论文总字数：21563字

目 录

1．　绪论 3

1.1　本文算法的背景和意义 3

1.2　国内外研究现状 3

1.3　数字图像处理方法的主要问题以及发展方向 4

1.4　本文的主要内容 4

2. 图像背景的去除 6

2.1　图像特点的分析 6

2.2　背景信息的去除 6

2.2.1　梯度的检测 6

2.2.2　常用的梯度检测算子 7

2.2.3　边缘梯度的加强 8

2.2.4　膨胀处理 11

2.3　本章小结 12

3. 基于阈值的缺陷分割 13

3.1　缺陷分割的分析 13

3.2　人工阈值分割 13

3.3 　OTSU阈值分割 13

3.4　本章小结 15

4. 缺陷后处理 16

4.1　分割后图像分析 16

4.2　传统hough变换 16

4.3　随机hough变换 17

4.4　random-hough变换的改进 17

4.4.1　缺陷图像的细化 17

4.4.2　点选取的优化 19

4.5　random-hough的优化尝试 20

4.5.1　根据结果的缺点分析 20

4.5.2　边缘检测 20

4.5.3 所选点的进一步约束 23

4.6 实验结果与分析 26

4.7 本章小结 27

5. 总结与展望 28

5.1　总结 28

5.2　未来展望 28

参考文献： 29

致 谢 30

零件表面缺陷检测算法研究

杜昌国

,China

Abstract: With the continuous advance of industrialization, the demand for parts of all kinds of production is also increasing. In the past, the screening of defective parts mainly depended on the manual work, but the efficiency was low, and the accuracy was not stable. Digital image processing show a way for automatic detection of defects.

In this paper, the threshold segmentation method is selected as the Otsu algorithm. Through the comparison of Otsu and artificial threshold segmentation, this paper shows the advantages of Otsu and analyzes the limitations of Otsu in this paper. For the next step to deal with the determination of ideas.

Due to the limitation of the Otsu algorithm, this paper extracts the redundant part of Otsu by random-hough transform. And the disadvantages of random-hough transform are analyzed. Aiming at the cause of the emergence of "false Circle", this paper puts forward a method to optimize the solution, and the optimization of the failure is analyzed.

After the optimization according to the characteristics of the parts, the algorithm proposed in this paper to good results on the detection of defective parts separated, and occupied by the computational resources also is within the acceptable range, indicating that the proposed method is effective.

Keywords: background removal; Otsu threshold segmentation; Hough transform; random-hough transform

1．　绪论

1.1　本文算法的背景和意义

　　金属是工业制造的基石，金属零件是工业设备的基础组成部分，随着工业化的发展，对零件的精度，耐久等性质要求越来越高，需求量也越来越大。大量的零件生产中难免会出现一些有瑕疵或缺陷的零件。这些零件如果投入到使用中，将会造成难以预料的损失。将这些由于材料，加工工艺，铸造等原因造成的缺陷零件筛选剔除就显得十分重要。

　　大量工厂最早使用人工检查的方法，不仅效率低下，而且检测出的正确率起伏波动较大，没有对检测质量的一个标准的评价体系。除此之外，人工检测还对工人的身体伤害较大，长时间的检查零件工作对许多工人的视力和颈椎造成了损害。这种效率低，检查质量差的方法已经不适合现在机器生产的速度和要求了。寻找新的替代的方法就成为了企业迫切的需要。

比较常用的几种自动检测方法有：涡流检测，红外线检测，超声波检测，以及本文所使用的数字图像处理。不同的方法所善于检查的缺陷特点也不相同。涡流检测所花时间比较长，但是精度比较高，但是对于不同的零件需要调整整个系统。适用于要求检测精度较高，且生产线稳定的情况。超声波检测可以较快速地检测，但精度很差，无法对零件的缺陷进行准确的分割。数字图像处理，有着平台易于搭建，识别速度快，能对零件的缺陷较为准确分割的优势，但对于零件内部的缺陷，或者一些死角的缺陷探测无能为力。本文所研究的算法，正是基于数字图像处理所进行的。

1.2　国内外研究现状

　　数字图像处理的主要研究范围包括：对图像分析，并对图像进行处理，以提取出图像中的有效信息；通过对图像的处理，对图像进行处理和压缩，在加快传输速度和减少存储空间的前提下，保证图像的质量。将数字图像处理应用在零件缺陷的检测上，美国和日本的实践比较多。

　　上个世纪七十年代以来，数字图像处理技术得到了迅速的发展和广泛的应用。日本和美国率先将数字图像处理与零件的缺陷检测联系起来。Sanjeev N通过对零件的特征提取，完成了零件的分类，并根据具体的实际设计了零件的装配自动化。川崎公司在1975年前后也引入了镀锡钢板的自动化检测流水线，将数字图像处理技术大规模应用在生产中。德国作为老牌工业强国，在工业中也迅速引入了数字图像处理技术。德国的HTs-2通过不同亮度下对钢材表面图像的采集和处理，取得了非常好的检测效果，在轧钢的检测领域获得了广泛的应用，Hts-2,以及后续的HTs-w成为了数字图像处理和工业生产很好结合的代表。改进了大津算法（）,使得大津算法在原本不易处理的多灰度峰的图像中取得不错的效果。

