基于機器視覺的輪胎擠出部件外形尺寸在線測量方法

孫保燕，張驚濤，程 昂

(桂林電子科技大學a.建筑與交通工程學院;b.機電工程學院，廣西桂林 541004)

基于機器視覺的輪胎擠出部件外形尺寸在線測量方法

孫保燕a，張驚濤b，程 昂b

(桂林電子科技大學a.建筑與交通工程學院;b.機電工程學院，廣西桂林 541004)

為研究橡膠輪胎擠出部件外形尺寸的非接觸在線測量方法，引入機器視覺技術。首先對CCD采集的圖像數據進行濾波降噪，利用改進的Canny邊緣檢測算法進行圖像邊緣粗定位，并在單像素邊緣的基礎上采用多項式插值方法對目標邊緣進行精確的亞像素細分，最后對邊緣數據進行擬合，結合系統標定值，計算出擠出部件的外形尺寸。將此方法應用到橡膠輪胎擠出部件外形尺寸的檢測中，結果表明:該方法具有良好的實時性、精確性，能夠滿足連續生產擠出部件外形尺寸工業檢測的要求。

機器視覺;擠出部件;邊緣檢測;亞像素

0 引言

隨著我國汽車行業的高速發展，人們對輪胎品質的要求，尤其是輪胎安全性能的要求不斷提高。橡膠輪胎生產過程中擠出部件的外形尺寸精度對其成品質量有重要影響。在橡膠輪胎擠出部件的生產過程中，機頭的口型規格控制著擠出部件的形狀，擠出機螺桿的轉動速度和供膠量決定著擠出部件外形尺寸的穩定性［1］。所以實時精確測量擠出部件的外形尺寸，確定其加工誤差，是調節擠出機螺桿轉動速度的重要依據。目前采用的測量方法是在擠出機附近設置單位長度質量秤，其工作原理為:通過稱取單位長度的質量初步確定擠出部件外形尺寸，并輔以人工利用卷尺進行測量［2］。這種測量方法對人工的依賴性強、勞動強度大、效率低，還可能產生很多人為誤差，直接影響橡膠擠出部件成品的精度，進而影響到輪胎成品質量。另外，采用自動化程度較高的多對線激光傳感器實時測量擠出部件厚度與寬度可以滿足尺寸精度要求，但激光傳感器對工作環境要求嚴格，溫度過高或膠煙均影響其測量精度［3］。

機器視覺技術是將數字圖像處理和圖像分析、圖像識別結合起來，利用機器代替人眼進行測量和判斷，具有測量精度高、速度快、非接觸、實時性好等特點，現已廣泛應用到工業生產的各個領域［4］。研究高效的輪胎擠出部件在線測量方法具有重要的意義。基于機器視覺技術，結合改進的Canny邊緣算法和亞像素定位算法，本文提出一種在線測量輪胎擠出部件外形尺寸的方法，實現了擠出部件外形尺寸的非接觸快速精確測量。

1 在線測量平臺的構建

擠出部件外形尺寸包括冠寬W1、肩寬W2、左肩厚H1和右肩厚H2，其斷面形狀如圖1所示。

圖1 擠出部件外形尺寸示意圖Fig.1 Schematic diagram of extrusion parts size

根據擠出部件規格的不同，局部形狀會有所差別。為了得到輪胎擠出部件的圖像數據，以及方便后續的圖像處理，構建了如圖2所示的測量平臺，包括CCD攝像機、燈箱和計算機。其中，CCD攝像機分別從擠出部件的頂部和兩個側面同時采集圖像數據;光源為2個LED燈箱，分別位于擠出部件的兩個側面，對擠出部件進行垂直補光以改善后續圖像灰度化處理之后灰度值比較集中的問題;計算機上安裝有相應圖像處理軟件。軟件在VS2010編譯環境下，基于OpenCV(開源計算機視覺函數庫)自主開發，主要包含測量算法和擠出部件外形尺寸計算，整個軟件測量算法流程如圖3所示。

