《計(jì)算機(jī)視覺(jué)下的零件缺陷檢測(cè)系統(tǒng)》由會(huì)員分享，可在線閱讀，更多相關(guān)《計(jì)算機(jī)視覺(jué)下的零件缺陷檢測(cè)系統(tǒng)（5頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、計(jì)算機(jī)視覺(jué)下的零件缺陷檢測(cè)系統(tǒng) 計(jì)算機(jī)視覺(jué)下的零件缺陷檢測(cè)系統(tǒng) 2019/08/15 計(jì)算機(jī)視覺(jué)；深度學(xué)習(xí)；零件缺陷檢測(cè) 1計(jì)算機(jī)視覺(jué)的概念 “眼睛是心靈的窗口”根據(jù)可靠研究表明，人類對(duì)外界信息的獲取百分之七十都要靠視覺(jué)來(lái)完成，眼睛是人類感知類器官中最重要也是功能最完善的一個(gè)，人工智能領(lǐng)域上也是如此，通過(guò)對(duì)外界環(huán)境影像或圖像的獲取，處理，分離以及識(shí)別。人工智能可以獲取大量的信息和數(shù)據(jù)，并針對(duì)這些數(shù)據(jù)信息采取相應(yīng)的處理。類似于這種以計(jì)算

2、機(jī)為工具進(jìn)行視覺(jué)感知和處理的相關(guān)研究領(lǐng)域劃分為一個(gè)獨(dú)立的部分，這個(gè)研究空間就是我們所了解的計(jì)算機(jī)視覺(jué)，也被稱為機(jī)器視覺(jué)。 2國(guó)內(nèi)外研究現(xiàn)狀 近些年來(lái)，隨著半導(dǎo)體行業(yè)和處理器技術(shù)的進(jìn)步，以及勞動(dòng)力成本的上升和對(duì)產(chǎn)品質(zhì)量要求的提升，國(guó)外的計(jì)算機(jī)視覺(jué)技術(shù)伴隨著這些需求應(yīng)運(yùn)而生并且蓬勃發(fā)展，隨著幾十年的開發(fā)和應(yīng)用，到目前為止，機(jī)器視覺(jué)已經(jīng)廣泛應(yīng)用于航空航天，智能家電，生物醫(yī)學(xué)工程，人臉識(shí)別等諸多領(lǐng)域，并且已具有較高水平，國(guó)內(nèi)的計(jì)算機(jī)視覺(jué)起步較晚，且市場(chǎng)遠(yuǎn)遠(yuǎn)沒(méi)有飽和，大部分都是做的國(guó)外廠商的代理，有著極大的人才需求。 3缺陷檢測(cè)算法介紹 3

3、.1圖像預(yù)處理 圖像預(yù)處理就是通過(guò)圖像出路保留有用信息，篩掉無(wú)用信息的一個(gè)過(guò)程，通過(guò)圖像預(yù)處理可以加快處理速度同時(shí)增加識(shí)別正確率，從而使得特征提取、圖像識(shí)別分類更加可靠。由于剛開始采集的圖像都是彩色照片，而且極有可能存在角度偏差，位置偏差，以及噪聲影響所以在進(jìn)行識(shí)別對(duì)比之前通常要對(duì)圖像進(jìn)行預(yù)處理。因?yàn)槿毕輽z測(cè)對(duì)顏色信息要求不高，而且彩色圖像計(jì)算繁瑣，我們可以現(xiàn)將圖像進(jìn)行灰度化，然后對(duì)得到的灰度圖像二值化處理，通過(guò)適當(dāng)?shù)拈撝颠x取獲得的二值圖像仍具備所需的識(shí)別信息，且數(shù)據(jù)量大為減少使得計(jì)算便捷。其中LBP局部二值化模型應(yīng)用較廣，通過(guò)設(shè)定閾值來(lái)生成二值圖，原理如圖1所示。

