三级经典国产一区二区,日本黑人三级精品久久,成人午夜在线观看av,国产精品一区视频日韩,亚洲国产精品午夜一区,国产成人自拍视频在线,亚洲青草视频在线播放,免费在线播放观看av,少妇极品熟妇人妻专区视频,亚洲乱码专区一区二区

針對目前人工檢測厚壁鋼管端面缺陷存在的效率低、速度慢，且還會出現(xiàn)錯(cuò)檢、漏檢等問題，提出一種基于機(jī)器視覺的方法，實(shí)現(xiàn)對厚壁鋼管端面缺陷的檢測及分類。首先單獨(dú)提取鋼管倒角區(qū)域，利用最小二乘法對內(nèi)外倒角包含的輪廓圓進(jìn)行擬合，并根據(jù)歐式距離來判斷倒角是否出現(xiàn)偏心的情況；其次提取鋼管端面區(qū)域，并通過Otsu算法分割出缺陷區(qū)域，計(jì)算各聯(lián)通域的特征描述并組成新的特征向量，使用支持向量機(jī)來判斷缺陷類型。研究結(jié)果表明：該方法能準(zhǔn)確檢測出厚壁鋼管的倒角是否偏心、端面是否存在各類的缺陷，且準(zhǔn)確率達(dá)到96.7%，對一鋼管端面的判斷時(shí)間不超過100ms，相比人工目測速度有明顯的提高。

厚壁鋼管和普通鋼管的最大區(qū)別在于鋼管壁的厚度，通常把鋼管外徑和壁厚之比小于20的鋼管稱為厚壁鋼管，其主要用作液體氣體輸送管以及一些建筑結(jié)構(gòu)用管。受加工過程中各種不確定因素的影響，鋼管的端面可能會出現(xiàn)劃痕、刮傷、凹坑、崩邊等缺陷，且鋼管端面的內(nèi)外倒角還可能會出現(xiàn)偏心的情況。上述缺陷一方面影響了產(chǎn)品的外觀，另一方面若缺陷過于嚴(yán)重，則會影響鋼管后續(xù)的裝配，從而降低了鋼管的使用性能，且還會為工程的正常進(jìn)行埋下安全隱患。[1]目前，國內(nèi)鋼管生產(chǎn)企業(yè)大多數(shù)為人工目視完成對鋼管的缺陷檢測及剔除，但是人工檢測的效率低、速度慢，且還會出現(xiàn)誤檢、漏檢的情況。

基于機(jī)器視覺的缺陷檢測方法憑借其速度快、精度高、穩(wěn)定性強(qiáng)等特點(diǎn)受到廣泛關(guān)注[2]。對于鋼管端面缺陷檢測的方法目前研究報(bào)告很少，其類似于各種環(huán)形工件表面的缺陷檢測，如軸承套端面、瓶口端面、磁環(huán)表面等。朱錚濤等[3]通過斑點(diǎn)分析工具及斑點(diǎn)特征參數(shù)，完成薄壁鋼管端面的凹坑、倒角斜面變弧面等缺陷的檢測，但該方法并不適用厚壁鋼管，且該研究還需進(jìn)一步劃分端面缺陷的類型，以完成后續(xù)自動分揀的目的。而軸承端面、磁環(huán)表面的缺陷檢測方法對于厚壁鋼管端面缺陷檢測具有一定的借鑒意義，但由于檢測需求不同，在一定程度上并不適用。因此，針對當(dāng)前端面檢測方法的不足，提出一種適用于厚壁鋼管端面缺陷檢測的方法，以提高對厚壁鋼管端面缺陷檢測的效率和準(zhǔn)確率。

1圖像采集系統(tǒng)設(shè)計(jì)

厚壁鋼管端面缺陷檢測圖像采集系統(tǒng)主要由相機(jī)、鏡頭、光源、計(jì)算機(jī)及相應(yīng)的算法程序等組成。為了獲取易于檢測的厚壁鋼管端面圖像，選擇藍(lán)色低角度環(huán)形LED光源，且工件端面與光源下底面的距離約為10mm，目的是為了同時(shí)得到鋼管端面內(nèi)外倒角區(qū)域和端平面區(qū)域的圖像。缺陷檢測采集裝置簡圖如圖1所示。這樣采集到的灰度圖像中，倒角區(qū)域的灰度值接近255，即亮區(qū)域；端平面區(qū)域的灰度值接近0，即暗區(qū)域；而端平面中存在的缺陷區(qū)域的灰度值則處于倒角區(qū)域和端平面區(qū)域的灰度值之間。圖2為采集到的正品圖像和端面包含缺陷的圖像.

2厚壁鋼管倒角偏心判斷

2.1圖像平滑濾波處理

由于直接采集到的厚壁鋼管端面圖像會出現(xiàn)散粒噪聲，因此使用鄰域像素的非線性濾波會有很好的效果。中值濾波是一種典型的非線性濾波技術(shù)，其可以去除椒鹽噪聲的同時(shí)又能保留圖像的邊緣細(xì)節(jié)[4]。該研究選用5×5的函數(shù)窗口對原始圖像進(jìn)行濾波處理。其效果如圖3所示。

2.2倒角區(qū)域提取與擬合

經(jīng)過濾波操作后，可以發(fā)現(xiàn)圖像中倒角區(qū)域的灰度值明顯要高于其他區(qū)域的灰度值，因此可以選用固定閾值的方法將倒角區(qū)域的圖像提取出來，為了達(dá)到閾值選取相對準(zhǔn)確的目的，通過計(jì)算圖像的灰度直方圖，觀察其灰度分布情況，如圖4所示�？梢园l(fā)現(xiàn)，倒角區(qū)域的灰度值集中分布在最右側(cè)，即灰度值趨向于255，而端面區(qū)域及背景區(qū)域的灰度值則相對集中的分布在左側(cè)，灰度值趨向于0~130之間，理論上可以選取灰度值在131~254這一區(qū)間的任意值作為閾值，但有時(shí)候倒角區(qū)域會因?yàn)楸砻婀鉂啥鹊雀鞣N因素的影響而呈現(xiàn)一些小暗點(diǎn)，因此為了確保完整的提取出倒角區(qū)域，選擇保守一點(diǎn)的固定的閾值α=190。將小于α的像素點(diǎn)灰度值變?yōu)?/span>0（黑色），將大于等于α的像素點(diǎn)的灰度值變?yōu)?/span>255（白色）。處理結(jié)果如圖5所示。

倒角區(qū)域由4個(gè)圓組成，為了判斷倒角是否出現(xiàn)偏心的情況，需先對其進(jìn)行圓擬合操作。本研究首先選擇由OpenCV庫提供的findContours()函數(shù)檢測4個(gè)圓的輪廓，再利用最小二乘法擬合圓[5]。最小二乘法是一種數(shù)學(xué)優(yōu)化技術(shù)，它通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配。假設(shè)需擬合的曲線為：x2+y2+ax+by+c=0，且其半徑為R2，圓心坐標(biāo)為（A，B）圖像輪廓點(diǎn)集中的點(diǎn)（Xi,Yi）i∈(1，2，3，…，N)到圓心的距離為di:d2i=(Xi-A)2+(Yi-B)2，其與半徑的平方差δi=d2i-R2=X2i+Y2i+aXi+bYi+c。將L()a,b,c=∑δ2i作為目標(biāo)誤差函數(shù)，求其最小時(shí)a，b，c的值。為實(shí)現(xiàn)該目的，需對目標(biāo)函數(shù)求偏導(dǎo)，即∂L∂a=∂L∂b=∂L∂c=0。

3實(shí)驗(yàn)與分析

實(shí)驗(yàn)測試運(yùn)行環(huán)境：工業(yè)相機(jī)采用巴斯勒acA2500_14gm千兆網(wǎng)相機(jī)；鏡頭采用ComputerM2514_MP2工業(yè)鏡頭；15度藍(lán)色環(huán)形光源；處理器為In⁃terCOREi57300HQCPU。軟件系統(tǒng)在Windows10系統(tǒng)下設(shè)計(jì)，利用C++開發(fā)環(huán)境，圖像處理算法都是基于OpenCV庫函數(shù)來實(shí)現(xiàn)，圖像的分辨率為1296×972。

