汽車傘齒輪多目視覺檢測系統與算法

劉瑞玲,鐘德星,韓九強

(西安交通大學電子與信息工程學院, 710049, 西安)

汽車傘齒輪多目視覺檢測系統與算法

劉瑞玲,鐘德星,韓九強

(西安交通大學電子與信息工程學院, 710049, 西安)

針對人工檢測汽車傘齒輪表面缺陷與尺寸參數存在成本高、工作量大、檢測速度慢且產品一致性差等問題,利用機器視覺技術進行研究,開發了一種集缺陷檢測和尺寸測量于一體的傘齒輪多目視覺檢測裝置。通過構建的鄰域均差缺陷提取、圓逼近和快速旋轉定位3種高效圖像處理算法,解決了傘齒輪齒面多、外形結構復雜、缺陷種類多樣等復雜條件下的齒輪缺陷與尺寸檢測難題。可檢測缺陷包括磕碰傷、裂紋、充填不滿、劃痕、凹陷與凸起、麻點、花鍵重復拉削等,可檢測最小缺陷尺寸為0.4 mm×0.4 mm,測量精度為40～50μm,單次檢測耗時小于1.3s,檢測精度與速度均滿足傘齒輪高速自動化生產線的實時在線檢測需求。

多目視覺;傘齒輪;缺陷檢測;尺寸測量

傘齒輪又稱汽車換擋齒輪,是汽車變速器中的重要傳動部件,其質量好壞直接影響變速系統乃至整個汽車的運行狀態[1]。據統計,汽車變速器故障約占汽車底盤故障的1/3,其中由于齒輪質量問題造成的故障比重最大[2]。雖然目前汽車傘齒輪從設計、材料到制造工藝等方面已相當成熟和規范,但在高速生產線中仍難免產生如尺寸偏差、表面劃痕、壓傷、凹陷、填充不滿等缺陷。使用有缺陷的齒輪不僅會給廠家帶來巨大的損失,更會降低汽車的實用性能,埋下安全隱患[3-5]。

目前,國內外主要采用人工完成傘齒輪的缺陷檢測,效率低、工作量大,難以保證質量的穩定性和一致性。近年來,日本大阪精密機械株式會社研發出一種高精度的齒輪測量儀,但其檢測速度緩慢,無法滿足傘齒輪高速生產線的檢測需求。國際上已有采用機器視覺技術進行齒輪缺陷檢測的應用,但主要是針對普通齒輪的斷齒或平面缺陷進行檢測,對結構更為復雜的傘齒輪缺陷檢測尚無先例。由于傘齒輪外形結構復雜,尺寸測量任務多,缺陷種類多樣,采用傳統的單相機視覺系統難以獲取足夠的有效信息,無法實現多尺寸快速精準測量和全面準確的缺陷檢測分類。

機器視覺是用機器模擬人眼對目標對象進行檢測、識別、判斷和測量的一種先進檢測技術[6-7]。針對上述問題,本文研制出一種集缺陷檢測和尺寸測量于一體的傘齒輪多目視覺檢測裝置,并提出鄰域均差缺陷提取、圓逼近和快速旋轉定位等3種高效圖像處理算法,成功解決了傘齒輪齒面多、外形結構復雜、缺陷種類多樣等復雜條件下的齒輪缺陷與尺寸參數的高速高精度檢測難題。

1 檢測項目與需求分析

本文所研制的傘齒輪缺陷檢測系統裝置目前主要針對A4和F6兩種直齒傘齒輪進行缺陷檢測和尺寸測量,如圖1所示。

圖1 A4和F6兩種直齒傘齒輪的樣品圖

兩種傘齒輪的缺陷檢測和尺寸測量需求如下。

(1)如圖2所示,傘齒輪齒端表面、球面或安裝端面的缺陷檢測,包括磕碰壓傷、裂紋、充填不滿、折疊、劃痕、凹陷與凸起、花鍵重復拉削等,其最小可檢測缺陷尺寸大于0.5 mm×0.5 mm。

(2)傘齒輪高度、花鍵大小徑、止口直徑、大外圓直徑和小外圓直徑的測量,檢測精度為80～100μm。

(3)檢測速度要求為一次檢測耗時大約1 s。

2 硬件設計方案

傘齒輪的齒數多、齒面側向各異、缺陷類型多樣,例如A4齒輪有13個齒、26個齒面,F6齒輪有14個齒、28個齒面,如何能夠實現傘齒輪全齒各異側面缺陷實時在線檢測是傘齒輪缺陷檢測面臨的最大困難。一種方案是采用單相機旋轉定位拍攝方式,但這種方式需要高精度的旋轉定位系統,檢測速度過慢,滿足不了生產線的高速檢測需求。

