基于熵磁瓦内表面起级缺陷检测与识别.docVIP

基于熵的磁瓦内表面起级缺陷检测与识别 　　摘要：本文使用空域统计方法对纹理缺陷进行识别。首先锐化和增强缺陷图像。其次，应用熵原理计算基于局部范围的图像熵值矩阵，使用纹理基元对图像进行卷积运算，获得卷积矩阵；阈值二值化处理。对预处理图像进行轮廓跟踪，提取相关缺陷特征。根据给定的阈值进行缺陷检测和识别。通过MATLAB仿真实验验证，该方法能够稳定高效地对磁瓦内表面起级缺陷进行检测和识别。 　　关键词：磁瓦 起级缺陷 缺陷识别 纹理分析 　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416(2011)12-0176-02 　　 　　纹理特点是自然或人造物体所具有的在一定的尺度空间，以一定的形式变化而产生的图案(模式)。在磁瓦的生产过程中，由于在打磨时砂轮打滑引起的打磨不均匀容易产生起级缺陷。缺陷部分具有典型的线性条纹纹理特征(如图1)。这种缺陷影响了磁瓦的使用质量，摩擦大，容易磨损，影响装配后电器的稳定。但由于目前缺陷检测主要是以目视检测为主，效率不高；并且容易因为工人的视觉疲劳，进而引起缺陷的漏检。计算机视觉技术的应用很好地解决了这个问题。它具有检测速度快，效率高，漏检率低，稳定性好的特点。要进行起级缺陷的检测，首先应用Laplacian算子进行图像的预处理，获得了较好的缺陷识别图像，使缺陷得到锐化，从而有利于缺陷检测与识别。然后，根据缺陷的纹理特点，求得基于局部范围内的熵矩阵，然后对熵矩阵进行基于纹理的图像分割，得到二值化图像。最后，进行缺陷特征的提取,并利用缺陷检测准则进行缺陷检测和识别。 　　1、图像纹理分析方法 　　物体表面的粗糙程度反映的图像上，由于光照以及光的反射形成了图像中的纹理特征。纹理是具有相同或相似像素点的组合在一定空间内的组合。纹理特征是识别物体和缺陷的一个重要特征。目前纹理分析在空域和频域主要有统计法、结构法和频谱法。机械加工在工件表面形成了规则的纹理，内部的一些缺陷也在工件表面表现为一定的纹理特征。纹理分析在工件表面的粗糙程度控制以及缺陷的识别等方面具有很强的应用和研究价值。 　　基于熵的图像纹理分析是基于空域???计原理的纹理分析方法。 　　科学家已经发明了测量无序的量，它称作熵，熵也是混沌度，是内部无序结构的总量。熵值越大混沌程度越强，也就是图像结构越复杂；反之图像结构简单。基于局部熵值矩阵的图像纹理分割方法就是利用了熵原理，对图像求取N*N窗口内的局域上作为中心像素点的值，获得熵值矩阵。选定恰当的窗口，在纹理边缘处会有较大的熵值。选择一定的阈值可以进行阈值分割，实现纹理的分割。 　　基于局域熵的图像纹理分析原理： 　　熵值公式： 　　其中：，(i=1,2,......,L),是为保证p(i)不为0的实数；L灰度级，n，m图像的长和宽； ni灰度级为i的像素的个数。 　　对于局部熵值的计算，m*n为模板窗口的大小。为减少计算量，窗口内灰度级出现的概率p的大小取区域内最大灰度值max和最小灰度值min得差。也即：,(j=0,1,......,max-min)。基于熵原理的图像纹理分析，计算简单，能够较快的获得图像的熵值矩阵。 　　2、缺陷磁瓦图片处理 　　2.1 缺陷磁瓦图像特征分析 　　磁瓦缺陷是由纹理基元按一定的规则排列组合而成的，并且缺陷纵贯磁瓦表面。对于缺陷的识别，主要任务是确定是否存在缺陷以及定位缺陷的位置。按照统计学原理，抽取磁瓦内表面的一块条形区域，如果存在起级缺陷，就可以确定磁瓦存在起级缺陷。这样即减少了图像处理的数据量和处理时间，又可减少磁瓦图像受光照和噪声等因素的影响，可以快速提取缺陷特征。 　　2.2 获取感兴趣区域(Region Of Interest,ROI) 　　由于磁瓦图像中存在两个目标，磁瓦和背景。如果提取的抽样区域存在背景会影响缺陷识别的效果。因此必须确定磁瓦存在的区域（如图1.A中标示区域），在此最小区域内抽取样本。为确定最小磁瓦区域坐标，先获取图像1/2宽x处的行数据，并绘制这个一维信号,纵坐标为灰度值，横坐标为索引号，如图2(a)。可以发现一维信号图有两处存在明显的灰度阶跃，这是由于在边界处背景和磁瓦灰度突变产生的结果。因此可以以此来获取最小区域的纵坐标。设为y1,y2、抽样宽度为h,则可以得到最小区域的两个坐标(x,y1),(x,y2)。最终的抽样区域以及抽样区域的均值一维信号如图2(c)。 　　虽然，图像的一维信号可以显示出缺陷的区域，但是由于磁瓦内表面容易存在污渍、暗斑等噪声，也会引起灰度值的突变，表现为一个较长的谷。因此一维信号不能作为缺陷识别的依据，只能用来校正缺陷的识别结果。 　　2.3 基于熵的磁瓦图像处理 　　利用公式(1)对取得的ROI图像区域进行熵值处理。灰度调整后，图像如图3(1