基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法

摘要

本发明公开了一种基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法，包括：样件磨削表面图像的采集、磨削纹理特征分析、去除磨削纹理后重构图像、图像分割、损伤特征参数的提取和选择、分类器设计，最终得出该样件磨削表面损伤的评价报告。本发明采用时频分析的方法消除数字图像中的磨削纹理，所得工程陶瓷磨削表面的数字图像中仅存在表面损伤和背景，从而使损伤检测变得简单可行。实现对存在磨削纹理的工程陶瓷，消除工程陶瓷磨削表面图像中的磨削纹理，以便于表面的损伤的检测。利用本发明检测方法对带有磨削纹理的工程陶瓷磨削表面气孔损伤的识别正确率接近96％；裂纹损伤的识别正确率在85％以上；划痕损伤的识别正确率达到80％；由于磨削纹理去除的干扰，以及破碎本身形状复杂多变的影响，破碎损伤的识别正确率达到70％。

说明书

技术领域

本发明属于工程陶瓷磨削加工无损检测领域，具体涉及一种磨削纹理数字图像去除技 术。

背景技术

目前，工程陶瓷材料已经广泛应用于航天、核工业、现代医学、石油化工等众多领域， 但其加工表面质量的检测方法仍和金属材料类似，并不能有效的反应出工程陶瓷磨削表面 的损伤状况。天津大学机械工程学院先进陶瓷与加工技术教育部重点实验室多年来一直致 力于工程陶瓷磨削表面损伤检测的基础研究工作，以工程陶瓷磨削理论为基础并结合实验 研究，采用数字图像识别技术，建立了一套工程陶瓷磨削表面损伤检测系统。但是采用数 字图像识别技术应用于工程陶瓷磨削表面损伤检测，存在一个技术难点就是工程陶瓷表面 图像中的磨削纹理对表面损伤检测会造成干扰，影响损伤检测的准确率。

发明内容

针对上述现有技术，本发明提供一种基于磨削纹理去除技术的工程陶瓷磨削表面损伤 检测方法，采用时频分析的方法消除数字图像中的磨削纹理，所得工程陶瓷磨削表面的数 字图像中仅存在表面损伤和背景，从而使损伤检测变得简单可行。实现对存在磨削纹理的 工程陶瓷，消除工程陶瓷磨削表面图像中的磨削纹理，以便于表面损伤的检测。

为了解决上述技术问题，本发明基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测 方法，包括以下步骤：

样件磨削表面图像采集步骤：实现样件磨削表面图像的采集，并将采集到的图像转换 为数字化图像后导入计算机；

磨削纹理特征分析步骤：利用灰度共生矩阵提取样件磨削表面纹理特征参数能量和 熵，并以此判断该样件磨削表面是否存在磨削纹理，若存在磨削纹理，则去除磨削纹理；

去除磨削纹理步骤：选用傅里叶变换，将数字化图像从时域转变成频域，从而将接收 到的原始的数字化图像转换成频谱图和相位图；在频谱图中采用频域滤波器对频谱图像进 行滤波，去除磨削纹理对应的高能量频率成分；最后采用傅里叶反变换回时域，得到去除 纹理后的重构图像；

图像分割步骤，采用Canny边缘检测算子，将上述重构图像中的表面缺陷从该图像的 背景中分离出来，形成分割图像，点乘原图运算得到分割灰度图，并判断磨削纹理去除的 结果是否达到理想要求，若F，则通过调节频域滤波器的频带宽度重新对频谱图像进行滤 波，直至满足要求；

