基于機器視覺雙尖燈泡燈絲同軸檢測系統

蔡述庭，郭金華

（廣東工業大學 自動化學院，廣東 廣州510006）

0 引 言

雙尖燈泡 （如圖1所示）質量的好壞，直接或間接影響到車載照明質量以及汽車企業的形象和聲譽。因此，各大汽車企業，對雙尖燈泡的質量和外觀提出了更高的要求。燈絲質量的好壞主要取決于燈絲位置及燈絲長度是否符合行業標準，燈絲位置是位于與燈尖同軸的玻璃柱體內，它影響發光的均勻性，而燈絲長度直接影響照明的亮度。目前大批量連續的生成過程中，一種方法是采用人工觀測法來對燈絲參數進行辨別，這種辨別方法勞動強度大，生產效率低，極易受人主觀性的影響，可靠性差；另外一種方法是抽樣檢查法，從一批燈泡中隨機抽取一定數量的樣品，對樣品進行檢驗，然后利用統計方法，判斷這批燈泡是否合格，此方法存在著 “良品當作不合格品，不合格品當作良品”的風險。

圖1 雙尖燈泡結構

針對上述的情況，本文根據機器視覺系統可以獲取的信息量大、精確度高、重復性好、操作簡單方便，且易于實現信息集成等優點，將機器視覺技術應用到雙尖燈泡燈絲同軸檢測產品上。實踐結果表明，該系統具有組裝方便、高效實時、穩定的特點，能夠滿足生產在線檢測的要求。

1 檢測系統的構成及圖像獲取

整個機器視覺檢測系統如圖2所示，該系統由1個500 W 工業面陣相機、1個遠心鏡頭、1個可調式背光源、1塊雙芯片圖像采集卡、剔除單元和工業控制電腦組成，其中工控電腦涵括了自動圖像處理及判決軟件。

圖2 視覺檢測系統

系統的基本檢測流程概況如下：首先由光電傳感器感應到攝像機視野下的雙尖燈泡，然后觸發相機拍照，圖像采集卡將采集到的圖像存儲到計算機內存中供圖像檢測軟件處理和分析，最后處理的結果可根據傳輸帶當前的速度，由I／O 控制口輸出剔除指令驅動外部剔除裝置，剔除不合格的產品。

圖3是利用上述系統捕獲到的一組雙尖燈泡圖像，圖像的格式為BMP，大小為1940＊2588pixels的灰度圖像。其中圖3 （a）中燈絲同軸，圖3 （b）中燈絲非同軸。燈絲質量檢測關鍵在于圖像處理技術，后文著重從這方面論述。

圖3 采集到的實物

2 圖像處理

2.1 燈絲形態學處理及細化

燈絲作為燈泡的主要發光部分，它的長度及位置都是影響發光的主要因素。針對本課題研究方向，正確的分割燈絲在檢測中首當其沖。圖4 （a）是在大背光源打光下采集得到的高清圖像，可以清楚的看到燈絲位于直徑1.5cm的圓柱體內，并且燈絲兩頭與比自身直徑大的導線相連。根據這一結構特點，本文主要利用形態學開運算和差分運算算法來準確提取燈絲。提取的算法步驟如下：

（1）感興趣區域（ROI）的定位，后續處理只在燈絲所在區域進行。ROI精確定位圖像如圖4（b）所示，經過該處理使系統處理速度提高10倍，且能理想的去除大背景噪聲影響。

（2）在ROI區域中進行二值化分割，灰度閾值選取范圍在 ［0，180］。這樣燈絲及連接燈絲的導線就分離出來了，記為f（x，y）。

（3）根據燈絲和導線在寬度尺寸上的差距，選擇結構元SE大于燈絲寬度小于導線寬度的圓對f（x，y）進行開運算［1］，開運算目的是消除比結構元素小的燈絲，記為g（x，y），如圖4 （d）所示。

