磁瓦表面夹层缺陷的检测和识别方法

徐光明，宋 钰，郑晓曦



磁瓦表面夹层缺陷的检测和识别方法

徐光明，宋 钰，郑晓曦

（五邑大学 信息学院，广东 江门 529020）

为了改变目前以目视为主的磁瓦缺陷检测现状，应用计算机视觉技术检测与识别磁瓦缺陷. 首先，应用图像剪切技术获得需要检测的部分；然后，应用Laplacian算子和Wiener滤波器进行图像锐化和滤波去噪，选择相应的阈值进行图像二值化；最后根据白色区域的面积和周长与给定的阈值进行比较，实现夹层缺陷的检测. MATLAB仿真实验验证了算法的有效性.

磁瓦；夹层缺陷；缺陷识别；数字图像处理

磁瓦在电机等设备中广泛应用，且生产规模大、数量多. 在磁瓦的生产过程中，由于加工技术和材料等因素，磁瓦内外表面以及矩形底面会产生崩烂、起级、夹层等缺陷[1]，这些缺陷对磁瓦的使用性能有很大的影响. 国内外，关于工件表面缺陷检测技术已广泛地应用于工业生产中[2]，但是对磁瓦表面缺陷的研究仅限于一些缺陷的识别. 目前磁瓦缺陷检测以目视为主，这影响了企业生产规模的扩大、经济效益的提高和工人的身体健康. 因此，本文利用计算机视觉技术对磁瓦缺陷进行检测与识别，并应用MATLAB进行图像分块、滤波去噪和缺陷识别过程的仿真实验，以有效地提高磁瓦缺陷检测速度和识别质量.

1 磁瓦表面缺陷图像的预处理

1.1 磁瓦表面缺陷检测与识别步骤

利用计算机视觉技术对磁瓦缺陷检测和识别流程如图1所示，具体步骤如下：

1）对磁瓦进行图像采集、预处理，使图像增强，这有利于磁瓦缺陷细节的识别；

2）进行磁瓦图像分析、滤波去噪、阈值分割；

3）进行磁瓦缺陷分析、检测与识别.

1.2 磁瓦表面图像的获取

获得一个较好的磁瓦缺陷图像，环境灯光和摄像设备至关重要. 本文采用CCD数码相机获取图像，环境灯光采用漫反射圆顶光源以实现全空间区域的漫射光照明，消除阴影，获得图像如图2. 从图2看到，磁瓦的图像对比度低、偏暗，灰度值集中在0～80之间.

图1 磁瓦缺陷检测与识别流程

图2 磁瓦夹层（标示内）缺陷图像

1.3 磁瓦特征分析

由图2可知，磁瓦主要由外表面、内表面、矩形底面以及拱形侧面等组成. 外表面及内表面都是曲面，各表面光滑或有规则的条形纹理（如矩形底面无缺陷部分无纹理），磁瓦缺陷部分都是不规则的几何形状（如夹层是灰度接近白色的间断的亮区域，崩烂是不规则的块状凹陷）. 虽然曲面造成了光照的不均匀，但是在缺陷部分，缺陷与其周围有较强的亮度反差或纹理差别. 我们对缺陷图片的分析发现：输入的图像较暗，灰度值较小，且存在噪声.

1.4 图像的剪切

图3 剪切处理的矩形底面图像

由图3可知，图像经剪切处理后有缺陷的磁瓦矩形底面图像与无缺陷的磁瓦矩形底面图像在亮度上有明显的差别，即有缺陷部分的图像亮度比无缺陷部分的高.

1.5 图像的增强

由于磁瓦表面存在灰渍或在图像采集、成像、数字化和处理过程中引入了噪声，都将影响缺陷部分的识别. 因此，我们用中值滤波、均值滤波、高斯滤波和Wiener滤波对矩形底面图像进行去噪处理，用Laplacian算子对图像锐化处理.

1.5.1 Laplacian算子、Wiener滤波原理

1）Laplacian算子反映的是图像二阶微商，定义为[3]：

Laplacian算子具有各向同性和平移不变性，对图像点、线、边界的提取效果较好. 对数字图像而言，式（1）可离散化为：

根据Laplacian算子建立图像增强模型

将式（2）代入式（3）得八邻域的公式

由此可得八邻域卷积模板.

