五一劳动节-自我鉴定毕业生登记表

基于Labview的图像测量分析系统设计

摘 要: 为了能实时检测工件生产状况，把零件疵点缺陷标记出来并
进行分类，本文研究 了适用于生成零件表面缺陷检测的实时检测系统，
论述了其硬件结构和软件流程，提出了一种基于虚拟仪 器的快速有效的
检测算法，对采集的图像进行实时分析、处理与识别。结果表明，该系
统可以有 效地检测出零件的疵点和疵点的类别。

关键词: 虚拟仪器；表面检测；智能相机；零件缺陷


Abstract：In order to detect the workpiece production situation, put the
parts defect defect marking and classification, this paper studies the
real-time detection system is suitable for the detection of surface
defect parts, discusses its hardware structure and software flow, this
paper proposes a fast and effective detection algorithm based on
virtual instrument, real- time analysis, the acquisition of the image
processing and recognition. The results show that, the system can
effectively detect the parts of the defects and defects.

Keywords : Labview；Online detect；Grey Cloth Defect

目录
一：概述 .................................. .................................................. ....... 5
二：原理 ............................... .................................................. .......... 6
三：系统设计 .......................... .................................................. ....... 7
3.1 硬件设计： .......................... ................................................. 8
3.2检测和分类算法设计 ............................... ............................. 9
VBAI 图像检测过程 . .................................................. .. 11
3.4 NI VA 图像处理分析 ....................... .................................. 11
4仿真实验结果 .................................................. ............................ 13
5总结： ......... .................................................. ............................... 14
致 谢 ....... .................................................. ...................................... 15

一：概述
无损检测，就是利用声、光、磁和电等特性， 在不损害或不影响被检对象使
用性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷的大 小、位
置、性质和数量等信息，进而判定被检对象所处状态（如合格与否、剩余寿命等）
的所有 技术手段的总称,本项目研究内容为基于虚拟仪器平台进行机器视觉测量机
械量，主要待测量为零件的可 见缺陷，以Labview为开发工具，将拍摄到的零件图
像与标准零件的图像进行比较.
现代工业，对工件的质量要求不断提高。其质量对产品的牢固程度、 运动性
能、使用寿命等都 有至关重要的影响。然而由于生产工艺流程原因，部分齿轮表面
会出现缺陷，如裂纹、裂缝等，严重影响 产品质量。必须对零件质量进行严格检测。
作为一种广泛应用的机械零件，齿轮在工业发展的历程中发 挥了重要的作用，
齿轮以其独特的地位继续发挥着不可替代的作用。例如圆弧和双圆弧齿轮、双向圆弧齿轮、曲线齿廓齿轮、其它异型渐开线齿轮、双鼓形齿轮、非圆齿轮、任意齿形
齿轮及滚动接触齿 轮等。新型齿轮可以替代大部分齿轮产品，在玩具用齿轮及其系
列产品、家电、仪器仪表的传动齿轮、汽 车用齿轮及其变速箱、减速装置、微型及
小型机电装置等方面广泛的应用着。提高齿轮检测技术是提高齿 轮产品质量的必要
条件。齿轮测量技术随着科学技术的发展而不断前进，先进的计算机技术、激光技术、精密仪器技术、数字信号技术、图像处理技术等不断地应用到齿轮测量中来，
取得飞速的发展。
软件处理部分，主要进行了对齿轮表面缺陷视频检测系统在虚拟 仪器上实现
过程的研究，应用了虚拟仪器和 LabVIEW 相关知识。充 分利用了 LabVIEW 图形化
编程便捷、快速的优点，结合 NI IMAQ 的 强大功能和 NI Vision 的图像处理函数
库，完成了对齿轮表面缺陷图 像的采集、预处理、识别、结果输出等功能。实现了
和硬件的无缝连 接。
经过实践检验，本系统具有稳定、快速、准确的良好特性，满足 了工业现场
对齿轮表面缺陷检测的要求。
通过图像处理来进行工业检测，将比人工检测提高检 测的效率和检测质量。
最终提高企业的效率和竞争力。因此，齿轮表面缺陷视频检测系统的工业应用，有
着广阔的市场前景和研究价值。
机器视觉是研究用计算机来模拟生物外显或宏观视觉功能的科 学和技术。并

一直向着机器视觉更加自然化，更加接近生物视觉方向发展。起源于图像处 理技术
的计算机视觉技术是一门新兴的发展极为迅猛的科学。从简单的二值图像处理到高
分辨率 多灰度的图像处理，从一般的二维信息处理到三维视觉机理以及模型和算法，
研究不断取得了新的进展。 而计算机视觉技术的飞速提高以及人工智能、并行处理
和神经网络等学科的发展，更是推动了计算机视觉 系统的实用化以及许多涉及复杂
视觉过程研究的深入化。
根据机器视觉的应用领域不同，对机 器视觉检测的研究可以分为不同的种类，
不同的学者对分类也有不同的见解。
分类：
(1)零件检验与尺寸测量
(2)零件的缺陷检查
(3)机器视觉用于机器人的研究
把计算机视觉技术和齿轮测量技术结合起来，充分利用计算 机视觉技术的巨大
优势，为齿轮测量技术引入了一种新的具有较高测量精度的非接触综合测量方法，进而期望能够极大地提高齿轮测量水平，促进齿轮工业的发展和进步。
二：原理
机器视 觉是用机器代替人的眼睛和大脑，在一些危险工作环境或人工视觉难以
满足要求的场合来做检测和判断。 机器视觉系统由图像采集、图像处理和结果输出
三部分组成，核心部分是图像处理。NI 机器视觉作为 机器视觉领域的新技术，其遵
循机器视觉领域的理论，如马尔计算理论、正规化理论等。NI 机器视觉在软硬件拥
有创新特点。现阶段 NI 机器视觉图像采集与处理模块为智能相机，或嵌入式视觉
系统配摄像头，或NI CompactRIO 与 NI Single-Board RIO 配摄像头，或 PC 与 PXI
系统（如即插即用板卡和帧接收器和 FPGA 图像处理板卡）配摄像头。智能相机及
嵌入式 视觉系统等运用自动检测技术来配置并处理和分析图像。NI 机器视觉运用
LabVIEW 和一些 基于文本的语言来编写视觉开发模块，模块是结合了数百种科学成
像和机器视觉函数的综合数据库，将其 与 LabVIEW 模块和工具包结合使用，可创建
更多的自定制应用程序，原型设计算法并使用内置的 NI 视觉助手生成代码。因而
NI 机器视觉的图像处理和分析方法充足。NI 机器视觉在质量和过程控 制、半导体
自动化测试、汽车和电子产品、智能化监控以及医疗成像等方面应用广泛。

三：系统设计
典型的PC式机器视觉检测系统结构可分为硬 件部分和软件部分。机器视觉
检测系统由图像采集、图像分析处理、输出检测等几个部分，其中，图像采 集部分
一般包括光源、镜头、智能相机、图像采集卡。
齿轮在线检测系统的软件流程图如图2所示。
开始
提示检测硬
件错误退出
硬件初始
化成功
输入初始化
参数
否
采集图像完
成一帧
延时
图像预处理
特征参数提取
目标识别分类
否
是否有疵点
是
打标，报警
疵点信息存
入数据库

图2 坯布在线检测系统的软件流程图




被测齿轮处于特定的背景中，摄像头安装在零件的上方，照明系统发出平行光束使齿轮产生阴影轮廓成像于智能相机像敏面阵上，并充满整个像敏单元阵列，智
能相机将光信号转 换为电信号传递给计算机的数据采集卡，然后通过基于个人计算
机平台上的图像预处理将其齿轮的边缘从 中提取出来并进行相应的图像处理分析，
与设置的标准模板匹配，判断零件的精度是否在公差允许范围之 内，确定其各项齿
形参数的检测结果并输出。

3.1 硬件设计：
图像采集是一个重要的环节，它将对象的可视化图像和特征转化为能被计算
机处理的一系列数据，由于机 器视觉系统强调精度和速度，所以要及时、准确地提
供清晰的图像。
视觉传感器智能相机的选择：
（1）NI1394 智能相机:由 533 MHz PowerPC 处理器和 720 MHz Texas Instruments
DSP协处理器供电，是机器视觉的实时目标。优质的 Sony CCD 图象传感器可以采
集单色列高精度智能相机测微计，测量精度可以达到12pm，在测量零件的外径，薄
膜厚度等方面有广 泛应用，单个智能相机传感器的测量范围0．3—30mm，采用两路
智能相机传感器可以测量大尺寸， 如活塞的外径等等。
SXGA(1280 x 1024)高分辨率图像。
（2）NI PS-15 电源：NI 系列智能相机的专用电源。为相机提供稳定电源。
（3）上位机：由 NI PMA-1115 便携式 PXI LCD 显示器和键盘附件和 NI
PXIe-1082 配
有交流的 8 槽 3U PXI Express 机箱和 NI PXIe-8133 PXI 平台嵌入式控制
器组成。该上位机性
能稳定，抗干扰能力强，适合用于煤矿复杂恶劣环境。
（4）输出控制继电器：用于控制胶带运输机的电机以进行停车。
（5）防爆声光报警器：用于报警来提示工作人员。
光源的选择：
光源是图像信息 获取模块的另一个重要的组成部分，使用光源是为了突出拍摄
目标的特征，使其不同部分之间具有足够的 对比。
选择合适的光源系统需要考虑以下几个方面：
1．摄像机的视野要求：尽量使光线集 中在视野之内，提高照明效率；光源系
统与被测物体间的距离：调解高度，使被摄物体的特征与背景之间 的对比度尽量大；
2．被测物体的形状、表面状态及颜色：根据被摄物体的形状和表面状态来选
择照明的方式，根据被摄物体的特征部分的颜色来选择合适的光源颜色；
3．突出被测物体的测量细 节部分：要以突出被测物体的测量细节部分作为图
像采集的首要目的，以此选取合适的光源。

图3-3 几种常见光源的主要性能

3.2检测和分类算法设计
软件开发环境
（1）LabVIEW 用于辅助编程
（2）NI 用于自动检测的视觉生成器（NI Vision Builder for Automated
Inspection，简称NI VBAI)，该软件用来配置 NI 1394 智能相机,其是针对完整视
觉检测应用且易于使用的独立开发环境。
(3) NI 视觉助手（NI Vision Assistant，简称 NI VA），其用来进行具体图
像处理和分析。
图像差影是一种图像的代数运算，简单说就是图像 的对应像素进行相减的运算，
所以又称为减影运算。在坯布质量检测中,采集的图像和标准图像进行差影 ，坯布疵
点是两者之间的主要差异。由于坯布图像采集时数据量大，处理精度要求高，同时
考虑 坯布具有单元化、周期性、规则性等特点，所以提出局部差影算法，这样可以
大大减少检测运算量，提高 采集速度，同时方便定位疵点。运用这种处理算法简单，
运算高效，基本可以满足坯布生产中的实时要求 。
机器视觉系统要实现预定的功能离不开相应的计算机软件，图像处理软件要实
现图像数据的 采集，并且进一步通过特定的算法对采集的数字图像进行分析、处理、
最终将结果显示或根据需要传送给 执行机构的控制部分。VC++6.0作为程序的开发
平台。选用这一开发工具的主要原因在于：C++ 语言具有灵活性强，可以方便的实现
自己的算法，便于软件功能的扩展。
在标准图像选取时， 则采用统计的方法，即对无疵点的图像求列行直方图、滤
波，找出坯布一个单元的周期，并求出该单元中 的各个像素灰度的均值，扩展至多
个单元，最终得到一个M×N大小的标准模块图像
g(x,y )
。
对采集的图像，首先对其预处理，该系统采用中值滤波去除噪声，得到滤波后
的 图像
f
i

(x
i
,y
i
)
，再 与标准模块图像进行绝对差影处理可以表示为：

s
i(x
i
,y
i
)

i
f
i

(x
i
,y
i
)g(x,y)
（1）
其中，
f
i
(x
i
,y
i
)< br>表示f（x，y）图像分割第i块图像在点（x
i
，y
i
）处的灰度值 ，
g(x,y)
为M×N的标准模块图像在点（x，y）处的灰度值，
s
i< br>(x
i
,y
i
)
是差影后的图像
在点（x
i
，y
i
）处的灰度值。
然后，对图像
s
i
(x< br>i
,y
i
)
进行参数计算,为了反映图像灰度分布均匀程度和灰度值< br>的强弱，选用灰度均值；反映图像灰度分布的离散情况，选用方差；能反映图像内
容随机性和纹理 复杂程度，选用局部熵
[6]
；极差则能反映灰度值跨度。
灰度均值
F(x,y)
=
x1y1

s(x,y)
iii
MN
(MN)
(2)
MN
方差
Det


s
i
(xi
,y
i
)F(x,y)

