陳佳倩 金晅宏 郭旭

摘 要：為解決傳統(tǒng)接觸式螺紋測(cè)量方法費(fèi)時(shí)且程序冗長(zhǎng)的缺陷，提出一種基于機(jī)器視覺技術(shù)的螺紋缺陷檢測(cè)算法。對(duì)捕獲的螺紋圖像進(jìn)行中值濾波、迭代法二值化與Canny邊緣提取處理;通過(guò)分析螺栓圖像中螺紋缺陷斷口位置灰度值的變化，提出一種基于DOG模型的螺紋自動(dòng)檢測(cè)方法。為驗(yàn)證該算法性能，用基于形狀的模板匹配算法作為對(duì)照進(jìn)行實(shí)驗(yàn)。結(jié)果表明，局部投影統(tǒng)計(jì)算法能有效提取螺紋缺陷圖像的缺陷信息，螺紋缺陷圖像識(shí)別率在95%以上。該方法可快速有效地降低噪聲，準(zhǔn)確迅速地定位缺陷點(diǎn)，提高生產(chǎn)線螺栓可替換性。

關(guān)鍵詞：螺紋缺陷;投影統(tǒng)計(jì);DOG金字塔

0 引言

螺栓在機(jī)械設(shè)備中起連接、傳動(dòng)和緊固的作用。螺栓的螺紋若存在缺陷，則影響螺栓可替換性及整個(gè)機(jī)械設(shè)備質(zhì)量，甚至引發(fā)生產(chǎn)事故，影響企業(yè)生產(chǎn)。因此準(zhǔn)確高效的螺栓螺紋檢測(cè)極其重要。目前我國(guó)制造業(yè)常用螺栓螺紋檢測(cè)方法大多為接觸式檢測(cè)[1-4]，主要利用測(cè)量工具對(duì)螺栓幾何參數(shù)進(jìn)行測(cè)量，以及通過(guò)人眼分辨螺栓螺紋是否存在缺陷以判斷螺栓質(zhì)量。接觸式檢測(cè)效率低，早已不能滿足自動(dòng)化程度越來(lái)越高的包裝生產(chǎn)要求[5-6]。非接觸測(cè)量技術(shù)應(yīng)時(shí)代要求，正逐步替代傳統(tǒng)測(cè)量方法。隨著計(jì)算機(jī)性能與圖像處理技術(shù)發(fā)展的日益成熟，機(jī)器視覺檢測(cè)技術(shù)被應(yīng)用于復(fù)雜工件檢測(cè)領(lǐng)域成為非接觸技術(shù)發(fā)展趨勢(shì)[7]。

Zhang等[8]搭建了一套視覺檢測(cè)系統(tǒng)用于對(duì)抓拍的零件圖像進(jìn)行自動(dòng)檢測(cè)和分類，并提出一種新的分類策略用于精確定位零件缺陷;施保華等[9]提出一種利用工業(yè)CMOS相機(jī)在線采集螺紋圖像，對(duì)螺紋圖像進(jìn)行邊緣提取及缺陷定位的在線檢測(cè)方法;余愚等[10]提出一種用線陣CCD裝置投影成像技術(shù)，實(shí)現(xiàn)檢測(cè)外螺紋幾何形狀參數(shù)的方法;李永敬等[11]提出輪廓形狀匹配算法，用于檢測(cè)沖壓零件外部形狀缺陷;田野等[12]搭建了一套內(nèi)螺紋圖像高效采集檢測(cè)實(shí)驗(yàn)平臺(tái)，可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè);Singh等[13]設(shè)計(jì)了一種用特殊的粒子分類器對(duì)經(jīng)過(guò)預(yù)處理后的螺紋圖像進(jìn)行自動(dòng)分類和檢測(cè)的算法，將處理結(jié)果與預(yù)先保存的螺紋圖像模板進(jìn)行匹配。

上述方法可獲取螺紋表面缺陷或輪廓缺陷，但螺紋缺陷點(diǎn)的定位不夠精確且基于模板匹配的方法內(nèi)存占比大，算法耗時(shí)長(zhǎng)。本文通過(guò)待檢測(cè)螺栓缺陷圖像分析，發(fā)現(xiàn)螺紋缺陷圖像上，輪廓斷裂處灰度值變化較大，因此提出基于局部投影的統(tǒng)計(jì)檢測(cè)算法，利用缺陷處像素投影，準(zhǔn)確快速地實(shí)現(xiàn)缺陷點(diǎn)定位。

1 圖像預(yù)處理

在螺栓螺紋圖像中不可避免地存在由各種電子器件、光學(xué)器件等引入的非線性噪聲，對(duì)螺紋缺陷圖像的定位影響明顯，所以圖像預(yù)處理必不可少。

經(jīng)由傅里葉變換后呈現(xiàn)白色大幅度的低頻區(qū)域，代表圖像中慢變化的特性，即灰度變化緩慢的特性。經(jīng)由傅里葉變換后呈現(xiàn)黑色大幅度的高頻區(qū)域，代表圖像中快變化的特性，即灰度變化快的特性。經(jīng)過(guò)頻譜分析可知噪聲類型主要為椒鹽噪聲，可以采用中值濾波處理[14-16]，其結(jié)果如圖1、圖2所示。

