基于亚像素异常预测的精密工件边缘缺陷与尺寸检测

《Results in Engineering》：Precision Workpiece Edge Defect and Dimensional Detection Based on Sub-pixel Anomaly Prediction

本研究提出一种基于子像素边缘分析的精密工件缺陷检测与尺寸测量方法，结合可变窗口、主成分分析和DBSCAN聚类算法，通过梯度优化和异常点预测模型，有效检测出0.001 mm2的微小缺陷，提升线性尺寸和圆形直径测量精度分别达41.2%和43.6%，误差范围±0.0027 mm。

　　精度工件的检测在工业自动化视觉系统中扮演着至关重要的角色，其核心在于对边缘缺陷的识别以及对工件尺寸的测量。本研究提出了一种基于亚像素边缘检测的精度工件检测方法，通过识别并排除异常点，从而提升尺寸测量的准确性。该方法结合了可选邻域窗口与特征值分解技术，实现了对边缘梯度的精准计算，并将梯度信息与质心结合，提高了边缘定位的精度。同时，通过定量分析亚像素点的投影与位置偏差距离，建立了基于几何一致性的预测模型，使得在直线和圆形特征上都能实现对微小缺陷的精确检测。

本研究中，边缘缺陷检测和尺寸测量的精度显著提升，其中在排除异常点后，圆特征工件的尺寸测量精度提高了43.6%，而直线特征工件则提高了41.2%。整体尺寸测量误差控制在±0.0027 mm范围内，平均误差为±0.002 mm。这些结果表明，该方法能够有效识别精度工件的边缘缺陷，为自动化机器视觉工业检测提供了重要的技术支持。

在精度工件检测中，边缘的异常点常常会干扰实际轮廓的准确性，从而影响尺寸测量的精度。传统的边缘检测方法通常仅通过水平和垂直方向的灰度值差异进行计算，这种方法难以准确捕捉边缘变化，导致特征点之间的偏差，进而影响检测精度。因此，研究人员引入了亚像素边缘检测方法，通过插值技术对边缘位置进行更精细的分辨率分析，从而提高定位精度。然而，这种方法通常伴随着更高的计算成本，并且对边缘不规则性依然敏感。

为了克服这些局限，本研究提出了一种新的亚像素边缘检测方法，其核心在于使用可选邻域窗口和特征值分解技术来计算梯度信息，并通过质心法提取亚像素边缘位置，以减少计算复杂性。此外，通过计算亚像素点与理想位置之间的偏差距离，并结合向量投影与卡尔曼滤波技术，进一步实现了对边缘异常点的识别和过滤。这一方法能够有效识别工件边缘的微小缺陷，同时保证测量精度。

在直线特征工件的边缘缺陷检测中，研究者通过定义边缘方向向量，并利用其方向一致性进行边缘分割。这种方法能够识别出与真实边缘偏离较大的异常点，并将其排除，从而提升检测精度。在圆形特征工件的边缘检测中，研究者则利用边缘点与圆心之间的距离作为半径，并通过卡尔曼滤波预测出真实的边缘点位置。这种方法能够有效处理圆形边缘的非线性特征，提高边缘定位的准确性。

在实验验证部分，研究者使用了标准的等腰三角形作为测试对象，验证了所提出的亚像素梯度检测方法的有效性。结果表明，使用3×3窗口的检测方法在梯度向量计算上的精度比传统方法提高了64%。此外，实验中还使用了3072×2048的相机和230 mm的望远镜镜头，结合单色背光照明，采集了精度工件的图像，并在标准系统上进行图像处理。实验结果表明，该方法在排除异常点后，能够将尺寸测量误差控制在±0.0027 mm范围内，且平均误差为±0.002 mm。

为了进一步验证方法的有效性，研究者还对不同检测方法进行了比较，包括Zernike矩方法、多项式拟合方法和部分区域方法。结果表明，所提出的亚像素异常预测模型在边缘缺陷检测方面具有显著优势，能够识别最小至0.001 mm2的微小缺陷，并将检测误差控制在12.5%以内。同时，该方法的运行时间在1.5秒以内，表明其在实际工业应用中具有良好的效率。

在精度工件的检测过程中，边缘条件对于测量精度具有决定性影响。传统的边缘检测方法往往依赖固定的窗口区域，难以充分捕捉边缘的变化，且其性能容易受到缺陷大小和位置的影响。而本研究提出的方法则通过可选邻域窗口和特征值分解技术，实现了对边缘梯度的更精确估计，从而提高了边缘定位的准确性。此外，通过结合轮廓几何特性，建立了预测模型，使得在不同的检测场景下，能够有效识别边缘缺陷并进行精准测量。

综上所述，本研究提出的亚像素边缘检测方法，通过结合可选邻域窗口、特征值分解和卡尔曼滤波技术，实现了对精度工件边缘缺陷的精准识别和测量精度的提升。实验结果表明，该方法在不同工件的检测中表现稳定，具有广泛的适用性。同时，该方法不依赖于大规模标注数据，而是通过形状一致性评估异常点，提高了检测的自动化程度和适应性。