一种基于图像旋转周期特性的齿轮缺陷检测方法与流程

本发明涉及齿轮外观缺陷检测领域，具体地说是一种基于图像旋转周期性特性的齿轮外观缺陷快速检测方法。

背景技术：

计算机集成制造(cim)技术是信息技术发展和工业生产相结合的产物，是促进生产一元化、集成化和高效化的的技术。在我国，1986年开始实施的“高新技术研究和发展计划”中，cims是一个重要的主题，在当时促进了cims的应用，而伴随着cims(计算机/现代集成制造系统)的推广，信息技术在工业领域上开始愈加频繁地崭露头角。在对于机械零件加工过程中，由于材料、工艺，亦或是其他不可控因素，残次品的出现总是不可避免。所以关于工业产品的缺陷识别显得十分必要，可以极大地提升生产效率，同时也减轻了人工检测的负担，降低了生产的人力成本。而人力成本往往是今后持续增长的企业主要开支之一。

近年来随着计算机视觉技术的发展，其在工业上的应用也更加广泛。对于目标图像，相关计算机视觉技术往往能够抑制其噪声信号，增强所需信号，实现对图像的处理与进一步分析。现有基于图像信息的缺陷检测方案往往将待检测图片与标准模板图片进行匹配，需要额外提供单独的标准模板图像。然而，实际中额外单独采集的标准模板图像，其采集的光照、焦距等外部环境与待检测的图像并不相同，往往会发生欠曝光或者过度曝光等情况，拍摄角度也很难完全一致。这造成了即使是完好无缺的部件，其图像与标准模版的图像也存在较大形变与色差，影响了缺陷检测的准确性。另外，基于额外模板匹配的方法往往要在尺度、旋转和平移多个维度进行查找遍历需要大量计算时间，往往无法满足工业检测的实时性需求。

技术实现要素：

本发明致力于解决上述问题，提出一种基于图像旋转周期特性的齿轮缺陷检测方法。该方法包含齿轮原始图像的预处理，利用齿轮图像旋转运算获取自适应模板图像，利用图像差分运算与模板匹配进行缺陷检测等步骤。本发明检测精度高且速度快，不需要额外的标准模板，对图像采集环境没有过高要求，可以满足规模化生产的需求。

本发明涉及一种基于图像旋转周期特性的齿轮缺陷检测方法，包括检测预处理和缺陷检测两个阶段；

检测预处理阶段包括图像噪声消除和形态学操作两个过程；原始图像噪声消除，指的是使用高斯滤波等滤波方法和基于阈值等二值化分割方法对原图进行图像处理操作，图像形态学操作主要包括边缘和轮廓的检测和特征分析。

