简介面向本硕博及科研人员的齿轮缺陷缺口检测仿真资源包基于形态学处理与MATLAB实现适合学习图像形态学在工业缺陷检测中的应用。资源围绕齿轮缺口检测算法展开涵盖形态学操作、边缘提取与缺口定位等关键流程能够帮助读者理解从图像预处理到缺陷判别的完整思路并可直接运行Runme_.m文件复现检测结果。压缩包共四个文件大小约442KB内含MATLAB主程序、测试图片、操作录像与说明文档录像演示了从环境设置到结果输出的完整过程可有效避免子函数误运行、路径错误等常见问题。该资源目前已有530人学习配有可视化示例与代码注释适合本硕博教研学习与算法复现时参考是入门图像形态学缺陷检测的实用素材。形态学操作与缺口标记部分尤其适合作为课程设计或毕业设计的参考基线。1. 形态学处理解决的不是“找缺口”而是先定义什么是齿轮拿到一批齿轮毛坯图像第一反应通常是灰度差分缺了个口的地方灰度跳变明显直接找边缘不就行了。实际跑一次会发现光照从不同方向打过来同一个缺口可能跨过 5 到 8 个像素的过渡带齿面的加工纹理、油污、氧化色都在边缘上制造假突变。这时候再回头看形态学处理它的价值不在“找出差异”而在把图像还原成几何模型——齿轮就是若干个等间距凸起的圆盘所有不符合这个模型的区域都算可疑缺陷。基于形态学处理的齿轮缺陷缺口检测 matlab 仿真本质是把问题拆成两步先用开闭运算把二值图形状规整化再通过连通域属性和径向轮廓判缺齿、缺口和局部缺料。这套流程不需要深度学习和标注样本一张中等分辨率图片配一台普通 PC 就能跑出可解释的量化结果适合非标质检设备的前期验证也适合刚开始接触 matlab 图像处理的人建立完整的形态学分析思路。本文给出的所有代码基于 R2020a 及以上版本只用到 Image Processing Toolbox不依赖 Simulink 和额外工具箱。2. 齿轮缺陷缺口检测的原理拆分二值化、结构元素与连通域判定2.1 为什么先做形态学而不是直接找边缘像素级边缘检测对每一个灰度突起都敏感齿轮表面的磨削纹路会形成几十条弱边缘缺口的边缘往往混在其中。形态学的核心假设是齿轮是“已知形状”,缺口是“偏离形状”而不是“灰度变化”。基于这个假设处理流程会先把灰度图变成干净的二值图再做一次形状规整。规整的力度要精心控制开运算去掉齿轮表面孤立亮点和毛刺闭运算把齿根阴影造成的断裂桥接起来。两者交替操作相当于给二值图做一次低通滤波——滤掉的是小于结构元素的几何细节保留的是齿轮整体形状。从这个角度看结构元素是整套方案里最关键的旋钮。针对齿轮这种近似圆形对称的零件常用disk结构元素因为它不偏向任何方向。以下代码演示最基础的操作序列img imread(gear_sample.png); if size(img, 3) 3 img rgb2gray(img); end % 自适应阈值光照不均匀时比全局阈值更稳 bw imbinarize(img, adaptive); bw ~bw; % 齿轮区域置为前景 se strel(disk, 3); bw imclose(bw, se); % 先闭合断裂的齿根 bw imopen(bw, se); % 再去除毛刺和孤立点这里imclose在前、imopen在后是有意安排的齿轮图像的断裂通常发生在齿根和齿谷附近先闭运算恢复连续轮廓随后开运算只清除残留在齿面上的小亮点不会破坏刚恢复的大轮廓。disk半径 3 表示结构元素直径 7 像素对 640×480 图像是适中值。如果齿轮占图比例很小这个半径会显得过大容易把小缺口直接填平如果图像分辨率更高则需要相应放大否则过滤不掉纹理。2.2 区域属性如何区分“好的齿轮”和“坏的齿轮”二值化加形态学处理后判断缺陷的重任交给regionprops。区域属性度量的是面积、周长、形状复杂度这类几何量它们对光照不敏感对形态学处理后的轮廓比较稳定。齿轮检测中常用四个属性属性含义对齿轮缺陷的指向性Area前景像素总数缺一大块时面积显著下降FilledArea填充孔洞后的面积齿根断裂会产生孔洞填充面积差值变大Solidity面积 / 凸包面积缺齿使凸包外扩Solidity 明显降低Eccentricity区域离心率齿轮接近圆形值应接近 0异常缺口会拉大偏心正常齿轮的 Solidity 一般在 0.75 到 0.88 之间齿数越多齿越细Solidity 越低。如果检测结果显著偏离正常范围就要引起注意。