CN101710081A

CN101710081A - 基于图像纹理与分形维数的机械零件表面缺陷检测方法

Info

Publication number: CN101710081A
Application number: CN200910155135A
Authority: CN
Inventors: 范影乐; 沈学丽; 詹跃荣; 陈可; 耿丽硕; 何攀
Original assignee: Hangzhou Electronic Science and Technology University
Current assignee: Hangzhou Dianzi University; Hangzhou Electronic Science and Technology University
Priority date: 2009-12-07
Filing date: 2009-12-07
Publication date: 2010-05-19

Abstract

本发明涉及一种基于图像纹理与分形维数的机械零件表面缺陷检测方法。现有的机械零件表面缺陷检测方法效率低，检测精度不高。本发明方法首先对待测机械零件进行预加工，将预加工后的机械零件放置在传送带上，用CCD图像采集系统对零件待测表面进行图像采集，得到零件表面的纹理图像；然后计算纹理图像的分形维数和空隙度；最后将计算得到的纹理图像分形维数和空隙度与机械零件数据库中的标准零件的纹理图像分形维数和空隙度进行匹配和比对。本发明方法能按机械零件表面缺陷纹理的外部特征，利用计算分形维数与表征主观感知的空隙度特征实现机器视觉质量的评价。

Description

基于图像纹理与分形维数的机械零件表面缺陷检测方法

技术领域

本发明属于机器视觉技术领域，具体涉及一种基于图像纹理与分形维数的机械零件表面缺陷检测方法。

背景技术

当前，机械零件被广泛应用于汽车业、航空工业、医疗业等，而机械零件表面缺陷的自动精密检测是生产过程中十分重要的环节，检测系统的精确度直接影响产品的等级划分及产品的合格率，提高检测系统识别机械零件表面缺陷的关键技术之一是选取适当的质量评价方法。目前，我国的机械零件生产工艺采用的检测系统多采用主观评价。因此，评价过程效率低下，且评价结果不具有客观性，稳定性差。基于机器视觉的机械零件表面缺陷检测方法由于其评价的客观性和高效性，受到了越来越多的关注。而基于峰值性噪比和结构相似性等传统的机器视觉质量评价方法不符合人眼的实际观测。利用分形维数与表征主观感知的空隙度参数作为机器视觉质量的评价指标，使得评价过程简单易行，同时又满足人眼的实际观测结果。

机械零件表面的缺陷检测主要通过采集零件表面的纹理图像，并经过图像处理和分析等过程，提取图像特征值进而评价零件表面缺陷。因而图像处理技术和评价指标是整个机械零件表面缺陷检测过程中的核心技术，直接关系到零件表面缺陷检测的准确性和高效性。

发明内容

本发明的目的是要克服现有机械零件表面缺陷检测方法的不足，提供一种基于图像纹理与分形维数的机械零件表面缺陷检测方法。

本发明方法包括以下步骤：

步骤(1)、对待测机械零件进行预加工，预加工的具体方法为先以黑墨水涂于待测零件表面，待墨水填满零件待测表面的孔隙后，再以干布擦拭零件表面；

步骤(2)、将预加工后的机械零件放置在传送带上，用CCD图像采集系统对零件待测表面进行图像采集，得到零件表面的纹理图像；

步骤(3)、计算纹理图像的分形维数和空隙度；

所述的计算纹理图像的分形维数的方法为：

将机械零件表面图像通过在对应边界处扩展若干零行或者若干零列的方法使得图像的宽度与高度相等。设定当前纹理图像S的大小为M×M，像素值矩阵I，I＝{I(x，y)，1≤x，y≤M}，其中(x，y)为像素点的平面坐标。将像素值矩阵I映射成3维空间(x，y，z)，z为图像在坐标(x，y)处的像素值I(x，y)。再将纹理图像S分割成大小为r×r的子块(1＜r≤M/2，r为整数)，则xy平面被分割成多个r×r大小的网格，网格的坐标(i，j)满足条件

将256个灰度级分成r等分，则在每个网格上形成一列r×r×r的盒子柱。

若纹理图像中坐标为(i，j)的网格所包括的灰度最大值和最小值分别落在格子上编号为l和k的盒子内部，则：

n_r(i，j)＝l-k+1

其中，n_r(i，j)为覆盖坐标为(i，j)的网格图像所需的盒子数，而覆盖整个图像所需的盒子数为：

N_{r} = \underset{i, j}{Σ} n_{r} (i, j)

取不同的r值，并计算相应的盒子数，则由下式可计算盒维数D(即分形维数)：

D＝logN_r/log(1/r)

所述的计算纹理图像空隙度的方法为：

对纹理图像S，用尺度为L，的盒子进行覆盖，其中L＝r，则空隙度C(L)为：

C (L) = \frac{M (L) - N (L)}{M (L) + N (L)}

其中，N(L)等于覆盖纹理图像S所需的盒子数除以纹理图像S中所含像素点的总数，即每个像素点平均所占的分形维数。设纹理图像S中所含像素点的总数为P，则

M (L) = \frac{P}{N_{r}},

N (L) = \frac{N_{r}}{P},

代入上式可得：

C (L) = \frac{P^{2} - N_{r}^{2}}{P^{2} + N_{r}^{2}}

步骤(4)、将步骤(3)中计算得到的纹理图像分形维数和空隙度与机械零件数据库中的标准零件的纹理图像分形维数和空隙度进行匹配和比对；

所述的匹配和比对方法：以不同尺度计算待测图像的分形维值，以此可求得所采集纹理图像的分形维数矩阵。计算待测纹理图像和标准零件图样的分形维数矩阵差值，并对该差值矩阵的所有元素求和得到W；计算待测纹理图像和标准零件图样的空隙度差值Y；对W和Y进行加权累加，其和表示图像质量失真程度，可作为机械零件表面缺陷等级的评价指标。加权累加值越大，表明机械零件表面加工越粗糙，存在严重缺陷；而当加权累加值越接近于零，表明采集到的纹理图像与标准零件图样匹配度越高，零件表面的质量较高。

