基于圖像的缸體零件表面缺陷檢測(cè)方法*

譚亞雄, 劉　偉, 張海洋

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 吉林 長(zhǎng)春 130033;2.中國(guó)科學(xué)院大學(xué),北京 100049)

基于圖像的缸體零件表面缺陷檢測(cè)方法*

譚亞雄1,2, 劉偉1, 張海洋1,2

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 吉林 長(zhǎng)春 130033;2.中國(guó)科學(xué)院大學(xué),北京 100049)

摘要:針對(duì)人工抽樣目測(cè)方法和超聲波、電磁波等測(cè)量技術(shù)用于新型檢測(cè)方法存在各式各樣的缺點(diǎn),為了實(shí)現(xiàn)在線高速檢測(cè)汽車(chē)制動(dòng)缸內(nèi)壁是否存在缺陷,基于數(shù)字圖像處理技術(shù),提出了一種能很好滿足要求的圖像處理和缺陷檢測(cè)方法。通過(guò)CCD相機(jī)采集零件需要檢測(cè)表面的圖像;用Matlab軟件對(duì)圖像進(jìn)行必要的處理、對(duì)邊緣進(jìn)行提取;通過(guò)腐蝕和膨脹運(yùn)算優(yōu)化邊緣,再采用連通域標(biāo)記,通過(guò)計(jì)算缺陷區(qū)域處面積和周長(zhǎng)兩個(gè)物理量來(lái)判斷缺陷類(lèi)型和特征。結(jié)果表明：此方法能檢測(cè)出缸體內(nèi)表面缺陷,基本上能滿足缺陷快速檢測(cè)要求。

關(guān)鍵詞:數(shù)字圖像處理; 邊緣提取; 缺陷識(shí)別; 非接觸性檢測(cè)

0引言

在安全事故頻發(fā)的今天,有許多都是因?yàn)闄C(jī)器中存在不合格的零件導(dǎo)致的,而不合格零件之所以會(huì)存在于機(jī)器中,則是在檢測(cè)零件時(shí)存在漏判和誤判。在各種機(jī)械零件表面檢測(cè)中,孔類(lèi)零件由于孔內(nèi)光照不足,表面不易觀察,檢測(cè)難度相對(duì)要大一些,傳統(tǒng)的人工抽樣目測(cè)方法極其受限,而且隨著工作時(shí)間增長(zhǎng),人的眼睛也會(huì)疲勞,誤檢率也會(huì)慢慢增加,并且由于是抽樣檢查,很有可能會(huì)對(duì)一些存在致命缺陷的零件漏查。鑒于此,有些企業(yè)嘗試將超聲波、電磁波等測(cè)量技術(shù)[1]用于新型檢測(cè)方法的研究上,但都未取得很好的效果。這類(lèi)檢測(cè)非常慢,對(duì)環(huán)境的要求卻非常高,所以，并不適合在線高速檢測(cè)零件表面缺陷[2]。

自20世紀(jì)90年代以來(lái),表面自動(dòng)檢測(cè)技術(shù)從早期的逐點(diǎn)激光掃描發(fā)展到逐行掃描的線陣CCD技術(shù)[3]。但線陣CCD掃描的速度太慢,而且分辨率不高,所以,表面檢測(cè)時(shí)通常采用更加優(yōu)越的面陣CCD攝像頭。由于有數(shù)字圖像處理技術(shù)作支撐,這種基于機(jī)器視覺(jué)的間接性表面檢測(cè)方法已經(jīng)廣泛應(yīng)用于工件的尺寸、表面疵病檢測(cè)等領(lǐng)域?；诖?為了對(duì)缸體內(nèi)表面進(jìn)行疵病檢測(cè)和缺陷類(lèi)別判定,本文提出了一種以數(shù)字圖像處理技術(shù)為核心的檢測(cè)方法。通過(guò)處理采集的圖像來(lái)獲取缺陷邊緣特征,再計(jì)算缺陷邊緣長(zhǎng)度和所圍面積來(lái)實(shí)現(xiàn)。

