论文导读：基于线阵CCD的工件表面裂纹检测系统结构框图如图(1)所示。本项目的研究内容可解决在线检测裂纹的关键技术──划痕与裂纹的区分图像识别技术。研究出一套机器视觉检测表面裂纹的系统（见图4）是完全可行的。
关键词：机器视觉，图像识别，无损检测，裂纹检测
引 言
在工业中，由于各种原因会对零件产生损伤。这些损伤随着使用将生长成为微裂纹，微裂纹逐渐扩展生长成为宏观裂纹并导致破坏零件。尤其是在核反应堆和航空发动机中，其多数零件均在高温、高压或强热冲击的环境中工作的，所受载荷复杂，使用环境恶劣，故障发生频率高，造成的后果严重。
因此，研究一个精度高、实用性强、便于集成的表面微裂纹检测系统，是现代检测技术的重要发展方向。由于具有准确度高，对表面无损伤等优点，计算机视觉检测受到了国内外同行的广泛关注。裂纹检测是质量检查和安全检测的重要方面之一。免费论文，机器视觉。但人工检测费时费力，且易受人眼分辨能力和疲劳等主观因素的影响。如果使用基于谐波小波的图像识别技术的计算机自动检测方法，会大大提高检测效率及准确率。在使用阶段，关键零件表面裂纹的及时发现对于防止事故的发生由为重要。一、图像获取
图像获取即图像采集，是进行图像处理的前提条件。利用图像采集卡作为图像输入设备，通常要占用ＰＣ机总线的一个插槽，主要包括图像存储器单元、ＣＣＤ摄像头接口、ＰＣ机总线接口等。
1.1图像采集卡的工作过程
图像获取是用摄像头对工件零件进行实时或准实时扫描，经A/D转换后，图像数据存放在图像存储单元，主机可读取存储单元的内容，从而显示图像。由于所使用的CCD摄像头的不同，图像采集卡具有不同的使用方法。
1.2系统基本工作原理
基于线阵CCD的工件表面裂纹检测系统结构框图如图(1)所示，利用线阵CCD扫描工件，将某一行数据存储到图像采集卡缓存,计算步进电机前进一步，线阵CCD机读取该缓存数据；再扫描一行，如此重复，一幅图像数据采集完毕，计算机对图像进行处理，并识别该图像，从而实现工件表面裂纹及缺陷的自动检测。
 
图(1)系统结构框图
Graph(1)System structure diagram
二、图像预处理
本系统采用的图像预处理主要是根据噪声所具有的一般性质进行噪声消除的平滑性。由于大部分噪声，如由敏感元件、传输通道、整量化器等引起的噪声，多半是随机的。它们对某一像素点的影响，都可以看作是孤立的。因此，和邻近各点相比，该点的灰度值将有显著的不同。基于这一分析，本系统采用了邻域平均法来判断每一点是否含有噪声，并用一种基于小波变换阈值消噪的方法消除所发现的噪声。
2.1 消噪处理基本步骤
首先图像经预处理（灰度调整等），然后利用小波变换把图像分解到多尺度中，在每一尺度下去除属于噪声的小波系数，保留并增强属于图像的小波系数，最后反演恢复图像。免费论文，机器视觉。
2.2 消噪处理流程
图(2)表示了消噪处理流程,首先将二维图像矩阵按水平、垂直、正对角线和负对角线方向批排列成一维方向数组，然后分别进行小波变换消噪处理，并反演成二维图像；再将反演图像进行平均后的图像施以二维小阈值小波消噪。处理过程中小波分解的层次和小波函数的选择均具有一定的灵活性，如Sobel算子、Laplacian 算子、LOG 算子等，可依据图像和噪声的实际情况而定。
 
图(2)消噪处理流程框图
Graph (2) Noise Cancellation Process Diagram
三、图像分割
图像分割是裂纹检测的关键步骤。本方案采取阈值分割和边缘检测两种方法。在获取的零件裂纹图像中，对象和背景占据不同的灰度级范围。对于这类图像，用阈值分割法能成功地把对象从背景中显露出来。为了进一步突出图像的特征信息，还需采用直方图修正。
3.1阈值法分割目标背景
在图像中,检测目标只占整个图像的一小部分。由于图像不均匀的影响，背景因素常常会降低特征提取的准确性,因此有必要对目标与背景进行分割,排除背景对目标特征提取的不利影响。
根据统计学理论,工程应用中许多模型具有近似于高斯函数的分布,因此假设目标和背景的灰度近似为高斯分布,采用阈值法分割目标与背景。
设目标像素和背景像素分布密度函数分别是p( z) 和q ( z)
其中，  和 分别为目标像素灰度分布的均值和方差； 和 分别为背景像素灰度分布的均值和方差。
设目标像素s 的概率为θ, 背景像素b 的概率则为1-θ，整幅图像的混合概率密度分布为：
背景和目标的最佳分割阈值为：
分割后图像在( x , y) 处的灰度值为：
3.2 直方图修正
受成像工艺条件限制，所获取射线图像的动态范围常常较小， 图像对比度低。通过直方图修正的方法，突出了图像的特征信息。映射函数为：
式中 ；α为调节因子，T为目标—背景分割阈值。
所有的预处理操作完成之后,图像质量有明显改善,细小的元器件特征得到突出,利于下一步的检测。图(3)为原始图像与预处理后的图像的对比。
 
