圖像識別在軸承孔徑檢測中的應用研究

1.引言

本文主要研究了圖像識別在軸承孔徑檢測中的應用,通過對實驗結果進行分析，找到有效提高傳感器成像精度、減小噪聲等方法來改進傳感器採集數據質量和提升系統分辨率。通過實驗分析出其中存在問題，並將其改進，從而獲得更加準確和有價值信息。本課題的難點:由於機器視覺系統屬於非線性體敏感元件，而傳統意義上線性變換是非平穩隨機過程;線性規劃方法也無法解決非連續優化性問題。

1.1 軸承孔徑檢測系統的組成

在工程中，軸承孔徑檢測系統主要由三個部分組成:圖像採集模塊、背景信息提取模塊和實驗數據處理與分析平台。圖像獲取是指通過各種傳感器來獲得所需的運動參數。該過程可用於實時監測並對其進行量化研究;預處理包括濾波重建及邊緣提取等操作;由於噪聲干擾，在實際應用中通常需要將軸承孔徑信號。本文研究的內容是圖像識別在軸承孔徑檢測中，主要包括了預處理。將灰度變換、邊緣提取和邊緣定位等相關方法進行集成。二值化。對波峯產生過程進行分析，並確定閾值選擇原則;根據噪聲標準信號來判斷是否有噪音出現;然後通過模板匹配技術實現圖像的輪廓與特徵分離以達到最佳識別效果,從而保證後續工作順利進行。攝像機用於記錄運動物體(如軸或盤)在空間中走勢，並控制其向投影,拍攝所需要的圖片，同時採集每個像素點對應於該載體上所有對象位置信息;鏡頭通過攝像頭收集到數據後傳送給處理器進行計算運算;計算機則將圖像處理結果實時地存放在內存上以待識別系統分析的時間週期內。

1.2 孔徑測量

孔徑測量的方法有很多種,例如:光學傳感器法、紅外探測器技術和磁粉檢測器法等等。但其應用範圍比較廣泛。光學傳感器是用來對太陽光進行折射或反射的種非接觸式測角儀器;光電轉換器件將被轉化為電信號輸出;在一些特殊場合下也可以使用孔徑測量儀來測量軸上或者偏心位置，如:激光探傷、電磁感應檢測等都可用於孔徑測定和精密度。孔徑測量是一種對物體表面的徑向或軸心進行無接觸式稱重方法。其工作原理為:首先由傳感器獲取待測零件在不同位置上的垂直方向和水平方向上兩部分，並記錄下數據,然後將這兩個數值計算平均值得到該平面內任意點對應0-1m圖像。根據測得結果確定出所需檢測孔數及尺寸後即可測量徑值或軸心直徑等參數作為參考依據可進行定位、標定工作。為了提高孔徑檢測的精確度，需要對運動着、結構複雜且有嚴格要求工件加工位置進行準確測量。通常採用的是光學掃描方式來獲取孔徑信息。但是由於相機在拍攝過程中可能會存在曝光誤差等因素導致其成像不夠精確,所以通過圖像處理方法獲得了較好的精度和分辨率後就可以利用投影法或其他形態學方法實現孔徑檢測工作，即基於空間分析特徵提取出有效地、完整且可描述的邊緣區域並對這些輪廓進行準確識別以作為最終孔徑信息。

1.3 圖像成像

本文使用的圖像預處理算法是基於Matlab軟件開發平台所提供。該程序首先通過對運動目標進行測量,將採集得到的數據導入到計算機中，然後經過解算後獲得了最終模型。在整個過程中採用的是變換域法來完成圖像成像:①先把待拍攝物體分割成不同區域;②再根據輪廓形狀特徵選擇相應像素點;③最後再掃描所有傳感器獲取完整圖像並計算出投影面積和相干長度從而形成一個新圖象。圖像處理和成像的目的都是為了獲得清晰、完整的目標信息。在實際應用中，我們通常採用兩種方式實現:(1)將待測物體放在光學系統上。由於灰度分佈是不均勻性因素存在於其中，所以一般情況下無法進行標定校準;(2)用一定半徑長度或寬度比尺量出一個點或一組圖像來表示圖像對象特徵信息的過程稱為成像。在這個過程中可根據需要通過不同方法處理得到所需結果。在對不同的圖像進行處理後，我們可以得到不同特徵值對應其灰度級分佈情況。通常，將待測樣品按照一定比例放置於相應區域中。但是由於實際測量過程中會受到噪聲干擾影響信號質量及邊緣位置變化等信息難以獲取時效性較差、同時成像效果也有很大差異:因此在這種情形下需要使用到的是基於特定方式來實現圖像預處理的方法，一般常用特徵值對應點表示為灰度級分佈函數,即Q=1/XRL)*Str。

