基于机器视觉的换向器表面质量自动化检测方法研究

毕 业 论 文题 目： 基于机器视觉的换向器表面质量（麻点）自动化检测方法研究 作 者： M L P 毕业届期： 2 0 1 1 届 指导老师： 院 系： 交通与工程系 专 业： 交 通 运 输 2011年5月15日目录摘要2第一章 绪论31.1选题目的及意义31.2实验方案31.3文章内容结构4第二章 数字化图像基础62.1 图像的数学模型62.2 彩色图像72.2.1加权平均法72.3 灰度图像72.3.1 灰度直方图82.4 二值图像92.4.1 灰度图像二值化92.5 本章小结10第三章 霍夫变换113.1霍夫变换基本原理113.2 极坐标形式表示霍夫变换133.3 霍夫变换原理的应用方法153.3.1 算法原理153.4 总结17第四章 图像采集及几何校正184.1图像采集184.2 图像的几何校正184.2.1 图像几何校正基础知识194.2.2 图像的旋转校正194.2.3图像的裁剪224.3 本章总结23第五章 图像的分割245.1基于阈值的图像分割245.2 连通域标记及面积计算255.3 本章小结26第六章 图像的边缘检测与实验结果276.1换向片边缘检测与标记276.2 检测结果计算296.2.1图像单位距离计算296.2.2 麻点实际面积计算296.3 本章小结30第七章 结论317.1本论文所取得的成果317.2展望31参考文献33致谢34附录35基于机器视觉的换向器表面质量（麻点）自动化检测方法研究摘要换向片作为直流电机的关键部件，其表面质量好坏直接影响到电机的运行性能。换向片表面麻点的存在，会使电刷和换向器的接触稳定性受到破坏，加大电刷与换向器接触面火花和电弧产生的倾向，严重影响电机运行的稳定性和使用寿命。然而目前国内对换向片表面质量的检测依旧停留在人工检测阶段，技术落后，效率低，工作强度大。根据权威期刊数据库检索结果可知，国内尚无此方面的研究成果。论文将机器视觉技术应用于换向片表面质量的检测，通过计算换向片表面麻点面积来实现。采用基于阈值的图像分割技术提取出麻点图像，对其进行标记和连通域面积计算；针对换向片的边缘轮廓形状特征，应用上边缘检测和霍夫变换方法，标记换向片上下边缘并计算两条边缘线间距离，然后依据其实际距离可推算出麻点面积。论文首次应用了机器视觉技术来检测换向片表面质量。用matlab语言进行编程实验，仿真结果良好，表明文中提出的方法是有效可行的。不但成功地解决了换向器表面质量的检测问题，同时对其他产品上同类问题的解决具有一定的借鉴意义。 关键词： 换向器表面质量 边缘检测 阈值分割 麻点 霍夫变换第一章 绪论1.1选题目的及意义换向片作为直流电机的关键部件，其状态好坏直接影响到电机的运行性能。换向片对电机性能的影响主要取决于在一定条件下相对电刷高速滑动时的电接触行为。在电刷和换向器的接触面上，如果能够实现均匀、平滑的接触，就能实现平稳换向；但因表面麻点的存在，电刷和换向器的接触稳定性受到破坏，加大电刷与换向器接触面火花和电弧产生的倾向，严重影响电机运行的稳定性和使用寿命。所以不论是电机的生产还是使用中，换向片质量的检测都是很关键的。特别是对一些交通工具的原动机而言，这一点显得尤为重要。而目前对电机换向片表面质量的检测以人为定期检测为主，技术落后，效率低，工作强度大。根据权威期刊数据库检索结果可知，国内尚无此方面的研究成果。所以本文将机器视觉检测方法用于换向片表面麻点的检测。利用机器视觉进行检测不仅可以排除主观因素的干扰，降低劳动强度，提高生产效率，对这些指标进行定量描述，对缺陷的形态、类型进行鉴别和统计，具有人工检测所无法比拟的优越性。1.2实验方案1）用照相机或是其他设备采集图像，将电机换向器表面信息以数码照片的形式传递给计算机。 2）对图像进行初步判断分析，挑选质量较高，可以反映换向器实际情况的照片进行灰度处理。3）对图片进行裁剪，滤除图像背景等不必要的干扰信息，以减少图像处理的难度。4）根据图像灰度直方图，选择合理的阈值进行二值化，提取出麻点图像，并对其进行标记和连通域面积计算。