CN115937177A - 零部件表面缺陷识别方法及装置 - Google Patents

Abstract

本发明公开了一种零部件表面缺陷识别方法及装置，该方法和装置中的缺陷识别包括如下步骤：针对零部件的不同缺陷进行训练，形成产品缺陷数据集；针对被检测零部件进行图像获取，将获取的图像数据与产品缺陷数据集进行比较，以判定被检测零部件是否存在缺陷；根据需要将检测结果向外传输并展示；为了反映零部件在真实使用场景中的状态，模拟零部件在不同使用场景下的光线环境，并进行图像采集；同时使用高斯函数和二维伽马函数提高图像质量。上述检测方法和装置能够对被检测对象的产品缺陷有效检出，即便是被检测对象处于光照不足或者光照强度不均匀的场景下，仍然可以有效地将产品缺陷检测出来。

Description

零部件表面缺陷识别方法及装置

技术领域

本发明涉及图像检测技术领域，特别是涉及一种零部件缺陷的识别方法及装置。

背景技术

在诸多工业场景中具有对零部件缺陷进行缺陷检测的需要，例如，在零部件批量出厂时，或者在主机厂对装配进行生产组装过程中，以及在大型装备在运行过程中，均需要对零部件是否存在缺陷进行检测，以及时挑选出或者更换有缺陷的零部件。

为了快速锁定有缺陷的零部件，现在技术中大量使用采集零部件图像、同时对图像进行二次处理，以进行零部件缺陷识别的方式，例如专利CN108061735A，为了解决图像采集过程中光照环境较弱的情况下，无法有效地识别出零部件缺陷的问题，图1为CN108061735A缺陷零部件检测流程图，在该流程中，共包括四个检测步骤，即：S11：获取多个样品图像，其中，所述多个样品图像包括：多个无缺陷零部件的样品图像和多个有缺陷零部件的样品图像；S12：根据所述多个样品图像，建立用于识别表面缺陷的卷积神经网络；S13：获取待检测的零部件图像；S14：根据所述待检测的零部件图像和所述用于识别表面缺陷的卷积神经网络，确定待检测的零部件是否存在表面缺陷。该专利指出，由于利用了卷积神经网络对待检测的零部件图像进行具体的分析、处理，因此不同于传统的检测方法，不会受到光照环境的影响，即使在光照环境较差的情况下，依然具有较高的精确度。

然而，上述卷积神经网络虽然建立了缺陷产品样本，在样本建立过程中以及待检测零部件图像获取及解析过程中，不仅未考虑样本在不同使用场景下的原始数据提取及训练，同时还弱化了针对环境光照较弱的场景下如何进行应对的解决方案，上述检测方式在工程化应用中效果将难以保证。事实上，在实际检测工作中，当光照环境变化时，特别是在较暗的工作环境以及较大的视野场景进行检测时，由于获取的图像光线较暗且均匀度不足，对缺陷检测提出了较高的要求，而上述检测方法难以对零部件缺陷进行有效的识别。

发明内容

针对上述技术问题，本发明提供了一种利用图像识别技术对缺陷零部件进行检测的方法，该方法不仅能够在光线充足的情况下有效识别缺陷零部件，还能够在光线较暗的工作环境中，特别是局部光强较大、光线均匀度不足的场景中，对获取的零部件图像进行针对性处理，并有效识别缺陷零部件。

本发明提供一种零部件表面缺陷识别方法，该方法包括如下步骤：第一步骤，针对零部件的不同表面缺陷进行训练，形成产品缺陷数据集；第二步骤，针对被检测零部件进行图像获取，将获取的图像数据与产品缺陷数据集进行比较，以判定被检测零部件是否存在缺陷；第三步骤，将检测结果向外传输并展示。