缺陷检测阶段包括如下步骤：

步骤j1)对待检图像的阈值进行二值化操作，通过阈值操作进行图像中的物体和背景的像素级分割；

图像阈值二值化操作，指的是使用固定阈值或者自适应阈值的方法进行图像二值化操作。

步骤j2)对待检图像轮廓进行提取，获得图像区域中目标的几何轮廓；

步骤j3)结合获取的最小外包轮廓，确定目标感兴趣区域，提取零件圆心区域作为处理目标的感兴趣区域；

目标感兴趣区域的确定，指的是结合最小外包轮廓提取零件的圆心区域作为处理的目标感兴趣区域，并进行筛选区分，具体过程包括如下步骤：

m1)对轮廓点集进行图像平滑；

m2)寻找最小包围圆形，对图像中所有轮廓的最小外接圆形进行查找、存储；

m3)存储最小外接圆的半径数据；

m4)使用最小外接圆中的最大圆半径表示感兴趣区域的最小表示，选取该圆的外接矩形扩展感兴趣区域。

步骤j4)对图像中齿轮目标区域进行分割空洞再填充，进一步增强图像旋转周期特性；

步骤j5)基于凸包检测方法确定齿轮外轮廓齿数，进而得到齿轮的最小旋转周期角度；

齿轮齿数的确定，指的是使用凸包检测的方法对齿轮的凸出部分进行一定程度的判定，具体过程包括如下步骤：

n1)获取目标图像；

n2)获取直接凸包检测的结果；

n3)确定缩放倍数；

缩放倍数的确定指的是利用缩放减少像素点，减少检测到的凸包个数，得到凸包数量和缩放倍数的函数关系。

n4)循环凸包的检测分析；

n5)确定凸包数量突变点，归纳确定齿轮齿数；

确定突变点指的是获取各个缩放级别下凸包数量变化最大的突变点，由此确定齿轮齿数。

步骤j6)利用齿轮外观的旋转周期性，旋转齿轮图像，生成若干份新图像；

利用齿轮外观的旋转周期性，旋转齿轮图像，生成若干份新图像。具体的一个实现方案可以指通过仿射变换等图像旋转方式来构造图像旋转函数，具体过程包括如下步骤：

l1)旋转矩阵的获取：

旋转变换矩阵的获取指的是通过给定的圆心和旋转角度来获取旋转矩阵，圆心来自于轮廓外接圆中半径排序第二位所对应的圆心，旋转角度是齿轮齿数。

l2)利用旋转矩阵对图像进行几何变换：

l3)根据旋转结果对图形的大小进行校正：

在步骤l3)中，图像旋转之后的区域变大，感兴趣区域的大小固定不变，所以会出现图像丢失的问题，通过将旋转的长宽放大，利用旋转的弧度进行校正，处理仿射变换后的旋转图像变形问题。

步骤j7)通过利用图像的旋转周期性，进行旋转处理，并获得在线自适应模板图像；

在线自适应模板图像的获取，指的是利用目标零件的对称性，均值之后噪声点变淡，再进行阈值操作将淡色的部分进行过滤，以得到平滑图像。具体过程包括旋转图像的生成与基于旋转结果的自适应模板生成。

步骤j8)基于图像差分运算与模板匹配进行缺陷检测，对图像进行差分操作，检测缺陷区域。

图像的差分和缺陷的定位，指的是基于图像差分将原图像均值图像来进行对比，进而确定出不一致的部分。

本发明的优点在于：

(1)不依赖于额外标准模板图片，实际应用非常简洁方便；

(2)针对每个齿轮部件图像样本自动生成匹配模板，能够自适应不同光照环境，调试成本小；

(3)利用旋转周期特性进行匹配定位，搜索空间小，运行效率高；

(4)对缺陷类型没有特定要求，对各种缺陷类型适用度广。

附图说明

图1为本发明的整体流程示意图；

图2为本发明确定目标感兴趣区域的流程示意图；

图3为本发明使用凸包检测确定齿轮齿数的流程示意图；

图4为本发明中待检测齿轮原始图像示意图；

图5为本发明中待检测齿轮图像二值化处理的效果示意图；

图6为合格齿轮的检测效果示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于图像旋转周期特性的齿轮缺陷检测方法，如图1所示，包括检测预处理和缺陷检测两个阶段。在检测预处理阶段，包含图像滤波、噪声消除、二值化、形态学操作等预处理步骤。在缺陷检测阶段，则包含图像分割、目标轮廓提取、目标区域检测、目标区域补全、轮廓齿轮数估计、齿轮图像旋转、在线自适应模板图像生成及原始图片与获得的模板图片差分匹配等步骤。

检测预处理阶段采用高斯滤波、形态学操作等方法对噪声进行消除，并增强齿轮轮廓信号。

如图4为待检测齿轮原始图像示意图。本实施例使用二维高斯滤波消除服从正态分布噪声，其原理是对处于图像中(x0，y0)坐标待滤波的像素点的像素值，用其周围坐标为(x，y)像素点的像素值ax，y进行加权累加替换，具体形式如下：

其中，分别代表高斯核在图像x轴方向和y轴方向的带宽参数。

二维高斯滤波操作后，对图像进行双边滤波处理以平滑边缘。如图5所示，将二值化的结果保存为待用的图像副本之一，在此基础上进行形态学操作。在本实施例中，进行形态学操作的实施方式如下：首先进行k次膨胀、闭运算和黑帽运算，随后进行j次腐蚀、开运算和顶帽运算。k和j的确定由实际数据进行经验性选取，一般来说，选取k或者j为5-10左右。