5）选择合理的阈值进行二值化，得到换向片边缘分割图像，应用上边缘检测和霍夫变换方法标记其上下边缘线，并计算上下边缘线间的距离。6）根据连通域面积和换向片上下边实际宽度换算出麻点面积。实验流程如图1-1所示。以上各过程均已在matlab7.6.0环境中进行仿真，得到了比较好的效果，仿真结果表明该方法是有效可行的。1.3文章内容结构第一章介绍了本文的选题背景、目的及意义，概述了本文的主要内容及结构，对文章中所涉及到的实验进行介绍。第二章对数字图像处理技术作了全面概述，介绍了数字图像处理的概念和发展，对数字图像的各种基础知识、基础概念进行了讲解。第三章对霍夫变换数学原理进行了详细讲解。第四章以图像的几何校正为主，对实验中的所涉及到的图片裁剪、旋转的基本原理进行讲解，是图像后续处理的基础。第五章采用基于阈值的图像分割方法对换向片麻点图像进行提取。通过实验了解了在基于阈值的图像分割中，阈值的选取对分割结果的影响。第六章用上边缘检测和霍夫变换方法，标记出了换向片边缘信息，并由此结合换向片的实际宽度，求解出了麻点的实际面积大小。第七章对全文作了总结，提出了文中采用方法的存在的问题和需改进之处。 图1-1 实验流程第二章 数字化图像基础数字图像处理的英文名称是“Digital Image Processing”。所谓数字图像处理就是利用计算机或者其数字硬件，对从图像信息转换得来的电信号进行某些数学运算，以提高图像的实用性。数字图像处理技术处理精度比较高，而且还可以通过改进处理软件来优化处理效果。它是在遥感和生物医学图片分析两项应用技术基础上开拓出来的新领域。这项技术最早出现于50年代，当时的数字计算机己经发展到一定水平，人们开始利用计算机来处理图形和图像信息。70年代末以来，由于数字技术和微机技术的迅猛发展，给图像处理提供了先进的技术手段，图像处理技术也就由信息处理、自动控制系统理论、计算机科学、数据通信、电视技术等学科中脱颖而出，成长为旨在研究图像信息的获取、传输、存储、变换、显示、理解与综合利用的一门崭新学科问。随着图像处理技术基本理论的发展，具有数据量大、运算速度快、算法严密、可靠性强、集成度高、智能性强等特点的各种图文系统在国民经济各部门得到广泛的应用，并在逐渐深入社会的各个方面。2.1 图像的数学模型 在计算机中，图像像素的灰度值用整数表示,如图，一副M * N个像素的数字图像，其像素灰度值可以用M行、N列的矩阵F（i , j） 表示： 图2-1 这样，就可以直接对图像矩阵进行数学运算，来实现数字图像的处理。2.2 彩色图像 自然界常见的光，都可由红（R）、绿（G）、蓝（B）三种颜色的光按不同的比例相配而成，这就是色度学中的三基色原理。 将由红、绿、蓝这三种基色组成的颜色模型称为RGB颜色空间。如图2-2所示，以三维矩阵将RGB图像存放，图像中每个像素点的颜色由R、G、B三种分量决定，而每个分量有255个可能的取值。这样每个像素点可以有1600多万（255*255*255）种变化范围 。所以，在图像处理中一般将彩色图像转换为灰度图像进行处理。图像的灰度化处理常用的有三种方法：加权平均法、平均值法和最大值法。一般以加权平均法为主。 图 2-22.2.1加权平均法根据重要性和其他指标，将R、G、B三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感度最高，加权值为0.59；对蓝色的敏感度最低，加权值为0.11；因此，可以用式2.1对三分量进行加权平均得到较合理的灰度图像。F(i , j) = 0.30R(i ,j)+0.59G(i , j)+0.11B(i ,j) （2.1） 式中F（i，j）为得到的灰度图像矩阵；R(i，j)，G（i，j）,B(i，j)分别为彩色图像三维矩阵中的红色、绿色和蓝色分量所对应的矩阵。 2.3 灰度图像 在灰度图像中，像素灰度级用8位表示，所以每个像素都是介于黑色和白色之间的256（=256）种灰度中的一种，灰度图像只有灰度颜色而没有彩色。如图2-3所示，每一数字都表示与其相对应的像素点的灰度级。