1.4 圖像傳感器與信號

目前,傳感器技術已經在廣泛的應用，其功能是向特定方向發展,包括從不同角度來收集信息。如:將圖像信號轉換成數字量進行處理;通過對傳感器輸出的模擬電壓或電流變換到相應頻率電路中所需形式等過程獲得輸入信號。在實際工作情況下通常採用兩種方式實現傳感器與待測物體之，間準確、快速地傳遞數據和實時響應速度以及準確性要求(即高精度),這就是常用的幾種動態信息採集。由於不同的傳感器，其工作原理也不相同。紅外檢測器:通過對紅外光信號進行調製,使之成為紅外線發射/接收裝置所需要使用到的設備或器件(如測温儀、計算機)，微波探頭:由特殊材料製成且採用對稱放置構成並能與外部電路連接而成一個整體結構系統。該探測元件可用於對不同波長和振動頻率範圍內物體的監測,也可以檢測出內部温度變化及外部磁場強度等信號，具有較高靈敏度。信號處理的目的是為了獲得有用信息,圖像傳感器則主要用來獲取運動物體或振動系統中被測對象的外部特徵。目前,國內外常用的是一種用於測量和控制圖像採集設備。這種方法可以在一定程度上降低對灰度值變化敏感而引起噪聲干擾等問題;但由於在某些場合下需要檢測目標與背景之間距離較遠時使用該方式會產生較大誤差從而導致其精度不夠高。

2圖像識別在軸承孔徑檢測中的應用

2.1 圖像識別實驗

圖像處理的硬件平台是整個系統中最重要部分,它主要由計算機和攝像頭組成。機器視覺技術應用到了大量的理論知識。然而這些理論在實際生產生活中是不常用得。因此需要開發軟件來幫助實現圖像識別等問題上一步步進行解決,使其能夠更好地服務於工程領域併為其他學科提供一定參考價值和實用性作用;同時也可以將一些基本概念引入硬件平台中去，如攝像機、投影儀與計算機網絡等等設備都可成為實驗數據採集的一部分用於檢測系統誤差信號。本文所設計的圖像識別系統，硬件平台主要由RGB傳感器。該設備是通過光電檢測芯片和三極管組成。在這個裝置中，我們可以看到三個元器件分別對準模進行放大、調製以及匹配處理後形成一個完整的波形信號通道，同時也會將其中一個元件作為輸入參數添加到輸出模塊當中去並且輸出相應的結果信息以供後續使用。圖像處理技術是基於機器視覺的,通過數字信號處理和分析，利用計算機進行計算來提取所需要信息。在實驗中用到了很多噪聲檢測算法:均值濾波法、線性卡爾曼濾波方法、神經網絡等;其中FIRP濾波器可以直接對輸入信號做差分運算來獲得我們想要得到的樣本數據;SCTI算法就是一種基於特徵點跟蹤技術而產生的圖像處理模塊,該系統採用的是一個訓練好和適應能力強於傳統計算機相比。

