基于图像处理的轴类零件表面裂纹检测.docx
《基于图像处理的轴类零件表面裂纹检测.docx》由会员分享，可在线阅读，更多相关《基于图像处理的轴类零件表面裂纹检测.docx（50页珍藏版）》请在冰点文库上搜索。
基于图像处理的轴类零件表面裂纹检测
目录
1绪论1
1.1课题研究的背景1
1.2图像处理检测技术概述1
1.3图像处理检测技术的发展现状2
1.4图像检测技术在工业中的应用3
1.5论文的主要内容3
1.5.1预处理4
1.5.2阈值分割4
1.5.3计算并得出结论4
1.6本章小结4
2数字图像处理的主要内容5
2.1数字图像处理的内容、特点与算法5
2.1.1数字图像处理的研究内容5
2.1.2数字图像处理的基本特点8
2.2算法流程图9
3零件表面裂纹图像获取、分析及其前处理11
3.1图像的获取11
3.2图像的前处理12
3.3图像的灰度处理12
3.3.1裂纹图像的灰度转换12
3.3.2灰度直方图13
4零件表面裂纹图像的噪声分析及处理14
4.1裂纹图像的噪声分析14
4.2裂纹图像的噪声滤波预处理15
4.2.1图像平滑处理15
4.2.2中值滤波处理16
4.3裂纹图像的灰度均衡处理18
4.3.1直方图均衡的意义18
4.3.2直方图均衡的原理算法及处理20
5零件表面裂纹图像的分割与形态学处理23
5.1图像分割的研究23
5.1.1图像分割的意义及方法23
5.1.2图像阈值分割的原理算法及处理25
5.2数学形态学处理28
5.2.1什么是数学形态学28
5.2.2图像的腐蚀29
5.2.3图像的膨胀30
6表面裂纹图像的特征提取及分析32
6.1裂纹的面积32
6.2裂纹的周长33
6.2.1轮廓提取33
6.2.2轮廓周长算法34
6.3裂纹的长度35
6.3.1细化35
6.3.2裂纹骨架长度的算法36
6.4裂纹圆形度36
6.5误差分析37
6.6本章小结37
7总结与展望38
7.1总结38
7.2展望38
参考文献40
致谢41
1绪论
1.1课题研究的背景
在机械工业中，制造和使用机械零部件时，特别是使用轴类零件的过程中非常容易产生裂纹，轴类零件本身在制造过程中就有可能带有表面裂纹这样的缺陷，或者因为各种原因对轴类零件造成损伤[1]。
特别是在冶炼转炉与飞机设备等高温高压环境中，长时间的使用使得裂纹损伤不断累积，微裂纹就会慢慢出现，然后接着向四周延伸，最后造成对轴类零件的不可逆损坏。
零件自身的表面裂纹和受力部分的过度集中都会使得零件在运行过程中不断地承受交变载荷的过度侵蚀，时间越长，零件慢慢就会发生断裂，进而造成严重的后果。
在这些外界因素的不断影响下，轴类机械零件在开始出现疲劳裂纹后并继续向坏的方向发展的趋势是造成其失效的主要原因。
而大部分轴类机械零件都在高温或者高压的环境里工作，运行条件非常差，而且发生故障的几率偏高，并且若是大的故障突然发生的话，后果非常严重。
轴类零件材料里面的晶界、夹渣或者微小孔和腐蚀、表面划伤等，都会造成初始裂纹的产生。
总的来说，机械零件表面裂纹的产生与不断恶化的情况，主要是由于受力不均，过于集中所致。
大量数据表示，失效零件构造中80%的缘由就是疲劳损坏。
因此，及时检查机械零件的表面微裂纹的现状以避免发生事故，对工业及其发展有很大的意义。
当今社会，企业之间的竞争愈来愈烈，使得企业对生产产品的量度和精度要求越来越高。
在以前的企业生产中，产品质量的检测主要就是靠人工来完成，效率不高而且非常容易产生误差。
数字图像处理由于其检测结果精确并且容易处理、检测过程不直接接触损伤表面等优点，得到了社会上数字图像处理领域的广泛关注。
若是单靠人工来完成检测，会受到视觉分辨能力、零件所在的环境、本身的检查态度、自身的疲劳程度等因素影响，费时费力。