图2-32.3.1 灰度直方图图像的直方图是图像的重要统计特征，是表示数字图像中每一灰度级与该灰度级出现的频数间的统计关系，即图像中某一灰度级的像素数目。灰度直方图定义为： P()= (k = 0,1,2L-1)（2.2）式中：N为一幅图像的总像素数；为第k级灰度的像素数；为第k级个灰度级；L为灰度级数；P（）为该灰度级出现的相对频数。灰度值 图2-4 图像直方图直方图用横坐标轴代表灰度值，纵坐标代表像素数（产生概率、对整个画面上的像素数的比率），如图2-4所示。（a）灰度值集中在较暗区域（b）灰度值集中在较亮区域01r01r图2-5图像灰度分布概率密度函数图2-5（a）和（b）为两个相对应的灰度密度分布函数。图2-5(a)的大多数像素灰度值分布在较暗的区域，所以此图像整体较暗；而图2-5（b）的图像像素值集中在亮区，此副图像整体较亮。2.4 二值图像二值图像的每个像素不是黑就是白，其像素灰度值没有中间过渡。二值图像中每个像素的值只能是0或1，如图2-5所示，是一副二值图像的数学表示。 图2-6 二值图像2.4.1 灰度图像二值化图像二值化就是将图像上的像素点的灰度值设为0或255，使整幅图呈现出明显的黑白效果。图像二值化有利于图像的进一步处理，使图像变得简单，数据量减小，能凸显出感兴趣目标的轮廓。二值化作为一种图像分割技术，由于其再工程应用中发挥着重要的作用，长期以来吸引了大量的工程技术人员对其进行研究。二值化方法通常分为两类：全局二值化算法和局部二值化算法，全局二值化算法，选择单一阈值，该阈值对全局适用。局部二值化算法，则是根据局部信息选择一个阈值，该阈值对局部适用。 设一副灰度图像，经过二值化将其转化为二值图像，运算方法如下：1 =0 其他 或 (2.3)1 =0 2.5 本章小结 本章介绍了数字化图像技术的一些基础知识。首先简单介绍了数字化图像技术及其发展历史，接着分别讲解了彩色图像、灰度图像、二值图像的数学模型；以加权平均法为主讲解了彩色图像的灰度化处理方法；介绍了灰度直方图和灰度图像的二值化方法。通过本章可以使我们对图像的数字化技术有浅薄的认识，了解图像数字化基本原理。第三章 霍夫变换 霍夫变换是一种线描述方法，它可以将图像空间中用直角坐标表示的直线变换为极坐标空间中的点。一般将霍夫变换称为线点变换。霍夫变换提取直线的主要优点是受直线中的间隙和噪声影响较小。本章将详细讲解霍夫变换的基本原理。3.1霍夫变换基本原理xymbm0b0图像空间霍夫空间图3-1图像空间中的一条线对应霍夫空间中的一个点 将由直线的斜率m和直线与y轴截距b分别为横坐标轴和纵坐标轴组成的直角坐标系称为霍夫空间，在霍夫空间中纵坐标b与横坐标m的关系表示为： (3.1)如图3-1所示，直线都可用函数来表示，每条直线和都是唯一的，所以，图像空间中的一条直线在霍夫空间中对应一个点。假设在图像空间中一簇直线相交于一点（）， 用公式来做霍夫空间的对应图像。因为过一点可以作无数条直线，所以可以认为是连续变化的，这样可以做出一条直线，如图3-2右图所示。因此图像空间中的一点对应霍夫空间中的一条直线。xymbx0b0图像空间霍夫空间图3-2 图像空间中的一个点对应Hough空间中的一条直线y0如图3-3所示，图像空间中的两点在霍夫空间表示为两条相交的直线，而两条直线的交点表示的是图像空间中过给定两点的直线。图像空间图3-3 由公式 可以求出各点在霍夫空间对应的直线如下：(1,0) - b= -m (1,1) - b=-m+1 (2,1)-b=-2m+1 (3,2)-b=-3m+2 (3-2) (4,1)-b=-4m+1由以上公式可以作出各个直线 图 3-4 图3-4霍夫空间中的直线为图3-3图像空间中各点在霍夫空间中的表示，其中有两点分别由三条直线相交组成，由式3.2不难判断出，这两个点分别是经过点（1,1），（2,1），（4,1）的直线和经过点（1,0），（2,1），（3,2）的直线在霍夫空间中的表示。由以上的判断可以得出这样的结论：在图像空间中如果有N个点排列在同一直线上，则这N个点在霍夫空间中相对应的直线汇交于一点。