光电信息工程中数字图像处理技术的工业检测应用

摘要：文章聚焦于光电信息工程中在工业检测上运用数字图像处理技术的应用，对这项技术的原理、优势等做了具体介绍，在各种工业生产场景下将该项技术具体应用于产品的外观缺陷检测、尺寸测量、装配质量控制等方面，用理论联系实际的方法介绍了这项技术在提高工业检测的效率、精准度以及可靠性的运用，以期对该项技术在实现工业生产自动化、智能化发展方面起到积极的作用。

关键词：光电信息工程；数字图像处理；工业检测；自动化；智能化

为了提高产品的质量以及促进企业的发展，必须加强产品品质检验及制造过程的监督。而传统的人工作业检测方式检测效率较低且受人为主观因素的影响，已经无法满足大批量，高精度的产品检测的需求。光电信息技术快速发展，以数字图像处理技术作为数据采集的手段在工业检测方面的应用具有巨大潜力，可以迅速、准确地获取物体图像信息并利用图像算法对图像进行处理分析，从而获得产品的各种特性指标参数并进行测量评价。鲁东大学物理与光电工程学院拥有雄厚的光电信息工程领域的科研力量与技术积淀，以核心技术优势带动产业发展，推动高效现代化生产的实现，为我国的制造业品质水平和生产效率注入新动力。

一、数字图像处理技术基础

（一）图像采集系统

图像采集作为数字图像处理第一步的关键操作，主要包括光源、镜头及图像传感器等重要部分。通过对被测物体提供足够且分布均匀的光照，照亮目标并放大目标特征；采用质量较高的镜头组件，能够把目标成像到图像传感器上；利用CCD/CMOS将光信号转换为电信号，最后传输给计算机处理图像信息。例如：针对检测物体为表面光滑的金属片、利用漫反射型光源减少反光；对于检测目标是微小精密器件需要较高分辨率的镜头及较高像素密度的图像传感器才能满足需求[1]。

（二）图像预处理

一般来说，为了使后面的操作更加准确，在这一步首先要把原始图片做一些预处理工作，包括：灰度化、滤波去噪、对比度增强，其中，灰度化可以减少数据量，方便后边做算法处理；滤波去噪可以将采集中带入的一些随机噪声进行过滤，常用的方法包括：均值滤波、中值滤波、高斯滤波；对比度增强通过改变图像灰度级的分布，使得感兴趣的区域更凸显出来。比如在生产线上使用的标签识别中，若环境光照不同会导致采集到的图片亮度不一样，这时可以通过直方图均衡化来做对比度增强，把标签的文字部分变得更清楚一些。

（三）图像分割与特征提取

图像分割主要是将一幅图像划分成若干不同的区域或者说前景和背景，不同的区域代表图像中不同的部分或者不同的物体。常用的方法有基于阈值分割、基于边缘检测以及基于区域生长等。将分割得到的区域抽取用于描述物体的一些特征参数，例如：形状、纹理、颜色等等。在电子电路板焊接质量检测中，可以通过边缘检测算法找到焊点的轮廓，然后根据轮廓的形状特征判断该处是否虚焊或短路等问题[2]。

（四）模式识别与分类

根据提取的特征参数用模式识别的方法对物体进行分类或识别。其中的模式识别方法包括：模板匹配、神经网络、支持向量机等。通过大量的样本学习训练，以特征为输入，以类别作为输出，建立起物体的特征—类别的映射关系，得到物体的判别结果，如利用卷积神经网络学习出不同的车型零件的图片，并对其进行实际检测判断，得出各车型零件的类型。

二、在工业检测中的应用实例

（一）产品外观缺陷检测

1.原理与流程

在生产线上，产品的外观质量会对消费者产生巨大的影响，同时也会对企业造成影响。利用数字图像处理技术可以对产品表面存在的划伤、裂纹、凹坑、污渍等各类缺陷进行检测，首先需要图像采集设备采集产品的高质量图像，然后再做相关处理改善图像质量；再通过图像分割算法把产品主体从图片中抠出来，然后对一些可能会出现缺陷的位置进行重点分析；通过计算出缺陷区域的面积、周长、位置等几何参数，或者通过和正常产品图像模型的对比判断该产品是否有缺陷，有缺陷的话是哪一种类型的缺陷，有多严重。