裂纹检测是质安检查的重点方面之一，将数字图像处理技术应用到制造工业的检测范畴中，会不受检测人员的自身疲劳程度、检查的态度和经验不足等消极因素的影响，所以与传统的人工检测相比，效率提高的同时，也让检测结果愈加的准确，特别是那些靠人工无法满足连续稳定完成的地方，数字图像处理技术更能发挥其作用。
1.2图像处理检测技术概述
近年来，随着科学技术的不断发展，图像处理技术越来越活跃在工业监测当中，并且广泛应用于各个领域。
数字图像处理（DigitalImageProcessing）通俗来讲就是操纵计算机对图像进行处理。
它是一门相对于年轻的学科。
最先出现于20世纪50年代，那个时候的电子计算机恰是不断发展的时候，人们渐渐开始注意到用计算机来处理图形和图像信息。
数字图像处理技术大约构成于20世纪60年代早期[2]。
短短的历史发展中，它以大大小小的成功开发而被应用到诸多检测领域中，发展非常迅速。
如今，在空间遥感测量、外围轮廓三维检测、缺陷监测以及干涉图等涉及图像处理的技术领域有也了突出的表现与广泛的应用。
在工业检测领域，机械零件的自动测量一直是工业生产过程中的主要操作过程之一。
在不断要求高生产率的情况下，还要保证其速度，以确保产品质量没有太大的误差，保持一种高精度的操作模式。
很明显，利用图像处理技术的检测方式完全适应了时代的需求。
首先，它可以无干扰的完成监测；其次，它可以不断的完善自己的算法结构等等以更好的得到结果；最后，图像检测技术可以通过计算机程序来处理图像信息，智能获得测量结果，易于信息的管理与集成。
我们可以预料到数字图像处理技术在未来的发展中将会发挥更重要的作用。
1.3图像处理检测技术的发展现状
随着计算机技术的不断发展，图像检测技术作为一种刚刚发展起来，并且检测结果非常卓越的在线检测技术，越来越多的新技术不断的刺激着数据图像处理的飞速发展：
低价位的高速处理器（MCU、DSP、ARM等）、低成本大容量的存储器、用于图像数字化的低成本图像传感器（包括CCD和CMOS）等等。
工业摄像机分辨率的不断提高，计算机处理器和内存配置等的不断发展提升，使得图像处理的速度和精度需要不断的完善大量的图像处理内部算法。
软件方面，越来越多的图像处理软件被开发并推广使用，各种各样的图像处理算法被完善与创新，为实现更好的图像处理检测操作和得到更完善的检测结果做出了大量的理论依据。
在最近几年的发展过程中，小波变换与遗传学也应用到了数字图像处理检测领域中。
技术的不断创新与更新，使得图像处理技术不断的向前发展，在思路慢慢完善下，图像检测技术必然会不断登上现代图像检测领域的舞台。
最早开始建议并研讨图像处理检测技术的是日德美加等国家，并且渐渐得到了社会的广泛关注，部分高校与科研会所也开始进行数字图像处理检测技术的开发，并且得到了很多后来被应用到工业生产中的理论结果。
随着科技技术的不断发展，以数字图像处理为核心的诸多领域也得到了很大的发展与进步，并且已经开发出一系列被社会所接受使用的产品。
国内开始研究图像处理检测技术是在20世纪80年代，起步相对比较晚，被国外拉开了20年的差距，到现在，我们国家的图像检测技术现在还处于很多方面都需要赶上的局面。
而使用线阵CCD这一种操作是相对比较广泛的使用，主要是通过垂直这两个方向上进行不断的扫描，以达到测量的目的。
但是那个时候的CCD相对价格比较贵，使用者不多，而刚开始的CCD图像检测技术也不是那么的完善，检测精度有限，满足不了人们的需求，所以总的来说那个时候的CCD覆盖范围不是很广。
到了快21世纪的时候，我国大部分的科研机构和部分高校开始着手进行图像检测的研究，并且取得了很大的成就和成绩，在工业生产、制药方面都效果非凡，而且大部分成果也得到了很好的应用。
但就现状而言，与国外还是差距很大，还需要奉献更多的人力、物力与财力，深入探索，继续努力。
1.4图像检测技术在工业中的应用
如今，在工业技术不断革命创新中，图像检测技术得到了普遍的应用。
数字图像处理检测技术在工业生产中的应用主要体现在下面三个方面：