1零件內(nèi)表面圖像采集

制動(dòng)缸體主孔尺寸是直徑19～27 mm、深度50～200 mm,對(duì)于這樣一個(gè)近似細(xì)長(zhǎng)孔,要采集它內(nèi)表面的圖像,需要一個(gè)安裝在細(xì)長(zhǎng)桿上的面陣CCD相機(jī)。由于CCD相機(jī)的視場(chǎng)角是小于360°的,在采集圓柱狀孔類(lèi)零件內(nèi)表面圖像時(shí),不可能一次性得到整個(gè)表面圖像,所以,必須對(duì)孔內(nèi)表面進(jìn)行二維掃描[4]。為了防止內(nèi)窺鏡(CCD相機(jī))上的線因運(yùn)動(dòng)而纏繞甚至斷裂,將內(nèi)窺鏡設(shè)計(jì)成固定件,而讓工件相對(duì)內(nèi)窺鏡運(yùn)動(dòng)來(lái)采集圖像。要想得到整個(gè)內(nèi)表面的完整圖像,需采取工件回轉(zhuǎn)運(yùn)動(dòng)和直線進(jìn)給運(yùn)動(dòng)分時(shí)進(jìn)行,即將內(nèi)窺鏡置于孔的中心軸處,確定一個(gè)初始位置,然后工件直線進(jìn)給一定距離,接著工件回轉(zhuǎn)一周,再讓工件直線進(jìn)給到下一位置,再回轉(zhuǎn)一周,如此循環(huán),直到掃描完整個(gè)內(nèi)表面。具體操作流程如圖1所示。

圖1　零件內(nèi)表面圖像采集流程圖Fig 1　Image collection flow chart of part inner surface

通過(guò)此方法獲得了多個(gè)實(shí)驗(yàn)件的內(nèi)表面圖像,由于每幅圖像的處理方法是一樣的,所以,從中只選取了一幅存在缺陷,并且有代表意義的圖片進(jìn)行處理。該圖片如圖2所示。

圖2　內(nèi)表面原始圖像Fig 2　Original image of inner surface

通過(guò)處理該圖像而進(jìn)行缺陷判定與定量分析,從而驗(yàn)證所用方法的可行性。

2圖像處理方法

2.1圖像預(yù)處理

在進(jìn)行圖像處理時(shí),首先要明白最終目的是提取出清晰的缺陷輪廓邊緣,然后圍繞這一主題進(jìn)行相應(yīng)的圖像處理操作。一般情況下,即使是好的面陣CCD相機(jī)采集的圖像也不能在視覺(jué)系統(tǒng)中直接使用,這是因?yàn)椴杉膱D像多多少少會(huì)受到噪聲的干擾。這些噪聲可能來(lái)自設(shè)備,也有可能是外部環(huán)境隨機(jī)干擾,所以,這些噪聲沒(méi)有辦法完全消除。實(shí)際也正是如此,從采集到的原圖像(圖2)可以明顯看到,該圖像中不僅存在噪聲,而且由于設(shè)備采集的圖像質(zhì)量也不夠好,這加大了圖像處理的難度[5]。對(duì)于這樣一幅含有大量噪聲的圖片,必須對(duì)其進(jìn)行去噪處理。為了只將圖像中有用的缺陷邊緣信息提取出來(lái),衰減那些不需要的特征,做預(yù)處理時(shí)無(wú)須考慮處理后的圖像是否與原圖像特別相似。

針對(duì)原始圖像的特點(diǎn),采用均值濾波對(duì)其進(jìn)行預(yù)處理。均值濾波是一種利用鄰域灰度值對(duì)目標(biāo)灰度值進(jìn)行均值化的算法[6]。假設(shè)有一幅圖像f(x,y) ,其像素點(diǎn)是一個(gè)大小為M×N的陣列,令均值濾波后的圖像為h(x,y) ,則有h(x,y)中某點(diǎn)的像素灰度值是由原始圖像f(x,y)中對(duì)應(yīng)點(diǎn)和其預(yù)定鄰域內(nèi)的像素灰度值的平均值,計(jì)算公式如下

(1)

式中1≤x≤M,1≤y≤N且x,y∈N,S是除對(duì)象像素點(diǎn)之外的預(yù)定鄰域,k是鄰域S內(nèi)像素點(diǎn)的個(gè)數(shù)。經(jīng)均值濾波后的圖像如圖3所示。

圖3　均值濾波后的圖像Fig 3　Mean filtering image

從圖中可以看出,由于k的存在,圖像的目標(biāo)對(duì)象的輪廓邊緣有所模糊,同時(shí)噪聲也得到了抑制。

2.2缺陷邊緣提取

邊緣提取就是要找出目標(biāo)與背景的交界線,這主要取決于目標(biāo)與背景之間像素點(diǎn)的灰度值存在一定程度的差異?；谙袼攸c(diǎn)灰度值的突變,前人研究出了許多微分算子用于邊緣提取,即經(jīng)典的邊緣提取方法。它的原理就是考察圖像中某個(gè)像素點(diǎn)在其鄰域內(nèi)的灰度變化,利用一階或二階導(dǎo)數(shù)變化規(guī)律來(lái)檢測(cè)圖像邊緣。對(duì)于這種變化最重要的兩個(gè)特征就是灰度變化的梯度和其幅值。