以下代码在形态学处理后提取最大连通域并计算上述属性cc bwconncomp(bw); stats regionprops(cc, Area, FilledArea, ... Solidity, Eccentricity, BoundingBox); % 齿轮是图像中最大的连通域 [~, idx] max([stats.Area]); gearStats stats(idx); fprintf(Area %d, FilledArea %d\n, ... gearStats.Area, gearStats.FilledArea); fprintf(Solidity %.3f, Eccentricity %.3f\n, ... gearStats.Solidity, gearStats.Eccentricity);这段代码的价值在于把“肉眼看不出来”变成可量化指标。一个缺失宽度只占齿宽三分之一的微小缺口面积变化可能不到 2%肉眼几乎无法察觉但 Solidify 局部形状已经出现变化再配合径向距离分析就能锁定位置。后面第 5 章会重点讲径向距离法这里先用区域属性做粗筛。2.3 形态学流程对照表每种操作解决哪一类假象把形态学操作细分成下表可以避免盲目试参数。实际调参时先判断图像质量属于哪一类问题再选择对应操作不要四五个strel叠在一起。图像现象形态学操作结构元素建议齿面亮斑、金属反光点开运算disk, r2~4齿根断裂、齿谷桥接中断闭运算disk, r3~5齿轮与背景粘连、细长伪影开运算后再取最大连通域disk, r5~8齿轮边缘锯齿状闭运算后接开运算disk, r2~3注意开闭运算都是非线性滤波执行顺序对结果影响很大。先开后闭会保留断裂特征适合检测裂纹类缺陷先闭后开适合恢复轮廓整体形状也就是齿轮缺齿检测的默认选择。若图像中有大量碎屑应在形态学处理后追加bwareaopen(bw, 200)把小于 200 像素的连通域直接移除避免它们干扰最大连通域统计。3. 基于形态学处理的齿轮缺陷缺口检测 MATLAB 最小实现3.1 完整流程脚本从读图到缺陷标注下面给出可以在本地直接运行的完整 matlab 仿真脚本。它读入gear_sample.png输出三张图原始灰度图、形态学处理后的二值图、缺陷区域标注图。整套流程覆盖灰度化、二值化、形态学规整、连通域筛选和缺陷标记五个阶段。% gear_defect_detection.m close all; clear; clc; img imread(gear_sample.png); if size(img, 3) 3 img rgb2gray(img); end % ------------------ 1. 二值化 ------------------ % 自适应阈值适合光照不均场景BackgroundPolarity 指定齿轮 vs 背景关系 bw imbinarize(img, adaptive, ForegroundPolarity, dark, ... Sensitivity, 0.6); % ------------------ 2. 形态学规整 ------------------ bw bwareaopen(bw, 300); % 去掉小噪点 bw imclose(bw, strel(disk, 4)); % 桥接齿根断裂 bw imopen(bw, strel(disk, 2)); % 抹平齿面毛刺 % ------------------ 3. 取最大连通域 ------------------ cc bwconncomp(bw); if cc.NumObjects 0 error(没有检测到齿轮区域请检查阈值方向或 Sensitivity); end numPixels cellfun(numel, cc.PixelIdxList); [~, gearIdx] max(numPixels); gearMask false(size(bw)); gearMask(cc.PixelIdxList{gearIdx}) true; % ------------------ 4. 区域属性粗筛 ------------------ gearStats regionprops(gearMask, Area, FilledArea, ... Solidity, Eccentricity); fprintf(Solidity %.3f\n, gearStats.Solidity); fprintf(Eccentricity %.3f\n, gearStats.Eccentricity); % ------------------ 5. 