11]。在計(jì)算機(jī)視覺領(lǐng)域中，利用生物學(xué)的這種特征，就能夠各種環(huán)境干擾，減少信息的冗余度，迅速檢測到目標(biāo)信息[12-13]。

目前，基于視覺感知理論的注意機(jī)制模型包括自底向上計(jì)算模型和自頂向下計(jì)算模型，分別通過數(shù)據(jù)驅(qū)動和任務(wù)驅(qū)動提高檢測目標(biāo)顯著性[14-16]。如果將視覺注意機(jī)制模型引入零件表面缺陷檢測中，通過底層數(shù)據(jù)驅(qū)動提高檢測目標(biāo)顯著度，然后利用目標(biāo)特征作為任務(wù)提取檢測目標(biāo)信息，就有可能實(shí)現(xiàn)機(jī)械零件表面缺陷自動準(zhǔn)確檢測[17]。

因此，本文首先利用殘余譜方法，提取零件表面缺陷圖像在頻域中的殘余譜，在空域中重建相關(guān)的顯著圖以提高缺陷目標(biāo)的顯著性；接著利用缺陷在顯著圖中稀少性特征，分割出機(jī)械零件表面缺陷信息。

2 機(jī)械零件表面缺陷檢測算法

2.1 數(shù)據(jù)驅(qū)動殘余譜顯著圖構(gòu)建

根據(jù)格式塔心理學(xué)視覺感知顯著性原理，檢測信息中最為與眾不同的部分最先被感知。殘余譜模型不依賴于圖像的特征以及先驗(yàn)知識，與人類視覺感知原理比較相似，為此本文利用殘余譜方法構(gòu)建顯著圖[17]。

殘余譜可用公式（2）表示：

殘余譜所包含的信息符合人類視覺系統(tǒng)對顯著性信息的感知的習(xí)慣，因而利用殘余譜與相位譜通過傅里葉反變換重構(gòu)的時(shí)域顯著圖，可以用公式（3）表示：

采用殘余譜法獲得機(jī)械零件缺陷顯著三維視圖分別如圖1（c）所示，可以看出，圖中的表面缺陷區(qū)域顯著度比圖1（a）和圖1（b）中的機(jī)械零件表面缺陷顯著度明顯提高。

圖1 機(jī)械零件缺陷三維視圖

Fig.1 Three-dimensional view of mechanical part defects

2.2 任務(wù)驅(qū)動缺陷目標(biāo)提取

眾所周知，機(jī)械零件表面缺陷圖像通常由背景紋理信息、缺陷信息以及噪聲信息組成，雖然基于殘余譜能夠有效從背景紋理中提取細(xì)節(jié)信息，但不可避免帶有噪聲信息；因此，如何抑制各類噪聲信息是有效提取機(jī)械零件表面缺陷目標(biāo)信息關(guān)鍵問題。

2.2.1 任務(wù)驅(qū)動特征分析

傳統(tǒng)抑制噪聲方法有中值濾波、均值濾波、維納濾波、形態(tài)學(xué)濾波等各種濾波除噪。然而，這些經(jīng)典濾波算法只能在一定程度上降噪或者僅能出去某種噪聲，不能消除工業(yè)現(xiàn)場圖像采集過程中所產(chǎn)生各類噪聲；因此，必須采用新的方法實(shí)現(xiàn)檢測目標(biāo)與噪聲的分離。

通過分析機(jī)械零件表面缺陷和圖像噪聲特點(diǎn)可知，機(jī)械零件表面缺陷總是表現(xiàn)為廣闊眾多噪聲背景下稀少的目標(biāo)點(diǎn)；利用缺陷目標(biāo)數(shù)目稀少性作為任務(wù)，就能夠從各類噪聲背景中提取缺陷目標(biāo)，從而實(shí)現(xiàn)對機(jī)械零件表面的檢測。

