基于GLCM和FCM算法融合的铣削零件缺陷提取方法_蔡航.pdf

电 子 测 量 技 术E L E C T RON I CME A S U R EME N TT E CHNO L O G Y第4 5卷 第2 3期2 0 2 2年1 2月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 2 0 2基于G L CM和F CM算法融合的铣削零件缺陷提取方法蔡 航 茅 健 杨 杰 李彬鹏(上海工程技术大学机械与汽车工程学院 上海 2 0 1 6 2 0)摘 要:零件质量合格与否影响整个装配体的服役寿命,如何快速准确的检测零件质量是否合格已经成为研究热点之一,机器视觉缺陷检测应用日益广泛,但由于铣削后零件纹理背景存在的缘故,常常导致零件表面缺陷的检测不够精准。本文提出一种将灰度共生矩阵(G L CM)和模糊C均值聚类算法(F CM)相结合的新型图像表面缺陷提取方法,利用改进后的灰度共生矩阵将缺陷与铣削背景的对比度提高,再针对缺陷与铣削背景之间的灰度差较大这一特性,使用模糊C均值聚类的方法对图像进行分割。该算法可以有效区分加工缺陷与加工纹理,并快速准确的提取零件缺陷特征。通过缺陷提取实验,并与传统的分割算法对比,可得出该算法能够快速的提取铣削零件表面缺陷,并且对提取多类缺陷具有良好的适应能力。关键词:铣削零件;机器视觉;表面缺陷;特征提取;智能算法中图分类号:T P 3 文献标识码:A 国家标准学科分类代码:5 2 0.6 0 4 0;5 2 0.6 0 9 9D e f e c t e x t r a c t i o n m e t h o d o f m i l l i n g p a r t s b a s e d o n t h e f u s i o n o f G L CM a n d F CM a l g o r i t h m sC a i H a n g M a o J i a n Y a n g J i e L i B i n p e n g(S c h o o l o f M e c h a n i c a l a n d A u t o m o t i v e E n g i n e e r i n g,S h a n g h a i U n i v e r s i t y o f E n g i n e e r i n g S c i e n c e,S h a n g h a i 2 0 1 6 2 0,C h i n a)A b s t r a c t:Wh e t h e r t h e q u a l i t y o f p a r t s i s q u a l i f i e d o r n o t a f f e c t s t h e s e r v i c e l i f e o f t h e e n t i r e a s s e m b l y.H o w t o q u i c k l y a n d a c c u r a t e l y d e t e c t w h e t h e r t h e q u a l i t y o f p a r t s i s q u a l i f i e d h a s b e c o m e o n e o f t h e r e s e a r c h h o t p o t s.M a c h i n e v i s i o n d e f e c t d e t e c t i o n i s i n c r e a s i n g l y u s e d,b u t d u e t o t h e e x i s t e n c e o f t h e t e x t u r e b a c k g r o u n d o f t h e p a r t s a f t e r m i l l i n g,I t o f t e n l e a d s t o i n s u f f i c i e n t p r e c i s i o n i n t h e d e t e c t i o n o f s u r f a c e d e f e c t s o f p a r t s.T h i s p a p e r p r o p o s e s a n e w i m a g e s u r f a c e d e f e c t e x t r a c t i o n m e t h o d t h a t c o m b i n e s t h e g r a y-l e v e l c o-o c c u r r e n c e m a t r i x a n d t h e f u z z y C-m e a n s c l u s t e r i n g a l g o r i t h m.T h e i m p r o v e d g r a y-l e v e l c o-o c c u r r e n c e m a t r i x i s u s e d t o i n c r e a s e t h e c o n t r a s t b e t w e e n t h e d e f e c t a n d t h e m i l l i n g b a c k g r o u n d,a n d t h e n t h e d e f e c t a n d t h e m i l l i n g b a c k g r o u n d a r e u s e d t o i n c r e a s e t h e c o n t r a s t.F o r t h e f e a t u r e o f l a r g e g r a y s c a l e d i f f e r e n c e b e t w e e n m i l l i n g b a c