图像识别技术及其在机械零件无损检测中的应用研究

2018-08-08张伟胜

中国设备工程 2018年15期

张伟胜

（广东省茂名市交通高级技工学校（机械工程部），广东茂名 525000）

机械设备的运行是一个系统性过程，其内部零件往往承受多种应力，长期运行状态下内部零件极易出现故障，给机械设备使用性能产生影响，严重情况下可能会造成安全事故。因此在机械设备运行过程中有必要做好机械零件的无损检测工作。图像识别技术的应用，使得图像信息感知、处理与识别的效率更高，促进了机械零件无损检测自动化与精密化水平的提升。

1 图像识别技术

1.1 图像识别过程

图像识别以图像处理为基础，是指以图像为对象所开展的各种处理性工作，包括编码、压缩、复原及分割等。图像处理过程中，以图像输入后，一般情况下也会通过图像形态进行输出。在图像识别过程中，将处理后的图像输入，一般情况下输出类别与图像结构分析。也就是说，图像识别是一个自原始图像到物体类型的过程，原始图像经过图像处理后，抽取特征并加以分类对比，以图像样本库资源作为对比分析的参考依据，最终确定物体类型。从本质上来讲，可以将图像识别看作是对图像分类与描述进行研究的过程。在图像识别过程中，在对图像中物体进行检测分离之后，将物体特征提取出来，以形状、纹理特征等作为提取对象，一般将图像处理融入到图像特征提取环节中。待对比分析明确物体类型后，从结构层面上对图像进行分析。图像识别过程中，其识别阶段不受图像内物体数量的影响，在识别过程中主要经历三个阶段，不同阶段具备其各自特性，如图1所示。

1.2 图像识别方法

就图像识别技术在机械零件无损检测中的实际应用情况来看，图像识别可通过多种方法来实现，其中比较常用的方法有统计法、句法、神经网络法、模板匹配法、几何变换法等，以下分别开展具体分析。

图1 图像识别三个阶段

其一，统计法。就图像识别技术在机械零件无损检测中的应用情况来看，统计法是一种比较常用的图像识别方法，以图像作为研究对象，通过全面统计分析，明确其中内在规律，把握图像本质特性，提取其中特征，为图像识别的开展提供可靠支持。统计法是基于数学理念与决策理论所实现的，在实际应用过程中需建立统计学识别模型，以满足机械零件无损检测过程中的图像识别需求。实际上，统计法在图像识别过程中具有良好的适用性，通过精准特征提取能够提高分类科学性，并将分类误差控制在最小范围内，从而为机械零件无损检测目标的实现提供可靠技术支持。应用统计法开展图像识别的过程中，所建立的图像统计模型类型丰富，比较常用的是贝叶斯模型，能够在一定程度上改善最优分类器的设计问题，但其局限性在于，无法解决概率密度估计问题，这就势必会影响图像识别的整体效果。

其二，句法。在图像识别过程中，句法识别主要是通过符号来对图像特征进行描述，可以将句法识别看作是统计法识别的辅助方式，能够发挥一定补充作用。在机械零件无损检测过程中应用图像识别技术时，句法的应用需明确句法层次结构，以图像为对象进行分层，待子图像形成后进行有针对性识别，明确子图像空间结构关系，以符号来对图像特征进行描述。实际上，句法在图像识别过程中的应用，促进了模式识别能力的有效拓展，能够分析景物并识别物体结构，从而满足图像识别的应用需求。但从另一方面来说，句法识别也存在一定局限性，若在图像识别过程中外界干扰较大，则无法准确提取子图像，这就势必增大图像识别误差，导致图像识别的精准度与可靠度无法得到有效保证。