圖2 在線測量平臺Fig.2 On-linemeasurement platform

圖3 算法流程圖Fig.3 Flow chart of algorithm

2 測量算法

2.1 圖像預處理

從攝像機獲得的原始圖像如圖4a所示。圖像在轉變和傳輸的過程中產生噪聲是不可避免的，所以在圖像特征提取之前，需要對灰度圖像進行濾波降噪處理。經多次實驗分析，采用高斯濾波可以有效消除出現的噪聲。高斯濾波的基本思路是:對連續高斯函數進行離散化，并以離散點上的高斯核函數值為權值，對采集到的灰度圖像的每一個像素點作一定范圍鄰域內的加權平均，以達到有效消除噪聲的目的［5］。離散的(2k+1)×(2k +1)維高斯核矩陣T的計算公式為

式中:k確定核矩陣的維數;σ為方差。根據高斯分布的特點，兩者滿足

在綜合考慮濾波精度、計算量等因素的基礎上，取k=2，則σ=1.25，計算得到核矩陣T為

依據核矩陣T，通過調用OpenCV中Gaussian-Blur()函數實現高斯濾波，效果對比如圖4所示。

2.2 像素級定位精度的邊緣檢測

圖像的邊緣檢測技術已經比較成熟，通常可以采用Roberts、Prewitt、Sobel、Laplacian等算子求灰度的一階梯度最大值或二階導數零交點來檢測圖像的邊緣信息。這些算子都是基于局域模板，通過計算離散圖像的一階有限差分來近似梯度，優點是計算量小，但檢測到的邊緣較寬、定位精度低［6］。John Canny于1986年提出的Canny算子是一種含有最優化思想的算子，它具有較大的信噪比和較高的檢測精度［7］。Canny邊緣檢測步驟如下:①使用高斯平滑濾波器對原圖像進行卷積降噪;②對降噪后的圖像求梯度幅值和方向;③對梯度圖像進行非極大值抑制，排除非邊緣像素;④使用滯后閾值確定圖像的最終邊緣。應用Canny算法時，步驟④需要確定高、低閾值來檢測和連接邊緣，而閾值的選擇對檢測到的邊緣精度起著重要作用。如果先通過實驗設置固定值，由于在線測量環境下，現場光照、振動或者擠出部件規格的更換，對于不同的圖像來說，邊緣檢測和定位的精度存在很大差異。尋找一種由圖像自身灰度信息自動確定高、低閾值的方法，可增加本在線測量系統的自適應性，由此在Canny算法的基礎上引入O’tsu算法。

圖4 濾波前后對比圖Fig.4 Images of filtering results comparison

O’stu算法，即最大類間方差法［8］。該方法是全局閾值自動選擇的最佳方法，根據圖像的灰度信息，將圖像分成目標與背景，當兩者之間類間方差取得最大值的時候，目標與背景相關程度最低，取此時的灰度值為閾值能夠分割出最強的邊緣。具體實現過程如下:

令{0，1，2，…，L－1}表示一幅圖像f(x，y)中的L個不同的灰度級，假設選擇一個閾值k，0＜k＜L－1，并將輸入圖像閾值化為兩類C1={0～k}和C2={k+1～L－1}，依次計算兩類的概率ω1和ω2，類內的均值μ1和μ2以及整體圖像的均值μ，兩類間的方差計算公式為

對于k=0，1，2，…，L－1，上式取得最大值時的k值，即求maxσ2(k)時的k*，并將其作為Canny算法中的高閾值，由最佳比例2/1求得低閾值。在OpenCV中通過調用Canny()函數實現邊緣檢測，其對比結果如圖5所示，此時的邊緣為單像素。

2.3 邊緣的亞像素定位

為進一步提高擠出部件外形尺寸的測量精度，本文在Canny邊緣檢測之后引入亞像素邊緣定位。通用的亞像素算法有很多，其中多項式插值法較為實用，其原理為首先將圖像的邊緣定位到整像素級，然后在梯度圖像的水平和垂直方向上作多項式插值，精確定位邊緣位置，該算法準確性較好，且計算量小［9］。綜合考慮測量系統對在線快速測量的性能要求和圖像邊緣集中在水平方向(y方向)的特殊性，本文選用多項式插值法，具體為:首先對整像素級邊緣中的各點，僅在梯度圖像的水平方向上取3點，令其梯度幅值分別為R－1(i，j－1)、R0(i，j)、R1(i，j+1);然后，根據多項式插值函數φ(x)，以j－1、j、j+1為插值基點，R－1、R0、R1為函數值，令其導數為零，經推導可得出該點亞像素坐標(xe，ye)。多項式插值函數

