机器视觉下基于图像灰度值形态学的枪弹钢芯表面检测

2012-07-02张亚军齐杏林董成基

兵器装备工程学报 2012年6期

张亚军，齐杏林，董成基

(军械工程学院弹药工程系，石家庄 050003)

枪弹作为轻武器常规弹药之一，结构看似简单，但是属于批量性流水线加工，为保证枪弹的质量，提高零部件加工过程的一致性和装配过程的一致性显得尤为重要。所以，枪弹生产过程中必须对弹头、弹壳、弹头等零部件进行严格的检测。总体上来讲，检测主要包括两方面:一是制造精度，如尺寸、重量等;二是表面缺陷，如表面压痕、擦伤、锈斑、裂缝等。目前，我国枪弹检测手段、方法和设备还相当落后，几十年来产品在更新换代，但检测方式却长期处于“量具+人工”的传统阶段，停留在长检台上及肉眼检验质量。这种方式不但劳动强度高、费工时，而且由于人工检测的主观性造成检测精度低、可靠性差，给枪弹的质量带来了潜在的隐患。因此，使用自动检测技术提高枪弹检测精度和效率是一项急待解决的问题。

当然，国内对枪弹的检测也有相关研究，如张旭等采用12 工位高速检测转自模型设计测试系统，并使用位移传感器测量相对位移差的方法［1］来测量枪弹的尺寸;吴海江等用计算机图像处理技术检测弹痕［2］。但他们的研究对枪弹的检测不全面，而且自动化程度不高。近年发展起来的机器视觉用机器代替人眼进行目标对象的识别、判断和测量［3］。通过对图像信息的获取、处理实现对目标对象的测量和识别，相对于传统测量检验方法，机器视觉技术的最大优点是快速、准确、可靠与智能化，对提高产品检验的一致性、降低工人劳动强度以及实现检测自动化。本文仅对机器视觉下应用图像灰度值形态学算法实现钢芯表面缺陷的检测进行简要讨论。

1 机器视觉发展及原理

1.1 机器视觉的发展

机器视觉是在20 世纪50年代从统计模式识别开始的，当时的工作主要集中在二维图像分析和识别上，如光学字符识别，工件表面、显微图片和航空图片的分析和解释等。20世纪60年代，Roberts(1965)通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述。Roberts 的研究工作开创了以理解三维场景为目的的三维机器视觉的研究。Roberts 对积木世界的创造性研究给人们以极大的启发，许多人相信，一旦由白色积木玩具组成的三维世界可以被理解，则可以推广到理解更复杂的三维场景。于是，人们对积木世界进行了深入的研究，研究的范围从边缘、角点等特征提取，到线条、平面、曲面等几何要素分析，一直到图像明暗、纹理、运动以及成像几何等，并建立了各种数据结构和推理规则。到了70年代，已经出现了一些视觉应用系统(Guzman 1969，Mackworth 1973)。70年代中期，麻省理工学院(MIT)人工智能(AI)实验室正式开设“机器视觉”(Machine Vision)课程，由国际著名学者B.K.P.Horn 教授讲授。同时，MIT AI实验室吸引了国际上许多知名学者参与机器视觉的理论、算法、系统设计的研究，David Marr 教授就是其中的一位。他于1973年应邀在MIT AI 实验室领导一个以博士生为主体的研究小组，1977年提出了不同于“积木世界”分析方法的计算视觉理论(computational vision)，该理论在80年代成为机器视觉研究领域中的一个十分重要的理论框架。可以说，对机器视觉的全球性研究热潮是从20 世纪80年代开始的，到了80年代中期，机器视觉获得了蓬勃发展，新概念、新方法、新理论不断涌现，比如，基于感知特征群的物体识别理论框架，主动视觉理论框架，视觉集成理论框架等［4］。到目前为止，机器视觉仍然是一个非常活跃的研究领域，是目前国际上一种先进的检测技术。2008年河南科技大学的程转伟等提出把图像处理技术与缺陷专家诊断系统相结合的零件表面缺陷检测方法。根据表面缺陷的特点设计缺陷检测系统，综合运用了图像处理技术，采用改进的中值滤波技术消除噪声，运用差影法进行缺陷分割，最后使用专家系统进行缺陷分析，并进行了可靠性验证。2005年天津大学的张晓波等开发了一种基于图像处理技术的制动阀表面缺陷自动检测系统。综合运用了图像处理技术，使用了改进的中值滤波技术消除噪声，运用矩量不变法自动阈值分割，采用霍夫变换提取功能面，可准确判定工件的质量等级。因此，视觉检测在产品外观质量、尺寸等检测上有着无与伦比的优势，是替代传统的人工检测和机械检测设备的最佳选择，其发展不仅极大地推动了智能系统的发展，也拓宽了计算机与各种智能机器的研究范围和应用领域。