在霍夫空间中汇交于一点的直线条数越多，则在图像空间中排在同一直线上的点的数目越多。以上是霍夫变换的基本原理，但是还有一个问题存在，当图像空间中的直线为垂直于X轴的直线时，,没有办法用来表示，所以考虑到了用极坐标的形式来表示直线。3.2 极坐标形式表示霍夫变换 图3-5 极坐标表示直线在图3-5中： (3-3) 所以可以得出垂线的斜率为 (3.4) 原直线的斜率为 (3.5) 在原直线上任意一点的斜率我们可以表示为： (3.6) 结合式3.5可以得出： (3.7) 通过上式结合图3-5可以得出：只空间中N个点满足都满足,则这N个点在同一直线上，并且这条直线由来确定。 对于垂线，可以用极坐标表示为 x = r 图 3-6通过以上结论，应用霍夫原理，可以将图像空间中点映射为空间中的正弦曲线。如图3-7所示：Xy图 3-7 而图像空间中共线的点所对应直线的的值正是空间中两条正弦曲线的交点。3.3 霍夫变换原理的应用方法前面两节主要介绍了霍夫变换的基本原理和霍夫变换的极坐标表示形式。本节将举例讲解用霍夫变换原理检测换向片边缘直线的方法。将图像空间中的检测直线的问题转化为在极坐标参数空间中找通过点的最多正弦曲线数的问题。在极坐标空间中，经过某一点的正弦曲线数目越多，则在图像空间中这一值所对应的直线上的点的数目越多。对每一点上经过的正弦曲线的数目做统计，然后由多到少进行检索，根据需要，保存前N条直线的信息。3.3.1 算法原理首先将值进行离散化处理，然后代入。例如：-90，-89.5，-80，-79.5或是-90,-80，-70等。如图3-8所示，图像空间中的几个点，用霍夫变换原理找出图像中在同一直线上的点。 图 3-8 1.首先选择值，在本例中选择=-45,0，45，90 2.点坐标(x,y)值分别代入可以得出： (x,y)-4504590(2,0)1.421.40(1,1)011.41(2,1)0.722.11(1,3)-1.412.83(2,3)-0.723.53(4,3)0.744.93(3,4)-0.734.94 表 3-1 3.由表 3-1中的数据，对各点经过的正弦数目进行统计：可以看出，经过点（2,0。）的正弦数和经过点（3，90。）的正弦数最多，均为3个。通过计算可以得出对应的直线。 2 = xcos0 + ysin0 x= 2 3 = xcos90 + ysin90 y = 3最后将这两条直线在原图像中标出。3.4 总结 本章详细介绍了霍夫变换原理和用极坐标表示霍夫变换的方法，以及用霍夫变换原理检测直线的具体方法。最后再次对霍夫变换的主要性质做以总结： 1. 直角坐标系中的一点对应于极坐标中的一条正弦曲线。 2. 变换域极坐标系中一点对应于直角坐标系中的一条直线。 3. 直角坐标系一条直线上的N个点对应于极坐标系中共点的N条曲线。由于霍夫变换受直线间隙和图像中的噪声影响较小，所以在本文后面内容中将用霍夫变换方法进行换向片上下边直线的检测。 第四章 图像采集及几何校正 图像在生成和传送的过程中，很可能会产生畸变，比如：偏色、模糊、几何倾斜等，这将严重影响到图像处理的效果。所以图像的摄取过程和图像的几何校正都是图像处理中非常关键的步骤。本章将介绍电机换向片图像采集过程中的注意事项，以及换向片图像的裁剪和旋转两种几何校正方法的基本原理。4.1图像采集 图像输入的方式有图像采集卡输入、扫描仪输入、数码相机等几种采集方式，综合考虑几种采集方式的优缺点，本文采用数码相机进行图像的采集工作。用数码相机进行图像采集的需注意事项有：1. 必须将数码相机固定，防止因人手颤动而使图像模糊，增加图像处理的困难。2. 为了使采集的图像有足够的清晰度，必须保证照相机镜头与物体间的距离。3. 必须保证物体表面光照均匀，在必要情况下可使用外部灯光。采集的换向器图像如图4-1。 图 4-14.2 图像的几何校正实际采集到的图像由于各种客观因素的影响，可能产生畸变，无法直接进行实验研究，这就需要几何校正。