谭亚雄, 刘　伟, 张海洋

(1.中国科学院 长春光学精密机械与物理研究所 吉林 长春 130033;2.中国科学院大学,北京 100049)

基于图像的缸体零件表面缺陷检测方法*

谭亚雄1,2, 刘伟1, 张海洋1,2

(1.中国科学院 长春光学精密机械与物理研究所 吉林 长春 130033;2.中国科学院大学,北京 100049)

摘要:针对人工抽样目测方法和超声波、电磁波等测量技术用于新型检测方法存在各式各样的缺点,为了实现在线高速检测汽车制动缸内壁是否存在缺陷,基于数字图像处理技术,提出了一种能很好满足要求的图像处理和缺陷检测方法。通过CCD相机采集零件需要检测表面的图像;用Matlab软件对图像进行必要的处理、对边缘进行提取;通过腐蚀和膨胀运算优化边缘,再采用连通域标记,通过计算缺陷区域处面积和周长两个物理量来判断缺陷类型和特征。结果表明：此方法能检测出缸体内表面缺陷,基本上能满足缺陷快速检测要求。

关键词:数字图像处理; 边缘提取; 缺陷识别; 非接触性检测

0引言

在安全事故频发的今天,有许多都是因为机器中存在不合格的零件导致的,而不合格零件之所以会存在于机器中,则是在检测零件时存在漏判和误判。在各种机械零件表面检测中,孔类零件由于孔内光照不足,表面不易观察,检测难度相对要大一些,传统的人工抽样目测方法极其受限,而且随着工作时间增长,人的眼睛也会疲劳,误检率也会慢慢增加,并且由于是抽样检查,很有可能会对一些存在致命缺陷的零件漏查。鉴于此,有些企业尝试将超声波、电磁波等测量技术[1]用于新型检测方法的研究上,但都未取得很好的效果。这类检测非常慢,对环境的要求却非常高,所以，并不适合在线高速检测零件表面缺陷[2]。

自20世纪90年代以来,表面自动检测技术从早期的逐点激光扫描发展到逐行扫描的线阵CCD技术[3]。但线阵CCD扫描的速度太慢,而且分辨率不高,所以,表面检测时通常采用更加优越的面阵CCD摄像头。由于有数字图像处理技术作支撑,这种基于机器视觉的间接性表面检测方法已经广泛应用于工件的尺寸、表面疵病检测等领域。基于此,为了对缸体内表面进行疵病检测和缺陷类别判定,本文提出了一种以数字图像处理技术为核心的检测方法。通过处理采集的图像来获取缺陷边缘特征,再计算缺陷边缘长度和所围面积来实现。

1零件内表面图像采集

制动缸体主孔尺寸是直径19～27 mm、深度50～200 mm,对于这样一个近似细长孔,要采集它内表面的图像,需要一个安装在细长杆上的面阵CCD相机。由于CCD相机的视场角是小于360°的,在采集圆柱状孔类零件内表面图像时,不可能一次性得到整个表面图像,所以,必须对孔内表面进行二维扫描[4]。为了防止内窥镜(CCD相机)上的线因运动而缠绕甚至断裂,将内窥镜设计成固定件,而让工件相对内窥镜运动来采集图像。要想得到整个内表面的完整图像,需采取工件回转运动和直线进给运动分时进行,即将内窥镜置于孔的中心轴处,确定一个初始位置,然后工件直线进给一定距离,接着工件回转一周,再让工件直线进给到下一位置,再回转一周,如此循环,直到扫描完整个内表面。具体操作流程如图1所示。

图1　零件内表面图像采集流程图Fig 1　Image collection flow chart of part inner surface

通过此方法获得了多个实验件的内表面图像,由于每幅图像的处理方法是一样的,所以,从中只选取了一幅存在缺陷,并且有代表意义的图片进行处理。该图片如图2所示。

图2　内表面原始图像Fig 2　Original image of inner surface

通过处理该图像而进行缺陷判定与定量分析,从而验证所用方法的可行性。

2图像处理方法

2.1图像预处理

在进行图像处理时,首先要明白最终目的是提取出清晰的缺陷轮廓边缘,然后围绕这一主题进行相应的图像处理操作。一般情况下,即使是好的面阵CCD相机采集的图像也不能在视觉系统中直接使用,这是因为采集的图像多多少少会受到噪声的干扰。这些噪声可能来自设备,也有可能是外部环境随机干扰,所以,这些噪声没有办法完全消除。实际也正是如此,从采集到的原图像(图2)可以明显看到,该图像中不仅存在噪声,而且由于设备采集的图像质量也不够好,这加大了图像处理的难度[5]。对于这样一幅含有大量噪声的图片,必须对其进行去噪处理。为了只将图像中有用的缺陷边缘信息提取出来,衰减那些不需要的特征,做预处理时无须考虑处理后的图像是否与原图像特别相似。

