機器視覺下基于圖像灰度值形態(tài)學的槍彈鋼芯表面檢測

張亞軍，齊杏林，董成基

(軍械工程學院彈藥工程系，石家莊 050003)

槍彈作為輕武器常規(guī)彈藥之一，結構看似簡單，但是屬于批量性流水線加工，為保證槍彈的質量，提高零部件加工過程的一致性和裝配過程的一致性顯得尤為重要。所以，槍彈生產(chǎn)過程中必須對彈頭、彈殼、彈頭等零部件進行嚴格的檢測?？傮w上來講，檢測主要包括兩方面:一是制造精度，如尺寸、重量等;二是表面缺陷，如表面壓痕、擦傷、銹斑、裂縫等。目前，我國槍彈檢測手段、方法和設備還相當落后，幾十年來產(chǎn)品在更新?lián)Q代，但檢測方式卻長期處于“量具+人工”的傳統(tǒng)階段，停留在長檢臺上及肉眼檢驗質量。這種方式不但勞動強度高、費工時，而且由于人工檢測的主觀性造成檢測精度低、可靠性差，給槍彈的質量帶來了潛在的隱患。因此，使用自動檢測技術提高槍彈檢測精度和效率是一項急待解決的問題。

當然，國內對槍彈的檢測也有相關研究，如張旭等采用12 工位高速檢測轉自模型設計測試系統(tǒng)，并使用位移傳感器測量相對位移差的方法［1］來測量槍彈的尺寸;吳海江等用計算機圖像處理技術檢測彈痕［2］。但他們的研究對槍彈的檢測不全面，而且自動化程度不高。近年發(fā)展起來的機器視覺用機器代替人眼進行目標對象的識別、判斷和測量［3］。通過對圖像信息的獲取、處理實現(xiàn)對目標對象的測量和識別，相對于傳統(tǒng)測量檢驗方法，機器視覺技術的最大優(yōu)點是快速、準確、可靠與智能化，對提高產(chǎn)品檢驗的一致性、降低工人勞動強度以及實現(xiàn)檢測自動化。本文僅對機器視覺下應用圖像灰度值形態(tài)學算法實現(xiàn)鋼芯表面缺陷的檢測進行簡要討論。

1 機器視覺發(fā)展及原理

1.1 機器視覺的發(fā)展

機器視覺是在20 世紀50年代從統(tǒng)計模式識別開始的，當時的工作主要集中在二維圖像分析和識別上，如光學字符識別，工件表面、顯微圖片和航空圖片的分析和解釋等。20世紀60年代，Roberts(1965)通過計算機程序從數(shù)字圖像中提取出諸如立方體、楔形體、棱柱體等多面體的三維結構，并對物體形狀及物體的空間關系進行描述。Roberts 的研究工作開創(chuàng)了以理解三維場景為目的的三維機器視覺的研究。Roberts 對積木世界的創(chuàng)造性研究給人們以極大的啟發(fā)，許多人相信，一旦由白色積木玩具組成的三維世界可以被理解，則可以推廣到理解更復雜的三維場景。于是，人們對積木世界進行了深入的研究，研究的范圍從邊緣、角點等特征提取，到線條、平面、曲面等幾何要素分析，一直到圖像明暗、紋理、運動以及成像幾何等，并建立了各種數(shù)據(jù)結構和推理規(guī)則。到了70年代，已經(jīng)出現(xiàn)了一些視覺應用系統(tǒng)(Guzman 1969，Mackworth 1973)。70年代中期，麻省理工學院(MIT)人工智能(AI)實驗室正式開設“機器視覺”(Machine Vision)課程，由國際著名學者B.K.P.Horn 教授講授。同時，MIT AI實驗室吸引了國際上許多知名學者參與機器視覺的理論、算法、系統(tǒng)設計的研究，David Marr 教授就是其中的一位。他于1973年應邀在MIT AI 實驗室領導一個以博士生為主體的研究小組，1977年提出了不同于“積木世界”分析方法的計算視覺理論(computational vision)，該理論在80年代成為機器視覺研究領域中的一個十分重要的理論框架?？梢哉f，對機器視覺的全球性研究熱潮是從20 世紀80年代開始的，到了80年代中期，機器視覺獲得了蓬勃發(fā)展，新概念、新方法、新理論不斷涌現(xiàn)，比如，基于感知特征群的物體識別理論框架，主動視覺理論框架，視覺集成理論框架等［4］。到目前為止，機器視覺仍然是一個非?；钴S的研究領域，是目前國際上一種先進的檢測技術。2008年河南科技大學的程轉偉等提出把圖像處理技術與缺陷專家診斷系統(tǒng)相結合的零件表面缺陷檢測方法。根據(jù)表面缺陷的特點設計缺陷檢測系統(tǒng)，綜合運用了圖像處理技術，采用改進的中值濾波技術消除噪聲，運用差影法進行缺陷分割，最后使用專家系統(tǒng)進行缺陷分析，并進行了可靠性驗證。2005年天津大學的張曉波等開發(fā)了一種基于圖像處理技術的制動閥表面缺陷自動檢測系統(tǒng)。綜合運用了圖像處理技術，使用了改進的中值濾波技術消除噪聲，運用矩量不變法自動閾值分割，采用霍夫變換提取功能面，可準確判定工件的質量等級。因此，視覺檢測在產(chǎn)品外觀質量、尺寸等檢測上有著無與倫比的優(yōu)勢，是替代傳統(tǒng)的人工檢測和機械檢測設備的最佳選擇，其發(fā)展不僅極大地推動了智能系統(tǒng)的發(fā)展，也拓寬了計算機與各種智能機器的研究范圍和應用領域。