圖2 傘齒輪表面缺陷舉例

針對傘齒輪齒面均勻分布、旋轉對稱的結構特點,提出多臺高速相機同步采集處理的檢測方案,其檢測速度比單相機旋轉定位方式提高了一個數量級。

本系統采用的檢測方案如圖3所示,以9臺高速USB相機對傘齒輪的不同部位同時進行拍攝。頂面相機是整個圖像采集系統的核心,用于傘齒輪的定位和上下表面的缺陷檢測與尺寸測量。7臺側面相機均勻布設在傘齒輪的周圍,相對于水平面的傾角約為45°,與傘齒輪的齒槽基本垂直,用于對傘齒輪側齒表面的缺陷檢測。對A4齒輪而言,每個側面相機的視場中有4～5個齒面,這樣7臺相機可以拍攝到所有的齒面,不存在死角。此外,在設備臺面上固定一臺視野為水平方向的相機,用于齒輪的高度信息測量。當上料完畢后,操作人員發出指令控制多臺相機同時拍攝,采集的圖像分時傳送到工控機中,工控機完成圖像處理,并根據處理結果發出相應的指令或進行顯示。

針對傘齒輪不同位置的檢測精度要求,本裝置采用了300萬像素、200萬像素和130萬像素3種分辨率的工業相機,根據傘齒輪實際尺寸和成像尺寸可以計算出圖像中一個像素代表的實際尺寸約為40～50μm。圖像檢測結果的單位是像素,也就是說,對汽車傘齒輪的高度、花鍵大小徑、止口直徑等尺寸測量精度為40～50μm。

圖3 傘齒輪檢測方案示意圖

圖4 傘齒輪檢測方案硬件結構框圖

系統硬件結構分為4個模塊:攝像模塊、控制與處理模塊、輸入與輸出模塊和齒輪旋轉模塊,如圖4所示。攝像模塊由9路高速工業相機和一個頂面環形光源構成,環形光源用于對整個系統的照明,9路相機用于對傘齒輪各個部位進行圖像采集;控制與處理模塊是整個檢測系統的中樞,負責圖像處理和檢測結果與指令的輸出;輸入與輸出模塊包括顯示器、鍵盤、鼠標和踏板,顯示器用于顯示傘齒輪檢測結果,鼠標和鍵盤用于對軟件操作,腳踩踏板用于啟動檢測(本系統另有軟件按鈕觸發和自動觸發兩種啟動模式);齒輪旋轉模塊由步進電機和減速機組成,用于在模板采集和齒輪特殊部位檢測時對傘齒輪進行高精度旋轉。

3 軟件設計方案

在硬件基礎上,針對多任務、高精度、高速度檢測要求,在MFC和OpenCV平臺下開發出傘齒輪缺陷檢測系統軟件。傘齒輪的檢測包括正面檢測和背面檢測兩大模塊。系統可自動識別出當前檢測的是傘齒輪的正面還是背面,并判斷出傘齒輪是否放正。正面檢測又包括傘齒輪上表面檢測和側面檢測兩個子模塊。每個子模塊都包含缺陷檢測和尺寸測量兩部分。傘齒輪缺陷檢測系統的整體流程如圖5所示。對于一個新樣本的檢測,系統按照上表面檢測→側面檢測→背面檢測的流程進行,如果在某一環節檢出缺陷,立即對缺陷進行標注,輸出缺陷信息和已測量出的尺寸信息,終止檢測進程。

圖5 傘齒輪缺陷檢測系統的整體檢測流程

傘齒輪缺陷檢測系統軟件包括缺陷檢測、設備校準、模板采集和參數設定4大模塊。其中設備校準模塊對9個相機的位置、光圈和焦距進行校準,模板采集完成標準合格齒輪的樣本采集與尺寸校準,參數設定針對不同的傘齒輪檢測任務進行相關參數設置,缺陷檢測則給出當前檢測任務的缺陷信息、圖像標注、尺寸信息和統計信息等。本系統對某傘齒輪上表面進行缺陷檢測的情況如圖6所示,畫面顯示該齒輪的齒端有兩處磕碰傷。

圖6 傘齒輪上表面有缺陷的檢測結果

4 缺陷檢測關鍵技術

針對傘齒輪表面缺陷復雜多樣、檢測時間要求短,一般缺陷檢測算法難以勝任的問題,本系統采用多線程處理技術,提出了鄰域均差缺陷提取、圓逼近、快速旋轉定位等多種高效圖像處理算法。

