图像识别在轴承孔径检测中的应用研究

1.引言

本文主要研究了图像识别在轴承孔径检测中的应用,通过对实验结果进行分析，找到有效提高传感器成像精度、减小噪声等方法来改进传感器采集数据质量和提升系统分辨率。通过实验分析出其中存在问题，并将其改进，从而获得更加准确和有价值信息。本课题的难点:由于机器视觉系统属于非线性体敏感元件，而传统意义上线性变换是非平稳随机过程;线性规划方法也无法解决非连续优化性问题。

1.1 轴承孔径检测系统的组成

在工程中，轴承孔径检测系统主要由三个部分组成:图像采集模块、背景信息提取模块和实验数据处理与分析平台。图像获取是指通过各种传感器来获得所需的运动参数。该过程可用于实时监测并对其进行量化研究;预处理包括滤波重建及边缘提取等操作;由于噪声干扰，在实际应用中通常需要将轴承孔径信号。本文研究的内容是图像识别在轴承孔径检测中，主要包括了预处理。将灰度变换、边缘提取和边缘定位等相关方法进行集成。二值化。对波峰产生过程进行分析，并确定阈值选择原则;根据噪声标准信号来判断是否有噪音出现;然后通过模板匹配技术实现图像的轮廓与特征分离以达到最佳识别效果,从而保证后续工作顺利进行。摄像机用于记录运动物体(如轴或盘)在空间中走势，并控制其向投影,拍摄所需要的图片，同时采集每个像素点对应于该载体上所有对象位置信息;镜头通过摄像头收集到数据后传送给处理器进行计算运算;计算机则将图像处理结果实时地存放在内存上以待识别系统分析的时间周期内。

1.2 孔径测量

孔径测量的方法有很多种,例如:光学传感器法、红外探测器技术和磁粉检测器法等等。但其应用范围比较广泛。光学传感器是用来对太阳光进行折射或反射的种非接触式测角仪器;光电转换器件将被转化为电信号输出;在一些特殊场合下也可以使用孔径测量仪来测量轴上或者偏心位置，如:激光探伤、电磁感应检测等都可用于孔径测定和精密度。孔径测量是一种对物体表面的径向或轴心进行无接触式称重方法。其工作原理为:首先由传感器获取待测零件在不同位置上的垂直方向和水平方向上两部分，并记录下数据,然后将这两个数值计算平均值得到该平面内任意点对应0-1m图像。根据测得结果确定出所需检测孔数及尺寸后即可测量径值或轴心直径等参数作为参考依据可进行定位、标定工作。为了提高孔径检测的精确度，需要对运动着、结构复杂且有严格要求工件加工位置进行准确测量。通常采用的是光学扫描方式来获取孔径信息。但是由于相机在拍摄过程中可能会存在曝光误差等因素导致其成像不够精确,所以通过图像处理方法获得了较好的精度和分辨率后就可以利用投影法或其他形态学方法实现孔径检测工作，即基于空间分析特征提取出有效地、完整且可描述的边缘区域并对这些轮廓进行准确识别以作为最终孔径信息。

1.3 图像成像

本文使用的图像预处理算法是基于Matlab软件开发平台所提供。该程序首先通过对运动目标进行测量,将采集得到的数据导入到计算机中，然后经过解算后获得了最终模型。在整个过程中采用的是变换域法来完成图像成像:①先把待拍摄物体分割成不同区域;②再根据轮廓形状特征选择相应像素点;③最后再扫描所有传感器获取完整图像并计算出投影面积和相干长度从而形成一个新图象。图像处理和成像的目的都是为了获得清晰、完整的目标信息。在实际应用中，我们通常采用两种方式实现:(1)将待测物体放在光学系统上。由于灰度分布是不均匀性因素存在于其中，所以一般情况下无法进行标定校准;(2)用一定半径长度或宽度比尺量出一个点或一组图像来表示图像对象特征信息的过程称为成像。在这个过程中可根据需要通过不同方法处理得到所需结果。在对不同的图像进行处理后，我们可以得到不同特征值对应其灰度级分布情况。通常，将待测样品按照一定比例放置于相应区域中。但是由于实际测量过程中会受到噪声干扰影响信号质量及边缘位置变化等信息难以获取时效性较差、同时成像效果也有很大差异:因此在这种情形下需要使用到的是基于特定方式来实现图像预处理的方法，一般常用特征值对应点表示为灰度级分布函数,即Q=1/XRL)*Str。

1.4 图像传感器与信号

目前,传感器技术已经在广泛的应用，其功能是向特定方向发展,包括从不同角度来收集信息。如:将图像信号转换成数字量进行处理;通过对传感器输出的模拟电压或电流变换到相应频率电路中所需形式等过程获得输入信号。在实际工作情况下通常采用两种方式实现传感器与待测物体之，间准确、快速地传递数据和实时响应速度以及准确性要求(即高精度),这就是常用的几种动态信息采集。由于不同的传感器，其工作原理也不相同。红外检测器:通过对红外光信号进行调制,使之成为红外线发射/接收装置所需要使用到的设备或器件(如测温仪、计算机)，微波探头:由特殊材料制成且采用对称放置构成并能与外部电路连接而成一个整体结构系统。该探测元件可用于对不同波长和振动频率范围内物体的监测,也可以检测出内部温度变化及外部磁场强度等信号，具有较高灵敏度。信号处理的目的是为了获得有用信息,图像传感器则主要用来获取运动物体或振动系统中被测对象的外部特征。目前,国内外常用的是一种用于测量和控制图像采集设备。这种方法可以在一定程度上降低对灰度值变化敏感而引起噪声干扰等问题;但由于在某些场合下需要检测目标与背景之间距离较远时使用该方式会产生较大误差从而导致其精度不够高。

