构件零件表面裂纹检测方法的研究与应用

构件零件表面裂纹检测方法的研究与应用

1自动检测方法的使用效果组件（零件）表面裂纹的出现出现在两个阶段：制造、加工和应用阶段。在制造加工阶段,需要将表面已产生裂纹的构件(零件)检出,但对于数量较多的检测,尤其是流水线上的检测,人工检测是一件费时费力的工作。如果使用基于图像识别技术的计算机自动检测方法,会大大提高检测效率,且检出率高。在使用阶段,关键构件(零件)表面裂纹的及时发现对于防止事故的发生是非常重要的,人工巡检的方法可以解决一定的问题,但会受到诸多因素的限制,如检测人员的主观经验,构件(零件)周围的空间是否允许检测人员进入等。使用基于图像识别技术的自动检测方法更利于及时发现裂纹,可以进行长期不间断的监测,不受周围环境的影响,而且识别率会更高。图像识别技术是在计算机图像处理技术基础上发展起来的,进入20世纪90年代,与其相关的新理论、新方法、新设备有了长足的进展,我们将其应用到表面裂纹的检测中,开发了相应的计算机软件。2显示与实时采集基于计算机图像识别技术的表面裂纹检测系统由CCD黑白摄像头、图像采集卡、微型计算机、远程控制装置,软件等组成。如果应用于构件(零件)制造加工阶段的检测,可以将摄像头安装在传送带的上方,当零件经过摄像头的视场区,摄像头便会摄取零件表面图像送至计算机进行处理。如果应用于构件(零件)使用阶段,可以将摄像头对准要监测的构件(零件)表面后固定,或者为了扩大监测范围,将摄像头安装在云台上,可以远程控制摄像头对构件(零件)表面进行扫描。穿过摄像头的光在CCD上成像并实现光电转换及扫描后,作为标准视频信号(NTSC)输出。该信号被送到图像采集卡后,首先经过低通滤波,然后由A/D转换成8bit数字信号,通过PCI总线传送到计算机内存,供后续处理。可以实现DOS、Windows环境下的实现显示与实时采集,采集方式可根据需要设为单帧、序列等,我们应用的是序列采集方式,两幅图像之间的时间间隔可调。经计算机处理的图像如果发现裂纹,软件系统便自动发出警告,并显示处理结果。3图像处理正式检测之前,先采集无裂纹的图像,经过处理后存储在计算机中,作为检测时的识别参考图像。表面裂纹检测图像处理程序框图见图1。3.1傅里叶变换f采集到计算机内的图像,首先进行图像增强(对比度的调整等)处理,将图像与图像背景的反差增大,这里采用的是傅里叶变换的处理方法。根据图像理论,一幅图像f(x,y)能够用它的入射光分量i(x,y)和反射光分量r(x,y)来表示,其关系式如下f(x,y)=i(x,y)⋅r(x,y)(1)f(x,y)=i(x,y)⋅r(x,y)(1)令Z(x,y)=ln[f(x,y)]=ln[i(x,y)]+ln[r(x,y)],做傅里叶变换可得F{Z(x,y)}=F{ln[f(x,y)]}=F{ln[i(x,y)]}+F{ln[r(x,y)]}(2)Z(u,v)=I(u,v)+R(u,v)(3)式中,I(u,v)的R(u,v)分别是ln[i(x,y)]和ln[r(x,y)]的傅里叶变换。选用一个滤波函数G(u,v)来处理Z(u,v),则有S(u,v)=Z(u,v)·G(u,v)=I(u,v)·G(u,v)+R(u,v)·G(u,v)(4)式中,S(u,v)是滤波后的傅里叶变换。它的反变换为S(x,y)=F-1{S(u,v)}=F-1{I(u,v)·G(u,v)}+F-1{R(u,v)·G(u,v)}(5)为了得到所要求的增强图像g(x,y),必须进行反运算,即g(x,y)=exp{S(x,y)}=exp{F-1[I(u,v)·G(u,v)]}exp{F-1[R(u,v)·G(u,v)]}(6)上述方法用同一个滤波器来实现对入射分量和反射分量的控制,将减少低频和增强高频,结果是同时使灰度动态范围压缩和对比度增强。3.2像素群和大小成像群将经过增强的灰度级图像通过阈值化转化为二值化图像,即设定一个阈值θ,用θ将图像的数据分成两部分:大于θ的像素群和小于θ的像素群,如输入图像为f(x,y),输出图像为f′(x,y),则f′(x,y)={1f(x,y)≥θ0f(x,y)＜θ(7)f′(x,y)={10f(x,y)≥θf(x,y)＜θ(7)即输入图像中所有亮度小于给定阈值θ的像素点,其在输出图像中相应位置的像素点的亮度值为0(黑色),其它地方为1(白色)。3.3像进行同态处理将二值化图像与预先采集的无裂纹参考图像进行同态处理,消去相同信息,保留下来的信息可以确定图像是否有异常,也就是构件(零件)表面是否有产生裂纹的可能。3.4偏导数tt和meg2如果图像有异常,需要在图像中确定有异常的区域,即确定异常区域的边缘。边缘检出常采用一次微分的方法。梯度对应一阶导数,梯度算子是一阶导数算子。对1个连续函数f(x,y)(表示一幅图像),它在位置(x,y)的梯度可表示为一个矢量∇f(x,y)=(∂f∂x∂f∂y)Τ(8)∇f(x,y)=(∂f∂x∂f∂y)T(8)这个矢量的幅度和方向角分别为mag(∇f)=[(∂f∂x)2+(∂f∂y)2]1/2(9)ϕ(x,y)=arctan(∂f∂y/∂f∂x)(10)mag(∇f)=[(∂f∂x)2+(∂f∂y)2]1/2(9)ϕ(x,y)=arctan(∂f∂y/∂f∂x)(10)以上3式中的偏导数需对每个像素位置计算,计算比较复杂,在实际应用中常采用小区域模板卷积来近似计算。我们应用索伯尔(Sobel)算子,它将2个模板组合起来构成1个梯度算子。将模板在图像上移动并在每个位置计算对应中心像素的梯度值,这样即可求得有异常区域图像的边缘。异常区域确定以后,即可对该区域测量,包括区域面积、周长。区域的圆形度对裂纹的检测有重要的意义,其定义如下R=4π⋅(面积)/(周长)2(11)当区域是圆形时,此值最大R=1,如果是细长的区域,此值变小。3.5面积与表面裂纹的区别图像异常并不表示构件(零件)表面一定产生了裂纹,应排除一些因素的影响,如系统噪声、摄像头前偶尔经过的其他物体等。裂纹反映在图像上的特点是:区域细长连续(圆形度很小),面积相对于系统噪声来说要大得多。而系统噪声的图像特点是呈点状分布(圆形度很大),不连续,单个点的面积很小。偶尔经过摄像头前的其他物体的图像形状是不确定的,但很少如裂纹那样细长,且一般来说其图像面积较大。因此,我们用两个指标来判定是否有裂纹产生,一是异常区域的面积S,二是异常区域的圆形度R。如果异常区域的面积S大于给定的判别值Siden,圆形度R小于给定的判别值Riden,即可