2.案例分析-LCD屏幕瑕疵检测

通过在屏幕上添加白色的矩形图形，观察人眼会对绿色比较敏感的特点，人为制造显示效果上的缺陷，用肉眼直观发现全尺寸中难以觉察的缺陷。虽然用眼睛就可以看到一些小缺陷，但是要想清楚地知道存在的具体缺陷还必须用到专门的仪器检测才能看清楚。如行业内使用比较多的一种屏幕检测装置，包括高分辨率摄像机、专业光源等，能检测出很小的缺陷。在测试中，先将采集到的原始图像做降噪处理，然后利用基于深度学习的缺陷检测算法，通过用带有标注的瑕疵样本对缺陷检测算法进行大规模训练来精确地检测出其中的亮点、暗点、线异常等几种缺陷。据测算，在测试中应用此方法的检测准确性比人眼人工目检提高了约85%，漏检率为0.1％以下，这对于提高产品质量及提高生产效率都非常重要[3]。

（二）尺寸测量

1.原理与优势

精确的尺寸控制对于保障产品的互换性以及装配精度非常重要。利用数字图像处理技术，配合标定过的光学测量系统，可以做到非接触测量，对工件拍照并结合其像素和实际物理尺寸间的比例系数（经标定后得出）即可计算得到工件的长度、宽度、高度、直径等尺寸数据。相比于使用卡尺、千分尺等接触式量具，此种方法不会损害到工件本身，并且检测速度更快、效率更高，也适用于柔性、易形变或者三维形状复杂的物体的检测。

2.亚像素级精度测量原理

在精密机械加工领域，常常需要对零件的关键尺寸进行微米甚至纳米级别的精确测量。传统接触式量具易损伤被测物体表面且效率低下，而基于数字图像处理的非接触测量技术则展现出巨大优势。通过标定相机的内部参数和外部姿态，建立像素坐标系与实际物理空间之间的映射关系。利用亚像素插值算法，如质心法、椭圆拟合法等，对目标边缘进行精细定位，突破整像素的限制，实现更高的测量分辨率。例如，在航空发动机叶片的生产中，对其叶身形线的高精度测量直接关系到发动机的性能和可靠性。采用这种亚像素测量技术结合专用夹具和运动控制平台，可以实现全自动化的在线检测，保证每个叶片都符合严格的设计要求。

3.二维与三维形位误差评估算法

除了简单的长度、角度尺寸外，许多零件还存在复杂的形状和位置公差要求，如平面度、垂直度、同轴度等。二维情况下，可通过霍夫变换检测直线度、圆度等指标；对于三维形貌，则需要融合多视角图像信息重构物体表面点云模型，然后计算各个特征要素相对于基准坐标系的偏差值。基于最小二乘法拟合理想几何元素，并与实际测量点集对比分析，得出形位误差的具体数值和方向。这一过程涉及大量的矩阵运算和优化迭代算法，但对现代计算机而言已完全可行。例如，在数控机床加工的中心架零件检验中，准确评估其各安装面的平面度和孔系的同轴度误差，有助于及时修正加工参数，避免废品产生。

4.应用场景－机械加工零件尺寸检测

以往，在某机械制造企业机械加工车间内，有大批量的精密轴类零件的加工，以前他们采取的是人工用量具进行检测，这样就会浪费大量的人力物力，同时存在人为的误差。后来，在将数字图像处理尺寸测量系统引入后，只需要把零件放在这固定位置处拍下照片就可以了，然后由系统自动进行计算，得出该尺寸值，并跟图纸上的公差范围值对比大小，就可以得到每个零件是否合格了，且系统检测的精度可以达到±0.01mm，测量时间仅有几秒，能极大地提高生产的效率及质量控制[4]。

（三）装配质量把控

1.功能实现方式

对于产品的装配而言，要想保证产品的合格装配，需要将所有的零部件正确、合理地装配到规定的位置，这就要求在装配的过程中利用数字图像处理技术实时监测产品装配情况，检查其零部件是否错装或者漏装，并且还需要对其位置是否准确进行判定，结合图像拼接和三维重建技术实现产品装配体的整个装配过程的数字化模型构建，再将此模型与标准的装配模型相比较，一旦出现问题便能够及时地给出警报并进行急停处理，从而防止因为错误的装配而产生不良品问题。

2.实例展示－电子产品组装检测

比如智能手机，里面包含了很多比较小的元器件还有线路板等东西，在装配完成之后要利用数字图像处理系统把所有的手机都进行扫描，整个扫描完毕以后可以把所有元器件的位置、元器件的方向，还有焊接到底有没有问题都能显示出来，比如可以看到摄像头模组到底是不是装上去了，或者电池连接片到底焊得牢不牢。另外就是建立起大量的合格品图像后，将此合格品的图像作为装配模型库，当检测出新产品相比模型库中的合格品图像差别超过一定阈值时，则判定为不合格品。这样就能够检测出来由于装配失误引起的功能不良，大幅度提升了一次通过率。

