探讨图像识别技术在机械零件质量检测中的运用.docxVIP

探讨图像识别技术在机械零件质量检测中的运用 　　摘要：在机械零件生产过程中，对其质量进行可靠检测是不可缺失的环节，而为了保证机械零件质量检测的可靠性，则可合理利用图像识别技术对机械零件中存在的缺陷部位展开成像处理，從而分析图像的特征去判定机械零件是否存在质量缺陷。鉴于此，文章将主要针对机械零件质量检测中对图像识别技术的运用展开分析，以期为同行从业者提供参考。 　　关键词：图像识别技术;机械零件;质量检测;运用 　　在过去的机械零件质量检测工作中，由于采取人工检测的方式会受到人为因素的影响，常常会因为人眼疲劳而导致质量难以把控，无法达到100%的合格率。随着科技水平的不断提升，计算机技术与自动化技术得到快速发展，许多领域也与先进技术融合，在机械零件质量检测工作中也率先运用了图像识别技术，大大改善了过去人工检测的不足，不仅降低了劳动量，也提高质量检测效率与合格率，文章便针对机械零件质量检测中所运用的图像识别技术及其具体运用展开分析。 　　一、机械零件质量检测中运用的图像识别技术 　　（一）模板匹配识别技术 　　该识别技术属于识别技术中最为基础的一种，其中模板也即是为了能够检测出机械零件图像中的区域特征，利用量化或符号化所形成的矩阵，将已知物体图像与模板中所有的未知区域展开比对，之后将某个未知物体与模板展开匹配，所以这一物体便会被认定为与模板相同的物体[1]。模板匹配识别技术的优势在于操作极为简单，然而也存在一定的限制性，体现在为了对所有物体的规格与方向进行匹配，则要设置出数量巨大的模板，这些体量巨大的模板得以储存，便会造成经济层面上的较大浪费。 　　（二）神经网络识别技术 　　该项识别技术主要是指由大量神经单元以某种特定方式进行连接所形成的复杂神经网络系统，尽管单个神经单元的构造与功能非常简单，但神经单元达到一定数量且形成了神经网络系统之后，便能够得到更为复杂的结构与多样化的功能，神经网络系统可视作为对人脑的模拟与简化[2]。神经网络识别技术能够对人的感知过程进行模拟，存在一定的自学与识别功能，拥有强大的自适应能力及联想组织能力，可以同时间综合考虑多重因素问题。然而，在神经网络识别技术的实际运用中，需要对其进行长时间且大量的训练，否则在识别速度与准度方面难以保证。 　　（三）统计识别技术 　　该项识别技术指的是对物体图像展开大量的统计分析，从中总结出物体的规律与能够反映出物体实质的图像特征，从而展开图像识别。实际上，统计识别技术主要基于书序模型，其优势在于分类误差极小。现如今，使用最为频繁的统计识别模型有贝叶斯模型，而因为该项识别技术需要数据基础，所以在对概率问题进行估算时会促在一定限制。 　　二、图像识别技术在机械零件质量检测中的具体运用 　　（一）焊缝图像预处理 　　在焊缝图像预处理过程中的运用，我们主要以零件轮廓的齿合标准轮廓进行匹配的过程举例，由于在机械零件处理中出现凹坑形状的故障会造成诸多不便，原因在于原零件过大且缺陷集中在无规则凹坑部位表面，在实际操作中应当将其扩大。 　　基于图像灰化层面进行分析，因为计算机在色彩表达方面非常丰富，所以这一点往往会被人们所忽视。实际上我们从相关光学研究能够了解到，无论何种色彩都来源于红、蓝、绿三色的叠加，仅仅是叠加比例的不同而已。所以，从理论上来讲，同量色彩叠加便会得到白色，不过在实际操作中由于人眼对颜色敏感度存在差异，因此即便颜色量相同，在混合中也无法完全得到白色，所以需要结合实情去微调颜色混合比。 　　基于图像平滑化层面进行分析，图像也会存在噪点，成因主要为如下几个方面：如果摄像过程中光学系统为失真运动、流动状态，便会出现散点情况而导致有一定的模糊;图像质量的优劣与照明相关，自适滤波要比线性滤波的效果更好，原因在于自适滤波在保护图像边缘与细节处理方面会起到更好作用，然而中值滤波会造成图像小范围区域丢失情况出现，所以在综合比对之下笔者认为自适滤波的效果会更好。 　　（二）图像分析 　　将图像识别技术运用在机械零件质量检测中，其中图像分析的主要内容包含如下三点：①二值化图像处理。在计算机图像处理过程中，二值化图像处理属于关键性步骤，为了可以对图像的特征展开更好的分析，一般来讲应当对图像当中的分析对象进行分离，而经过二值化处理后的图像，能够将相应的处理边缘从图像中提取出来;②图像分割。图像分割能够选用的方法众多，一般来讲常用的为多门限法、直接门限法与间接门限法，在合理利用门限算法的基础上，能够根据灰度背景区域与目标区域之间的对比差异，从而对图像进行分割;③图像边缘检测[3]。针对图像特征来讲，也即是图像影视属性与特征，具体包含灰度边缘特征、纹理和角点特征