探討圖像識別技術在機械零件質量檢測中的運用
來源:用戶上傳
作者:
摘要：在機械零件生產過程中，對其質量進行可靠檢測是不可缺失的環節，而為了保證機械零件質量檢測的可靠性，則可合理利用圖像識別技術對機械零件中存在的缺陷部位展開成像處理，從而分析圖像的特征去判定機械零件是否存在質量缺陷。鑒于此，文章將主要針對機械零件質量檢測中對圖像識別技術的運用展開分析，以期為同行從業者提供參考。
關鍵詞：圖像識別技術;機械零件;質量檢測;運用
在過去的機械零件質量檢測工作中，由于采取人工檢測的方式會受到人為因素的影響，常常會因為人眼疲勞而導致質量難以把控，無法達到100%的合格率。隨著科技水平的不斷提升，計算機技術與自動化技術得到快速發展，許多領域也與先進技術融合，在機械零件質量檢測工作中也率先運用了圖像識別技術，大大改善了過去人工檢測的不足，不僅降低了勞動量，也提高質量檢測效率與合格率，文章便針對機械零件質量檢測中所運用的圖像識別技術及其具體運用展開分析。
一、機械零件質量檢測中運用的圖像識別技術
?。ㄒ唬┠０迤ヅ渥R別技術
該識別技術屬于識別技術中最為基礎的一種，其中模板也即是為了能夠檢測出機械零件圖像中的區域特征，利用量化或符號化所形成的矩陣，將已知物體圖像與模板中所有的未知區域展開比對，之后將某個未知物體與模板展開匹配，所以這一物體便會被認定為與模板相同的物體[1]。模板匹配識別技術的優勢在于操作極為簡單，然而也存在一定的限制性，體現在為了對所有物體的規格與方向進行匹配，則要設置出數量巨大的模板，這些體量巨大的模板得以儲存，便會造成經濟層面上的較大浪費。
?。ǘ┥窠浘W絡識別技術
該項識別技術主要是指由大量神經單元以某種特定方式進行連接所形成的復雜神經網絡系統，盡管單個神經單元的構造與功能非常簡單，但神經單元達到一定數量且形成了神經網絡系統之后，便能夠得到更為復雜的結構與多樣化的功能，神經網絡系統可視作為對人腦的模擬與簡化[2]。神經網絡識別技術能夠對人的感知過程進行模擬，存在一定的自學與識別功能，擁有強大的自適應能力及聯想組織能力，可以同時間綜合考慮多重因素問題。然而，在神經網絡識別技術的實際運用中，需要對其進行長時間且大量的訓練，否則在識別速度與準度方面難以保證。
?。ㄈ┙y計識別技術
該項識別技術指的是對物體圖像展開大量的統計分析，從中總結出物體的規律與能夠反映出物體實質的圖像特征，從而展開圖像識別。實際上，統計識別技術主要基于書序模型，其優勢在于分類誤差極小?，F如今，使用最為頻繁的統計識別模型有貝葉斯模型，而因為該項識別技術需要數據基礎，所以在對概率問題進行估算時會促在一定限制。
二、圖像識別技術在機械零件質量檢測中的具體運用
（一）焊縫圖像預處理
在焊縫圖像預處理過程中的運用，我們主要以零件輪廓的齒合標準輪廓進行匹配的過程舉例，由于在機械零件處理中出現凹坑形狀的故障會造成諸多不便，原因在于原零件過大且缺陷集中在無規則凹坑部位表面，在實際操作中應當將其擴大。
基于圖像灰化層面進行分析，因為計算機在色彩表達方面非常豐富，所以這一點往往會被人們所忽視。實際上我們從相關光學研究能夠了解到，無論何種色彩都來源于紅、藍、綠三色的疊加，僅僅是疊加比例的不同而已。所以，從理論上來講，同量色彩疊加便會得到白色，不過在實際操作中由于人眼對顏色敏感度存在差異，因此即便顏色量相同，在混合中也無法完全得到白色，所以需要結合實情去微調顏色混合比。
基于圖像平滑化層面進行分析，圖像也會存在噪點，成因主要為如下幾個方面：如果攝像過程中光學系統為失真運動、流動狀態，便會出現散點情況而導致有一定的模糊;圖像質量的優劣與照明相關，自適濾波要比線性濾波的效果更好，原因在于自適濾波在保護圖像邊緣與細節處理方面會起到更好作用，然而中值濾波會造成圖像小范圍區域丟失情況出現，所以在綜合比對之下筆者認為自適濾波的效果會更好。
?。ǘ﹫D像分析
將圖像識別技術運用在機械零件質量檢測中，其中圖像分析的主要內容包含如下三點：①二值化圖像處理。在計算機圖像處理過程中，二值化圖像處理屬于關鍵性步驟，為了可以對圖像的特征展開更好的分析，一般來講應當對圖像當中的分析對象進行分離，而經過二值化處理后的圖像，能夠將相應的處理邊緣從圖像中提取出來;②圖像分割。圖像分割能夠選用的方法眾多，一般來講常用的為多門限法、直接門限法與間接門限法，在合理利用門限算法的基礎上，能夠根據灰度背景區域與目標區域之間的對比差異，從而對圖像進行分割;③圖像邊緣檢測[3]。針對圖像特征來講，也即是圖像影視屬性與特征，具體包含灰度邊緣特征、紋理和角點特征及線條特征，同時也包括幅度特征、變換系數特征等信息，通過圖像邊緣檢測，可以更好地識別圖像的邊緣性能。
?。ㄈ﹫D像識別
在對機械零件質量進行檢測的過程中，圖像識別具體表現在如下兩點：①對參考數據進行合理有效的選擇，一般來講機械零件主要出現的質量問題為裂紋、折斷以及無規律缺陷等等，因此在選擇圖像參考數據時一定要結合機械零件的質量要求作出合理選擇。通過獲取到相關的圖像信息，并且做好圖像預處理工作，在綜合考慮圖像特征的前提之下，所需要的參數通常有矩形度、凹凸度、伸長度以及圓度等等;②在獲取圖像特征的過程中，應當利用數學形態學理論，主要的方法可分為標號法、鏈碼法等等，當然最常用的便是輪廓跟蹤法，在使用中要先行對圖像的點展開檢測，才能夠進行跟蹤運算。
三、結束語
綜上所述，為了避免機械零件在后續投入使用中出現斷裂等質量問題，則需要在制造過程中對機械零件展開有效的質量檢測。傳統的機械零件質量檢測主要采取人工檢測方式，不僅效率較低且出錯率偏高，所以通過運用圖像識別技術進行檢測，能夠實現高準度、高可靠性的效果。因此，筆者認為在機械零件質量檢測中，圖像識別技術值得推廣使用，從而全面提高生產效率。
參考文獻
劉烜.探討圖像識別技術在機械零件質量檢測中的運用[J].科技視界，2014（23）：120–120.
陳紅玉.試論圖像識別技術如何運用于機械零件質量檢測[J].山東工業技術，2018，278（24）：14.
王慧英.圖像識別技術在齒輪質量檢測中的應用[J].機械設計與制造工程，2007，36（17）：73–76.
轉載注明來源:http://www.hailuomaifang.com/1/view-14929535.htm