在數(shù)字圖像處理中,梯度的定義是：對(duì)一幅連續(xù)圖像f(x,y),在像素點(diǎn)(x,y) 沿x方向和y方向的梯度分別為Gx和Gy,那么梯度矢量可以表示如下[7]

(2)

其中,梯度方向是圖像灰度值變化率最大的地方,用θ表示,有

(3)

在邊緣檢測(cè)中,一個(gè)重要的量是梯度矢量的大小,用g(x,y)表示,這里有

(4)

這個(gè)量給出了在θ方向上每增加單位距離后,f(x,y)值增大的最大變化率。

基于上述理論的邊緣提取方法多種多樣,典型的有Roberts算子、Sobel算子、Prewitt算子和Canny[8]算子等。這里采用Canny算子對(duì)目標(biāo)圖像進(jìn)行邊緣提取,因?yàn)槠漭^其他方法有更好的效果。大多數(shù)邊緣提取算法都只用一個(gè)閾值來(lái)判斷邊緣,而一個(gè)閾值根本不夠,由于噪聲的影響,邊緣信號(hào)的響應(yīng)有大多數(shù)是小于這個(gè)閾值的,這樣會(huì)造成邊緣不連續(xù),難以分辨真正的邊緣和虛假邊緣,如果繼續(xù)降低這個(gè)閾值的話,虛假邊緣就會(huì)完全被當(dāng)做真實(shí)邊緣檢測(cè)出來(lái)。

Canny算子是高斯函數(shù)的一階導(dǎo)數(shù),它是一階微分算子,其檢測(cè)圖像邊緣中有一個(gè)重要的步驟就是尋找圖像梯度的局部最大值[9]。在此之前,首先需要用高斯濾波器平滑圖像,之后就可以計(jì)算圖像的梯度及其幅值,然后從這些幅值中找出圖像梯度的局部最大值,這里主要是通過(guò)對(duì)梯度幅值進(jìn)行非極大值抑制并同時(shí)將非局部極大值置零的方法,最后采用雙閾值法檢測(cè)和連接圖像邊緣。所謂雙閾值法,就是使用兩個(gè)閾值T1和T2,若假定T1>T2,則有T1用來(lái)粗略找到每條完整邊緣的部分明顯線段,T2用來(lái)在這些找到的線段的兩個(gè)方向上延伸尋找邊緣的斷裂處,并連接這些邊緣。設(shè)定不同的閾值對(duì)邊緣提取效果影響非常大,它決定著虛假邊緣和真實(shí)邊緣的選取[10]。圖4給出了Canny 算子對(duì)預(yù)處理后圖像的邊緣提取結(jié)果。

圖4　Canny算子邊緣提取圖像Fig 4　Edge extraction image of Canny operator

從圖像看出,在選取合適閾值情況下,雖然存在一些斷邊和虛假邊緣,但是缺陷邊緣基本上提取的比較理想。不過(guò)拿這樣的結(jié)果還是沒(méi)法直接進(jìn)行缺陷特征的量化計(jì)算,也就不能直接判斷缺陷的類(lèi)型,還需要做進(jìn)一步的處理。

2.3數(shù)學(xué)形態(tài)學(xué)用于邊緣輪廓優(yōu)化

對(duì)于圖4的情況,優(yōu)化邊緣提取算法的閾值已經(jīng)不能解決問(wèn)題。其它經(jīng)典邊緣提取算法還沒(méi)Canny 算子有效,也不考慮。這里采取數(shù)學(xué)形態(tài)學(xué)方法[11,12]與經(jīng)典邊緣算法相結(jié)合的方法來(lái)實(shí)現(xiàn)邊緣輪廓形狀優(yōu)化。數(shù)學(xué)形態(tài)學(xué)進(jìn)行圖像處理是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。形態(tài)學(xué)最基本的運(yùn)算是膨脹和腐蝕,也是這里處理圖像的基礎(chǔ)。其運(yùn)算方法是：選定結(jié)構(gòu)元素p,則有

腐蝕運(yùn)算

(5)

膨脹運(yùn)算：

(6)

