在布氏硬度測試中，壓痕直徑的測量精度直接決定硬度值的準確性。傳統的人工測量方式依賴操作者通過目鏡觀察并用刻線對準壓痕邊緣，這一過程存在主觀誤差大、測量效率低、重復性差等固有局限。對于小負載布氏硬度測試，壓痕尺寸通常在零點二毫米到一點五毫米之間，對測量精度的要求更高，人工測量的局限性更為突出。數字圖像處理技術的發展為壓痕自動測量提供了有效途徑，通過圖像傳感器采集壓痕圖像，利用圖像處理算法自動識別壓痕邊界并計算直徑，可以消除人為因素影響，提高測量精度和效率。本文研究基于數字圖像處理的小負載布氏硬度壓痕自動測量算法，包括圖像預處理、邊緣檢測、直徑計算等關鍵技術。

圖像采集是自動測量的基礎環節。壓痕圖像通過顯微鏡光學系統放大后由圖像傳感器轉換為數字圖像。光學系統的放大倍率根據壓痕尺寸選擇，通常為二十倍到五十倍，使壓痕占據視場適當比例。圖像傳感器采用CMOS或CCD芯片，分辨率對測量精度有直接影響。根據采樣定理，像素分辨率應優于測量精度的兩倍。對于要求測量精度零點零零一毫米的應用，像素對應的實際尺寸應不大于零點五微米，因此需要傳感器分辨率達到一千萬像素以上。照明系統采用同軸照明或環形照明方式，通過調節光源角度和強度獲得均勻照明，避免反光和陰影干擾圖像處理。

圖像預處理目的是改善圖像質量，為后續邊緣檢測創造有利條件。首先，進行灰度變換，將彩色圖像轉換為灰度圖像，簡化處理數據量。由于光照不均勻可能導致圖像灰度分布不均衡，采用直方圖均衡化方法增強圖像對比度，使壓痕區域與背景的灰度差異更加明顯。直方圖均衡化通過重新分配灰度級，使輸出圖像的灰度直方圖近似均勻分布，從而增強圖像整體對比度。對于光照嚴重不均勻的圖像，可采用自適應直方圖均衡化，將圖像分塊處理后合并，避免局部過暗或過亮。

噪聲濾除采用中值濾波或高斯濾波方法。中值濾波是一種非線性濾波技術，將像素鄰域內的灰度值排序后取中值作為輸出，對椒鹽噪聲有良好抑制效果，且能保持邊緣信息不模糊。高斯濾波是線性濾波，根據高斯函數計算鄰域內各像素的權重，對高斯噪聲有效，但可能使邊緣略微模糊。對于壓痕圖像，可先采用中值濾波去除孤立噪點，再采用高斯濾波平滑圖像，兩者結合可獲得較好效果。濾波窗口大小根據圖像分辨率確定，通常取三乘三或五乘五像素。

圖像增強通過銳化算子突出壓痕邊緣特征。拉普拉斯算子是一種二階微分算子，對灰度突變敏感，能夠增強邊緣細節。但拉普拉斯算子對噪聲敏感，通常先，進行平滑處理再應用。非銳化掩模方法將原圖像減去平滑后的圖像得到高頻分量，再將高頻分量加權加回原圖像，達到銳化效果。這種方法實現簡單，銳化程度可通過權重系數調節。

圖像分割將壓痕區域從背景中分離出來。壓痕區域灰度通常低于背景，可采用閾值分割方法。全局閾值分割選取一個固定閾值，將圖像二值化為壓痕和背景兩部分。閾值的選擇是關鍵，大津法通過計算類間方差自動確定閾值，對光照均勻的圖像效果良好。大津法原理是在灰度直方圖上以每個灰度級為閾值將圖像分為兩類，計算兩類之間的方差，方差較大的灰度級即為較佳閾值。對于光照不均勻的圖像，全局閾值難以適應，可采用局部閾值法，將圖像分成若干子塊，在每個子塊內分別計算閾值，再進行插值得到全圖像素級的閾值曲面。局部閾值法計算量大，但適應性更強。

二值化后的圖像可能存在微小孔洞或孤立噪點，需要通過形態學運算進行修正。開運算先腐蝕后膨脹，可以去除細小噪點，斷開狹窄連接。閉運算先膨脹后腐蝕，可以填充微小孔洞，連接鄰近區域。對于壓痕圖像，開運算可消除背景中的孤立亮點，閉運算可使壓痕內部孔洞閉合。形態學運算的結構元素尺寸根據壓痕大小和噪聲程度選擇，通常取三乘三或五乘五圓形結構。