1.2 機器視覺的原理

所謂機器視覺，是指用計算機來實現(xiàn)人的視覺功能，即用計算機來實現(xiàn)對客觀的三維世界的識別，是一個整套的系統(tǒng)，包括相機、鏡頭、光源、視頻采集卡、圖像算法庫、應用程序等一系列的功能部分組成。人類視覺系統(tǒng)的感受部分是視網(wǎng)膜，它是一個三維采樣系統(tǒng)，三維物體的可見部分投影在視網(wǎng)膜上，人們按照投影到視網(wǎng)膜上的二維的像來對物體進行三維理解。所謂三維理解是指對被觀察對象的形狀、尺寸、離開觀察點的距離、質地和運動特征(方向和速度)等的理解。機器視覺的輸入裝置可以是攝像機、轉鼓等，它們都把三維的影像作為輸入源，即輸入計算機的就是三維客觀世界的二維投影。如果把三維客觀世界到二維投影圖像看作是一種正變換，則機器視覺系統(tǒng)所要做的就是從這種二維投影圖像到三維客觀世界的逆變換，即根據(jù)這種二維投影圖像去重建三維客觀世界，從而實現(xiàn)對目標作出識別。圖1 就是機器視覺系統(tǒng)在線工作原理圖。

在圖1 中，被檢測物體(2)在傳送帶(1)上運動，機器視覺系統(tǒng)在相對固定的位置采集被檢測物體的圖像。這就要求要有相應的機械結構保障，同時需要有給出外觸發(fā)信號的傳感器(3)，傳感器是一種電器元件，有光電式、電磁感應式、開關式等不同種類，在實際項目中需要根據(jù)被測物的不同來選擇。觸發(fā)信號去觸發(fā)光源(3)和相機(4)。光源在機器視覺中占據(jù)著很重要的位置，根據(jù)不同的檢測種類需要選擇不同的光源，根據(jù)被檢測物不同的顏色、需要檢測的項目要設計不同的打光方案。例如:檢測尺寸時，一般選擇背光源，保證被測物在相機中的投影邊界清晰、鋒利。而相機是機器視覺系統(tǒng)中的核心部件，只有拿到相對清晰的圖像，好質量的圖像才能做出精確的判斷，在實際現(xiàn)場環(huán)境中還需要在機器視覺系統(tǒng)上加遮光板，這樣防止外部環(huán)境對相機成像的影響。相機拍攝圖像送入計算機(6)內的采集卡(7)上，采集卡將圖像數(shù)據(jù)保存在內存(8)中。通過一系列復雜的圖像算法，圖像算法就是對內存中的圖像數(shù)據(jù)經(jīng)過濾波、銳化、均值、動態(tài)分析、尋邊、小波變換等。通過對圖像數(shù)據(jù)的算法分析得出結果(9)，根據(jù)結果控制計算機上的控制卡(7)，通過控制卡控制排除機構(10)做出反應，排除機構則有一系列的電氣器件組成，例如氣缸、電磁閥等。

