表示某种特征的面积在生产和科研中有着广泛的应用。目前，在现代的很多企业里面，仍然采用人工视觉检测的方法进行原材料、成品和半成品的表面面积进行检测。人工检测具有主观性误差，使得检测合格率的可信度较低，因此对产品的质量都有重要影响。人工视觉的检测方式已明显不能满足高效率、低成本的要求。面对当今科学技术的飞速发展的形势，不能不看到人工视觉检测存在着极大不足。而且面积检测基本上采用间接测量法,对非规则图形要准确测量面积就比较困难。图像检测技术在它不受图形形状的限制,适用范围广,基本思路为统计被检测区域相应像素点数,再换算成以平方米为单位的面积。这些被检测区域可以是表面的锈斑、烧蚀、划伤、磨损等不规则区域,可根据表面特征的不同用图像处理方法将特定区域提取出来(这些工作已有很多书刊涉及到)。但被测对象大多数都是平面物体的面积,而对柱体曲面上任意形状面积的高精度检测或计量方面的相关论文非常少。 本文采用高精度面阵ccd相机通过摄影测量方法对柱体表面缺陷面积进行了检测。该检测方法利用ccd相机获取柱体及缺陷区域，为了提高检测精度，要求柱体部分必须占到场景的80%以上。这样利用提出柱体表面缺陷面积的检测方法,将其从随机拍摄的图片还原到平面图上， 确定其阈值、去除噪声和跟踪轮廓，再从处理后图像中提取能表征缺陷轮廓特征,并补全轮廓，从而实现计算机对柱体缺陷图像面积的自动识别。该检测方法与其他检测方法相比，具有精度高、成本低、误差小，实时快速测量的优点。1 实验系统与方法 本系统主要有ccd摄像头、图像采集卡、图像处理计算机等三个部分组成，图1为系统结构示意图。
1.1 ccd摄像头 ccd摄像头由光学镜头和图像传感器及相关电路组成，与待检测物垂直安装在的正前方。本文中使用的ccd为akita(爱科)公司生产的dc-24型彩色摄像头，其主要性能指标如下： 1) 视频信号制式：pal 2) 有效像素数：752×582 3) 扫描面积：4.89mm×3.67mm 4) 信噪比：50分贝 5) 最低照度：0.6lux，f1.2 1.2 图像采集卡 图像采集卡的主要作用是对ccd摄像头采集到的图像信号进行a/d转换，然后输入到计算机中。本文采用的图像采集卡为天敏公司生产的sdk2000型采集卡，其主要性能指标为： 1) pci总线，兼容windows即插即用(pnp)，安装简易。 2) 每秒可达30帧。 3) 显示分辨率可达640x480、24位真彩色。2 从透视图像到平行投影图像的转换 每个镜头都有一定的景深,在景深范围内的物体均能清晰地成像。因柱体表面为曲面,其上各点到摄像头的距离各不相同,此时ccd摄像头所拍摄到的图像是依据透视变换关系将三维物体通过镜头成像在ccd敏感面上的二维平面图像,这里笔者称其为透视图像。这里计算实际面积必须进行从透视图像到平行投影图的转换。其方法是: ⑴ 图像水平旋转校正，利用hough变换找到柱体的轮廓边缘的轮廓直线和标记直线，将其旋转校正至水平。 ⑵ 图像垂直移位，将柱体中轴与图像中心线重合。尽管图像已经水平，但在图像中的柱体部分或上或下偏移图像中心，这就需要将图像中的柱体部分移至图像中央，即图像中轴线与柱体中轴线重合。根据以标定的标尺和照片上标尺的实际大小可以确定相机至柱体的距离，可以算出柱体对应的角，又已知柱体半径，根据照相点和投影点的关系可以将圆柱体表面还原，再以圆柱中心对应等距离照相点投影到该面上的投影就是我们要求的。这就将柱体中轴与图像中心线重合。 ⑶ 图像垂直校正，将曲面图形转换成平面图像。求出脱粘面的边缘轮廓坐标，这样利用轮廓在中轴线上横坐标(以图中心为坐标原点)值i不变，垂直于中轴线上的纵坐标值j按照r*asin(j/r));（r为柱体柱体半径），将缺陷面的轮廓还原成平面上的实际轮廓大小，利用matlab工具箱中的函数求出轮廓内的象素点的个数.3 图像预处理 柱体表面缺陷图ccd相机取出,记取在图像缓冲器上后,将灰度图像二值化,除去干扰,可进行缺陷轮廓提取。