文档介绍：基于图像识别技术的零部件表面裂纹检测系统研究        论文导读:D的工件表面裂纹检测系统结构框图如图(1)所示。本项目的研究内容可解决在线检测裂纹的关键技术──划痕与裂纹的区分图像识别技术。研究出一套机器视觉检测表面裂纹的系统(见图4)是完全可行的。关键词:机器视觉,图像识别,无损检测,裂纹检测引言在工业中,由于各种原因会对零件产生损伤。这些损伤随着使用将生长成为微裂纹,微裂纹逐渐扩展生长成为宏观裂纹并导致破坏零件。尤其是在核反应堆和航空发动机中,其多数零件均在高温、高压或强热冲击的环境中工作的,所受载荷复杂,使用环境恶劣,故障发生频率高,造成的后果严重。因此,研究一个精度高、实用性强、便于集成的表面微裂纹检测系统,是现代检测技术的重要发展方向。由于具有准确度高,对表面无损伤等优点,计算机视觉检测受到了国内外同行的广泛关注。裂纹检测是质量检查和安全检测的重要方面之一。免费论文,机器视觉。但人工检测费时费力,且易受人眼分辨能力和疲劳等主观因素的影响。如果使用基于谐波小波的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及准确率。在使用阶段,关键零件表面裂纹的及时发现对于防止事故的发生由为重要。一、图像获取图像获取即图像采集,是进行图像处理的前提条件。利用图像采集卡作为图像输入设备,通常要占用PC机总线的一个插槽,D摄像头接口、PC机总线接口等。 ,经A/D转换后,图像数据存放在图像存储单元,主机可读取存储单元的内容,从而显示图像。D摄像头的不同,图像采集卡具有不同的使用方法。 D的工件表面裂纹检测系统结构框图如图(1)所示,D扫描工件,将某一行数据存储到图像采集卡缓存,计算步进电机前进一步,D机读取该缓存数据;再扫描一行,如此重复,一幅图像数据采集完毕,计算机对图像进行处理,并识别该图像,从而实现工件表面裂纹及缺陷的自动检测。图(1)系统结构框图 Graph(1)Systemstructurediagram 二、图像预处理本系统采用的图像预处理主要是根据噪声所具有的一般性质进行噪声消除的平滑性。由于大部分噪声,如由敏感元件、传输通道、整量化器等引起的噪声,多半是随机的。它们对某一像素点的影响,都可以看作是孤立的。因此,和邻近各点相比,该点的灰度值将有显著的不同。基于这一分析,本系统采用了邻域平均法来判断每一点是否含有噪声,并用一种基于小波变换阈值消噪的方法消除所发现的噪声。 (灰度调整等),然后利用小波变换把图像分解到多尺度中,在每一尺度下去除属于噪声的小波系数,保留并增强属于图像的小波系数,最后反演恢复图像。免费论文,机器视觉。 (2)表示了消噪处理流程,首先将二维图像矩阵按水平、垂直、正对角线和负对角线方向批排列成一维方向数组,然后分别进行小波变换消噪处理,并反演成二维图像;再将反演图像进行平均后的图像施以二维小阈值小波消噪。处理过程中小波分解的层次和小波函数的选择均具有一定的灵活性,如Sobel算子、Laplacian算子、LOG算子等,可依据图像和噪声的实际情况而定。图(2)消噪处理流程框图 Graph(2)NoiseCancellationProcessDiagram 三、图像分割图像分割是裂纹检测的关键步骤。本方案采取阈值分割和边缘检测两种方法。在获取的零件裂纹图像中,对象和背景占据不同的灰度级范围。对于这类图像,用阈值分割法能成功地把对象从背景中显露出来。为了进一步突出图像的特征信息,还需采用直方图修正。 ,检测目标只占整个图像的一小部分。由于图像不均匀的影响,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,因此假设目标和背景的灰度近似为高斯分布,采用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,和分别为目标像素灰度分布的均值和方差;和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: 背景和目标的最佳分割阈值为: 分割后图像在(x,y)处的灰度值为: ,所获取射线图像的动态范围常常较小,图像对比度低。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;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)为原始图像与预处理后的图像的对比。(1)原始图像及其直方图(2)预处理过