基于模式识别的图像检测算法的研究

2018-01-20山东青州潍坊工程职业学院蒋庆磊郇新聂永涛

河北农机 2017年12期

山东青州潍坊工程职业学院蒋庆磊郇新聂永涛

1 引言

目前国内零部件加工生产广泛采用自动化生产线模式，受加工技术的不足和不确定因素的影响，零件加工质量不一定可以保证，因此，需要对零件加工过程中存在的缺陷实现智能判别，分析加工的零件合格情况。当前采用计算机控制生产加工过程和零件加工质量检测，要达到生产加工过程适应自动化的质检过程，就要选用较高精度的模式识别算法，获得快速、高精度的图像检测效果，并可以达到实时零件加工质量的检测。

本文结合传统检测算法存在的缺陷，根据检测的精度和实时性要求，优化比对像素算法，设计了一种基于特定模式识别获取零件加工质量缺陷的图像检测算法。上述算法是基于机器视觉和零件加工质量检测标准，合理选取图像灰度阈值大小，借助特定模式识别实现检测，既能够保证较高的图像检测精度，又可以提高检测效率，达到实时检测的目的。利用上述图像检测的算法，已经设计出来高效率的图像加工质量检测系统，并且将其运用到实际工业生产中去。调试结果说明，基于模式识别的图像检测算法可以对零件加工中存在的缺陷进行判别，与其他算法进行比较，大大提高检测效率，满足检测系统的设计要求。

2 模式识别简述

2.1 模糊类型

已知事物的不同类别，判断待检测的或新的对象应该隶属于哪一类，或是否为新的类别的过程，即模糊类型的模式识别。模糊类型的问题一般包含两种：第一，识别模糊的模式库和待识别对象；第二，识别模糊的模式库和分明待识别对象。解决第一类模式识别问题采用间接方法，而解决第二类模式识别的问题采用直接方法。

2.2 统计类型

统计模式识别方法，是参照概率统计理论和决策理论的内容形成的识别方式，其原理是假设待识别的对象或者运算提取的特征量是具有分布规律的随机变量。统计类型的模式识别，是依据模式统计特性，借助特定处理技术，采用模式识别进行数据统计分析，利用提取的目标特征实现分类识别处理。统计类型模式识别的原理是：借助一个数组，代表输入的对象内容。该数组是对原始数据进行运算的结果。

2.3 聚类分析

聚类模式识别的算法并不唯一，常选用模糊均值的方法，其算法是利用在n维空间相应的数据点的欧式几何贴近度，将待检测的数据进行聚类处理，进而计算出不同类聚的间距。

根据算法优缺点的综合分析，本文选用模糊统计分类的方法，对待检测零件的加工质量完成统计模式识别。利用该算法可以获得正确结果的几率较高，具有十分重要的生产实际运用价值。

3 图像检测算法

Sobel算子、Prewitt算子、Robert算子、Gauss-Laplace 算子、Kirsch算子、Canny算子等，是实现图像边缘检测的主要算法。图像检测算法的原理是获取图像不连续部分的特征，基于闭合的边缘区域，提取待检测图像的边缘，分析图像的特定参数。获取的图像边缘对应图像不连续的局部特性，边缘特性是在垂直方向上像素变化大，而在平行方向上像素变化小。所以选取合适的边缘检测算子十分重要。

3 .1Sobel算子

选取相邻像素区域的梯度值，来换算出单个像素的梯度，即Sobel算子。其原理是选取某图像区域的每个像素，获取它相邻点灰度的加权差，再将每个方向上的灰度加权差求和，即该算子的图像边缘效果。

3.2 Prewitt算子

采用微分理论，即Prewitt算子。其原理是将梯度算子采用卷积运算，并输出卷积的最大值，可以采用一般模板卷积进行运算。

3.3 Robert算子

采用微分算子，近似提取梯度的幅值，即Robert算子。其基本原理是根据梯度的特点，求取梯度值，采取在任一个交叉成直角方向上求导，利用局部差分算子提取边缘算子，也是选取4个斜向上的像素交叉运用差分获取梯度。

3.4 Gauss-Laplace算子

选用与边缘方向无关的微分算子，即Gauss-Laplace（拉普拉斯）算子。它是一个标量，在同一个方向上的性质相同，其算子原理是求解图像每个像素的二阶导数，然后求和提取边界。

3.5 Kirsch算子

Kirsch算子是运用多方向获取边缘检测的算子。该算子是调整某一特定值并在子域中不同方向上搜索边界，然后把它们与图像阈值进行比较，进而判定有无边界。

3.6 Canny算子

Canny算子的原理是利用高斯滤波实现图像平滑，利用有限差分，获取梯度的方向和幅值，然后针对梯度的幅值采取非极大值抑制，运用双阈值算法实现检测和边缘连接，最后提取恰当的边缘。

根据算子原理的优缺点可知，本文选用Canny边缘检测算子，实现待检测零件的边缘检测。

4 模式识别下的图像检测案例分析

4.1 待检测零件的图像处理过程

利用零件加工质量检测系统的软件进行待检测零件的图像处理。软件初始化后，借助文件菜单中的“打开位图”项目，打开待检测零件的原始图像，效果如图1所示。对原始图像进行灰度处理、中值滤波（1X3模板）的效果如图2、图3所示。对滤波后的图像进行灰度均衡处理，效果如图4所示。对均衡后的图像进行二值化、Canny算子处理，效果如图5、图6所示。

图1 原始图像

图2 灰度处理

图3 中值滤波

图4 灰度均衡

图5 二值化

图6 Canny算子

4.2 图像的模式识别过程

根据待识别零件特征向量，对零件加工质量问题进行分类，并将其归类到已知类别中。为正确划分待识别的目标图像的模式类，应设计出对应有效的分类函数。本文基于零件加工质量识别要求，选取线性识别器进行分类。工作原理是：根据特定类别的已知样本集合，来获取待检测图像的分类。由于每个待检测的零件图像，对应着不同的向量值，所以需要借助学习训练样本，得到合格、可修复的不合格、不可修复的不合格三种模糊模式，使其与后续待识别的目标图像进行比较，基本完成对待检测零件图像的分类工作。本零件加工质量检测系统的类别有：合格类A、不合格可修复类B和不合格不可修复类C。根据特定的识别函数，如果要判断待检图像的类别，只需把提取的特征值代入识别函数中计算，基于最大隶属度的原则来判别A、B、C中最大类，即模式识别的最终结果。待检测零件的模糊统计分类算法的流程如图7所示。