优选地，在第一步骤中，通过如下方式形成产品缺陷数据集：

首先针对质量完好的零部件以及具有不同类型缺陷的零部件进行图像采集；

其次，在上述图像采集完成后，对所采集的图像数据进行分类和标引，针对缺陷产品对应的标引图像数据，通过Bolb算法提取具体的缺陷区域；

最后，将缺陷产品的缺陷区域数据与正常产品的对应区域数据进行对比，进行数据训练，形成产品缺陷数据集。

优选地，在上述对质量完好的零部件以及具有不同类型缺陷的零部件进行图像采集中，模拟零部件在不同使用场景下的光线环境，并进行图像采集。

优选地，在第二步骤中对被检测零部件进行图像获取及缺陷检测中，首先获取被检测零部件的图像数据，并使用Bolb算法提取图像中不同区域的参数数据；将上述不同区域的参数数据与产品缺陷数据集中的数据进行对比，使用Bolb算法分析上述对比是否超过预定阈值，若超过预定阈值，则判定被检测对象存在与对比数据相同类型的缺陷，若在阈值之内，则表面被检测对象不存在于对比数据相同的缺陷。

优选地，在第二步骤中获取被检测对象的图像后，进行如下工作：使用如下函数提取光照分量：

上式中，G(x,y)为滤波器，δ为尺度因子，λ为归一化常数；使用原始图像和上述滤波器进行卷积，得到光照分量的估计值；

构造二维伽马函数：

其中：O（x,y）为矫正后的输出图像亮度值；F(x,y)为原始图像，I(x,y)为光照分量的预估值，Ύ为用于亮度增强的指数值，其中包含了图像的光照分量特征；m为光照分量的亮度均值；利用上述光照分量的估计值调节二维伽马函数的参数，以提高光照不均匀图像的整体质量。

优选地，将该方法用于履带缺陷检测，在第一步骤中，将履带的履带板及履带销的不同缺陷进行训练，分别针对履带板及履带销的不同缺陷形成产品缺陷数据集。

本发明还提供一种履带式车辆所使用的履带缺陷识别装置，该识别装置包括中央处理单元，图像采集模块，检测结果显示及报警模块，以及检测数据传输模块；其中：图像采集模块为照相机，其布置在履带上方，用于采集履带的图像信息；中央处理单元利用上述的零部件表面缺陷识别方法对履带的缺陷进行识别；检测结果显示及报警模块位于驾驶舱内，显示具有缺陷的履带板和履带销的数量、位置及缺陷类型，同时，使用不同颜色的信号灯表征履带是否存在失效部件。

优选地，照相机布置在驱动链轮上方的车体上，且具有盖板，在使用时，将盖板打开；同时，图像采集模块中具有照明装置。

优选地，还包括设置信号发生器及位置传感器，位置传感器与中央处理单元之间进行信号传输；其中：信号发生器固定在任一履带板或履带销上，在信号发生器经过位置传感器时，将此次图像采集模块采集的履带板或履带销定义为1号，此后，经过图像采集模块的履带板或履带销的图像信息按照顺序传输至中央处理单元时，中央处理单元将接收到的履带板或履带销按顺序进行标号。

优选地，该装置还包括检测数据传输模块，其数据传输方式为CAN总线传输或蓝牙传输，外界接收到传输的检测数据后，对履带建立维修保养数字档案。

上述的检测方法能够在光线较暗的工作环境中，特别是局部光强较大、光线均匀度不足的场景中，对获取的零部件图像进行针对性处理，并有效识别缺陷零部件，特别是在履带车辆的部件检测中，具有较好的效果。

附图说明

图1是背景技术中缺陷零部件检测方法流程图

图2是本申请的图像识别装置示意图

图3是本申请的履带缺陷检测及结果输出流程图

图4是本申请的履带缺陷检测中缺陷数据库建立流程图

图5是本申请的履带缺陷检测中缺陷检测流程图。

具体实施方式

下面将参照附图更详细地描述本申请公开的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请，而不应被这里阐述的具体实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请公开的范围完整的传达给本领域的技术人员。