凸包差集定位缺陷 ------------------ % 齿轮凸包应覆盖所有齿尖缺口与凸包之间的区域就是可疑缺陷 gearHull bwconvhull(gearMask, union); defectCandidates gearHull ~gearMask; defectCandidates imopen(defectCandidates, strel(disk, 3)); defectCC bwconncomp(defectCandidates); figure; subplot(1, 3, 1); imshow(img); title(原始图); subplot(1, 3, 2); imshow(bw); title(形态学处理后二值图); subplot(1, 3, 3); imshow(img); hold on; if defectCC.NumObjects 0 defStats regionprops(defectCC, Centroid, Area); for k 1:defectCC.NumObjects area defStats(k).Area; if area 80 % 过小区域视为误差 c defStats(k).Centroid; rectangle(Position, ... [c(1)-30, c(2)-30, 60, 60], ... EdgeColor, r, LineWidth, 1.5); end end end title(缺陷标注);3.2 关键参数说明自适应阈值的坑与松紧调节脚本中的Sensitivity是最容易踩坑的参数。Sensitivity越大阈值越敏感越容易把微弱的光照变化识别为前景。调节范围通常在 0.3 到 0.8 之间。0.6 是多数室内均匀光照齿轮图像的起点值光照偏暗时增大到 0.7反之降到 0.5。如果二值化结果中齿轮边缘出现非常密集的小孔洞说明Sensitivity过高背景纹理被当成前景。ForegroundPolarity决定灰度图中齿轮是亮还是暗。白色塑料齿轮在深色背景上前景是亮的应设置为bright金属齿轮做暗场照明时前景是暗的应设置为dark。这里写成dark的原因在于暗场照明下齿轮本身是吸光体而背景是光源直射亮区。实际使用前建议先统计图像灰度直方图确认峰值分布后决定方向不要盲目套用。凸包差集法来自一个几何事实无缺陷齿轮的凸包和齿轮自身的二值图之间只存在齿谷处的空隙有缺陷时缺口区域会被计入凸包但不在齿轮二值图中因此gearHull ~gearMask会把这些区域以较大连通块形式暴露出来。这样做不需要和标准模板比较只需判断凸包差集区域是否超过经验阈值 80 像素。阈值 80 来自 640×480 图像的像素密度换成高分辨率图像应按比例放大通常取齿轮总面积的 1/500 到 1/800。3.3 缺陷结果如何解读Solidity和凸包差集共同决定缺陷判定。正常齿轮 Solidity 在 0.75 到 0.88如果低于 0.7优先怀疑缺齿而不是缺口单个齿尖缺失会让凸包明显外扩Solidity 可能掉到 0.6 以下。凸包差集检测出的区域数量和面积是第二层证据一个齿尖缺口会产生 100 到 300 像素的差集区域而齿根正常缝隙只有 10 到 40 像素。两者结合能有效排除误报尤其是齿谷处的正常空隙不会被轻易认成缺口。若脚本输出没有任何缺陷标记但实际齿轮确实有缺口优先调整闭运算的disk半径。半径过大时小缺口被闭运算直接填平这也是形态学方法最典型的过度处理问题下一章专门展开。4. 齿轮图像形态学处理的 4 个典型翻车场景与参数修正4.1 边缘断裂严重时先自适应阈值还是先形态学最常遇到的第一个问题齿轮图像光照不均一侧亮一侧暗全局阈值把暗处齿根直接切掉亮处背景又和齿轮粘连。先做形态学没用——输入的二值图本身就是错的闭运算只能桥接几个像素的缝隙救不回整个齿根。正确的顺序是先用自适应阈值替代全局阈值。imbinarize(img, adaptive)会把图像分成小块分别计算阈值暗侧齿根也能保留下来。代价是背景噪声增多所以后面必须紧跟bwareaopen(bw, 300)过滤小块。如果自适应阈值后仍然有齿根断裂把Sensitivity从 0.6 降到 0.5让阈值更好地贴合局部灰度变化。调参时不要动大结构元素一味放大闭运算的半径会把小缺口填没。4.2 结构元素取太大小缺口被闭运算填平strel(disk, r)中的 r 每增加 1闭运算能桥接的断裂宽度约增加 2 像素。对于宽度只有 5 像素的微小缺口r4 的闭运算已经能把它填平检测结果里缺口消失。这个问题在调试时极具迷惑性因为看起来缺陷“不存在了”根本不会报错。针对小缺口检测结构元素半径遵循“刚好不过桥”原则先用 r2 闭运算观察齿根断裂是否恢复如果恢复不了再逐像素加 1直到断痕刚被桥接为止。