全文总字数：8495字
关键词：图像采集；图像处理；缺陷检测；Matlab应用摘 要：视觉缺陷检测是现代工业生产中一种十分重要的检测方式，如今，随着机器视觉技术的不断发展，越来越多的机器视觉技术被应用到现代的工业生产中，极大地提高了工业生产产品的质量水平。图像最基本的特征是边缘。所谓边缘或边沿是指其周围像素灰度有阶跃变化或屋顶变化的像素的集合。边缘检测的目的是去发现图像中关于形状和反射或透射比的信息, 是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一。对于汽车的轮毂总成来说，轮毂的开裂会造成严重的交通事故和人员伤亡，因此避免开裂缺陷件的流出至关重要。传统的人工检测轮毂轴承缺陷不仅效率低、人为因素影响大，而且还耗费大量的人力成本，只能分辨出较明显的轮毂缺陷，对于细微缺陷的轮毂检测成功率较低，已经无法适应现代化的工业生产需求。当下，机器视觉检测技术以其高效率、高精度、非接触式、安全性、便于自动化生产的特点，越来越多的被应用到汽车零部件检测中。本文首先分析了机器视觉技术的研究现状以及目前在工业生产中的普及率。
引言
本文所欲探讨的文献领域主要为机器视觉相关内容，分析了目前机器视觉技术的发展程度，以及此项技术在工业生产中的普及率。机器人技术是少有的几个能够产生像因特网变革那样影响的技术之一。机器人有潜力改变国家的未来，并且有望在未来几十年里如今天的计算机一样无处不在[1]。随着工业机器人在生产环节的推广使用，产品质量与产量也得到了飞速进步，并且能够进一步保证人身安全、减少失误等，对于企业生产有非常大的现实意义。与计算机技术与网络技术相似，工业机器人的出现在很大程度上改变了人们对工业生产的印象[2-4]。例如，工业生产中搬运机器人利用视觉引导定位技术确定零件的位置，利用计算机视觉检测工件的形态与位姿，以准确引导机械手拾取工件[5]。此外，由于要借助Matlab软件实现图像处理的功能，本文也将阐述机器视觉与Matlab相互契合的程度。研究机器视觉技术在轮毂缺陷检测的应用上具有深远的意义。视觉缺陷检测是现代工业生产中一种十分重要的检测方式。对于汽车的轮毂总成来说，轮毂的开裂会造成严重的交通事故和人员伤亡，因此避免开裂缺陷件的流出至关重要。传统的人工检测轮毂轴承缺陷不仅效率低、人为因素影响大，而且还耗费大量的人力成本，已经无法适应现代化的工业生产需求。当下，机器视觉检测技术以其高效率、高精度、非接触式、安全性、便于自动化生产的特点，越来越多的被应用到汽车零部件检测中。
研究现状
对于通过图像自动化检测工业产品表面缺陷的问题，国内外许多研究都给出了自己的解决方案，他们的部分研究方向分为以下几个方面，对钢铁轨道表面通过机器视觉技术进行缺陷检测，基于机器视觉的钢板表面缺陷检测技术，基于机器视觉的PVC管材表面缺陷检测算法, 基于深度学习的目标检测算法来进行轮毂表面缺陷检测等方向。首先通过单目摄像机将三维目标采集到计算机内，然后采用Hu不变矩提取全局特征进行粗略识别定位，最后采用SIFT算法进行更准确的局部特征匹配。该融合算法不仅具有尺度、旋转、仿射、视角、光照不变性，对目标的运动、遮挡、噪声等因素影响也能保持较好的匹配效果，而且有效提高了SIFT的算法速率[6]。数学形态学（Mathematical Morphology）是由一组形态学的代数运算子组成。数学形态学中二值图像的形态变换是一种针对集合的处理过程。 其形态算子的实质是表达物体或形状的集合与结构元素间的相互作用，结构元素的形状就决定了这种运算所提取的信号的形状信息。