基于机器视觉的钢轨表面缺陷检测算法研究

２０１】年２月　第３０卷第２期　洛阳师范学院学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｌｕｏｙａｎｇ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ　Ｆｅｂ．．２０１１　Ｖ０Ｊ．３Ｏ　Ｎｏ．２　

基于机器视觉技术的物体表面缺陷检测　

何小利　，宋　钰２　

（１．￣３ｆｌＮＩ学院计算机学院，四川自贡６４３０００；２．四川理工学院网络中心，四川自贡６４３０００；）　

摘要：本文对物体表面缺陷进行研究和检测．而检测的方法是采用ＬＥＤ环形灯光直接暗视场正面照明方式　来提取插座面板划痕图像．具体过程是使用动态阈值分割图像，并采用放射变换、区域特征处理及连通区域提　取等技术来检测出插座面板划痕．　关键词：机器视觉；物体袁面；缺陷检测　

中图分类号：ＴＰ３９３　文献标识码：Ａ　文章编号：１００９—４９７０．（２０１１）０２—００６４—０５　

０　引　言　检测出划痕并显示其结果（见图　）・　

在传统的产品生产过程中，一般情况下对产品　

的表面缺陷检测是采用人工检测的方法．随着科学　

技术的不断发展，特别是计算机技术的发展，出现　

了计算机视觉检测技术．利用这种新技术设计出来　

的系统不受恶劣环境和主观因素的影响，能快速、　

准确地检测产品的质量，完成人工无法完成的检测　

任务．机器视觉检测结合了计算机图像处理和模式　

识别理论，它综合了计算机技术、数据结构、图像　

处理，模式识别和软件工程等不同领域的相关知　

识．　

一个典型的机器视觉系统应该包括以下五大　

块，照明、镜头、相机、图像采集卡、视觉处理器．　

１物体表面缺陷检测　

物体表面缺陷检测是机器视觉的一种典型应　

用．本文以插座面板划痕检测为例，通过采用ＬＥＤ　

环形灯直接暗视场正面照明方式采集图像，然后使　

用动态阈值分割法将插座面板区域中划痕检测的感　

兴趣区域提取出来，再通过使用区域特征、区域形　

态学对插座面板区域使用腐蚀运算去掉分割区域中　

杂点和小的突出物，确保计算上有足够的精度，最　

后使用放射变换、图像平滑、连通区域提取等算法　

第２３卷第５期　２０１６年１０月　莆田学院学报　

Ｊｏｕｒｎａｌ　ｏｆ　Ｐｕｔ　ｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ　Ｖｂ１．２３　ＮＯ．５　

０ｃｔ．２０１６　

文章编号：１６７２．４１４３（２０１６）０５．００４３．０５　中图分类号：ＴＰ３９１．４１；ＳＴ８１．１　

基于机器视觉的板材表面缺陷检浈ＩＪ方法　

郑志霞　，黄元庆　，冯勇建　文献标识码：Ａ　

（１．莆田学院机电工程学院，福建莆田３５１１００；２．厦门大学航空航天学院，福建厦门３６１００５）　

摘　要：基于机器视觉技术对板材表面缺陷检测进行研究，设计了在线检测的硬件系统和软件处理流程，介　

绍了图像预处理、图像分割和目标提取等处理方法并对缺陷图像进行相应处理。利用ｃ撑软件对板材缺陷在线　检测进行人机交互界面设计和在线调试及在线检测。实验结果表明，本检测方法可行，误检率低，可很好地应　用于木材自动化生产过程的在线检测。　

关键词：机器视觉；表面缺陷；在线检测；数字图像处理　

Ｒｅｓｅａｒｃｈ　ｏｎ　Ｗｏｏｄ　Ｓｕｒｆａｃｅ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　

ＺＨＥＮＧ　Ｚｈｉｘｉａ　，ＨＵＡＮＧ　Ｙｕａｎｑｉｎｇ２，ＦＥＮＧ　Ｙｏｎｇｊｉａｎ２　

（１．Ｓｃｈｏｏｌ　ｏｆＭｅｃｈａｎｉｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｐｕｔｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｐｕｔｉａｎ　Ｆｕｊｉａｎ　３５１１００，Ｃｈｉｎａ；　２．Ｓｃｈｏｏｌ　ｏｆＡｅｒｏｓｐａｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉａｍｅｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉａｍｅｎ　Ｆｕｊｉａｎ　３６１００５，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｓｔｕｄｙ　ｉｎｔｏ　ｂｏａｒｄ　ｓｕｒｆａｃｅ　ｄｅｆｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｍａｃｈｉｎｅ　ｖｉｓｍｎ　ｔｅｃｈｎｏｌｏｇｙ．　