这个过程应该是写一个循环测试不同 r 值而不是直接在脚本里填一个偏大的值。下表给出参考量级检测目标闭运算 r开运算 r备注齿尖缺口宽度 8 像素2 到 31 到 2偏大会漏检齿根断裂断口 10 像素4 到 52 到 3配合同心圆径向验证缺齿整个齿缺失6 到 103 到 5闭运算主要防齿根碎断4.3 背景噪声被当成齿轮部件连通域筛选强度不够齿轮图像如果包含传送带、桌面纹理或其他工件二值化后会出现多个大面积的连通域。此时直接取最大连通域可能把相邻部件和齿轮一起包进去Solidity 和凸包差集计算结果全部失真。修正方法是先取面积前 5 的连通域逐个计算Eccentricity齿轮的离心率一般低于 0.65细长工件通常大于 0.9。也可以用BoundingBox的宽高比作为补充判据齿轮的宽高比在 0.85 到 1.15 之间超出范围直接排除。bwareaopen的面积阈值不要设得太大以避免把齿轮和背景的连接部分切断建议保持在齿轮总面积的 5% 以内。常见做法是把所有候选连通域画出来人工核对一次确认筛选条件后再写死到脚本里。4.4 二值化后齿轮内部出现孔洞填充还是保留齿轮表面如果有冲压印记、字符或中心孔以外的盲孔在二值化后会形成前景内部的孔洞。缺陷检测时这些孔洞会被当成缺口输出一堆假阳性。保留正确中心孔信息的前提下使用imfill(gearMask, holes)可以把非中心孔区域一并填平中心孔本身由于和边界不连通会被保留。填充后再用gearMask ~filledMask就能提取出表面孔洞这些孔洞属于加工字符而非缺陷可以直接忽略。如果齿轮中心孔过大imfill会把它也填掉导致凸包差集计算失真。这种情况下先通过BoundingBox找到图像中心区域用圆形掩膜把中心孔区域抠掉再做填充。整套处理的顺序应该是取最大连通域 → 中心孔掩膜 → 填充表面孔洞 → 凸包差集计算。5. 用径向距离曲线精确锁定缺口角度和深度区域属性只能判断齿轮有没有问题生产现场更需要知道缺口在哪个齿的什么角度位置。径向距离方法是形态学处理后最直接的定位手段先获取齿轮边界坐标计算重心到每个边界点的距离再按极角排序绘制距离曲线。正常齿轮的曲线是周期性锯齿波峰值对应齿尖谷值对应齿根缺口所在位置距离值会明显低于相邻齿尖的峰值水平。% radius_curve.m — 假设 gearMask 已由前一步得到 boundary bwboundaries(gearMask, noholes); B boundary{1}; cy round(mean(B(:, 1))); cx round(mean(B(:, 2))); dy B(:, 1) - cy; dx B(:, 2) - cx; radius sqrt(dx.^2 dy.^2); theta wrapTo2Pi(atan2(dy, dx)); [theta, sortIdx] sort(theta); radius radius(sortIdx); % 平滑曲线避免单像素毛刺 radiusSmooth movmean(radius, 9); % 找齿尖峰值齿尖距离是局部极大值 [pks, locs] findpeaks(radiusSmooth, ... MinPeakHeight, mean(radiusSmooth), ... MinPeakDistance, round(numel(theta) / 60 / 2)); fprintf(检测到 %d 个齿尖\n, numel(pks)); if numel(pks) 目标齿数 fprintf(存在缺齿或缺口风险请检查径向距离曲线\n); endMinPeakDistance需要按齿数估算。例如目标齿轮 30 齿边界点总数约 2000平均每齿 67 个点峰间距约 33。这里除以 2 是为了不使用过小的峰间距导致误检实际调试时先从齿数反推间距再逐步放宽。如果检测出的峰数少于目标齿数缺口位置就落在缺失峰附近输出locs对应角度乘以 360 除以 2π 即可换算成物理角度。径向距离曲线还有一个关键优势不受缺齿数量的影响。区域属性和凸包法会因大面积缺齿而崩溃径向曲线始终按齿尖峰数量计数哪怕缺了三四个齿也能定位剩余齿的准确位置。最后一步是把角度值和缺陷类型绑定输出生成工程可直接使用的缺陷报告字段。整个 matlab 仿真链路从二值化到径向曲线全部基于形态学处理完成换一张新齿轮图只需要调整Sensitivity和MinPeakDistance两个参数。本文还有配套的精品资源点击获取 基于形态学处理的齿轮缺陷缺口检测MATLAB仿真
