基于图像处理技术的表面粗糙度检测系统模型

基于图像处理技术的表面粗糙度检测系统模型
陈斌;宋桂珍
【摘要】阐述了基于图像处理技术的检测识别系统,针对图像处理在表面粗糙度检测上的应用,提出了相应的检测系统模型.
【期刊名称】《机械管理开发》
【年(卷),期】2010(025)002
【总页数】2页(P137-138)
【关键词】图像处理;表面粗糙度;检测系统
【作者】陈斌;宋桂珍
【作者单位】太原理工大学机械工程学院,山西,太原,030024;太原理工大学机械工程学院,山西,太原,030024
【正文语种】中文
【中图分类】TP391.02
0 引言
随着工业化大生产的发展，对产品精度和零件表面粗糙度提出了越来越高的要求。

鉴于接触式检测仪器仪表的测量精度和测量速度等方面的改善要求，推动了非接触式无损检测技术的发展。

图像检测属于无损检测技术的一种重要方式，在零件表面粗糙度的测量中有着广泛应用前景。

1 图像识别检测系统
图像可称为计算机视觉，是用各种成像系统代替人的视觉器官获取景物图像，再由计算机代替大脑完成其处理和解释。

图像识别系统的框图见图1。

图1 图像识别系统框图
1.1 图像获取
对于通用的图像处理系统中讲，不同的系统，虽功能和硬件电路有所不同，但其硬件结构主要有面向帧存和面向计算机内存两种方式。

图2是一般的面向帧存的图像硬件系统结构框图。

图中视频源是摄像机，（或是录像机、取指器）。

图像帧存的容量变化范围较大，基本容量是一幅数字化图像的几何分辨率所要求的存储空间。

帧存有：单帧的、多帧的、单通道的、多通道的。

图像显示分：彩色的、伪彩色的、黑白的。

伪彩色和彩色的图像显示中，往往带有查找表，以进行彩色指定、图文注释、灰度变换处理。

计算机接口是图像系统连接计算机的连接电路；计算机接口可以采用：ISA总线，PCI总线、USB总线。

硬件处理的种类很多，例如：直方图统计、卷积、分割、边界跟踪等。

应该指出，并不是每一个图像处理系统都有硬件处理功能。

图2 面向图像帧存的图像硬件系统结构
图3是一般的面向计算机内存的图像硬件系统结构。

它的结构非常简洁，硬件代价极低；由于借用了计算机的显卡和显示器，图像系统就可不设置D/A电路、不添加昂贵的监视器，高速图像处理机甚至不另设置图像帧存；随着计算机配置的发展，这种结构的应用越来越广泛。

图3 面向计算机内存的图像硬件系统结构
1.2 图像处理
图像数据处理包括：预处理、特征抽取和特征选择。

预处理技术是指：通过图像变换、图像增强、图像复原、图像编码等方法，清除图像中的噪声，减轻或消除因传感器与传输介质而引起的退化现象，改善图像质量，便于分析处理等。

特征抽取是
从图像中提取一组反映图像特性的基本元素或数字值[1]。

特征选择是从已经抽取
的特征中选择能够更好地完成分类识别任务的特征，来表示原图像。

图像数据处理在图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。

这些特性差别可能非常明显，也可能很细微。

图像识别的基础是图像分割，其作用是：把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来，并形成数字特征。

图像分割算法的分类主要是：边缘检测、边界跟踪、阈值分割、区域分割。

各个分类算法，大多是针对某一具体应用提出的，并且图像的分割性能受到诸多因素的影响，包括：图像的同质性、空间结构特性、连续性、纹理、内容、物理视觉特性等。

所以，好的图像分割现用多种分割方法结合，这可有效避免某种方法的缺陷，使得分割结果更加合理[2]。

判别分类是指：采用一定的准则或机制建立分类规则，并用它们对未知图像模式进行分类识别。

用于解决图像识别的方法一般概括成三种：即统计法（statistical approach）、句法法（syntactic approach）、模糊法（fuzzy approach）。

神经网络识别应属于统计法，它在图像识别上具有重要意义和实用价值，尤其是在图像分割的应用中。

人工神经网络是模仿动物神经网络行为特征，进行分布式并行信息处理算法的数学模型[3】。

这种网络按系统的复杂程度，通过调整内部大量节点之间的相互连接关系，从而达到处理信息的目的。

人工神经网络具有自学习和自适应能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终依此规律，采用新的输入数据来推算其输出结果。

人工神经网络是并行分布式系统，它不同于传统人工智能和信息处理的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织、实时学习的特点。

所以，它在图像分割和特征提取中有很多应用实例，收到良好效果。

文献[4]中，对图像检测技术和神经网络技术的研究，通过图像获取车削表面的纹
理信息，进行特征提取，建立神经网络对特征值进行训练识别，验证图像特征与表面粗糙度之间的对应关系，用来完成表面粗糙度的定性测量。

再从图像中提取截面轮廓进行滤波处理和参数提取，将得到的表面粗糙度参数与触针式测量仪测得的结果进行对比，并通过回归分析找到二者之间的规律、建立数学公式，用来完成表面粗糙度的定量测量。

文献[5]中，以灰度变化轮廓曲线为依据，定量评定了各种滤波和图像增强方式对
磨削表面图像的处理效果，开发了图像预处理程序，并用灰度级阈值化的分割处理；再用二维离散傅里叶变换将磨削表面图像所呈现的纹理特征转换到频域中加以分析，发现功率谱半径、平均功率谱和中心功率谱百分比与表面粗糙度值呈近似单调函数关系；选用这些特征量为输入，建立BP神经网络模型，用来完成表面粗糙度值的测量。

由上所述应用实例看出：图像检测识别技术在表面粗糙度检测上的研究重点就是图像有效特征与表面粗糙度的关系。

各个阶段和具体方面，图像的特征提取和使用虽有不同，但其主要参考应是对表面粗糙度的测量准确性。

图像的各种特性在很大程度上受到环境、检测系统等外在因素干扰，其表面特征分布和能量频率特征的分布都是不同的。

上述实例的准确性较高，是通过神经网络识别方法，通过图像参数的有效训练生成一套神经网络识别机构，并建立相应的识别检测系统。

2 表面粗糙度的图像检测系统模型
表面粗糙度的图像检测系统的模型结构，见图4。

在图中各个环节可以根据被测表面获得的图像信息不同，采用不同的分析方法。

在检测的各个阶段，有很多的方法可以应用，根据获取信息的不同，对比各种方法的优劣，选出合理的方法和算法，建立相应的软件模型，使得图像测量系统转变为现实适用系统。

图4 表面粗糙度的图像检测系统模型结构
参考文献
【相关文献】
[1] 阮秋琦，阮宇智（译）.数字图像处理[M］（第二版）.北京：电子工业出版社，2005.
[2]Rafael C.Gonzalez,Richard E.Woods,Steven L.Eddins.Digital Image processing Using MATLAB[M］.北京：电子工业出版社，2004.
[3] 姚敏.数字图像处理[M］.北京：机械工业出版社，2006.
[4] 王玉景.基于图像的车削表面粗糙度测量[D］.哈尔滨：哈尔滨理工大学,2007：23-29.
[5] 吴春亚.基于机器视觉的磨削表面粗糙度检测[D］.哈尔滨：哈尔滨理工大学,2008：40-49.。