[发明专利]一种金属零部件表面划痕缺陷检测方法

说明书

技术领域

本发明涉及机器视觉领域，具体的说是公开了一种金属零部件表面划痕缺陷检测方法，该方法精确的提取出细微的划痕缺陷。 

背景技术

机器视觉在国民经济、科学研究及国防建设等领域都有着广泛的应用。它的最大优点是无接触测量，与其他方法相比在安全性、可靠性、检测精度、检测速度、检测成本上都有着很大的优势。在表面缺陷检测方面，机器视觉更是有着相当广泛的应用领域。任何金属零部件表面都有可能存在不同程度的缺陷，其中划痕便是常见表面缺陷的一种，严重的有可能影响到产品的质量。传统的金属零部件表面划痕检测都是依靠人眼完成，存在较多的主观因素和只能定性判断的问题。另外，有些金属零部件表面的划痕缺陷纹理弱，缺陷程度小，对其进行人眼识别、分类和量化存在一定的困难，因此，对其进行基于视觉的自动检测势在必行。 

发明内容

本发明的目的，是提供一种金属零部件表面划痕缺陷检测方法，提出了一套基于视觉的金属零部件表面划痕缺陷检测的工艺流程及相关算法，通过该方法可以自动的、精确的提取出细小的划痕缺陷，具有很大的实用价值和广阔的应用前景。 

采用的技术方案是： 

一种金属零部件表面划痕缺陷检测方法，包括下述工艺步骤：

（1）、获取金属零部件表面的图像，选取处理域；

（2）、对金属零部件表面进行图像处理和分析

① 对金属零部件表面图像进行预处理，包括灰度转换、二值化处理、滤波、数学形态学等；

② 调整二值化阈值，此阈值的选取以使图像的图案部分和背景黑白分明为准，对图像进行二值化分割，分割出图像纹理和缺陷；

③ 图像分析通过边缘检测算子突出了图像的细节并且增强了被模糊的细节，突出边缘信息；

对图像进行以上处理后，可以更好的对图像进行自动标记划痕处理了。

（3）、自动标记划痕处理 

① 经过图像分析之后，用分割图像法分割并提取图像划痕缺陷的纹理信息，选取高斯-拉普拉斯算子对图像进行图像分析，突出图像中的细节并且增强图像中被模糊了的细节，从而突出图像的边缘信息；

② 划痕缺陷的信息提取出来之后，需要对划痕进行识别，划痕识别包括图像分割或物体分离、特征抽取和选择、做出最优决策分类、确定目标；

③ 对划痕进行量化，将同属于同一条划痕的点聚集到一起，计算其长度，面积和宽度，同时保存划痕的起始点和终止点的位置。

本发明的优点在于： 

本发明有一定的工序流程，按照规定的算法执行步骤可以精确的对细微的划痕缺陷进行识别、分类和量化，同时，它属于机器视觉领域，是非接触测量，在检验工业产品表面完整性方面有重要的应用价值。

附图说明

图1是原图。 

图2是图像初始化后的结果。 

图3是图像二值化后的结果。 

图4是图像经过高斯-拉普拉斯变换后的结果。 

图5是图像经过划痕识别后的结果。 

图6是图像划痕缺陷检测原图显示。 

图7是划痕处理流程图。 

图8是常用的高斯-拉普拉斯算子为5×5模板。 

图9、图10、图11、图12分别是决策分析中使用的匹配模板形的像素矩阵。 

具体实施方式

下面结合附图对本发明作进一步描。 

如图7所示的划痕处理流程，该图2所示图像初始化，通过图像初始化可以为以后划痕处理提供信息和规定要处理图像的区域，以提高划痕识别的精度和速度。该图3所示设定分割阈值，对图像进行分割，此工序是通过二值化动态调整阈值，将阈值传递给分割图像的函数模块。确定阈值的标准为：图像表面的图像纹理显示的比较清晰，边缘轮廓完整时，镜面黑暗区域也比较黑暗，此时的二值化阈值可被确定，作为分割图像的分割阈值。该图4图像分析，此工序采用的是高斯-拉普拉斯边缘检测算子对图像进行图像分析，以突出图像的边缘信息。高斯-拉普拉斯算子是将高斯平滑滤波器与拉普拉斯边缘锐化滤波器结合在一起，先平滑去噪声，再进行边缘检测。拉普拉斯算子法锐化图像还可以将图像中灰度变化缓慢的划痕锐化，使图像上的划痕部分表现在较暗的背景中。常用的高斯-拉普拉斯算子为5×5模板如图8所示。该工艺流程中的图像分割，采用固定灰度阈值加移动小窗口的方法来分割图像与缺陷，具体步骤如下： 

1)对于不同的大小的图片采用不同的窗口：1280×960大小的图片采用10×10大小的窗口， 2592×1944大小的图片采用12×12的窗口；