损伤特征参数的提取和选择步骤，从分割图像和分割灰度图中提取损伤特征参数，并 从中选择损伤区域圆形度、损伤区域灰度均值以及损伤区域曲率特征参数；

分类器设计步骤，利用分类树对样件磨削表面损伤进行分类；

样件磨削表面损伤评价步骤，所有表面损伤区域的面积与检测区域的总面积之比，计 算出损伤率，结合纹理特征参数，得出该样件磨削表面损伤的评价报告。

进一步讲，在磨削纹理特征分析步骤中，若能量的阀值为0.15～0.20，熵的阀值为 2.3～2.5，则得出样件磨削表面存在磨削纹理的结果。

在图像分割步骤中，Canny边缘检测算子的阀值为0.28～0.35。

在图像分割步骤中，磨削纹理去除结果不满足理想条件时，调节频域滤波器的频带宽 度范围为4～16个像素。

在分类器设计步骤中，所述样件磨削表面损伤包括破碎、气孔、裂纹和划痕损伤。

在分类器设计步骤中，将损伤区域圆形度C、损伤区域灰度均值MNQ及损伤区域曲 率K三个特征参数作为分类器的输入；并根据圆形度特征参数将样件磨削表面损伤分为第 一大类和第二大类，其中第一大类包括破碎和气孔损伤，第二大类包括破碎、裂纹和划痕 损伤；

第一大类中，破碎损伤的灰度值小于气孔损伤的灰度值；

第二大类中，破碎损伤的灰度值均小于划痕损伤和裂纹损伤的灰度值；划痕损伤的曲 率小于裂纹损伤的曲率；

所述损伤区域圆形度C的数学表达式为：

$C=\frac{P^2}{S}---\left(1\right)$

公式(1)中，S是损伤区域的面积，P是损伤区域的周长，圆形度C的阀值为30～40；

所述损伤区域灰度均值MNQ的数学表达式为：

$\mathrm{MNQ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i---\left(2\right)$

公式(2)中，x_i是损伤区域内各个损伤像素灰度值，由于破碎损伤和气孔损伤的灰 度差值很大，所以灰度均值的取值比较容易，其中，破碎损伤和气孔损伤区分的灰度均值 MNQ为180～210；对含有破碎损伤、裂纹损伤或划痕损伤的灰度均值MNQ为150～180；

所述损伤区域曲率K的数学表达式为：

$K=\frac{1}{\rho }---\left(3\right)$

公式(3)中ρ是损伤区域的曲率半径，对于裂纹损伤和划痕损伤的损伤区域曲率K 小于0.001。

与现有技术相比，本发明的有益效果是：

在未去除纹理前，磨削损伤由于磨削纹理的干扰基本无法检测，而本发明采用时频分 析的方法，即在时域中提取纹理特征参数判定纹理的存在与否；再将图像利用傅里叶变换 到频域，根据纹理在频域中的特性，利用频域滤波器滤除磨削纹理；利用图像傅里叶反变 换，重构滤波后的图像，根据时域中重构图像的特性确定图像分割算法和算子。

应用本发明检测系统对若干张图片进行损伤检测，检测的结果如表1所示。从检测的 结果看，气孔损伤的识别正确率达到约96％；裂纹损伤的识别正确率在85％以上；划痕损 伤的识别正确率达到了80％；即使破碎损伤过多，且受纹理去除的影响，不可避免的造成 损伤信息的丢失，但破碎损伤的识别率也在70％左右。

附图说明

图1是本发明基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法流程图；

图2(a)至图2(e)是利用本发明进行工程陶瓷磨削表面损伤检测的主要步骤，

其中：图2(a)是工程陶瓷磨削表面的数字化原图，

图2(b)是纹理去除后的重构图像，

图2(c)是分割灰度图，

图2(d)是损伤结果标号图，

图2(e)是损伤检测结果示意图；

图3是纹理去除后存在的问题及解决方案示意图；

图4是本发明中利用分类器对损伤进行检测的示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步详细地描述。

