一種基于圖像處理的沖壓工件缺陷檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于工業(yè)生產(chǎn)檢測(cè)檢測(cè)技術(shù)領(lǐng)域，具體涉及一種基于圖像處理的沖壓工件 缺陷檢測(cè)方法。
【背景技術(shù)】
[0002] 圖像檢測(cè)技術(shù)在國(guó)內(nèi)外產(chǎn)品檢測(cè)中被大量使用，它是以光學(xué)為基礎(chǔ)，融合圖像處 理技術(shù)，光電子技術(shù)，計(jì)算機(jī)技術(shù)等當(dāng)代先進(jìn)科學(xué)技術(shù)為一體，組成的一個(gè)綜合檢測(cè)系統(tǒng)。 該技術(shù)主要是利用光學(xué)技術(shù)把被檢測(cè)的物質(zhì)成像，將圖像作為傳遞信息的載體或檢測(cè)的手 段，然后通過(guò)一定的加工處理，實(shí)現(xiàn)對(duì)材料外部特征的檢測(cè)。
[0003]目前，大部分工件缺陷檢測(cè)的方法需要對(duì)獲取的工件圖像進(jìn)行二值化處理，該方 法對(duì)光源的要求較為嚴(yán)格，而光源昂貴的價(jià)格無(wú)疑會(huì)大大增加檢測(cè)的成本；同時(shí)，圖像獲取 裝置的電氣性干擾會(huì)使灰度圖像產(chǎn)生多種噪聲，從而使得到的圖像容易出現(xiàn)多歧義性，嚴(yán) 重影響工件檢測(cè)的重復(fù)精度；此外，其視覺(jué)系統(tǒng)的圖像采集速度也使得圖像處理部分用時(shí) 較長(zhǎng)，制約了檢測(cè)效率的提高。因此，如何解決檢測(cè)精度與檢測(cè)算法的復(fù)雜性關(guān)系仍是工件 檢測(cè)技術(shù)所面臨的巨大挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種基于圖像處理的沖壓工件缺陷檢測(cè)方法，解決了現(xiàn)有工 件檢測(cè)方法成本高昂、重復(fù)精度差以及檢測(cè)效率低的問(wèn)題。
[0005] 本發(fā)明所采用的技術(shù)方案是，一種基于圖像處理的沖壓工件缺陷檢測(cè)方法，具體 步驟為：
[0006] 步驟1，獲取沖壓工件圖像，利用自適應(yīng)投票快速中值濾波的方法進(jìn)行圖像去噪處 理；
[0007] 步驟2,采用Contourlet變換和小生境粒子群優(yōu)化算法進(jìn)行圖像增強(qiáng)；
[0008] 步驟3,對(duì)圖像進(jìn)行邊緣檢測(cè)處理；
[0009] 步驟4,沖壓工件缺陷檢測(cè)。
[0010] 本發(fā)明的特征還在于，
[0011] 步驟1中，圖像去噪的過(guò)程為：
[0012] 步驟I. 1 :將獲取的工件圖像劃分為個(gè)NXN個(gè)濾波滑動(dòng)窗口，其中，N彡3,且N為 奇數(shù)；
[0013] 步驟1. 2:對(duì)步驟I. 1所得濾波滑動(dòng)窗口中的像素點(diǎn)進(jìn)行逐一掃描，將中心點(diǎn)的像 素值^與其鄰域像素點(diǎn)的像素值9JS行比較，當(dāng)X,= 9』寸，對(duì)該像素點(diǎn)進(jìn)行灰度值 投票；并判斷X1,是否為極值，若Xu為極值，則進(jìn)行步驟1. 3 ;
[0014] 步驟1. 3:按照灰度值出現(xiàn)的次數(shù)統(tǒng)計(jì)投票箱數(shù)組的值，并將第一個(gè)滿足式（1)或 (2)的像素點(diǎn)的灰度值替換中心點(diǎn)像素值，實(shí)現(xiàn)中值濾波：
