張娟飛

(陜西國防工業(yè)職業(yè)技術學院，陜西 西安 710300)

0 引言

近年來隨著工業(yè)技術的迅速發(fā)展，大尺寸薄壁機械在各個領域得到了廣泛應用[1]。在薄壁機械的使用過程中，由于沖壓產(chǎn)生的微小裂紋雖然不能導致機械的斷裂，但有時會導致機械的泄漏或滲出。所以在使用過程中對大尺寸薄壁機械零件進行微裂紋檢測是尤為重要的[2]。

國內外對該問題的研究已經(jīng)取得了一定的進展。國外主要是利用先進的分析儀器進行大尺寸薄壁機械零件微裂紋檢測，而國內學者于麗波等[3]提出基于條件隨機場的大尺寸零件微裂紋檢測方法。該方法利用單個像素的表現(xiàn)特征對零件裂紋進行判別，同時考慮像素的標注值影響，以此抑制零件微裂紋圖像的離散噪聲點，再通過機器的自動學習方式自動分辨零件的微裂紋特征，以完成大尺寸薄壁機械零件的微裂紋檢測。該方法由于對大尺度薄壁機械零件的微裂紋圖像進行了平滑處理，所以在對大尺寸薄壁機械零件微裂紋進行檢測時，無法有效檢測到裂紋的長度，從而導致檢測精度下降。魏勤等[4]提出一種非線性Lamb波混頻法的大尺寸機械零件微裂紋檢測方法。該方法首先利用壓電晶片在零件中激勵Lamb波，使零件的微裂紋與Lamb波之間產(chǎn)生相互作用，并利用損傷指數(shù)評估二者之間的作用關系，最后通過對獲取關系的分析完成大尺寸薄壁機械零件的微裂紋檢測。該方法由于不能有效獲取鄰域均值濾波的模板窗口，所以在對零件的微裂紋進行檢測時，無法有效檢測到微裂紋的圓度，從而導致該方法的檢測精度下降。

為解決上述問題，本文提出基于機器視覺的大尺寸薄壁機械零件微裂紋檢測方法。

1 零件微裂紋圖像預處理

1.1 灰度拉伸

由于設備及外界光照影響，零件的微裂紋圖像會出現(xiàn)過暗或曝光的情況，使整個圖像的灰度都集中在圖像的某一區(qū)域中，從而導致圖像的對比度下降，視覺效果差[5-6]。所以要對零件微裂紋圖像進行灰度拉伸，增加微裂紋圖像的灰度取值區(qū)域，提高圖像像素[7]。

利用灰度的線性拉伸方法構建零件微裂紋圖像的灰度映射關系。依據(jù)線性拉伸的線性函數(shù)，設定零件微裂紋圖像的任意像素點x,y灰度值為f(x,y)，變換后的零件微裂紋圖像輸出灰度為p(x,y)，則存在下述關系式：

p(x,y)=k·f(x,y)+d

(1)

式中：d為圖像的灰度調整值；k為圖像的拉伸系數(shù)。圖像拉伸系數(shù)與調整值可根據(jù)實際情況進行設定。

由于圖像在灰度拉伸時不需要對整個零件微裂紋圖像進行拉伸，所以在對零件微裂紋圖像進行處理時，選定一個灰度區(qū)域范圍并對這一部分進行拉伸即可?；叶葏^(qū)域范圍外的其他灰度可以直接忽略不計。

設定零件微裂紋圖像的線性拉伸變換公式如下：

(2)

大尺寸薄壁機械零件微裂紋圖像的變換關系曲線如圖1所示。

圖1 大尺寸薄壁機械零件微裂紋圖像的變換關系曲線

根據(jù)圖1可知，零件微裂紋圖像進行灰度拉伸時要利用兩個像素點來對圖像進行變換。當曲線中間段的斜率>1時，可直接運用該方法對圖像中低像素的灰度區(qū)域進行灰度拉伸，以此增加圖像的對比度，提升圖像的清晰度。反之，當圖像的中間段斜率<1時，則要對其進行反向操作，降低圖像的對比度，以完成大尺寸薄壁機械零件微裂紋圖像的灰度拉伸[8]。

1.2 圖像平滑

在對大尺寸薄壁機械零件微裂紋圖像進行圖像平滑處理之前，要利用鄰域均值濾波方法將圖像中的噪聲進行濾除，以此來改善圖像的質量[9]。鄰域均值濾波的常見形式如式(3)所示。

(3)

式中3個參數(shù)分別為3×3、5×5、3×3模式的高斯模板。

設定大尺寸薄壁機械零件微裂紋圖像中的像素點(x,y)灰度值為g(x,y)，以大尺寸薄壁機械零件微裂紋圖像的像素點(x,y)為中心，鄰域均值濾波的過程如下：

(4)