针对原始图像的特点,采用均值滤波对其进行预处理。均值滤波是一种利用邻域灰度值对目标灰度值进行均值化的算法[6]。假设有一幅图像f(x,y) ,其像素点是一个大小为M×N的阵列,令均值滤波后的图像为h(x,y) ,则有h(x,y)中某点的像素灰度值是由原始图像f(x,y)中对应点和其预定邻域内的像素灰度值的平均值,计算公式如下

(1)

式中1≤x≤M,1≤y≤N且x,y∈N,S是除对象像素点之外的预定邻域,k是邻域S内像素点的个数。经均值滤波后的图像如图3所示。

图3　均值滤波后的图像Fig 3　Mean filtering image

从图中可以看出,由于k的存在,图像的目标对象的轮廓边缘有所模糊,同时噪声也得到了抑制。

2.2缺陷边缘提取

边缘提取就是要找出目标与背景的交界线,这主要取决于目标与背景之间像素点的灰度值存在一定程度的差异。基于像素点灰度值的突变,前人研究出了许多微分算子用于边缘提取,即经典的边缘提取方法。它的原理就是考察图像中某个像素点在其邻域内的灰度变化,利用一阶或二阶导数变化规律来检测图像边缘。对于这种变化最重要的两个特征就是灰度变化的梯度和其幅值。

在数字图像处理中,梯度的定义是：对一幅连续图像f(x,y),在像素点(x,y) 沿x方向和y方向的梯度分别为Gx和Gy,那么梯度矢量可以表示如下[7]

(2)

其中,梯度方向是图像灰度值变化率最大的地方,用θ表示,有

(3)

在边缘检测中,一个重要的量是梯度矢量的大小,用g(x,y)表示,这里有

(4)

这个量给出了在θ方向上每增加单位距离后,f(x,y)值增大的最大变化率。

基于上述理论的边缘提取方法多种多样,典型的有Roberts算子、Sobel算子、Prewitt算子和Canny[8]算子等。这里采用Canny算子对目标图像进行边缘提取,因为其较其他方法有更好的效果。大多数边缘提取算法都只用一个阈值来判断边缘,而一个阈值根本不够,由于噪声的影响,边缘信号的响应有大多数是小于这个阈值的,这样会造成边缘不连续,难以分辨真正的边缘和虚假边缘,如果继续降低这个阈值的话,虚假边缘就会完全被当做真实边缘检测出来。

Canny算子是高斯函数的一阶导数,它是一阶微分算子,其检测图像边缘中有一个重要的步骤就是寻找图像梯度的局部最大值[9]。在此之前,首先需要用高斯滤波器平滑图像,之后就可以计算图像的梯度及其幅值,然后从这些幅值中找出图像梯度的局部最大值,这里主要是通过对梯度幅值进行非极大值抑制并同时将非局部极大值置零的方法,最后采用双阈值法检测和连接图像边缘。所谓双阈值法,就是使用两个阈值T1和T2,若假定T1>T2,则有T1用来粗略找到每条完整边缘的部分明显线段,T2用来在这些找到的线段的两个方向上延伸寻找边缘的断裂处,并连接这些边缘。设定不同的阈值对边缘提取效果影响非常大,它决定着虚假边缘和真实边缘的选取[10]。图4给出了Canny 算子对预处理后图像的边缘提取结果。

图4　Canny算子边缘提取图像Fig 4　Edge extraction image of Canny operator

从图像看出,在选取合适阈值情况下,虽然存在一些断边和虚假边缘,但是缺陷边缘基本上提取的比较理想。不过拿这样的结果还是没法直接进行缺陷特征的量化计算,也就不能直接判断缺陷的类型,还需要做进一步的处理。

2.3数学形态学用于边缘轮廓优化

对于图4的情况,优化边缘提取算法的阈值已经不能解决问题。其它经典边缘提取算法还没Canny 算子有效,也不考虑。这里采取数学形态学方法[11,12]与经典边缘算法相结合的方法来实现边缘轮廓形状优化。数学形态学进行图像处理是用具有一定形态的结构元素去度量和提取图像中对应形状以达到对图像分析和识别的目的。形态学最基本的运算是膨胀和腐蚀,也是这里处理图像的基础。其运算方法是：选定结构元素p,则有

腐蚀运算

(5)

膨胀运算：

(6)

由于经过边缘提取的图像中在真实边缘周围存在一些毛边,这些毛边的灰度特征与真实边缘极其相似,所以,这里用腐蚀运算来去除这些会影响边缘轮廓形状和特征计算的毛边。效果如图5所示。