表1.1图像检测技术在工业中的应用体现
尺寸测量
基于数字图像处理检测技术可以对各种加工工艺流程下的各种工件尺寸进行测量，如机械零件尺寸的测量，角度的测量，圆度和回转精度的测量，以及垂直度、直线度和平面度的测量等。
尺寸测量是图像检测技术较早涉及的研究方向与领域。
表面质量检测
机械工业中，机械零件的表面缺陷非常重要，小的表面质量缺陷往往影巨大。
机械零件表面质量检测主要包括表面的纹理、毛刺、等参数。
故还需进一步的研究与完善检测理论和方法。
目标分类与识别
分类与识别特定目标群是图像检测技术研究的焦点，其思想是首先对获得或者建立起物体标本库，然后从实际图像中获取特征后以各种算法匹对，辨别出最相似的个体。
提取出某些特征来识别，视网膜、指纹、脸部识别等都是目前比较典型的应用。
1.5论文的主要内容
本次课题主要是利用数字图像处理里面的部分知识，来对图像零件裂纹进行处理并检测，最后得到裂纹的形态特征等。
主要的研究内容有：
1.5.1预处理
在一张图像中，用识别程序对每一个单独模块进行识别检测，这一过程称为预处理。
预处理在数字图像处理中占有尤为重要的地位，在图像分析中，对输入的目标图像进行去噪、分割、提取目标图像进而分析图像的形态特征。
在图像预处理这一步中，主要是对图像进行去噪，也就是去除干扰图像目标信息的杂信息，让后续的分割、提取处理的误差相对较小，得到的结果也更加可信。
具体来讲，就是首先观察处理图像的灰度直方图，然后利用其直方图找到目标图像像素的分布区域，然后确定图像噪声的类型，选择合适的去噪方法，本次实验选取了均值滤波和中值滤波等去噪方法。
1.5.2阈值分割
观察图像直方图的分布情况，确定目标图像像素的分布区域，找到一种合适的分割方法，对图像进行阈值分割。
将裂纹图像转换为二值图像，再用形态学处理，利用腐蚀、膨胀、开运算与闭运算等对其中不需要的干扰信息进行去除，进而得到明显的裂纹图像。
1.5.3计算并得出结论
等到明显裂纹图像后，就可以计算出其面积、周长、长度和圆形度等形态特征值，从而得到最后的裂纹信息，再对结果进行误差分析，然后对本次裂纹图像检测最后结果做出判决结论。
1.6本章小结
本章首先对机械零件在工业使用中会出现的危险和带来的危害做出了阐述，并简要介绍了数字图像处理检测技术的概念及其发展趋势与前景，大致介绍了检测技术的主要内容步骤，最后为本文主要内容。
2数字图像处理的主要内容
2.1数字图像处理内容、特点与算法
数字图像处理技术是图像检测技术的核心，通俗来讲是指利用计算机对获取的数字图像进行分析计算处理，数字图像处理技术从比较大的范围上讲是表示图像加工技术的总称。
它可以使用计算机和其他的设备相连接来完成一系列的图像处理工作，如图像的采集并且存储和传输，还有类似于图像的合成和显示，绘制和输出，图像变化、增强、恢复和重建，特征提取和测量，目标的检测、表达和描述，序列图像的校正，图像数据库的建立、索引、查询和抽取，图像的分类、表示和识别，3D景物的重建复原，图像模型的建立，图像知识的利用和匹配，图像和场景的解释和理解，以及基于它们的推理、判断、决策和行为规划[1]。
2.1.1数字图像处理的研究内容
表2.1数字图像处理的主要内容
点运算
点运算（PointOperation）主要是针对图像的像素进行加、减、乘、除等运算。
图像的点运算可以有效的改变图像的直方图分布，一幅输入图像经过点运算后将产生一幅新的输出图像，由输入像素点的灰度值决定相应的输出像素点的灰度值。
这对提高图像的分辨率以及图像的均衡都是非常有益的。
点运算可以按照预定的方式改变一幅图像的灰度直方图。
除了灰度级的改变是根据某种特定的灰度变换函数进行以外，点运算可以看做是“从像素到像素”的复制操作。
点运算有时也被称为对比度增强、对比度拉伸或灰度变换，它是图像数字化软件和图像显示软件的重要组成部分。
常见的点运算包括：
