基于图像处理的电机磁性产品的检测

朱桂英

摘 要：文章以汽车电机中的主要磁性产品表面缺陷检测为研究对象，结合图像处理、机器视觉、智能计算等理论知识，通过理论分析、数值模拟和实验研究磁材表面纹理的抑制、缺陷区域检测、缺陷特征提取及缺陷类型的智能识别，进一步开发基于图像处理的磁材微缺陷可视化在线无损检测系统。

关键词：图像处理；磁性产品；缺陷检测

中图分类号：TH134 文献标志码：A 文章编号：2095-2945（2017）30-0023-02

Abstract：The object is surface defect detection of small magnetic of Motor vehicle. Through image processing， numerical simulation and experimental research， the surface texture suppression of magnetic， the defect region detection based on visual saliency， the defect feature extraction with significant influence and the intelligent recognition of defect types will be studied combined with human visual perception， Further， a visual inspection system of small magnetic based on image processing will be developed.

Keywords：image processing；Magnetic products；Defect detection

1 概述

近年来，随着电子技术的飞速发展和人们对自动化性能的不断需求，电机在汽车的应用不断深入，汽车中有很多电机，比如雨刷器电机，车窗的玻璃升降器电机，后视镜的调整电机，CD机的驱动电机，天窗的开启与闭合驱动电机，汽车发电机等等。为了保证电机的可靠运行，高性能的电机用磁材的需求就不断增加。

但是在磁材成型过程中，原材料搅拌不均匀或混有杂质、成型模具的磨损、烧结工序的温度控制不当或半成品受热不均匀等均会使磁材产生尺寸缺陷和表面缺陷，如裂纹、粘连、结晶及掉角等。表面缺陷会直接影响磁材后期的品质，导致产品导磁率低、气隙大，降低产品的可靠性和稳定性，从而影响汽车的正常使用。

目前，磁材的类型大约有6000多种，而且是小批量定制，一条磁材生产线上生产的磁材类型经常发生变化，虽然通过优化配置可以减少同一生产线上磁材的种类，但市场上还没有可以对多种类型磁材进行在线尺寸和表面缺陷检测的自动化设备。为保证生产的连续性，磁材生产企业仍然采用人工检测磁材的表面缺陷。人工检测中工人劳动强度大，受限于工人的精神状态、检测熟练水平、经验积累水平以及工作环境等多方面因素，检测的效率低、速度慢，器件的一致性标准难以得到保证。检测过程中由于工人疲劳，不可避免的产生错捡、漏检，不合格产品的流出不仅会给工厂带来经济损失，更严重的是会给用户带来安全隐患。

本文针对不同类型磁材外观检测中存在的主要问题，探讨基于图像处理的磁材表面缺陷检测方法。该系统完成后，可以节省人工，从而节省劳动力，减轻劳动强度，提高工作效率及工厂经济效益。

2 软件设计

根据小型磁材的技术要求，主要的表面缺陷有：

（1）裂纹（包括裂纹、开裂等）

（2）磕边（包括磕边、崩边、料残等）

（3）麻点（包括麻点、麻面、气泡、伤痕、渣层、局部过厚、电镀瘤等）

（4）砂眼（包括砂眼、气孔、针孔、粒子等）

（5）划痕（包括划痕、线痕、刀痕等）

首先，通过分析小型磁材表面纹理的产生机理及其成像特点，研究小型磁材表面复杂纹理的抑制算法；其次，根据不同缺陷的产生机理和成像机理，研究缺陷的分类方法及其相应的缺陷提取算法；进而，研究缺陷区域的特征描述方法及其缺陷类型的识别方法；最后，搭建实验平台和开发缺陷检测系统，并通过实验对检测系统的准确性、实时性和鲁棒性进行完善。磁材表面缺陷图像具有对比度低、纹理背景复杂、缺陷种类多、亮度不均匀等特点。根据磁材表面缺陷图像的梯度图、灰度直方图以及检测功能的需要，可将磁材表面图像分为正常区域、背景区域、缺陷区域、干扰区域。

（1）正常区域：磁材表面正常区域灰度值较高且与缺陷区域灰度值差别较大，区域内部灰度值比较平均、梯度值比较小；

（2）背景区域：磁材图像中磁材以外的区域，该区域内部灰度值小，灰度变化平稳，与磁材表面灰度平均值差值大易于分割；

（3）缺陷区域：磁材表面缺陷区域内部灰度值小，区域内部灰度值比较平稳；但不同缺陷区域与正常区域的灰度值差别不同，交界部分梯度值大小也不同。有的缺陷交界部分梯度值大，如裂纹、掉块等；有的缺陷交界部分梯度值小，如偏磨等。

（4）干扰区域：磁材表面图像干扰区域主要包含表面纹理干扰和光照不均产生的阴影干扰，磁材表面纹理图像区域灰度值小，内部区域面积小，宽度窄，与正常区域交界处梯度值较大对磁材表面缺陷检测干扰较大。因光照不均产生的阴影干扰区域内部灰度值与正常区域灰度值差别小，二者交界处的梯度值小；而且阴影内部区域灰度平稳，变化小，对磁材表面缺陷检测的干扰小。

本文将CCD相机通过千兆网线与电脑相连，搭建实验室环境下磁材尺寸和表面缺陷检测实验平台，拍摄不同类型和不同缺陷的磁材所有表面图像，并利用opencv开发磁材尺寸与表面缺陷检测系统。缺陷检测算法主要分为磁材尺寸缺陷检测算法和磁材表面缺陷检测算法两大部分，磁材尺寸缺陷检测及定位原理如图1所示，磁材表面缺陷检测及合格磁材分级原理如图2所示。

合格的磁材也有可能存在尺寸和表面缺陷，但缺陷必须满足不同磁材的要求，一般厂家都会提供磁材缺陷的尺寸要求，而且要求对合格品进行分级。

3 结束语

本文研究了磁材的各种缺陷以及生成机理，研究了一套基于图像处理的检测系统，已经在matlab上对一些关键算法进行了开发和实验研究，主要有磁材和磁材尺寸测量，可以测量出磁材的内径、外径和厚度，测量误差在20um左右；磁材表面的纹理去除算法，主要提出通过各向异性滤波器抑制纹理的算法，虽然纹理去除效果比較理想，但程序运行时间比较长，需要对算法进行优化或设计其他性能更优良的去纹理算法；磁材裂纹、磕边、砂眼、倒角四种比较容易识别缺陷的区域提取算法，以及相应面积、周长、圆形度、宽长比、区域复杂度等特征的提取算法；还需要设计出效果更好的预处理算法，以便于提取划痕、偏磨、污渍等其它表面缺陷。

参考文献：

[1]翟弘扬.数字图像识别及应用[J].科技与管理，2016（9）：69.

[2]陈凯.人工“智能”图像识别[J].信息技术课，2017：21-23.

[3]麻兴东.计算机智能图像识别算法研究[J].科技资讯，2015（20）：24-25.

[4]杨成立，殷国富，蒋红海，等.基于小波变换的磁瓦表面缺陷检测方法研究[J].计算机应用与软件，2014（11）：210-213.

[5]刘海，李烨，李妍臻.基于图像处理的PCB自动检测系统的设计与研究[J].电子世界，2013（2）：115-116.

[6]杨成立，殷国富，蒋红海，等.基于改进的自适应中值滤波的磁瓦表面缺陷检测[J].组合机床与自动化加工技术，2014（2）：79-82.

[7]张兵.高光谱图像处理与信息提取前沿[J].遥感学报，2016（5）：1062-1090.endprint