（1） 原始图像及其直方图 （2） 预处理过的图像及其直方图
图(3)原始图像与预处理后的图像对比图
Graph (3)Pretreatment of the original image and the image comparison chart
四、特征抽取
4.1 去除孤立小区
孤立小区即颜色较浅、面积极小，所含象素小于或等于2的连续区域。经过对大量图像的分析，这样的孤立小区不可能是裂纹所致，因此在对光斑抽取特征之前，应先去除孤立小区，以这样可提高处理一幅图像的速度。免费论文，机器视觉。去除孤立小区的原则为：与孤立小区相邻像素的灰度值为255。免费论文，机器视觉。免费论文，机器视觉。
4.2 区分裂纹光斑和其他干扰光斑
抽取两个特征参数：光斑的面积与光斑中心的位置。用区域生长法计算出每一个连续区域的面积及每一个连续区域离图像上边缘的距离。因为在摄像机、光源和零件三者的位置确定后，由光反射形成的干扰光斑在图像中的位置是固定不变的，据此可以区分裂纹光斑与干扰光斑。
4.3 利用边界链码表示区域边界
对于边缘检测后的图像，借助边界链码计算傅立叶系数，提取形状特征：对于区域边界的封闭曲线，如果在曲线上任选一点为起始点 ，并且沿曲线逆时钟移动 ，的坐标变化则是一个周期函数。通过规格化后，这个周期函数可以展开成傅立叶级数。傅立叶级数中的一系列系数与边界曲线的形状有关，可以用作形状的描述。当增加级数的项数使系数取得足够多的阶次时，几乎可把形状信息完全提取出来，并且可以通过这些重建原来的几何形状。利用这个特性，达到判断的目的，同时计算了裂纹图像的圆形度和细长度形状特征参数。
五、裂纹判断
根据上述所抽取的特征，本项目的研究内容可解决在线检测裂纹的关键技术──划痕与裂纹的区分图像识别技术，对待检零件有无裂纹的判断原则为:如果存在面积大于预设定的像素并且它不在干扰光斑的位置上，则被测零件含有裂纹，反之则无裂纹。免费论文，机器视觉。这种方法的特点是正确率高，检测速率高，定位准确。
结束语：
通过图像获取、图像预处理、图像分割、特征提取、判断决策等模块的实验设计，研究出一套机器视觉检测表面裂纹的系统（见图4）是完全可行的。浙江及周边地区有很多需要裂纹检测的生产企业，设计这样一套可进行长期不间断监测，不受周围环境影响，且识别率高的机器视觉检测表面裂纹的系统，对提高浙江乃至全国的产品质量和检测效率都具有重要的意义。
图(4)机器视觉检测表面裂纹系统示意图
Graph (4)Machine vision detecting system of surface crack
参考文献：
[1]胡亮,段发阶,丁克勤,等.基于线阵CCD 钢板表面缺陷在线检测系统的研究[J].计量学报,2005 ,26 (3) :200～203.
[2]洪海涛,等.图像技术用于零件尺寸测量的研究[J].仪器仪表学报,2001 ,22 卷第2 期增刊:214～2151
[3]李文艳,等.产品内部构件状态的自动检测方法[J].华北工学院学报,1999 ,20 (1):67 ～701
[4]J . G. Campbell ,C. Fraley ,F. Murtagh ,A. E. Raffery. Linearflaw detection in woven textiles using model2based clustering[J].Pattern RecognitionLetters ,1997 (18) :1539～1548.
[5]宋万忠,苏显渝.基于结构光投影的三维物体识别[J].光电子·激光,1999 ,10 (1) :59～ 62.
[6]雷艳敏,黄秋元.基于数学形态学的图像边缘检测[J].武汉理工大学学报(信息与管理工程版),2005,27(5):25～2
[7]Canny J1F1 ,A computational approach to edgedetection. IEEE Trans. PA-MI,1986 ,8 (6) :679～698.
|