（4）將步驟 （2）（3）獲得的圖像作減法運算，獲取燈絲d（x，y）＝f（x，y）－g（x，y），如圖4 （e）所示。

（5）燈絲細化 （即提取燈絲的中軸）。細化能夠消除燈絲表面毛刺及凹凸區域，便于后續精確測量。

圖4 燈絲提取過程

2.2 基于高斯曲線擬合亞像素邊緣的檢測

為了提高雙尖燈泡燈絲幾何參數圖像測量精度，傳統像素級邊緣檢測算法［2，3］如Sobel算子、Laplacian 算子和Robert算子等至多能達到像素級精度，已經不能滿足實際測量需要。因此，本文采用基于高斯曲線擬合亞像素邊緣的檢測算法［4－6］來提取燈體邊緣，該算法的詳細定義請參見文獻 ［4］。

算法步驟總結如下：

（1）用高斯濾波器去除噪聲點干擾，當σ＝ ［0.5，0.8］去噪效果較好。

（2）用像素級Sobel算子粗定位圖像邊緣。采用的Sobel模板如圖5所示。

圖5 Sobel模板

（3）選取擬合點，對 （2）中提取的邊緣點沿梯度方向進行高斯擬合。高斯曲線可表示為

式中：u——均值，σ——標準差。為了簡化計算復雜度對式 （1）兩邊取對數得到

式 （2）可以看成形如：y＝ax2＋bx＋c的二次曲線（a，b，c待定系數），根據方形孔徑采樣定理每個像素灰度值可以表示成

令n＝0處為差分最大值點，其值為y （0），n＝－1、n＝1是其相鄰的離散序號，值分別表示為y （－1）、y（1）。將n＝0、－1、1代入式 （3）就可以求出待定系數a、b、c的值表示如下

（4）亞像素邊緣點定位，找到高斯曲線的極大值對應位置，即亞像素邊緣點。我們知道二次曲線的極值位于x ＝－a，也就是亞像素的邊緣點。

（5）用最小二乘法擬合［7］（4）中的獲得的亞像素點就可以獲得亞像素邊緣線了。

圖6 （a）是利用上述方法對燈體邊沿進行亞像素邊緣檢測，邊緣線用寬黑體線表示。提取該邊緣線的目的是作為燈絲同軸檢測基準線。圖6 （b）是圖6 （a）中小矩形方塊的局部放大圖，圖6 （b）中每個小方塊代表一個像素，可以看出亞像素邊緣點是穿過每個像素點，而非在像素邊緣。

圖6 亞像素邊緣檢測結果

3 雙尖燈泡燈絲識別

圖像識別是人工智能的一個重要領域，它通過對物體特征進行度量，每個度量都描述物體某種特性的值，而圖像特征是各種各樣幾何參數的一個函數，如物體的面積大小、周長、矩形度等。本課題需要判定發光燈絲是否同軸，及測量燈絲的長度。

首先對于燈絲同軸定義表述為燈絲位于直徑為1.5cm玻璃柱體的軸線上，或者表示為燈絲相對于基準線保持在同一直線的情況，也通常所說的共軸。由于燈絲存在圓柱體內，因而在不同側面觀察，得到的位置狀況是不同的。所以要想完全檢測燈絲的同軸度情況，需要從多角度采集圖像 （0°、45°、90°等），分別進行圖像處理及分析。圖7表示了0°及旋轉90°后采集得到的圖像，從這兩幅圖像中可以看出同一燈絲在燈泡中的不同形態。

對不同角度采集到的燈泡圖像進行燈絲同軸檢測的具體方法如下：

（1）提取基準線。根據燈泡玻璃柱體一致性好特點，利用上文基于高斯曲線擬合亞像素邊緣的方法提取出玻璃柱體上下邊緣Ledgeup、Ledgedown作為基準線，如圖6 （a）所示。

圖7 不同角度采集得到的圖像

（2）檢測點的選擇。取燈絲骨架上起始點周圍若干點的均 值（x－start，珔ystart），中 心 點 周 圍 若 干 點 的 均 值（x－m，珔ym），同樣末尾點均值（x－L，珔yL）。