简介面向本硕博及科研人员的齿轮缺陷缺口检测仿真资源包基于形态学处理与MATLAB实现适合学习图像形态学在工业缺陷检测中的应用。资源围绕齿轮缺口检测算法展开涵盖形态学操作、边缘提取与缺口定位等关键流程能够帮助读者理解从图像预处理到缺陷判别的完整思路并可直接运行Runme_.m文件复现检测结果。压缩包共四个文件大小约442KB内含MATLAB主程序、测试图片、操作录像与说明文档录像演示了从环境设置到结果输出的完整过程可有效避免子函数误运行、路径错误等常见问题。该资源目前已有530人学习配有可视化示例与代码注释适合本硕博教研学习与算法复现时参考是入门图像形态学缺陷检测的实用素材。形态学操作与缺口标记部分尤其适合作为课程设计或毕业设计的参考基线。1. 形态学处理解决的不是“找缺口”而是先定义什么是齿轮拿到一批齿轮毛坯图像第一反应通常是灰度差分缺了个口的地方灰度跳变明显直接找边缘不就行了。实际跑一次会发现光照从不同方向打过来同一个缺口可能跨过 5 到 8 个像素的过渡带齿面的加工纹理、油污、氧化色都在边缘上制造假突变。这时候再回头看形态学处理它的价值不在“找出差异”而在把图像还原成几何模型——齿轮就是若干个等间距凸起的圆盘所有不符合这个模型的区域都算可疑缺陷。基于形态学处理的齿轮缺陷缺口检测 matlab 仿真本质是把问题拆成两步先用开闭运算把二值图形状规整化再通过连通域属性和径向轮廓判缺齿、缺口和局部缺料。这套流程不需要深度学习和标注样本一张中等分辨率图片配一台普通 PC 就能跑出可解释的量化结果适合非标质检设备的前期验证也适合刚开始接触 matlab 图像处理的人建立完整的形态学分析思路。本文给出的所有代码基于 R2020a 及以上版本只用到 Image Processing Toolbox不依赖 Simulink 和额外工具箱。2. 齿轮缺陷缺口检测的原理拆分二值化、结构元素与连通域判定2.1 为什么先做形态学而不是直接找边缘像素级边缘检测对每一个灰度突起都敏感齿轮表面的磨削纹路会形成几十条弱边缘缺口的边缘往往混在其中。形态学的核心假设是齿轮是“已知形状”,缺口是“偏离形状”而不是“灰度变化”。基于这个假设处理流程会先把灰度图变成干净的二值图再做一次形状规整。规整的力度要精心控制开运算去掉齿轮表面孤立亮点和毛刺闭运算把齿根阴影造成的断裂桥接起来。两者交替操作相当于给二值图做一次低通滤波——滤掉的是小于结构元素的几何细节保留的是齿轮整体形状。从这个角度看结构元素是整套方案里最关键的旋钮。针对齿轮这种近似圆形对称的零件常用disk结构元素因为它不偏向任何方向。以下代码演示最基础的操作序列img imread(gear_sample.png); if size(img, 3) 3 img rgb2gray(img); end % 自适应阈值光照不均匀时比全局阈值更稳 bw imbinarize(img, adaptive); bw ~bw; % 齿轮区域置为前景 se strel(disk, 3); bw imclose(bw, se); % 先闭合断裂的齿根 bw imopen(bw, se); % 再去除毛刺和孤立点这里imclose在前、imopen在后是有意安排的齿轮图像的断裂通常发生在齿根和齿谷附近先闭运算恢复连续轮廓随后开运算只清除残留在齿面上的小亮点不会破坏刚恢复的大轮廓。disk半径 3 表示结构元素直径 7 像素对 640×480 图像是适中值。如果齿轮占图比例很小这个半径会显得过大容易把小缺口直接填平如果图像分辨率更高则需要相应放大否则过滤不掉纹理。2.2 区域属性如何区分“好的齿轮”和“坏的齿轮”二值化加形态学处理后判断缺陷的重任交给regionprops。区域属性度量的是面积、周长、形状复杂度这类几何量它们对光照不敏感对形态学处理后的轮廓比较稳定。齿轮检测中常用四个属性属性含义对齿轮缺陷的指向性Area前景像素总数缺一大块时面积显著下降FilledArea填充孔洞后的面积齿根断裂会产生孔洞填充面积差值变大Solidity面积 / 凸包面积缺齿使凸包外扩Solidity 明显降低Eccentricity区域离心率齿轮接近圆形值应接近 0异常缺口会拉大偏心正常齿轮的 Solidity 一般在 0.75 到 0.88 之间齿数越多齿越细Solidity 越低。如果检测结果显著偏离正常范围就要引起注意。