本发明基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法的主要设计思想是： 针对工程陶瓷磨削表面在一般的加工条件下均会出现磨削纹理的特点，提取纹理特征参数 对磨削表面是否有纹理进行判断，有效的对磨削表面有无纹理进行判定。利用频域滤波的 方式滤除磨削纹理对损伤检测的影响，并根据实际应用的情况，调整频域滤波器参数，在 有效去除纹理的同时尽量减少损伤信息的丢失。根据纹理去除后的实际情况，在分析各种 处理效果的基础上，综合运用区域分割与边缘检测技术，最终选择了适用于图像分割的 Canny算法，得到了满意的分割效果。

利用本发明基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法，对任意一个已 加工的工程陶瓷磨削表面的损伤进行检测，包括：样件磨削表面图像采集、磨削纹理特征 分析、去除磨削纹理、图像分割、损伤特征参数的提取和选择、分类器设计，最终得出样 件磨削表面损伤的评价报告，如图1所示，具体步骤如下：

(1)样件磨削表面图像采集：

利用SK-2003工业显微镜、CCD摄像头、光源和采集卡实现样件磨削表面图像的采集， 得到较为清晰的图像，并将采集到的图像转换数字化图像，而后将该数字化图像导入计算 机，如图2(a)所示。

(2)磨削纹理特征分析：

虽然，利用所提取能量、熵、对比度、相关性四个纹理特征参数中任何一个，都能很 容易的区分出纹理是否存在，但为了增加判断的正确率，本发明取能量和熵作为判断有无 纹理的依据，即利用灰度共生矩阵提取样件磨削表面纹理特征参数能量和熵，并以此判断 该样件磨削表面是否存在磨削纹理，若能量的阀值为0.15～0.2，熵的阀值为2.3～2.5，能量 的阀值优选为0.2，熵的阀值优选为2.4，则得出样件磨削表面存在磨削纹理的结果，若 存在磨削纹理，则去除磨削纹理。

(3)去除磨削纹理：

选用傅里叶变换，将数字化图像从时域转变成频域，从而将接收到的原始的数字化图 像转换成频谱图和相位图；在频谱图中采用频域滤波器对频谱图像进行滤波，去除磨削纹 理对应的高能量频率成分；最后采用傅里叶反变换回时域，得到去除纹理后的重构图像， 也就是没有纹理干扰的图像，如图2(b)所示，该磨削纹理去除是本发明中最重要的环节 之一。

对于一幅存在主纹理的图像，其频谱中的高能量频率成分全部集中其主纹理的垂直方 向上，如果想去除磨削纹理特征，只要将图像主纹理的垂直方向上的能量置为0，然后再 利用傅里叶反变换对原图像进行重构即可。因为傅里叶反变换是线性变化，故时域图像的 灰度信息可以完全无损地保持到频域。若想去除纹理特征以增强损伤缺陷特征，以利于损 伤的识别和分类，本发明是采用频域滤波器对频谱中高能量频率成分、进行抑制滤波。

还有，对于工程陶瓷表面磨削加工过程中所产生的诸如裂纹，破碎，气孔，划痕等表 面损伤，从损伤的方向来看，在绝大多数情况下，损伤缺陷在各种角度上分布比较均匀， 其方向性不强，或者从另一个角度来讲，损伤缺陷方向与磨削加工过程产生的主纹理方向 是不一致；从损伤的能量频率成分来看，主纹理频谱的高能量频率成分要远远大于损伤缺 陷频谱的能量频率成分，所以通过找出频谱的高能量频率成分集中的主纹理方向，并且将 其在频域内滤除，就可以有效的对损伤予以增强，然后再通过合适的图像分割算提取损伤 特征。如何设计出最佳的频域滤波器是纹理去除的关键，它直接影响着纹理去除的效果。 通过累加器确定了频谱图像中高能量频率成分集中的区域，利用频域滤波器对图像的频谱 图进行滤波处理，利用滤波后的频谱图像并结合图像的相位图进行傅里叶反变换重构图 像。重构图像中，磨削主纹理被抑制，而损伤缺陷则被有效增强，然后就可以采用阈值分 割方法来将损伤从图像背景中分离出来了。