（3）計算均值點到基準線的距離。假設上邊緣Ledgeup的直線方程方程為

下邊緣Ledgedown的直線方程為

則燈絲骨架起點均值（x－start，珔ystart）到Ledgeup，Ledgedown的距離分別為

同理可以計算出中點均值（珔xm，珔ym）到兩基準線距離記為d20，d21，末尾點均值（珔xL，珔yL）到兩基準線距離為d30，d31。

（4）判別燈絲質量。根據檢測要求，本文所取的同心度偏差Φ＝±0.75 mm。所以如果當 （｜d10－d11｜≤Φ＆＆｜d20－d21｜≤Φ＆＆｜d30－d31｜≤Φ）則說明燈絲是同軸的，否則燈絲不同軸，即不良品。

燈絲長度檢測，在分割出燈絲后，利用最小外接矩形法［8，9］，可以計算出燈絲的最小外接矩形。那么燈絲長度就可以表示為l＝2＊Rb，其中Rb為最小外接矩形的長軸，長度檢測誤差△＝±0.5mm。注意以上測量數據都在相機正確標定之后得到的，標定詳見參考文獻 ［10－12］。

4 系統軟件及操作界面設計

4.1 系統軟件

系統軟件設計的目的是實時檢測雙尖燈泡燈絲的質量，設計依據由各部分檢測依次順序執行，當發現任意一個檢測項不合格時，系統退出重新進行下一次檢測。檢測的過程大致如下：當傳送帶上的燈泡進入攝像頭攝像范圍時，安裝在傳送帶兩邊的光電傳感器發出SOT 信號，通知系統可以進行檢測，視覺軟件收到SOT 信號后觸發相機對燈泡進行拍照，拍照完畢發出BUSY 信號通知設備拍照完畢，接著將圖像傳至計算機進行處理，根據檢測結果判斷是否進行下一項目的檢查。在視覺系統完成檢測后，發出PASS／FAIL信號，由剔除裝置對燈泡進行分類，最后關BUSY 信號，等待下一次檢測。此設計的目的能夠有效節約機械運動及圖像處理時間，系統流程如圖8所示。

圖8 燈絲同軸及長度檢測系統流程

4.2 人機交互界面的設計

HALCON 專業視覺軟件提供了現今市場中最強大的vision library，包含了1100多種各類功能，可用于任何和影像相關的研究以及產品開發；HALCON 與Linux／UNIX及Windows NT／2000／XP兼容，HDevelop可將圖像處理代碼譯為C＋＋，C或Visual Basic源代碼，用戶可以利用其開放式結構快速開發圖像處理和機器視覺應用系統。利用HALCON 平臺強大的圖像處理工具和VISUAL C＋＋混合編程，高效開發出一個完整雙尖燈泡燈絲檢測系統，達到了預期開發目標。系統GUI界面如圖9所示。

圖9 雙尖燈泡燈絲質量操作顯示界面

雙尖燈泡燈絲檢測系統是一個友好型的人機交互界面，主要有圖像顯示模塊、數據及信息顯示功能模塊、參數設 置模塊 （相機標定、網絡端口）、用戶管理模塊等。從操作界面中可以看到當前燈絲檢測結果、各檢測點 （P1，P2，P3）絕對差、檢測耗時以及系統檢測良率。從信息輸出狀態欄中可以觀察了各部分的通信情況和圖像處理進度。

利用該系統在線對120個雙尖燈泡樣品進行檢測，正確檢測數目118，錯誤檢測數目2，準確率達到98.33%，總耗時80s左右。因此該系統滿足實時在線檢測的要求。

5 結束語

本文利用機器視覺理論，將機器視覺技術應用到雙尖燈泡燈絲同軸檢測及燈絲長度測量中，利用合理的圖像采集，圖像處理和圖像識別方法，設計一個完整的檢測系統方案。實驗結果表明，在一定條件下，該系統能夠有效對燈絲質量進行判決，準確率達98.3%以上，測量精度可達毫米級。此類檢測系統能有效避開因人為主觀因素導致的不一致性，同時也大幅提高勞動生產率，節約管理成本。隨著工業自動化水平的提高及對燈泡嚴格質量監控，該系統在汽車工業中將會有廣闊的應用前景。