（四）食品包装完整性检验

食品安全关系到人民生命安全及社会公共利益，在食品加工行业中，保证包装的密封性与包装完好，是防止产品受到污染和变质的关键。基于数字图像处理技术可以检测出食品包装袋存在破损、漏气或异物混入等问题，以袋装牛奶生产线为例：使用高速相机在袋装牛奶生产过程中对流动的产品包装袋进行拍照，然后运用图像差分法对其进行检测，查看其是否存在微小的漏气点；用色度分析方法与形态学运算分析出该包装袋内是否混有杂质颗粒或者其他异物，如有问题则及时剔除，以免流入市场危害人民身体健康[5]。

（五）纺织面料瑕疵检测

纺织品在生产中由于原料不够均匀、染色不稳定等问题会导致面料出现色差、纬斜、断经等问题，传统的验布速度慢、费体力，将数字图像处理技术应用于织物检测时，可以实现织物的快速扫描和自动检测，利用线阵CCD相机，将运行中的布料逐行扫描采集得到更高分辨率的面料图像；再利用自适应阈值分割和连通域标记对图像中的疵点区域进行提取，并根据疵点大小、形状、位置等信息进行分级处理，最后对合格品进行卷绕入库，疵点品则被割除后再单独处理。这样做的好处是加快了生产的速度以及提升了产品的质量水平，有利于产品的后续发展，并减少了工人的体力消耗。

三、发展展望

（一）智能化程度不断提升

借助人工智能强大的自我学习功能以及智能判断决策的能力，未来数字图像处理系统，可以根据以前的历史数据自动修改检测参数及阈值设置，做到自适应的质量控制。同时也可以和其他生产设备整合在一起，组成智能的生产管理系统，能实现设备之间最优的调度，避免一些突发性的故障维修情况的发生。

（二）多模态融合趋势明显

除可见光图像外，红外热成像、激光雷达、超声波等多种传感器也会陆续加入工业检测系统。同时，多模态信息互相结合有助于获得更加全面的目标信息。多模式互相补充能提高检测结果的准确性、可靠性。例如，对于复合材料结构的无损检测，将超声波检测对物体内部缺陷进行测量以及用红外热成像对物体表面温度分布情况的变化进行观察，两者结合后会更容易判断出该物体是否完好以及当前的工作状态如何。

（三）云平台支持下的分布式检测网络

采用云计算强大的计算和存储能力，能够搭建基于云平台的分布式工业检测网，各个车间的数字图像处理终端可以将采集的数据上传到云端服务器进行集中分析处理，也可以接收云端下发的最新的算法模型及参数配置的更新包。在此基础上可实现大量数据的挖掘和分析工作，并且可以为整个企业提供一种全面的质量管理手段，方便远程监控各地的生产设备设施，也可以方便对远程的设备设施进行维护工作，降低了企业运维的成本。

结束语

数字图像处理技术在光电信息工程领域的工业检测应用具有显著的优势和广阔的发展前景。它以其高效、精准、客观的特点，极大地提升了工业生产中的质量控制水平和生产效率。尽管目前在实际应用中还面临一些挑战，但随着技术的不断进步和完善，这些问题正逐步得到解决。鲁东大学物理与光电工程学院将持续关注并深入研究这一领域的前沿技术，积极与企业合作开展产学研联合攻关项目，努力推动数字图像处理技术在更多工业领域的广泛应用和创新发展。相信在未来，该技术将成为智能制造体系中不可或缺的关键环节之一，为实现我国制造业转型升级注入新的活力。

参考文献：

[1]许长城,余健超,林冠宇.基于数字图像处理技术的无人机在桥梁检测中的应用[J].工程质量,2024,42(05):98-101.

[2]庄天玺.基于数字图像处理技术的机场道面裂缝智能检测方法与应用研究[D].中国民用航空飞行学院,2023.

[3]王红一,陈继威,宋丽梅.面向工业应用视觉检测的数字图像处理课程实践与探索[J].中国教育技术装备,2022,(07):87-88+95.

[4]吴少霜,赵纯,朱亚男,袁盛彬,陈学永.数字图像处理技术在果蔬分级检测中的应用[J].福建农机,2021,(03):30-36.

[5]符仁建.数字图像处理技术在道路无损检测中的应用[J].山东工业技术,2017,(19):125.