摘要：由于有些机械加工零件的表面质量和加工精度的要求非常严格，在某些对零件的高要求的自动化行业中，必须对其进行有效的、可靠的分析与检测，从而极大地提高了产品的表面质量。因此，采用图像角点匹配技术对工件表面的纹理缺陷进行正确的检测，对产品的质量起到很大的作用。文章从机械部件的表面检测和分析入手，对检测结果进行了一定的分析，为工业生产提供了有力的支撑。

关键词：机械加工零件;缺陷检测;质量

引言

目前，随着工业生产的日益激烈，机械部件的表面检测技术已广泛地用于对产品的质量进行控制，而在对机器部件进行加工时，由于刀具的缺陷，会造成工件表面的表面缺陷。虽然都是很小很小的瑕疵，很好辨认，但却无法用数学公式和数学手段来识别，这就造成了这种文理上的缺陷。基于上述原因，对机械部件的表面结构进行了研究，并提出了一种对其进行合理检测的方法，这对于今后的零件检测工作将会有很大的帮助。

1对机械加工零件表面纹理缺陷进行检测的必要性

在现代工业中，机械制造是一项非常重要的工作。在当今竞争日益加剧的情况下，企业必须不断创新，保证质量，以增强企业的市场竞争力。机床部件是机器的重要组成部分。如果产品质量不合格，不仅会对设备造成很大的影响，而且可能造成无法弥补的后果。

在实际的加工中，由于刀具的冲击、材质等因素的影响，工件的表面会产生各种问题，例如方向不准确、反光性能不好等。在对已加工的工件进行表面检查时，会发现其表面有一些细微的纹理瑕疵，这是不可避免的。但是，由于存在着纹理的缺陷，使得用电脑难以对其进行有效的检测，从而影响到产品的质量。因此，加强对机械部件表面结构的检测，既是经济发展的需要，也是社会发展的必然选择。

2基于图像角点匹配的机械加工零件

（1）基于可信度的大小，筛选出被分割的图像中的缺陷检测结果不正确的要被检测的区域，并且对被检测的区域进行连接域的提取和群聚，从而获得多个要检测的区域：获得该图像合成特征的改变的方法是：基于该灰阶共生阵，获得各部位的反差;取得该第2表面影像中各象素点邻近区域中的第2灰阶共生矩阵，并取得各部位的第2对比率;将该第二对比率与该反差进行减去，以得到该图像合成特性在各位置的改变;

通过计算第二灰阶共生矩阵各象素点的第二信息熵来获得复杂性;取得在相应的最佳光源下的每一组要探测的区域的最优图象，将全部的最优图象相应的象素值相加构成一个融合的图象，并对该合并的图象进行语义划分，获得一第二分割的图象，并将该划分图象与该第二分割图象的相应象素点的最大值构成一种检测结果图象，并获得一种检测结果图象。

（2）采用基于语义划分的方法，将图像中的各个象素点进行二次分类，获得各象素点的可信性。

（3）在该可信度大于最小门限并且比最大门限值小的情况下，该可信度相应的象素点的探测结果是不精确的，把它的象素值设为1，而把余下的设为0，从而获得要探测的区域。

（4）取得各连通区域的最小外接矩形，并利用该最小外接矩形的方向与中心点构成相应的连通区域的特征矢量;

基于特征矢量，将所述连接域进行距离群集，从而获得群集，每个群集对应一组要探测的区域。

（5）将该表面影像与该第二表面影像分别转换为具有辉度的彩色空间，并在该亮度通路下获得该光源改变前后的辉度特性影像，并将该影像与该象素点的象素值进行相加，以求各部位之辉度特性之改变。

（6）该方法采用基于不同位置参量的光照条件下的最佳亮度特性，然后由训练完毕的神经网络对当前光源的位置参数进行提取。

3机械加工零件表面缺陷检测与处理

在过滤后的图像中，背景纹理图像会受到抑制，而缺陷纹理图像会得到加强，因此，我们可以使用一种简单的分割算法来共享图像，使背景和瑕疵纹理能够很好地区别出来。另外，在分割后，除了有缺陷的目标抑制外，还存在着与之对应的噪声，因此，要对其进行进一步的处理，可以采取如下措施：