對(duì)濾波后的圖像需要進(jìn)行閾值分割處理，目的在于方便提取目標(biāo)圖像，為之后處理作準(zhǔn)備。常見處理方式有固定閾值分割法、最大類間方差法、迭代法等[17-19]，灰度直方圖可以更直觀體現(xiàn)閾值分割后圖像變化，處理結(jié)果如圖3、圖4、圖5所示。

對(duì)處理后的螺栓螺紋圖像進(jìn)行比較可知，迭代法的閾值分割可以提高抗干擾性，確保有效信息完整性。實(shí)現(xiàn)準(zhǔn)確的螺紋缺陷檢測(cè)需有效提取螺紋邊緣，為了方便定位螺紋缺陷，減少假邊緣，選擇Canny算子進(jìn)行提取。

2 DoG金字塔描述

DoG（Difference of Guassian）算子即高斯差分濾波，其由David Lowe 提出，本質(zhì)上近似于高斯拉普拉斯LoG，也就是對(duì)[σ2？2G]的近似[20-22]。為了得到DoG金字塔首先需構(gòu)造高斯金字塔，即用不同參數(shù)的[σ]對(duì)多分辨率金字塔每層圖像作高斯模糊，使每層金字塔獲得多個(gè)高斯模糊圖像，DoG金字塔如圖6所示。

具體算法如下：

（1）對(duì)使用DoG算法處理過(guò)的螺紋圖像矩形區(qū)域進(jìn)行分割。由于缺陷在整幅圖中占比太小，不易定位，所以將其分割成若干塊小區(qū)域。矩形區(qū)域被分成幾個(gè)小區(qū)域以便提取缺陷信息。

（2）計(jì)算分割圖像的像素投影信息。對(duì)分割好的圖像進(jìn)行投影，將圖像分別在X軸和Y軸方向上投影，獲取相關(guān)像素點(diǎn)的集合圖。

（3）確定圖像中像素突變位置。對(duì)于檢測(cè)到的圖像，由于無(wú)螺紋圖像灰度值保持不變以保留圖像細(xì)節(jié)信息， 當(dāng)投影圖像像素點(diǎn)突然減少時(shí)，即為有缺陷的地方，如此可實(shí)現(xiàn)缺陷精準(zhǔn)定位。

為驗(yàn)證算法有效性，本文通過(guò)基于輪廓的模板匹配算法和基于局部投影統(tǒng)計(jì)法對(duì)選取的螺栓螺紋圖像進(jìn)行處理和對(duì)比。

圖7為螺紋原圖，螺紋圖像經(jīng)過(guò)DoG金字塔算法處理后得到圖8，對(duì)圖8進(jìn)行選取矩形區(qū)域分割，在該矩形區(qū)域內(nèi)對(duì)螺栓圖像在X、Y軸方向上投影，圖9為螺栓螺紋存在缺陷的投影圖像，圖10為螺栓螺紋不存在缺陷的投影圖像。投影結(jié)果獲得了像素統(tǒng)計(jì)信息，可用于定位缺陷位置，從而找出缺陷區(qū)域，如圖11所示。

為獲取螺紋模板，首先確定螺栓螺紋曲圖像中的矩形ROI區(qū)域，如圖12所示;其次對(duì)該ROI區(qū)域進(jìn)行閾值分割和膨脹處理，如圖13所示，以便獲得較為清晰的輪廓作為模板（見圖14）。

本文實(shí)驗(yàn)共分為3組，共540幅圖像，每組180幅圖像又隨機(jī)分成3小組，3組實(shí)驗(yàn)光照等條件相同。具體實(shí)驗(yàn)結(jié)果如圖18-20所示。

從圖中可知，基于形狀的模板匹配算法的圖像檢測(cè)率約在75%以下，且對(duì)螺紋有缺陷圖檢測(cè)率明顯低于螺紋無(wú)缺陷圖像檢測(cè)率;局部投影統(tǒng)計(jì)算法對(duì)于螺紋圖像檢測(cè)率約在95%以上，且對(duì)于螺紋有缺陷圖像和螺紋無(wú)缺陷圖像的檢測(cè)率基本一致，對(duì)比兩種算法檢測(cè)結(jié)果表明，局部投影統(tǒng)計(jì)法對(duì)于螺紋缺陷圖像的檢測(cè)率更高，且誤檢率降低。此外因模板匹配內(nèi)存占比大，算法耗時(shí)明顯低于基于輪廓的形狀匹配算法。

5 結(jié)語(yǔ)

本文提出一種基于局部投影統(tǒng)計(jì)法的螺栓螺紋缺陷檢測(cè)方法，該缺陷檢測(cè)方法能夠快速有效地去除噪聲，并且可以更好地加強(qiáng)圖像缺陷信息。經(jīng)實(shí)驗(yàn)證明，算法可以準(zhǔn)確快速地定位缺陷點(diǎn)，從而提高生產(chǎn)線上螺栓可替換性，保障生產(chǎn)工序順利進(jìn)行。

參考文獻(xiàn)：

[1] 王世峰， 趙馨， 佟首峰，等. 基于激光位移檢測(cè)技術(shù)的螺紋檢測(cè)儀研制[J]. 儀器儀表學(xué)報(bào)， 2007， 28（4）：755-759.