4.1 鄰域均差法

從紋理的角度來看,物體表面的各種缺陷表現為紋理的波動、扭曲、起伏、粗糙等特征,可以通過對齒輪表面紋理的分析進行缺陷檢測。基于灰度直方圖的紋理描述算子包括均值、標準差、平滑度、三階矩、一致性和熵等,經過大量實驗驗證三階矩和平滑度兩種描述算子的組合對齒輪表面的缺陷識別效果最好。

基于灰度直方圖的紋理量度描述算子很多,例如峰度、粗糙度等,因此具有較好的可擴展性,但該方法對外界干擾比較敏感,閾值設定復雜,需要經過大量的實驗來確定。這類算子計算出來的數據不能直接全面地表達缺陷的性質,因此本系統重新提出一種鄰域均差缺陷提取算法,步驟如下:

步驟1計算某個鄰域內的像素均值,設鄰域區域為D×D像素,本系統中D=30,統計該鄰域內像素大于0的像素點個數N;

步驟3求出該鄰域內像素的均值M,M=S/N;

步驟4當該鄰域內某點像素值與均值差異較大時,標記該點為缺陷點,即當|p(i,j)-M|>δ時,令p(i,j)=255,δ為設定的閾值。

鄰域均差缺陷提取算法可以將缺陷整體提取出來,并通過計算缺陷的面積將較大的缺陷檢測出來,而忽略一些面積較小、對產品質量影響不大的缺陷。此外,通過膨脹腐蝕等操作可以在一定程度上濾除樣品表面的雜質、灰塵和污垢等干擾。

4.2 圓逼近法

為快速檢測齒輪結構上實圓或擬合圓的位置和尺寸,提出圓逼近算法。該算法利用了尺寸測量時已實現的傘齒輪定位結果,即可估計出待測圓的大概位置,其基本思想是:以初始化的圓心和半徑繪制一個圓,慢慢將其擴張或收縮,同時圓心不斷移動,使繪制圓逐漸向待檢測圓逼近,直到兩者完全吻合為止,具體步驟如下:

步驟1對原始圖像做閾值分割,提取出待檢測圓邊緣,作為目標像素集合C;

步驟2設置擬合圓圓心和半徑的初始值(x0,y0)、r0,設置角度旋轉步長θ;

步驟3令半徑增大或減小,即r0=r0+δr或r0=r0-δr,其中δr為半徑每次遞增或遞減的值;

步驟4以當前圓心和半徑值計算出擬合圓上的像素集合C′,并求出C′與集合C的交集X及X的元素個數Xnum,如果X為空,返回步驟3;

步驟5如果X不為空,判斷Xnum是否滿足要求,若滿足則輸出圓心和半徑信息,否則令圓心在其8鄰域內移動,找到X內元素最少時的圓心值并記錄,返回步驟3。

在判斷集合C與C′的交集時,需要用到角度旋轉步長θ,其計算方式如圖7所示。θ為旋轉的角度步長,A、B為圓弧上的旋轉起點和終點,圓半徑為R,A、B之間的直線距離為L。為了計算方便,將圓心坐標設為(0,0),B點坐標為(R,0),A點坐標為(x1,y1),則有

x1=Rcosθ;y1=Rsinθ

L2=(R-Rcosθ)2+R2sin2θ

因此,θ=arccos((2R2-L2)/2R2)。

圖7 圓逼近算法中角度步長的計算示意圖

理論上,θ越大算法的執行速度越快,但同時算法對干擾的魯棒性會逐漸下降,檢測精度也會不斷降低,因此應該綜合檢測精度、執行速度和算法的抗干擾強度來設定角度旋轉步長。此外,也可采用動態的步長設定方式,在圓逼近的初期,步長設置較大,快速地向待測圓逼近,一旦接觸到待測圓后,立即減小步長,在小范圍內對待測圓進行逼近擬合,這樣既可以提高檢測效率,又能保證算法的檢測精度。

為了驗證圓逼近算法的檢測效果,使用圓逼近算法和Hough變換算法分別對圖8中的月球輪廓進行擬合。兩種方法擬合效果幾乎完全相同,人眼無法分辨。表1給出了兩種算法的比較結果,數據表明,圓逼近算法的初始參數設置與Hough變換相差不大,但圓逼近算法的檢測速度卻是Hough變換的50倍左右。另外,經典Hough變換算法不可用于高分辨率圖像中的圓檢測,其參數空間矩陣會隨著圖像分辨率增加急劇增大,導致運算量、存儲空間都相當大,而圓逼近算法沒有這方面的限制,其思想簡單、計算量少、運算速度快,非常適合于高精度的圓檢測場合。