缺陷检测阶段包括如下步骤：

步骤j1)对待检图像的阈值进行二值化操作，通过阈值操作进行图像中的物体和背景的像素级分割；

阈值二值化操作是基于图像中的物体和背景的差异来进行像素级的分割，本实施例采用全局固定阈值方法进行二值化操作。

步骤j2)对待检图像轮廓进行提取，获得图像区域中目标的几何轮廓；

对提取的轮廓边缘点集进行多边形拟合，得到轮廓的最小外包圆或者最小外包矩形。具体过程分为轮廓的查找、存储、筛选和绘制。

步骤j3)结合获取的最小外包轮廓，确定目标感兴趣区域，提取零件圆心区域作为处理目标的感兴趣区域；

为了消除齿轮范围外的噪声，结合最小外包轮廓获取框取零件的圆心区域作为处理的目标感兴趣区域，将提取到的所有外包圆形存储到数组中，再进行筛选区分，如图2所示，具体步骤如下：

m1)在对所提取的轮廓进行最小外包圆或最小外包矩形之前，先对轮廓点集进行平滑，从而降低误差以及提高效率；

m2)根据零件的类圆形的形状，寻找最小包围圆形的函数；

m3)存储得到的最小外接圆半径；

m4)使用最小外接圆中的最大圆半径表示感兴趣区域的最小表示，选取该圆的外接矩形扩展感兴趣区域。

步骤j4)对图像中齿轮目标区域进行分割空洞再填充，进一步增强图像旋转周期特性；

对图像中齿轮目标区域进行分割空洞再填充，进一步增强图像旋转周期特性，对之后要进行的几何变换操作做好准备。

步骤j5)基于凸包检测方法确定齿轮外轮廓齿数，进而得到齿轮的最小旋转周期角度；

齿轮齿数的确定，使用凸包检测的方法对齿轮的凸出部分进行一定程度的判定，如图3所示，具体过程包括如下步骤：

n1)获取目标图像；

n2)获取直接凸包检测的结果；

n3)确定缩放倍数的；

缩放倍数的确定利用缩放减少像素点，减少检测到的凸包个数，得到凸包数量和缩放倍数的函数关系。

n4)循环凸包的检测分析

n5)确定凸包数量突变点，归纳确定齿轮齿数；

确定凸包数量突变点，归纳确定齿轮齿数，指的是获取各个缩放级别下凸包数量变化最大的突变点，由此确定齿轮齿数。

步骤j6)利用齿轮外观的旋转周期性，旋转齿轮图像，生成若干份新图像；

通过仿射变换以及相应的点的数学旋转变化来构造旋转的函数，具体过程包括如下步骤：

l1)旋转矩阵的获取：圆心来自于之前一步轮廓外接圆的获取中内轮廓的外接圆圆心，旋转角度则是确定的齿轮齿数n，角度正为逆时针，反之则为顺时针，所得到的旋转矩阵的结果为：

其中，α代表旋转角度。

l2)利用旋转矩阵对图像进行几何变换：

l3)根据旋转结果对图形的大小进行校正：

步骤j7)通过利用图像的旋转周期性，进行旋转处理，并获得在线自适应模板图像；

利用齿轮目标的旋转周期性即旋转不变性，获取自适应模板图像，在进行旋转图像结构均值化之后噪声点变淡，再进行阈值操作将淡色的部分进行过滤，以得到平滑图像。具体过程包括如下步骤：

旋转图像的存储获取，先连续进行上一步的旋转操作，对感兴趣区域的图像进行若干次旋转，将每次选择结果图进行存储；对结果图的加权累加和除以旋转图像数目并取平均值或者其他平滑结果，得到所需要的模板图像。

步骤j8)基于图像差分运算与模板匹配进行缺陷检测，对图像进行差分操作，检测缺陷区域，检测结果如图6所示。

得到所需要的均值模板图像之后，将原图像和均值图像来进行对比，使用图像差分方法确定不一致的部分，取连通域面积前三的区域进行框选，分别标记出相对的位置坐标，最后在原图中根据得到的坐标进行标记，确定检测缺陷区域，如图6所示。