基于图像处理的微小塑料齿轮轮廓优化

基于图像处理的微小塑料齿轮轮廓优化

摘要：通过计算机视觉系统的构成、图像预处理、图像分割和数字图像的像索连通性理论与技术的研究提

出，微小塑料齿轮的二值图像噪声点去除及齿轮轮廓提取方法，用数学形态学方法提出轮廓的简化算法采用边缘滤波器对图像进行去噪处理。用Robot边缘检测算法进行边缘提取齿轮的轮廓，统计出大齿轮和小齿轮上面齿的个数和每个齿轮上齿之间的角度。实验结果表明, 该优化轮廓的简化算法, 可获得准确的齿形检测数据, 能满足工程测量的实际需要。

关键词：塑料齿轮 二值化 边缘处理 roberts算子

Contour Optimization of the Micro Plastic Gears Based on Computer Vision

Abstract：On the basis of the studies upon the computer vision system construction and the theories and technologies of the image preprocessing, the segmentation of image as well as the pixels connectivity of digital image, the methods of wiping off the noise points in the binary image of the micro plastic gears and extracting the contour of the gears were put forward. The simplifying algorithm for the contour extracting was raised by the methodology of the mathematical morphology. T he principles and the implement of the key technologies of the above algorithm were also presented. It found out that a curvilinear could be represented with the fewest points by deleting the unassociated points. At last, the experiments have showed that the inspection dates of the tooth profile could be obtained accurately by the simplifying algorithm of contour optimization and the algorithm could meet the needs of the virtual engineering inspection.

Key words：plastic gear binarization Edge processing Roberts operator

正文：

引言：

塑料齿轮的齿崩、缺齿、披锋、翘曲变形等缺陷[1]容易导致齿轮传动的噪声、磨损加剧、效率降低甚至传动系统的卡死现象。微小塑料齿轮缺陷产生的种类、大小、程度与分布位置都是随机的。因此, 用接触式检测不仅难度大, 而且效率低。机器视觉技术是非常有效的非接触检测技术, 被广泛地应用于各种加工件的在线检测和高精度、高速度的检测技术领域, 因此采用 CCD 图像测量和识别技术做非接触检测, 是解决这一问题的有效途径。本文主要研究采用计算机视觉技术, 检测微小塑料齿轮时轮廓的提取和优化方法。

具体内容：传统的算法主要根据计算机视觉原理和二值化处理去除：具体原理如下， 微小齿轮计算机视觉检测系统由CCD 传感器、阈值与最大类间方差区域切割综合法, 较好

光学系统、计算机数据采集和处理系统输出控制等部分组成。根据所检测齿轮的特点并结合现有的实验条件,选用了BASL ER A102f CCD 数字摄像头和相配套的IEEE1394 图像采集卡、TEC2M55 焦阑镜头图像识别处理流程如成像系统获取的原始图像由于受到种种条件限制和随机干扰, 往往不能在视觉系统中直接使用, 必须在视觉信息处理的早期阶段对原始图像进行噪声过滤等图像预处理，有一定的

局限性。 本文采用边缘滤波器对图像进行去噪处理,与均值滤波器和中值滤波器相比, 边缘保持滤波器既能滤除噪声,又能很好地保留塑料齿轮图像中的轮齿齿廓细节。图像分割是把图像分成各具有特性的区域并提取出感兴趣目标的技术和过程。针对微小塑料齿轮图像的特点, 本文采用迭代

解决了图像多阈值分割的问题。计算机视觉检

测系统中,光源与照明方案往往是整个系统的关键 。要使物体形成的图像最为清晰,复杂程度最低, 得到最多的有用信息, 消除不必要的阴影、低反差和镜面反射等。基于所要检测的项目和齿轮颜色种类,通过大量光源试验,本项目选择高密度L ED 阵列面(L FL2100 背光源) 提供高强度背光照明方案, 背光照明是将光源放置在相对于摄像头的物体的背面。 由于图像采集过程中出现的噪声干扰,或者由于外界灰尘等影响, 图像的背景区经常出现一些噪声点,如图2 所示,这些噪声点往往以点群的形式存在。由于这些噪声点的灰度值比较大, 在图像预处理过程中,很难将其