圖1 機器視覺系統(tǒng)在線工作原理

2 槍彈鋼芯表面缺陷檢測應用

從機器視覺技術出發(fā)，我們對槍彈鋼芯表面檢測進行了研究和實踐，研究中通過讓鋼芯旋轉起來，然后用線陣工業(yè)相機拍攝圖像，展開成一個平面，為獲得清晰、明確的圖像提供了有效的支持。在圖像算法上使用了高效可靠的灰度值形態(tài)學的算法，保證了對產(chǎn)品表面外觀的準確判斷。形態(tài)學，就是在我們對目標物體經(jīng)過圖像分割后所得到區(qū)域的形狀進行分析，根據(jù)區(qū)域的周長、面積、長寬比、矩形度、圓形度等特征值進行分析和篩選的一種圖像算法。形態(tài)學在表面外觀的檢測中占有很重要的地位，通過對被測物形態(tài)特征上的分析可以有效地分離出所需的目標。正因為形態(tài)學在處理圖像上有著廣泛的用途，所以也自然將形態(tài)學的概念用到了灰度值圖像處理上。下面對圖像算法中所使用的灰度值形態(tài)學操作進行詳細的介紹。

從區(qū)域形態(tài)學上類推，用g(r，c)表示要被處理的圖像，用s(r，c)表示ROI 是S 的一幅圖像，則與區(qū)域形態(tài)學類似，圖像S 被稱為結構元。

灰度值閔可夫斯基加法則被定義為:

如果區(qū)域的特征函數(shù)是作為灰度值圖像被使用的，那么針對區(qū)域的閔可夫斯基加法可以作為上式的特例來獲得。如果一幅圖像被當做結構元使用，且此幅圖像中的ROI S 內的灰度值都是0，則閔可夫斯基加法變?yōu)?

在灰度值形態(tài)學中，對結構元的選擇都是平坦結構元:對于(r，c)∈S 時，s(r，c)=0。這樣，灰度值膨脹與區(qū)域膨脹的效果類似:它擴大前景，即擴大圖像中比周圍更亮的部分且收縮背景，即收縮圖像中比周圍更暗的部分。這樣，灰度值膨脹能夠用來將灰度值圖像中的一個亮物體的脫節(jié)部分連在一起。這個算法對于將亮目標從背景色中分離出來有著重要的意義。

對于灰度值圖像的閔可夫斯基減法如下:

由上式可知，通過轉置結構元實現(xiàn)灰度值腐蝕操作:

與區(qū)域腐蝕類似，灰度值腐蝕收縮前景并擴大背景。所以，灰度值腐蝕能夠被用來分開相互連接的亮物體和連接支離破碎的暗物體。

事實上灰度值膨脹和灰度值腐蝕之間，灰度值閔可夫斯基加法和減法之間，都是彼此對偶的。

與區(qū)域形態(tài)學類似，通過灰度值膨脹和灰度值腐蝕這些基本的圖像操作模塊，能定義灰度值開操作為一個腐蝕操作后再執(zhí)行一個閔可夫斯基加法:

灰度值閉操作是一個膨脹操作后再執(zhí)行一個閔可夫斯基減法

線陣工業(yè)相機高速多幀抓拍旋轉鋼芯的表面缺陷并拼接后，通過上述灰度值形態(tài)學算法處理，可以看到鋼芯表面的凹坑、毛刺、麻點、凸起等缺陷能準確的被檢出，并作出判定。如圖2 典型缺陷處理前后對比所示。

3 結束語

從圖2 圖像中可以看出，利用灰度值形態(tài)學的算法，能方便的檢測到圖中的缺陷。從目前該算法在開發(fā)的自動檢測原型機上的試運行情況來看，缺陷的檢測能力達到100%，自動分類準確率達到100%，無一發(fā)缺陷漏檢、錯檢。

［1］彭旭，孔淼，林虎成.轉子式高速高精度彈體尺寸動態(tài)測量系統(tǒng)［J］.兵工自動化，2010，29(8):74.

［2］吳海江，李一民，吳偉，等.基于槍彈頭痕跡自動比對方法的研究［C］.2009年研究生學術交流會通信與信息技術論文集，2009.

［3］韓九強.機器視覺技術及應用［M］.北京:高等教育出版社，2009.

［4］黃權，周麗娟.F150 在間隙檢測系統(tǒng)中的應用［J］.兵工自動化，2008，27(12):74-76.