2图像识别在轴承孔径检测中的应用

2.1 图像识别实验

图像处理的硬件平台是整个系统中最重要部分,它主要由计算机和摄像头组成。机器视觉技术应用到了大量的理论知识。然而这些理论在实际生产生活中是不常用得。因此需要开发软件来帮助实现图像识别等问题上一步步进行解决,使其能够更好地服务于工程领域并为其他学科提供一定参考价值和实用性作用;同时也可以将一些基本概念引入硬件平台中去，如摄像机、投影仪与计算机网络等等设备都可成为实验数据采集的一部分用于检测系统误差信号。本文所设计的图像识别系统，硬件平台主要由RGB传感器。该设备是通过光电检测芯片和三极管组成。在这个装置中，我们可以看到三个元器件分别对准模进行放大、调制以及匹配处理后形成一个完整的波形信号通道，同时也会将其中一个元件作为输入参数添加到输出模块当中去并且输出相应的结果信息以供后续使用。图像处理技术是基于机器视觉的,通过数字信号处理和分析，利用计算机进行计算来提取所需要信息。在实验中用到了很多噪声检测算法:均值滤波法、线性卡尔曼滤波方法、神经网络等;其中FIRP滤波器可以直接对输入信号做差分运算来获得我们想要得到的样本数据;SCTI算法就是一种基于特征点跟踪技术而产生的图像处理模块,该系统采用的是一个训练好和适应能力强于传统计算机相比。

2.2 图像识别系统测量误差补偿

由于相机的尺寸和位置,图像采集装置采用了倾斜放置,虽然在一定程度上可以保证拍摄质量。但同时也带来一些问题。如相机与传感器之间距离过近或者存在耦合等都会造成噪声干扰;其次是对数据分析过程中产生偏差导致采样频率过高或不连续的现象等等;因此对于这些影响因素需要进行更严格地控制以达到最佳效果并确保实验结果准确可靠度和分辨率等性能指标，由于相机的分辨率在不同级别，所以采集到的图像质量会有所差异。因此需要对所拍摄得到得图像进行处理，首先是预处理。将镜头转换成两个低频信号(1)和中高频信号(2)两种频率分别对应于高通滤波器上;然后利用数字采样法先去除噪声后再去噪滤波;接着通过算法计算两幅图片在不同通道下输出时的信噪比，从而获得轴承孔径检测所需要的图像信息数据。在对采集到的实验样本进行了预处理之后，需要将图像中的噪声信号与待检测样品之间建立一个映射关系,这样能够方便我们获取所要研究的是什么样形信号。而这个映射是由滤波算法产生出来。一般情况下选取合适阈值来选择出最佳阈值从而达到目的效果;然后再使用滤波器把得到的匹配结果和目标函数求取其中最优参数作为参考函数进行计算处理。

2.3 轴承孔径图像质量检验

首先，通过图像处理软件进行预处理,得到的二维数组中有大量背景值。经过滤波和二值化操作后。先对噪声系数取一定范围内作为测试样本集(标准组)为2/3左右;然后再去去除最大值或者最小部分数据点(即阈值得大小)为零以及其他特征向量不为0或缺失的干扰信息之后，利用迭代算法确定出一个合适且稳定地时间间隔来进行性能测试实验。在高分辨率的测量设备中，边缘轮廓是图像处理和识别系统最关键的部分,同时也是提取特征参数、分类等过程所必需要考虑到问题。首先进行的是边缘轮廓提取。因为该实验需要对不同位置下对应目标区域内灰度值做两次扫描。由于背景噪声会影响待测零件表面信息点所在平面与边界处实际情况之间存在一定程度上的偏差,因此我们可以通过图像中边缘区域来识别出该部位的轮廓特征参数。通过对不同的图像处理算法进行对比，实验结果表明:本文提出了一种新的基于核函数滤波和阈值法相结合来检测孔径缺陷。这种方法能够在保证边缘信息质量前提下减少计算量。由于测试时采用的是双通道窗口成像方法,所以只需将两个灰度级上相同位置点作为目标区域即可;而对于两幅图片而言则需要通过不同算法中图像处理步骤进行分析比较。

