计算机视觉下的零件缺陷检测系统

计算机视觉下的零件缺陷检测系统计算机视觉下的零件缺陷检测系统 2019/08/15 计算机视觉；深度学习；零件缺陷检测1计算机视觉的概念“眼睛是心灵的窗口”根据可靠研究表明，人类对外界信息的获取百分之七十都要靠视觉来完成，眼睛是人类感知类器官中最重要也是功能最完善的一个，人工智能领域上也是如此，通过对外界环境影像或图像的获取，处理，分离以及识别。人工智能可以获取大量的信息和数据，并针对这些数据信息采取相应的处理。类似于这种以计算机为工具进行视觉感知和处理的相关研究领域划分为一个独立的部分，这个研究空间就是我们所了解的计算机视觉，也被称为机器视觉。2国内外研究现状近些年来，随着半导体行业和处理器技术的进步，以及劳动力成本的上升和对产品质量要求的提升，国外的计算机视觉技术伴随着这些需求应运而生并且蓬勃发展，随着几十年的开发和应用，到目前为止，机器视觉已经广泛应用于航空航天，智能家电，生物医学工程，人脸识别等诸多领域，并且已具有较高水平，国内的计算机视觉起步较晚，且市场远远没有饱和，大部分都是做的国外厂商的代理，有着极大的人才需求。3缺陷检测算法介绍3.1图像预处理图像预处理就是通过图像出路保留有用信息，筛掉无用信息的一个过程，通过图像预处理可以加快处理速度同时增加识别正确率，从而使得特征提取、图像识别分类更加可靠。由于刚开始采集的图像都是彩色照片，而且极有可能存在角度偏差，位置偏差，以及噪声影响所以在进行识别对比之前通常要对图像进行预处理。因为缺陷检测对颜色信息要求不高，而且彩色图像计算繁琐，我们可以现将图像进行灰度化，然后对得到的灰度图像二值化处理，通过适当的阈值选取获得的二值图像仍具备所需的识别信息，且数据量大为减少使得计算便捷。其中LBP局部二值化模型应用较广，通过设定阈值来生成二值图，原理如图1所示。3.2图像校正与去噪由于拍照的图像不一定是正角度的，我们需要对采集的图像进行旋转，映射，平移，缩放等等的校正处理，图像校正的基本思路是，根据图像失真的原因建立相应的数学模型，从非真的图像信号中提取所需的信息，沿着图像失真的逆过程复原图像。图像在传输和采集过程中，不可避免的会受到噪声的影响，噪声不仅会降低图像的视觉质量，还会影响图像识别的精度，为了得到清晰易识别的图像我们可以通过滤波处理进行去噪行滤波去噪，根据噪声性质的不同，消除噪声的方法也不同，大致分为，均值滤波、中值滤波、傅里叶降噪、小波变换，对于高斯噪声（即噪声成正态分布）采用均值滤波更适合，然而对于椒盐噪声采用中值滤波效果更佳。3.3深度学习的概念以及核心算法3.3.1机器学习的概念机器学习是基于数据构建数学模型的过程，常用的数学模型有概率统计模型，机器学习从数据中来，到数据中去，利用数据训练模型，然后使用模型进行数据预测，从而完成一完整的学习的过程。机器学习算法主要分为监督学习和无监督学习以及强化学习等，当然还有半监督学习，其类型介于监督和非监督之间。监督学习和无监督学习之间的最大区别就在于训练所用的数据是否提供输出量。3.3.2支持向量机英文名称为SupportVectorMachine,是一类按监督学习方式对数据进行二元分类的广义线性分类器，他的核心思路就是将非线性可分的空间特征通过一定的关系映射到线性可分的空间当中来,具有非常强的使用意义，如果在n维空间中存在着两种或多种不同类别的群体。我们总能找到这样的一个n-1维的分界线将两类群体进行分离。而且分离的可靠性最强。这个思想被扩展到很多深度学习分类器的领域中去，衍生了一系列的识别算法。