图5　腐蚀运算后的边缘图像Fig 5　Edge image after etching operation

在对毛边进行腐蚀运算的同时,缺陷边缘也遭到了同样的运算,导致出现了许多断口,这里,再用膨胀运算来将断口闭合,如图6所示。

图6　膨胀运算后的边缘图像Fig 6　Edge image after expansion operation

由图6可以看出:大多数间距小的断口已经连接成整体,而在一些间距比较大的地方,边缘依然是不连续的。这是由于选取的结构元素不足以连接两个间断点,如果选取的结构元素扩大的话,又会使得边缘存在许多重叠而导致边缘特征失真。为了对缺陷特征进行计算,必须将缺陷边缘连接成一个个封闭的区域,所以,需要将间断点之间互相连接起来。

2.4边缘连接

对于这些间距较大的间断点,采用最短距离且距离不超过设定值的两点之间相连接,并且连接过的点不参与与其他点之间距离计算和连接的方法,用程序实现的结果如图7所示。

图7　连续的边缘图像Fig 7　Continuous edge image

3缺陷特征提取

从图7明显看出,这个零件的内表面存在4处缺陷,为了得到每一区域的基本特征,这里选取缺陷面积和周长两个物理量作为判断零件是否合格的特征参数。为了分别计算出每个区域缺陷的面积和周长,需要将每个区域区分开来。在二值图像中,所有像素点的值非0即1,要区分这些不同区域,运用连通域标记的方法,即从左至右依次标记每一块的边缘,这样一来,从左至右依次是1～4区域。在进行计算时,采用像素数量来表示空间尺度。一个像素点的边长是可以知道到的,这样面积就是已知的,只要得到缺陷区域像素点的个数就可以求出缺陷的面积,只要知道缺陷边缘的像素点就可以求出周长。

在计算面积之前,先将每个区域的周长计算出来,然后对每个区域进行填充,即将边缘内的非1像素点全置为1。如图8所示。

图8　缺陷区域填充图像Fig 8　Defect area filled image

只需通过扫描图像,记录每个标号区域的像素点总数就可以得到每个区域目标像素点个数。计算结果如表1所示。

表1　面积和周长的像素数表示

由最终结果可以看出：此方法能够得到缺陷的边缘周长和缺陷的面积,得到这些结果后,只要和所要求的指标进行对照就能判断出零件是否合格,以及零件存在缺陷的类型和特征。

4结束语

针对孔类零件内表面缺陷检测存在的难点,本文采用数字图像处理技术实现非接触性检测。运用了图像去噪、微分算子边缘提取、数学形态学边缘润色以及点连接方法等一系列步骤去获得完整的连续的缺陷边缘。然后通过连通域标记将每一区域分别进行标记,得到标记号,最后计算每一标记区域的周长和面积两个物理量来获得缺陷的类型和特征。实验表明：这种方法完全满足检测要求,具有很好的效果。

参考文献:

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

[2]姜黎,吴伟仁,张之敬,等.微小型结构件显微图像边缘的自动识别[J].光学精密工程,2013,21(1):224-232.

[3]徐晋卿,陈唐龙,占栋,等.基于机器视觉的钢轨轮廓测量方法研究[J].传感器与微系统,2014,33(4):27-30.

[4]王慧锋,战桂礼,罗晓明.基于数学形态学的边缘检测算法研究及应用[J].计算机工程与应用,2009,45(9):223-226.

[5]高朝阳,张太发,曲亚男.图像边缘检测研究进展[J].科技导报,2010,28(20):112-117.

[6]郭全民,张海先.基于图像处理技术的混凝土路面裂缝检测方法[J].传感器与微系统,2013,32(4):61-64.

[7]冈萨雷斯.数字图像处理[M].阮秋琦,阮宇智,等译.2版.北京:电子工业出版社,2003.

[8]范乃强,伊兴国,吕亚荣.基于图像检测的发动机缸体探伤系统设计及应用[J].计算机测量与控制,2009,17(8):1479-1481.

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

[10] 唐永鹤,卢焕章,胡谋法.基于Laplacian的局部特征描述算法[J].光学精密工程,2011,12(19):2999-3006.

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

[12] 贾平,徐宁,张叶.基于局部特征提取的目标自动识别[J].光学精密工程,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

*基金项目：国家“863”高新技术发展计划资助项目(2011AA12A103)

中图分类号:TP 391

文献标识码:A

文章编号:1000—9787(2016)04—0137—04

作者简介:

谭亚雄(1990-),男,湖南耒阳人,硕士研究生,主要从事空间光学遥感仪器研究和数字图像处理。