基于计算机视觉的精密零部件质量检测研究

万长龙，张 晶，林樟骁，杨晓敏

（珠海市运泰利自动化设备有限公司，广东 珠海 519180）

工业中的数据和信息在很大程度上依赖于图像，但在数学上对摄影数据进行估计和处理具有挑战性。因此，数字图像处理技术将有助于对图像进行处理，并尝试对其分析进行扩展，图像处理在工业领域广泛应用。

随着信息科学的飞速发展，基于计算机视觉的模式识别和图像处理技术已成为成熟的质量分析技术[1]。计算机视觉技术通过对图像的电子感知，对图像中的细节进行解释和识别，为精密零部件质量检测提供信息，以适应人类视觉在精密零部件质量检测中的作用。因此，本文旨在利用图像处理技术对精密零部件进行质量检测[2]。主要包括图像采集、预处理、图像分割、特征提取和分类五个步骤，如图1所示。图2展示了每年发表的研究论文数量，从图2中可以很容易地看出这个研究领域的趋势。

图1 图像处理中识别的通用框图

图2 每年发表的研究论文数量

1 精密零部件质量评估

1.1 图像采集

在应用中，使用的图像采集工具有照相机、超声波、磁共振成像、电子断层扫描和计算机断层扫描。为了产生数字图像，使用了电荷耦合器件和互补金属氧化物半导体图像传感器[1]。

传统的计算机视觉系统始于20世纪60年代后期，目前广泛应用于航空航天领域、工业自动化、安全检查、智能交通系统、医学成像、军事应用、机器人引导、自动驾驶汽车、食品质量安全检查等领域。由于传统的计算机视觉系统使用的是红、绿、蓝（RGB）三原色，所以RGB彩色相机获取的图像都是以RGB波长为中心。利用计算机视觉系统，可以对纹理、形状、尺寸、缺陷等特征进行自动分级和检测。但是由于纹理和颜色等原因造成的一些缺陷与皮肤相同，是一个具有挑战性的任务[2-3]。

1.2 预处理

通过各种技术获取的图像中含有多种噪声，这些噪声会使图像的面貌变差。因此，需要对图像进行预处理。预处理对图像数据进行了增强，扩大了图像处理所必需的特征，并在特定的应用中建立了比原始图像更相关的图像。用于质量评价的图像预处理方法是像素预处理和局部预处理。像素预处理是将输入图像转换为输出图像，使每个输出像素与具有相应坐标的输入像素相关联。最常用的像素预处理方法是用于质量评价的颜色空间变换（CST）。CST的应用大多依赖色相、饱和度和强度（HSI）色彩空间，其中饱和度导致单色图像，生动地赋予肉图像纹理。局部预处理（过滤）是在输入图像中使用一个像素的小邻域在输出图像中产生一个新的亮度值。它使用简单滤波器（降低噪声）、中值滤波器（降低峰值噪声）和改进的非锐化滤波器[4]。

1.3 图像分割

在预处理之后，需要进行图像分割，将数字图像分成不同的区域。主要特征是在对象评估期间分离用于处理重要区域的背景。正确的分割对于图像分析的进一步发展至关重要，而错误的分割会降低分类器的性能。

1.4 特征提取

在图像分割之后，对特征进行估计做进一步分析。这些特征是计算机视觉系统中的基本因素，因为它们包含用于图像感知，解释和对象分类的有效数据。在此过程中，提取的特征形成了分类的输入特征向量。这些特征向量唯一且精确地定义了对象形状。特征提取的目的是通过提取特征来提高识别率。

1.5 分类

精密零部件质量评估的基本特征是分类，该分类提供了一种结构，在该结构中，对人类思维进行了人工模拟，以指导人类即时、正确和持久地形成复杂的判断。通过使用图像处理技术，可以通过一组特征（例如颜色、大小、形状和纹理）来描述精密零部件。这些特征用于形成训练集，然后应用分类算法提取知识库，从而做出未知案例的决策。在计算机视觉系统中，已经开发出多种方法：人工神经网络，深度学习/卷积神经网络用于产品质量评估中的分类[5]。

2 精密零部件的缺陷检测

在商业分类机中，早期通过传统计算机视觉对精密零部件的颜色、质地、大小和形状进行视觉分析。由于缺陷类型的差异较大，缺陷检测仍然是一项艰巨的任务。当精密零部件出现缺陷时，自动检测精密零部件缺陷至关重要。通常，精密零部件的常见问题是开口缺陷和裂纹。随着对精密零部件高质量期望的提高，对精密零部件中真实和客观质量确定的需求不断发展。为了满足这些要求，计算机视觉系统提供了自动化、经济高效且无损的技术。这种基于图像处理的检查技术在产品质量评估中具有多种应用。表1展示了不同研究人员采用的不同分类技术对产品的质量分析。

表1 产品质量分析中不同分类技术对比

3 挑战

图像处理和计算机视觉系统以其优异的性能、成本的不断提高、易于使用和算法的鲁棒性等优点成为工业领域的科学机制。传统的、多光谱的和高光谱的计算机视觉系统目前被广泛应用于精密零部件的质量评价。尺寸、形状、纹理和缺陷是传统计算机视觉系统（TCVS）检测的常见特征。为了提高TCVS，多光谱和高光谱计算机视觉系统提供了动态工具，以较少的缺陷检测具有挑战性的TCVS。因为光谱图像的优势，提高缺陷检测精度面临诸多挑战，包括弓形表面光分布不均匀、不同应用需要强大的波长选择、表面评价、光谱图像的采集和处理耗时长、不同缺陷的识别等。除了在分级中使用大小、形状、纹理等特定特征外，还应该测试其他特征以提高结果。此外，对所有特性使用相同的权重值，调优权重值可以提高性能。太赫兹成像技术、拉曼成像技术、三维成像技术等的研究进展可用于精密零部件质量分析。

4 结束语

本文重点介绍了图像处理和计算机视觉技术在精密零部件质量评估领域的应用。为了取代对精密零部件的人工检查，使用了计算机视觉系统，该系统可提供真实，公平和无损的评级。基于计算机视觉的质量检查包括四个主要步骤，即获取、分割、特征提取和分类。尽管许多研究人员提出了各种精密零部件质量检测方法，但仍需要构建具有改进性能基于鲁棒计算机视觉的系统。