在步骤(2)中的纹理图像可能还包含背景图像，因此在本发明方法的步骤(2)和步骤(3)之间还可以对采集到的纹理图像先进行直方图拉伸以增强图像灰度级的差异；然后对其进行阈值分割，从而可快速提取所需的纹理图像。

本发明方法所具有的有益效果为：能按机械零件表面缺陷纹理的外部特征，利用计算分形维数与表征主观感知的空隙度特征实现机器视觉质量的评价，使得评价过程兼具简单易行与满足人眼实际观测的效果。

附图说明

图1本发明中计算分形维数的示意图。

具体实施方式

一种基于图像纹理与分形维数的机械零件表面缺陷检测方法包括如下步骤：

步骤(3)、计算纹理图像的分形维数和空隙度；

计算纹理图像的分形维数的方法为：

将机械零件表面图像通过在对应边界处扩展若干零行或者若干零列的方法使得图像的宽度与高度相等。设定当前纹理图像S的大小为M×M，且M≥256。纹理图像S像素值矩阵为I，I＝{I(x，y)，1≤x，y≤M}，其中(x，y)为像素点的平面坐标。将像素值矩阵I映射成3维空间(x，y，z)，z为图像在坐标(x，y)处的像素值I(x，y)。再将纹理图像S分割成大小为r×r的子块(1＜r≤M/2，r为整数)，则xy平面被分割成多个r×r大小的网格，网格的坐标(i，j)满足条件

将256个灰度级分成r等分，则在每个网格上形成一列由面积为r×r，高度为

的r个盒子叠成的盒子柱，如图1所示。

n_r(i，j)＝l-k+1

N_{r} = \underset{i, j}{Σ} n_{r} (i, j)

取r＝2，4，6，8，16，32，对于图像最右方和最底部的不足r×r大小的模块，可将其分别并入到相邻左方、相邻上方的模块当中。并计算相应的盒子数，则由下式可计算盒维数D(即分形维数)：

D＝logN_r/log(1/r)

计算纹理图像空隙度的方法为：

对纹理图像S，用尺度为L，的盒子进行覆盖，其中L＝r则空隙度C(L)为：

C (L) = \frac{M (L) - N (L)}{M (L) + N (L)}

M (L) = \frac{P}{N_{r}},

N (L) = \frac{N_{r}}{P},

代入上式可得：

C (L) = \frac{P^{2} - N_{r}^{2}}{P^{2} + N_{r}^{2}}

最后还可以设定相应的分级标称值范围，将根据步骤(4)计算的值与分级标称值范围进行比较后，对机械零件进行表面缺陷等级的评价。

Claims

1.基于图像纹理与分形维数的机械零件表面缺陷检测方法，其特征在于该方法包括如下步骤：

步骤(3)、计算纹理图像的分形维数和空隙度；

所述的计算纹理图像的分形维数的方法为：

将机械零件表面图像通过在对应边界处扩展若干零行或者若干零列的方法使得图像的宽度与高度相等；设定当前纹理图像S的大小为M×M，像素值矩阵I，I＝{I(x，y)，1≤x，y≤M}，其中(x，y)为像素点的平面坐标；将像素值矩阵I映射成3维空间(x，y，z)，z为图像在坐标(x，y)处的像素值I(x，y)；再将纹理图像S分割成大小为r×r的子块(1＜r≤M/2，r为整数)，则xy平面被分割成多个r×r大小的网格，网格的坐标(i，j)满足条件1＜i，

将256个灰度级分成r等分，则在每个网格上形成一列r×r×r的盒子柱；

n_r(i，j)＝l-k+1

N_{r} = \underset{i, j}{Σ} n_{r} (i, j)

D＝log N_r/log(1/r)

所述的计算纹理图像空隙度的方法为：

C (L) = \frac{M (L) - N (L)}{M (L) + N (L)}

其中，N(L)等于覆盖纹理图像S所需的盒子数除以纹理图像S中所含像素点的总数，即每个像素点平均所占的分形维数；设纹理图像S中所含像素点的总数为P，则

M (L) = \frac{P}{N_{r}},

N (L) = \frac{N_{r}}{P},

代入上式可得：

C (L) = \frac{P^{2} - N_{r}^{2}}{P^{2} + N_{r}^{2}}

步骤(4)、将步骤(3)中计算得到的纹理图像分形维数和空隙度与机械零件数据库中的标准零件的纹理图像分形维数和空隙度进行匹配和比对；所述的匹配和比对方法：以不同尺度计算待测图像的分形维值，以此可求得所采集纹理图像的分形维数矩阵；计算待测纹理图像和标准零件图样的分形维数矩阵差值，并对该差值矩阵的所有元素求和得到W；计算待测纹理图像和标准零件图样的空隙度差值Y；对W和Y进行加权累加，其和表示图像质量失真程度，可作为机械零件表面缺陷等级的评价指标；加权累加值越大，表明机械零件表面加工越粗糙，存在严重缺陷；而当加权累加值越接近于零，表明采集到的纹理图像与标准零件图样匹配度越高，零件表面的质量较高。

2.根据权利要求1所述的基于图像纹理与分形维数的机械零件表面缺陷检测方法，其特征在于：步骤(2)和步骤(3)之间为快速提取所需的纹理图像，首先对采集到的纹理图像先进行直方图拉伸以增强图像灰度级的差异，然后对其进行阈值分割。