探討圖像識別技術(shù)在機械零件質(zhì)量檢測中的運用

李威

摘要：在機械零件生產(chǎn)過程中，對其質(zhì)量進行可靠檢測是不可缺失的環(huán)節(jié)，而為了保證機械零件質(zhì)量檢測的可靠性，則可合理利用圖像識別技術(shù)對機械零件中存在的缺陷部位展開成像處理，從而分析圖像的特征去判定機械零件是否存在質(zhì)量缺陷。鑒于此，文章將主要針對機械零件質(zhì)量檢測中對圖像識別技術(shù)的運用展開分析，以期為同行從業(yè)者提供參考。

關(guān)鍵詞：圖像識別技術(shù);機械零件;質(zhì)量檢測;運用

在過去的機械零件質(zhì)量檢測工作中，由于采取人工檢測的方式會受到人為因素的影響，常常會因為人眼疲勞而導致質(zhì)量難以把控，無法達到100%的合格率。隨著科技水平的不斷提升，計算機技術(shù)與自動化技術(shù)得到快速發(fā)展，許多領(lǐng)域也與先進技術(shù)融合，在機械零件質(zhì)量檢測工作中也率先運用了圖像識別技術(shù)，大大改善了過去人工檢測的不足，不僅降低了勞動量，也提高質(zhì)量檢測效率與合格率，文章便針對機械零件質(zhì)量檢測中所運用的圖像識別技術(shù)及其具體運用展開分析。

一、機械零件質(zhì)量檢測中運用的圖像識別技術(shù)

（一）模板匹配識別技術(shù)

該識別技術(shù)屬于識別技術(shù)中最為基礎(chǔ)的一種，其中模板也即是為了能夠檢測出機械零件圖像中的區(qū)域特征，利用量化或符號化所形成的矩陣，將已知物體圖像與模板中所有的未知區(qū)域展開比對，之后將某個未知物體與模板展開匹配，所以這一物體便會被認定為與模板相同的物體[1]。模板匹配識別技術(shù)的優(yōu)勢在于操作極為簡單，然而也存在一定的限制性，體現(xiàn)在為了對所有物體的規(guī)格與方向進行匹配，則要設(shè)置出數(shù)量巨大的模板，這些體量巨大的模板得以儲存，便會造成經(jīng)濟層面上的較大浪費。

（二）神經(jīng)網(wǎng)絡識別技術(shù)

該項識別技術(shù)主要是指由大量神經(jīng)單元以某種特定方式進行連接所形成的復雜神經(jīng)網(wǎng)絡系統(tǒng)，盡管單個神經(jīng)單元的構(gòu)造與功能非常簡單，但神經(jīng)單元達到一定數(shù)量且形成了神經(jīng)網(wǎng)絡系統(tǒng)之后，便能夠得到更為復雜的結(jié)構(gòu)與多樣化的功能，神經(jīng)網(wǎng)絡系統(tǒng)可視作為對人腦的模擬與簡化[2]。神經(jīng)網(wǎng)絡識別技術(shù)能夠?qū)θ说母兄^程進行模擬，存在一定的自學與識別功能，擁有強大的自適應能力及聯(lián)想組織能力，可以同時間綜合考慮多重因素問題。然而，在神經(jīng)網(wǎng)絡識別技術(shù)的實際運用中，需要對其進行長時間且大量的訓練，否則在識別速度與準度方面難以保證。

（三）統(tǒng)計識別技術(shù)

該項識別技術(shù)指的是對物體圖像展開大量的統(tǒng)計分析，從中總結(jié)出物體的規(guī)律與能夠反映出物體實質(zhì)的圖像特征，從而展開圖像識別。實際上，統(tǒng)計識別技術(shù)主要基于書序模型，其優(yōu)勢在于分類誤差極小?，F(xiàn)如今，使用最為頻繁的統(tǒng)計識別模型有貝葉斯模型，而因為該項識別技術(shù)需要數(shù)據(jù)基礎(chǔ)，所以在對概率問題進行估算時會促在一定限制。

二、圖像識別技術(shù)在機械零件質(zhì)量檢測中的具體運用

（一）焊縫圖像預處理

在焊縫圖像預處理過程中的運用，我們主要以零件輪廓的齒合標準輪廓進行匹配的過程舉例，由于在機械零件處理中出現(xiàn)凹坑形狀的故障會造成諸多不便，原因在于原零件過大且缺陷集中在無規(guī)則凹坑部位表面，在實際操作中應當將其擴大。