(4)图像分割：

用于将上述重构图像中诸如破碎、气孔、裂纹等表面缺陷从该图像的背景中分离出来， 进而采用Canny边缘检测算子形成分割图像，Canny边缘检测算子的阀值为0.28～0.35， 其优选阀值为0.3；对该分割图像进行点乘原图运算得到分割灰度图，根据该分割灰度图 判断磨削纹理去除的结果是否理想，若F，并通过调节频域滤波器的频带宽度重新对频谱图 像进行滤波，调节频域滤波器的频带宽度范围为4～16个像素。再次得到分割灰度图，直至 满足要求。如图2(c)所示。

如图3所示，磨削纹理的去除，会产生一定的消极影响，如造成灰度能量成分的损失 使图片变暗和造成一些损伤信息的丢失。前者会导致纹理去除的效果难以判断，后者会影 响检测结果。因此可以利用图像分割算法和阀值选择消除以上影响。因为损伤信息的丢失 是不可避免的，本发明中采用对滤波器进行频带宽度参数调整来克服由于损伤信息丢失而 导致后面损伤分类的错误。

(5)损伤特征参数的提取和选择：

从上述分割图像和分割灰度图中提取损伤特征参数，并从中选择损伤区域圆形度、损 伤区域灰度均值以及损伤区域曲率特征参数，并对分割图像中的损伤缺陷区域进行标号， 如图2(d)。

(6)分类器设计：

根据提取的损伤特征参数，利用分类树对损伤进行检测，根据对大量图片不同损伤类 型的观察和分析，按照特征参数尽量少，分类尽量准确的原则，本发明根据上述选择的损 伤区域圆形度、损伤区域灰度均值以及损伤区域曲率特征参数，利用分类树对样件磨削表 面损伤进行分类，所述样件磨削表面损伤包括破碎、气孔、裂纹和划痕损伤。

如图4所示，在分类器设计步骤中，将损伤区域圆形度C、损伤区域灰度均值MNQ 及损伤区域曲率K三个特征参数作为分类器的输入；并根据圆形度特征参数将样件磨削表 面损伤分为第一大类和第二大类，其中第一大类包括破碎和气孔损伤，第二大类包括破碎、 裂纹和划痕损伤；

第一大类中，破碎损伤的灰度值小于气孔损伤的灰度值；

第二大类中，破碎损伤的灰度值均小于划痕损伤和裂纹损伤的灰度值；划痕损伤的曲 率小于裂纹损伤的曲率；

所述损伤区域圆形度C的数学表达式为：

$C=\frac{P^2}{S}---\left(1\right)$

公式(1)中，S是损伤区域的面积，P是损伤区域的周长，圆形度C的阀值yxd＝30～40；

所述损伤区域灰度均值MNQ的数学表达式为：

$\mathrm{MNQ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i---\left(2\right)$

公式(2)中，x_i是损伤区域内各个损伤像素灰度值，由于破碎损伤和气孔损伤的灰 度差值很大，所以灰度均值的取值比较容易，其中，破碎损伤和气孔损伤区分的灰度均值 MNQ为hd2＝180～210；对含有破碎损伤、裂纹损伤或划痕损伤的灰度均值MNQ为 hd1＝150～180；

所述损伤区域曲率K的数学表达式为：

$K=\frac{1}{\rho }---\left(3\right)$

公式(3)中ρ是损伤区域的曲率半径，对于裂纹损伤和划痕损伤的损伤区域曲率K 小于k＝0.001。

(7)样件磨削表面损伤评价：

根据所有表面损伤区域的面积与检测区域的总面积之比，计算出损伤率，结合纹理特 征参数，对样件磨削表面进行综合评价，从而得到该样件磨削表面损伤的评价报告，在评 价报告的显示界面如图2(e)所示。

尽管上面结合图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式， 上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明 的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保 护之内。