式中：(i,j)為鄰域均值濾波的模板窗口坐標點；f(i,j)為圖像的對應灰度值；N為鄰域均值濾波的模板窗口像素點總數(shù)；A為像素坐標集合。

在大尺寸薄壁機械零件微裂紋圖像中添加一組加性噪聲信號，該噪聲與圖像中各像素點無任何相關。設大尺寸薄壁機械零件微裂紋圖像中的期望為0，圖像方差為σ2，利用鄰域均值濾波對其進行處理，輸出的圖像處理結果中噪聲均值未發(fā)生變化，像素點的灰度值卻發(fā)生了改變，這時的圖像方差為σ2/N，噪聲點強度縮減為1/N，以此實現(xiàn)大尺寸薄壁機械零件微裂紋圖像噪聲濾除的目標。

2 零件微裂紋檢測

2.1 提取候選缺陷

利用Canny算子粗提取經(jīng)過圖像預處理的大尺寸薄壁機械零件微裂紋圖像中的微裂紋。Canny算子為一階導數(shù)邊緣檢測算子，可以在抑制噪聲的同時完成對圖像邊緣的檢測[10]。

為了規(guī)避大尺寸薄壁機械零件微裂紋圖像由于結構的變化而帶來過多的虛假邊緣，要將Canny算子限定在經(jīng)過圖像預處理的灰度區(qū)域范圍內，并與大尺寸薄壁機械零件微裂紋的原始圖像進行乘積的運算，以利用Canny算子檢測大尺寸薄壁機械零件微裂紋待處理圖像邊緣。

Canny算子在對大尺寸薄壁機械零件微裂紋圖像的邊緣檢測中會夾雜一些虛假邊緣，利用長度信息對圖像中由于噪聲引起的虛假邊緣進行濾除，獲取最終的候選微裂紋邊緣。

2.2 圖像特征約束

基于特征約束的方法對大尺寸薄壁機械零件微裂紋圖像的微裂紋缺陷特征進行精準提取[11]。

分析大尺寸薄壁機械零件的機械結構和沖壓受力可知，微裂紋一般出現(xiàn)在零件的頂面(平行于頂面，垂直于零件的斜面)。所以要依據(jù)大尺寸薄壁機械零件的候選邊緣和頂面、斜面的候選邊緣分別設置距離的約束條件以及方向的約束條件。

1)距離約束條件

設定距離約束條件為S1，且S1∶Dd

由于獲取的大尺寸薄壁機械零件微裂紋圖像缺陷候選邊緣是由若干個像素點組成的，假設圖像缺陷的候選邊緣的質心到零件頂面的最小距離用Dd表示，計算過程如下：

(5)

(6)

式中：Te為邊緣像素集合；m為邊緣像素個數(shù)。

式中：是包含構件i的模塊，如果mi=mj，則δmi,mj=1，反之則為0。Q的最大值為1，Q值越大，表示系統(tǒng)劃分后的模塊化程度越高。采用Q作為優(yōu)化目標的優(yōu)點在于，設計人員可以直接判斷一個系統(tǒng)劃分之后是否表現(xiàn)出模塊化的結構，例如當Q>0.3時，便可認為系統(tǒng)具有模塊化的組織結構[15]。

2)方向約束條件

設定方向的約束條件為S2，且S2∶Dk

邊緣與斜面的夾角為圖像中的一個相對角度，求解公式如式(7)所示。

(7)

式中：M11、M20、M02分別表示不同的圖像角點，則大尺寸薄壁機械零件微裂紋圖像中的待計算區(qū)域R的質心為(r0,c0)；(r,c)為圖像斜面與邊緣交點坐標。

依據(jù)上述公式對微裂紋圖像中的候選邊緣與邊緣斜面所處的夾角進行計算，過程如式(8)所示。

(8)

將上述計算結果進行整合，獲取大尺寸薄壁機械零件微裂紋圖像的空間位置特征。

2.3 特征約束

因為上述獲取的微裂紋圖像空間位置特征無法完全實現(xiàn)微裂紋檢測，會造成誤檢率上升，所以利用局部灰度特征約束對無法檢測到的誤檢結果進行剔除。

首先采用二階微分來反映微裂紋圖像的灰度波動，以此獲取圖像的二階微分絕對值，并將該絕對值設定為微裂紋圖像的均值約束條件S3，且S3∶Ml>Tl。其中，Ml為二階微分絕對均值。利用該約束條件對大尺寸薄壁機械零件的微裂紋進行閾值分割，將誤檢部分分割出一片較為完整的區(qū)域，而微裂紋區(qū)域則是隨機分布的，由此可以精確地完成大尺寸薄壁機械零件的微裂紋檢測。