圖5 邊緣分割圖像Fig.5 Images of edge segmentation

式中:xi為插值點;yi為離散的函數值。

式(6)應滿足R0＞R－1及R0＞R1，否則，該點不是邊緣點。在Canny邊緣檢測的過程中，已經剔除梯度方向的非邊緣點，從而保證式(6)成立。擠出部件俯視圖亞像素邊緣定位之后的圖像如圖6所示。圖中P1、P2、P3、P4分別為亞像素細分邊緣上的4點，其坐標值對比結果如表1所示。

圖6 俯視圖亞像素邊緣Fig.6 Sub-pixel edge detection of planform

表1 坐標值對比結果Table 1 Comparison of coordinate values

2.4 直線擬合

經過邊緣的亞像素定位后得到的結果是幾組離散的邊緣點集，不便于求取輪胎擠出部件的外形尺寸，因而在求取尺寸數據之前需要將這幾組離散的點集分別擬合出需要的邊界線，測量出邊界線之間的距離，經過換算得出其外形尺寸。在眾多的曲線擬合方法中，最小二乘法是最常用的一種，其基本原理是:尋找一曲線y=P(x)，通過最小化每個離散點(xi，yi)到曲線的距離平方和來求解曲線方程［10］。

設E表示一條邊界線點的集合，點(xi，yi)是其中的任意一點，直線擬合過程如下:

設直線的方程為

則每個點到直線的殘差值為

殘差的平方和函數可表示為

由最小二乘法的原理，應取a和b使F(a，b)有極小值，故a和b應滿足條件:

依次代入集合E中的點，解出a和b，得到擬合的直線方程y(x)。

以本文采集的俯視圖為實驗對象，按照上述方法得出的4條直線方程如表2所示。4條邊界線擬合直線的斜率都比較小，在圖6中近似為水平線，與實際邊界線比較符合。

表2 擬合直線方程Table 2 Imitative straight line equation

3 擠出部件的外形尺寸計算

3.1 系統標定

文中所獲坐標是基于像素單位，在尺寸計算前需要構建當前測量環境下實際物理尺寸(mm)與像素格(pixel)之間的比例關系，即像素當量 S (mm/pixel)。本文選用已知標準件為對象，在相同測量環境下應用本文邊緣檢測方法獲得標準件在圖像坐標系中長度方向的像素數，記作P，標準件的實際長度記作L，則像素當量為

為減小系統誤差的影響，可通過多次標定求平均值來提高標定精度。另外，在變更擠出部件規格或測量環境時需要重新標定系統。本實驗選用60 mm的標準件為對象，通過計算得到標定值: 0.533 358 mm/pixel。

3.2 尺寸計算

擠出部件外形尺寸主要是兩邊界線間的距離，根據擬合直線求出像素點對之間的y坐標差值，再將其與標定的像素當量相乘即得到擠出部件的實際物理尺寸。

以冠寬W1尺寸計算為例，如圖7所示。設其下邊界擬合直線方程為y1=a1x+b1，上邊界線為y2=a2x+b2，計算上下邊界線x=xi處對應點的y1i、y2i坐標，則冠寬的像素數為Wi=|y1i－y2i|。為減小誤差，在邊界線上取多對點求平均值作為冠寬像素數，則冠寬為W1=×S。

圖7 外形尺寸計算示意圖Fig.7 Sketch of dimension calculation

在實驗室測量環境下，選取10.00R20規格的橡膠輪胎擠出部件為實驗對象，根據上述計算方法，各取20對點求平均值，依次計算擠出部件冠寬W1、肩寬W2、左肩厚H1和右肩厚H2，測量結果與實際尺寸對比如表3所示，其中實際尺寸值由游標卡尺測量所得。