消除。进而在图像阈值分割后,仍然显示在二值图像的背景区中, 影响后续的图像检测,需要强制自动去除。

最后对图像的轮廓处理，由于轮廓实际上是由一连串相邻的点组成,要完整而精确地提取图像轮廓, 须详细考虑像素点之间的联系。

我们的算法在改进传统算法优点的基础上，在程序设计上又新加了许多内容，使算法更加先进，可行! 在一系列研究之后，我们首先订下了流程图如下，

1、

具体算法如下：

1 首先读入原图像和基本信息： i=imread('cl.jpg'); Figure,imshow(i)

这是一张彩色图像，需对其进行灰度处理，一幅完整的图像，是由红色、绿色、蓝色个通道组成的。红色、绿色、蓝色三个通道的缩览图都是以灰度显示的。用不同的灰度色阶来表示“ 红，绿，蓝”在图像中的比重。通道中的

纯白，代表了该色光在此处为最高亮度，亮度级别是255。

具体的算法如下：

>> i1=rgb2gray(i);%使其成为灰度图像 >>imshow(i1)

2 对图像进行二值化处理，确定阈值

图像二值化就是将图像上的像素点的灰

度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。

将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。

由于图片上有细小的多余的孔洞，会对处理图像有影响，所以要对图像进一步优化。

继续对图片优化，具体算法如下： > bw=bwareaopen(i2,200);%填充孔洞 >> se=strel('disk',1);

由此图像可知，把中间的轴承部分去除，为边缘检测奠定基础。

3、 对图像用roberts算子进行边缘检测，对轮廓进行追踪和优化

Roberts算子是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子，他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感,无法抑制噪声的影响。Roberts边缘检测算子是图像处理中最基本的边缘检测算子，其认为任意一对相互垂直方向上的差分可以看成是梯度的近似求解，采用对角线方向相邻两像素之差，即某一像素点(i,j)

的

Roberts

算

子

值

为

：

所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。

算法如下：

level = graythresh(i1);%确定灰度图像的阈值

>> i2=im2bw(i1,level);%图像二值化 >> figure,imshow(i2) 运行的图片如下： bw=imclose(bw,se);

bw=imfill(bw,'holes'); figure,imshow(bw)

f(x)=|f(i,j)-f(i+1,j+1)|+|f(i+1,j)-f(i,j+1)|。

从上述轮廓提取算法分析可知,当目标区中的内部点位于图像边缘区时,这些点的一些

N8 ( p) 像素点有可能分布在图像的背景区,

对这些点运用上述轮廓提取算法,就会把这些点判为边界点,所以会出现轮廓线“加厚”现象。需要优化轮廓, 去除掉多余的边界点,使轮廓最优化和最简化,从而获得准确的齿形检测数据。

算法如下：

Bw1= edge(bw,'roberts',0.1);

>> bw1 = edge(bw,'roberts',0.5); >> bw1 = edge(bw,'roberts',0.7); imshow(bw1)

4、如需算出齿轮齿数需对图像进行角点检测，角点作为图像上的特征点,包含有重要的信息，

在图像融合和目标跟踪及三维重建中有重要的应用价值。但是基于实际应用需求,从角点检测的快速性、准确性、鲁棒性等要求出发,可以看出上面对各种角点检测算法的分析各有利弊。直接基于图像的角点检测基本上是全局搜索；基于边缘轮廓的角点检测数据量较少,可以采用多分辨分析并行处理,从灰度图像得到边缘轮廓曲线要经过两次以上的全局搜索,速度并不是很快,但对角点的误检和漏检要比直接基于图像的方法好得多。如果在得到轮廓曲线的过程中应用一些其他的变换方法,就计算的速度而言,下降不少，所以一般快速的、较准确的角点检测使用直接基于图像模板的方法完全可以满足需要,但如果对角点的完备性要求较高,那么使用基于轮廓线的多尺度分析方法应该给予考虑。

具体的算法如下：

[m n]=size(bw1);%角点检测 tmp=zeros(m+2,n+2); tmp(2:m+1,2:n+1)=bw1; Ix=zeros(m+2,n+2); Iy=zeros(m+2,n+2); E=zeros(m+2,n+2);

