CN104063873A - 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 - Google Patents

Abstract

一种基于压缩感知的轴套类零件表面缺陷在线检测方法，本方法采用机器视觉与压缩感知方法，建立零件表面缺陷图像的压缩感知描述，建立突出表面缺陷的光学成像与缺陷检测模型；采集典型缺陷的零件样本图像，实施去噪及必要的图像预处理后，进行采样频率调整及尺寸归一化，训练样本并建立冗余字典；设计恰当的正交基分解矩阵与随机观测矩阵，选择联合正交匹配追踪算法，把求解最小范数

Description

一种基于压缩感知的轴套类零件表面缺陷在线检测方法

技术领域

本发明涉及一种基于压缩感知的轴套类零件表面缺陷在线检测方法，属机械零件在线无损检测技术领域。

背景技术

随着全球制造业中心逐步向我国转移，在生产与制造能力不断扩大的同时，人们对产品质量也提出了越来越高的要求。产品表面质量是其中的重要组成部分，它对产品的直接使用或深加工有着重要影响。在某些应用领域表面缺陷的存在可能会对使用者造成巨大损失，必须进行严格的检测和控制。

轴套类零件主要起支撑、导向和定位等作用，在各类机器和仪器中应用极为广泛，一般选用钢、铸铁、青铜或黄铜等材料进行制造。在零件的生产、搬运、装配等过程中，零件的表面、端面等处可能会产生各种划痕、磨痕、凹坑等缺陷。这些缺陷将对零件的使用性能产生不良影响，并影响整个机器的回转精度、振动、噪声、密封及使用寿命。

目前国内许多制造企业仍采用传统的人工抽检来进行产品表面缺陷检测，不仅检测速度慢而且极易造成误判、漏检，无法满足现代企业提升产品质量的要求。近年来，先后出现了诸如红外探伤、超声波检测法、涡流检测及磁粉探伤等方法，在工业现场强脉冲噪声环境下很难达到十分满意的效果，无法满足现代测量技术对在线、精密、实时、综合性等方面的需求。随着制造业向着精益生产及零缺陷的目标发展，探索客观、有效、快速、可靠的质量控制方案，提高零件表面缺陷视觉在线检测水平，已经成为许多企业迫切需要解决的问题。

现有基于机器视觉的各种缺陷检测方案，由于图像采样数据量大、现场噪声干扰强，面对不同检测对象需要采用特定的图像增强、边缘检测、缺陷分割算法，很难满足缺陷检测的实时性、通用性要求。近几年来新出现的压缩感知(Compressed Sensing，简称CS)理论，是对信号采样理论的重大变革，已经在***成像、图像融合、目标识别以及图像跟踪等领域得到广泛的应用，可以预见该技术将在零件无损检测领域产生深远影响。

发明内容

本发明的目的是，根据现有机械零件表面缺陷检测存在采集量大、数据利用率不高、实时性差等问题，提出了一种基于压缩感知的轴套类零件表面缺陷在线检测方法。

本发明的技术方案是，采集典型缺陷零件样本图像，经过去噪及必要预处理后，进行采样频率调整及尺寸归一化，训练样本并建立冗余字典；设计卡爪式伸缩机构的检测平台，利用卡爪张开时挤胀内圆柱面来实现对待测零件的定位夹紧；为了避免对内表面的损伤，卡爪部分要粘贴软质地材料。待测零件置于平台的检测工位，检测时轴线保持铅垂方向，镜头、相机的光轴与零件轴线保持垂直，在平台附近设置安装光学器件的结构。对待测零件图像进行采样，设计随机观测矩阵，选择联合正交匹配追踪算法，计算待测图像的稀疏表示从而实现零件缺陷的在线识别和检测。检测平台的间歇回转运动采用运动控制卡经由驱动器控制步进电机来实现。分选机构可以利用电磁铁的通断来控制仓门的开闭，为了避免检测中对零件产生新的损伤，在零件分选落料的地方要设置缓冲环节对分类后的零件进行必要的保护。

本发明设计了一种基于压缩感知的轴套类零件表面缺陷在线检测方法：

(1)对典型缺陷的轴套类零件样本图像进行预处理，包括图像滤波去噪、增强、边缘检测与缺陷分割，以得到缺陷区域；

(2)对处理后的样本图像实施调整采样频率、归一化尺寸实验，根据压缩感知原理训练出样本图像并建立样本冗余字典；

(3)轴套类零件置于检测工位，对待测零件图像按一定频率采样，计算其观测矩阵；依据样本冗余字典，计算出待测图像的稀疏表示，从而根据压缩感知的判别标准实现对待测零件缺陷的识别，并驱动检测装置中分选机构进行在线分类。