在下文的描述中，给出了大量具体的细节以便提供对本申请更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述；即，这里不描述实际实施例的全部特征，不详细描述公知的功能和结构。

在附图中，为了清楚，层、区、元件的尺寸以及其相对尺寸可能被夸大。自始至终相同附图标记表示相同的元件。

应当明白，当元件或层被称为“在……上”、“与……相邻”、“连接到”或“耦合到”其它元件或层时，其可以直接地在其它元件或层上、与之相邻、连接或耦合到其它元件或层，或者可以存在居间的元件或层。相反，当元件被称为“直接在……上”、“与……直接相邻”、“直接连接到”或“直接耦合到”其它元件或层时，则不存在居间的元件或层。应当明白，尽管可使用术语第一、第二、第三等描述各种元件、部件、区、层和/或部分，这些元件、部件、区、层和/或部分不应当被这些术语限制。这些术语仅仅用来区分一个元件、部件、区、层或部分与另一个元件、部件、区、层或部分。因此，在不脱离本申请教导之下，下面讨论的第一元件、部件、区、层或部分可表示为第二元件、部件、区、层或部分。而当讨论的第二元件、部件、区、层或部分时，并不表明本申请必然存在第一元件、部件、区、层或部分。

空间关系术语例如“在……下”、“在……下面”、“下面的”、“在……之下”、“在……之上”、“上面的”等，在这里可为了方便描述而被使用从而描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白，除了图中所示的取向以外，空间关系术语意图还包括使用和操作中的器件的不同取向。例如，如果附图中的器件翻转，然后，描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此，示例性术语“在……下面”和“在……下”可包括上和下两个取向。器件可以另外地取向（旋转90度或其它取向）并且在此使用的空间描述语相应地被解释。

在此使用的术语的目的仅在于描述具体实施例并且不作为本申请的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。

为了有效获取待检测对象的图像，通常会使用到图像采集模块、图像传输模块及图像处理模块，图像采集模块用于采集被检测对象的图像，通常包括光学装置和非接触式传感器，光学装置通常为光源，一般为条形光源或环形光源，非接触式传感器通常为工业照相机，工业照相机包括镜头，其将被检测对象成像在照相机图像传感器的感光表面上。光源是影响机器视觉系统图像水平的重要因素，一般认为，光源对图像输入数据的质量影响占比不低于30％。

对缺陷零部件检测流程，首先，在第一步骤，针对零部件的不同缺陷进行训练，形成产品缺陷数据集；在第二步骤，针对被检测零部件进行图像获取，将获取的图像数据与产品缺陷数据集进行比较，以判定被检测零部件是否存在缺陷；最终根据需要将检测结果向外传输并展示。

产品缺陷数据集的获取方式如下，首先针对质量完好的零部件以及具有不同类型缺陷的零部件进行图像采集，为了反映零部件在真实使用场景中的状态，可以模拟零部件在不同使用场景下的光线环境，并进行图像采集；数据采集完成后，对原始图像数据进行分类和标引，通过Bolb算法提取具体的缺陷区域，并将缺陷区域的图像数据进行分类整理，将缺陷产品的缺陷区域数据与正常产品的对应区域数据进行对比，进行数据训练，形成缺陷数据库。在缺陷数据库中，不同产品的不同缺陷被分类整理，我们在此可称之为分类器，分类器可以想象为一种数据容器，不同的分类器用于容纳不同产品的不同缺陷，这样，通过不断的数据训练，将使得不同分类器中的数据不断丰富，逐渐达到成熟可用的状态。

在实际检测过程中，首先获取被检测零部件的图像数据，之后，使用Bolb算法提取图像中不同区域的参数数据，将该参数数据与缺陷数据库中的数据进行对比，使用Bolb算法分析上述对比是否超出预定阈值，若超过预定阈值，则判定被检测对象存在于对比数据相同类型的缺陷，若在阈值之内，则表面被检测对象不存在于对比数据相同的缺陷，基于上述方法，就可以将具有缺陷的零部件挑选出来，并能够指明其缺陷类型。