图像的几何校正就是用数学建模的方法对图像的位置、大小、形状等进行改变，来实现图像的校正。4.2.1 图像几何校正基础知识数字图像是把连续图像在坐标空间和性质空间离散化了的图像。例如用一组二维数组f(x,y)来表示，其中x,y表示2D空间xy中的一个坐标点的位置，f（x,y）代表图像在点（x,y）的某种性质的数值。如果处理的是一幅灰度图像，这时f(x,y)表示灰度值。所以一般的几何变换可以通过与之对应的矩阵线性变换来实现。需要注意的是图像在2D空间的表示以水平向右为X轴，以垂直向下为Y轴，如图 4-1所示。图 4-14.2.2 图像的旋转校正 图像旋转通常的做法是：以图像的中心为圆心进行旋转，将图像上所有的像素点都旋转一个相同的角度。一、两种坐标系的转换 前面已经提及图像在2D空间中的表示以水平向右为横轴，以垂直向下为竖轴。如果以图像中心为圆心进行旋转，必须将两种坐标系进行转换，如下图所示： xy 图 4-2如图所示，设此图像宽度为w，高度为h，分别为两种坐标系的原点，现将原点的位置移动到新的原点。 (4.1) 将式4-1表示为矩阵形式如下： （4.2） 相反的将坐标系转换为坐标系可用下式表示： （4.3） 转换为矩阵形式为： （4.4）二、图像的旋转原理 如图4-3，将点移动到点位置，由于旋转量以角度为标准，所以将分别表示为，式中r为该点到原点的距离，为与轴之间的夹角，为旋转的角度。xy 图 4-3如图 4-3旋转后的点的坐标表示为： (4.5)以矩阵形式表示为： (4.6)根据式4.2、4.4、4.6可以将图像中像素点的旋转分为三个步骤来完成： 1、将坐标； 2、将该点旋转角； 3、将坐标。用数学方法可表达如下： (4.7)式中的分别表示坐标系与坐标系中的图像的高与宽。图像旋转的一个关键因素是旋转角度的大小，一般可用霍夫变换来求得旋转角度。本文中为了方便换向片边缘检测必须对图像进行旋转，使换向片与X轴保持大致平行，旋转结果如下图所示。图 4-44.2.3图像的裁剪由于硬件条件的制约，在实验图像的摄取中难免会有受光不均匀产生的过亮或过暗部分及一些无用背景，这些将成为干扰图像处理与分析的主要因素。用几何变换方法对图像中的干扰信息进行滤除，这就是图像的裁剪。图像裁剪的方法非常简单，就是将图像矩阵中需要的像素点的数据提取出来，形成一个新的图像矩阵。下面举一个简单的例子来说明图像的裁剪原理。假设原图像矩阵为F，需要的图像矩阵为T 具体实现方法如下： (4.8)由上可以看出，只要确定所需图像的原点，即上式中的点在原图像中的坐标值，以及所需图像的高h和宽度w，就可以从原图像中截取所需图像。如图4-5所示是经过裁剪后的换向片图像。图 4-5 裁剪后的图像 4.3 本章总结本章主要讲解了图片摄取的几种途径及注意事项，以及对图像旋转、裁剪等几何校正方法、原理进行了说明，为后面图像的分割，标记和面积计算等奠定了基础。几个实验都比较成功，达到了预期效果。 第五章 图像的分割 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景，它们一般对应图像中特定的、具有独特性质的区域，为了对目标进一步处理，需要把它们提取出来。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。本章应用图像分割技术提取电机换向片图像中的麻点图像，并进行标记和面积计算。 5.1基于阈值的图像分割阈值图像分割又称为门限图像分割，其原理简单、易于实现，是一类被广泛应用的图像分割方法。阈值分割方法基于以下假设：对于灰度图像，目标与背景之间像素灰度值差异较大，而目标或背景内部的像素值在灰度直方图上表现为比较集中。在这样的假设前提下，对灰度图像进行分割，只需要在直方图中目标与背景两个峰值之间适当的选取阈值，就可以实现对灰度图像的分割。 图5-1 换向片图像直方图本文中经过几何校正的换向片灰度直方图如图5-1所示，从图中可以找到两个分割阈值，即60与130，那么可以将图像以灰度值分成0-60,60-130,130-255三部分，但并不知道每一部分在原图中的意义，用阈值60与130将图像进行分割，分割后图像如下图：(b) 阈值60 (a) 二值化后的图像 阈值130图 5-2如图5-2阈值分割出的分别是麻点图像与换向器片槽图像。