由于經(jīng)過(guò)邊緣提取的圖像中在真實(shí)邊緣周?chē)嬖谝恍┟?這些毛邊的灰度特征與真實(shí)邊緣極其相似,所以,這里用腐蝕運(yùn)算來(lái)去除這些會(huì)影響邊緣輪廓形狀和特征計(jì)算的毛邊。效果如圖5所示。

圖5　腐蝕運(yùn)算后的邊緣圖像Fig 5　Edge image after etching operation

在對(duì)毛邊進(jìn)行腐蝕運(yùn)算的同時(shí),缺陷邊緣也遭到了同樣的運(yùn)算,導(dǎo)致出現(xiàn)了許多斷口,這里,再用膨脹運(yùn)算來(lái)將斷口閉合,如圖6所示。

圖6　膨脹運(yùn)算后的邊緣圖像Fig 6　Edge image after expansion operation

由圖6可以看出:大多數(shù)間距小的斷口已經(jīng)連接成整體,而在一些間距比較大的地方,邊緣依然是不連續(xù)的。這是由于選取的結(jié)構(gòu)元素不足以連接兩個(gè)間斷點(diǎn),如果選取的結(jié)構(gòu)元素?cái)U(kuò)大的話,又會(huì)使得邊緣存在許多重疊而導(dǎo)致邊緣特征失真。為了對(duì)缺陷特征進(jìn)行計(jì)算,必須將缺陷邊緣連接成一個(gè)個(gè)封閉的區(qū)域,所以,需要將間斷點(diǎn)之間互相連接起來(lái)。

2.4邊緣連接

對(duì)于這些間距較大的間斷點(diǎn),采用最短距離且距離不超過(guò)設(shè)定值的兩點(diǎn)之間相連接,并且連接過(guò)的點(diǎn)不參與與其他點(diǎn)之間距離計(jì)算和連接的方法,用程序?qū)崿F(xiàn)的結(jié)果如圖7所示。

圖7　連續(xù)的邊緣圖像Fig 7　Continuous edge image

3缺陷特征提取

從圖7明顯看出,這個(gè)零件的內(nèi)表面存在4處缺陷,為了得到每一區(qū)域的基本特征,這里選取缺陷面積和周長(zhǎng)兩個(gè)物理量作為判斷零件是否合格的特征參數(shù)。為了分別計(jì)算出每個(gè)區(qū)域缺陷的面積和周長(zhǎng),需要將每個(gè)區(qū)域區(qū)分開(kāi)來(lái)。在二值圖像中,所有像素點(diǎn)的值非0即1,要區(qū)分這些不同區(qū)域,運(yùn)用連通域標(biāo)記的方法,即從左至右依次標(biāo)記每一塊的邊緣,這樣一來(lái),從左至右依次是1～4區(qū)域。在進(jìn)行計(jì)算時(shí),采用像素?cái)?shù)量來(lái)表示空間尺度。一個(gè)像素點(diǎn)的邊長(zhǎng)是可以知道到的,這樣面積就是已知的,只要得到缺陷區(qū)域像素點(diǎn)的個(gè)數(shù)就可以求出缺陷的面積,只要知道缺陷邊緣的像素點(diǎn)就可以求出周長(zhǎng)。

在計(jì)算面積之前,先將每個(gè)區(qū)域的周長(zhǎng)計(jì)算出來(lái),然后對(duì)每個(gè)區(qū)域進(jìn)行填充,即將邊緣內(nèi)的非1像素點(diǎn)全置為1。如圖8所示。

圖8　缺陷區(qū)域填充圖像Fig 8　Defect area filled image

只需通過(guò)掃描圖像,記錄每個(gè)標(biāo)號(hào)區(qū)域的像素點(diǎn)總數(shù)就可以得到每個(gè)區(qū)域目標(biāo)像素點(diǎn)個(gè)數(shù)。計(jì)算結(jié)果如表1所示。

表1　面積和周長(zhǎng)的像素?cái)?shù)表示

由最終結(jié)果可以看出：此方法能夠得到缺陷的邊緣周長(zhǎng)和缺陷的面積,得到這些結(jié)果后,只要和所要求的指標(biāo)進(jìn)行對(duì)照就能判斷出零件是否合格,以及零件存在缺陷的類(lèi)型和特征。

4結(jié)束語(yǔ)

