天天操操-一二三四视频在线观看日本-艳妇荡女欲乱双飞两中年熟妇-水蜜桃av无码一区二区-国产精品99久久免费黑人人妻-久久婷婷五月综合色99啪

針對目前人工檢測厚壁鋼管端面缺陷存在的效率低、速度慢，且還會出現錯檢、漏檢等問題，提出一種基于機器視覺的方法，實現對厚壁鋼管端面缺陷的檢測及分類。首先單獨提取鋼管倒角區域，利用最小二乘法對內外倒角包含的輪廓圓進行擬合，并根據歐式距離來判斷倒角是否出現偏心的情況；其次提取鋼管端面區域，并通過Otsu算法分割出缺陷區域，計算各聯通域的特征描述并組成新的特征向量，使用支持向量機來判斷缺陷類型。研究結果表明：該方法能準確檢測出厚壁鋼管的倒角是否偏心、端面是否存在各類的缺陷，且準確率達到96.7%，對一鋼管端面的判斷時間不超過100ms，相比人工目測速度有明顯的提高。

厚壁鋼管和普通鋼管的最大區別在于鋼管壁的厚度，通常把鋼管外徑和壁厚之比小于20的鋼管稱為厚壁鋼管，其主要用作液體氣體輸送管以及一些建筑結構用管。受加工過程中各種不確定因素的影響，鋼管的端面可能會出現劃痕、刮傷、凹坑、崩邊等缺陷，且鋼管端面的內外倒角還可能會出現偏心的情況。上述缺陷一方面影響了產品的外觀，另一方面若缺陷過于嚴重，則會影響鋼管后續的裝配，從而降低了鋼管的使用性能，且還會為工程的正常進行埋下安全隱患。[1]目前，國內鋼管生產企業大多數為人工目視完成對鋼管的缺陷檢測及剔除，但是人工檢測的效率低、速度慢，且還會出現誤檢、漏檢的情況。

基于機器視覺的缺陷檢測方法憑借其速度快、精度高、穩定性強等特點受到廣泛關注[2]。對于鋼管端面缺陷檢測的方法目前研究報告很少，其類似于各種環形工件表面的缺陷檢測，如軸承套端面、瓶口端面、磁環表面等。朱錚濤等[3]通過斑點分析工具及斑點特征參數，完成薄壁鋼管端面的凹坑、倒角斜面變弧面等缺陷的檢測，但該方法并不適用厚壁鋼管，且該研究還需進一步劃分端面缺陷的類型，以完成后續自動分揀的目的。而軸承端面、磁環表面的缺陷檢測方法對于厚壁鋼管端面缺陷檢測具有一定的借鑒意義，但由于檢測需求不同，在一定程度上并不適用。因此，針對當前端面檢測方法的不足，提出一種適用于厚壁鋼管端面缺陷檢測的方法，以提高對厚壁鋼管端面缺陷檢測的效率和準確率。

1圖像采集系統設計

厚壁鋼管端面缺陷檢測圖像采集系統主要由相機、鏡頭、光源、計算機及相應的算法程序等組成。為了獲取易于檢測的厚壁鋼管端面圖像，選擇藍色低角度環形LED光源，且工件端面與光源下底面的距離約為10mm，目的是為了同時得到鋼管端面內外倒角區域和端平面區域的圖像。缺陷檢測采集裝置簡圖如圖1所示。這樣采集到的灰度圖像中，倒角區域的灰度值接近255，即亮區域；端平面區域的灰度值接近0，即暗區域；而端平面中存在的缺陷區域的灰度值則處于倒角區域和端平面區域的灰度值之間。圖2為采集到的正品圖像和端面包含缺陷的圖像.

2厚壁鋼管倒角偏心判斷

2.1圖像平滑濾波處理

由于直接采集到的厚壁鋼管端面圖像會出現散粒噪聲，因此使用鄰域像素的非線性濾波會有很好的效果。中值濾波是一種典型的非線性濾波技術，其可以去除椒鹽噪聲的同時又能保留圖像的邊緣細節[4]。該研究選用5×5的函數窗口對原始圖像進行濾波處理。其效果如圖3所示。