表3 實驗結果與實際尺寸比較Table 3 Comparison of experimental results and actual sizemm

通過數據比較發現，左、右肩厚的絕對誤差相比冠寬和肩寬較大，主要是因為系統標定時以冠寬和肩寬的底面為基準，像素格標定在厚度方向存在誤差，可通過后期修正來進一步改善。輪胎擠出部件總體外形尺寸用本文測量方法相對誤差均小于2%，在誤差允許范圍之內，達到了系統設計的要求。

4 結論

(1)基于機器視覺技術構建了輪胎擠出部件在線測量平臺，研究了Canny邊緣算法和亞像素定位算法在其邊緣檢測中的應用。實驗證明，本算法在輪胎擠出部件外形尺寸測量中準確、有效。

(2)結合10.00R20規格的輪胎擠出部件，給出了其外形尺寸的計算方法，并將測量結果與實際尺寸作對比分析，結果表明:測量誤差較小，滿足測量精度要求。

［1］黃發國，黃慧生，潘家芳，等．橡膠擠出機擠出性能指標體系的研究［J］．橡塑技術與裝備，2013，39(11):1－4．

［2］張占興，李繼順．淺析擠出胎面斷面輪廓厚度檢測［J］．橡塑技術與裝備，2014，40(17):33－36．

［3］易玉華，張海，盧巍，等．激光在線測量連續擠出胎面斷面尺寸［J］．輪胎工業，2004，24(6):363－368．

［4］杜廣朝，魏雪峰，邵明省．基于像素基因算法的圖像顯著區域檢測研究［J］．激光與紅外，2013，43(6):694－697．

［5］王丹．基于各向異性高斯濾波的圖像邊緣檢測方法［D］．西安:西安電子科技大學，2010．

［6］Health M，Sarkar S，Sanocki T，etal．Comparison of edge detectors:A methodology and initial study［J］．Computer Vision and Image Understanding，1998，69(1):38－54．

［7］許宏科，秦嚴嚴，陳會茹．一種基于改進Canny的邊緣檢測算法［J］．紅外技術，2014，36(3):210－214．

［8］吳一全，潘喆．2維最大類間平均離差閾值選取快速遞推算法［J］．中國圖象圖形學報，2009，14(3):471－476．

［9］陳靜，尚雅層，田軍委．快速多項式擬合亞像素邊緣檢測算法的研究［J］．應用光學，2011，32(1):91－95．

［10］李蓓蕾．多次自適應最小二乘曲線擬合方法及其應用［D］．荊州:長江大學，2014．

On-linemeasurement for extrusion parts size based on machine vision

SUN Bao-yana，ZHANG Jing-taoa，CHENG Angb
(a.College of Architecture and Traffic Engineering;b．College of Mechanical Electrical and Engineering，Guilin University of Electronic Technology，Guilin 541004，China)

In order to study the non-contact on-linemeasuringmethod of the rubber tire extrudering external dimensions，machine vision technology was introduced．Firstly，the image data acquired by the CCD is filtered．Then，the edge of the image is refined by the improved Canny edge detection algorithm，and the sub-pixel is subdivided by the polynomial interpolation method on the basis of the single pixel edge．Finally，the least squaremethod is used to fit the edge data，and the external dimension of the extruded part is calculated according to the system calibration value．Thismethod is applied to the measurement of the outer dimensions of the rubber tire extrusion parts．The results show that themethod has good real-time performance and accuracy，and can meet the requirements of industrial inspection for continuous production of extruded parts．

machine vision;extrusion parts;edge detection;sub-pixel

TP391.4;TH122

:A

2015－09－07

廣西“漓江學者”專項經費項目;廣西科學研究與技術開發計劃項目 (桂科攻1412206－14);桂林電子科技大學研究生教育創新計劃項目 (YJCXS201510)

孫保燕 (1962—)，男，教授級高工，研究方向:數字圖像處理、建筑智能檢測、先進制造、古建筑保護，sunbaoyan@126.com。

孫保燕，張驚濤，程昂．基于機器視覺的輪胎擠出部件外形尺寸在線測量方法 ［J］．桂林理工大學學報，2016，36(4):838－843．

1674－9057(2016)04－0838－06

10.3969/j．issn.1674－9057.2016.04.032