2.2.2 基于數(shù)目特征缺陷信息提取

為了進(jìn)一步從殘余譜顯著圖中提取細(xì)節(jié)信息，采用大律法進(jìn)行閾值分割，抑制平滑背景干擾，從而獲取包含缺陷和噪聲的前景目標(biāo)的如圖2(a)所示的二值圖?？梢钥闯?，前景目標(biāo)中，缺陷數(shù)目遠(yuǎn)遠(yuǎn)少于噪聲數(shù)目。因此只要統(tǒng)計(jì)出各類前景目標(biāo)數(shù)目，然后通過設(shè)定閾值分割，就能夠?qū)崿F(xiàn)缺陷與噪聲信息的分離。

圖2 缺陷提取

缺陷信息提取過程如下：

設(shè)二值圖像中各前景目標(biāo)f的面積為S，首先統(tǒng)計(jì)相同面積S的前景目標(biāo)數(shù)目為N；然后根據(jù)公式（4）計(jì)算分割閾值；最后采用公式（5）將前景目標(biāo)數(shù)目小于閾值的前景目標(biāo)歸屬為缺陷f。

從圖2（b）可以看出，采用缺陷稀少特征能夠有效提取缺陷信息。

3 刀具磨損檢測實(shí)驗(yàn)及分析

為了驗(yàn)證本文檢測算法有效性，假定圖像分割出缺陷區(qū)域面積與人工標(biāo)記缺陷區(qū)域面積相差小于10%，認(rèn)定為正確檢測，準(zhǔn)確率定義如公式（6）：

其中表示檢測準(zhǔn)確率，N表示檢測圖像的數(shù)量，N表示能夠正確檢測的檢測圖像數(shù)目。

分別采用本文算法、小波算法、大律法進(jìn)行對比實(shí)驗(yàn)法，結(jié)果如表1所示：

表1 檢測準(zhǔn)確率（%）

Tab.1 Detection accuracy(%)

從表1可以看出，基于大律法檢測的準(zhǔn)確率67%之間，檢測準(zhǔn)確率較低，主要原因在于該方法直接采用閾值分割缺陷區(qū)域，很難有效實(shí)現(xiàn)缺陷信息與背景紋理、光照不均、噪聲信息分離；小波檢測準(zhǔn)確率為85%，具有較高檢測準(zhǔn)確率，可能主要原因在于小波多分辨率能夠有效實(shí)現(xiàn)近似背景與細(xì)節(jié)信息的分離，但小波分解不能有效實(shí)現(xiàn)缺陷信息與噪聲信息分離，因此會影響檢測準(zhǔn)確率進(jìn)一步提高；本文所采用方法的檢測準(zhǔn)確率為98%，檢測準(zhǔn)確率最高，主要原因在于本文所采用的方法提高了缺陷區(qū)域的顯著度，從而實(shí)現(xiàn)背景紋理與細(xì)節(jié)信息的分離；另外，利用缺陷區(qū)域數(shù)目稀少性，實(shí)現(xiàn)細(xì)節(jié)缺陷信息與噪聲信息分離，從而能夠準(zhǔn)確檢測出缺陷的區(qū)域。

4 結(jié)束語

通過對機(jī)械零件缺陷圖像的傅里葉變換，計(jì)算殘余譜信息，利用殘余譜與相位譜信息進(jìn)行傅里葉反變換重的時(shí)域顯著圖，從而有效提高缺陷信息在背景紋理中的顯著度；然后，利用缺陷數(shù)目稀少性，設(shè)置分割閾值；最后，通過分割閾值實(shí)現(xiàn)缺陷信息與噪聲信息的分離。由于在機(jī)械零件缺陷檢測過程中，有效抑制了近似背景紋理信息和細(xì)節(jié)噪聲信息的干擾，提高了缺陷區(qū)域顯著度，從而實(shí)現(xiàn)機(jī)械零件表面缺陷準(zhǔn)確檢測。

[1] 孫曉輝, 聶小春, 汪菊英. 工業(yè)4. 0先進(jìn)制造技術(shù)及裝備[J]. 裝備制造技術(shù), 2015, 7: 237-239.

[2] 姜文濤, 劉榮海, 楊迎春, 等. 基于MATLAB時(shí)頻分析算法的滾動軸承故障研究[J]. 軟件, 2018, 39(2): 102-107.

[3] 倪東. 基于計(jì)算機(jī)圖像處理的零件缺陷檢測[J]. 蘭州工業(yè)學(xué)院學(xué)報(bào), 2016, (5): 55-58.

