【正文】 極角 ? 的角度 1? ； 當(dāng)遇到第二次灰度突變時，記錄下極半徑 r 的大小 2r 和極角 ? 的角度 2? ； 當(dāng)遇到第三次灰度突變時，記錄下極半徑 r 的大小 3r 和極角 ? 的角度 3? ； 當(dāng)遇到第四次灰度突 時，記錄下極半徑 r 的大小 4r 和極角 ? 的角度 4? ；當(dāng)，極半徑 r 的大小增大到所檢測工件的外徑大小時，停止該角度方向的繼續(xù)掃描。由此，可 得到此角度方向上的內(nèi)光圈和外光圈的寬度為 ： 2143==內(nèi)外k r rk r r?? 如果所檢測的工件為圓片，遇到第二次灰度突變之后，當(dāng)極半徑 r 的大小增大到所檢測工件的外徑大小時，停止該 灰 度方向的繼續(xù)掃描二可得到此角度方向上的內(nèi)光圈和外光圈的寬度為 ： 21=0=內(nèi)外kk r r? 另外，由于在同一個方向，即 1 2 3 4= = =? ? ? ? 。掃描內(nèi)外光圈所得數(shù)據(jù)曲線如圖 418 所示。 長春理工大學(xué)本科 畢業(yè)設(shè)計 20 0 100 200 300 400 500 600 極坐標(biāo)半徑 灰度值 600 500 400 300 200 100 0 圖 418 工件內(nèi)光圈和外光圈寬度掃描曲線 檢測圖像經(jīng)過圖像預(yù)處理、去除光圈，選取合適的閾值對所得到的圖像數(shù)據(jù)進行分割，再通過膨脹和腐蝕，就可以把圖像的缺陷信息提取出來，如圖 419所示。只有把圖像的缺陷信息提取出來之后，我們才能對缺陷信息進行測量和形態(tài)識別。 圖 419 閾值分割及反色后圖像 4. 5 缺陷檢測模塊 對缺陷進行檢測，首先必須確定經(jīng)過處里后的圖像是否有缺陷，如果沒有， 則工件無缺陷 。 如果有缺陷，則缺陷是否是獨立的缺陷，圖像中有幾個缺陷，需 要對不同的缺陷進行標(biāo)識。 設(shè)有一幅已經(jīng)分割出 的二值圖像 ， 如圖 420 所示 ， 圖中 A 代表缺陷 ， 0 代表背景 ， 規(guī)定用 4 連通準則加標(biāo)記 。 由于掃描有一定的次序 ， 對任一點來說 ， 當(dāng)前點的左前一點和上一點必然是已經(jīng)掃描過了的點 ， 在掃描過程中遇到缺陷上一點 P， 則其上點及左點必然是已經(jīng)標(biāo)記過了的點 ， 對 P 點加標(biāo)記的方法是由左點長春理工大學(xué)本科 畢業(yè)設(shè)計 21 及上點來確定的 ， 主要有下面幾種不同的情況 ， 如下所示 。 (a)當(dāng)左前一點和上一點皆為背景 0， 則 P 點加新標(biāo)記 ； (b)當(dāng)左前一點和上一點有一個為 0， 另一個為已加標(biāo)記 ， 則點 P 和已加標(biāo)記的鄰點加上相同的標(biāo)記 ； (c)當(dāng)左前一點和上一點兩個鄰點皆為已加標(biāo)記 ， 則 P 點標(biāo)記 與左點標(biāo)記 相同 。 圖 420 原圖像 根據(jù)上面的三原則 ， 在第一次掃描后所有的缺陷上皆已加標(biāo)記 ， 如圖 421所示 ， 標(biāo)記以此為 1， 2， 3， 4， 這是圖像中的同一缺陷可能有幾種不同的標(biāo)記 ，因此需要第二次掃描 ， 來把同一缺陷上的標(biāo)記統(tǒng)一起來 ， 只要是 4 連通的都屬于同一缺陷 ， 其標(biāo)記都應(yīng)該為一致 ， 如圖 422 所示 。 圖 421 圖像掃描示意圖 圖 422 圖像標(biāo)記示意圖 二值圖像區(qū)域標(biāo)記 在二值圖像中 ， 相互連接的白像素或 黑像素的集合成為一個區(qū)域 ， 通過對圖像內(nèi)每個區(qū)域進行標(biāo)記操作 ， 求得區(qū)域的數(shù)目 。 由于處理前的 圖像 是二值的 ， 像素值只有 0 和 1， 所以處理后每個像素的值即為其所處理區(qū)域的區(qū)域標(biāo)號 (1， 2，3， … ， )。 連接性 8 連通 ， 如圖 423 所示 ， 圖中有 A、 B、 C 三個不連通的缺陷 。 長春理工大學(xué)本科 畢業(yè)設(shè)計 22 圖 423 缺陷標(biāo)識 經(jīng)過 處理 過程后，就可以得到標(biāo)記后的缺陷圖像，如圖 424 所示。 