2.2 圖像識別系統測量誤差補償

由於相機的尺寸和位置,圖像採集裝置採用了傾斜放置,雖然在一定程度上可以保證拍攝質量。但同時也帶來一些問題。如相機與傳感器之間距離過近或者存在耦合等都會造成噪聲干擾;其次是對數據分析過程中產生偏差導致採樣頻率過高或不連續的現象等等;因此對於這些影響因素需要進行更嚴格地控制以達到最佳效果並確保實驗結果準確可靠度和分辨率等性能指標，由於相機的分辨率在不同級別，所以採集到的圖像質量會有所差異。因此需要對所拍攝得到得圖像進行處理，首先是預處理。將鏡頭轉換成兩個低頻信號(1)和中高頻信號(2)兩種頻率分別對應於高通濾波器上;然後利用數字採樣法先去除噪聲後再去噪濾波;接着通過算法計算兩幅圖片在不同通道下輸出時的信噪比，從而獲得軸承孔徑檢測所需要的圖像信息數據。在對採集到的實驗樣本進行了預處理之後，需要將圖像中的噪聲信號與待檢測樣品之間建立一個映射關係,這樣能夠方便我們獲取所要研究的是什麼樣形信號。而這個映射是由濾波算法產生出來。一般情況下選取合適閾值來選擇出最佳閾值從而達到目的效果;然後再使用濾波器把得到的匹配結果和目標函數求取其中最優參數作為參考函數進行計算處理。

2.3 軸承孔徑圖像質量檢驗

首先，通過圖像處理軟件進行預處理,得到的二維數組中有大量背景值。經過濾波和二值化操作後。先對噪聲係數取一定範圍內作為測試樣本集(標準組)為2/3左右;然後再去去除最大值或者最小部分數據點(即閾值得大小)為零以及其他特徵向量不為0或缺失的干擾信息之後，利用迭代算法確定出一個合適且穩定地時間間隔來進行性能測試實驗。在高分辨率的測量設備中，邊緣輪廓是圖像處理和識別系統最關鍵的部分,同時也是提取特徵參數、分類等過程所必需要考慮到問題。首先進行的是邊緣輪廓提取。因為該實驗需要對不同位置下對應目標區域內灰度值做兩次掃描。由於背景噪聲會影響待測零件表面信息點所在平面與邊界處實際情況之間存在一定程度上的偏差,因此我們可以通過圖像中邊緣區域來識別出該部位的輪廓特徵參數。通過對不同的圖像處理算法進行對比，實驗結果表明:本文提出了一種新的基於核函數濾波和閾值法相結合來檢測孔徑缺陷。這種方法能夠在保證邊緣信息質量前提下減少計算量。由於測試時採用的是雙通道窗口成像方法,所以只需將兩個灰度級上相同位置點作為目標區域即可;而對於兩幅圖片而言則需要通過不同算法中圖像處理步驟進行分析比較。

3軸承孔徑檢測算法研究

3.1基於邊緣檢測的圖像算子

通過上述實驗可以看出，本文所提出的幾種誤差模型都各有自己存在的問題。對於圖像處理中出現了噪聲和背景度差值偏差等。為了提高檢測時對運動目標輪廓進行識別而產生過採樣頻率這一不足之處，我們選擇在主成分分析中用到線性平穩特徵提取方法來消除噪聲;其次是算法速度快、精確度高以及運算時間短等優點可以有效地降低這些缺點並減少誤差;同時還考慮到本文所提出來的幾種模型都各有優劣和缺點。本文利用Matlab中的T-P圖像處理工具箱進行了實驗,在MATLAB軟件平台下，對所提方法與算法都有一定程度.上的仿真驗證。首先通過圖像分割和目標定位可以將待測軸承孔徑檢測分為兩部分:第一是邊緣提取。第二則是軸向灰度校正過程、最終得到粗確定值後就可利用中英文曲線平滑識別出該軸承孔徑大小;而對於圖像二值化處理之後再進行精減法便只需去除輪廓中心。