以下代码在形态学处理后提取最大连通域并计算上述属性cc bwconncomp(bw); stats regionprops(cc, Area, FilledArea, ... Solidity, Eccentricity, BoundingBox); % 齿轮是图像中最大的连通域 [~, idx] max([stats.Area]); gearStats stats(idx); fprintf(Area %d, FilledArea %d\n, ... gearStats.Area, gearStats.FilledArea); fprintf(Solidity %.3f, Eccentricity %.3f\n, ... gearStats.Solidity, gearStats.Eccentricity);这段代码的价值在于把“肉眼看不出来”变成可量化指标。一个缺失宽度只占齿宽三分之一的微小缺口面积变化可能不到 2%肉眼几乎无法察觉但 Solidify 局部形状已经出现变化再配合径向距离分析就能锁定位置。后面第 5 章会重点讲径向距离法这里先用区域属性做粗筛。2.3 形态学流程对照表每种操作解决哪一类假象把形态学操作细分成下表可以避免盲目试参数。实际调参时先判断图像质量属于哪一类问题再选择对应操作不要四五个strel叠在一起。图像现象形态学操作结构元素建议齿面亮斑、金属反光点开运算disk, r2~4齿根断裂、齿谷桥接中断闭运算disk, r3~5齿轮与背景粘连、细长伪影开运算后再取最大连通域disk, r5~8齿轮边缘锯齿状闭运算后接开运算disk, r2~3注意开闭运算都是非线性滤波执行顺序对结果影响很大。先开后闭会保留断裂特征适合检测裂纹类缺陷先闭后开适合恢复轮廓整体形状也就是齿轮缺齿检测的默认选择。若图像中有大量碎屑应在形态学处理后追加bwareaopen(bw, 200)把小于 200 像素的连通域直接移除避免它们干扰最大连通域统计。3. 基于形态学处理的齿轮缺陷缺口检测 MATLAB 最小实现3.1 完整流程脚本从读图到缺陷标注下面给出可以在本地直接运行的完整 matlab 仿真脚本。它读入gear_sample.png输出三张图原始灰度图、形态学处理后的二值图、缺陷区域标注图。整套流程覆盖灰度化、二值化、形态学规整、连通域筛选和缺陷标记五个阶段。% gear_defect_detection.m close all; clear; clc; img imread(gear_sample.png); if size(img, 3) 3 img rgb2gray(img); end % ------------------ 1. 二值化 ------------------ % 自适应阈值适合光照不均场景BackgroundPolarity 指定齿轮 vs 背景关系 bw imbinarize(img, adaptive, ForegroundPolarity, dark, ... Sensitivity, 0.6); % ------------------ 2. 形态学规整 ------------------ bw bwareaopen(bw, 300); % 去掉小噪点 bw imclose(bw, strel(disk, 4)); % 桥接齿根断裂 bw imopen(bw, strel(disk, 2)); % 抹平齿面毛刺 % ------------------ 3. 取最大连通域 ------------------ cc bwconncomp(bw); if cc.NumObjects 0 error(没有检测到齿轮区域请检查阈值方向或 Sensitivity); end numPixels cellfun(numel, cc.PixelIdxList); [~, gearIdx] max(numPixels); gearMask false(size(bw)); gearMask(cc.PixelIdxList{gearIdx}) true; % ------------------ 4. 区域属性粗筛 ------------------ gearStats regionprops(gearMask, Area, FilledArea, ... Solidity, Eccentricity); fprintf(Solidity %.3f\n, gearStats.Solidity); fprintf(Eccentricity %.3f\n, gearStats.Eccentricity); % ------------------ 5. 