4、 3.2圖像校正與去噪 由于拍照的圖像不一定是正角度的，我們需要對(duì)采集的圖像進(jìn)行旋轉(zhuǎn)，映射，平移，縮放等等的校正處理，圖像校正的基本思路是，根據(jù)圖像失真的原因建立相應(yīng)的數(shù)學(xué)模型，從非真的圖像信號(hào)中提取所需的信息，沿著圖像失真的逆過(guò)程復(fù)原圖像。圖像在傳輸和采集過(guò)程中，不可避免的會(huì)受到噪聲的影響，噪聲不僅會(huì)降低圖像的視覺(jué)質(zhì)量，還會(huì)影響圖像識(shí)別的精度，為了得到清晰易識(shí)別的圖像我們可以通過(guò)濾波處理進(jìn)行去噪行濾波去噪，根據(jù)噪聲性質(zhì)的不同，消除噪聲的方法也不同，大致分為，均值濾波、中值濾波、傅里葉降噪、小波變換，對(duì)于高斯噪聲（即噪聲成正態(tài)分布）采用均值濾波更適合，然而對(duì)于椒鹽噪聲采用中

5、值濾波效果更佳。 3.3深度學(xué)習(xí)的概念以及核心算法 3.3.1機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)是基于數(shù)據(jù)構(gòu)建數(shù)學(xué)模型的過(guò)程，常用的數(shù)學(xué)模型有概率統(tǒng)計(jì)模型，機(jī)器學(xué)習(xí)從數(shù)據(jù)中來(lái)，到數(shù)據(jù)中去，利用數(shù)據(jù)訓(xùn)練模型，然后使用模型進(jìn)行數(shù)據(jù)預(yù)測(cè)，從而完成一完整的學(xué)習(xí)的過(guò)程。機(jī)器學(xué)習(xí)算法主要分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)等，當(dāng)然還有半監(jiān)督學(xué)習(xí)，其類型介于監(jiān)督和非監(jiān)督之間。監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間的最大區(qū)別就在于訓(xùn)練所用的數(shù)據(jù)是否提供輸出量。 3.3.2支持向量機(jī)英文名稱為SupportVectorMachine,是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，

6、他的核心思路就是將非線性可分的空間特征通過(guò)一定的關(guān)系映射到線性可分的空間當(dāng)中來(lái),具有非常強(qiáng)的使用意義，如果在n維空間中存在著兩種或多種不同類別的群體。我們總能找到這樣的一個(gè)n-1維的分界線將兩類群體進(jìn)行分離。而且分離的可靠性最強(qiáng)。這個(gè)思想被擴(kuò)展到很多深度學(xué)習(xí)分類器的領(lǐng)域中去，衍生了一系列的識(shí)別算法。在人臉識(shí)別、文本分類、等模式識(shí)別問(wèn)題中有得到廣泛應(yīng)用。 3.3.3Ababoost算法Ababoost算法全稱為AdaptiveBoosting，也被稱為自適應(yīng)增強(qiáng)算法。主要用于將預(yù)測(cè)精度低的弱分類器增強(qiáng)為預(yù)測(cè)精度高的強(qiáng)分類器，為直接構(gòu)造分類器提供了新的思路和方法。Adaboost算

7、法是一種提升算法，這是一種十分常見(jiàn)且十分有效的統(tǒng)計(jì)學(xué)習(xí)算法。這類算法的特點(diǎn)就是：在分類問(wèn)題中，他可以通過(guò)改變訓(xùn)練樣本所占據(jù)的權(quán)重，來(lái)訓(xùn)練出多個(gè)分類器，將這些分類器進(jìn)行線性組合就可以得到一個(gè)滿足性能的強(qiáng)分類器。眾人拾柴火焰高，這樣往往能得到較好的分類效果。 3.3.4HOG特征HOG就是方向梯度直方圖，是在計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域非常常見(jiàn)的一種特征提取算法，本特征提取通過(guò)統(tǒng)計(jì)圖像中各個(gè)小區(qū)域中的方向梯度直方圖，然后將其進(jìn)行匯總得到。梯度主要存在于圖像的邊緣地帶。局部目標(biāo)能被梯度或邊緣的方向進(jìn)行描述。與其他特征提取相比，HOG具有對(duì)圖像的幾何變化，光學(xué)變化良好的魯棒性等優(yōu)點(diǎn)。