实现本发明方法包括以下步骤：

(1)构建高效高精度检测平台

设计高精度的成像***和检测***。

设计成像***时，依据检测精度、视场大小等因素选择工业相机与镜头，经过实验确定光源、以获取光照均匀、缺陷突出的检测图像。

设计检测***时，要根据在线自动检测的要求，实现自动上料、传送、定位、夹紧、间歇转动、卸料和分选等动作。间歇回转检测平台与定位夹紧装置需要装配在一起，同时与传送装置有机地衔接；完成检测后的零件通过卸料、输送环节到达指定位置，根据识别判断结果控制分选机构完成零件的分选。为了适应不同尺寸零件的测量，在机械部分要设置相机的安装与调整环节。设计机械的运动循环图，协调好各个机构的动作时序。

(2)建立基于压缩感知的缺陷图像信号的稀疏表示、编码测量与重构算法

本发明针对零件图像采样率高、效率低等问题，建立基于压缩感知的图像信号的稀疏表示、编码测量与重构算法、快速有效检测表面缺陷的方法，分析压缩感知算法的复杂度、与稳定性，并应用于零件表面缺陷的在线检测。

(3)实现基于压缩感知的零件表面缺陷在线检测。本发明根据零件缺陷图像的压缩感知描述，确定缺陷样本图像的去噪、增强、边缘检测、缺陷分割算法；实施样本图像的采样频率、归一化尺寸调整、训练样本图像建立冗余字典的实验；建立零件缺陷检测数学模型、缺陷判断识别标准；设计正交基分解矩阵与随机观测矩阵，把求解最小范数l₀转化为求次最优解问题，实现结构稀疏重构缺陷图像；计算待测图像的稀疏表示，对轴套类零件进行缺陷在线检测实验并分析算法的准确性、鲁棒性。

本发明的有益效果是，本发明改进的方法可以消除表面反光影响、建立以突出缺陷为目标的成像与缺陷检测模型；实现工业条件下去除图像中强噪声的滤波算法和对零件外圆柱表面多幅图像进行高效拼接的图像配准及图像融合算法；基于压缩感知的缺陷图像的稀疏表示；正交基分解矩阵与随机观测矩阵的选择与设计，零件图像重构算法的实现，缺陷判断识别标准的建立及缺陷在线检测***的构建。本发明用基于压缩感知的方法在线提取轴套类零件的特征，大大缩短处理时间，实现在线检测。

本发明适用于机械轴套类零件表面缺陷在线检测。

附图说明

图1为本发明方法的技术路线图；

图2为零件表面缺陷之一；

图3为零件表面缺陷之二；

图4为零件表面缺陷之三；

图中划圈处为零件表面缺陷处。

具体实施方式

本发明的具体实施方式如图1所示。

本实施例采用机器视觉与压缩感知方法，研究零件表面缺陷图像的压缩感知描述，采集典型缺陷的零件样本图像，实施去噪及必要的预处理后，进行采样频率调整及尺寸归一化，训练样本并建立冗余字典；设计恰当的正交基分解矩阵与随机观测矩阵，选择联合正交匹配追踪算法，把求解最小范数L0转化为求次最优解问题以重构缺陷图像，计算待测图像的稀疏表示并根据所建立的判断识别标准对待测零件进行缺陷识别，实现对轴套类零件表面缺陷的快速检测。

(1)设计检测平台

成像***光源、光照方式、工业相机及匹配镜头的确定：

轴套类零件的材质主要是金属，表面比较光洁。在光源的照射下，无缺陷的被测物表面图像呈现的灰度、颜色、纹理比较均匀且无突变，而具有缺陷的表面则存在突变，这可以作为缺陷判别的依据。由于划痕、磨痕、凹坑等缺陷在不同的光源、照明方式、图像采集方式下呈现不同的图像特征，可由此建立缺陷样本库，零件表面典型缺陷如图2、图3和图4所示。

根据缺陷目标的特点及检测需求，尽量减少表面反光的影响，准确控制光线的照射角度，使得反射光不能直接进入相机，被反射到其它方向，只有缺陷或被测特征引起的散射光进入镜头成像，通过实验的方法确定光源类型及光照方式。视觉检测***结构设计的关键问题，就是根据检测分辨率的需求，对物距、焦距和视场等结构参数进行确定。设被测表面缺陷的检测分辨率要求为amm，相机像元分辨率为aμm，像元数目为p。***放大率β为：

