基于机器视觉的发动机内表面缺陷自动检测系统.docxVIP

基于机器视觉的发动机内表面缺陷自动检测系统 0 基于机器视觉的发动机缺陷检测方法 在线车辆缺陷检测系统是智能检测技术的应用研究。它是一种应用于智能设备的自动损伤检测系统。基于机器视觉的发动机缺陷检测系统,作为一种非接触检测方法,具有测量速度快,测量精度高,图像包含的信息完整,能自动连续检测,可满足生产线上速度的需求,并可进行遥测,便于与微机连接做成智能仪器等优点。 利用机器视觉进行检测不仅可以排除主观因素的干扰,降低劳动强度,提高生产效率,而且还能对这些指标进行定量描述,对缺陷的形态、类型进行鉴别和统计,具有人工检测所无法比拟的优越性。本文应用机器视觉理论,主要研究基于机器视觉的发动机缺陷检测系统,可实现发动机缺陷在线检测并报警。本文的工作主要有:图像采集、图像处理及结果判断。 1 统按照功能的划分 本检测系统分硬件系统和软件系统两部分。 整个机器视觉的检测系统如图1所示,该系统按照功能可以分成四个模块:光学传感模块(硬件)、图像采集模块(硬件)、图像处理模块(软件)和自动检测结果的判断模块(软件)。 本文处理的图像是某导弹研究院采用Schoelly公司生产的工业内窥镜拍摄的导弹发动机装药内表面的图像。 2 处理完 2.1 中值滤波方法的选择 本检测系统中内窥镜的摄像头在成像过程中,由于导弹运动时的震动与其它各种因素的干扰,造成图像表面出现各种噪声和毛糙。平滑掉图像的噪声后,可以提高图像的质量,为后期图像处理做好充分的准备。本文应用中值滤波、均值滤波和自适应滤波的方法对输入的真实图像进行多次滤波实验,并对实验结果进行分析比较,如图2所示,从实验可以得知:中值滤波有较好的平滑效果,自适应滤波的效果最差;对图像进行均值处理相当于图像信号通过一个低通滤波器;中值滤波方法简单, 易于实现, 而且能较好地保护边界。结合图像特点,本文最后选用中值滤波方法。 中值滤波的基本原理是把图像中的每个像素值用该点的一个邻域中各点值的中值代替。设一组数n,把这n个数值按大小顺序排列。当n为奇数时,位于中间位置的那个数值称为这n个数值的中值;当n为偶数时,位于中间位置的两个数值的平均值称为这n个数值的中值。图像中值滤波后某像素的输出等于该像素灰度的中值。 本实验选用如图2(a)所示的真实图片,该图片是用内窥镜拍摄的导弹装药内表面的图像,分别选用均值滤波、自适应滤波、中值滤波对三幅输入图像进行去噪处理,输出结果分别如图2的(b)、(c)和(d)所示。 中值滤波能够在抑制随机噪声的同时不使边缘模糊,并能较好地保持细节,如图像中的数据信息(位置和角度),并且中值滤波的方法简单,易于实现。 2.2 实验结果分析 边缘是图像的最基本特征,是图像分割所依赖的重要特征。边缘在边界检测、图像分割、机器视觉、模式识别等领域中有着重要的作用。由于边缘是所要提取目标和背景的分界线,提取出边缘才能将目标与背景区分开,因此边缘检测技术对于数字图像十分重要。本文应用Sobel算子、Log算子及Canny算子对输入图像进行边缘检测并得到实验结果,如图3所示,对实验结果分析比较发现:经过Canny算子和Log算子检测的图像边缘较好,尤以Canny算子检测的边缘效果最好,而Sobel算子检测的图像边缘效果较差。因为Log算子有不错的抗噪声能力,但是在抑制噪声的同时也可能将原有的比较尖锐的边缘平滑掉,造成这些尖锐边缘无法被检测到,Canny算子采用高斯函数对图像作平滑处理,因此具有较强的抑制噪声的能力,可以检测到弱边缘。Canny算子采用双阈值算法检测和连接边缘,采用的多尺寸检测和方向性搜索比Log算子好。结合图像特点和实验比较,本文选用Canny算子。 2.3 图像分割的实现 为了有效地进行图像描述和分析,往往需要先将图像划分成若干个有意义的区域。图像分割是从图像处理到图像分析的关键步骤,也是图像理解的基础。一方面,它是目标表达的基础,对特征测量有重要影响。另一方面,图像分割也为更高层的图像分析和理解提供可能。 图像分割主要有两种方法:一是鉴于度量空间的灰度阈值分割法,它是根据图像灰度直方图来决定图像空间域像素聚类,但它只利用了图像灰度特征,并没有利用图像中的其它有用信息,使得分割结果对噪声十分敏感;二是空间区域增长分割方法,它是对在某种意义上具有相似性质的像素连通集构成分割区域,该方法具有很好的分割效果。本文对图像进行分割利用了像素灰度值的两个性质:不连续性和相似性,非边界区域一般具有灰度的相似性,而在边界上一般具有灰度的不连续性,利用这种方法将缺陷从背景图像中分离出来。 3 缺陷特征选取 对已提取缺陷的特征值进行计算,在实际测量工程领域中有广泛的应用。特征提取时为了得到可以有效识别缺陷的分类信息,正确选取有代表性的特征可以有效地减小错误判别率。 考虑到图像进行上述处理后仍会有一些