圖 424 缺陷標(biāo)識 二值圖像的小區(qū)域消除 通過對圖像內(nèi)每個標(biāo)記操作的區(qū)域進行計算，求得總區(qū)域的數(shù)目，同時求得每個區(qū)域的像素個數(shù)。當(dāng)二值圖像的某區(qū)域面積 (像素數(shù) )在 閾值 以下時則消去該區(qū)域，全部置為 0， 由此得到新圖像，如圖 425。 圖 425 去除小面積區(qū)域 4. 6 缺陷識別模塊 經(jīng)過以上處理，從原始圖像中提取出了含有缺陷的圖像信息，得到了目標(biāo)缺陷。為了把各種不同類型的目標(biāo)缺陷分類，需要識別出它們之間的不同。根據(jù)缺陷的形狀信息，可以用一組描述特征來表示其特性。選擇區(qū)域描述特征，不但可以減少在區(qū)域中原始數(shù)據(jù)的數(shù)量，而且也有利于區(qū)別帶有不同特性的區(qū)域。同時，這些描述特征對于目標(biāo)缺陷大小的變化、旋轉(zhuǎn)、平移是不變的。 長春理工大學(xué)本科 畢業(yè)設(shè)計 23 缺陷圖像 掉角 其他缺陷 掉角或麻坑 刀紋、裂紋或劃痕 掉角 麻坑 刀紋 裂紋或劃痕 圖 426 工件表面缺陷分類二義樹表示 鑒于工件表面缺陷圖像不同特征之間有一定的相關(guān)性，為降低識別算法的復(fù)雜性，特征識別時采用階層識別的方法。利用二叉樹線性分類器，如圖 426 所示，逐層選用不同的描述特征 ，選擇描述特征的準則是同種特征值相差最明顯的，保證描述特征具有較大 相互 獨立性。描述特征的分類 閾值 由實驗分析和特征分析結(jié)果得到，具體過程如下所述。 圖 427 圓度判斷 （ 1）圓度判斷 圓度判斷主要是 針對 掉角的缺陷，根據(jù)工件的特性，如圖 427 所示， 我們采取 的 方法 ： 首先遍歷圓周，因為背景的灰 度值是很低的，可以比較容易將工件和背景分割開，提取出工件的外形 ； 然后計算圓周上各點到圓心的距離，并和半徑比較，如果比半徑小于某一個設(shè)定值時，認為該點不在圓周上，如果這樣的點連續(xù)而它們個數(shù)超過掉角缺陷的設(shè)定值時，可以認為這個工件是不圓的。如圖428 所示，半徑的值并不是一條直線，而是一條曲線， 甚至有些地方 有凹溝，這表明工件本身不圓。 我們可以 利用這個數(shù)據(jù)曲線可以計算最小半徑、掉角方向和掉角角度。 長春理工大學(xué)本科 畢業(yè)設(shè)計 24 0 20 40 60 80 100 圓度 判斷 弧度 X100+1 0 20 40 60 80 100 工件外圓 200 180 160 140 120 100 80 60 40 20 0 弧度 X100+1 圓度判斷 工件外圓 200 180 160 140 120 100 80 60 40 20 0 圖 428 掃描工件外圓所得的數(shù)據(jù) 經(jīng)過 運 算，可 以得到如表 41 數(shù)據(jù)，根據(jù)圓度技術(shù)要求，設(shè)定合適缺陷閾值，可以把圓度上有缺陷的工件在識別其他種類缺陷之前剔出來 。 表 41 圓度判斷數(shù)據(jù) 工 件 工 件 半 徑 R 最 小 半 徑 r (Rr) ? ?Rr /R 掉 角 方 向 掉 角 角 度 工 件 A 152像 素 149像 素 3像 素 工 件 B 152像 素 142像 素 10像 素 （ 2） 識別麻坑和掉角 麻坑和掉角區(qū)別就是麻坑在工件表面的內(nèi)部 ， 而掉角在工件表面的邊緣 。 利用不變矩 ， 就可以計算出缺陷區(qū)域的形心坐標(biāo) ， 判斷缺陷區(qū)域是否在工件圖像的邊緣 ， 如果在邊緣 ， 則可以確定是掉角 ； 否則 ， 是麻坑 。 （ 3） 識 別刀紋 、 裂紋和劃痕 刀紋一般寬度和長度較大 ， 而且面積也大 ， 不變矩長短徑之比要比裂紋和劃痕小 ， 同時 ， 缺陷區(qū)域的分散度和復(fù)雜度較大 ， 綜合利用這幾點就可以確定刀紋 。至于裂紋和劃痕 ， 在缺陷區(qū)域本身的形狀上很難區(qū)分 。 長春理工大學(xué)本科 畢業(yè)設(shè)計 25 第 5 章 實驗結(jié)果及分析 實驗數(shù)據(jù) 一 、 將企業(yè)提供的各種缺陷的合格限度樣品按已經(jīng)完成的程序進行檢測獲得其缺陷的特征參數(shù)面積值 、 周長值 ， 單位為 ： 像素個數(shù) 。 數(shù)據(jù)見表 51 和表 52。 進行合格限度樣品檢測的目的是為了確定區(qū)分工件合格與否的標(biāo)準 ， 即周長和面積兩個特征的數(shù)據(jù) ， 以便將各種缺陷的面積和周 長與之對比 ， 從而確定判斷的依據(jù) 。 