汽车安全带扣缺陷检测系统设计分析

随着机器视觉检测技术的快速发展，自动化缺陷检测系统在工业领域得到了快速普及。而受到现有技术条件的制约，机器视觉检测技术在具有规则外形，或者表面较为平整的工件上有着良好的表现，而针对体积较小且表面不规则的零件，机器视觉检测技术的应用具有一定的局限性

。而汽车安全带扣表面结构较为复杂，现有的机器视觉检测技术对于安全带扣表面的凹坑以及裂纹无法做到精准捕捉。针对这一问题，相关工作人员尝试对缺陷检测算法进行优化，加强缺陷检测系统对于数字图像的处理能力，提高在线检测的时效性。

1.1 灰度化处理

工业照相机所采集的图像通常为三通道彩色图片，此类图片具有R、G、B三个分量，每一个分量的取值范围为0～255，图像上的每一个像素点，均由R、G、B三种颜色组成。在检测安全带扣表面缺陷以及几何分量时，不考虑其图像颜色特征，因此可以将图片进行灰度化处理，达到过滤图像噪声以及无用信息的效果，提高缺陷检测效率，为后续的图像处理工作奠定良好的基础。本次设计的缺陷检测系统采用图像灰度处理技术，将图像每一个像素点的R、G、B分量进行加权平均，得到像素点对应的灰度值，计算公式为：

gray=0.299×R+0.587×G+0.114×B

(1)

1.2 仿射变化

对图像进行灰度化处理之后，需要利用仿射变化将每一个像素点进行线性转化以及平移，将其投射到另一个向量空间中，其转化公式如下：

(2)

分析公式(2)可以发现，借助仿射运算法则对灰度化图像中的像素点进行位置转变，在不改变图形形状的情况下，根据实际需要对灰度图像进行五种转变：①平移；
②缩放；
③剪切；
④翻转；
⑤旋转。其中旋转与平移是直接对图像进行仿射变化，从类型上看属于刚性变换。缩放则是按比例将图像放大或者缩小，翻转是以图像的某一个点为基点，围绕该点将图像旋转一个角度。以上五种转变中，非平移仿射转变可以用下面的矩阵表示

。

(3)

不同的变换方式所对应的

、

、

、

数值不同，灰度图像经过变换之后其原点坐标位置保持不变，这种变换方式被称为线性变换，为了满足缺陷检测需求，需要增加矩阵维度，将平移变换包含在内。

(4)

变换矩阵拥有统一的描述方式，其仿射变换会根据约束量的不同而发生变化。借助仿射变换矩阵，可以对灰度图像进行非线性或者线性变换，根据后续检测需求对图像进行调整，降低后续图像识别及判断工作的难度。图1为灰度图像仿生变换示意图。

1.3 图像滤波

目前常用的图像滤波方式包括均值滤波、中值滤波、高斯滤波以及双边滤波等。考虑到安全带扣图像特点，本次设计使用双边滤波技术对图像进行降噪处理。

1.4.2 动态阈值分割法

双边滤波的计算原理是借助加权平均法，在确保图像边缘不变的情况下进行滤波，经过双边滤波所得到的灰度图像像素值代表该像素的强度，这种滤波方式涉及像素之间的欧式距离以及像素辐射差异，是对于像素相似度以及像素空间邻近度的一种折中处理，其计算公式为：

节奏管理，是管理工作中的一种艺术，其含义属于抽象概念，其实质是按时间节点有序地对项目的实施进行管理。不仅是工程施工中需要节奏的管理，各个行业均适合应用节奏化的管理。

欧米茄腕表之所以能够获得至臻天文台认证，源于品牌的先锋精神，不断挑战制表极限及对机心工艺革新的不懈追求。

(5)

公式(5)中，

代表输入的图像，

代表经过滤波处理的图像，

代表空域高斯函数标准差，

代表搜索窗口，利用双边滤波公式对灰度图像进行降噪，如果安全带扣表面存在缺陷，在光照作用下其灰度值要高于背景灰度值，利用双边滤波法能够有效处理灰度图像上的白点以及脏污