Ｏｎ—ｌｉｎｅ　ｄｅｔｅｃｔｉｏｎ　ｈａｒｄｗａｒｅ　ｓｙｓｔｅｍ　ａｎｄ　ｓｏｆｔｗａｒｅ　ｐｒｏｃｅｓｓｉｎｇ　ｐｒｏｃｅｄｕｒｅ　ｗｅｒｅ　ｄｅｓｉｇｎｅｄ　ｉｎ　ｔｈｅ　ｓｔｕｄｙ．Ｔｈｉｓ　ｐａｐｅｒ　ａｌｓｏ　ｄｅｓｃｒｉｂｅｄ　ｉｍａｇｅ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ，ａｎｄ　ｏｂｊｅｃｔ　ｅｘｔｒａｃｔｉｏｎ　ｔｅｃｈｎｉｑｕｅｓ　ａｎｄ　ｃｏｖｅｒｅｄ　ａｐｐｒｏｐｒｉａｔｅ　ｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｄｅｆｅｃｔ　ｉｍａｇｅｓ．Ｃ　ｓｏｆｔｗａｒｅ　ｗａｓ　ｕｔｉｌｉｚｅｄ　ｔｏ　ｄｅｖｅｌｏｐ　ＭＭＩ　ｉｎｔｅｒｆａｃｅｓ　ｆｏｒ　ｏｎ—ｌｉｎｅ　ｂｏａｒｄ　ｓｕｒｆａｃｅ　ｄｅｆｅｃｔ　ｄｅｔｅｃｔｉｏｎ．Ｏｎ－ｌｉｎｅ　ｄｅｂｕｇｇｉｎｇ　ａｎｄ　ｏｎ—ｌｉｎｅ　ｄｅｔｅｃｔｉｏｎ　ｗｅｒｅ　ｃａｒｒｉｅｄ　ｏｕｔ．Ｉｔ　ｈａｓ　ｂｅｅｎ　ｐｒｏｖｅｎ　ｂｙ　ｅｘｐｅｒｉｍｅｎｔａｔｉｏｎ　ｔｈａｔ　ｔｈｉｓ　ｄｅｔｅｃｔｉｏｎ　ａｐｐｒｏａｃｈ　ｗａｓ　ｆｅａｓｉｂｌｅ　ａｎｄ　ｒｅｇｉｓｔｅｒｅｄ　ａ　ｌｏｗ　ｅｒｒｏｒ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ，ａｎｄ　ｍａｙ　

基于机器视觉的工件表面缺陷检测算法研究与应用

随着工业发展的不断推进，工件表面缺陷的检测变得越来越重要。其中，机器视觉技术的应用为工件缺陷检测提供了一种有效的手段。本文将针对基于机器视觉的工件表面缺陷检测算法进行研究与应用，探讨其原理和优势。

一、机器视觉技术在工件表面缺陷检测中的应用

机器视觉技术是一种利用计算机视觉系统对图像进行感知、分析和处理的技术。在工件表面缺陷检测中，机器视觉技术可以通过图像采集、处理和分析，实现对工件表面缺陷的自动检测和分类。

二、工件表面缺陷检测的算法原理

1. 图像采集与预处理

在工件表面缺陷检测中，首先需要采集工件表面的图像数据。通过合适的光源和相机等设备，获取高质量的图像。然后，进行图像预处理，包括图像去噪、图像增强等处理，以提高后续算法的准确性和稳定性。

2. 特征提取与选择

提取工件表面缺陷图像中的特征是缺陷检测的关键一步。常用的特征包括纹理特征、形状特征、颜色特征等。根据具体情况，选择适合的特征进行提取，并进行适当的降维处理，以减少特征的维度和冗余信息。