在人脸识别、文本分类、等模式识别问题中有得到广泛应用。3.3.3Ababoost算法Ababoost算法全称为AdaptiveBoosting，也被称为自适应增强算法。主要用于将预测精度低的弱分类器增强为预测精度高的强分类器，为直接构造分类器提供了新的思路和方法。Adaboost算法是一种提升算法，这是一种十分常见且十分有效的统计学习算法。这类算法的特点就是：在分类问题中，他可以通过改变训练样本所占据的权重，来训练出多个分类器，将这些分类器进行线性组合就可以得到一个满足性能的强分类器。众人拾柴火焰高，这样往往能得到较好的分类效果。3.3.4HOG特征HOG就是方向梯度直方图，是在计算机视觉和图像处理领域非常常见的一种特征提取算法，本特征提取通过统计图像中各个小区域中的方向梯度直方图，然后将其进行汇总得到。梯度主要存在于图像的边缘地带。局部目标能被梯度或边缘的方向进行描述。与其他特征提取相比，HOG具有对图像的几何变化，光学变化良好的鲁棒性等优点。4缺陷检测具体流程首先对拍摄的图像进行预处理，预处理包括图像的角度校正，平移，缩放等，同时由于拍摄的环境以及相机的拍摄质量问题，照片会出现或多或少的噪声干扰，这些噪声会影响对缺陷的识别提取，所以也要对图像提前进行噪声滤波，如中值滤波和均值滤波。由于彩色图片的储存空间大，运算速度慢，逻辑复杂。对于零件的缺陷检测来说颜色信息并无关键的作用，所以对拿到的图像优先进行灰度化和二值化处理得到二值图。零件表面的缺陷类型有多种，最常见的就是划痕，斑点，金属氧化物等。我们通过大量的样本进行训练。提取LBP特征，LBP特征提取对光照有着很好的鲁棒性，灰度不变性，且计算速度快，实现简单，旋转不变形等特点。LBP特征对于纹理特征有着很高的敏感性，能够清晰的体现各区域的典型纹理，与此同时能够淡化过度区域，所以目前应用广泛。本次采取了划痕，斑点，金属氧化物的样本各五十张。样本来自于零件厂的废旧零件。经过特征提取和训练分类器得到分类效率较高的系统。对预处理后的图像进行LBP特征提取，并通过与此前训练过的特征图像进行比对，得到各种缺陷的相似程度，若相似程度均低于10%则判定无缺陷。若高于10%则取相似率最高的缺陷类型定义为本次识别零件的缺陷类型。同时确定零件在圆盘中所在位置，通过机械臂抓取将对应缺陷的零件抓取到对应缺陷的区域。之后进行下一个零件的缺陷检测。如图2所示。通过图2效果图我们可以看出来，通过深度学习算法我们对相应缺陷类型的零件已经能够进行一定正确率的识别。并且通过噪声识别规避了一定的干扰，提升了识别的正确率。同时对缺陷类型进行分类，效果较好。与此同时次识别过程存在一点的缺点，那就是目前只能对其表面的缺陷进行识别处理，对于零件内部的缺陷不存在识别作用。同时表面识别只能进行上表面的识别。识别的维度较低。可以通过旋转零件进行多个表面的缺陷识别从而增加识别维度，增加缺陷识别的实用性。5总结随着计算机技术近些年来的飞速发展，以及计算机计算能力及容量的巨大提升，衍生除了一系列算法和技术相结合的人工智能领域，作为人工智能领域的一颗明珠，计算机视觉吸引着大量人才去开发挖掘，计算机视觉在工业领域的应用意义也是十分重大的，通过强化学习以及图像处理便可将计算机视觉应用于工业生产中来实现生产零件的缺陷检测和识别。参考文献1唐向阳,张勇,李江有,黄岗,杨松,关宏.机器视觉关键技术的现状及应用展望J.昆明理工大学学报(理工版),2004,02:36-39.2章炜.机器视觉技术发展及其工业应用J.红外,2006,02:11-17.