$\mathrm{\β}=\frac{2b\×{10}^{-3}}{a}$

视场FOV可由下式计算，即：

$\mathrm{FOV}=\frac{b\×p\×{10}^{-3}}{\mathrm{\β}}$

物距l与焦距f的关系为：

$f=\frac{\mathrm{\β}\×l}{\mathrm{\β}+1}$

据此确定相匹配的镜头，同时兼顾被测零件的大小、视场大小与分辨率等要求，选择带千兆网卡接口的工业相机(不需要采集卡)，以获取光照均匀、充满整个视场、聚焦准确、目标突出的高清晰图像。

机械***的设计：

根据***的检测能力(万件/年)、工作天数(天/年)、班次和工作时间(小时)，可按下式计算完成一个零件检测所需的时间(包括定位、夹紧、三次间歇转动和卸料等环节)，即：

考虑到工序准备时间和适当的调校时间，t可以适当缩短一点，据此可以确定零件传送的速度、工作台回转速度。对t进行细分，设计***的运动循环图，保证各个机构动作的严格时序关系，完成机械传动***设计。结合零件的外圆柱面特性设计相应的滚道解决轴套类零件自动上料、输送等问题。

本实施例拟设计卡爪式伸缩机构，当三个卡爪张开时利用挤胀内圆柱面实现对待测零件进行定位夹紧，避免对内表面的损伤，卡爪部分要粘贴软质地材料。零件的检测位姿为直立，镜头、相机的光轴与零件轴线保持垂直，在检测平台附近要设置安装光学器件的结构，为后续设备的微调提供方便。检测平台的间歇回转运动采用运动控制卡经由驱动器控制步进电机来实现。分选机构可以利用电磁铁的通断来控制仓门的开闭，为了避免检测中对零件产生新的损伤，在零件分选落料的地方要设置缓冲环节对分类后的零件进行保护。

(2)选择样本

根据从现场获取的具有缺陷的零件图像，从中截取出缺陷、噪声部分，然后挑选出典型的缺陷和噪声图像作为识别样本。

(3)样本图像的预处理及建立冗余字典

对于噪声干扰严重的样本图像，首先通过试验确定滤波算法实现有效去噪，接着进行增强、边缘检测与缺陷分割等预处理，以得到缺陷区域。轴套类零件的缺陷图像识别可以描述为样本图像的线性组合，即有：

Y＝Ax

式中：Y是待测图像；A是由样本图像构成的字典矩阵；x＝[x₁，x₂，...，x_n]∈Rⁿ为系数向量。在数据库中，用一个m维向量y∈R^m表示一张样本图像，有n张不同的样本图像y₁，y₂，...，y_n∈R^m，对于一张待测图像，有：

$Y=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{x}_j{y}_j$

式中：x_j为线性表示系数。写成矩阵形式，令[y₁，y₂，...，y_n]∈R^m×n，则有：

y_m×1＝A_m×nx_n×1

在压缩感知框架中，测量和编码是同时进行的，也就是说，可以直接获取压缩后的测量值。

本实施例压缩感知主要包括：

①稀疏表示

信号在某一变换域下，可以稀疏表示：

f＝ψx

式中：f表示N×1型原始信号；ψ是N×N型变换域矩阵；x就是原始信号f在变换域ψ下的稀疏表示，x中只有K个大系数,其余系数可以近似为0。

②编码测量

编码测量的目的是寻找合适的采样频率来进行信号的采样，该采样得到的矩阵是非自适应的线性矩阵。本部分的关键是找一个与ψ不相关的M×N型的观测矩阵φ,其中M＜＜N，只需要对信号采样M次而不是采样N次，采样频率和数据量都大大减少。

y＝φf

式中：y为原始信号的线性投影测量值。

③信号重构

信号重构过程一般转换为一个最小范数的优化问题。

$y=\mathrm{\φ\Θx}=\mathrm{\Θx}$

式中:称为压缩感知矩阵。

由于信号x具有稀疏特性,当y和满足一定条件时,理论证明x可以由测量值y通过求解最优l₀范数问题而得到，即

压缩感知技术的成功应用必须依赖于众多有效的算法实现，这些算法主要分为贪婪匹配追踪类算法、凸松弛类算法和统计优化类算法三类。贪婪匹配追踪类算法近似求解最小l₀范数问题，在每次迭代中都选择局部最优的一组原子，典型的有联合正交匹配追踪(Simultaneous Orthogonal Matching Pursuit,SOMP)、结构贪婪算法(Structured Greedy Algorithm，SGA)等；凸松弛类算法是用l₁范数罚惩代替l₀范数惩罚，并通过求解凸规化问题重构压缩信号，典型的算法有近似算法(Fast Iterative Shrinkage-Thresholding Algorithm，FISTA)、块坐标下降算法等；统计优化类算法是利用全概率模型和统计推断工具来重构稀疏信号，主要算法有块稀疏贝叶斯学习(Block Sparse Bayesian learning，BSBL)等。

