CN111707672A - 风电回转支撑件表面缺陷检测方法 - Google Patents

Abstract

本发明提供一种风电回转支撑件表面缺陷检测方法，本发明利用低角度15°照射方向表现出纹理方向。针对于周围的环境光干扰，低角度条形光源可以有效地缓解。检测算法采用数字图像处理的方法结合SVM的机器学习。本发明的有益效果为：由于输入的所述工件图像内容简单，颜色或灰度分布较为单一，因此采用该算法即可以避免该算法对噪音和目标大小十分敏感，以及无法有效应对图像内容较为复杂的情形等不利因素的干扰，具有运算简单，速度快，可以实现实时处理的特点。此外，在一些环境中，如果使用向量化的形式，可以更快地运算循环，也可以很容易采用多线程并行处理的方法，本发明提出的算法计算量小、效率高，准确度较高。

Description

风电回转支撑件表面缺陷检测方法

技术领域

本发明涉及数字图像处理技术与机器视觉技术领域，具体涉及对风电回转支撑件表面采集特定的纹理图像，针对不同类型纹理采用图像处理或者进行特征提取结合机器学习来进行缺陷检测。

背景技术

风电回转支撑件作为风力发电设备的主要产品之一，其产品质量必须达到一定的性能要求，否则将会严重影响风机的使用寿命。随着中国制造“2025”的提出，绿色能源将作为国家首要的能源选择，风能作为绿色能源之一，将会极大的影响未来能源的使用。风力发电有着自己的独特特点：由于长期的野外工作，环境恶劣，维修条件差，要求风机运行稳定性强，风电设备零件要求必须保证有20年以上无故障的运行寿命。制造企业必须提供更高质量的产品，因此风电回转支撑件表面的检测问题已被广泛关注。

风电回转支撑件表面检测技术主要经历了人工检测法、基于磁粉检测及超声的无损检测和基于机器视觉的检测技术三个阶段。前两类检测技术在生产实践中已暴露出大量无法克服的缺点，如人工劳动强度大、造成大量漏检、无法适应高速机组、检测精度低等。随着机器视觉技术、计算机模式识别理论及人工智能理论等相关领域的不断发展，基于机器视觉的风电回转支撑件表面自动检测技术由于具有非接触、精度高、速度快等特点，已成为回转支撑件表面在线质量检测的主流和发展趋势。

目前，大部分机器视觉的检测对象只是针对于小尺寸工件，而风电回转支撑件直径达到3～9米，必须采用多相机协同工作，实时监测表面缺陷，但同时光源的也需要合理的分布，达到光源之间互不干扰。关于识别算法部分，神经网络是当下重点研究的方法，但是由于所需要的样本数量大，泛化能力较差，一般识别准确率和速度相较传统方法在应用上有许多不足。

发明内容

本发明要解决的技术问题是提供一种风电回转支撑件表面缺陷检测方法，解决现有技术中风电回转支撑件表面缺陷依赖人工观察、效率低下、误检率高等问题；以及现有的正确率较高的算法计算量大难以满足工业检测实时性，并且风电回转支撑件表面较容易反光，现有的方法很难做到无干扰、快速、准确检测出风电回转支撑件表面缺陷等问题。本发明利用低角度15°照射方向表现出纹理方向。针对于周围的环境光干扰，低角度条形光源可以有效地缓解。检测算法采用数字图像处理的方法结合SVM的机器学习。

为了解决上述问题，本发明提供了一种风电回转支撑件表面缺陷检测方法，包括：

风电回转支撑件表面的图像采集装置，采用低角度15°的条形光源进行打光，得到待检测表面的图像I，其次将得到的RGB三通道图像I转换为灰度图像I_G,从而进行高斯滤波处理，得到待检测表面的高斯滤波处理图像I_GS,其中图像的纹理方向与实际加工的车刀纹方向一致。

通过高斯滤波对风电回转支撑件表面进行去噪，有效地抑制图像采集过程的一些噪声干扰，接下来对高斯滤波图像I_GS进行形态学处理，采用开运算的方式进行处理，接着采用QTSU二值化，这样便于更好特征提取。

通过预先采集一定数量的样本，首先对样本图像进行分块处理，根据采集图像的大小进行适当分块，对分块后样本标记建立数据集，有缺陷的样本标记为0，无缺陷的样本标记为1，提取图像的三个特征：水平梯度平均值G1，垂直梯度平均值G2、区域纵向最大值A1，把数据集分为训练集和测试集，用SVM训练分类模型。