3 實驗

3.1 實驗環(huán)境

采用的運行內存為32 G、操作系統(tǒng)為Windows10、120 G硬盤、CPU為Intel i7-7700HQ、內存為8 G的計算機。

微裂紋檢測工作臺由激光器、攝像機及其支架等多個部件組成。在該工作臺投入使用過程中，線結構光軸與攝像機光軸夾角為45°，使二者在水平面上的投影可以基本不再發(fā)生變化，以保證數(shù)據(jù)采集工作的穩(wěn)定性。不僅如此，攝像機可以沿其光軸前后移動一定距離，能夠保證大尺寸薄壁機械零件與攝像機之間的距離滿足實驗要求。

利用上述工作臺采集大尺寸薄壁機械零件微裂紋數(shù)據(jù)，其中一幅真實的大尺寸薄壁機械零件的微裂紋圖像如圖2所示。

圖2 真實圖像

3.2 實驗結果及分析

分別采用基于機器視覺的大尺寸薄壁機械零件微裂紋檢測方法(方法1)、基于條件隨機場的大尺寸零件微裂紋檢測方法(方法2)、一種非線性Lamb波混頻法的大尺寸機械零件微裂紋檢測方法(方法3)進行測試，不同方法的大尺寸薄壁機械零件微裂紋檢測結果如圖3所示。

圖3 微裂紋檢測結果

分析圖3中的數(shù)據(jù)可知，與方法2和方法3相比，方法1的檢測結果與真實圖像更為接近，說明該方法具有較好的檢測效果。

利用3種方法進行大尺寸薄壁機械零件的微裂紋長度檢測，檢測結果如表1所示。

依據(jù)表1可知，方法1的檢測精準度要高于方法2和方法3，且方法1測試的微裂紋長度與實際微裂紋長度較為一致。這主要是因為方法1利用了鄰域均值濾波對獲取的大尺度薄壁機械零件的微裂紋圖像進行平滑處理，從而提高了大尺寸薄壁機械零件微裂紋檢測精準度。

表1 微裂紋長度檢測結果 單位：mm

利用3種方法進行大尺寸薄壁機械零件微裂紋面積檢測，檢測結果如表2所示。

表2 微裂紋面積檢測結果 單位：mm2

依據(jù)表2可知，方法1的面積檢測精準度優(yōu)于方法2和方法3，且方法1的檢測結果與實際面積的誤差維持在2%以內。這主要是因為方法1利用鄰域均值濾波中的線性平滑算法來獲取濾波模板窗口并覆蓋整個圖像中的像素點灰度平均值，并以此替代大尺寸薄壁機械零件微裂紋圖像的中心像素灰度值，所以在對大尺寸薄壁機械零件微裂紋面積進行檢測時精度較高。

利用3種方法進行大尺寸薄壁機械零件微裂紋圓度檢測，檢測結果如表3所示。

表3 微裂紋圓度檢測結果 單位：μm

依據(jù)表3可知，方法1的圓度檢測精準度結果優(yōu)于方法2及方法3，且方法1的圓度檢測結果可以和測量的實際圓度無限接近，誤差≤1%。這主要是因為方法1利用大尺寸薄壁機械零件微裂紋的圖像像素點灰度值獲取了鄰域均值濾波的模板窗口，并利用該窗口對大尺寸薄壁機械零件微裂紋的圖像進行平滑處理，以此來提高大尺寸薄壁機械零件微裂紋的檢測精度。

在上述方法基礎上，為進一步驗證不同方法的應用效果，進行大尺寸薄壁機械零件微裂紋檢測耗時比較，結果如圖4所示。

分析圖4中的數(shù)據(jù)可知，方法1的檢測耗時始終在0.5 s以下，方法2的檢測耗時在1.1 s～3.1 s之間變化，方法3的檢測耗時在0.9 s～3.3 s之間變化。與方法2、方法3相比，方法1的紋檢測耗時是最短的，說明方法1的檢測效率更高，實際應用效果更好。

圖4 檢測耗時比較結果

4 結語

針對傳統(tǒng)的大尺寸機械薄壁機械零件微裂紋檢測方法中存在的問題，提出基于機器視覺的大尺寸薄壁機械零件微裂紋的檢測方法。測試結果表明：利用該方法對大尺寸薄壁機械零件微裂紋進行檢測后，可以有效檢測到零件微裂紋的長度、面積以及圓度，檢測精準度更高，檢測耗時更短。該方法由于在提取缺陷特征時還存在一定問題，今后會針對這一問題對該方法進行優(yōu)化。