基于局部投影统计法的螺纹缺陷检测

陈佳倩 金晅宏 郭旭

摘 要：为解决传统接触式螺纹测量方法费时且程序冗长的缺陷，提出一种基于机器视觉技术的螺纹缺陷检测算法。对捕获的螺纹图像进行中值滤波、迭代法二值化与Canny边缘提取处理;通过分析螺栓图像中螺纹缺陷断口位置灰度值的变化，提出一种基于DOG模型的螺纹自动检测方法。为验证该算法性能，用基于形状的模板匹配算法作为对照进行实验。结果表明，局部投影统计算法能有效提取螺纹缺陷图像的缺陷信息，螺纹缺陷图像识别率在95%以上。该方法可快速有效地降低噪声，准确迅速地定位缺陷点，提高生产线螺栓可替换性。

关键词：螺纹缺陷;投影统计;DOG金字塔

0 引言

螺栓在机械设备中起连接、传动和紧固的作用。螺栓的螺纹若存在缺陷，则影响螺栓可替换性及整个机械设备质量，甚至引发生产事故，影响企业生产。因此准确高效的螺栓螺纹检测极其重要。目前我国制造业常用螺栓螺纹检测方法大多为接触式检测[1-4]，主要利用测量工具对螺栓几何参数进行测量，以及通过人眼分辨螺栓螺纹是否存在缺陷以判断螺栓质量。接触式检测效率低，早已不能满足自动化程度越来越高的包装生产要求[5-6]。非接触测量技术应时代要求，正逐步替代传统测量方法。随着计算机性能与图像处理技术发展的日益成熟，机器视觉检测技术被应用于复杂工件检测领域成为非接触技术发展趋势[7]。

Zhang等[8]搭建了一套视觉检测系统用于对抓拍的零件图像进行自动检测和分类，并提出一种新的分类策略用于精确定位零件缺陷;施保华等[9]提出一种利用工业CMOS相机在线采集螺纹图像，对螺纹图像进行边缘提取及缺陷定位的在线检测方法;余愚等[10]提出一种用线阵CCD装置投影成像技术，实现检测外螺纹几何形状参数的方法;李永敬等[11]提出轮廓形状匹配算法，用于检测冲压零件外部形状缺陷;田野等[12]搭建了一套内螺纹图像高效采集检测实验平台，可以实现实时检测;Singh等[13]设计了一种用特殊的粒子分类器对经过预处理后的螺纹图像进行自动分类和检测的算法，将处理结果与预先保存的螺纹图像模板进行匹配。

上述方法可获取螺纹表面缺陷或轮廓缺陷，但螺纹缺陷点的定位不够精确且基于模板匹配的方法内存占比大，算法耗时长。本文通过待检测螺栓缺陷图像分析，发现螺纹缺陷图像上，轮廓断裂处灰度值变化较大，因此提出基于局部投影的统计检测算法，利用缺陷处像素投影，准确快速地实现缺陷点定位。

1 图像预处理

在螺栓螺紋图像中不可避免地存在由各种电子器件、光学器件等引入的非线性噪声，对螺纹缺陷图像的定位影响明显，所以图像预处理必不可少。

经由傅里叶变换后呈现白色大幅度的低频区域，代表图像中慢变化的特性，即灰度变化缓慢的特性。经由傅里叶变换后呈现黑色大幅度的高频区域，代表图像中快变化的特性，即灰度变化快的特性。经过频谱分析可知噪声类型主要为椒盐噪声，可以采用中值滤波处理[14-16]，其结果如图1、图2所示。

对滤波后的图像需要进行阈值分割处理，目的在于方便提取目标图像，为之后处理作准备。常见处理方式有固定阈值分割法、最大类间方差法、迭代法等[17-19]，灰度直方图可以更直观体现阈值分割后图像变化，处理结果如图3、图4、图5所示。

对处理后的螺栓螺纹图像进行比较可知，迭代法的阈值分割可以提高抗干扰性，确保有效信息完整性。实现准确的螺纹缺陷检测需有效提取螺纹边缘，为了方便定位螺纹缺陷，减少假边缘，选择Canny算子进行提取。

2 DoG金字塔描述

DoG（Difference of Guassian）算子即高斯差分滤波，其由David Lowe 提出，本质上近似于高斯拉普拉斯LoG，也就是对[σ2？2G]的近似[20-22]。为了得到DoG金字塔首先需构造高斯金字塔，即用不同参数的[σ]对多分辨率金字塔每层图像作高斯模糊，使每层金字塔获得多个高斯模糊图像，DoG金字塔如图6所示。

具体算法如下：

（1）对使用DoG算法处理过的螺纹图像矩形区域进行分割。由于缺陷在整幅图中占比太小，不易定位，所以将其分割成若干块小区域。矩形区域被分成几个小区域以便提取缺陷信息。

（2）计算分割图像的像素投影信息。对分割好的图像进行投影，将图像分别在X轴和Y轴方向上投影，获取相关像素点的集合图。

（3）确定图像中像素突变位置。对于检测到的图像，由于无螺纹图像灰度值保持不变以保留图像细节信息， 当投影图像像素点突然减少时，即为有缺陷的地方，如此可实现缺陷精准定位。

为验证算法有效性，本文通过基于轮廓的模板匹配算法和基于局部投影统计法对选取的螺栓螺纹图像进行处理和对比。

图7为螺纹原图，螺纹图像经过DoG金字塔算法处理后得到图8，对图8进行选取矩形区域分割，在该矩形区域内对螺栓图像在X、Y轴方向上投影，图9为螺栓螺纹存在缺陷的投影图像，图10为螺栓螺纹不存在缺陷的投影图像。投影结果获得了像素统计信息，可用于定位缺陷位置，从而找出缺陷区域，如图11所示。