8、 4缺陷檢測(cè)具體流程 首先對(duì)拍攝的圖像進(jìn)行預(yù)處理，預(yù)處理包括圖像的角度校正，平移，縮放等，同時(shí)由于拍攝的環(huán)境以及相機(jī)的拍攝質(zhì)量問(wèn)題，照片會(huì)出現(xiàn)或多或少的噪聲干擾，這些噪聲會(huì)影響對(duì)缺陷的識(shí)別提取，所以也要對(duì)圖像提前進(jìn)行噪聲濾波，如中值濾波和均值濾波。由于彩色圖片的儲(chǔ)存空間大，運(yùn)算速度慢，邏輯復(fù)雜。對(duì)于零件的缺陷檢測(cè)來(lái)說(shuō)顏色信息并無(wú)關(guān)鍵的作用，所以對(duì)拿到的圖像優(yōu)先進(jìn)行灰度化和二值化處理得到二值圖。零件表面的缺陷類型有多種，最常見(jiàn)的就是劃痕，斑點(diǎn)，金屬氧化物等。我們通過(guò)大量的樣本進(jìn)行訓(xùn)練。提取LBP特征，LBP特征提取對(duì)光照有著很好的魯棒性，灰度不變性，且計(jì)算速度快，實(shí)現(xiàn)簡(jiǎn)

9、單，旋轉(zhuǎn)不變形等特點(diǎn)。LBP特征對(duì)于紋理特征有著很高的敏感性，能夠清晰的體現(xiàn)各區(qū)域的典型紋理，與此同時(shí)能夠淡化過(guò)度區(qū)域，所以目前應(yīng)用廣泛。本次采取了劃痕，斑點(diǎn)，金屬氧化物的樣本各五十張。樣本來(lái)自于零件廠的廢舊零件。經(jīng)過(guò)特征提取和訓(xùn)練分類器得到分類效率較高的系統(tǒng)。對(duì)預(yù)處理后的圖像進(jìn)行LBP特征提取，并通過(guò)與此前訓(xùn)練過(guò)的特征圖像進(jìn)行比對(duì)，得到各種缺陷的相似程度，若相似程度均低于10%則判定無(wú)缺陷。若高于10%則取相似率最高的缺陷類型定義為本次識(shí)別零件的缺陷類型。同時(shí)確定零件在圓盤中所在位置，通過(guò)機(jī)械臂抓取將對(duì)應(yīng)缺陷的零件抓取到對(duì)應(yīng)缺陷的區(qū)域。之后進(jìn)行下一個(gè)零件的缺陷檢測(cè)。如圖2所示。通過(guò)圖2效果圖

10、我們可以看出來(lái)，通過(guò)深度學(xué)習(xí)算法我們對(duì)相應(yīng)缺陷類型的零件已經(jīng)能夠進(jìn)行一定正確率的識(shí)別。并且通過(guò)噪聲識(shí)別規(guī)避了一定的干擾，提升了識(shí)別的正確率。同時(shí)對(duì)缺陷類型進(jìn)行分類，效果較好。與此同時(shí)次識(shí)別過(guò)程存在一點(diǎn)的缺點(diǎn)，那就是目前只能對(duì)其表面的缺陷進(jìn)行識(shí)別處理，對(duì)于零件內(nèi)部的缺陷不存在識(shí)別作用。同時(shí)表面識(shí)別只能進(jìn)行上表面的識(shí)別。識(shí)別的維度較低?？梢酝ㄟ^(guò)旋轉(zhuǎn)零件進(jìn)行多個(gè)表面的缺陷識(shí)別從而增加識(shí)別維度，增加缺陷識(shí)別的實(shí)用性。 5總結(jié) 隨著計(jì)算機(jī)技術(shù)近些年來(lái)的飛速發(fā)展，以及計(jì)算機(jī)計(jì)算能力及容量的巨大提升，衍生除了一系列算法和技術(shù)相結(jié)合的人工智能領(lǐng)域，作為人工智能領(lǐng)域的一顆明珠，計(jì)算機(jī)視覺(jué)吸引著大量人才去開發(fā)挖掘，計(jì)算機(jī)視覺(jué)在工業(yè)領(lǐng)域的應(yīng)用意義也是十分重大的，通過(guò)強(qiáng)化學(xué)習(xí)以及圖像處理便可將計(jì)算機(jī)視覺(jué)應(yīng)用于工業(yè)生產(chǎn)中來(lái)實(shí)現(xiàn)生產(chǎn)零件的缺陷檢測(cè)和識(shí)別。 參考文獻(xiàn) [1]唐向陽(yáng),張勇,李江有,黃崗,楊松,關(guān)宏.機(jī)器視覺(jué)關(guān)鍵技術(shù)的現(xiàn)狀及應(yīng)用展望[J].昆明理工大學(xué)學(xué)報(bào)(理工版),2004,02:36-39. [2]章煒.機(jī)器視覺(jué)技術(shù)發(fā)展及其工業(yè)應(yīng)用[J].紅外,2006,02:11-17.