将图像获取过程中，通常会面临拍摄场景光照不足或局部过亮的问题，在本实施方式中，在获取的图像信息后，提取光照分量，使用滤波函数如下：

上式中，G(x,y)为滤波器，δ为尺度因子，λ为归一化常数，xy分别为图像像素的横坐标和纵坐标。

使用原始图像和高斯函数进行卷积，得到光照分量的估计值，之后，通过不同尺度的高斯函数分别提取场景的光照分量后进行加权，得到最终光照分量的估计值。构造二维伽马函数：

其中：O（x,y）为矫正后的输出图像亮度值；F(x,y)为原始图像，I(x,y)为光照分量的预估值，Ύ为用于亮度增强的指数值，其中包含了图像的光照分量特征；m为光照分量的亮度均值。利用光照分量的分布特性自适应的调节二维伽马函数的参数，以提高光照不均匀图像的整体质量。

上述检测方法能够对被检测对象的产品缺陷有效检出，即便是被检测对象处于光照不足或者光照强度不均匀的场景下，仍然可以有效地将产品缺陷检测出来。

履带式车辆为上述检测方法的一个典型的实施场景。履带式车辆在长期大负荷运行的情况下，如何及时有效地保证装备的有效性能，提高装备完好水平，保障装备随时处于有效使用状态，是装备维修保障部门积极思考的问题。对履带式车辆来说，履带是核心功能部件之一，履带支撑车辆的负重轮，并为负重轮提供一条连续滚动的轨道，通过和地面的相互作用，将地面的牵引力、附着力和地面制动力传给车体，保证车辆的正常运动。由于履带工作环境复杂苛刻，需要防止履带中相关功能元件出现不可控的过度磨损和断裂等问题，因此，需要提前预判并有效锁定可能失效的履带相关功能元件。

履带通常由履带板、履带销组成，履带板上具有接地挂胶块，在履带板之间或履带板上形成啮合孔，履带销将履带板依次连接形成环状履带，主动链轮用于输出车辆发动机的动力，主动链轮为圆盘状结构，其环形外表面具有均匀分布的啮合齿，主动链轮的啮合齿与履带上的啮合孔相啮合，牵引履带转动，实现车辆前进。履带常见的需要维修保养的情形为过度磨损、履带板有裂纹或断裂、履带销扭曲变形、履带松紧度不足等。传统是人工对上述履带的缺陷情形进行观察的，人工观察只能在停车状态下进行，同时，为了观察与地面接触的那部分履带是否存在需更更换的部件，不得不驾驶车辆小距离行驶，以将与地面接触部分的履带旋转至承重轮上方，这使得人工观察效率低下，同时，人工观察也会存在遗漏以及隐藏缺陷不易察觉的现象。

本发明提供一种履带组成部件缺陷识别装置，如图2所示，该缺陷识别装置包括中央处理单元1，图像采集模块2，检测结果显示及报警模块3，检测数据传输模块4。

图像采集模块2为照相机，该照相机的型号可以选取daA720，其布置在履带上方，为了避免履带在泥泞路段对照相机镜头照成污染，照相机可加装盖板，在使用时，将盖板打开，照相机获取履带图像；照相机可布置在驱动链轮上方的车体上，照相机镜头应朝向履带进行布置，为了补强照相机视场光线强度，可以在图像采集模块中加装照明装置。

中央处理单元1在获取图像采集模块采集的图像信息后，对图像进行处理，并识别有缺陷的履带部件，为了更好的定位具有缺陷的履带板或履带销，需要对履带板及履带销进行标记，标记方式为，将任一履带板标记为1号，与该履带板相连接的履带销也同时定义为1号，同时，在履带前进方向相反方向上，依次将履带板及履带销定义为2号、3号等，直至完成最后一节履带销的定义。