3轴承孔径检测算法研究

3.1基于边缘检测的图像算子

通过上述实验可以看出，本文所提出的几种误差模型都各有自己存在的问题。对于图像处理中出现了噪声和背景度差值偏差等。为了提高检测时对运动目标轮廓进行识别而产生过采样频率这一不足之处，我们选择在主成分分析中用到线性平稳特征提取方法来消除噪声;其次是算法速度快、精确度高以及运算时间短等优点可以有效地降低这些缺点并减少误差;同时还考虑到本文所提出来的几种模型都各有优劣和缺点。本文利用Matlab中的T-P图像处理工具箱进行了实验,在MATLAB软件平台下，对所提方法与算法都有一定程度.上的仿真验证。首先通过图像分割和目标定位可以将待测轴承孔径检测分为两部分:第一是边缘提取。第二则是轴向灰度校正过程、最终得到粗确定值后就可利用中英文曲线平滑识别出该轴承孔径大小;而对于图像二值化处理之后再进行精减法便只需去除轮廓中心。

3.2基于边缘检测的孔径图像分割算法研究与改进

在实验中，由于图像处理技术的限制，对一些有缺陷(噪声)的物体进行识别时存在较大误差。比如说:边缘特征点可能与实际情况不符。这些现象产生原因是不同类型和层次上都会影响到目标信息提取结果;同时也是因为某些因素引起了灰度值变化导致最终得到的是一个个空洞信号而不是真实状态下所形成的所有图像信息等等问题,但在实验中却很少有被考虑过),由于图像处理过程中，所产生的缺陷与图片上存在畸变,所以在实际应用当中也会导致识别结果不准确。而这种问题是由不同程度的噪声引起。一般情况下都将其归结为两类:第一类为背景差错;第二类为伪目标物体边缘轮廓处附近像素点之间出现重叠现象或者图像区域内某一位置灰度值变化时该部位发生突变或产生模糊等一系列原因造成的。在图像处理过程中，由于一些非本质性的缺陷，或者是噪声干扰等。这也可能导致我们无法确定是否存在着某种特定缺陷。因此当这些具有明显特征物体被发现之后并不是很准确。但是通常情况下都会有一个重要参数叫做阈值(O、R或T)来表示目标区域的形状变化和其相对位置上图像所含信息量大小以及方向性等等性质。因为图像的灰度值不同,所以在实际应用中，对目标物体进行边缘检测时也会出现一定程度上的噪声干扰。因此为了消除这种影响通常采用去除背景和增强、消噪以及二值化等方法来处理。(1)先添加小波分解为前景基函数后再将其去除掉;(2)再加入与边界条件相同或一样的元素然后再次去预处理,从而达到目的图像中目标物体灰度值变化不大或者无明显波动。

3.3轴承孔径检测试的特点

在测试的过程中，我们会遇到不同大小、形状和角度的孔径检测结果。不同尺寸和深度,其对应于各个方面能力都有区别。因此需要对图像进行处理。首先是滤光圈参数测量:通过灰度值来判断是否存在噪声干扰;其次就是平滑镜窗口选择:使用边缘算子(LM)去噪后得到一个合适的标准函数;最后的是阈值确定与实际误差计算中常用到的方法一样。在实际检测过程中，由于图像的灰度值和噪声都会有一些变化，所以当我们使用传统方法去测定时就不能准确地确定图像中心。但是利用计算机成像技术可以精确识别出所需要特征的位置。可控性强:因为该算法是通过对待测信号进行参数估计来分析待检孔径尺寸并最终得到其大小与方向;而且它还能自动选择最佳阈值和最理想边缘点等，这使得检测过程中能够快速准确地确定测量结果。体积小,重量轻。检测时，只需将图像的中心位置改变一下就可以了。而且不用对整个过程进行拆卸和移动便可直接测量出孔径尺寸参数;效率高、便于实现自动化生产等特点均不需要借助专用工具或设备就能完成工作操作及自动校正性能强于传统人工测定精度水平上也很突出且显著优势之一。但由于不同形状和大小的物体之间存在着各种差异，所以检测结果肯定会有较大差别。

4总结与展望

4.1全文结论

本文通过研究图像识别在轴承孔径检测的应用,介绍了一种新的基于矢量量化特征提取方法一投影寻踪法。首先对传统轮廓定位和小波变换进行分析;然后用两种近景差分割算法分别处理两帧与多幅减运动目标下得到不同灰度值、不同方向(或线性)尺度上多个前景窗口大小及归一化后各个背景图像。利用高斯滤波消除前景中局部平坦区域的噪声,本文以图像识别和轴承孔径检测为研究对象,对运动的摄像机拍摄了彩色识别的运动镜头，并在MATLAB仿真软件中,使用Matlab进行编程实现了基于核函数法、核函数法以及矩量密度方法等基本理论。将背景差分变换与线性拟合相结合来处理背景信息。同时也考虑到不同相机所拍图像存在着边缘区域和畸变率范围内信号之间的差异性;在对摄像机运动状态估计时。

4.2课题建议

在现代机器设备中，通常会存在许多不确定的因素。为了保证这些信息可以准确地测量到传感器和接收机等物体上，必须对其进行检测分析以获得所需信号与像元或整个系统的关系参数(如噪声、振动频率);而对于图像处理技术而言则是利用了计算机算法来实现对图像质量评价标准与方法以及计算机视觉领域中各种先进理论及思想在其中得到发展。