基于機器視覺的陶瓷基復合材料的螺紋表面缺陷檢測

殷明帥，曾 旭，黃佳雯

(1.景德鎮陶瓷大學 機械電子工程學院，江西 景德鎮 333403；2.景德鎮學院 機械電子工程學院，江西 景德鎮 333000)

0 引言

螺紋在汽車制造、軍工制造、航空航天等工業領域應用廣泛。以陶瓷材料為復合基的螺紋常用于高精密部件中。因此，對其表面精度檢測要求極高。螺紋材質不同，螺紋的功能與質量也會有很大差異。以Si3N4顆粒為陶瓷基復合材料的螺紋具有剛度好、硬度高、耐磨以及穩定性強的特點。但是，在機加工過程中，常常由于螺紋材質[1]的影響以及機加工時刀具的材質和機床的穩定性導致生產出來的螺栓存在螺紋底部凹陷、螺紋頂部劃傷、劃痕等表面缺陷。若使用有表面缺陷的螺紋，很大程度上導致內外螺紋配合不緊密，存在很大的安全隱患，造成無法預計的后果。故對基于機器視覺的螺紋表面缺陷檢測[2]效率以及螺紋的質量評估具有重大意義。以往的人工檢測法成本較高、效率低下。機器視覺技術[3]主要是利用光電成像、計算機圖像處理和模式識別技術來檢測對象。相對傳統檢測的優勢在于能夠進行非接觸式的自動檢測，提高了生產效率，滿足了現代工業高效率的需求。機器視覺識別技術作為一門新興的檢驗技術，在陶瓷工業領域迅速興起。其用于檢測陶瓷類制品表面缺陷、分類識別等領域的品質性能。

為此，國內外學者開始研究基于機器視覺的非接觸式檢測算法以提高算法的準確性與速率。景敏等[4]為了完成螺紋的參數測量，采用了一種以摘去其原有目鏡的工具顯微鏡作為基礎，加裝一套CCD 成像器件的方法。郭聯金等[5]利用Open CV、VS2008 等軟件開發平臺開發了螺紋頭部槽型識別及表面缺陷識別的機器視覺系統。搭建機器視覺自動檢測系統，優化視覺算法以此提高檢測效率。目前的算法大多是在空域或者利用傅里葉變換在頻域上對圖像進行濾波處理，較以前的人工檢測法效率大大提高。但是，算法還有可以優化的空間。由此，提出了利用MATLAB 中SWT算法進行濾波處理，圖像平滑[6]。

機器視覺自動檢測系統對螺紋表面缺陷檢測的應用中，實現了對螺紋圖像的實時采集以及圖像處理。經過對圖像處理結果的分析判定，得到圖像中缺陷類型以及尺寸，從而實現對缺陷的檢測。采用 CCD 相機采集表面缺陷圖像，在MATLAB 中分析螺栓外螺紋表面缺陷特征。采用SWT 變換、FFT 變換、低通濾波、缺陷提取及邊緣檢測等操作[7]，對外螺紋表面缺陷進行識別分類并將結果反饋給下個工站，從而更加有效地識別次品。此方法為判定外螺紋是否合格提供了有利、可靠的依據?；跈C器視覺SWT[8]變換的螺紋表面缺陷檢測技術具有重大的算法參考價值，在很大程度上提高生產效率，進而得到更高質量的產品。

1 表面缺陷檢測系統

1.1 檢測裝置系統組成

檢測以Si3N4顆粒為陶瓷基材料制造的螺紋機器視覺檢測系統主要由工業CCD 相機、鏡頭、LED光源、運動控制系統和PC 機構成。系統的結構框架圖如圖1 所示。

圖1 外螺紋表面缺陷檢測系統的框架Fig.1 External thread surface defect detection system

在檢測螺紋表面缺陷時，首先要將螺栓固定在機械結構運動控制平臺上進行定位。工控機借助計算機程序啟動相機，結合運動控制系統來采集待檢測螺紋的圖像。CCD 工業相機會將采集的實時圖像傳輸到工控機等待處理和判斷。工控上運行的系統軟件對采集到的外螺紋圖像進行預處理、增強、分割、標記、識別和判定等處理，最終實現對外螺紋表面缺陷的非接觸式自動檢測。