Ix(:,2:n)=tmp(:,3:n+1)-tmp(:,1:n-1); Iy(2:m,:)=tmp(3:m+1,:)-tmp(1:m-1,:); Ix2=Ix(2:m+1,2:n+1).^2; Iy2=Iy(2:m+1,2:n+1).^2;

Ixy=Ix(2:m+1,2:n+1).*Iy(2:m+1,2:n+1); h=fspecial('gaussian',[7 7],2);

Ix2=filter2(h,Ix2); Iy2=filter2(h,Iy2); Ixy=filter2(h,Ixy); Rmax=0;

R=zeros(m,n); for i=1:m for j=1:n

M=[Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)]; R(i,j)=det(M)-0.06*(trace(M))^2; if R(i,j)>Rmax Rmax=R(i,j); end end

end

re=zeros(m+2,n+2);

tmp(2:m+1,2:n+1)=R; bw1_re=zeros(m+2,n+2); bw1_re(2:m+1,2:n+1)=bw1; for i=2:m+1 for j=2:n+1

if tmp(i,j)>0.01*Rmax &&... tmp(i,j)>tmp(i-1,j-1) && tmp(i,j)>tmp(i-1,j) && tmp(i,j)>tmp(i-1,j+1) &&...

tmp(i,j)>tmp(i,j-1) && tmp(i,j)>tmp(i,j+1) &&...

tmp(i,j)>tmp(i+1,j-1) && tmp(i,j)>tmp(i+1,j) && tmp(i,j)>tmp(i+1,j+1) bw1_re(i,j)=255; end end end

figure,imshow(mat2gray(bw1_re(2:m+1,2:n+1))

);

5、分别统计出大齿轮和小齿轮上面齿的个数和每个齿轮上齿之间的角度

[labeled,numobjects]=bwlabel(mat2gray(bw1_re(2:m+1,2:n+1)),8);%大轮90度的数目

>> j=numobjects*4 %大齿轮总数目

cropimg1 = imcrop(mat2gray(bw1_re(2:m+1,2:n+1)));%裁剪90度

imshow(cropimg1)

[r,c]=find(cropimg1==1); num1=length(r); >> num1

num1 =

27 %小齿轮90度的齿数

>> j1=(num1-2)/2 j1 =

12.5000

>> min=j1*4 %小齿轮总的齿数

min =

50

6、结束语：

在传统的检测像素的82邻域点优化轮廓

算法基础上, 提出的一种实用的42邻域点轮廓提取方法,该方法通过删除曲线上多余点,可以达到用最少的点来表示一条曲线的目的。参考文献

实验结果表明该优化轮廓的简化算法,可获得准确的齿形检测数据,能满足基于计算机视觉检测的要求。

1 阮跃. 塑料齿轮的成型缺陷分析与对策[J ] . 模具制造,2004 (3) :39～40.

2 刘庆民,王龙山,陈向伟,等. 电极圆锥内螺纹的非接触测量[J ] . 农业机械学报,2005 ,36 (6) :98～101. 3 赵茂程,郑加强,林小静,等. 基于分形理论的树木图像分割方法[J ] . 农业机械学报,2004 ,35 (2) :72～75.

4 杨福增,张艳宁,王峥,等. 基于小波变换的Wiener 滤波算法去除苹果图像噪声[J ] . 农业机械学报,2006 ,37 (12) : 130～133.

5 黄方林,何旭辉,陈政清,等. 识别结构模态阻尼比的一种新方法[J ] . 土木工程学报,2002 ,35 (6) :20～23 ,31.

6 曾储惠,黄方林,柳成荫,等. 基于信号能量分析的结构阻尼比识别方法[J ] . 振动与冲击,2003 ,22 (2) :66～68 ,42.

7 王济,胡晓. MATLAB 在振动信号处理中的应用[M] . 北京:中国水利水电出版社,2006.

8 孙晖,赵菁,朱善安. 基于经验模态分解的冲击脉冲法研究[J ] . 农业机械学报,2005 ,36 (10) :134～137.

本文来源：https://www.bwwdw.com/article/2n91.html