對于厚壁鋼管倒角是否偏心的情況檢測，由于其不涉及訓(xùn)練及分類識別，僅僅是根據(jù)固定的判據(jù)來判斷，因此檢測準(zhǔn)確度可達(dá)到99%以上。對于端面缺陷的檢測，實(shí)驗(yàn)針對4種缺陷類型，每種缺陷選取了60個(gè)缺陷區(qū)域樣本圖，并從中隨機(jī)選取30個(gè)來提取歸一化后的11維特征向量進(jìn)行訓(xùn)練，其余30個(gè)樣

本用于測試。故訓(xùn)練集共計(jì)120組特征向量，測試集共計(jì)120組特征向量。

在選用線性核函數(shù)時(shí)，利用網(wǎng)格搜索法對懲罰因子參數(shù)C作優(yōu)化選擇，在C值取不同的情況下分類準(zhǔn)確率如圖10所示。根據(jù)同樣的樣本，在選用高斯核函數(shù)時(shí)，同樣利用網(wǎng)格搜索法對參數(shù)C和gamma進(jìn)行調(diào)優(yōu)，其分類準(zhǔn)確率如圖11所示。

根據(jù)圖10、11可知，線性核函數(shù)下當(dāng)懲罰因子C=0.1時(shí)，分類準(zhǔn)確率達(dá)到最高，準(zhǔn)確率為85.8%；而選用RBF核時(shí)，在C=100，gamma=0.1的情況下準(zhǔn)確率達(dá)到了96.7%，較線性核有很大的提升，且訓(xùn)練耗時(shí)并不會比線性核的情況下長很多。因此，筆者選擇高斯核函數(shù)（RBF）作為最終SVM分類器的核函數(shù)。在對4類測試樣本共計(jì)120組特征向量進(jìn)行測試后，其分類結(jié)果混淆矩陣如表2所示。

從表2中，可以看出利用11維特征向量作為SVM的輸入可以實(shí)現(xiàn)厚壁鋼管端面缺陷的分類，其綜合準(zhǔn)確率可以達(dá)到96.7%。其中，對擦傷缺陷的分類效果最好，對劃痕缺陷的分類準(zhǔn)確率最低，且劃痕容易誤分類為擦傷，因?yàn)橛械膭澓鄄⒉恢皇且粭l痕跡，還可能包含兩三條痕跡，而擦傷看起來更像是大面積的劃痕，在兩者之間過渡區(qū)有可能會產(chǎn)生誤分類的情況。在實(shí)際樣品圖像的檢測中，還應(yīng)對圖像處理相關(guān)操作做進(jìn)一步的研究，以免為了達(dá)到同時(shí)檢測出端面全部缺陷的目的，在運(yùn)用相關(guān)的圖像處理方法如形態(tài)學(xué)操作、濾波操作等時(shí)可能會改變?nèi)毕荼旧淼囊恍┨匦�，甚至�(xí)�將缺陷遺漏，以致出現(xiàn)漏檢的情況。對于端面全部缺陷的檢測效果如圖12所示。

4結(jié)束語

提出一種基于機(jī)器視覺的厚壁鋼管端面綜合缺陷的檢測方法，不僅實(shí)現(xiàn)了對厚壁鋼管端部倒角是否偏心的判斷，還選用基于高斯核函數(shù)的SVM分類器，實(shí)現(xiàn)了對厚壁鋼管端平面區(qū)域缺陷的檢測、識別和判斷，且準(zhǔn)確率達(dá)到96.7%。對于一副完整的鋼管端面圖像的判斷速度在100ms以內(nèi)，完全滿足企業(yè)自動化質(zhì)檢過程的要求，不僅為以后的實(shí)際在線檢測技術(shù)打下理論基礎(chǔ)，還對相似環(huán)形產(chǎn)品的檢測提供重要的參考依據(jù)。