[0015]M_+M彡0?5X(NXN+1) (1)
[0016] 或Mnax+M彡 0? 5X(NXN+1) (2)
[0017]其中，M為灰度值等于中心點(diǎn)像素值的像素個(gè)數(shù)，M_為灰度值比中心點(diǎn)像素值小 的像素個(gè)數(shù)，Mniax為灰度值比中心點(diǎn)像素值大的像素個(gè)數(shù)。
[0018] 步驟2中，圖像增強(qiáng)過(guò)程為：
[0019] 步驟2. 1 :對(duì)步驟1所得圖像進(jìn)行Contourlet變換，獲得工件圖像的低通和帶通 方向子帶；
[0020] 步驟2. 2 :利用非線性增益函數(shù)對(duì)帶通方向子帶進(jìn)行自適應(yīng)調(diào)整，即：
強(qiáng)范圍，其取值為[0，1]，c為圖像增強(qiáng)強(qiáng)度，其取值為[1，10];
[0023] 步驟2. 3 :采用小生境粒子群優(yōu)化算法計(jì)算帶通子帶待定系數(shù)的最優(yōu)解；對(duì)粒子 群進(jìn)行初始化：設(shè)算法種群由Z個(gè)子種群組成，每個(gè)子種群中最優(yōu)個(gè)體為Pztest;
[0024] 步驟2. 4:判斷兩個(gè)子種群中最優(yōu)個(gè)體之間的距離牝是否小于小生境的半徑 Rni^，若小于，比較兩個(gè)小生境最優(yōu)個(gè)體的適應(yīng)度，高者保持不變，低者置零；
[0025] 步驟2. 5 :對(duì)步驟2. 4中置零的最優(yōu)個(gè)體重新初始化，并在其所在的小生境內(nèi)重新 選擇最優(yōu)個(gè)體，F(xiàn)ori=ltoZ-I，F(xiàn)orj=i+ltoZ，直到每個(gè)小生境都具有最優(yōu)個(gè)體，隨 后粒子按照公式（3)和（4)更新速度公式來(lái)更新位置和速度：
[0026] Vi (t+1) =wV(t) +C^1Lpbesti (t) -Xi (t) ] +c2r2Lpbesti (t) -Xi (t) ] (3)
[0027] X1 (t+1) =X1 (t)+V1 (t+1) (4)
[0028] 其中，V1 (t+1)為粒子i在t+1時(shí)刻的速度；X1 (t+1)為粒子i在t+1時(shí)刻的位置； Cl，C2為學(xué)習(xí)因子，通常C1=C2= 2斤^巧是滿足在（0，1)上的隨機(jī)數(shù);w為非負(fù)慣性因子；
[0029] 步驟2. 6 :循環(huán)迭代自增，當(dāng)?shù)螖?shù)達(dá)到最大時(shí)，尋優(yōu)結(jié)束，此時(shí)得到帶通方向 子帶系數(shù)的最優(yōu)值；否則轉(zhuǎn)至步驟2. 3 ;
[0030] 步驟2. 7 :利用步驟2. 6所得帶通方向子帶系數(shù)的最優(yōu)值做Contourlet反變換， 即得沖壓工件圖像增強(qiáng)處理效果圖。
[0031] 步驟3中，圖像進(jìn)行邊緣檢測(cè)處理過(guò)程為：
[0032] 步驟3. 1 :對(duì)步驟2所得圖像進(jìn)行小波分解，得到圖像的高頻分量和低頻分量；
[0033]步驟3. 2 :采用LVQl神經(jīng)網(wǎng)絡(luò)從高頻分量圖像依次提取中值特征量（Mlij)、方向 性信息特征量（Qu)、Kirsch算子特征量（Ki,，由此3個(gè)原型向量組成特征向量P^j =
[mjT;
[0034] 步驟3. 3 :輸入層的每一個(gè)神經(jīng)元都指定給一個(gè)輸出神經(jīng)元，得權(quán)值矩陣W2,即