线性变换、窗运算、灰度拉伸和灰度均衡这几种。
几何处理
几何处理主要包括图像的坐标变换，图像的移动、缩小、放大和旋转，多个图像的配准和图像的扭曲校正等。
图像几何变换将在空间域的处理转换到变换域中进行处理，在减少计算量的同时，对图像进行更有效的处理。
几乎任何图像处理软件都提供了最基本的图像缩放功能。
图像的扭曲校正功能可以对变形的图像进行几何校正，从而得出准确的图像。
图像变换常采用的方法有平移、镜像等几何变换、DCT（离散余弦变换）和小波变换。
续表2.1数字图像处理的主要内容
图像增强
图像增强主要是突出图像中重要的信息，同时减弱或去除不需要的信息。
常用的方法有直方图增强和伪彩色增强等。
以用来改善数字图像质量，削弱干扰，由于增强的方法多种多样，不能确定那种方法是最好的，所以需要不断的尝试与分析，为了突出某些细节，有时可能需要改变图像的直观形象，以便肉眼或机器识别，并进行下一步分析处理。
所以，图像增强的作用即是对图像中关注内容的特征进行处理，而不是仅仅是视觉的改善。
强化低频量，可以使图像噪声降低，同时达到平滑的效果；而为了使图像轮廓更加清晰，可以加强高频分量。
图像分析过程中，图像增强往往作为图像预处理，以便为后面的图像分析打好基础。
图像复原
图像复原的主要目的就是为了去除干扰和模糊，从而恢复图像的本来面目。
例如去噪声复原处理。
成像过程中的“退化”是指由于成像系统中各种因素的影响，使得图像质量降低。
在成像系统中引起图像退化的原因有很多。
在图像复原前必须要构造出针对退化缘由和过程的直观分析模型，以便进行后续的分析计算。
与图像增强相似，图像复原的目的也是改善图像的质量。
图像复原可以看作是图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真，以便获得未经干扰退化的原始图像或原始图像的最优值，从而改善图像的质量。
图像退化的逆过程是有可能进行的。
但实际情况往往是退化过程并不知晓，这种复原叫做盲目复原。
由于图像模糊的同时，噪声和干扰也会同时存在，这也为复原过程带来了困难和不确定性。
图像的识别与检测
首先对图像进行预处理，然后做分割处理与提取出相关需要特征，从而便于计算机对图像中包含的内容理解，接下来即对图像进行识别与检测，确定目标是否存在，所处位置，以及目标尺寸大小等。
例如将由光学系统获取的内容，使用专门的PC视觉系统分析后，完成对个体的分辨以及提取出某些特征信息，然后将它们进行分类或者做出相应的判决，实现了类似人类视觉系统对目标进行识别与检测。
从而便于计算机对图像中包含的内容理解。
续表2.1数字图像处理的主要内容
图像形态学
数学形态学（MathematicalMorphology）是分析几何形状和结构的数学方法，是建立在集合代数基础上，用集合论方法定量描述几何结构的科学。
逐渐成为分析图像的几何特征工具腐蚀、膨胀和细化都属于数学形态学范畴内的运算。
图像形态学是数学形态学的延伸，是一门单独的研究学科。
利用图像形态学处理技术，可以实现图像的腐蚀、细化等效果。
数学形态学是由一组形态学的代数运算子组成的。
最基本的形态学运算子有：
腐蚀（Erosion）、膨胀（Delation）、开（Open）和闭（Closing）。
用这些运算子及其组合来进行图像形状和结构的分析及处理，包括图像分割、特征提取、边界检测、图像滤波、图像增强和恢复等方面的工作。
图像分割
把图像划分为不同区域的过程即图像分割，其作用在于分割出图像中有价值的特征内容（例如边界、凹陷缺陷），以便后续提取出感兴趣的目标。
人类的视觉系统构造高度复杂，能够轻松地从复杂场景中分辨所看到的对象，并进行识别。
但对计算机来说，却是极为困难的。
图像中往往包含多个对象，在对图像分析的实际运用中，自动分割是非常重要的一块，因此充分利用获取信息以及更好地统筹各种方法措施，加强图像分析处理中的可靠性和有效性，是对其进行研究的主要目标。