在本实施方式中，为了对1号履带板进行有效识别，可将1号履带板进行颜色标识，例如标记为红色；为了更加精确地识别1号履带板，也可以设置信号发生器及位置传感器，其中，信号发生器固定在1号履带板或1号履带销上，位置传感器与中央处理单元1之间可进行信号传输，同时，位置传感器可以集成在图像采集模块2中，在1号履带板或履带销行进至图像采集模块2的位置时，位置传感器将获知该履带板的信号，这样1号履带板、1号履带销的图像信息及其位置信息将一并传递至中央处理单元1中，进而，图像传感器再次获得的履带板、履带销的图像信息将被中央处理单元1依次定义为2号履带板、2号履带销，3号履带板、3号履带销等。

检测结果显示及报警模块3位于驾驶舱内，其可以显示具有缺陷的履带板、履带销的数量、位置及缺陷类型，检测结果显示及报警模块还可以包括报警灯，报警灯包括红灯、黄灯及绿灯，当履带具有必须更换的缺陷时，红色报警灯亮起，当履带具有需要关注的缺陷时，黄色报警灯亮起，当履带处于功能正常状态时，绿色报警灯亮起。上述报警灯可以为实体存在的二极管灯具，也可以在显示屏内以虚拟仪表的方式进行显示。检测结果显示及报警模块3可以集成在驾驶员显示终端中，以简化驾驶室的布局。

检测数据传输模块4用于将检测原始数据及检测结果数据向外界进行传输，该传输方式可以为CAN总线传输，也可以为蓝牙传输。外界接收到检测数据后，可以对履带建立维修保养数字档案。

附图3示出了履带中缺陷零部件检测及结果输出方法，其中步骤S1为形成预设缺陷数据库，在该步骤中，将履带的履带板及履带销的不同缺陷进行训练，分别针对履带板及履带销的不同缺陷形成数据集；步骤S2针对被检测履带进行图像获取，将获取的图像数据与步骤S1中形成的缺陷数据库进行比较，以判定履带是否存在缺陷；步骤S3中将缺陷数据向驾驶室检测结果显示及报警模块进行传输并显示，同时，根据需要，将被检测履带的原始图像数据及检测结果向车辆外部传输，以便于建立履带维修保养数字档案。

履带缺陷检测中缺陷数据库建立方法如附图4所示，在附图4的步骤S1-1中，首先针对质量完好的履带板及销轴进行图像采集，同时，收集不同类型缺陷的履带板及销轴，并对具有缺陷的履带板及销轴进行图像采集，为了反映履带在真实使用场景中的状态，一方面，模拟履带在不同使用场景下的光线环境，针对质量完好的履带板和销轴、以及不同类型缺陷的履带板及销轴进行图像采集，另一方面，将履带在安装状态下进行图像采集。上述图像采集方式将大幅增加履带原始采集数量，例如，针对履带板上挂胶的磨损，在选取8种挂胶磨损样品的情况下，可以针对挂胶在至少三个时间段（早上、中午、晚上）、打开或关闭图像采集模块照明装置的情况下，以及装配到履带上、未装配到履带上两种场景进行图像采集，这样针对该一种缺陷类型即可以采集到80个有效的原始图像数据，这样对原始数据的训练非常有益。

为了建立缺陷数据库，在完成步骤S1-1后，在步骤S1-2中，对原始图像数据进行分类和标引，通过Bolb算法提取具体的缺陷区域，并将缺陷区域的图像数据进行分类整理，同时，在步骤S1-3中，进行数据训练，将缺陷产品的缺陷区域数据与正常产品的对应区域数据进行对比，形成缺陷数据库，在缺陷数据库中，不同产品的不同缺陷被分类整理，我们在此可称之为分类器，分类器可以想象为一种数据容器，不同的分类器用于容纳不同产品的不同缺陷，这样，通过不断的数据训练，将使得不同分类器中的数据不断丰富，逐渐达到成熟可用的状态。

