机械产品内部构件状态的视觉检测方法IP电话

机械产品内部构件状态的视觉检测方法

机械产品内部构件状态的视觉检测方法 2011： ［摘要］文中研究了机械产品内部构件状态的视觉检测方法。运用机器视觉技术对产品的图像进行预处理、特征提取和匹配操作，基于模式识别的方法建立了故障诊断模型，最终实现了产品内部构件状态的自动检测。利用所述方法，对具体的机械产品进行了检测试验，结果表明该方法实用、迅速、可靠，对于自动检测复杂机械产品内部构件的状态具有普遍意义。

［关键词］机械视觉；图像处理；无损检测；故障诊断

1引言

在人类智能活动中，可视信息的处理占有非常重要的地位，人类获取的信息约70%来自视觉。图像作为一种重要的视觉信息来源，成为人类进行直观而有效地认知和判别的主要依据。近年来，随着光电技术、计算机数字图像处理技术、无损检测技术的发展，现代检测与识别技术日益朝智能化、高可靠性、高速自动化在线检测方向发展。计算机视觉技术和可靠性技术是现代检测的两大技术基础。“视觉检测”作为机器视觉的一个应用概念，其内容不仅在于视觉感知、知识和模式识别等，更着重于空间几何尺寸的精确检测和定位。视觉检测具有现场宽、非接触及较高精度等优点，其应用正在取代一些传统的传感器，完成“离线”和“在线”测量［1～4］。机器视觉在工业检测领域已被成功地应用。目前已经用于产品外形检验、表面缺陷检验。通过X射线照相或超声探测获取物体内部的图像，可以实现内部缺陷检测。

很多机械产品由较多的零部件组成，零部件在空间位置上层叠交错，加之一般是非透明外壳封装，内部构件状态非直观可见，因此对产品进行有效的检测颇为困难。常规的检测方法是采用人工抽样检验或破坏性试验。这些方法不仅费用高、耗时费力，而且属于事后分析，由于人为因素造成的漏检或误判会大大降低检测识别的准确率，难以满足实时生产的需要。若环境恶劣或产品本身具有一定危险性，这些常规方法也是不安全的。

鉴于这种情况，文中介绍了一种在线机械产品故障检测方法：基于机器视觉原理，采用较为成熟的技术对产品图像进行预处理、特征提取、分类识别及模式匹配等，从而完成对产品内部状态的检测。2检测原理

等组成。系统工作时，X射线源发出的射线穿透旋转检台上的被检产品打到射线转换屏上，转换为可见光图像，再由CCD数字相机获取该图像，经数字化后输入计算机。检测系统机电控制器控制步进电机带动工作台旋转，以获取被检产品不同方位上的原始射线图像，计算机通过图像预处理、特征提取和对构件的分析、处理及识别，实现对产品内部构件状态的自动检测［5］。

拍摄待检测的正常产品的多幅图像构成样本集，提取关键零部件特征建立特征库。检测时采集实测产品的不同方向的两幅图像，首先利用模式识别和匹配算法确定与实际图像最接近的样本图像，再比较样本图像和实际图像，判断关键件的状态。具体实现过程如下：

(1)将正常产品放在旋转检台上，检测台按照控制指令旋转预定角度停下来，拍摄产品的一幅图像，旋转一周可以获取产品各个方位的图像。由计算机控制的步进电机可以调整检台的旋转角度，满足不同的检测要求。

(2)对获取到的样本图像进行预处理。图像的预处理包括滤波去噪、目标—背景分割、区域裁剪、图像增强等。

(3)根据产品的特点，定位关键零部件，提取相应的灰度特征，建立标准样本特征库。

(4)对待检产品拍一幅图像，经预处理后，与标准样本图像逐幅进行匹配，找到与之最接近的一幅样本图像。

(5)提取出检测图像中相应零部件的灰度特征，给定一个误差范围，与匹配好的标准样本图像进行特征比较，得出比较结果，利用图像分析的理论判断元件是否存在或有无错位。

(6)若某些关键零部件无法判断，将产品旋转一个角度(一般是90°），转第(4)步。

(7)当所有关键部件的状态确定后，利用可靠性理论计算出系统的状态。

(8)计算机输出检测结果，显示产品系统的状态(正常或故障)。若系统发生故障，则要输出引起系统故障的零部件状态，可将每一产品的状态记载到数据库中，以备返修。

3图像预处理

原始射线图像非常模糊，产品内部构件基本上无法辨认，因此必须对原始图像进行预处理。图像预处理的目的是去除噪声，突出产品构件结构信息。下面介绍所采用的几种主要的预处理方法。3.1滤波降噪