［1］WANG Guangyong，WANG Linlin，WANG Zuocheng，et al.Multi－directions gray－scale morphology edge detection algorithm［J］.Computer Science，2008，35 （8）：232－234 （in Chinese）.［王光勇，汪林林，王佐成，等.多方向灰度形態學邊緣檢測算法［J］.計算機科學，2008，35 （8）：232－234.］

［2］ZHOU Jing，WANG Junyuan，ZHANG Bin.Measurement of tool geometric parameters based on sub－pixel edge detection［J］.Tool Engineering，2010，44 （9）：94－97 （in Chinese）.［周敬，王俊元，張彬.基于亞像素邊緣檢測的刀具幾何參數測量 ［J］.工具技術，2010，44 （9）：94－97.］

［3］GU Yong，HE Mingxin.Research on beer bottle detection system based on machine vision ［J］.Computer Engineering and Design，2012，33 （1）：248－252 （in Chinese）. ［顧勇，何明昕.基于機器視覺的啤酒瓶檢測系統的研究 ［J］.計算機工程與設計，2012，33 （1）：248－252.］

［4］SHANG Yaceng，CHEN Jing，TIAN Junwei.Sub－pixel edge detection algorithm based on Gauss fitting ［J］.Journal of Computer App Lications，2011，31 （1）：179－181 （in Chi－nese）.［尚雅層，陳靜，田軍委.高斯擬合亞像素邊緣檢測算法 ［J］.計算機應用，2011，31 （1）：179－181.］

［5］CHEN Siji，GU Jinan.Subpixel edge detection and vision location of three－jaw chuck ［J］.Journal of Central South University （Science and Technology），2013，44 （1）：90－93 （in Chinese）.［陳四杰，顧寄南.三爪卡盤的亞像素邊緣檢測與視覺定位 ［J］.中 南 大 學 學 報 （自 然 科 學 版），2013，44 （1）：90－93.］

［6］Angela C，Alfredo C，Remo S.Hyperbolic tangent algorithm for periodic effect cancellation in sub－pixel resolution edge displacement measurement ［J］.Measurement，2009，42 （4）：1226－1232.

［7］DING Keliang，SHENG Yunzhong，OU Jikun.Methods of line－fitting based on total least－squares［J］.Journal of Liaoning Technical University （Natural Science），2010，29 （1）：44－47（in Chinese）.［丁克良，沈云中，歐吉坤.整體最小二乘法直線擬合［J］.遼寧工程技術大學學報，2010，29 （1）：44－47.］

［8］RUAN Qiuqi，RUAN Yuzhi.Digital image processing ［M］.2nd ed.Beijing：Publishing House of Electronic Industry，2011 （in Chinese）. ［阮秋琦，阮宇智.數字圖像處理第二版［M］.2版.北京：電子工業出版社，2011.］

［9］FENG Weixing，TANG Mo，HE Bo.Digital image pattern recognition programming using visual C＋＋ ［M］.Beijing：China Machine Press，2010 （in Chinese）.［馮偉興，唐墨，賀波.Visual C＋＋數字圖像模式識別技術詳解.北京：機械工業出版社，2010.］

［10］LU Hongliang.Camera calibration method for machine vision［D］.Shenyang：School of Information Science and Engineering Shenyang University of Technology，2013：7－25 （in Chinese）.［路紅亮.機器視覺中相機標定方法的研究 ［D］.沈陽：沈陽工業大學，2013：7－25.］

［11］Zheng Zhigang.Study on high－precision camera calibration and robust stereo matching ［D］.Anhui：University of Science and Technology of China，2008.

［12］FU Dan，ZHOU Jian，QIU Zhiqiang.A method of camera calibration using geometrical invariability of line ［J］.Journal of image and Graphics，2009，14 （6）：1058－1063 （in Chinese）［傅丹，周劍，邱志強.基于直線的幾何不變性標定攝像機參數.中國圖像圖形學報，2009，14 （6）：1058－1063.］