表面缺陷檢測裝置主要由工件承載臺、定位機構、檢測平臺架和旋轉機構構成。

（1）工件承載臺：主要用于承載陶瓷基復合材料的螺紋。

（2）定位機構：主要對工件起到定位夾緊的作用。

（3）檢測平臺架：檢測平臺架為整個實驗平臺的龍骨，形成穩定的工作環境。

（4）旋轉機構：旋轉機構的功能是原地旋轉樣品，輔助圖像采集模塊完成對表面圖像采集從而獲得實時圖像。系統的運行效率和檢測精度由該系統機械部分決定，機械部分是該系統實現數據采集的基礎部件。

1.2 缺陷檢測算法流程

在圖像的實時采集、傳輸過程中，常常會由于環境、設備以及傳輸過程中不穩定因素的干擾，采集的實時圖像不可避免地帶有噪聲信息。噪聲的大小對圖像的質量產生非常大的影響。過大的噪聲信息會使感興趣區域的特征和噪聲混淆，甚至將實際感興趣區域的特征淹沒掉，從而導致圖像后期處理無法進行下去。因此，減小噪聲甚至消除噪聲，是如何增大信噪比成為圖像處理環節的一個重要步驟。

（1）硬件組建的搭建。將螺栓工件固定在機械結構運動控制平臺上，開啟電源進行打光調試。調試完成后開始采集實時圖像，PC 機獲取原始圖像。

（2）PC 機獲取原始圖像后開始進行圖像處理，分為圖像預處理和圖像后期處理。圖像預處理主要起到平滑圖像的作用，目的是消除高頻噪聲對感興趣目標區域的干擾。采用正逆SWT 變換、正逆FFT 變換、低通濾波等將圖像由空域轉換到頻域，利用小波變換的時空結合特性將近似系數與小波系數求解出來。因為近似系數幾乎包含了所有的缺陷特征，而近似系數與噪聲幾乎都為高頻信號，故采用低通濾波器進行濾波再轉換到空域進行圖像增強。

（3）后期圖像處理的作用是識別外螺紋表面缺陷并將其分類。同時，將處理后的圖像通過PC機顯示出來，利用缺陷提取及Canny 邊緣檢測算子等進行處理。

（4）PC 機將實時圖像的處理結果反饋到下個流程，通過機械手臂將缺陷殘次品夾取出來。外螺紋表面缺陷檢測流程如圖2 所示。

圖2 外螺紋表面缺陷檢測流程圖Fig.2 Flow chart of detection algorithm for external thread surface defects

上述缺陷檢測算法經過小波變換與高斯去噪模型將復雜噪聲背景下的缺陷先原始圖像進行去噪處理，將多種類型的噪聲信號從圖形中去除并且保留了缺陷特征。與傳統缺陷檢測算法相比較，文中所提缺陷檢測算法可以同時針對多種噪聲信號進行去噪處理并保留缺陷特征信息，對復雜環境下原始缺陷圖像的檢測識別具有良好的適用性。

2 實驗結果分析

為驗證所提算法對外螺紋表面缺陷檢測識別的準確率以及算法本身的穩定性，通過視覺系統拍攝50 張外螺紋表面缺陷圖像進行檢測識別實驗，實驗過程中圖像處理如圖3 所示。

圖3 外螺紋表面缺陷檢測過程Fig.3 Process of external thread defect surface inspection

實驗時對于不同顏色、不同直徑、不同材質、不同缺陷的螺紋以及沒有缺陷的螺紋都需要重復實驗驗證多次。牙頂、牙底，以及無缺陷的圖像采用了50 幅圖像，實驗統計結果如表1 所示。

表1 螺紋檢測結果Tab.1 Detecting result of screw thread

3 結 論

（1）基于機器視覺的SWT 算法對外螺紋表面缺陷進行檢測，搭建外螺紋表面缺陷自動檢測系統。缺陷圖像預處理采用了具有良好通用性的SWT、Canny 算法，處理效果良好?；跈C器視覺的缺陷檢測準確可靠率高達95 %以上，且效率相較傳統方法要高。

（2）采用CCD 相機采集外螺紋表面缺陷實時圖像，分析外螺紋表面缺陷特征。通過SWT、FFT、Gauss low-pass filtering、缺陷提取，以及邊緣檢測等提取外螺紋表面缺陷。該方法高效準確，對今后外螺紋表面缺陷檢測的算法研究有一定的參考意義。