从分割出的麻点图像可以看出，所选阈值并不是最理想的，图像中有太多干扰信息，必须对图像进一步实验，以找到最合理阈值。(b) 阈值135(a) 阈值127 (c) 阈值138(d) 阈值140(e) 阈值50图5-3 将以上各图进行比较，可以看出：选择阈值过小，分割后的图像噪音点太多，无法准确的标记所需图像；如果选择阈值过大，会使目标图像信息缺失，准确性降低。本文中换向片图像的最佳分割阈值为140和60。5.2 连通域标记及面积计算 无论是二值分割结果还是多值分割结果，分割得到的图像包含一个或多个区域，提取出这些区域一般通过连通域标记来实现。 图 5-4 图像的连通域标记方法是：将二值分割后的多个区域用不同的数字来表示，如图5-3是经过二值分割后的麻点图像的标记结果，图中的数字1为麻点，0是背景。如果换向片上有多个麻点，可用数字1,2,3来依次进行标记。图像的连通域标记方便了图像特征的提取，也可以通过计算各连通域的面积来滤除图像中的噪声等干扰信息。对某个图像区域，其面积就是统计中边界内部（也包括边界上）的像素点的灰度级之和，计算公式如下： （5-1）式中：M、N分别为图像区域的长和宽。对于二值图像，若用1表示目标，用0表示背景，其面积就是统计的个数。5.3 本章小结本章以灰度图像直方图为依据，对电机换向片图像进行基于阈值的图像分割，经过多次实验，找到了较合理阈值，分别提取到了换向片表面麻点图像和换向片、槽的分割图像。对分割后的连通域进行标记，求解出了其像素计数面积。第六章 图像的边缘检测与实验结果图像的边缘是图像最基本的特征，可以被定义为在局部区域内图像特性的差别，它总是以强度突变的形式出现，主要表现为图像局部特性上的不连续性，如灰度的突变、纹理结构的突变、颜色的突变等。对于换向器图像，能否成功检测出换向片的边缘，将决定换向器表面质量检测的准确性。本章要解决的问题是：提取出图像中的换向片边缘信息，计算出换向片宽度，并根据测量的换向片实际宽度推算出麻点的实际面积。6.1换向片边缘检测与标记电机换向片边缘检测的步骤如下：一、 图像的反转在数字图像处理中，为了方便，通常以0来表示图像的背景，以1来表示目标图像。所以与之相反的图像可以通过反转来进行校正。本文中电机换向片的反转过程如下图：图 6-1 图像翻转二、用上边缘检测法进行边缘检测数字图像处理方法中，边缘检测算法较多，但是对于本文，用上边缘检测法来检测电机换向片边缘，有着明显的优越性。它不仅可以消除竖向边缘信息对检测的干扰，并且使换向片云母槽图像细化为单像素点，简化了边缘的提取。上边缘检测的实现较为简单。如果一个像素点的值为1，并且它正上方像素点的值为0，则将该像素点赋值为1；如果不符合此条件，则该点赋值为0。用matlab来实现，程序如下：-function Y=EdgeTop(X)row,col = size(X);Y=zeros(row,col);Y=logical(Y);for j=2:1:col-1,for i=2:1:row-1, if(X(i,j)=1)&(X(i-1,j)=0), Y(i,j)=1; end endend-程序运行的效果见图6-2，右图为上边缘检测后的图像。图6-2 上边缘检测三、用霍夫变换检测出两条边缘线并进行标记，运行结果如下图。(b) 霍夫变换标记出的直线(a) 霍夫变换效果 (c) 霍夫变换结果 图 6-3以上图(a)是原图像中的像素点映射到坐标系上的一簇曲线；图(b)是用霍夫变换检测出的边缘直线在原图上的标记；图(c)是霍夫变换返回的数据。可以看出霍夫变换返回的数据中包含直线的始点、终点、值与值，根据公式： 可以得出两条直线函数。6.2 检测结果计算6.2.1图像单位距离计算 通过实验得出了两条相互平行的直线函数，根据直线函数可计算出平行线间的距离，方法如下： 图 6-4 设两条平行线函数分别为，则它们在Y轴上的截距分别为，如图6-4所示。