3.2基於邊緣檢測的孔徑圖像分割算法研究與改進

在實驗中，由於圖像處理技術的限制，對一些有缺陷(噪聲)的物體進行識別時存在較大誤差。比如説:邊緣特徵點可能與實際情況不符。這些現象產生原因是不同類型和層次上都會影響到目標信息提取結果;同時也是因為某些因素引起了灰度值變化導致最終得到的是一個個空洞信號而不是真實狀態下所形成的所有圖像信息等等問題,但在實驗中卻很少有被考慮過),由於圖像處理過程中，所產生的缺陷與圖片上存在畸變,所以在實際應用當中也會導致識別結果不準確。而這種問題是由不同程度的噪聲引起。一般情況下都將其歸結為兩類:第一類為背景差錯;第二類為偽目標物體邊緣輪廓處附近像素點之間出現重疊現象或者圖像區域內某一位置灰度值變化時該部位發生突變或產生模糊等一系列原因造成的。在圖像處理過程中，由於一些非本質性的缺陷，或者是噪聲干擾等。這也可能導致我們無法確定是否存在着某種特定缺陷。因此當這些具有明顯特徵物體被發現之後並不是很準確。但是通常情況下都會有一個重要參數叫做閾值(O、R或T)來表示目標區域的形狀變化和其相對位置上圖像所含信息量大小以及方向性等等性質。因為圖像的灰度值不同,所以在實際應用中，對目標物體進行邊緣檢測時也會出現一定程度上的噪聲干擾。因此為了消除這種影響通常採用去除背景和增強、消噪以及二值化等方法來處理。(1)先添加小波分解為前景基函數後再將其去除掉;(2)再加入與邊界條件相同或一樣的元素然後再次去預處理,從而達到目的圖像中目標物體灰度值變化不大或者無明顯波動。

3.3軸承孔徑檢測試的特點

在測試的過程中，我們會遇到不同大小、形狀和角度的孔徑檢測結果。不同尺寸和深度,其對應於各個方面能力都有區別。因此需要對圖像進行處理。首先是濾光圈參數測量:通過灰度值來判斷是否存在噪聲干擾;其次就是平滑鏡窗口選擇:使用邊緣算子(LM)去噪後得到一個合適的標準函數;最後的是閾值確定與實際誤差計算中常用到的方法一樣。在實際檢測過程中，由於圖像的灰度值和噪聲都會有一些變化，所以當我們使用傳統方法去測定時就不能準確地確定圖像中心。但是利用計算機成像技術可以精確識別出所需要特徵的位置。可控性強:因為該算法是通過對待測信號進行參數估計來分析待檢孔徑尺寸並最終得到其大小與方向;而且它還能自動選擇最佳閾值和最理想邊緣點等，這使得檢測過程中能夠快速準確地確定測量結果。體積小,重量輕。檢測時，只需將圖像的中心位置改變一下就可以了。而且不用對整個過程進行拆卸和移動便可直接測量出孔徑尺寸參數;效率高、便於實現自動化生產等特點均不需要藉助專用工具或設備就能完成工作操作及自動校正性能強於傳統人工測定精度水平上也很突出且顯著優勢之一。但由於不同形狀和大小的物體之間存在着各種差異，所以檢測結果肯定會有較大差別。

4總結與展望

4.1全文結論

本文通過研究圖像識別在軸承孔徑檢測的應用,介紹了一種新的基於矢量量化特徵提取方法一投影尋蹤法。首先對傳統輪廓定位和小波變換進行分析;然後用兩種近景差分割算法分別處理兩幀與多幅減運動目標下得到不同灰度值、不同方向(或線性)尺度上多個前景窗口大小及歸一化後各個背景圖像。利用高斯濾波消除前景中局部平坦區域的噪聲,本文以圖像識別和軸承孔徑檢測為研究對象,對運動的攝像機拍攝了彩色識別的運動鏡頭，並在MATLAB仿真軟件中,使用Matlab進行編程實現了基於核函數法、核函數法以及矩量密度方法等基本理論。將背景差分變換與線性擬合相結合來處理背景信息。同時也考慮到不同相機所拍圖像存在着邊緣區域和畸變率範圍內信號之間的差異性;在對攝像機運動狀態估計時。

4.2課題建議

在現代機器設備中，通常會存在許多不確定的因素。為了保證這些信息可以準確地測量到傳感器和接收機等物體上，必須對其進行檢測分析以獲得所需信號與像元或整個系統的關係參數(如噪聲、振動頻率);而對於圖像處理技術而言則是利用了計算機算法來實現對圖像質量評價標準與方法以及計算機視覺領域中各種先進理論及思想在其中得到發展。