选取相机采集的图像I以训练模型样本相同尺寸进行分块，对每一小块图像进行特征提取，输入训练好的分类模型，判断每一小块是否为缺陷，最终根据判断结果确定图像I是否有缺陷以及判断缺陷大致位置。

优选的，每两个一组的条形光源实现面向打光，光源高度为10cm,与水平夹角15°。

优选的，“在图像I中分别将红、绿、蓝三通道的像素值进行运算；灰度值输出结果为：

Gray＝0.299*R+0.587*G+0.114*B。

其中Gray为输出灰度结果，R对应红色分量的像素值，G对应绿色分量的像素值，B对应蓝色分量的像素值。

优选的，高斯滤波采用5×5模板处理待检测图，各点的像素值通过高斯函数进行运算；高斯滤波的输出结果为：

其中G_σ(x)为对应点输出高斯滤波值，x对应点像素值，σ对应标准差值。

优选的，采用形态学处理中的开运算处理，开运算是通过先腐蚀再膨胀的运算顺序对区域内的像素值进行处理，能够使图像的轮廓变得光滑，还能使狭窄的连接断开及消除细毛刺。

优选的，“对于经过形态学处理过后的图像进行QTSU二值化”；具体如下：

(1)设图像中灰度值为i的像素数为n_i，灰度值i的范围为[0,L-1],像素总数为

各灰度值出现的概率为

(2)把图中的像素值用阈值T分成C₀和C₁两类，C₀由灰度值在[0,T-1]的像素组成，C₁由灰度值在[T,L-1]的像素组成，计算出区域C₀和C₁的概率P₀与P₁，其表达式为：

(3)计算出区域C₀和C₁的平均灰度μ₀和μ₁，其表达式为：

(4)计算整幅图像的平均灰度值μ，其表达式为：

(5)计算出区域C₀和C₁的总方差

其表达式为

(6)图中的像素值用阈值T在[0,L-1]范围内依次取值，使

最大的T即为所求的分割阈值。

(7)分割后的图像进行特征提取，为样本训练奠定基础。

优选的，每张图像大小I为m*n,三个特征G1、G2、A1分别为：

把图像分成n个列向量I₁，I₂，…，I_n，每个向量中连续相同元素个数最大值为max(I_i),i＝1,2，…，n；

A1＝max{max(I₁),max(I₂),…,max(I_n)}。

优选的，训练集和测试集的比例是8:2。

优选的，“选取采集的图像I一训练模型样本相同尺寸进行分块”中尺寸是7×7。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

本发明通过上述滤波处理，可以准确快速的提取所述风电回转支撑件表面图像，从而可以大大减少后续处理过程的运算量，同时也可以避免工件对应范围之外的图像内容对判别处理的干扰，提高判别的准确度的同时也提高了鲁棒性。并且通过上述的滤波处理，滤出工件本身的轮廓以及表面具有水平方向上的条形纹理对后续特征提取的干扰和影响。此外，由于对采用滤波处理之后的图像进行边缘锐化之后在进行轮廓取，因此大大提高了轮廓特征提取的可靠性和鲁棒性，与此同时采用轮廓特征作为SVM判别模型的特征参数具有操作简单，运算速度快，可靠性好的特点。

并且，区别于普通的二值化处理方法，所述OTSU算法又叫类间方差最大算法，其主要处理过程之中需要首先计算能将两类分开的最佳阈值，从而使得它们的类内方差最小，因此该算法具可根据图像的内容自动获取最佳分类阈值的特点。并且，由于输入的所述工件图像内容简单，颜色或灰度分布较为单一，因此采用该算法即可以避免该算法对噪音和目标大小十分敏感，以及无法有效应对图像内容较为复杂的情形等不利因素的干扰，具有运算简单，速度快，可以实现实时处理的特点。此外，在一些环境中，如果使用向量化的形式，可以更快地运算循环，也可以很容易采用多线程并行处理的方法，本发明提出的算法计算量小、效率高，准确度较高。