2.2倒角區域提取與擬合

經過濾波操作后，可以發現圖像中倒角區域的灰度值明顯要高于其他區域的灰度值，因此可以選用固定閾值的方法將倒角區域的圖像提取出來，為了達到閾值選取相對準確的目的，通過計算圖像的灰度直方圖，觀察其灰度分布情況，如圖4所示。可以發現，倒角區域的灰度值集中分布在最右側，即灰度值趨向于255，而端面區域及背景區域的灰度值則相對集中的分布在左側，灰度值趨向于0~130之間，理論上可以選取灰度值在131~254這一區間的任意值作為閾值，但有時候倒角區域會因為表面光澤度等各種因素的影響而呈現一些小暗點，因此為了確保完整的提取出倒角區域，選擇保守一點的固定的閾值α=190。將小于α的像素點灰度值變為0（黑色），將大于等于α的像素點的灰度值變為255（白色）。處理結果如圖5所示。

倒角區域由4個圓組成，為了判斷倒角是否出現偏心的情況，需先對其進行圓擬合操作。本研究首先選擇由OpenCV庫提供的findContours()函數檢測4個圓的輪廓，再利用最小二乘法擬合圓[5]。最小二乘法是一種數學優化技術，它通過最小化誤差的平方和找到一組數據的最佳函數匹配。假設需擬合的曲線為：x2+y2+ax+by+c=0，且其半徑為R2，圓心坐標為（A，B）圖像輪廓點集中的點（Xi,Yi）i∈(1，2，3，…，N)到圓心的距離為di:d2i=(Xi-A)2+(Yi-B)2，其與半徑的平方差δi=d2i-R2=X2i+Y2i+aXi+bYi+c。將L()a,b,c=∑δ2i作為目標誤差函數，求其最小時a，b，c的值。為實現該目的，需對目標函數求偏導，即∂L∂a=∂L∂b=∂L∂c=0。

3實驗與分析

實驗測試運行環境：工業相機采用巴斯勒acA2500_14gm千兆網相機；鏡頭采用ComputerM2514_MP2工業鏡頭；15度藍色環形光源；處理器為In⁃terCOREi57300HQCPU。軟件系統在Windows10系統下設計，利用C++開發環境，圖像處理算法都是基于OpenCV庫函數來實現，圖像的分辨率為1296×972。

對于厚壁鋼管倒角是否偏心的情況檢測，由于其不涉及訓練及分類識別，僅僅是根據固定的判據來判斷，因此檢測準確度可達到99%以上。對于端面缺陷的檢測，實驗針對4種缺陷類型，每種缺陷選取了60個缺陷區域樣本圖，并從中隨機選取30個來提取歸一化后的11維特征向量進行訓練，其余30個樣

本用于測試。故訓練集共計120組特征向量，測試集共計120組特征向量。

在選用線性核函數時，利用網格搜索法對懲罰因子參數C作優化選擇，在C值取不同的情況下分類準確率如圖10所示。根據同樣的樣本，在選用高斯核函數時，同樣利用網格搜索法對參數C和gamma進行調優，其分類準確率如圖11所示。

根據圖10、11可知，線性核函數下當懲罰因子C=0.1時，分類準確率達到最高，準確率為85.8%；而選用RBF核時，在C=100，gamma=0.1的情況下準確率達到了96.7%，較線性核有很大的提升，且訓練耗時并不會比線性核的情況下長很多。因此，筆者選擇高斯核函數（RBF）作為最終SVM分類器的核函數。在對4類測試樣本共計120組特征向量進行測試后，其分類結果混淆矩陣如表2所示。

從表2中，可以看出利用11維特征向量作為SVM的輸入可以實現厚壁鋼管端面缺陷的分類，其綜合準確率可以達到96.7%。其中，對擦傷缺陷的分類效果最好，對劃痕缺陷的分類準確率最低，且劃痕容易誤分類為擦傷，因為有的劃痕并不只是一條痕跡，還可能包含兩三條痕跡，而擦傷看起來更像是大面積的劃痕，在兩者之間過渡區有可能會產生誤分類的情況。在實際樣品圖像的檢測中，還應對圖像處理相關操作做進一步的研究，以免為了達到同時檢測出端面全部缺陷的目的，在運用相關的圖像處理方法如形態學操作、濾波操作等時可能會改變缺陷本身的一些特性，甚至會將缺陷遺漏，以致出現漏檢的情況。對于端面全部缺陷的檢測效果如圖12所示。

4結束語

提出一種基于機器視覺的厚壁鋼管端面綜合缺陷的檢測方法，不僅實現了對厚壁鋼管端部倒角是否偏心的判斷，還選用基于高斯核函數的SVM分類器，實現了對厚壁鋼管端平面區域缺陷的檢測、識別和判斷，且準確率達到96.7%。對于一副完整的鋼管端面圖像的判斷速度在100ms以內，完全滿足企業自動化質檢過程的要求，不僅為以后的實際在線檢測技術打下理論基礎，還對相似環形產品的檢測提供重要的參考依據。