邊緣檢測在分割出的壓痕區域基礎上精確提取邊界。Canny算子是一種經典的邊緣檢測算法，具有良好的信噪比和定位精度。Canny算法首先用高斯濾波平滑圖像，然后計算每個像素的梯度幅值和方向，常用的梯度算子包括Sobel、Prewitt等。梯度幅值大的像素可能是邊緣點，但單純用閾值判斷會產生寬邊緣。非極大值抑制沿梯度方向比較相鄰像素的梯度幅值，只保留局部大值點，細化邊緣。最后通過雙閾值檢測連接邊緣，高閾值得到強邊緣，低閾值得到弱邊緣，強邊緣直接輸出，弱邊緣只有與強邊緣連接時才輸出。這種策略可以抑制噪聲引起的偽邊緣，保持邊緣連續性。

對于壓痕圖像，由于壓痕邊界通常閉合且形狀近似圓形，可在邊緣檢測后利用圓形擬合進一步優化。最小二乘法擬合圓是常用方法，設圓的方程為x平方加y平方加Ax加By加C等于零，將邊緣點坐標代入，通過最小化誤差平方和求解參數A、B、C，進而得到圓心坐標和半徑。這種方法對邊緣點噪聲有一定抑制作用，能夠獲得亞像素精度的直徑值。

霍夫變換也可用于圓形檢測。標準霍夫變換將圖像空間中的邊緣點映射到參數空間，通過累加器投票檢測圓形。但標準霍夫變換計算量大，對內存要求高。隨機霍夫變換通過隨機采樣邊緣點，減少計算量，適用于實時性要求較高的場合。

直徑計算在獲得壓痕邊界后進行。對于最小二乘法擬合圓，直接得到圓直徑作為壓痕直徑。對于邊緣點集，也可計算各點到圓心的距離，取平均值的兩倍作為直徑。為保證測量準確性，通常測量多個方向的直徑，如相互垂直的兩個方向，取平均值。系統還應輸出壓痕的圓形度參數，即長短軸之比，用于判斷壓痕形狀是否正常。如果圓形度過大，說明壓痕變形嚴重，應提示操作者檢查測試條件或試樣狀態。

測量結果的可靠性需要通過驗證來保證。采用標準刻線尺進行像素當量標定，標準刻線尺上有精密加工的刻度線，間距經過計量標定，如每毫米一百條線即間距零點零一毫米。將刻線尺置于工作臺上，采集圖像后測量相鄰刻線的像素距離，即可計算出每個像素對應的實際尺寸。像素當量應在不同視場位置分別標定，以修正光學系統的畸變。測量系統還應定期用標準壓痕板進行驗證，將系統測量值與標定值比較，偏差應在允許范圍內。

算法性能通過重復性測試和準確性比對進行評價。重復性測試對同一壓痕連續測量十次，計算測量值的標準偏差，應小于零點零零一毫米。準確性比對用標準壓痕板或標準硬度塊，將系統測量值與標定值比較，偏差應小于百分之一。處理速度方面，對于一千萬像素圖像，算法應在三秒內完成處理，滿足實際測試效率要求。

針對小負載布氏硬度壓痕的特點，算法需要處理一些特殊情況。當壓痕邊緣存在微小毛刺時，邊緣檢測可能產生局部凸起，影響擬合精度?？稍谶吘夵c集中剔除偏離較大的異常點，或采用魯棒估計算法降低異常點權重。當壓痕表面有劃痕或污點干擾時，可能被誤識別為邊緣點，需要通過形態學運算或連通域分析排除干擾。對于反光較強的材料，壓痕內部可能出現高光區域，使邊緣檢測不連續，可改進照明方式或在圖像處理中采用高光抑制算法。

隨著深度學習技術的發展，基于卷積神經網絡的壓痕識別方法逐漸成熟。通過訓練大量標注的壓痕圖像，神經網絡可以自動學習壓痕特征，對復雜表面的適應能力更強，對缺陷的識別更準確。卷積神經網絡由卷積層、池化層和全連接層組成，能夠自動提取圖像的多層特征，實現端到端的壓痕直徑回歸。這種方法減少了對手工特征設計的依賴，在光照變化、材料多樣性等復雜條件下表現更穩定。但神經網絡模型需要較大的存儲空間和計算資源，在嵌入式平臺上的部署仍需進一步優化。

基于數字圖像處理的壓痕自動測量算法，使小負載布氏硬度測試實現了自動化和智能化。操作者只需放置試樣并啟動測試，系統自動完成圖像采集、壓痕識別、直徑計算和硬度值輸出，整個過程無需人工干預，消除了人為誤差，提高了測量效率和重復性。隨著圖像傳感器分辨率的提高和算法的持續優化，壓痕測量精度將進一步提升，為材料硬度測試提供更可靠的技術手段。