[2] BOUDINE B， KRAMM S， AKKAD N E， et al. A flexible technique based on fundamental matrix for camera self-calibration with variable intrinsic parameters from two views [J]. Journal of Visual Communication & Image Representation， 2016， 39（C）：40-50.

[3] TSAI D M，HUANG T Y. Automated surface inspection for statistical textures[J]. Image & Vision Computing， 2003， 21（4）：307-323.

[4] SINGH K， KAPOOR R. Image enhancement via median-mean based sub-image-clipped histogram equalization[J]. International Journal for Light and Electron Optics， 2014， 125（17）：4646-4651.

[5] 蔡葉菁，彭濤，何靜，等. 機(jī)器視覺在包裝檢測(cè)過(guò)程中的應(yīng)用研究[J]. 包裝工程，2003， 24（2）：45-48.

[6] SHANMUGAMANI R， SADIQUE M， RAMAMOORTHY B. Detection and classification of surface defects of gun barrels using computer vision and machine learning[J]. Measurement， 2015， 60：222-230.

[7] 劉俊琪. 基于圖像識(shí)別的鋁塑包裝材料邊緣檢測(cè)[J]. 包裝工程工程版，2017，38（13）：154-158.

[8] ZHANG X，KREWET C，KUHLENK？TTER B. Automatic classification of defects on the product surface in grinding and polishing[J]. International Journal of Machine Tools & Manufacture， 2006， 46（1）：59-69.

[9] 施保華， 魏雅慧. 一種基于機(jī)器視覺的螺紋缺陷檢測(cè)方法[J]. 三峽大學(xué)學(xué)報(bào)：自然科學(xué)版， 2015， 37（2）：64-66.

[10] 余愚，戴躍洪，唐其林. 用線陣CCD裝置自動(dòng)檢測(cè)外螺紋幾何形狀參數(shù)的方法[J]. 振動(dòng)、測(cè)試與診斷， 2000， 28（s1）：196-199.

[11] 李永敬，朱萍玉，孫孝鵬，等. 基于形狀模板匹配的沖壓件外形缺陷檢測(cè)算法研究[J]. 廣州大學(xué)學(xué)報(bào)：自然科學(xué)版，2017（5）：62-66.

[12] 田野. 基于機(jī)器視覺的內(nèi)螺紋參數(shù)檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 合肥：合肥工業(yè)大學(xué)，2017.

[13] AJAY P， NEERAJ J. Screw? classification using machine vision[J].? International Journal of Electronics & Communication Technology， 2011，2：31-33.

[14] COOTES T F， PAGE G J， JACKSON C B， et al. Statistical grey-level models for object location and identification[J]. Image & Vision Computing， 1996， 14（8）：533-540.

[15] NAKARIYAKUL S. Fast spatial averaging： an efficient algorithm for 2d mean filtering[J]. Journal of Supercomputing，2013，65（1）：262-273.

[16] CHAN R H，HO C W，NIKOLOVA M. Salt-and-pepper noise removal by median-type noise detectors and detail-preserving regularization[J]. IEEE Transactions on Image Process，2005，14（10）：1479-85.

[17] OTEN R，DE FIGUEIREDO R J P. Adaptive alpha-trimmed mean filters under deviations from assumed noise model[J]. IEEE Transactions on Image Processing，2004，13（5）：627.

[18] 曹風(fēng)云，李東興，張華強(qiáng)，等. 自適應(yīng)多方向灰度形態(tài)學(xué)圖像邊緣檢測(cè)算法[J]. 光學(xué)技術(shù)，2016， 42（3）：234-238.

[19] YUAN X C， WU L S， PENG Q. An improved OTSU method using the weighted object variance for defect detection[J]. Applied Surface Science， 2015， 349：472-484.

[20] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）：91-110.

[21] PAN B. An Evaluation of convergence criteria for digital image correlation using inverse compositional Gauss-Newton algorithm[J]. Strain， 2014， 50（1）：48-56.

[22] 羅曉暉，李見為. 基于DOG模型的線條檢測(cè)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2003， 15（4）：425-431.

[23] 游磊，楊丹，張小洪. 一種新的基于DoG的立體匹配算法[J]. 重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版， 2009， 23（1）：122-126.

[24] 舒小華，沈振康，龍永紅. 一種基于輪廓配準(zhǔn)的包裝缺陷檢測(cè)方法[J]. 包裝工程，2007，28（3）：19-21.

[25] PAN B，QIAN K，XIE H， et al. Topical review： two-dimensional digital image correlation for in-plane displacement and strain measurement： a review[J]. Measurement Science & Technology， 2009， 20（6）：152-154.

（責(zé)任編輯：江 艷）