铝铸件缺陷区域检测

       缺陷的自动分类识别系统仅对缺陷区域有兴趣。为了提高识别系统的工作效率，首先应将铝铸件图像中的缺陷区域检测分割出来，再对此区域进行特征分析。边缘检测是一种经典的图像检测分割方法，它是利用目标和背景区域边界灰度值的突变性，以此为基础分割出目标区域。成像过程中由于光线在缺陷区域发生了散射，所以缺陷区域图像的灰度值相比于周围正常区域较低，图像中在和周围正常区域的边界处就会产生灰度值的突变，故可采用基于灰度值突变性边缘检测算子来进行特征提取。

       研究比较几种应用较多的边缘检测算子—Sobel,Prewitt,Log,Canny算子，可以得到:一阶梯度算子Prewitt和Sobel计算复杂度低，但是检测精度也较低，无法检测到一些边缘较细的裂纹缺陷;Canny算子和Log算子在检测边缘较细的缺陷上灵敏度都比较高，但Canny算子的稳定性更强，不易受噪声的干扰。因此，在综合考虑的基础上，将采用算子对铝铸件缺陷区域进行测定。具体详见图1。图1 (b)为Canny算子的检测结果，能完整地检测出缺陷边缘，对存在的少量噪声点和，可采用形态学滤波算法(采用开运算，先腐蚀后膨胀)去除，结果如图1(c)所示。

       采用Canny算子成功地检测出了缺陷轮廓，在识别之前，需对二维图像进行特殊处理，使其成为便于计算机处理的数量信息。把二维图像的信息转换成数量信息就是一个提取特征的过程。特征提取算法是机器视觉识别的核心之一，它的品质优劣会给识别结果带来直接的影响。由于铝铸件在生产过程中表面会沾有油污、水渍等，会给缺陷识别系统带来干扰，造成误判，如果只提取一种特征来分类识别铝铸件的缺陷，识别结果的误差较大。对不同缺陷(包括“伪缺陷”在内)的特征分析可知，不同类型缺陷在几何形状上的表现有较明显的差异性，可先通过几何形状特征对缺陷类型做初步判断。灰度特征能表达图像的很多信息，是图像的基本特征也是重要特征，且灰度特征方法计算简单、具有平移和旋转不变性、对颜色像素的精确空间分布不敏感。所以，为了提高判断结果的精准性，再利用不同类型缺陷灰度特征上的区别对其区分。http://www.zblansheng.cn/