1.2 机器视觉的原理

所谓机器视觉，是指用计算机来实现人的视觉功能，即用计算机来实现对客观的三维世界的识别，是一个整套的系统，包括相机、镜头、光源、视频采集卡、图像算法库、应用程序等一系列的功能部分组成。人类视觉系统的感受部分是视网膜，它是一个三维采样系统，三维物体的可见部分投影在视网膜上，人们按照投影到视网膜上的二维的像来对物体进行三维理解。所谓三维理解是指对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征(方向和速度)等的理解。机器视觉的输入装置可以是摄像机、转鼓等，它们都把三维的影像作为输入源，即输入计算机的就是三维客观世界的二维投影。如果把三维客观世界到二维投影图像看作是一种正变换，则机器视觉系统所要做的就是从这种二维投影图像到三维客观世界的逆变换，即根据这种二维投影图像去重建三维客观世界，从而实现对目标作出识别。图1 就是机器视觉系统在线工作原理图。

在图1 中，被检测物体(2)在传送带(1)上运动，机器视觉系统在相对固定的位置采集被检测物体的图像。这就要求要有相应的机械结构保障，同时需要有给出外触发信号的传感器(3)，传感器是一种电器元件，有光电式、电磁感应式、开关式等不同种类，在实际项目中需要根据被测物的不同来选择。触发信号去触发光源(3)和相机(4)。光源在机器视觉中占据着很重要的位置，根据不同的检测种类需要选择不同的光源，根据被检测物不同的颜色、需要检测的项目要设计不同的打光方案。例如:检测尺寸时，一般选择背光源，保证被测物在相机中的投影边界清晰、锋利。而相机是机器视觉系统中的核心部件，只有拿到相对清晰的图像，好质量的图像才能做出精确的判断，在实际现场环境中还需要在机器视觉系统上加遮光板，这样防止外部环境对相机成像的影响。相机拍摄图像送入计算机(6)内的采集卡(7)上，采集卡将图像数据保存在内存(8)中。通过一系列复杂的图像算法，图像算法就是对内存中的图像数据经过滤波、锐化、均值、动态分析、寻边、小波变换等。通过对图像数据的算法分析得出结果(9)，根据结果控制计算机上的控制卡(7)，通过控制卡控制排除机构(10)做出反应，排除机构则有一系列的电气器件组成，例如气缸、电磁阀等。

图1 机器视觉系统在线工作原理

2 枪弹钢芯表面缺陷检测应用

从机器视觉技术出发，我们对枪弹钢芯表面检测进行了研究和实践，研究中通过让钢芯旋转起来，然后用线阵工业相机拍摄图像，展开成一个平面，为获得清晰、明确的图像提供了有效的支持。在图像算法上使用了高效可靠的灰度值形态学的算法，保证了对产品表面外观的准确判断。形态学，就是在我们对目标物体经过图像分割后所得到区域的形状进行分析，根据区域的周长、面积、长宽比、矩形度、圆形度等特征值进行分析和筛选的一种图像算法。形态学在表面外观的检测中占有很重要的地位，通过对被测物形态特征上的分析可以有效地分离出所需的目标。正因为形态学在处理图像上有着广泛的用途，所以也自然将形态学的概念用到了灰度值图像处理上。下面对图像算法中所使用的灰度值形态学操作进行详细的介绍。

从区域形态学上类推，用g(r，c)表示要被处理的图像，用s(r，c)表示ROI 是S 的一幅图像，则与区域形态学类似，图像S 被称为结构元。

灰度值闵可夫斯基加法则被定义为:

如果区域的特征函数是作为灰度值图像被使用的，那么针对区域的闵可夫斯基加法可以作为上式的特例来获得。如果一幅图像被当做结构元使用，且此幅图像中的ROI S 内的灰度值都是0，则闵可夫斯基加法变为:

在灰度值形态学中，对结构元的选择都是平坦结构元:对于(r，c)∈S 时，s(r，c)=0。这样，灰度值膨胀与区域膨胀的效果类似:它扩大前景，即扩大图像中比周围更亮的部分且收缩背景，即收缩图像中比周围更暗的部分。这样，灰度值膨胀能够用来将灰度值图像中的一个亮物体的脱节部分连在一起。这个算法对于将亮目标从背景色中分离出来有着重要的意义。

对于灰度值图像的闵可夫斯基减法如下: