图像处理技术在活塞销缺陷检测中的应用.pdf

《图像处理技术在活塞销缺陷检测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、·应用研究·曹志良图像处理技术在活塞销缺陷检测中的应用59图像处理技术在活塞销缺陷检测中的应用曹志良(巨化集团公司职业技术学校，浙江衢州324004)摘要：针对活塞销缺陷图像的特点，对其缺陷的提取技术进行了研究，提出了基于迭代的阈值构造方法和基于数学形态学的边缘提取算法。针对在工作现场采集的活塞销缺陷进行数字成像，结合图像的变换、中值滤波、闽值分割、边缘检测、特征提取、模式识别等算法，通过适"-5的处理和分析，对活塞销缺陷进行了自动检测与识别，最终实现了对缺陷的机器自动识别。关键词：活塞销；缺陷；预处理；图像识别中图

2、分类号：TH16文献标识码：A文章编号：1672—1616(2011)13—0059—04活塞销在使用过程中可能会产生各种形式的损坏，影响零件的使用性能，甚至会给生产带来重大的隐患，所以故障诊断一直是企业非常重视的一个环节。在工业自动化生产过程中，数字图像处理技术的应用已经成为实现产品质量监控和故障诊断的有效方法之一。本文尝试将图像识别技术应用于机械零件质量检测中。如何对机械设备零部件常见的故障模式进行图像识别是笔者要解决的问题，为此采用的研究方法是运用MATLAB二次开发的可视化科学计算软件进行图像处理及识别。产品

3、或机械设备零部件常见的故障主要有擦伤、疲劳、腐蚀、压痕等。而图2截取的缺陷原图这些故障的形状特征主要表现为较规则的矩形、线1．1图像的灰化状、凹坑状、树枝状、不规则块状。以活塞销为对通过光度学的研究结果表明，色彩都可以用象，对较规则的矩形类故障模式进行识别，是本文红、绿、蓝这3种颜色并按一定的比例混合而成。的主要研究内容。三基色R，G，B与亮度的关系从理论上来讲，等量的三基色尺，G，B相加可以得到白色。图3为灰1缺陷图像预处理化后的结果。可将24位的彩色图片利用亮度公式本文以活塞销为例来说明缺陷图像处理，原零进行灰化

4、处理¨J：件如图1所示。截取其有缺陷部分，其特征为矩形Y：0．222R+0．707G+0．071B(1)类缺陷，缺陷不均匀地分布在其表面，如图2所示。式中：R表示红色；G表示绿色；B表示蓝色。1．2灰度变换由图像对数变换前后的效果比较可知，对数变换确实能够扩展低值灰度，并压缩高值灰度，使低值灰度的图像细节更容易看清。虽然指数变换可以扩展低值灰度，压缩高值灰度，也可以扩展高值图】活塞销局部图灰度，压缩低值灰度，但是由于与人的视觉特性不收稿日期：20101227作者简介：曹志良(1966一)，男，浙江江山人，巨化集团公司

5、职业技术学校讲师，主要从事机械工程的教学与科研工作。602011年7月中国制造业信息化第40卷第13期造成误识；如果阈值选取的太大，则会造成漏识[引。一般情况下，阈值运算可以看作是一种对图像中某点的灰度函数，或者该点的局部特性及该点在图像中的位置的检验，这种阈值函数可记作：M=Mix，y，N(，Y)，f(x，Y)](2)在式(2)中，f(x，Y)是对比图像中点(，Y)的灰度值，N(z，Y)是点(z，Y)邻域的某种局部性质(即区域内各像素的值，相邻像素值的关系等)。如果f(z，Y)>M，则该点为可疑点。根据对M的不同约

6、束，可以得到3种不同类型的阈值，即：全局图3灰化后的结果阈值、局部阈值、动态阈值。采用准确性高的基于迭赶相同，因此不常采用。本文采用对数变换来对图代算法的全局阈值法，其阈值M只与点的灰度值象进行预处理。f(z，Y)有关，此时，阈值函数变为：【．3图像锐化处理M=M[f(x，Y)](3)图像锐化处理用于增强图像的边缘及灰度跳相应的基于迭代算法的阈值表达式为；部分，通常讲的勾边增强方法就是图像锐化处里[0-4]。拉氏算子比较适用于改善因为光线的漫‰：jI+}．射造成的图像模糊。比较原始图像和经拉氏算∥hJ运算的图像，就可

7、以发现图像模糊的部分得到了兑化，特别是模糊的边缘部分得到了增强，边界更式中：h为灰度为k值的像素个数；L为灰度级I[1明显，如图4所示。但是，图像显示清楚的地方，数。圣滤波后产生了失真，这也是拉氏算子增强的一大迭代算法如下：夹点。a．选择图像灰度范围的中值为初始值Mo，进行图像分割，产生子图像。b．根据子图像的特性，按式(3)来选取新的阈值，再用新的阈值分割图像。c．迭代一直进行到Mi+1：Mi结束，取结束时的Mi为阈值，使错误分割的图像像素点降到最少。显然，这样做的效果好于用初始阈值M。直接分割图像的效果。迭代算法

8、能有效消除或减小噪声对灰度门限阈值M的影响，其原因如下。设一幅混有噪声的图像g(x，Y)是由原始图像f(，Y)和e(z，Y)叠加而成，即g(，)=，(z，Y)+e(z，Y)(5)图4拉氏算子锐化处理图由于噪声是随机作用于图像的像素点上，可以认为在分割出的目标g1和背景g2上噪声干扰仍图像分析为e(z，Y)，即：g1(z，Y)：fl(z，Y)+e