附图说明

图1是本发明风电回转支撑件缺陷检测方法中的图像采集装置；

图2是本发明风电回转支撑件缺陷检测方法中的采集图像示例；

图3是本发明风电回转支撑件缺陷检测方法的流程图；

图4是本发明缺陷检测方法中轮廓提取的子方法；

图5是本发明风电回转支撑件缺陷检测方法的缺陷检测结果。

具体实施方式

下面结合附图和具体实施例对本发明进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为本发明的限定范围。

本发明利用低角度光照下表现出纹理特征设计出特定的检测算法，图像采集装置如图1。首先通过条形光源面向打光的方式，并且角度大致设定在15°拍摄得到图像I，采集图像实例如图2，将图像I转换为灰度图像，得到的灰度图像采用高斯滤波进行去噪，对图像进行形态学的开运算处理，然后利用QTSU方法对图像二值化，再通过特征提取结合SVM训练分类器，判断是否为缺陷。下面结合实例对本发明进行具体介绍。

如图1所示，用于图像输入的相机被设置在Z轴之上，所述相机的高度可以沿所述Z轴的竖直方向上下移动，从而可以调节所述相机的焦距和视场范围大小。在所述风电回转支撑件的上方设置一组光源，采用与水平夹角为15°的方向进行放置，光源之间面向照射，从而形成一个打光平台。风电回转支撑件由几组电机共同驱动从而实现匀速转动，设置相机的采集频率与支撑件的转动速度呈正比例。所述回转支撑件每转动5°，同时所述相机将采集一幅图像，并将所述图片输入至所述回转支撑件表面检测方法中进行处理，判别是否存在缺陷。

如图2所示。所述回转支撑件的图像形状为圆环的其中一部分，能够通过电机驱动进行旋转，并且表面具有与车刀纹方向一致的纹理。

如图3所示的实施例，所述回转支撑件表面缺陷检测方法包括：

步骤S10、图像输入预处理。

即将得到的RGB三通道图像I转换为灰度图像I_G，具体的，分别将红、绿、蓝三通道的像素值进行运算；灰度值输出结果为：

Gray＝0.299*R+0.587*G+0.114*B。从而减少图像的尺寸，有利于提高运算速度，间接地提高检测效率。

步骤S20、工件图像获取。

即通过图像I的灰度转换得到所需要的工件灰度图像I_G，可以准确快速的提取所述工件的对应范围的图像，从而可以大大减少后续处理过程的运算量，同时也可以避免工件对应范围之外的图像内容对判别处理的干扰，提高判别的准确度的同时也提高了鲁棒性

步骤S30、滤波处理。

即对灰度图像I_G,进行高斯滤波处理，采用5×5模板处理待检测图，各点的像素值通过高斯函数进行运算；高斯滤波的输出结果为：

高斯滤波处理的进行，可以抑制图像可能产生的一些噪声，同时选择5×5模板不会对图像的缺陷相关的细节信息造成影响，从而提高识别准确度。

步骤S40、轮廓提取。如图4所示，轮廓提取的子方法包括：开运算处理和QTSU二值化法图像分割。

步骤S410、开运算处理。采用形态学处理中的开运算处理，开运算是通过先腐蚀再膨胀的运算顺序对区域内的像素值进行处理，能够使图像的轮廓变得光滑，还能使狭窄的连接断开及消除细毛刺。

步骤S420、QTSU法图像分割。具体步骤如下：

(1)设图像中灰度值为i的像素数为n_i，灰度值i的范围为[0，L-1]，像素总数为

各灰度值出现的概率为

(2)把图中的像素值用阈值T分成C₀和C₁两类，C₀由灰度值在[0，T-1]的像素组成，C₁由灰度值在[T，L-1]的像素组成，计算出区域C₀和C₁的概率P₀与P₁，其表达式为：

(3)计算出区域C₀和C₁的平均灰度μ₀和μ₁，其表达式为：

(4)计算整幅图像的平均灰度值μ，其表达式为：

(5)计算出区域C₀和C₁的总方差

其表达式为

(6)图中的像素值用阈值T在[0，L-1]范围内依次取值，使

最大的T即为所求的分割阈值。

所述二值化处理为OTSU算法。即最大类间方差法，它区别于普通的二值化处理方法，其主要处理过程之中需要首先计算能将两类分开的最佳阈值，从而使得它们的类内方差最小，因此该算法具可根据图像的内容自动获取最佳分类阈值的特点。并且，由于输入的所述工件图像内容简单，颜色或灰度分布较为单一，因此采用该算法即可以避免该算法对噪音和目标大小十分敏感，以及无法有效应对图像内容较为复杂的情形等不利因素的干扰，具有运算简单，速度快，可以实现实时处理的特点。此外，在一些环境中，如果使用向量化的形式，可以更快地运算循环，也可以很容易采用多线程并行处理的方法。

