詹芝青

摘要：現(xiàn)代工業(yè)對于機(jī)械零件的質(zhì)量要求越來越高，因此在機(jī)械加工中保證零件的質(zhì)量十分重要，本文圍繞基于圖像識(shí)別的機(jī)械零件質(zhì)量檢測方法進(jìn)行綜合探討，首先對機(jī)械零件質(zhì)量檢測中所應(yīng)用到的圖像識(shí)別技術(shù)進(jìn)行了常用類別介紹，然后對具體的圖像識(shí)別技術(shù)檢測應(yīng)用方法進(jìn)行了闡述。

關(guān)鍵詞：圖像識(shí)別技術(shù);機(jī)械零件;質(zhì)量檢測;應(yīng)用方法

引言

目前的機(jī)械零件質(zhì)量檢測技術(shù)應(yīng)用水平仍處于發(fā)展中，圖像識(shí)別技術(shù)就是眾多機(jī)械零件質(zhì)量檢測技術(shù)中較為常用的一種。相關(guān)操作人員通過操控該技術(shù)進(jìn)行質(zhì)量檢測能夠?qū)崿F(xiàn)對機(jī)械零件尺寸的精準(zhǔn)把握，從而讓機(jī)械零件成品呈現(xiàn)出良好的應(yīng)用價(jià)值。

一、機(jī)械零件質(zhì)量檢測中的圖像識(shí)別技術(shù)

1模糊匹配識(shí)別技術(shù)

模糊匹配識(shí)別技術(shù)是一種較為基礎(chǔ)的識(shí)別技術(shù)，應(yīng)用模板對檢測圖像中的一些區(qū)域進(jìn)行檢測，然后在矩陣中形成對應(yīng)的符號(hào)和數(shù)字。例如機(jī)械零件，利用同類模板進(jìn)行圖像比對，然后在實(shí)際操作中對相同模板的物體進(jìn)行替換。在進(jìn)行模板匹配的過程中，從待識(shí)別圖像中提取若干特征向量與模板對應(yīng)的特征向量進(jìn)行比較，計(jì)算圖像與模板特征向量之間的距離，用最小距離法判定所屬類別，這種技術(shù)的實(shí)際操作會(huì)受到現(xiàn)實(shí)情況的限制，例如拍攝角度，光線亮度，背景改變等，因此在目標(biāo)匹配中需要更多的模板，并且應(yīng)該具有一定的適配性，從避免機(jī)械零件設(shè)計(jì)過程中出現(xiàn)浪費(fèi)現(xiàn)象。

2神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)

神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)的概念就是通過某種特定的方式讓大量神經(jīng)元實(shí)現(xiàn)相互連接，從而構(gòu)成復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，在圖像識(shí)別質(zhì)量檢測中，單個(gè)神經(jīng)元的檢測能力較為簡單、有限，但是由多個(gè)神經(jīng)元組成的神經(jīng)系統(tǒng)結(jié)構(gòu)則較為復(fù)雜，并具備單個(gè)神經(jīng)元的所有功能，是一種極為強(qiáng)大的檢測系統(tǒng)，這種神經(jīng)網(wǎng)絡(luò)系統(tǒng)會(huì)模擬人工智能，實(shí)現(xiàn)模擬、抽象以及簡化操作。

對于神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)而言，能夠?qū)θ说母兄^程進(jìn)行虛擬模擬，這樣就使得這項(xiàng)技術(shù)具備了自主學(xué)習(xí)能力以及較強(qiáng)的識(shí)別能力，應(yīng)用該項(xiàng)技術(shù)進(jìn)行機(jī)械零件質(zhì)量檢測不僅能夠代替人工檢測的方式，而且精度較高，檢測方式也較為靈活。在檢測中，對于需要同時(shí)考慮的多種條件以及多種影響因素，神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)都能夠很好適應(yīng)，并對圖像識(shí)別進(jìn)行精準(zhǔn)處理。

但是這種技術(shù)也存在一定的缺陷，就是神經(jīng)網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練周期較長，并且訓(xùn)練所需的數(shù)據(jù)量較大，因此整個(gè)收斂精度較慢，不成熟的神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)識(shí)別精度很難達(dá)到相關(guān)要求，并且深度學(xué)習(xí)技術(shù)對于小目標(biāo)物體的檢測也有很大限制。

3統(tǒng)計(jì)識(shí)別技術(shù)

統(tǒng)計(jì)識(shí)別技術(shù)是針對研究物體進(jìn)行圖像統(tǒng)計(jì)和分析，以此來找出物體外在和內(nèi)在的客觀規(guī)律，并反映出物體本質(zhì)的圖像特征，通過這些數(shù)據(jù)進(jìn)行圖像識(shí)別。統(tǒng)計(jì)識(shí)別技術(shù)主要是以書序模型作為基礎(chǔ)，該技術(shù)應(yīng)用的過程中產(chǎn)生的誤差會(huì)非常小。最為常用的統(tǒng)計(jì)識(shí)別模型主要包含兩種，其一是馬爾科夫的隨機(jī)場模型，其二是貝葉斯模型，統(tǒng)計(jì)識(shí)別技術(shù)是基于數(shù)據(jù)進(jìn)行識(shí)別的一種技術(shù)，在估算概率問題時(shí)會(huì)受到數(shù)據(jù)限制。