图5示出了本申请的履带缺陷检测方法，在步骤S2-1中，图像采集模块针对被检测履带进行拍照，获取被检测履带图像数据，并将获得的图像数据传输至中央处理单元中；在步骤S2-2中，中央处理单元针对图像进行处理，在图像中区分履带板和履带销所处的图像区域；之后，在步骤S2-3中，使用Bolb算法分别提取履带板和履带销不同图像区域的参数数据，以及在步骤S2-4中，被检测的履带板或履带销的区域参数数据与缺陷数据库中的数据进行对比，使用Bolb算法分析上述对比是否超出预定阈值，若超过预定阈值，则判定被检测对象存在于对比数据相同类型的缺陷，若在阈值之内，则表面被检测对象不存在于对比数据相同的缺陷，基于上述方法，就可以将具有缺陷的履带板或履带销挑选出来，并能够指明其缺陷类型。

在此强调的是，如前所述，为了定位缺陷履带板及履带销的位置，在步骤S2-1中，图像检测装置将检测当前履带板或履带销是否为1号履带板或1号履带销，在此不在赘述，其检测方式为将1号履带板或1号履带销喷涂为不同的颜色，例如红色，或使用位置传感器进行检测，若检测结论为是，则将当前1号位置信息传递至中央处理单元，中央处理单元将对当前履带板及履带销标记为1号，此后，中央处理单元依次将图像检测装置传输而来的履带板和履带销顺序标记为2号、3号等，这样传输至中央处理单元的每块履带板或履带销均具有唯一标号，在中央处理单元判定某一履带板或履带销存在缺陷时，其位置标号信息也能够一并确定下来。

由于图像采集模块2的特殊安装位置，使得采集的图像经常性的面临光线较暗以及光线不均匀的场景，特别是图像采集单元加装照明装置的情况下，还要面临局部过亮的问题。因此，中央处理单元1在上述步骤S2-3对被检测履带部件的图像进行处理过程中，需要采集特殊的处理措施，以弥补所采集图像光线不足或局部过亮，以及光线不均匀等问题。

在本实施方式中，中央处理单元1在获取图像采集模块2采集的图像信息后，提取光照分量，使用滤波函数如下：

上式中，G(x,y)为滤波器，δ为尺度因子，λ为归一化常数，xy分别为图像像素的横坐标和纵坐标。

使用原始图像和高斯函数进行卷积，得到光照分量的估计值，之后，通过不同尺度的高斯函数分别提取场景的光照分量后进行加权，得到最终光照分量的估计值。构造二维伽马函数：

其中：O（x,y）为矫正后的输出图像亮度值；F(x,y)为原始图像，I(x,y)为光照分量的预估值，Ύ为用于亮度增强的指数值，其中包含了图像的光照分量特征；m为光照分量的亮度均值。利用光照分量的分布特性自适应的调节二维伽马函数的参数，以提高光照不均匀图像的整体质量。

上述检测方法能够对被检测对象的产品缺陷有效检出，即便是被检测对象处于光照不足或者光照强度不均匀的场景下，仍然可以有效地将产品缺陷检测出来。

应理解，说明书通篇中提到的“在本申请实施例”或“在一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在本申请实施例”或“在一些实施例”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种零部件表面缺陷识别方法，其特征在于，