[4] 黎明, 馬聰, 楊小芹. 機(jī)械加工零件表面紋理缺陷檢測[J]. 中國圖象圖形學(xué)報(bào), 2004, 9(3): 318-320.

[5] 朱海榮, 姜平, 楊奕, 馬聰. 改進(jìn)的精密機(jī)械加工零件表面缺陷檢測算法[J]. 傳感器與微系統(tǒng),2006, (11): 66-96

[6] 王誠誠, 李文森, 雷鳴, 等. 基于目標(biāo)特征的機(jī)械零件表面缺陷檢測方法[J]. 軟件, 2016, 37(4): 32-34.

[7] 王建紅. 基于零均值及零方差圖構(gòu)建的潤滑油磨粒檢測 [J]. 軟件, 2015, 36(6): 120-124.

[8] 張明軍, 俞文靜, 袁志, 等. 視頻中目標(biāo)檢測算法研究[J]. 軟件, 2016, 37(4): 40-45.

[9] 朱俊杰, 杜小平, 范湘濤等. 三種圖像分割算法的對比及圖像分割方法改造[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014, 31(1): 194-200.

[10] 譚延凱. 基于計(jì)算機(jī)視覺的刀具磨損檢測技術(shù)的研究[D]. 沈陽: 沈陽理工大學(xué), 2011.

[11] Posner, M., Petersen S. The attention system of the human brain[J]. Annual Review of Neuroscience, 1990, 13(1): 25-42.

[12] Fumi Katsuki and Christos Constantinidis. Bottom-up and Top-Down Attention: Different Processes and Overlapping Neural Systems[J]. The Neuroscientist, 2014, 20(5): 509-521.

[13] Desimone, R., Duncan J. Neural mechanisms of selective visual attention [J]. Annual Review of Neuroscience, 1995, 18: 193-222.

[14] Walther, D., Koch, C. Modeling attention to salient proto- objects[J]. Neural Netw, 2006, 19: 1395-1407.

[15] 師紅宇, 任小玲. 基于機(jī)器視覺的棉花異性纖維識別方法[J]. 軟件, 2018, 39(2): 32-34.

[16] Hou, X., Harel, J., Koch, C. Image signature: highlighting sparse salient regions[J]. IEEE Trans. Pattern Anal. Mach. Intell, 2012, 34(1): 194-201.

[17] 尹萬廣, 陳其松, 王梨芳. 圖像處理中的Log殘余譜方法分析[J]. 自動化與儀器儀表, 2015, (2): 125-126.

Surface Defects Detection of Mechanical Parts Based on Bionic Vision Perception

GUAN Sheng-qi, CHEN Yong-dang, SHI Hong-yu

(School of Mechanical and Electronic Engineering, Xi’an Polytechnic University, Xi’an, 710048, China)

In order to improve the accuracy of surface defects detection of mechanical parts,this paper proposes a new tool wear detection method based on the study of the characteristics of mechanical parts defectes.First of all, according to the visual perception of Gestalt psychology, a saliency map is constructed by using the residual spectrum method to eliminate the texture Information.Then, noise and defects can be separated by using the scarcity of surface defects of mechanical parts as a task, thus the defect information can be extracted. The experimental results show that the method can accurately detect the surface defects of mechanical parts and has higher detection accuracy.

Mechanical parts; Surface defects; Visual perception; Residual spectrum; Saliency map

管聲啟，陳永當(dāng)，師紅宇. 基于仿生視覺感知的機(jī)械零件表面缺陷檢測[J]. 軟件，2018，39（11）：47-49

西安市科技計(jì)劃項(xiàng)目（2017074CG/RC037(XAGC006)）

管聲啟(1971-)，男，教授，博士，研究生導(dǎo)師，研究方向?yàn)橹悄苤圃熨|(zhì)量檢測；陳永當(dāng)(1972-)，男，教授，博士，研究生導(dǎo)師，研究方向?yàn)橹悄苤圃煨畔⒒?；師紅宇(1981-)，女，高級工程師，研究生導(dǎo)師，研究方向?yàn)閳D像處理。

TH741.3

A

10.3969/j.issn.1003-6970.2018.11.011