两条平行线间的距离为： 可得 （6.1） 根据测得的换相片的实际宽度与L值可计算出图像的单位距离。6.2.2 麻点实际面积计算 将像素点看作单位面积的小方块，则由图像坐标系可知，图像的单位距离就是每个小方块的边长，即水平或垂直方向相邻像素点间的距离。 因此换向片表面麻点的实际面积为: （6.2） 式中S为麻点的实际面积，A是麻点的像素计数面积，l是测得换向片的实际宽度。6.3 本章小结 本章应用上边缘检测和霍夫变换两种算法，求解出了换向片宽度，再根据其实际测得宽度推算出了麻点的实际面积。实验表明，采用的算法适用于对换向片表面质量的检测，均达到了预期的效果。第七章 结论论文的研究工作主要以基于机器视觉的电机换向片表面质量（麻点）自动化检测为主要内容，参考国内外文献资料，了解基于机器视觉的检测方法在其他领域和其他工农业产品上的应用，在系统研究其发展现状、可行性，以及工程需要等基础上，提出了将机器视觉技术用于对电机换向器表面质量的检测。论文以某汽车电机换向器为检测对象，对所提出的检测方法进行仿真实验，取得了较好的效果。仿真实验验证，该方法切实可行。7.1本论文所取得的成果1. 首次提出将机器视觉技术应用于对换向器表面质量的检测。2. 提出了一套完整的基于机器视觉的换向器表面质量检测方案，并经过仿真实验，得到较满意效果。3. 文中应用非常简单的算法及逻辑方式解决的换向片表面麻点实际面积的计算问题。使得此方法易于在其他开发环境中编译，有助于工业应用的实现。4. 提出的检测方法可为机器视觉技术在其他工农业产品中应用提供参考、借鉴。7.2展望本文所阐的课题具有很强的实用性，但由于客观环境和本人主观上的局限性，使得整个方法还有许多有待完善的地方，下面就对这些缺陷和未来的研究工作作简单的叙述： 1. 文章以基于机器视觉的电机换向器表面质量自动化检测方法的探索研究为主，只提出了一套检测方法和具体算法，而没有做出一个完整的检测系统，使得此方法离实际应用还有很大的一步路要走。这也是今后研究和发展的一个主要方向。2. 使用数码相机进行图像的采集，这将成为图像的自动采集和传输实现的限制因素。所以要实现完全的自动化检测，必须进行调整，采用计算机软件、图像采集卡、CCD相机相结合的采集方式。3. 今后要开发更有效的算法，使此方法适用于受运动、光照不足等因素干扰的复 杂情况下图像的处理，并进一步扩展算法的功能。总之，电机换向器表面质量的自动化检测是一个先进复杂的技术，具有一定的难度。要想使其真正的应用于工业之中，这不是一个课题能够解决的。但是相信随着理论算法的不断提出和改进及工业的发展，此项技术定会走向成熟。参考文献1张建辉，宋平岗.基于图像识别技术的电机换向片自动检测系统的研制.电工电能新技术.2005-10.2阮秋琦.数字图像处理学.北京：电子工业出版社，2001:21-37.3夏德深,傅德胜.现代图像处理技术与应用M.南京：东南大学出版社，1997:125-210.4蔡健荣，周小军，李玉良，范军.基于机器视觉自然场景下成熟柑橘识别.农业工程学报.2008-1.5杨帆.数字图像处理与分析（第二版）M.北京航空航天出版社.2010.76岳晓峰，赵敏等.计算机视觉技术在发动机缺陷检测系统中的应用.计算机测量与控制.2005.7李良. 图像分割技术在金相晶体检测中的应用.武汉科技大学硕士学位论文.2009.058徐临洪，张桂梅，陈少平.基于机器视觉的发动机表面缺陷检测技术.计算机与现代化.2010.04.9张晓波. 基于图像处理技术的表面缺陷自动检测系统的研究.天津大学硕士学位论文.2004.12.10PETROU M 著.赖剑煌，冯国灿，等译.数字图像处理疑难解析M.北京：机械工业出版社，2005.11刘超.基于机器视觉的微小型零件自动测量与装配.大连理工大学硕士学位论文.2009.12.12周平，赵春江，王纪华等.基于机器视觉的鸡蛋体积与表面积计算方法.农业机械学报.2010.05.13刘兆祥，陈艳等.基于机器视觉的农业车辆路径跟踪.