圖8 月球圖片(952×672像素)及輪廓擬合效果

本算法要求初始化的擬合圓與待測圓有共同區域(包含或相交),當然也可以通過圓心遍歷的方式來實現對任意圓進行檢測,但是這樣會使該算法的速度優勢大打折扣。

4.3 傘齒輪快速旋轉定位

為了利用模板匹配算法實現缺陷檢測,需要將齒輪原始圖像變換到一個標準位置,從而提取相符的齒輪模板。該工作需要計算齒輪的旋轉角度,主要包括3個步驟:

步驟1中心定位,提取傘齒輪中心圓的圓心;

步驟2獲取完整的齒端頂面圖像;

步驟3計算旋轉角度α。

下面主要介紹α的計算。A4齒輪有13個齒,齒與齒之間均勻分布,相鄰兩齒之間的夾角為360°/13=27.69°,如圖9所示。將每一個齒面的幾何中心與圓心的連線到x軸的夾角定義為這個齒的角度,并將其換算為第一象限0到27.69°的范圍內,剔除其中差異較大的角度值,其余的取均值,即為齒輪的標準旋轉角度。

圖9 傘齒輪角度計算示意圖

實驗證明,上述齒輪旋轉定位方法的精度非常高,誤差在0.005°左右,完全可以滿足齒輪定位的需求。

5 系統實物與檢測結果

本文研制出的汽車傘齒輪多目視覺檢測系統實物圖如圖10所示。由于傘齒輪加工的生產環境比較復雜,因此本裝置在保證應有的檢測功能之外,在設計加工過程中特別注重整個裝置的穩定性,用料扎實,外觀厚重。為了適應各種檢測對象和測量任務,系統設計了一系列的位置調節元件,其中相機和光源距離桌面的高度可以通過設備上方的旋轉拉桿進行調整,每個相機在水平方向的位置可以進行微調,側面相機可以在較大范圍內調整傾斜角度和到齒輪的距離,因此本系統可以對絕大多數傘齒輪以及其他類似結構的齒輪或者零件進行檢測和測量。

表1 Hough變換與圓逼近算法擬合月球輪廓的效果比較

圖10 傘齒輪缺陷多目視覺檢測機實物圖

下面是本系統對A4和F6兩種傘齒輪,各84個樣品進行檢測的結果。表2、表3、表4為A4傘齒輪的缺陷檢測數據,表5、表6、表7為F6傘齒輪的缺陷檢測數據。實驗結果表明,系統對兩種齒輪各個部位的尺寸測量準確率均為100%,測量精度為45 μm左右,反復測量誤差不超過90μm,最小可檢測缺陷尺寸為0.4 mm×0.4 mm,單次檢測耗時小于1.3s,檢測精度與速度均可滿足傘齒輪高速自動化生產線的實時在線檢測需求。

表2 A4傘齒輪上表面缺陷檢測數據

表3 A4傘齒輪側面缺陷檢測數據

表4 A4傘齒輪背面缺陷檢測數據

表5 F6傘齒輪上表面缺陷檢測數據

表6 F6傘齒輪側面缺陷檢測數據

表7 F6傘齒輪背面缺陷檢測數據

6 結 論

本文所研制的汽車傘齒輪缺陷多目視覺檢測系統采用了先進的機器視覺技術,成功解決了傘齒輪齒面多、外形結構復雜、缺陷種類多樣和高速高精度的檢測難題。研究表明,采用機器視覺技術可以替代人工實現對傘齒輪的高速高精度、全方位缺陷檢測和尺寸測量,提高傘齒輪加工的生產效率與自動化程度。

本系統裝置主體功能已完成,但仍有一些地方需要改進。例如,傘齒輪的邊緣區域成像效果復雜,目前方法尚不能可靠檢測。在后續工作中,擬采用模板匹配和區域紋理量度相結合的方法或直接對待檢圖像進行模板匹配的方法進行檢測,但這兩種方案都要求待檢圖像和模板有很高的匹配度,對傘齒輪角度提取算法是一個考驗。另外,本系統對對比度比較差的表面缺陷檢測效果不太理想,主要為暗坑和暗劃痕兩種缺陷,擬通過改進光照和相關算法進行解決。

[1] SHAO Yimin, LIANG Jie, GU Fengshou, et al.Fault prognosis and diagnosis of an automotive rear axle gear using a RBF-BP neural network [J].Journal of Physics: Conference Series, 2011, 305(1): 12063-12073.