形态学图像处理是在图像中移动一个结构元素，然后将结构元素与下面的二值图像进行交、并等集合运算[7]。最基本的形态学运算子有：腐蚀（Erosion）、 膨胀（Dilation）。 基于这两个基本运算子还可以推导和组合成各种数学形态学的实用算法。利用这些运算子及其组合形成的算法可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等方面的工作[8]。图像分割是按照某些特性（如灰度、频谱、纹理等）将图像空间划分成一些有意义的区域。这样做的好处是方便图像的后续处理,减小后续处理的运算量,更有利于实现系统的实时性处理要求。因此,实现图像的有效分割非常重要。图像分割是图像处理的基础难题,基于阈值的分割则是图像分割的最基本的难题之一,其难点在于阈值的选取, 它直接关系到图像的分割效果。选取阈值的方法有很多,比如:双峰法、迭代法、最大类间方差法、最大熵准则下的最佳门限法等等[9]。
对钢铁轨道表面的机器视觉检测
在对钢铁轨道表面通过机器视觉技术进行缺陷检测时，由于存在钢轨在图像中的位置不确定、反光严重等问题，导致检测的准确率不高。基于这些问题，有研究提出基于灰度图像的标准差与投影积分的钢轨表面区域定位算法和基于多尺度灰度对比度的增强算法。其中定位算法利用灰度标准差排除复杂背景的干扰，通过投影积分获取精确的钢轨表面区域。综合不同尺度空间的灰度对比度，将钢轨表面Ｅ域图像转化为灰度对比图，实现钢轨表面缺陷的增强。采用迭代阈值分割法提取钢轨表面的缺陷[10]。
2.2对钢铁表面的机器视觉检测
在图像预处理阶段，重点研究了常用的去光照不均匀算法，对钢板图像中存在的光照不均匀现象进行分析，将基于同态滤波的Retinex去光照不均算法应用到钢板不均匀光照图像中，为后续图像缺陷的检测奠定了基础。针对工业生产现场粉尘、噪声等干扰对钢板图像质量的影响，结合实验分析了常用的图像去噪方法的滤波效果，并最终选用双边滤波作为滤波处理的方法，实验结果显示该方法在消除噪声的同时，最大程度上保留了细节，便于后续处理。在获得高清钢板图像的基础上，分析了不同的边缘检测算法和阈值分割技术。对多种边缘检测算子进行研究，实验结果显示Canny算子边缘检测效果最佳。在迭代阈值分割和自适应阈值分割技术的基础上，提出了一种高效的变异系数阈值分割算法，能够准确的实现目标缺陷区域与背景的分离，并通过实验验证了该算法的有效性。考虑分割前后图像包含的不同信息，提取了不变矩特征、纹理特征和灰度特征作为缺陷的分类依据。由于提取的特征数据中存在的奇异样本会使后续分类器收敛很慢甚至无法收敛，文章研究了多种数据处理方法，最终选用标准变换法对提取的特征数据进行标准化处理，并对提取特征运用主成分分析法进行降维，实现对特征的选择，降低了后续分类器设计的复杂度，为实现缺陷的分类识别奠定了坚实的基础。研究BP神经网络的设计方法，对SVM核函数的选取和参数的确定进行了详细的学习，并选取大量的钢板缺陷图像进行分类实验，都得到了较好的分类效果[11]。
2.3基于机器视觉的PVC管材表面缺陷检测
针对PVC管材表面缺陷检测中人工肉眼检测效果差、效率低下等问题，有研究工作设计了一种基于机器视觉的PVC管材表面缺陷检测算法并用于工业生产。该算法主要包含图像预处理和缺陷检测两部分，而图像预处理又包括边缘遍历、条纹检测、Gamma变换等步骤；缺陷检测主要包含水平与垂直投影、快速区域生长法连通域标记、分块处理等步骤。该算法对Gamma变换以及区域生长法做加速处理，同时能够最大限度检测出PVC管材表面缺陷检测并避免误检[12]。
