基于机器视觉的齿轮检测研究

陈宇舰

【摘  要】针对机械检测汽车齿轮表面缺陷与尺寸参数存在成本高、工作量大、检测速度慢且产品一致性差等问题，利用机器视觉技术进行研究。首先对齿轮的位置进行精确定位，其次，对齿轮的图像进行预处理，采用去噪技术对齿轮图像进行去噪，为精确边缘检测提供基础。最后，采用改进的canny边缘检测算法对齿轮的边缘进行提取。通过实验得出，该算法不仅定位准确，而且齿轮边缘的完整性能够清晰的提取出来，降低亮斑对齿轮图像检测的误差，为机械自动化一体设备完成自动检测提供了前期技术支持。

【关键词】机器视觉;图像预处理;边缘检测;canny边缘检测算法;机械自动化

引言

如今，随着图像处理、光学成像、传感器、处理器等技术的快速崛起与发展，机器视觉在人们生产和生活中的应用越来越广泛，从工业生产到金融、安防以及交通领域，其正在推动包括制造业在内的众多行业快速转型。

由于国际市场已经步入成熟，而我国市场正走向成长，两者之间的发展差距和进程快慢有了明显的变化。在市场方面依然是日美等企业居于主导地位，拥有技术、人才和产品上的绝对优势，占据全球市场的大头份额，但在增长速度和市场规模等数据上，我国正在奋起直追且效果显著，眼下已成为全球第三大机器视觉市场。机械生产同样，与机器视觉的连接也原来越紧密。本文通过机器视觉代替人工检测机械上应用的齿轮，人力物力的同时，增加机械的检测精度。

1齿轮图像的定位

自动化机器视觉的检测，首先要定位待检测目标物体的位置，我们采用机器视觉，首先要对当前图片中的齿轮位置进行定位。

采用帧差法对齿轮的位置进行定位。

1.1帧差法的算法原理：

帧差法是背景減图法中的一种，只不过是帧差法不需要建模，因为它的背景模型就是上一帧的图片，所以该算法处理速度非常快，而且帧差法对缓慢变换的光照不敏感，提高了机器自动化检测设备的抗光感性。

2齿轮图像的预处理

定位完齿轮的位置后，我们要对齿轮图像进行预处理，去除采集设备产生的工频噪声，以及设备之间产生的高频噪声，提高图像的清晰度，和对比度，为后续的齿轮的边缘检测做准备。

2.1中值去噪

中值滤波算法可以有效的去除高频噪声，也就是具有低通性，可以有效去除一定频段的高频噪声。对中值滤波的实现原理是把数字图像中一点的值用该点的一个区域的各个点的值的中值代替。我们将一个点的特定长度或形状的邻域称为窗口，那么对于二维图像的中值滤波，一般采用3*3或5*5的窗口进行滤波。

以3*3的窗口为例，我们对定位后的齿轮图像进行灰度转换，得到其灰度图像，有输入和输出两个矩阵。从bmp_in[1][1]开始算起，通过该像素点领域内的8个像素再加上该像素本身共9个像素计算出中值并映射到输出矩阵bmp_out[1][1]。接着整个窗口右移到以步长为的速度进行遍历，遍历完整张图片后得到所有中心像素的8个邻域内的中值，滤除原始像素中的较大像素值，从而达到去除高频噪声的作用。但是，在去高频噪声的同时也使得齿轮边缘模糊了，所以舍弃该算法。

2.2均值去噪

在解决中值滤波存在的去除高频噪声的同时也改变图像低像素点的缺陷问题，提出采用平滑线性空间滤波器，也就是均值滤波器。均值滤波器也是低通滤波器，均值滤波器很容易理解，即把邻域内的平均值赋给中心元素。

均值滤波器用来降低噪声，均值滤波器的主要应用是去除图像中的不相关细节，同时尽可能多的保留边缘细节。不相关是指与滤波器的模板相比较小的像素区域。模糊图片以便得到感兴趣物体的粗略描述，因此那些较小的物体的灰度就会与背景混合在一起，较大的物体则变的像斑点而易于检测。模板的大小由那些即将融入背景中的物体尺寸决定，本文仍然采用3*3的模板。

2.3 高斯滤波算法

高斯滤波是一种线性滤波。就是对整幅图像进行加权平均的过程，每个像素点的值都由其本身和邻域内的其它像素值经过加权平均后得到。高斯平滑滤波器对于仰制服从正态分布的噪声非常有效。

既然是线性滤波，那么就会存在低通性，那么为什么还要使用这种滤波方法呢？实际上我们知道如果取模板中心的系数比较大，而模板周围的系数比较小，则可以在保持图像原有信息特征的情况下消除部分噪声，而高斯滤波的模板恰恰符合这个条件。还有一个问题，如果我们直接通过计算得到高斯模板，会存在大量浮点数的运算，故还需要进行取整变换使得模板周围的最小系数为1，中心点系数取最大值。

采用高斯滤波不仅可以有效地去除噪声点，而且能够保留图像原有的边缘点信息。

3齿轮的边缘检测

将彩色图像进行去噪后，就要对齿轮的边缘进行检测。本文在传统的canny边缘检测算法基础上，对其进行改进，提出改进的canny算法。

3.1 传统的canny算法

3.3 改进的canny 算法

我们在计算完梯度后，加入中心像素点的其他四个像素位置，既考虑每个中心像素的八个邻域值，然后遵从传统的canny算法，即分别计算每个中心像素与其相邻的八个像素分别计算矢量梯度距离，并取最大值设为max_dis，最小值设为min_dis，并规定，高阈值为（max_dis+min_dis）/2，低阈值（max_dis-min_dis）/2，将每个中心像素与邻域像素的梯度距离分别进行比较，大于低阈值，小于高阈值的自动判别为该像素点的邻域，否则不认为是邻域点。通过这种改进的算法，不仅去除大量伪邻域点，还检测出的更多真实的邻域点，从而达到齿轮边缘更连续的效果。

结论

本文首先对齿轮的图片进行预处理，采用去噪效果较好的高斯去噪算法，然后对齿轮的图像进行边缘检测，并提出一种新算法，通过增加相关邻的像素点求其梯度值，并与高低阈值进行比较，剔除伪边缘点，增强真是齿轮的边缘信息。

（作者单位：沈阳维特自动化设备有限公司）