3. 缺陷检测与分类

在特征提取后，利用机器学习算法对工件图像进行缺陷检测和分类。常用的算法包括支持向量机（SVM）、卷积神经网络（CNN）等。通过训练模型和测试样本，实现对工件缺陷的有效检测和分类。

三、基于机器视觉的工件表面缺陷检测算法的优势

1. 高效性

机器视觉技术可以实现对工件表面缺陷的自动检测和分类，大大提高了检测的效率。相比于传统的人工检测方法，机器视觉算法可以在短时间内处理大量图像数据，提高了生产力和效益。

2. 准确性

基于机器学习算法的工件缺陷检测可以通过大量的样本训练和测试，从而提高检测的准确性。机器视觉算法可以自动识别和分析工件缺陷，避免了人眼视觉疲劳和主观判断的影响，减少了误检和漏检的问题。

3. 稳定性

机器视觉算法可以稳定地运行在工业生产线上，实时地对工件进行检测。相比于人工检测的系统，机器视觉算法可以克服环境变化对检测结果的影响，并且不受人为因素的干扰。 四、基于机器视觉的工件表面缺陷检测算法的应用展望

第源猿卷湖北师范大学学报渊自然科学版冤灾燥造郾源猿第员期允燥怎则灶葬造燥枣匀怎遭藻蚤晕燥则皂葬造哉灶蚤增藻则泽蚤贼赠渊晕葬贼怎则葬造杂糟蚤藻灶糟藻冤晕燥郾员袁圆园圆猿

基于机器视觉的一种改进铁轨表面缺陷检测方法

李国旺袁李摇英袁马韵琪袁夏晨旭

渊长春理工大学光电工程学院袁长春摇员猿园园圆圆冤

摘要院由于机器视觉对铁轨表面进行缺陷检测时袁其检测的缺陷大小远超过实际缺陷大小袁为提高检测缺陷大小的精准性袁提出基于机器视觉的一种改进铁轨表面缺陷检测方法遥首先袁提出一种基于边缘灰度值水平投影最大值的轨道边缘提取算法袁在经过边缘检测后的图像中定位出轨道的真正边缘曰然后袁利用自适应降噪双边滤波保留缺陷边缘袁针对性去除轨道表面噪声袁避免了图像分割后需要进行形态学处理而造成的缺陷损失曰最后袁基于韵贼泽怎阈值分割引入背景加权袁使分割的缺陷更接近实际缺陷遥实验结果表明袁低于缘园个像素的缺陷部分准确率和召回率分别达到院怨怨援远源豫和员园园援园园豫袁高于缘园个像素的缺陷部分准确率和召回率分别达到院怨苑援愿怨豫和怨怨援缘愿豫援关键词院机器视觉曰缺陷检测曰阈值分割曰特征提取中图分类号院栽孕圆苑源援猿摇摇文献标志码院粤摇摇文章编号院圆园怨远原猿员源怨渊圆园圆猿冤园员原园园猿猿原园苑凿燥蚤院员园援猿怨远怨辕躁援蚤泽泽灶援圆园怨远原猿员源怨援圆园圆猿援园员援园园缘

园摇引言

铁路运输是我国重要交通运输方式之一袁铁路轨道的质量是列车运行安全的关键因素袁对铁轨表

面缺陷进行精确的检测是有必要的遥目前铁轨表面缺陷检测方式分为三大类院一是借助传感器渊激

光咱员暂尧超声波咱圆袁猿暂尧红外线咱源暂和涡流咱缘暂等冤进行缺陷检测的方法袁测量的结果对传感器本身的精度和可

靠性要求较高袁无法满足铁轨检测快速的要求咱远暂遥二是传统的图像处理和机器视觉方法袁对缺陷的

检测具有较好的客观性和精准性袁但是检测出的缺陷大小远超过实际缺陷大小遥例院甄理利用二值图

像边界跟踪法分离缺陷咱苑暂曰刘蕴辉等人利用灰度阈值分割图像获取铁轨缺陷咱愿暂曰张闯利用样条小波尧