。

1.4 图像分割

目前常用的基于全局值域的图像分割方式，包括直方图法、动态阈值分割法、自动阈值分割法等。本次设计中为了提高图像分割准确性，组合使用直方图法、动态阈值分割法。

1.4.1 直方图法

在图像识别系统中，图像边缘特征检测十分重要，所谓的边缘特征即图像灰度值产生剧烈变化的区域。使用一阶导数得到图像边缘亮度梯度变化数值，一阶导数的峰值代表灰度图的边缘，以图像边缘特征为基础对待检测图像进行分割。如果安全带扣工件表面存在凹坑以及划痕，则缺陷部位的边缘特征会十分明显，缺陷检测系统会快速识别含有缺陷图像特征的图像，判断该工件存在质量缺陷

。

第三步，利用find_shape_model算子检索待检测图像，输出匹配模板个数以及位置信息。

3)Whatarethe difficultiesin writing an application letter?

实际采集图像过程中，无法确保目标对象具有规则的外形以及稳定的光照环境，这种情况下坚持使用固定全局阈值对图像进行分割，无法照顾到图像的整体情况。此时就要使用动态阈值分割法，依据子图像在图像整体中的位置以及其亮度分布，为每一个子图像分配相对应的阈值，确保每一个子图像都拥有独立的自适应阈值，强化对于图像特征的提取，这种图像分割技术对于图像噪声具有良好的抵抗能力，在处理光照不均匀图像时能够发挥出理想效果，但对于设备的性能要求较高。在实际使用过程中，根据图像的实际情况，灵活选择直方图法或动态阈值分割法对图像进行分割。

能够影响安全带扣缺陷检测效果的因素有很多，例如检测系统的稳定性检测时效性，在众多影响因素中，缺陷检测算法是提升检测准确率的直接影响因素，也是确保缺陷检测工作能够稳定运行的基础。实际开展缺陷检测工作时，想要提升缺陷检测准确率，就必然需要处理更多的数据，数据体量的急剧膨胀使得对线检测系统对于算法的要求变得更高，需要对缺陷检测算法进行精简，在确保检测准确度的前提下提高检测效率，在检测速度与检测精度之间寻找平衡

。

安全带扣表面所存在的缺陷主要以凸起、凹坑、毛刺、裂纹等为主，设计人员基于安全带扣缺陷大小以及类型特点，综合考虑图像处理方式以及安全带扣质量要求等因素，科学配置函数及相关参数，并对缺陷检测算法进行优化。在实际开展区县检测工作过程中，可以将安全带扣表面缺陷大致分为两类，凸块缺口缺陷以及凹坑划痕缺陷。

2.1 凸块、缺口缺陷检测

得到图像边缘灰度值的梯度方向与幅值之后，将梯度强度未达到峰值的像素点设置为0，得到完整的边缘轮廓，设定低阈值

1与高阈值

2，将灰度值大于

2的点标记为缺陷强边缘，将灰度值低于

1的点标定为图像背景，进而确定缺陷边缘轮廓。

但我们也应注意，一方面，文辞、曲律并非戏曲审美的新鲜元素，在元代以来的多种对元曲成就有所标举的曲论中，均是重要的审美构成与评价标准，其于嘉、万时期的抬升，有着承应元人艺术审美因子的性质。另一方面，文辞、音律一直是文人曲学的主要审美构成，因此这些艺术性要素的抬升，也实则是明代戏曲文人化发展脉络的重要表现。

2.1.1 基于图像灰度值进行模板匹配

对工业照相机拍摄的图像进行灰度化处理之后，提取模板图像灰度值，比较待检测图像灰度值与模板灰度值之间的差异，如果数值差异在差异阈值范围内代表头像匹配成功，如果由于图像噪声较多，导致待检测图像特征不清晰，可以将图像的灰度测证作为匹配目标进行模板匹配，通过特定的算法得出原始图像与待检测图像的相似度，待检测图像中的每一个像素点均包含了图像的一部分信息，因此通过比较待检测图像与原始图像的灰度值，就可以得到二者灰度值相似度信息，锁定相似度最高的像素点区域。

与核形石、藻叠层的对比发现，生物鲕层的形成过程为：当鲕粒变大，不能悬浮时，相互的碰撞、摩擦就少了，微生物就较长时间的附着其上。有微生物的参与，低能鲕层的生长较快，所以形成的层理较厚，且富含有机质。