农业机械学报.2009.09.14张少军，苟中魁等.利用数字图像处理技术测量直尺圆柱齿轮几何尺寸.光学精密工程.2004.12.15图宏斌，周新建.基于机器视觉的铁路货车滚动轴承表面缺陷检测.电子测量技术.2006.12.16张建辉，宋平岗.基于计算机视觉的电机换向片检测系统的研究.机械设计与制造.2006.02.17刘卫国.MATLAB程序设计与应用（第二版）M.高等教育出版社.2002.06. 致谢本论文是在指导老师悉心指导下完成的。从论文的选题开始，就一直对我进行细心的指导，包括选题的方向和设计重点，进行了单独分析和单独指导。在此，向指导老师表示最衷心的感谢！同时感谢青海深捷电子科技有限公司夏冰总经理，对我提供了相关的实验设备。感谢在论文创作过程中帮助过我的同学！感谢在百忙之中评阅论文和参加答辩的各位老师！附录%-读入图片-I=imread(neww.jpg);title(原图形);figure(1),imshow(I);Ig=rgb2gray(I); %转换为灰度图像figure(2),imshow(Ig);title(灰度图像)%-对图像进行裁剪-Icrp=imcrop(Ig,100 90 70 80);figure(3),imshow(Icrp);title(裁剪后的图像);%-基于阈值的图像分割-BW1 = im2bw(Icrp,0.49);%二值化处理figure(4),imshow(BW1);title(二值化处理后的图像 阈值0.49);%-标记联通域-LMap Lnum=bwlabel(BW1,4); %标记连通区域S=regionprops(LMap,Area,Centroid,BoundingBox,FilledImage);%获取各连通区域的各种属性Reg_Area(1)=S(1).Area; %麻点的面积大小%-图像分割、反转 -BW2=im2bw(Icrp,0.2);figure(5),imshow(BW2);BW3=not(BW2);figure(6),imshow(BW3);title(反转后的图像);%-上边缘检测、霍夫变换-Y=EdgeTop(BW3); figure(7),imshow(Y);title(上边缘检测效果图);H,T,R=霍夫(Y);figure(8),imshow(H);title(霍夫变换效果);%-霍夫变换后的直线标记 - P = 霍夫peaks(H,2,threshold,ceil(0.3*max(H(:);lines = 霍夫lines(Y,T,R,P,FillGap,50,MinLength,50);figure(9),imshow(BW2),hold on max_len = 0; for k = 1:length(lines) xy = lines(k).point1; lines(k).point2; plot(xy(:,1),xy(:,2),LineWidth,2,Color,green); end%-求实际面积-xz=lines(1).point1,lines(1).point2;lines(2).point1,lines(2).point2;k1= (xz(1,4)-xz(1,2)/(xz(1,3)-xz(1,1);theta1=atan(k1)*180/pi; %两直线的斜率b1=xz(1,2)-theta1*xz(1,1); %两直线分别于Y轴的交点b2=xz(2,2)-theta1*xz(2,1);L=abs(b2-b1)*cos(theta1); %上边缘间的像素数SS=pow2(3.3/L)*Reg_Area(1) %根据两换向片间的实际距离求出麻点的面积%-上边缘检测子函数-function Y=EdgeTop(X)row,col = size(X);Y=zeros(row,col);Y=logical(Y);for j=2:1:col-1, for i=2:1:row-1, if(X(i,j)=1)&(X(i-1,j)=0), Y(i,j)=1; end endend%-end-36