　　我国将数字图像处理和工业生产结合的尝试就晚得多。在上个世纪九十年代刚刚进行应用的尝试。重庆大学在那个时候率先进行了基于图像处理的滚轴表面缺陷识别与检测系统。对小尺寸的圆柱形零件表面的缺陷进行了识别。同时，各方面对钢材生产中的缺陷检测也如火如荼地展开，宝钢集团与航天部门一起研发了钢材的分类与瑕疵识别系统。随着我国工业化的进程加速，越来越多的企业与科研机构都向机器视觉和工业化的结合投入精力。在不断的实践中，更多的新技术也被带入到了工业生产中，更多的新方法也被提了出来。比如将单片机加入到图像采集的控制中，将FPGA加入到图相处理的加速中。随着新的问题不断被发现并被解决，数字图像处理在工业中的应用已经十分成熟。

1.3　数字图像处理方法的主要问题以及发展方向

　　图像处理在零件缺陷检测方面存在的问题：

1. 图像处理专门用于零件缺陷识别检测的算法很少，对于一些针对零件的特点算法比较少
2. 图像处理对于不同零件甚至是不同的缺陷所选取的算法甚至都不同，很难有一种广泛适应情况的算法。
3. 数字图像处理中很多算法所耗的时间较长，减少时间的办法除了优化算法就是调整分辨率，因此要在处理精度和处理速度之间根据情况进行抉择。

　　随着图像处理的不断发展，它的前景也十分广阔：

1. 计算机处理能力的不断提高，以及最近将gpu和fpga应用到图像处理上，让处理速度有了一个巨大的提高
2. 相机成像技术的发展让数字图像处理技术有了更大的发挥空间。除了自然光的成像，还有红外，激光，x-ray成像等方式，让图像捕捉设备能够捕捉到更多的信息。

1.4　本文的主要内容

　　鉴于数字图像处理在工业领域的广泛使用以及广阔的发展前景，本文对于圆盘形的零件的图像进行处理，通过不断分析图像的特点，选择合适的算法来将图像中的缺陷部位分割出来。

　　第一章：绪论，说明本文的意义，并对图像处理在国内外的应用现状进行介绍，最后说明本文的主要内容。

　　第二章：通过梯度检测来确定灰度变化较大的边缘，并通过对梯度值进行二值化，形态学处理等手段，将背景信息从图片中删去，并很好地保留了缺陷的位置和形状。为下一章节的处理做好准备

　　第三章：由于剔除了较暗的背景信息，缺陷部位的灰度值又比零件的其他部位低，所以选择阈值分割法。由于人工阈值分割的方法不适用于大规模的生产实际，缺少适应性，本文选择了有效简单的otsu分割法。但由于otsu方法的一些缺陷，除了分割出缺陷部位，还将零件中较暗的孔洞部位分割出来。

　　第四章：第四章是本文的重点，为了更好地分离出缺陷部位，需要对分割出来孔洞部位进行识别和剔除。识别图像中图形的算法主要是hough变换。但由于hough变换的局限性，在实现圆的识别的时候，会占用大量的计算资源，缺少实用价值。因此，本文中实现圆的检测的算法为random-hough变换。为了进一步减少random-hough变换的计算量，本文对阈值分割后的图像进行了细化，提取骨架等操作。对于random-hough变换中出现的假圆问题，本文通过求得原图像的边缘来对检测到的圆进行约束，以减少假圆的现象。并对random-hough变换进行了尝试性的优化，并在理论上分析了优化的可行信和实际中出现问题的原因。

　　第五章：总结与展望。对本文的过程进行了总结，并对本算法以后可以应用的方向以及进行的拓展进行了说明。

2. 图像背景的去除

2.1　图像特点的分析

对于要处理的图像，希望可以更好地分割出缺陷的部位，并减少同时分割出来的其他部位。待处理的零件图像可以分为三个部分：缺陷，零件，背景。缺陷部位像素点的灰度值都比较低，且有着明显的边缘和轮廓；零件部分的像素点灰度就比较高，但由于图片拍摄环境的问题，零件的主体部分还有着大量的阴影，零件同时有着大量的高低灰度值。同时因为表面为镜面反射，有着大量加工时的边缘可见；背景的灰度值普遍较低，同样由于拍摄光照的问题，背景也有灰度较高的部分，但由于背景表面比较粗糙，灰度的变化普遍均匀，没有清晰的突变部分。为了更好地提取出缺陷的部分，可以根据图像的特点一步一步去除背景和零件信息。

2.2　背景信息的去除

　　由刚刚的分析可以得到，要去除背景，要么对灰度的阈值进行选择，要么对边缘进行检查，由于背景中含有大量像素和缺陷处的灰度相近，所以选择第二种方法。

2.2.1　梯度的检测

边缘是许多相连的点的集合，也是一个区域到另一个区域过度。不同区域的灰度分布有较大不同，所以边缘可以被认为是，灰度剧烈变化的区域。

剩余内容已隐藏，请支付后下载全文，论文总字数：21563字

相关图片展示：