[0036] 步驟3. 4 :每次迭代過(guò)程，一個(gè)輸入向量Pu被提供給網(wǎng)絡(luò)，并且計(jì)算每個(gè)原型向量 與P1,的距離；輸入層的神經(jīng)元進(jìn)行競(jìng)爭(zhēng)，若第i個(gè)神經(jīng)元i$獲勝，則第一層神經(jīng)元的輸出 向量a1的第i元素被設(shè)置為1，其余元素均為O;接著a1與第二層神經(jīng)元的權(quán)值矩陣W2相 乘從而得到最終輸出向量a2,a2也是只有一個(gè)非零元素k* (k*的第k行元素），表明Pu是 指定給第k類的；
[0037] a、如果P1,的分類是正確的，則第一層的獲勝神經(jīng)元i$的權(quán)值iW1 (q)向Pu移動(dòng)：
[0038] iY(q) =iY(q-l) +a(P1s (q)-iY(q-1))
[0039] 其中：q表示迭代的次數(shù)；a為學(xué)習(xí)率，W1為一隨機(jī)矩陣；
[0040] b、如果P1,的分類是錯(cuò)誤的，移動(dòng)權(quán)值iV(q)遠(yuǎn)離P1]:
[0041] iV(q) =iV(q-1) -a(P1j(q)-iV(q-1))
[0042] 依次對(duì)灰度圖像的每一個(gè)輸入向量P1,進(jìn)行學(xué)習(xí)，得判別函數(shù)參數(shù)WS
[0043] 步驟3. 5 :將步驟3. 4所得判別函數(shù)參數(shù)W1作為輸入?yún)?shù)輸入到邊緣檢測(cè)器中，由 邊緣檢測(cè)器生成高頻分量邊緣圖像；
[0044] 步驟3. 6 :將圖像灰度的中值乂_/2賦給初始閾值X。，然后依據(jù)公式（5)進(jìn)行迭代， 直到X1+1=Xi時(shí)結(jié)束迭代，取此時(shí)的X^乍為閾值，并記為XT:
[0046] 其中，X_為圖像像素的最大灰度級(jí)；nk為灰度值等于k的像素個(gè)數(shù)；
[0047] 步驟3. 7 :定義新的隸屬函數(shù)為：
[0049] 其中，Xnn為原始數(shù)據(jù)矩陣，X7為閾值；
[0050] 步驟3. 8 :利用公式（6)對(duì)隸屬函數(shù)Iinin在圖像模糊特征平面上進(jìn)行非線性變換 得到模糊隸屬度矩陣：
[0051] y' nn=Tr(i〇 =T1CrrJyJ)r=I, 2,...... (6)
[0052] 其中，Vnin為模糊隸屬度矩陣，J為非線性變換函數(shù)，r為迭代次數(shù)；
[0053] 步驟3. 9 :根據(jù)公式（7)對(duì)模糊隸屬度矩陣進(jìn)行逆變換，圖像由模糊空間變換到數(shù) 據(jù)空間：
[0055] 步驟3. 10 :利用"Max"和"Min"算子提取低頻分量圖像邊緣；
[0056] 步驟3. 11 :將步驟3. 5所得高頻分量邊緣圖像和3. 10所得低頻分量圖像邊緣進(jìn) 行圖像代數(shù)運(yùn)算合成；
[0057] 步驟3. 12 :獲取低頻邊緣圖像的首地址以及圖像的高和寬，開(kāi)辟一塊內(nèi)存緩沖 區(qū)，并初始化為255 ;
[0058] 步驟3. 13 :選取進(jìn)行加運(yùn)算的高頻邊緣圖像的首地址以及圖像的高和寬，對(duì)兩幅 圖像對(duì)應(yīng)的像素點(diǎn)進(jìn)行加運(yùn)算，結(jié)果若大于255,則置該點(diǎn)為255,否則將結(jié)果保存下來(lái)，然 后將內(nèi)存中的結(jié)果復(fù)制回低頻邊緣圖像的數(shù)據(jù)區(qū)。
[0059] 步驟4中，沖壓工件缺陷檢測(cè)方法為：
[0060] 步驟4.