[2] PAREY A, TANDON N.Impact velocity modelling and signal processing of spur gear vibration for the estimation of defect size [J].Mechanical Systems and Signal Processing, 2007, 21(1): 234-243.

[3] SARAVANAN N, RAMACHANDRAN K I.Fault diagnosis of spur bevel gear box using discrete wavelet features and decision tree classification [J].Expert Systems with Applications, 2009, 36(5): 9564-9573.

[4] 張勇.汽車設計齒輪分類方案比較分析 [J].現代商貿工業, 2009, 21(19): 292-293.

ZHANG Yong.Comparative analysis of automobile gear classification scheme [J].Modern Business Trade Industry, 2009, 21(19): 292-293.

[5] HAYES M.Better bevel gear production [EB/OL].(2010-01-01) [2013-09-28].http:∥www.gear-solutions.com/article/detail/6076/better-bevel-gear-production.

[6] CUBERO S, ALEIXOS N, MOLTO E, et al.Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables [J].Food and Bioprocess Technology, 2011, 4(4): 487-504.

[7] GOLNABI H, ASADPOUR A.Design and application of industrial machine vision systems [J].Robotics and Computer-Integrated Manufacturing, 2007, 23(6): 630-637.

[本刊相關文獻鏈接]

呂濤,劉志剛,鄧忠文,等.一種光纖組量程擴增的激光頻率掃描干涉絕對測距系統.2013,47(9):77-82.[doi:10.7652/xjtuxb201309013]

穆為磊,高建民,王昭,等.考慮人眼視覺特性的射線檢測數字圖像質量評價方法.2013,47(7):91-95.[doi:10.7652/xjtuxb201307017]

黃進,金煒東,秦娜,等.消除陰影和高亮噪聲的雙梯柱體碼本前景檢測模型.2013,47(4):28-34.[doi:10.7652/xjtuxb 201304006]

郝元宏,韓靜,齊春.一種新的浮選泡沫圖像識別方法.2011,45(4):104-108.[doi:10.7652/xjtuxb201104019]

劉京鑫,孫劍,孟德宇.基于視覺原理的分類算法.2010,44(10):116-119.[doi:10.7652/xjtuxb201010022]

張斌,梅魁志,郭青.仿生物視覺的非均勻采樣方法及其硬件設計.2010,44(6):99-103.[doi:10.7652/xjtuxb201006019]

馬加慶,韓崇昭.一種多線索融合的均值偏移跟蹤算法.2009,43(10):42-46.[doi:10.7652/xjtuxb200910009]

張國亮,謝宗武,蔣再男,等.模糊化多視覺信息融合的視覺跟蹤策略.2009,43(8):33-37.[doi:10.7652/xjtuxb200908 007]

歐陽誠蘇,袁軍,田軍委,等.人眼視覺特性與粗糙集結合的X射線圖像增強算法.2009,43(6):48-51.[doi:10.7652/xjtuxb200906011]

張國亮,王捷,劉宏.大范圍視覺伺服方法在空間機器人上的應用.2009,43(1):85-89.[doi:10.7652/xjtuxb200901019]

(編輯 武紅江)

BevelGearDetectionSystemwithMulti-CameraVision

LIU Ruiling,ZHONG Dexing,HAN Jiuqiang

(School of Electronics and Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

It is expensive, inefficient, slow and imprecise to detect surface defects and dimension parameters of automotive bevel gear by manual observing.A synthetic bevel gear detection system and device with multi-vision technology are developed.The system is able to detect surface defects and measure gear dimension simultaneously.Three efficient image processing algorithms named Neighborhood Mean Value Difference Defect Extraction, Circle Approximation Method and Fast Rotation and Position are proposed, and knocked holes, cracks, scratches, dints, gibbosities and repeated cuttings of spline can be rapidly detected.The detection process takes no more than 1.3seconds.The dimensions of the detectable defects are 0.4 mm×0.4 mm and the dimension measurement precision reaches 40-50μm.

multi-vision; bevel gear; defect detection; dimension measurement

2013-11-01。

劉瑞玲(1977—),女,講師;鐘德星(通信作者),男,講師。

陜西省自然科學基金資助項目(2012JQ8042);中央高校基本科研業務費專項資金資助項目(xjj2013020)。

時間:2014-03-06

10.7652/xjtuxb201404001

TP391

:A

:0253-987X(2014)04-0001-07

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20140306.1027.004.html