3.1纹理图像分割

针对这一问题，本文提出了一种基于目标函数的聚类算法，该算法的基本思想是通过对采样点进行分区，从而使每个采样点与其所处区域的平均偏差平方差最小，然后通过聚类分析，得出如下的模糊矩阵。

利用上述方法，可以提高纹理图像的清晰度，使其在最优分割条件下恢复到空间图像。同时，为了克服传统的方法存在的问题，本文提出了一种基于小波重建技术的机械零件表面缺陷的分割算法，并利用级数分解法对其进行了分角，从而提高了图像的分辨率。在此基础上，利用一些具体的细节，对其进行优化，即：将均匀的纹理图像去除，并保留瑕疵部分;再利用数学形态学方法，对其进行形态学处理，一方面可以提高缺陷的提取和检测精度，另一方面也能增强图像的完整性和可见性[1]。

3.2缺陷检测算法

基于机械加工工件的表面图像特性，采用共生矩阵法，求出测量的平均数，并将其作为纹理特征矢量，通过对缺陷点的图像进行在线显示，实现了对表面缺陷的实时监测。同时，通过选择合适的聚类数量，采用图像处理板，确保图像处理数据的稳定性和成像的准确性，并对缺陷进行自动分类、统计，并对故障原因进行分析，从而及时发现故障。该方法的具体实现过程如下：（1）在4个方向上求出共生矩阵，求其平均值;（2）初始的群集中心的确定;（3）对聚类中心和隶属度矩阵的计算，调整因子为0.75;（4）通过优化目标函数，获得了优化的聚类数量。

3.3纹理缺陷检测系统的检测流程

（1）纹理缺陷识别系统的基本原理：产品的表面纹理具有很强的方向性，如果该特性被破坏，则会增加被检测到的产品的纹理缺陷。

（2）一种用于零件表面结构缺陷的检测程序：①采用傅里叶加工技术，对已加工的工件进行一轮加工，得到工件表面的纹理图像;②利用顿域滤光器清除图像的纹理方向;③利用 FFT技术对图像进行进一步的处理，最后得出图像的处理结果（在该过程中，图像的背景和缺陷的纹理基本上是分开的）。

3.4检测方法的效果分析

为了将其与机加工零件的表面纹理缺陷检测系统进行比较，采用 KHong检测方法进行比较，并进行了以下的分析。

（1）两种不同检测方法的检测结果

通过对两种检测方法的对比，发现采用表面纹理缺陷的检测结果具有更高的可信度。所以，在产品制造完成后，普通的零件可以通过对产品的表面纹理进行检验，发现有纹理的零件，从而更好地改善整体产品的质量[2]。

（2）机械加工零件表面纹理缺陷检测方法的弊端

在检验机械产品的质量标准时，经常会遇到以下几个问题：①划伤的问题。如果工件的表面划痕与其自身的纹理方向相同，则通常很难处理此类问题;② IFFT和 FFT。通过对工件表面的纹理特征的检测，发现该方法具有较高的速度（目前已基本实现了对工件表面的纹理缺陷的实时检测）。从系统的运行情况来看，这两种方法都不需要太长的时间，但是 IFFT和 FFT的使用时间就超过了90分钟，虽然这个测试系统的时间安排不够合理，但也证明了这一点，这个方法在节省时间的情况下，是非常有用的。

结束语：

本文提出了一种新的方法，用于对工件表面的纹理缺陷进行检测。该方法在分析图像能量的基础上，确定纹理在垂直方向上的能量分布，利用区域象素点的光谱幅度，获得空域图象信息，利用共生矩阵法，确定纹理特征。

参考文献：

[1]肖红，陈希球. 基于图像角点匹配的机械加工零件表面缺陷检测[J]. 机械与电子，2022，40（8）：62-65，70.

[2]黎邹邹. 基于数字图像处理的木材表面缺陷检测研究[D]. 广东：华南农业大学，2018.