[发明专利]工件表面缺陷图像识别方法

说明书

一种工件表面缺陷图像识别方法，其技术方案要点是：使用专业成像设备采集工件表面图像，采用边缘检测算子法分割图像表面存在缺陷区域，将图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离分别归一化后作为各图像缺陷区域的新坐标值。然后分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度，基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像表面缺陷区域进行聚类，实现各缺陷的分离并统计缺陷数目及各缺陷大小。它可广泛应用于对大批量工件平面加工进行质量监测。

技术领域

本发明涉及一种工件表面缺陷图像识别方法，属于机器学习以及智能化制造的交叉领域。

背景技术

随着制造技术的发展，机械加工可靠性的要求也越来越高，对工件表面缺陷的自动检测提出了更高的要求。研发新的用于工件表面缺陷提取的自动检测理论和方法，符合企业的迫切需要，对机械学科基础理论研究也具有重要意义。

目前对于工件表面缺陷检测技术，主要是基于工件表面图像的基本信号特征以及缺陷灰度特征对缺陷进行分离，即利用图像缺陷部分与背景区域的灰度梯度差异进行缺陷的分离。然而现有的此类方法通常只能检测出工件表面是否存在缺陷，对于各个缺陷的具体尺寸大小往往难以进行自动分析。同时由于基于边缘灰度变化的检测方法对于某些灰度变化不明显的缺陷检测结果呈破碎状，需经过人工识别才能确定缺陷的真实形状。环境的噪音干扰也会使得常规缺陷检测结果出现误检的情况，导致识别精度的下降。同时由于机械加工过程中存在划痕缺陷，其具有结构上的线性流形特征，而传统的流形聚类计算量较大，难以应用于加工过程中的实时检测，同时仍然需要人工选择聚类数目，难以应用于自动化检测。

发明内容

针对上述存在的问题，本发明采用坐标转换的思想将划痕缺陷的线性流形关联转化为欧氏距离关联，从而将存在划痕缺陷的流形聚类问题转化为欧氏经典聚类问题，从而降低运算时间，同时不影响其它缺陷的聚类分析；对于聚类时的聚类数目也就是工件表面缺陷数目识别的问题，则可通过坐标变换后各点局部密度特征进行选取，避免了传统聚类算法需人工选择聚类数目的问题。

本发明的目的是提出一种工件表面缺陷图像识别方法，在保证检测质量的同时，大幅降低人工劳动成本与计算成本。

本发明解决其技术问题所采用的技术方案是：一种工件表面缺陷图像识别方法，使用专业成像设备收集工件表面图像；对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域；计算图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离并分别归一化后作为各图像缺陷区域的新坐标值；分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度；基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像缺陷区域进行聚类，实现各缺陷的分离；统计聚类数目以及原始图像上各类中图像缺陷区域占原始图像总大小的百分比，以此确定缺陷数目以及各缺陷大小。

所述专业成像设备由工业数字相机、照明系统、计算机系统、控制系统组成。

所述边缘检测算法为使用Sobel算子以及Canny算子分别对工件表面图像进行卷积，并对两者卷积结果进行求和运算。

所述图像上存在位置关联的缺陷区域是指图像各缺陷区域间欧氏距离小于给定阀值，即认为其存在位置关联。

所述缺陷区域的主成分方向具体为：对缺陷区域的协方差矩阵进行奇异值分解，得到其协方差矩阵的特征向量，基于公式计算得到该缺陷区域的主成分方向。

所述各图像缺陷区域局部密度具体为：将参数定义为新坐标下图像缺陷区域与图像缺陷区域间的距离，参数定义为截断距离，参数定义为第个图像缺陷区域的局部密度，基于公式求得。

所述各图像缺陷区域与其它局部密度较大图像缺陷区域的距离为：定义为各图像缺陷区域与其它局部密度较大图像缺陷区域的距离，基于公式求得。