基于圖像灰化層面進行分析，因為計算機在色彩表達方面非常豐富，所以這一點往往會被人們所忽視。實際上我們從相關(guān)光學研究能夠了解到，無論何種色彩都來源于紅、藍、綠三色的疊加，僅僅是疊加比例的不同而已。所以，從理論上來講，同量色彩疊加便會得到白色，不過在實際操作中由于人眼對顏色敏感度存在差異，因此即便顏色量相同，在混合中也無法完全得到白色，所以需要結(jié)合實情去微調(diào)顏色混合比。

基于圖像平滑化層面進行分析，圖像也會存在噪點，成因主要為如下幾個方面：如果攝像過程中光學系統(tǒng)為失真運動、流動狀態(tài)，便會出現(xiàn)散點情況而導致有一定的模糊;圖像質(zhì)量的優(yōu)劣與照明相關(guān)，自適濾波要比線性濾波的效果更好，原因在于自適濾波在保護圖像邊緣與細節(jié)處理方面會起到更好作用，然而中值濾波會造成圖像小范圍區(qū)域丟失情況出現(xiàn)，所以在綜合比對之下筆者認為自適濾波的效果會更好。

（二）圖像分析

將圖像識別技術(shù)運用在機械零件質(zhì)量檢測中，其中圖像分析的主要內(nèi)容包含如下三點：①二值化圖像處理。在計算機圖像處理過程中，二值化圖像處理屬于關(guān)鍵性步驟，為了可以對圖像的特征展開更好的分析，一般來講應當對圖像當中的分析對象進行分離，而經(jīng)過二值化處理后的圖像，能夠?qū)⑾鄳奶幚磉吘墢膱D像中提取出來;②圖像分割。圖像分割能夠選用的方法眾多，一般來講常用的為多門限法、直接門限法與間接門限法，在合理利用門限算法的基礎(chǔ)上，能夠根據(jù)灰度背景區(qū)域與目標區(qū)域之間的對比差異，從而對圖像進行分割;③圖像邊緣檢測[3]。針對圖像特征來講，也即是圖像影視屬性與特征，具體包含灰度邊緣特征、紋理和角點特征及線條特征，同時也包括幅度特征、變換系數(shù)特征等信息，通過圖像邊緣檢測，可以更好地識別圖像的邊緣性能。

（三）圖像識別

在對機械零件質(zhì)量進行檢測的過程中，圖像識別具體表現(xiàn)在如下兩點：①對參考數(shù)據(jù)進行合理有效的選擇，一般來講機械零件主要出現(xiàn)的質(zhì)量問題為裂紋、折斷以及無規(guī)律缺陷等等，因此在選擇圖像參考數(shù)據(jù)時一定要結(jié)合機械零件的質(zhì)量要求作出合理選擇。通過獲取到相關(guān)的圖像信息，并且做好圖像預處理工作，在綜合考慮圖像特征的前提之下，所需要的參數(shù)通常有矩形度、凹凸度、伸長度以及圓度等等;②在獲取圖像特征的過程中，應當利用數(shù)學形態(tài)學理論，主要的方法可分為標號法、鏈碼法等等，當然最常用的便是輪廓跟蹤法，在使用中要先行對圖像的點展開檢測，才能夠進行跟蹤運算。

三、結(jié)束語

綜上所述，為了避免機械零件在后續(xù)投入使用中出現(xiàn)斷裂等質(zhì)量問題，則需要在制造過程中對機械零件展開有效的質(zhì)量檢測。傳統(tǒng)的機械零件質(zhì)量檢測主要采取人工檢測方式，不僅效率較低且出錯率偏高，所以通過運用圖像識別技術(shù)進行檢測，能夠?qū)崿F(xiàn)高準度、高可靠性的效果。因此，筆者認為在機械零件質(zhì)量檢測中，圖像識別技術(shù)值得推廣使用，從而全面提高生產(chǎn)效率。

參考文獻

劉烜.探討圖像識別技術(shù)在機械零件質(zhì)量檢測中的運用[J].科技視界，2014（23）：120–120.

陳紅玉.試論圖像識別技術(shù)如何運用于機械零件質(zhì)量檢測[J].山東工業(yè)技術(shù)，2018，278（24）：14.

王慧英.圖像識別技術(shù)在齒輪質(zhì)量檢測中的應用[J].機械設(shè)計與制造工程，2007，36（17）：73–76.