图像编码
数字图像中，相邻像素之间有较强关联性，间接表明其信息压缩潜力巨大。
通过图像编码压缩，可以减少图像的数据量，减少传输过程与分析处理的时间。
特别是在当今庞大的计算机网络空间中，为提高图像的传输速度，图像编码压缩技术显得更加重要。
要求不同，进行图像的编码压缩时允许失真程度不同。
图像编码研究属于信息论中信源编码的范畴，可以减少图像的数据量，减少传输过程与分析处理的时间。
主要是利用图像信号的统计特性和人类视觉特性达到压缩图像的目的。
图像特征提取
图像的特征提取是指将一幅图像分割成若干个区域后，进一步提取出图像内的目标物体或区域感兴趣的特征，以用于后续的图像的分析与理解。
对图像进行图像特征，既可以是人类的视觉可以直接辨别的自然特征，例如物体的形状、颜色等也可以是在对图像进行相应的数学运算后得到的数字特征，如物体的长与宽、面积、重心、中心点等。
2.1.2数字图像处理的基本特点
（1）信息量大
当前，数字图像处理的信息大多是用像素的形式表示的二维信息。
需要处理检测的数据量很多。
就比如一幅256
256分辨率的图像，数据量大约要求64kbit；若是一幅512
512的图像，因为其分辨率高，所以就会出现768kbit的数据量；而针对电视影像那些每秒30帧的图像，就会要求
～
的数据量。
而对于这么大的数据量，使得对计算机处理速度的要求也随之提高。
（2）处理精度高
根据目前的图像处理发展技术，可以轻易将一幅图像转化为所谓的二值图像，然后继续进行后续操作。
现在的这种设备，通过扫描可以使得图像中的像素点都量化为16位或者比16位更高，表示数字图像处理在量化这一方面的可适合范围很广。
对于计算机来说，它的处理程序是固定的，对于不同的图像，仅仅是里面的参数不同而已。
在实际操作过程中，对于具体的图像，要选择具体的、合适的参数进行处理。
（3）灵活度高
像质改善、图像分析与图像重建都是数字图像处理技术的范畴，它们均包含很多的内容。
特别的是数字图像处理技术还能够完成非线性运算，进而实现相对比较麻烦的非线性处理，总的来说，数字图像处理可以很轻松的实现那些用公式和所谓逻辑关系表达的运算。
（4）适用面宽
所处理的图像可以是很多方面的，例如像平常的肉眼可见的图像，还有那些不可见光所形成的图像（例如X射线图像、红外图像等）。
大小范围也非常广，就如天文望远镜所观察到的天文图像，航空拍摄到的天体照片，相对的小到如电子显微镜所拍摄的那些肉眼看不到的图像。
但这些差别来源的图像一旦被变换为数字编码的话，就可以用数字图像处理技术对其进行转化二值图像操作，进而方便后续处理，因而都可以用计算机来处理分析。
（5）再现性好
只要图像在数字化时精确地表示了原稿，则数字图像处理进程中始终能维持图像的再现[2]。
数字图像处理技术不会由于图像的存储、传输或者复制等一系列变更操纵而致使图像质量的退化[3]。
2.2数字图像处理的算法流程图
图2.1算法流程图
我把整个裂纹检测过程分成了10个步骤：
第一步为图像获取；第二、三步为图像前处理部分，主要完成图像的开始准备工作，是数字图像处理中必不可少的一步；第四、五步为图像去噪和提高对比度步骤，便于后面提取和处理裂纹，给后面提取裂纹特征打好基础；对于第六步中的边缘检测与阈值分割这两步骤，是整个图像处理最重要的地方，关系到后面提取图像特征的精度或准度，尤为关键；第七步数学形态学处理是消除孤立噪声，得到完全的裂纹图像；第八步为图像细化处理，以便于直接得到裂纹图像的长度；第九步是提取图像的轮廓，和第八步一样，也是为了获得图像的形态特征，轮廓提取是为了获得裂纹图像的周长值；然后观察所得的裂纹图像的形态特征，总的来说我们选取了算法相结合的检测算法。
3零件表面裂纹图像获取、分析及其前处理
3.1图像的获取