2
(3)
x1y1
局部熵
p
s
i
(x
i
,y
i
)
ij
M

s(x,y)
iii
i1j1
MN
(4)
H
f


p
ij
log(p
ij
)

i1j1
NMMN
N

2



p
ij
(p
ij
1)1
 
p
ij
(5)
i1j1i1j1
极差
JCMax(s
i
(xi
,y
i
))Min(s
i
(x
i
,yi
))
(6)
把这些参 数输入到已经训练好的多层BP神经网络里进行判别，看是否有疵点。
如果是，立即在原始图像上标记出 来，存入数据库，同时指示灯变红，发出报警信
号；否则，计算下一个区域块。
在进行多层BP神经网络计算时，神经元的激活函数选择S形函数
[7]
：
1
(5-3)

(x)
x
1e
训练时采用最速下降算法使误差逐步减小，在梯度的负 方向速度最快；在学习
1
2
1
M
2
dy(W)

(d
k
y
k
(W))
22
k1
速率 和惯性因子选择时，采用自适应训练方法；在误差修正时,选用
e(W)


界面模块：
本文的软件的界面是基于VisualC++的MFC．AppWizard( exe)的程序。程序的
各种函数和功能通过菜单操作来实现，采集或者打开的图像和处理的结果分区在 同
一界面上显示，有利于比较，结构简单清晰。

图3-5 界面设计
VBAI 图像检测过程
NI 1394 智能相机首先用 VBAI 进行配置而后在其中进行编程。相机采集的每
一帧图片经 VA 分析处理后进行图像过滤， 分别为平均平滑、边缘检测、卷积处理。
而后根据经验创建感兴趣区域，即输送带易裂区域。最后计算裂 缝像素占整个感兴
趣区域像素的比例。设置两个阈值 1 和 2，分别用于报警和停车。当比例值超过阈
值 1 时，上位机控制防爆声光报警器报警；当比例值超过阈值 2 时，上位机通过
串口通信控制继电器常闭触点断开进而使输送机停车。NI VBAI 图像检测流程图如
图 2 所示。




























图 2 NI VBAI 图像检测流程图
3.4 NI VA 图像处理分析
（1）提取颜色平面：从一副图像中提 取三种颜色平面（RGB、HSV、HSL）。本文
选择提取 HSL 亮度平面。该方法把采集到的图像转化为 8 位的灰度图像。

（2）查找表：用于提 高图像的对比度和亮度。一个查找表包含值用于转换图像的灰
度值。对于图像中每个灰度值,相应的新值 是查找表中获得并分配给每个像素的灰度
值。本文用到了对数化和均衡化。
（3）图像阈值分 割：这是一种基本的图像分割方法。阈值分割的基本思想是确定一
个阈值，然后把每个像素点的灰度值和 阈值相比较，根据比较的结果把该像素划分
为两类—前景或者背景。一般来说，阈值分割可以分成以下三 步：确定阈值、将阈
值和像素比较、把像素归类。其中第一步阈值最重要。阈值的选择将直接影响分割< br>的准确性以及由此产生的图像描述、分析的正确性。本文选择的阈值分割方法为实
验法，阈值确定 为 140。
（4）二值图像中的基本形态学运算
本文选择的是基本形态学中的开运算，开运算是先腐蚀后膨胀[4]。使用结构元素 S
对原图像 A 进行开运算，记作 Ao S ，可表示为
Ao S ( AS ) S

开运算可以使图像的轮廓变得光滑，还能使狭窄的连接断开和消除毛刺。开运
算断开了原图像 A 中小区域间像素宽的连接（断开了狭窄连接），并且去除了原图
像 A 中部分突出的一个小于结构元素 S 的区域（去除细小毛刺）；与腐蚀不同的是，
图像大的轮廓并没有 发生整体的收缩，物体位置也没有发生任何变化。
记结构元素 S 为小圆形，原始图像 A 为大三角形，让结构元素 S 紧贴 A 的
内边界滚动，滚动过程中始终保持 S 完全包含于 A，此时 S 中的点所能达到的最
靠近 A 的内边界的位置就构成了开运算的外边界。从这个意义上开运算可以表示
为：
Ao S(S ) z | (S ) z A