其三，神经网络法。在图像识别过程中，神经网络方法是基于神经网络算法所实现的，其系统中包含诸多简单神经元，这些神经元是图像识别技术的主要载体。在神经网络法的实际应用过程中，将神经元有序连接起来，构建神经网络系统。通过多个神经元的协调作用，促进多元化网络系统行为的形成。神经网络法在图像识别过程中的应用，能够从侧面上反映出人脑功能基本特征，相当于人脑系统的简化与模拟，因此神经网络法在图像识别过程中发挥着良好的应用价值。将句法与神经网络法进行对比可以发现，在图像处理过程中的实现方式有所不同，句法主要对人类逻辑思维进行模拟，而神经网络法则对人的感觉与知觉过程、分布式记忆与自学习过程进行模拟，可见神经网络法与句法存在相辅相成的关系，在机械零件无损检测过程中应用图像识别技术时，要注重对句法与神经网络法加以协调运用，从而全面提高图像识别的准确性与可靠性。神经网络法的特征在于，其能够对信息实施综合优化处理和并行分布式存储，存储规模较大，在非线性映射逼近的状态下，具有良好的容错性，可实现自适应与自学习，因而在图像识别过程中发挥着一定应用优势。同时，神经网络法也存在一定局限性，在图像信息收敛过程中效率较低，针对所提取特征进行分类时，精准度不足，无法满足图像识别新模式的应用需求。

其四，模板匹配法。该方法是图像识别过程中的基础性方法，通过设计阵列来对图像区域特征进行检测识别，模板匹配法可以满足数字量与符号串的识别需求，操作简单，但在物体方向与尺寸方面对模板数量要求较高，匹配难度大，计算复杂且不具备经济性，识别率较低，在结构上存在不确定性，无法达到理想的图像识别效果。

其五，几何变换方法。比较典型的是霍夫变换法，通过图像形式变换在霍夫空间内形成峰点，将图像识别过程中的曲线检测向峰点检测转变。随机霍夫变换RHT法是基于霍夫算法基础上加以改进所实现的，精巧度更高，便于加强计算量与内存空间控制，确保分辨率满足相关标准，以改善图像识别整体效果。

1.3 图像获取系统

在机械零件无损检测的过程中，图像识别技术的应用必须要注重图像获取系统功能的发挥，以确保图像识别的准确性与可靠性。在现代科学技术的支持下，图像获取方法不断优化，由早期尼普科夫盘发展到固体图像传感器，就图像获取的原理来看，其主要是在光电信息转换的基础上实施A/D转换，从而达到理想的图像获取效果。电荷耦合器件CCD是一种先进化且应用广泛的固体图像传感器，对工作电压的要求不高，尺寸较小，且灵敏度较高，坚固性良好且对冲击作用的耐受力较强，在实际应用过程中可实现电子自扫描，并且能够避免扫描畸变等问题出现，与计算机连接便利，分辨率较高，因而CDD在工业、航天、遥感及通讯等领域内都具有良好的应用价值。基于CCD所构建的图像获取系统的组成情况复杂，如表1所示。

表1 CCD图像获取系统组成情况表

2 图像识别技术在机械零件无损检测中的实际应用

在机械零件无损检测过程中应用图像识别技术时，可通过磁粉探伤方法来检测铁磁性材料缺陷，基于图像识别技术的应用价值出发，开发全自动磁粉探伤系统并结合实际情况加以完善。以荧光磁粉无损检测技术为支持，发挥CCD摄像系统功能对图像进行准确采集，识别并处理图像，通过计算机控制系统来实现自动探伤。在实际操作过程中，运用图像识别技术对发送机曲轴表面裂缝进行检测，通过自动磁粉探伤系统功能的发挥，对图像进行科学处理和自动识别。由于数字图像信号的输入过程中噪声会影响图像采集效果，因此要科学运用数字图像处理技术对裂纹进行正确识别，以便于图像处理的规范开展。基于图像识别技术可建立无损检测系统，以满足机械零件无损检测需求。

比如在曲轴图像识别过程中，由于曲轴形状复杂，整体尺寸较大，尤其是6缸发动机中有6个连杆轴颈，空间分布状态特殊，两个连杆之间间隔120°角，此时曲轴完整图像识别难度较大。而通过图像识别技术的应用，可建立无损检测系统，完整获取曲轴图像信息，并检测曲轴表面缺陷，在发动机曲轴整体无损检测中具有良好的适用性。