k g r o u n d s,f u z z y C-m e a n s c l u s t e r i n g m e t h o d i s u s e d t o s e g m e n t t h e i m a g e.T h e a l g o r i t h m c a n e f f e c t i v e l y d i s t i n g u i s h p r o c e s s i n g d e f e c t s a n d p r o c e s s i n g t e x t u r e s,a n d q u i c k l y a n d a c c u r a t e l y e x t r a c t p a r t d e f e c t f e a t u r e s.T h r o u g h t h e e x p e r i m e n t o f d e f e c t e x t r a c t i o n,a n d c o m p a r e d w i t h t h e t r a d i t i o n a l s e g m e n t a t i o n a l g o r i t h m,i t c a n b e c o n c l u d e d t h a t t h e a l g o r i t h m c a n q u i c k l y e x t r a c t t h e s u r f a c e d e f e c t s o f m i l l i n g p a r t s,a n d h a s g o o d a d a p t a b i l i t y t o e x t r a c t m u l t i p l e t y p e s o f d e f e c t s.K e y w o r d s:m i l l e d p a r t s;m a c h i n e v i s i o n;s u r f a c e d e f e c t s;f e a t u r e e x t r a c t i o n;i n t e l l i g e n t a l g o r i t h m 收稿日期:2 0 2 2-0 6-0 30 引 言 金属零件在工业制造领域应用较为广泛,如汽车制造、航空航天、船舶行业等。零件在铣削加工的过程中,刀具的规律性运动会导致方向性的切削纹理出现在零件表面;同时加工过程中,刀具磨损、机床振动、切屑碰撞和零件材质不均匀等因素都可能导致零件表面产生裂纹、划痕、麻坑等各种各样的缺陷。视觉检测技术具有检测精度高,速度快,成本低,易于应用以及灵活的特点,且该技术在检测时不会对零件造成损伤。由于背景纹理的存在会大幅度影响检测的准确率,所以需要使用一些方法将缺陷从背景纹理中提取出,再对缺661 蔡 航 等:基于G L CM和F CM算法融合的铣削零件缺陷提取方法第2 3期陷进行检测。由于铣削零件的纹理背景具有明显方向的规律性,对于这种纹理缺陷的提取方法主要有灰度共生矩阵法、傅里叶变换法、小波类变换法和G a b o r滤波器法1-2。傅里叶变换法虽然能够有效的避免光照不均匀和噪声导致的图像信息缺失3,但是该方法的难点在于如何平衡各个频段对结果的权值,所以并不适合对较小的纹理缺陷特征的提取4。小波类变换法是通过多种尺度去表示图像纹理,然后通过模式识别的方式进行特征分类;而在小波变换中,其母小波函数的选定和分解尺度参数的选择对最后的结果具有决定性的作用,但目前对这两部分内容研究还未有明确结果5-8。G a b o r滤波器是用于检测具有规则纹理的一种滤波器,但是使用该滤波器需要进行大量的样本学习训练以获得一组优良的参数,这是由于该滤波器对纹理的方向特别敏感,参数少许的偏差就会导致错误的结果。针对G a b o r滤波器在提取纹理时存在较大缺陷问题,本文提出使用改进的灰度共生矩阵处理法提取零件表面纹理,该方法简单,易于实现,具有较强的适应能力和鲁棒性。利用改进后的灰度共生矩阵处理图像可减少或清除背景纹理的影响,通过实验选取出最合适的特征值对缺陷进行提取;再使用模糊C均值聚类算法对灰度共生矩阵处理后的缺陷区域图像进行图像分割,并将分割后的图像进行二值化处理,最终得到良好的缺陷图像。1 零件缺陷提取方法1.1 灰度共生矩阵及其改进 灰 度 共 生 矩 阵 法(g r a y-l e v e l c o-o c c u r r e n c e m a t r i x,G L CM),就是一种通过计算图像中灰度结构重复出现的概率,得到其共生矩阵来表达图像纹理信息的技术,然后计算该共生矩阵的某些数学模型得到部分特征值,以此来表示图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像局部模式及其排列规则的基础。G L CM9的输入参数为灰度图中像素的灰度值以及对应的位置关系,输出参数表示图像中像素灰度幅值变化大小、方向以及各个像素之间的相邻间隔等信息。计算公式如下:P(i,j,0)=(i,j)(i1,j2)NxNyi-i1=0,j-j2=1P(i,j,4 5)=(i,j)(i1,j2)NxNyi-i1=-1,j-j2=0P(i,j,9 0)=(i,j)(i1,j2)NxNyi-i1=0,j-j2=1P(i,j,1 3 5)=(i,j)(i1,j2)NxNyi-i1=-1,j-j2=-1 (1)式中:i、j表示矩阵第i行第j列在方向上的元素点。P(i,j,)是矩阵中位置在(i,j)点的像素值,n1,n2 表示的是矩阵中像素的个数。对G L CM矩阵进行作归一化处理,目的是使矩阵具有更好的纹理分辩率,归一化处理公式如下:P(i,j)=P(i,j)R(2)其中,R=2Ny(Nx-1)=0,9 0(Nx-1)(Ny-1)=0,9 0式中:R是正规化常数使用G L CM算法提取纹理特征时,影响其计