二、圖像識(shí)別技術(shù)在機(jī)械零件質(zhì)量檢測中的應(yīng)用方法

1圖像分析

圖像分析的內(nèi)容主要體現(xiàn)在幾個(gè)方面。其一，二值化的圖像處理在計(jì)算機(jī)處理中發(fā)揮著重要的作用，它屬于傳統(tǒng)的opencv圖像處理技術(shù)，主要包括：最大類間方法法（OSTU），迭代閾值法，P分位法，基于最小誤差的全局閾值法、局部閾值法、全局閾值與局部閾值相結(jié)合的方法，二值化圖像處理能夠更好地分析出圖像的固有特點(diǎn)，并對圖像中的分析對象進(jìn)行分離，從而在分離對象中提取二值化對象。其二，從圖像分割層面分析，圖像分割過程中所應(yīng)用的技術(shù)種類較多，有直接、間接、多限門的技術(shù)使用等，在多限門技術(shù)中，該項(xiàng)技術(shù)能夠根據(jù)目標(biāo)區(qū)域的灰度來分割圖像，比較常用的有基于形態(tài)學(xué)的分水嶺分割算法。其三，在檢測圖像邊緣的過程中，檢測數(shù)據(jù)表達(dá)的圖像特征主要體現(xiàn)在圖像的灰度、圖像的紋理以及線條特征、圖像的角點(diǎn)等，還有一些其它的非圖像特征，例如幅度以及變換系數(shù)等。圖像邊緣檢測算法主要有Sobel， Scarry， Canny， Laplacian，Prewitt， Marr-Hildresh等算子。

2圖像識(shí)別

機(jī)械零件質(zhì)量檢測中的圖像識(shí)別主要包含兩個(gè)方面的內(nèi)容。

其一是選擇特征參數(shù)，機(jī)械零件可能出現(xiàn)點(diǎn)蝕、結(jié)構(gòu)缺陷、裂紋和折斷等問題，在選擇特征參數(shù)的時(shí)候應(yīng)該根據(jù)具體的質(zhì)量問題來選擇合適的特征參數(shù)，然后對圖像進(jìn)行分析，從而獲得更多的信息，可以采用預(yù)處理等方式來選擇圖像的形狀特征，然后對圖像的形狀特征進(jìn)行綜合比對，形狀特征中需要進(jìn)行參數(shù)提取的單位有圖像的凸凹度、圖像的矩形度、圖像的圓度、圖像的伸長度這四種參數(shù)，針對圖像的凸凹度形狀特征而言，主要計(jì)算公式為O=t/L，L為圖像的總周長，t則代表圖像同向碼的最大值。

其二是對特征的提取，在對圖像的特征進(jìn)行提取的過程中，通常采用的方式為數(shù)據(jù)形態(tài)學(xué)，依據(jù)數(shù)據(jù)形態(tài)學(xué)來對圖像的形狀特征信息進(jìn)行提取能夠精準(zhǔn)地把握圖像的輪廓，對圖像輪廓進(jìn)行跟蹤標(biāo)記，跟蹤標(biāo)記技術(shù)首先需要對圖像進(jìn)行檢測，然后對圖像中特定的點(diǎn)進(jìn)行跟蹤，然后對跟蹤得到的參數(shù)進(jìn)行運(yùn)算，并不是所有的點(diǎn)都需要跟蹤，特定的點(diǎn)主要是指能夠代表圖像形狀特征的點(diǎn)，因此這些點(diǎn)的數(shù)量也有限，為圖像的標(biāo)記跟蹤技術(shù)使用降低了操作難度，采用輪廓跟蹤技術(shù)進(jìn)行圖像檢測跟蹤需要注意一些技術(shù)應(yīng)用方面的問題，其中最為重要的問題就是當(dāng)跨步到黑區(qū)后，再向白區(qū)跨步，那么需要進(jìn)行跨步右轉(zhuǎn)，直到跨出白區(qū)位置，當(dāng)對象循環(huán)一周后回到起點(diǎn)時(shí)，整個(gè)循環(huán)的軌跡路徑就是對象物的主要輪廓。

三、結(jié)束語

綜上所述，機(jī)械零件在制造或者運(yùn)行的過程中難免會(huì)出現(xiàn)一些破損情況，這些破損會(huì)造成機(jī)械零件的質(zhì)量問題，例如出現(xiàn)裂縫、折斷或者機(jī)械零件的表面缺陷，這些質(zhì)量問題都會(huì)嚴(yán)重影響到機(jī)械零件的正常運(yùn)行質(zhì)量和使用壽命，如果機(jī)械零件參與到生產(chǎn)中，那么生產(chǎn)的安全系數(shù)就會(huì)大打折扣，因此需要對其進(jìn)行定期或者不定期的圖像識(shí)別技術(shù)檢測，以此來維護(hù)機(jī)械零件的質(zhì)量。

參考文獻(xiàn)：

[1]方強(qiáng).機(jī)械零件質(zhì)量檢測中圖像識(shí)別技術(shù)的應(yīng)用[J].山東工業(yè)技術(shù).2018（07）

[2]陳紅玉.試論圖像識(shí)別技術(shù)如何運(yùn)用于機(jī)械零件質(zhì)量檢測[J].山東工業(yè)技術(shù).2018（11）

[3]劉烜.探討圖像識(shí)別技術(shù)在機(jī)械零件質(zhì)量檢測中的運(yùn)用[J].科技視界.2019（08）