为获取螺纹模板，首先确定螺栓螺纹曲图像中的矩形ROI区域，如图12所示;其次对该ROI区域进行阈值分割和膨胀处理，如图13所示，以便获得较为清晰的轮廓作为模板（见图14）。

本文实验共分为3组，共540幅图像，每组180幅图像又随机分成3小组，3组实验光照等条件相同。具体实验结果如图18-20所示。

从图中可知，基于形状的模板匹配算法的图像检测率约在75%以下，且对螺纹有缺陷图检测率明显低于螺纹无缺陷图像检测率;局部投影统计算法对于螺纹图像检测率约在95%以上，且对于螺纹有缺陷图像和螺纹无缺陷图像的检测率基本一致，对比两种算法检测结果表明，局部投影统计法对于螺纹缺陷图像的检测率更高，且误检率降低。此外因模板匹配内存占比大，算法耗时明显低于基于轮廓的形状匹配算法。

5 结语

本文提出一种基于局部投影统计法的螺栓螺纹缺陷检测方法，该缺陷检测方法能够快速有效地去除噪声，并且可以更好地加强图像缺陷信息。经实验证明，算法可以准确快速地定位缺陷点，从而提高生产线上螺栓可替换性，保障生产工序顺利进行。

参考文献：

[1] 王世峰， 赵馨， 佟首峰，等. 基于激光位移检测技术的螺纹检测仪研制[J]. 仪器仪表学报， 2007， 28（4）：755-759.

[2] BOUDINE B， KRAMM S， AKKAD N E， et al. A flexible technique based on fundamental matrix for camera self-calibration with variable intrinsic parameters from two views [J]. Journal of Visual Communication & Image Representation， 2016， 39（C）：40-50.

[3] TSAI D M，HUANG T Y. Automated surface inspection for statistical textures[J]. Image & Vision Computing， 2003， 21（4）：307-323.

[4] SINGH K， KAPOOR R. Image enhancement via median-mean based sub-image-clipped histogram equalization[J]. International Journal for Light and Electron Optics， 2014， 125（17）：4646-4651.

[5] 蔡叶菁，彭涛，何静，等. 机器视觉在包装检测过程中的应用研究[J]. 包装工程，2003， 24（2）：45-48.

[6] SHANMUGAMANI R， SADIQUE M， RAMAMOORTHY B. Detection and classification of surface defects of gun barrels using computer vision and machine learning[J]. Measurement， 2015， 60：222-230.

[7] 劉俊琪. 基于图像识别的铝塑包装材料边缘检测[J]. 包装工程工程版，2017，38（13）：154-158.

[8] ZHANG X，KREWET C，KUHLENK？TTER B. Automatic classification of defects on the product surface in grinding and polishing[J]. International Journal of Machine Tools & Manufacture， 2006， 46（1）：59-69.

[9] 施保华， 魏雅慧. 一种基于机器视觉的螺纹缺陷检测方法[J]. 三峡大学学报：自然科学版， 2015， 37（2）：64-66.

[10] 余愚，戴跃洪，唐其林. 用线阵CCD装置自动检测外螺纹几何形状参数的方法[J]. 振动、测试与诊断， 2000， 28（s1）：196-199.

[11] 李永敬，朱萍玉，孙孝鹏，等. 基于形状模板匹配的冲压件外形缺陷检测算法研究[J]. 广州大学学报：自然科学版，2017（5）：62-66.

[12] 田野. 基于机器视觉的内螺纹参数检测系统设计[D]. 合肥：合肥工业大学，2017.

[13] AJAY P， NEERAJ J. Screw  classification using machine vision[J].  International Journal of Electronics & Communication Technology， 2011，2：31-33.

[14] COOTES T F， PAGE G J， JACKSON C B， et al. Statistical grey-level models for object location and identification[J]. Image & Vision Computing， 1996， 14（8）：533-540.

[15] NAKARIYAKUL S. Fast spatial averaging： an efficient algorithm for 2d mean filtering[J]. Journal of Supercomputing，2013，65（1）：262-273.

[16] CHAN R H，HO C W，NIKOLOVA M. Salt-and-pepper noise removal by median-type noise detectors and detail-preserving regularization[J]. IEEE Transactions on Image Process，2005，14（10）：1479-85.

[17] OTEN R，DE FIGUEIREDO R J P. Adaptive alpha-trimmed mean filters under deviations from assumed noise model[J]. IEEE Transactions on Image Processing，2004，13（5）：627.

[18] 曹风云，李东兴，张华强，等. 自适应多方向灰度形态学图像边缘检测算法[J]. 光学技术，2016， 42（3）：234-238.

[19] YUAN X C， WU L S， PENG Q. An improved OTSU method using the weighted object variance for defect detection[J]. Applied Surface Science， 2015， 349：472-484.

[20] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）：91-110.

[21] PAN B. An Evaluation of convergence criteria for digital image correlation using inverse compositional Gauss-Newton algorithm[J]. Strain， 2014， 50（1）：48-56.

[22] 罗晓晖，李见为. 基于DOG模型的线条检测算法[J]. 计算机辅助设计与图形学学报， 2003， 15（4）：425-431.

[23] 游磊，楊丹，张小洪. 一种新的基于DoG的立体匹配算法[J]. 重庆理工大学学报：自然科学版， 2009， 23（1）：122-126.

[24] 舒小华，沈振康，龙永红. 一种基于轮廓配准的包装缺陷检测方法[J]. 包装工程，2007，28（3）：19-21.

[25] PAN B，QIAN K，XIE H， et al. Topical review： two-dimensional digital image correlation for in-plane displacement and strain measurement： a review[J]. Measurement Science & Technology， 2009， 20（6）：152-154.

（责任编辑：江 艳）