凸包差集定位缺陷 ------------------ % 齿轮凸包应覆盖所有齿尖缺口与凸包之间的区域就是可疑缺陷 gearHull bwconvhull(gearMask, union); defectCandidates gearHull ~gearMask; defectCandidates imopen(defectCandidates, strel(disk, 3)); defectCC bwconncomp(defectCandidates); figure; subplot(1, 3, 1); imshow(img); title(原始图); subplot(1, 3, 2); imshow(bw); title(形态学处理后二值图); subplot(1, 3, 3); imshow(img); hold on; if defectCC.NumObjects 0 defStats regionprops(defectCC, Centroid, Area); for k 1:defectCC.NumObjects area defStats(k).Area; if area 80 % 过小区域视为误差 c defStats(k).Centroid; rectangle(Position, ... [c(1)-30, c(2)-30, 60, 60], ... EdgeColor, r, LineWidth, 1.5); end end end title(缺陷标注);3.2 关键参数说明自适应阈值的坑与松紧调节脚本中的Sensitivity是最容易踩坑的参数。Sensitivity越大阈值越敏感越容易把微弱的光照变化识别为前景。调节范围通常在 0.3 到 0.8 之间。0.6 是多数室内均匀光照齿轮图像的起点值光照偏暗时增大到 0.7反之降到 0.5。如果二值化结果中齿轮边缘出现非常密集的小孔洞说明Sensitivity过高背景纹理被当成前景。ForegroundPolarity决定灰度图中齿轮是亮还是暗。白色塑料齿轮在深色背景上前景是亮的应设置为bright金属齿轮做暗场照明时前景是暗的应设置为dark。这里写成dark的原因在于暗场照明下齿轮本身是吸光体而背景是光源直射亮区。实际使用前建议先统计图像灰度直方图确认峰值分布后决定方向不要盲目套用。凸包差集法来自一个几何事实无缺陷齿轮的凸包和齿轮自身的二值图之间只存在齿谷处的空隙有缺陷时缺口区域会被计入凸包但不在齿轮二值图中因此gearHull ~gearMask会把这些区域以较大连通块形式暴露出来。这样做不需要和标准模板比较只需判断凸包差集区域是否超过经验阈值 80 像素。阈值 80 来自 640×480 图像的像素密度换成高分辨率图像应按比例放大通常取齿轮总面积的 1/500 到 1/800。3.3 缺陷结果如何解读Solidity和凸包差集共同决定缺陷判定。正常齿轮 Solidity 在 0.75 到 0.88如果低于 0.7优先怀疑缺齿而不是缺口单个齿尖缺失会让凸包明显外扩Solidity 可能掉到 0.6 以下。凸包差集检测出的区域数量和面积是第二层证据一个齿尖缺口会产生 100 到 300 像素的差集区域而齿根正常缝隙只有 10 到 40 像素。两者结合能有效排除误报尤其是齿谷处的正常空隙不会被轻易认成缺口。若脚本输出没有任何缺陷标记但实际齿轮确实有缺口优先调整闭运算的disk半径。半径过大时小缺口被闭运算直接填平这也是形态学方法最典型的过度处理问题下一章专门展开。4. 齿轮图像形态学处理的 4 个典型翻车场景与参数修正4.1 边缘断裂严重时先自适应阈值还是先形态学最常遇到的第一个问题齿轮图像光照不均一侧亮一侧暗全局阈值把暗处齿根直接切掉亮处背景又和齿轮粘连。先做形态学没用——输入的二值图本身就是错的闭运算只能桥接几个像素的缝隙救不回整个齿根。正确的顺序是先用自适应阈值替代全局阈值。imbinarize(img, adaptive)会把图像分成小块分别计算阈值暗侧齿根也能保留下来。代价是背景噪声增多所以后面必须紧跟bwareaopen(bw, 300)过滤小块。如果自适应阈值后仍然有齿根断裂把Sensitivity从 0.6 降到 0.5让阈值更好地贴合局部灰度变化。调参时不要动大结构元素一味放大闭运算的半径会把小缺口填没。4.2 结构元素取太大小缺口被闭运算填平strel(disk, r)中的 r 每增加 1闭运算能桥接的断裂宽度约增加 2 像素。对于宽度只有 5 像素的微小缺口r4 的闭运算已经能把它填平检测结果里缺口消失。这个问题在调试时极具迷惑性因为看起来缺陷“不存在了”根本不会报错。