針對(duì)孔類(lèi)零件內(nèi)表面缺陷檢測(cè)存在的難點(diǎn),本文采用數(shù)字圖像處理技術(shù)實(shí)現(xiàn)非接觸性檢測(cè)。運(yùn)用了圖像去噪、微分算子邊緣提取、數(shù)學(xué)形態(tài)學(xué)邊緣潤(rùn)色以及點(diǎn)連接方法等一系列步驟去獲得完整的連續(xù)的缺陷邊緣。然后通過(guò)連通域標(biāo)記將每一區(qū)域分別進(jìn)行標(biāo)記,得到標(biāo)記號(hào),最后計(jì)算每一標(biāo)記區(qū)域的周長(zhǎng)和面積兩個(gè)物理量來(lái)獲得缺陷的類(lèi)型和特征。實(shí)驗(yàn)表明：這種方法完全滿足檢測(cè)要求,具有很好的效果。

參考文獻(xiàn):

[1]NakibA,OulhadjH,SiarryP.Non-supervisedimagesegmentationbasedonmultiobjectiveoptimization[J].PatternRecognitionLetters,2007,29(10):161-172.

[2]姜黎,吳偉仁,張之敬,等.微小型結(jié)構(gòu)件顯微圖像邊緣的自動(dòng)識(shí)別[J].光學(xué)精密工程,2013,21(1):224-232.

[3]徐晉卿,陳唐龍,占棟,等.基于機(jī)器視覺(jué)的鋼軌輪廓測(cè)量方法研究[J].傳感器與微系統(tǒng),2014,33(4):27-30.

[4]王慧鋒,戰(zhàn)桂禮,羅曉明.基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)算法研究及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(9):223-226.

[5]高朝陽(yáng),張?zhí)l(fā),曲亞男.圖像邊緣檢測(cè)研究進(jìn)展[J].科技導(dǎo)報(bào),2010,28(20):112-117.

[6]郭全民,張海先.基于圖像處理技術(shù)的混凝土路面裂縫檢測(cè)方法[J].傳感器與微系統(tǒng),2013,32(4):61-64.

[7]岡薩雷斯.數(shù)字圖像處理[M].阮秋琦,阮宇智,等譯.2版.北京:電子工業(yè)出版社,2003.

[8]范乃強(qiáng),伊興國(guó),呂亞榮.基于圖像檢測(cè)的發(fā)動(dòng)機(jī)缸體探傷系統(tǒng)設(shè)計(jì)及應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2009,17(8):1479-1481.

[9]CannyJ.Acomputationalapproachtoedgedetection[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1986,8(6):679-698.

[10] 唐永鶴,盧煥章,胡謀法.基于Laplacian的局部特征描述算法[J].光學(xué)精密工程,2011,12(19):2999-3006.

[11]ClarkJ.Authenticatingedgeproducedbyzero-crossingalgori-thm[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1998,11(1):43-57.

[12] 賈平,徐寧,張葉.基于局部特征提取的目標(biāo)自動(dòng)識(shí)別[J].光學(xué)精密工程,2013,21(7):1898-1905.

Surface defect detection method for cylinder body parts based on images*

TAN Ya-xiong1,2, LIU Wei1, ZHANG Hai-yang1,2

(1.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun 130033,China;2.University of Chinese Academy of Sciences,Beijing 100049,China)

Abstract:Aiming at all kinds of faults existed in artificial sampling visual method and measurement technology such as ultrasonic wave,electromagnetic wave applied for new type detection methods,in order to realize high speed online detection on flawed in auto brake cylinder wall,propose an image processing and defect detection method well meet the requirements based on digital image processing technology.Collect images on surface of parts needed to detect by CCD camera; process image by Matlab software,and extract edge;optimize edge by etching and expansion operation,again use tag of connected domain,judge types and characteristics of defect by calculating two physical quantities which are defect area and perimeter.The results show that the method can detect the cylinder inner-surface defects and can satisfy the requirement of rapid detection of defects basically.

Key words:digital image processing; edge extraction; defect identification; non-contact detection

DOI:10.13873/J.1000—9787(2016)04—0137—04

收稿日期：2015—08—11

*基金項(xiàng)目：國(guó)家“863”高新技術(shù)發(fā)展計(jì)劃資助項(xiàng)目(2011AA12A103)

中圖分類(lèi)號(hào):TP 391

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1000—9787(2016)04—0137—04

作者簡(jiǎn)介:

譚亞雄(1990-),男,湖南耒陽(yáng)人,碩士研究生,主要從事空間光學(xué)遙感儀器研究和數(shù)字圖像處理。