虽然求解最小范数l₀是一个NP问题，但实际计算中可以把公式转化为求次最优解，本发明采用联合正交匹配追踪算法，不仅可以减少迭代次数，还能保证每次迭代的最优性。

压缩感知所需矩阵大小是统一的，需要对样本图像进行尺寸的归一化，采样频率与所采集的图像信息量的大小密切相关，通过实验调整图像的采样频率与图像归一化尺寸，逐一记录检测结果。将预处理后的样本图像进行采样，根据压缩感知原理对样本图像进行训练，建立冗余字典及判断识别标准。

(4)待测零件的稀疏表示

获取待测零件图像，进行去噪处理(为提高检测准确率，还可进行简单的图像增强处理)。通过冗余字典计算待测零件图像的稀疏表示，根据压缩感知图像判断识别标准就可以判断待测图像是否有缺陷或噪声。

(5)重复运算并查看检测结果

本实施例对样本图像预处理参数进行调整，查看检测结果并记录；如果根据预处理后的样本得不到理想的检测结果，那么重新挑选样本图像，然后重复以上运算过程，直至得到理想的检测结果。

Claims (6)

1.一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述方法步骤为：

(1)构建高效高精度检测平台，设计高精度的成像和检测***；

(2)针对零件图像采样率高、效率低问题，建立基于压缩感知的图像信号的稀疏表示、编码测量与重构算法、快速有效检测表面缺陷的方法，分析压缩感知算法的复杂度、与稳定性，并应用于零件表面缺陷的在线检测；

(3)根据零件缺陷图像的压缩感知描述，确定缺陷样本图像的去噪、增强、边缘检测、缺陷分割算法；实施样本图像的采样频率、归一化尺寸调整、训练样本图像建立冗余字典的实验；建立零件缺陷检测数学模型、缺陷判断识别标准；设计正交基分解矩阵与随机观测矩阵，把求解最小范数l₀转化为求次最优解问题，实现结构稀疏重构缺陷图像；计算待测图像的稀疏表示，对轴套类零件进行缺陷在线检测实验并分析算法的准确性、鲁棒性。

2.根据权利要求1所述的一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述成像和检测***包括、光源、工业相机及匹配镜头、分选机构、整体机械装置和检测平台；

所述整体机械装置采用卡爪式伸缩机构，当三个卡爪张开时利用挤胀内圆柱面实现对待测零件进行定位夹紧，避免对内表面的损伤，卡爪部分要粘贴软质地材料；零件的检测位置为直立，镜头、相机的光轴与零件轴线保持垂直，在检测平台附近设置安装光学器件的结构；

所述检测平台的间歇回转运动采用运动控制卡经由驱动器控制步进电机来实现；所述卡爪式伸缩机构安装在所述检测平台上；

所述分选机构利用电磁铁的通断来控制仓门的开闭，为了避免检测中对零件产生新的损伤，在零件分选落料的地方要设置缓冲环节对分类后的零件进行保护。

3.根据权利要求1所述的一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述稀疏表示为，信号在某一变换域下，可以稀疏表示：

f＝ψx

式中：f表示N×1型原始信号；ψ是N×N型变换域矩阵；x就是原始信号f在变换域ψ下的稀疏表示。

4.根据权利要求1所述的一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述编码测量是寻找合适的采样频率来进行信号的采样，该采样得到的矩阵是非自适应的线性矩阵；找一个与ψ不相关的M×N型的观测矩阵φ，其中M＜＜N，只需要对信号采样M次而不是采样N次，采样频率和数据量都大大减少；

y＝φf

式中：y为原始信号的线性投影测量值。

5.根据权利要求1所述的一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述重构算法过程一般转换为一个最小范数的优化问题；

式中:称为压缩感知矩阵；

由于信号x具有稀疏特性，当y和满足一定条件时，x可以由测量值y通过求解最优l₀范数问题而得到，即

。

6.根据权利要求1所述的一种基于压缩感知的轴套类零件表面缺陷在线检测方法，其特征在于，所述轴套类零件的缺陷图像识别可以描述为样本图像的线性组合，即有：

Y＝Ax

式中：Y是待测图像；A是由样本图像构成的字典矩阵；x＝[x₁，x₂，...，x_n]∈Rⁿ为系数向量；在数据库中，用一个m维向量y∈R^m表示一张样本图像，有n张不同的样本图像y₁，y₂，...，y_n∈R^m，对于一张待测图像，有：

式中：x_j为线性表示系数；写成矩阵形式，令[y₁，y₂，...，y_n]∈R^m×n，则有：

y_m×1＝A_m×nx_n×1。