步骤S50、特征提取。

即每张图像大小I为m*n，设定三个特征G1、G2、A1分别为：

把图像分成n个列向量I₁，I₂，…，I_n，每个向量中连续相同元素个数最大值为max(I_i)，i＝1，2，…，n；

A1＝max{max(I₁)，max(I₂)，…，max(I_n)}。

步骤S60、SVM训练。

即预先采集一定的样本，本例中选取正常样本80、缺陷样本20，首先对样本图像进行分块，根据采集图像大小进行适当分块，实验中选取的分块为7*7，对分块后样本标记建立数据集，有缺陷的样本标记为0，没有缺陷的样本标记为1，通过上述的三个特征G1、G2、A1进行训练学习。

步骤S70、判别模型。

通过训练的结果，当采集到新的图像时，自动判别是否存在缺陷，并且也可以进一步确定是何种缺陷。

步骤S80、输出结果。

判断的结果输出到显示屏中，从而确定该风电回转支撑件是否为合格产品。

上述的本发明的各步骤可以用通用的计算装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例的方法并且可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.风电回转支撑件表面缺陷检测方法，其特征在于，包括如下步骤：

采用低角度15°的条形光源进行打光，得到待检测表面的RGB三通道图像I；

将得到的图像I转换为灰度图像I_G,；

进行高斯滤波处理，得到待检测表面的高斯滤波处理图像I_GS,其中图像的纹理方向与实际加工的车刀纹方向一致；

采用开运算的方式对高斯滤波图像I_GS进行形态学处理；

对滤波后的图像采用QTSU法二值化；

依照上述方法采集一定数量的样本，首先对样本图像进行分块处理，根据采集图像的大小进行适当分块，对分块后样本标记建立数据集，有缺陷的样本标记为0，无缺陷的样本标记为1，提取图像的三个特征：水平梯度平均值G1，垂直梯度平均值G2、区域纵向最大值A1，把数据集分为训练集和测试集，用SVM训练分类模型；

选取相机采集的图像I以训练模型样本相同尺寸进行分块，对每一小块图像进行特征提取，输入训练好的分类模型，判断每一小块是否为缺陷，最终根据判断结果确定图像I是否有缺陷以及判断缺陷大致位置。

2.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤1中每两个一组的条形光源实现面向打光，光源高度为10cm,与水平夹角15°。

3.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤2中分别将红、绿、蓝三通道的像素值进行运算；灰度值输出结果为：

Gray＝0.299*R+0.587*G+0.114*B

其中Gray为输出灰度结果，R对应红色分量的像素值，G对应绿色分量的像素值，B对应蓝色分量的像素值。

4.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤3中采用5×5模板处理待检测图，各点的像素值通过高斯函数进行运算；高斯滤波的输出结果为：

其中G_σ(x)为对应点输出高斯滤波值，x对应点像素值，σ对应标准差值。

5.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤4中采用形态学处理中的开运算处理，开运算是通过先腐蚀再膨胀的运算顺序对区域内的像素值进行处理。

6.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤如具体包括如下步骤：

(1)设图像中灰度值为i的像素数为n_i，灰度值i的范围为[0,L-1],像素总数为

各灰度值出现的概率为

(2)把图中的像素值用阈值T分成C_i和C₁两类，C₀由灰度值在[0,T-1]的像素组成，C₁由灰度值在[T,L-1]的像素组成，计算出区域C₀和C₁的概率P₀与P₁，其表达式为：

(3)计算出区域C₀和C₁的平均灰度μ₀和μ₁，其表达式为：

(4)计算整幅图像的平均灰度值μ，其表达式为：

(5)计算出区域C₀和C₁的总方差

其表达式为

(6)图中的像素值用阈值T在[0,L-1]范围内依次取值，使

最大的T即为所求的分割阈值；

(7)分割后的图像进行特征提取，为样本训练奠定基础。

7.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤7中，每张图像大小I为m*n,三个特征G1、G2、A1分别为：

把图像分成n个列向量I₁，I₂，…，I_n，每个向量中连续相同元素个数最大值为max(I_i),i＝1,2，…，n；

A1＝max{max(I₁),max(I₂),…,max(I_n)}。

8.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤7中训练集和测试集的比例是8:2。

9.根据权利要求1所述的风电回转支撑件表面缺陷检测方法，其特征在于，步骤8中分块的尺寸是7×7。

Images