入组及排除标准[3]：均符合糖尿病临床诊断标准；
均知晓本次实验；
对本次实验所用药物无过敏史；
排除恶性肿瘤、酮症酸中毒、心力衰竭、急性感染、自身免疫性疾病、精神疾病等患者。本研究经医院伦理委员会同意批准。

这种模板匹配方式过程较为简单，无需预处理缓解且具有很高的准确度，但是这种模板匹配方式对于待检测图像的质量要求较高，如果待检测图像不清晰或者存在大量噪声，会严重影响匹配精度，因此这种匹配方式在实际运用过程中具有一定的局限性。

2.1.2 基于图像形状进行模板匹配

将表1的数据代入公式(1)即可得到各评价指标的云模型参数，取k为0.01。运用正态云发生器分别对上述10个评价指标生成相对应的综合云模型，并选取其中结构面的倾角指标和mrqd指标的云模型，分别如图1和图2所示。

通过对拍摄图像进行特征提取，确定待检测图像轮廓并创建形状模板。这种匹配方式的优势在于对于环境变化的适应性较高，特别是待检测图像在仿射变化时出现缩放、位移等情况时，可以借助形状模板对待检测图像进行精准判断。实际工作中为了进一步提高模板匹配精度，可以利用多个形状模板反复确认图像是否与模板相匹配，条件允许的情况下还可以将完整的图像作为模板，扩大特征提取范围。本次设计中，相关工作人员采用基于形状的模板技术，对安全带扣表面缺陷进行粗检，完成图像边缘检测之后对待检测图像进行形状匹配，低于设定匹配分数的图像会被认为带有缺陷(如图2所示)。

2.1.3 形状匹配具体 流程

步骤一：对缺陷检测处理流程进行简化，将待检测图像的局部作为模板，确定待检测图像的模板区域，并在确保工件位置摆放正确的前提下，对其进行仿射变换，利用gen_rectangle算子，生成矩形区域，再利用reduce_domain算子，沿着矩形区域的边缘将原图中待检测区域的局部裁剪下来，得到有关在检测图像的矩形ROI区域(感兴趣区域)。

步骤二：在得到ROI区域之后，运用create_shape_madel算子创建形状模板，由于汽车安全带扣件缺陷检测台采用水平传送方式，因此图像仅为水平方向位移，在不借助其他算子的情况下就可以得到形状模板。

（4）统计落入网格u′中数据点的数量，判断其是否满足 density（u′）≥ τ，若满足则将网格 u′标记为稠密网格，考察其余稀疏网格单元。图3为在二维空间中使用滑动网格方法进行网格修正。

2.2 划痕、凹陷缺陷检测

2.2.1 缺陷特征

直方图法的计算原理是以图像的灰度直方图为基础计算图像灰度的波峰与波谷，根据波峰波谷数据的大小确定最佳阈值，这种方法在背景灰度与目标灰度差异较大的情况下能够发挥出理想的效果，如果图像受到噪声以及光源的影响而出现多个波峰，其处理图像细节的能力就会减弱。

2.2.2 边缘检测

在介绍第一份报纸《中国日报》时，“资产阶级民权思想”翻译成了“civil rights thoughts”，而“civil rights thoughts”只是民权思想的意思。专有名词的错译可能会导致外国游客误解原文意思，不利于达到向外国人传达正确红色文化信息的目的性。“资产阶级民权思想”应该翻译成“Bourgeois civil rights thoughts”。

对灰度图进行双边滤波之后，得到较为光滑的待检测灰度图G

与G

，此时利用canny算子对待检测图像的灰度值方向以及幅值进行计算。使用一阶有限差分公式计算P与Q(偏导数阵列)。

′(

,

)≈

=[

(

+1,

)-

(

,

)+

(

+1,

+1)-

(

,

+1)]

2

′ (

,

)≈

=

(

,

+1)-

(

,

)+

(

+1,

+1)-

(

+1,

)]

2

(6)

凸块、缺口缺陷是安全带扣件表面常见的一种问题，设计人员尝试创建一套基于模板匹配的缺陷识别方法。在提取图像特征时，利用不同的工业相机对同一个工件进行图像采集，或者利用一台工业相机针对某一个工件，在不同的环境以及时间采集多组图像。得到图像之后，利用缺陷检测算法对图像进行比较，寻找不同图像中所拥有的相同特征。