采集的X射线图像中除了存在量子起伏噪声外，还有许多椒盐噪声，需要采用合适的方法进行滤波降噪。

通常使用的线性滤波器包括均值滤波和高斯滤波，这两种滤波器的问题是有可能模糊图像中的尖锐不连续部分，而这会造成细小元件特征的丢失。考虑到机械产品的特殊性，选择了非线性的中值滤波器。中值滤波器的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节，这是因为它不依赖于邻域内那些与典型值差别很大的值。中值滤波在一定条件下，可以克服线性滤波器所带来的图像细节模糊，而且对于去除脉冲噪声最为有效。并且在运算过程中不需要图像的统计特征，因此计算方便［6］。3.2目标背景分割

在射线图像中，检测目标只占整个图像的一小部分。由于射线图像不均匀以及噪声的影响，背景因素常常会降低特征提取的准确性，因此有必要对目标与背景进行分割，排除背景对目标特征提取的不利影响。

根据统计学理论，工程应用中许多模型具有近似于高斯函数的分布，因此文中假设目标和背景的灰度近似为高斯分布，采用最佳阈值法分割目标与背景。设目标像素和背景像素分布密度函数分别是p(z)和q(z)

其中，μ0和σ0分别为目标像素灰度分布的均值和方差；μb和σb分别为背景像素灰度分布的均值和方差；

设目标像素s的概率为θ，背景像素b的概率则为1-θ，整幅图像的混合概率密度分布为：

3.3直方图修正

受成像工艺条件限制，所获取射线图像的动态范围常常较小，图像对比度低。该文通过直方图修正的方法，突出了图像的特征信息。映射函数为：

式中fmin＝μ0-ασ0；α为调节因子，T为目标—背景分割阈值。

所有的预处理操作完成之后，图像质量有明显改善，细小的元器件特征得到突出，利于下一步的检测。图3—1为原始图像与预处理后的图像的对比。

4故障模式识别4.1特征提取

对标准样本图像预处理完成之后，提取关键零部件的特征，建立特征库。由于射线图像噪声大，产品结构复杂，内部构件重叠、交错，如果仅仅依据图像结构进行识别，由于成像后的构件位置至少在一维方向上是不确定的，因此，特征提取和识别比较困难［7］。提取的特征要求最大可能地反映元件位置，同时必须容易提取并便于处理。图4—1为实验中某产品的特征提取界面。图中较亮线段包含了该机械产品几个重要零件的信息。提取的特征为两条水平方向线段上的共175个像点的灰度值。4.2图像匹配对拍摄的检测图像做预处理之后，要与标准样本预处理后图像进行逐幅比较，即做图像匹配，找到与之拍摄方位最接近的那一幅标准图像。这是因为产品的标准样本，是产品从某一随机的位置开始旋转一周的射线图像。实际检测时图像的位置也是随机的。匹配算法如下。

首先对图像调整亮度，对准外轮廓线。因为产品轴对称，只要外轮廓对准，图像就对准了。其次，采用最小均方差准则进行匹配。即定义

式中，Fk(i，j)———第i幅标准图像在像素点(i，j)处的灰度值；I(i，j)———检测图像在像素点(i，j)处的灰度值；Ek———检测图像与标准图像的灰度差值平方和。4.3特征比较

提取预处理后的检测图像中的相应关键零部件位置处的像素灰度值，与匹配好的标准样本图像的特征值比较，根据是否超出设置的误差范围判断零件的有无或严重的错位。5检测实例及结论

按照文中所述的检测方法，对某种要求高可靠性并具有危险性的机械产品做了无损检测试验。试验时共拍摄了正常产品的19幅(每隔10°拍一幅)标准图像，从任意的方位开始拍摄一幅已知故障类型的产品图像，然后旋转90°再拍摄一幅。系统准确无误地预报出存在的故障。

昆明治疗荨麻疹的皮肤病医院

治疗包皮过长

南充治疗前列腺炎医院

北京癫痫病医院

无痛人流医院排名