表 51 選取表面鍍層為鎳 、 工件規(guī)格為 ： **掉角 、 麻坑 、 劃痕及刀痕等四種缺陷的合格限度樣品各 10 個 。 只要檢測到有裂紋缺陷 ， 則 判定為不合格品。 表 51 合格限度樣品表面的缺陷數(shù)據(jù) (單位 ： 像素 ) 序號 掉角 劃痕 刀痕 麻坑 面積 周長 面積 周長 面積 周長 面積 周長 1 35 17 33 18 73 21 22 12 2 27 16 26 12 155 49 17 9 3 18 10 17 13 161 46 13 7 4 16 7 10 10 134 35 25 12 5 15 9 38 17 92 27 7 7 6 20 11 41 21 185 51 10 6 7 26 15 35 18 216 59 18 10 8 23 13 54 26 278 84 32 15 9 30 13 44 20 327 83 31 14 10 13 8 50 31 384 98 16 9 表 52 選取表面鍍層為鋅 、 工件規(guī)格為 ： D9* 的圓環(huán)形工件的掉角 、 麻坑 、 劃痕及刀痕等四種缺陷的合格限度樣品各 10 個 。 同樣只 要 有缺陷就判定為不合格 。 表 52 合格限度樣品表面的缺陷數(shù)據(jù) (單位 ： 像素 ) 序號 掉角 劃痕 刀痕 麻坑 面積 周長 面積 周長 面積 周長 面積 周長 1 19 8 41 19 173 47 13 7 長春理工大學(xué)本科 畢業(yè)設(shè)計 26 2 27 16 36 20 277 74 21 11 3 24 13 48 21 213 52 26 12 4 33 17 57 33 138 41 19 10 5 25 11 29 13 196 45 23 11 6 29 14 39 17 349 82 17 9 7 38 15 33 20 372 89 38 15 8 43 20 65 40 455 112 29 15 9 47 21 51 29 407 96 31 14 10 52 27 42 21 364 86 25 12 二 、 根據(jù)表 51 和表 52 的檢測結(jié)果 ， 我們將規(guī)格為 **形工件和規(guī)格為 D9* 的圓形工件的掉角 、 劃痕 、 刀痕及麻坑等缺陷的判斷 閾值 設(shè)定為如表 53 和表 54 所示 。 表 53 圓環(huán)形工件缺陷的判斷閾值（單位：像素） 缺陷 類型 掉角 劃痕 刀痕 麻坑 面積 周長 面積 周長 面積 周長 面積 周長 數(shù)值 36 17 53 31 384 98 31 14 表 53 圓形工件缺陷的判斷閾值（單位：像素） 缺陷 類型 掉角 劃痕 刀痕 麻坑 面積 周長 面積 周長 面積 周長 面積 周長 數(shù)值 51 27 65 40 455 112 38 15 三 、 將人工檢測出的規(guī)格為 **(D9*)的圓環(huán)形 (圓形 )合格品20 片 、 掉角 10 片 、 劃痕 10 片 、 裂紋 10 片 、 刀痕 10 片 、 麻坑 10 片及砂眼 10片共 80 片工件混合在一起 ， 放入初步研制成功的表面缺陷自動檢測系統(tǒng)進行缺陷的檢測和分類識別 ， 經(jīng)多次反復(fù)實驗 ， 記錄數(shù)據(jù) 分析結(jié)果 。 實驗分析 將反復(fù)實驗后各種缺陷的檢驗數(shù)據(jù)進行統(tǒng)計并將 10 次實驗結(jié)果進行累計 ，表面缺陷檢測系統(tǒng)軟件對圓環(huán)形工件缺陷的檢出率如下表 54 所示 。 長春理工大學(xué)本科 畢業(yè)設(shè)計 27 表 54 實驗結(jié)果 缺陷類型 實驗數(shù)據(jù) 掉角 麻坑 劃痕或裂紋 刀痕 應(yīng)識別出的工件數(shù) 10*10 10*10 10*10 10*10 10*10 實驗 1 軟件識別 9 9 8 7 9 硬件識別 9 9 8 7 9 實驗 2 軟件識別 8 8 6 7 9 硬件識別 8 8 7 7 8 實驗 3 軟件識別 9 8 7 7 8 硬件識別 9 8 8 7 8 實驗 4 軟件識別 9 8 8 7 8 硬件識別 9 8 8 7 8 實驗 5 軟件識別 8 9 7 5 9 硬件識別 8 9 7 5 9 實驗 6 軟件識別 8 8 8 6 9 硬件識別 8 8 8 6 9 實驗 7 軟件識別 9 8 7 6 8