2

2

3 形态学处理

爬坡高度h=5 m、混合物流速Vm=6 m/s、泥浆体积分数Cv=20%工况下，爬坡管段部分截面处混合物切向速度云图和矢量图见图5，其中图5a)～图5f)分别为弯头1入口、弯头1出口、弯头2入口、弯头2出口、X=5D和X=20D处的截面。速度云图与矢量图相对应，云图反映垂直主流动方向的分速度数值大小，矢量图反映分速度的方向和相对大小，明显出现叠加于主流之上的流动，这称为二次流现象，在管道内横截面内形成反向的涡流，涡核的位置在管道截面中对称分布。[12]

确定待检测图像的边缘轮廓之后，部分图像中依然存在噪声，因此需要图像进行形态学处理。常见的形态学处理方式包括腐蚀、膨胀以及开闭运算，本次设计中主要使用膨胀法对图像进行处理。该方式以图像的二值图作为基础，对存在噪声的区域进行放大并加粗，以图像的结构元素为基础灵活调整图像的碰撞程度，其公式为：

(7)

公式(7)中，B为结构元素，当该元素平移至点z之后，若图像A中有任意一个像素点与B点重合，则对该像素点进行膨胀，通过这种方式避免图像边缘亮度过高而影响缺陷检测精度。

3.假设单件化妆品的不含税价为P,买家购买套装相对于分别购买套装内所含产品的可享优惠率为R，则套装化妆品的不含税价为2P（1-R）。令，P≤2000，2P（1-R）>2000。

根据自网易考拉中选取的100组不参与活动打折的单件和套装化妆品样本，以“优惠率=[单件价-(套装价/套装所含件数)]/单件价”计算得知，优惠率R大多集中在0.15%-1.75%。

2.2.4 特征提取

在平时学习数学知识内容的时候，作为高中生的我们不可能面面俱到理解掌握所有的数学课本知识，具体而言，我们可能当时在学习某一知识点的时候就没有理解透彻；
还可能理解学习了某些知识内容，但是经过一段时间以后又遗忘了；
等等。鉴于此，在平时学习过程中，我们就需要时时对自己一段时间的学习情况进行反思总结，从而在及时进行查漏补缺过程中助力自身数学综合能力稳步提升。

针对完成预处理以及差分运算的图像，要对其表面存在的缺陷进行标定，同时消除图像过亮的边缘以及图像噪声，突出图像特征，以此来定位安全带扣工件表面缺陷具体位置。

步骤一：对待检测图像进行裁剪，通过形态学计算(本文中采用膨胀法)得到具体的缺陷检测范围。

步骤二：对ROI图像进行阈值分割，运用median_image算子分割图像的缺陷特征，并将灰度值补偿值调整为30，将亮度高于参考图的区域标记为缺陷检测区域。

第三步：提取缺陷特征。使用connection算法将图像划分为若干个连通域，再以连通域的面积特征为基础，选出缺陷特征像素点数量超过25个的区域，将其标记为“缺陷区域”，利用这种方式判定安全带扣是否存在缺陷

。

为了保障驾驶员以及乘客的生命安全，需要对安全带扣质量进行严格把关，基于机器人视觉检测技术，对安全带扣表面缺陷检测模式进行升级，提升检测工作效率以及进度，实现对于安全带扣工件生产质量的严格把控。

[1]杨利,陈柳松,谢永超.基于机器视觉的芯片引脚缺陷检测系统设计与实现[J].计算机测量与控制,2021,29(07):16-20.

[2]刘国华,孙宝佳.基于机器人视觉的坩埚缺陷检测系统[J].机械设计,2019,36(02):40-45.

[3]李天建.基于机器人视觉的汽车零配件表面缺陷检测算法研究与实现[J].沈阳大学学报(自然科学版),2013,25(06):476-480.

[4]宋国荣,刘兴奇,王洋,吴斌,何存富.视觉化机器人远程监控系统的设计与实现[J].计算机测量与控制,2013,21(10):2689-2691.

[5]李天建.汽车零配件表面缺陷检测算法研究与实现[J].福建工程学院学报,2013,11(04):364-368.

[6]李见为.自动视觉检测中的启发式图象预处理方法[J].光电工程,1995(03):36-42.