二值化以下的处理由计算机进行。以下,阐述图像的滤波、阈值的确定、缺陷轮廓提取及缺陷图像的复原。 3.1 在图像拍摄过程中，由于光照不均而造成的亮度不均会严重影响图像的二值化，从而使图像边缘轮廓部分丢失，因此需要针对亮度不均进行校正，以便正确地分离出边缘轮廓，运用同态滤波对亮度不均进行校正，运用同态滤波使图像的光照得到了整体上的抑制，并使目标与背景的对比度有所改善。
3.2 阈值的确定 为了检测出缺陷的边缘,进行图像分割(缺陷子图像的提取),灰度分割阈值t的选择相当重要。在对图像进行了二值化，对于直方图双峰明显, 谷底较深的图像, 双峰法和迭代法，这两种方法可以较快地获得满意结果。双峰法实现简单, 要根据直方图特征设定一个合理的峰宽; 迭代法运算稳定, 但运算量大; 简单统计法避免了分析灰度直方图, 因此适应面广, 实现也很简单。但是对于直方图双峰不明显,或图像目标和背景比例差异悬殊, 此两种方法就不能完全提取出重要的信息，使处理出的图像效果都不是非常理想。最大类间方差法( otsu法)（对图像, 设t为前景与背景的二值化阈值, 前景点数占图像比例为w0, 平均灰度为u0; 背景点数占图像比例为w1, 平均灰度为u1。图像的总平均灰度为: u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t, 当t使得值b=w0* (u0- u) 2+w1* (u1- u) 2最大时, t即为二值化的最佳阈值。对最大类间方差法可作如下理解: 该式实际上就是类间方差值, 阈值t二值化出的前景和背景两部分构成了整幅图像, 而前景取值u0, 概率为w0, 背景取值u1, 概率为w1, 总均值为u, 根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小, 因此使类间方差最大的二值化意味着错分概率最小。）处理出的图像边缘比较清晰, 算法也比较稳定。对于不同光照条件下得到的图像, 最大类间方差法处理出的图像边缘一致性最好, 重复性边缘定位基本可以控制在一个像素范围内。最大类间方差法致命的缺陷是当目标物与背景灰度差不明显时, 会出现无法忍受的大块黑色区域, 甚至会丢失整幅图像的信息。为了解决这个问题, 有人提出了灰度拉伸的增强最大类间方差法。这种方法的原理其实就是在最大类间方差法的基础上通过增加灰度的级数来增强前后景的灰度差, 从而解决问题。灰度增加的方法是用原有的灰度级乘上同一个系数,从而扩大灰度的级数, 选择一个比较合适的拉伸系数改进最大类间方差法后处理图像效果会更好, 因为图像的边缘会随着图像拉伸而变化, 不合适的拉伸系数会破坏图像的边缘。3.3 缺陷轮廓提取 对预处理过的图像进行图像特征抽取，所抽取出的象素点可能粗细不均，为了突出轮廓线的形状特点和后续轮廓提取，则需要进行轮廓细化。这里给出一种简单的细化算法，所谓细化就是从原来的图像中去掉一些点，但仍要保持原来的形状，实际上是保持原来的骨架。判断一个点是否删去可根据它邻域内的八个相邻点来判断。具体的细化算法如图2：一幅图像中的一个3*3 区域，对各点标记名称a1,a2,…a9，其中a1位于中心。如果a1= 1即黑点，且下面四个条件同时满足，则删除ai。 （1）2≤nz(a1) ≤6 （2）z0(a1)＝1 （3）a2*a4*a8＝0 or z0(a1) ≠1 （4）a2*a4*a6＝0 or z0(a4) ≠1
（1）标记点和邻点
中国论文网(www.lunwen.net.cn)免费学术期刊论文发表,目录,论文查重入口,本科毕业论文怎么写,职称论文范文,论文摘要,论文文献资料,毕业论文格式,论文检测降重服务。