2）Wiener滤波原理

图4 锐化去噪的磁瓦矩形底面缺陷图像

1.5.2 图像二值化与数学形态学操作

为了获得更好的缺陷识别图像，可利用二值数学形态学膨胀运算原理[4]对磁瓦缺陷图像的缺陷部分的像素进行增强，这种方法在处理外表面崩烂缺陷图像中获得了较好的效果[1]183. 利用二值数学形态学膨胀运算需确定矩形结构元素，我们根据磁瓦矩形底面缺陷的特点，选择矩形结构元素为3×7，磁瓦矩形底面缺陷二值化图像的膨胀结果如图5-b. 由图5-b看出，图像经数学形态学膨胀处理后，缺陷部分更加清晰.

图5 二值化及形态学膨胀处理的磁瓦矩形底面缺陷图像

2 磁瓦缺陷的检测与识别

2.1 缺陷特征选取与测量

对目标特征的选取有利于缺陷的识别. 磁瓦图像中的目标特征包括面积、周长、形状参数、球状性、偏心率、归一化绝对平均曲率和弯曲能7个特征（其中通过直接测量得到的目标特征称为直接测度，通过间接测量得到的目标特征称为间接测度[3]256）. 本文对磁瓦夹层缺陷提取面积、周长和形状因子作为目标特征.

2.1.1 面积及周长的测量

以边界处四连通的像素数作为边界的周长，根据边界跟踪结果求得满足缺陷边界形状的各区域的周长. 周长的缺陷识别根据设定阈值和获得的缺陷边界周长，比较后进行缺陷的检测和识别.

2.1.2 形状特征的缺陷检测和识别

其中：为各疑似缺陷的目标围台的长度；为对应的目标围台宽度；为各疑似缺陷的周长；为疑似缺陷区域的个数；为各疑似缺陷的面积. 对和利用试验获得的阈值，剔除孤立点及非缺陷区域，获得真实缺陷区域，以各区域周长和及面积和检测、识别磁瓦夹层缺陷.

2.2 磁瓦矩形底面夹层缺陷检测和识别

根据磁瓦矩形底面夹层缺陷的特征，应用MATLAB编程进行仿真实验，对磁瓦矩形底面夹层缺陷边界轮廓标记结果见图6-a；对特征向量标记磁瓦夹层缺陷的检测和识别结果见6-b.

图6 磁瓦矩形底面缺陷标记及识别图像

从图6可知，根据本文方法提取到的磁瓦矩形底面缺陷的特征能很好地识别磁瓦缺陷，且识别程度高、鲁棒性强，也避免了磁瓦其它部位缺陷特征的影响.

3 结语

根据磁瓦缺陷的不同特点，本文利用图像分块处理的方法，避免了在提取缺陷特征时缺陷特征之间的相互干扰. 根据磁瓦夹层缺陷的特征，使用Laplacian算子、Wiener滤波进行图像的混合滤波预处理，获得了很好的滤波实验效果；并应用MATLAB软件进行了仿真实验，对提取到的磁瓦缺陷特征进行了缺陷识别，取得了较好的识别效果.

[1] 郑晓曦，严俊龙. 数学形态学在磁瓦表面缺陷检测中的运用[J]. 计算机工程与应用，2008, 44(16): 182-184.

[2] 程转伟，颉潭成，刘岳林，等. 图像处理技术在表面缺陷检测中的应用[J]. 微计算机信息，2008, 15(24): 312-314.

[3] 章毓晋. 图像工程：图像处理和分析[M]. 北京：清华大学出版社，1999.

[4] 王爱玲，叶明生，邓秋香，等.MATLABR2007图像处理技术与应用[M]. 北京：电子工业出版社，2008.

[责任编辑：孙建平]

A Study of the Detection of the Interlayer Surface Defect of Arc-magnets

XUGuang-ming,SONGYu,ZHENGXiao-xi

To change the practice of detecting the surface defects of arc-magnets by the naked eye, the computer vision technology should be applied. First, obtain the parts to be detected using the image-cutting techniques; then, sharpen and filter the image with the Laplacian operator and the Wiener filter, and binarize the image with the proper threshold; and lastly, compare the area and circumference of the white arc-magnet with the given threshold value and realize the detection of the interlayer defect. Good defect detection and identification is achieved through the MATLAB simulation experiments.

arc-magnets; interlayer defects; defect identification; digital image processing

1006-7302（2010）01-0027-06

TP391.41

A

2009-09-24

徐光明（1979—），男，山东临沂人，硕士生，研究方向：计算机视觉、图像处理与识别等，E-mail: brightxusdu@sina.com；郑晓曦，博士，教授，硕士生导师，通信作者，研究方向：计算机图像识别及处理技术、虚拟现实与系统仿真技术、虚拟样机与CAD技术等，E-mail: mailzxx@163.com.