基于图像角点匹配的机械加工零件表面缺陷检测

林建明

摘要：目前在检测机械加工零件表面缺陷时，存在检测精度差的问题，导致检测结果不理想。提出了一种基于图像角点匹配的机械零件表面缺陷检测方法。利用曲率空间检测零件的角点，利用泰勒级数删除伪角点。在特征点邻域的梯度方向上进行角度限制和最近投影，利用双向匹配方法对加工零件图像进行角点匹配。在上述操作的基础上，利用一维直方图的阈值分割对零件图像进行分割，最终实现机械加工零件的表面缺陷检测。实验结果表明，该方法能够获得高精度的零件表面缺陷检测结果，能够准确测量加工零件的缺陷厚度、孔洞缺陷和缺陷最大边界距离。

关键词：图像角点匹配；机械加工零件；表面缺陷；检测

中图分类号：TG233；TP274.5文献标识码：B

引言

机械是机器不可分割的基本单元，如齿轮、轴承、弹簧等。它是由机械制造业利用金属材料、复合材料等制成的。经过多道工序，在应用中应具有良好的韧性和耐磨性。而制造业受温度、设备、人为等不可控因素的影响，导致不同程度的一些缺陷，使一些机械零件无法使用。因此，提取制造业中机械零件的轮廓，分析机械零件是否存在缺陷，是目前制造业中的关键问题。目前，也有很多学者对零件轮廓提取进行了研究。如方等人在得到机械零件图像后，利用高斯导数函数得到机械零件图像的分频特征。基于这一特点，他们采用视觉信息流融合模型输出机械零件轮廓。但在应用过程中，该方法受到非极大值抑制和阈值选取等因素的影响，使得提取的机械零件轮廓特征模糊，应用效果不佳。因此，本文分析了基于图像角点匹配的机械零件表面缺陷检测技术。

1零件微裂纹检测

1.1提取候选缺陷

图像预处理后，利用Canny算子对大型薄壁机械零件的微裂纹图像进行粗提取。Canny算子是一种一阶导数边缘检测算子，可以抑制噪声，完成图像边缘检测。为了避免大型薄壁机械零件微裂纹结构变化产生过多的伪边缘，Canny算子在图像预处理后应限制在灰度区域，并计算大型薄壁机械零件微裂纹原始图像的乘积，从而利用Canny算子检测出待处理的大型薄壁机械零件微裂纹的边缘。Canny算子在对大型薄壁机械零件的微裂纹图像进行边缘检测时会包含一些伪边缘。利用长度信息滤除图像中由噪声引起的伪边缘，得到最终的候选微裂纹边缘。

1.2机械零件图像增强预处理

工业CCD相机用于拍摄制造业中机械零件的图像，但由于拍摄环境和光照的影响，获得的机械零件图像不够清晰。因此，有必要加强对机械零件图像的预处理，使机械零件图像的轮廓更清晰，对比度更高。本文采用小波变换增强对机械零件图像进行增强，具体过程如下：小波变换增强是对机械零件进行分解处理，增强描述细节的高频成分，然后进行小波逆变换恢复图像，从而对机械零件进行增强。基于凸曲线轮廓边缘检测对机械零件图像进行阈值分割后，转换为二值图像，采用凸曲线轮廓边缘检测方法获取机械零件图像的边缘信息。具体过程如下：第一步：设置凸曲线轮廓，搜索初始像素点。将连接数为3的像素作为初始像素，从该点开始，根据机械零件图像的像素结构遍历该像素，并添加标记位。步骤2:遍历初始像素点邻域内的后续点。当发现下一个像素的连接点为3时，将其标记为后续点并保存。当没有找到下一个像素连接点为3时，将当前像素点作为初始点，在其邻域内继续搜索像素连接点为3的点，并标记保存。