针对小缺口检测结构元素半径遵循“刚好不过桥”原则先用 r2 闭运算观察齿根断裂是否恢复如果恢复不了再逐像素加 1直到断痕刚被桥接为止。这个过程应该是写一个循环测试不同 r 值而不是直接在脚本里填一个偏大的值。下表给出参考量级检测目标闭运算 r开运算 r备注齿尖缺口宽度 8 像素2 到 31 到 2偏大会漏检齿根断裂断口 10 像素4 到 52 到 3配合同心圆径向验证缺齿整个齿缺失6 到 103 到 5闭运算主要防齿根碎断4.3 背景噪声被当成齿轮部件连通域筛选强度不够齿轮图像如果包含传送带、桌面纹理或其他工件二值化后会出现多个大面积的连通域。此时直接取最大连通域可能把相邻部件和齿轮一起包进去Solidity 和凸包差集计算结果全部失真。修正方法是先取面积前 5 的连通域逐个计算Eccentricity齿轮的离心率一般低于 0.65细长工件通常大于 0.9。也可以用BoundingBox的宽高比作为补充判据齿轮的宽高比在 0.85 到 1.15 之间超出范围直接排除。bwareaopen的面积阈值不要设得太大以避免把齿轮和背景的连接部分切断建议保持在齿轮总面积的 5% 以内。常见做法是把所有候选连通域画出来人工核对一次确认筛选条件后再写死到脚本里。4.4 二值化后齿轮内部出现孔洞填充还是保留齿轮表面如果有冲压印记、字符或中心孔以外的盲孔在二值化后会形成前景内部的孔洞。缺陷检测时这些孔洞会被当成缺口输出一堆假阳性。保留正确中心孔信息的前提下使用imfill(gearMask, holes)可以把非中心孔区域一并填平中心孔本身由于和边界不连通会被保留。填充后再用gearMask ~filledMask就能提取出表面孔洞这些孔洞属于加工字符而非缺陷可以直接忽略。如果齿轮中心孔过大imfill会把它也填掉导致凸包差集计算失真。这种情况下先通过BoundingBox找到图像中心区域用圆形掩膜把中心孔区域抠掉再做填充。整套处理的顺序应该是取最大连通域 → 中心孔掩膜 → 填充表面孔洞 → 凸包差集计算。5. 用径向距离曲线精确锁定缺口角度和深度区域属性只能判断齿轮有没有问题生产现场更需要知道缺口在哪个齿的什么角度位置。径向距离方法是形态学处理后最直接的定位手段先获取齿轮边界坐标计算重心到每个边界点的距离再按极角排序绘制距离曲线。正常齿轮的曲线是周期性锯齿波峰值对应齿尖谷值对应齿根缺口所在位置距离值会明显低于相邻齿尖的峰值水平。% radius_curve.m — 假设 gearMask 已由前一步得到 boundary bwboundaries(gearMask, noholes); B boundary{1}; cy round(mean(B(:, 1))); cx round(mean(B(:, 2))); dy B(:, 1) - cy; dx B(:, 2) - cx; radius sqrt(dx.^2 dy.^2); theta wrapTo2Pi(atan2(dy, dx)); [theta, sortIdx] sort(theta); radius radius(sortIdx); % 平滑曲线避免单像素毛刺 radiusSmooth movmean(radius, 9); % 找齿尖峰值齿尖距离是局部极大值 [pks, locs] findpeaks(radiusSmooth, ... MinPeakHeight, mean(radiusSmooth), ... MinPeakDistance, round(numel(theta) / 60 / 2)); fprintf(检测到 %d 个齿尖\n, numel(pks)); if numel(pks) 目标齿数 fprintf(存在缺齿或缺口风险请检查径向距离曲线\n); endMinPeakDistance需要按齿数估算。例如目标齿轮 30 齿边界点总数约 2000平均每齿 67 个点峰间距约 33。这里除以 2 是为了不使用过小的峰间距导致误检实际调试时先从齿数反推间距再逐步放宽。如果检测出的峰数少于目标齿数缺口位置就落在缺失峰附近输出locs对应角度乘以 360 除以 2π 即可换算成物理角度。径向距离曲线还有一个关键优势不受缺齿数量的影响。区域属性和凸包法会因大面积缺齿而崩溃径向曲线始终按齿尖峰数量计数哪怕缺了三四个齿也能定位剩余齿的准确位置。最后一步是把角度值和缺陷类型绑定输出生成工程可直接使用的缺陷报告字段。整个 matlab 仿真链路从二值化到径向曲线全部基于形态学处理完成换一张新齿轮图只需要调整Sensitivity和MinPeakDistance两个参数。本文还有配套的精品资源点击获取