该方法包括如下步骤：

第一步骤，针对零部件的不同表面缺陷进行训练，形成产品缺陷数据集；

第二步骤，针对被检测零部件进行图像获取，将获取的图像数据与产品缺陷数据集进行比较，以判定被检测零部件是否存在缺陷；

第三步骤，将检测结果向外传输并展示。

2.如权利要求1所述的零部件表面缺陷识别方法，其特征在于，在第一步骤中，通过如下方式形成产品缺陷数据集：

首先针对质量完好的零部件以及具有不同类型缺陷的零部件进行图像采集；

其次，在上述图像采集完成后，对所采集的图像数据进行分类和标引，针对缺陷产品对应的标引图像数据，通过Bolb算法提取具体的缺陷区域；

最后，将缺陷产品的缺陷区域数据与正常产品的对应区域数据进行对比，进行数据训练，形成产品缺陷数据集。

3.如权利要求2所述的零部件表面缺陷识别方法，其特征在于，在上述对质量完好的零部件以及具有不同类型缺陷的零部件进行图像采集中，模拟零部件在不同使用场景下的光线环境，并进行图像采集。

4.如权利要求1所述的零部件表面缺陷识别方法，其特征在于，在第二步骤中对被检测零部件进行图像获取及缺陷检测中，首先获取被检测零部件的图像数据，并使用Bolb算法提取图像中不同区域的参数数据；

将上述不同区域的参数数据与产品缺陷数据集中的数据进行对比，使用Bolb算法分析上述对比是否超过预定阈值，若超过预定阈值，则判定被检测对象存在与对比数据相同类型的缺陷，若在阈值之内，则表面被检测对象不存在于对比数据相同的缺陷。

5.如权利要求1所述的零部件表面缺陷识别方法，其特征在于，在第二步骤中获取被检测对象的图像后，进行如下工作：

使用如下函数提取光照分量：

上式中，G(x,y)为滤波器，δ为尺度因子，λ为归一化常数；

使用原始图像和上述滤波器进行卷积，得到光照分量的估计值；

构造二维伽马函数：

其中：O（x,y）为矫正后的 输出图像亮度值；F(x,y)为原始图像，I(x,y)为光照分量的预估值，Ύ为用于亮度增强的指数值，其中包含了图像的光照分量特征；m为光照分量的亮度均值；

利用上述光照分量的估计值调节二维伽马函数的参数，以提高光照不均匀图像的整体质量。

6.如权利要求1所述的零部件表面缺陷识别方法，其特征在于，将该方法用于履带缺陷检测，在第一步骤中，将履带的履带板及履带销的不同缺陷进行训练，分别针对履带板及履带销的不同缺陷形成产品缺陷数据集。

7.一种履带式车辆所使用的履带缺陷识别装置，其特征在于：

该识别装置包括中央处理单元，图像采集模块，检测结果显示及报警模块，以及检测数据传输模块；

其中：

图像采集模块为照相机，其布置在履带上方，用于采集履带的图像信息；

中央处理单元利用权利要求1-6任一项所述的零部件表面缺陷识别方法对履带的缺陷进行识别；

检测结果显示及报警模块位于驾驶舱内，显示具有缺陷的履带板和履带销的数量、位置及缺陷类型，同时，使用不同颜色的信号灯表征履带是否存在失效部件。

8.如权利要求7所述的履带缺陷识别装置，其特征在于，照相机布置在驱动链轮上方的车体上，且具有盖板，在使用时，将盖板打开；同时，图像采集模块中具有照明装置。

9.如权利要求7所述的履带缺陷识别装置，其特征在于，

还包括设置信号发生器及位置传感器，位置传感器与中央处理单元之间进行信号传输；

其中：

信号发生器固定在任一履带板或履带销上，在信号发生器经过位置传感器时，将此次图像采集模块采集的履带板或履带销定义为1号，此后，经过图像采集模块的履带板或履带销的图像信息按照顺序传输至中央处理单元时，中央处理单元将接收到的履带板或履带销按顺序进行标号。

10.如权利要求7所述的履带缺陷识别装置，其特征在于，该装置还包括检测数据传输模块，其数据传输方式为CAN总线传输或蓝牙传输，外界接收到传输的检测数据后，对履带建立维修保养数字档案。

Images