2点云数据获取及预处理

扫描仪在扫描零件时，会将打标板、工作台等物体扫描到仪器中，因此需要对采集到的数据进行预处理，以获得零件的点云。处理流程如图4所示。统计滤波可以剔除原始点云中的稀疏离群点，如测量时产生的噪声、远离零件且与零件无关的杂物等。统计算法假设一个具有离散点的点云，过滤离散点后的点云中所有点之间的平均距离服从高斯分布。由于离散点与主点云相比较小，可以认为原始点云与过滤离散点后的点云具有相同的均值和标准差。经过统计滤波后，点云仍然有两个不必要的平面数据，即标记板和工作台，然后可以通过Ransac平面分割去除这两个平面。平面分割的步骤如下：(1)从点云中随机选取三个点，计算由这三个点组成的平面表达式。(2)计算所有其他点到平面的距离。如果它小于阈值D，它将被视为同一平面的点，并被添加到该平面的点集。(3)如果同一平面内的点数超过N，则保持该平面并停止迭代，否则重复步骤(1)、(2)和(3)，直到迭代次数达到阈值。最后可以得到一个完整的平面点集。使用ransac地面分割两次后，可以消除标记板和工作台两个平面上的点云。剩下的部分就是零件和周围噪声的点云，最后通过半径滤波可以去除零件周围的噪声。算法的思想是：判断每个点的半径为R的邻域内的点数是否小于阈值。如果小于阈值，则认为该点是噪声点并将其去除；不然就留着吧。

3机器视觉在模具零件缺陷检测中的应用

机器视觉检测技术属于在线无损检测方法，在缺陷检测方面表现良好。例如在模具零件的检测中，多用于模具保护、模具尺寸测量和模具定位等。可以检测模具零件异物、制件缺陷、制件脱模不良、镶件错位等问题，但对模具零件型腔表面缺陷的检测研究很少。模具表面缺陷检测属于机器视觉技术的应用。利用计算机视觉模拟人的视觉功能，在每次开模时进行图像的采集、处理和计算，最后进行实际的检测、控制和应用，及时发现模具零件的缺陷，避免造成重大损失。下面介绍三种基于机器视觉技术的模具检测系统。(1)精密模具零件的损伤检测系统。精密模具零件的传统检测方法包括人工检测和高斯曲线拟合检测。人工检查劳动强度大，成本高，准确性低，有时检查中使用的工具可能会损坏模具零件的表面。针对这一问题，设计了一种精密模具零件缺陷检测系统，主要包括模具零件图像采集、模具零件图像处理、模具零件检测结果输出和显示等操作过程。(2)监控系统。模具生产过程中偶尔会出现异物等异常情况。如果采用人工监控，需要耗费人力物力。但如果不进行监控，可能会损坏模具，影响工程进度。利用机器视觉技术研究注塑模具监控系统，利用几何轮廓信息模板匹配和报警解决模具生产过程中的异物问题。为了使用几何轮廓信息特征作为标准模板的结果，计算机模拟的空腔(椭圆)的边缘轮廓是标准模板特征的结果，靠近拐角的矩形框中的四条曲线是潜在的模板特征。(3)压铸模具缺陷检测系统。为了防止压铸件缺陷对工人造成伤害，影响生产效率和产品质量，提出了一种基于卷积神经网络的模具缺陷检测系统。该系统能及时发现模具零件在生产过程中出现的热疲劳裂纹、切屑等缺陷，以便及时处理。系统的目测准确率达到95.1%，而4.9%的误检率是由于模具零件的细小裂纹或生产环境中光线不均匀造成的阴影问题，不容易被系统检测出来。

结束语

传统的方法中存在很多问题。因此，有必要提出一种基于图像角点匹配的机械零件表面缺陷检测方法。本文分析了微裂纹检测、点云数据采集及预处理、机器视觉在模具零件缺陷检测中的应用方法。结果表明，该技术具有良好的检测性能，能够准确检测机械加工零件的表面缺陷。

参考文献：

[1]董哲.探析机械加工零件表面纹理缺陷的检测方法[J].现代盐化工,2016,43(04):17-18.

[2]田浩.机械加工零件表面纹理缺陷检测方法研究[J].山东工业技术,2016(11):11.DOI:10-11

[3]邹芳.机械加工零件表面纹理缺陷检测技术与实践[J].机械管理开发,2016,31(04):57-59.

[4]邹芳.机械加工零件表面纹理缺陷检测技术与实践[J].湖北工业职业技术学院学报,2016,29(02):109-111.

[5]朱海荣,姜平,杨奕,马聪.改进的精密机械加工零件表面缺陷检测算法[J].传感器与微系统,2006(11):66-69.