图像处理与分析模块：
图像处理和分析模块是整个软件的核心，其中的函数包括：图像预处理、图像
二值化、边缘检测 、匹配、相机标定。

图3-7 图像分析流程

图3-8 程序设计流程图
4仿真实验结果
运用 NI 1394 智能相机连续仿真采集 ，取出六帧图像进行分析和处理，得到如下实
验结果，证明了本文的可行性。胶带纵向撕裂裂缝图像原图 及处理结果分别如图 6
和图 7 所示。




图 6 裂缝图像原图 图 7 裂缝处理结果

胶带裂缝检测结果如表 1 所示。

5总结：
通过运用 NI 机器视觉技术，NI 智能相机自动检测技术，运用 NI VBAI 编写
和运行自动检测程序，在实验室通过 NI 1394智能相机模拟采集齿轮表面缺陷图像，
运用编写好的 NI VBAI 程序进行检测，得到比较理想的实验效果。从理论上和实验
上对 NI 机器视觉技术在零件表面缺陷检测中的应用进行了验证。

在查找资料的同时了解 了计算机视觉相关的很多知识，在加上我写了这样的
概括性的总结。因此对设计计算机视觉系统有了初步 的了解，特别是设计的步骤，
都有了更深的认识。
在写的过程中，和上课学习的知 识紧密的结合，但是限于篇幅有限，我只能做
了概述。我认为就设计的很多部分还有很多要改进的地方， 例如，在硬件选择上，
在软件的算法方面，都有改进的余地。

致 谢

经过半年多的努力，我终于顺利完成了自己的课题任务，在做课题的日子
里，有自己的努力与付出，更重要的是得到了各位老师和同学的大力支持与无私
帮助，在此我向他们表示衷心的感谢。
首先我要感谢我的导师XXX老师，他在课题选题以及方案的确定方面给了 我
细致全面的指导，并且关注我的课题进度，不断给我新的方法的指导与启发， 提
出有预见性的建议。更为重要的是，在课题进行当中，X老师及时的纠正了我 的一
些不端正的态度，对我形成严谨的工作作风，诚实的科学态度产生了很大的 影响，
这无论是对于我现在的学习，还是将来的工作都有着很大的帮助，必将给 我今后
的发展打下坚实的基础。
其次我要感谢XXX等同学，在写论文的这段日子里，大家互相鼓励， 互相督
促，对我顺利的完成认为起了很大的促进作用。

感谢家人，多年来你们一直是我的支持者，也是我永不枯竭的动力之
源。


最后，希望此文作为对自己一段宝贵人生经历的总结，和对所有关爱我，帮 助
我的人们的感谢。

参考文献：
[1] Yang X Z, Pang G K H, Yung N H C. Discriminative fabric defect detection
using adaptive wavelets. Optical Engineering, 2002,41(12):3116～3126
[2] Stojanovic R, Mitropulos P, Koulamas C, et -time vision-based
system for textile fabirc inspection. Real- Time Imaging, 2001, 7(6):507～
518
[3]Karras D A. improved defect detection using support vector machines and
wavelet feature extraction based on vector quantization and SVD fechniques.
Proceedings of the Intenational Joint Conference on Neural Networks, 2003,
3:2322～2327
[4] 步红刚等. 基于计算机视觉的织物疵点检测的近期进展. 东华大学学报(自然
科学版) ,2006 32(3) :128～133.
[5] 贾永红. 数字图像处理〔M〕. 武汉:武汉大学出版社, 2003.
[6] 范为福等. 基于局部熵的织物疵点[J].中原工学院学报,2007, 18(5) :16～19.
[7] 魏海坤. 神经网络结构设计的理论与方法[M]. 北京: 国防工业出版社, 2005.
[8] CONCIA, PROCENCACB. AComparison between Image2ProcessingApproaches to
Textile Inspection [J]. Journal of Textile Institute, 2000, 91(2) : 3172323.
[9]王鹏,吴春亚等.基于LabVIEW的钢球 表面缺陷图像纹理分析与检测[J].仪器仪表
学报,2007,28(4):208～211
[10]张莲．异型齿廓形状的计算机视觉检测技术．山东大学硕士论文．2008：25～
35
[11]贾云得．机器视觉．北京：科学出版社，2000：15～18
[12]岳卫宏．机 器视觉技术在齿轮测量中的应用研究．武汉理工大学硕士论文．2005：
25～35
[13] National Instruments Corporation. IMAQ Vision for LabVIEWTM User Manual
Part Number322917B201.2003.
[14] National Instruments Corporation. IMAQ PCI PXI - 1428 User Manual ,2004