本次课题的编程实现是在VisualC++6.0上完成的，VisualC++是Microsoft公司推出的Windows开发环境程序,面对对象的可视化集成编程系统，它具有程序框架自动生成的特点,而且代码编写和界面设计操作也非常简便。
图3.1VisualC++6.0编程界面
获取图像部分，我是用VC编程连接的计算机本身的摄像头，下图3.2显示建立的对话框（Dialog）和效果图。
图3.2摄像头获取图像
3.2图像的前处理
由于编程的数字图像处理只能处理256色位图，但摄像头获取的图像保存下来是24色位图的图像，所以需要进行图像前处理，将其转换为256色位图，我调用了Windows自带附件画图这一程序，画图可以轻松转换为256色位图。
但会有少许失真。
如图3.3、图3.4。
图3.3在画图软件中打开24位位图
图3.4转换为256色位图
3.3图像的灰度处理
3.3.1裂纹图像的灰度转换
灰度图（Grayscale）顾名思义就是把彩色图像转化为只有黑白两种像素的图像，就如黑白照片一样，其亮度变化是连续的。
基于VC++的数字图像处理中，图像的所有后续处理都基于图像是0到255色的灰度图，0表全黑，255表全白，灰度图使用也比较方便。
因此需要转换为灰度图再进行后续处理。
如图3.5。
图3.5图像转换为灰度图
3.3.2裂纹图像的灰度直方图
灰度直方图（GrayHistogram）在数字图像处理中是一个简单方便的工具，可以直观的表示出图像像素的分布情况。
图像中的具有该灰度值的像素的个数直接用一个函数表示了出来，直方图的横坐标表示像素的灰度级别，纵坐标是该灰度出现的频率（像素的个数）[4]。
裂纹灰度图的直方图显示如图3.6。
图3.6灰度直方图
4零件表面裂纹图像的噪声分析及处理
4.1裂纹图像的噪声分析
在大多数数字图像系统中，噪声（Noise）影响是普遍存在的；图像噪声的定义即图像中各种妨碍人们对其信息接收的因素，而在图像输入过程中，图像都是采用先冻结再扫描的方式将多维图像变成一维电信号，再对其进行处理、存储、传输等加工变换[5]。
最后往往也还要组成多维图像信号；而图像噪声也将同样经过这样的分解和合成，图像噪声一般与要研究的具体对象不相关，但会使图像的视觉效果变差，干扰图像的目标信息，使图像处理的精度和质量降低；并且图像噪声具有随机性的特点，很难预测，特别是在采集和传输图像时，非常容易引入噪声，继而对后续的图像提取分析工作造成影响：
就比如图像后期处理要采用边缘检测算法处理时，任何一点其他噪声的干扰，都会使得算法不稳定和导致得到的图像质量恶化，出现大量的误差，使得后续的特征提取与目标识别无法进行；而在获取图像时，往往会出现光照程度不均匀、镜头抖动、镜片上有灰尘等多种因素，有时还会因硬件上的不足，比如电子仪器器件的损坏、仪器本身硬件的精度不足等，使得通道受到其它污染或者其它的干扰。
噪声一般分为外部噪声与内部噪声，内部噪声又可以分为四种噪声：
（1）由光和电的基本性质所引起的噪声；
（2）电器的机械运动产生的噪声；（3）器材材料本身引起的噪声；（4）系统内部设备电路引起的噪声。
但是一般采用的是图像中噪声分量的灰度值的统计特性（数学概率统计）的方法进行分析。
本课题处理的对象一般就是数字图像处理，特别需要关注的就是高斯噪声和椒盐噪声。
这两种噪声在图像预处理中比较常见。
用概率密度函数P（x）（x为灰度值）表示如下:
高斯噪声：
（4-1）
公式中的
表示灰度值的均值，
为灰度值的标准差。
当x符合（4-1）函数分布时，其值将近95%都在（
-2
）～（
+2
）范围内。
椒盐噪声：
（4-2）
其中a，b表示灰度值，b>a时，用一个亮点表示灰度值a，反之用一个暗点表示b。
当
或者
有一个为0时，表示为单极脉冲；二者均不为0时，特别是两者近似相等的情况下，就表示为椒盐噪声。
4.2裂纹图像的噪声滤波预处理
一般情况下，图像系统中图像的成像、复制、扫描、
升级会员 