內螺紋機器視覺檢測系統

王蘊哲， 岳曉峰

(長春工業大學 機電工程學院， 吉林 長春 130012)

?

內螺紋機器視覺檢測系統

王蘊哲， 岳曉峰*

(長春工業大學 機電工程學院， 吉林 長春 130012)

利用CCD相機輔以高精度硬桿內窺鏡采集內螺紋圖像，利用攝像機標定和圖像形態學中的腐蝕和膨脹算法做進一步的圖像處理，最終抽取圖像骨架，完成螺紋螺距的檢測。

機器視覺； 內螺紋； 圖像處理； 非接觸測量

0 引 言

內螺紋是機械和汽車工業中最廣泛使用的零部件之一，起聯接、傳動和緊固作用。工程中，為保證螺紋聯接的互換性和可靠性，對內螺紋的加工精度要求很高，需要對內螺紋的參數進行精確檢測[1]。目前，我國制造業主要使用接觸式測量法對內螺紋進行檢測。接觸式測量法難以進行批量檢測，且容易對被檢測工件產生摩擦損耗。隨著工業檢測技術的發展，非接觸測量方法在工業檢測中得到廣泛應用。與接觸式測量法相比，非接觸測量法具有高效率、高精度、自動化、無損傷等優點[2]。近年來，隨著機器視覺技術的不斷發展，非接觸測量正逐步取代傳統的接觸測量法，在工業檢測中得到廣泛應用。

隨著計算機技術的不斷發展，模式識別、數字圖像處理、人工智能等學科的進步推動著工業生產朝著高效率、低成本的方向發展。機器視覺技術是伴隨著計算機技術的發展而產生的一門新興學科。它主要利用光電成像、計算機圖像處理和模式識別技術進行檢測。機器視覺利用計算機模擬人眼的視覺功能，相對于傳統檢測方法而言具有檢測速度快、非接觸、精度高、抗干擾能力強等優勢，在測量、定位、缺陷檢測等工程領域廣泛應用[3]。區別于機械檢測方法的最大特點在于它能夠進行在線檢測，即對生產線上的零件進行同步非接觸檢測，同時輸出檢測結果。

文中在機器視覺的基礎上，采用工業用高精度硬桿內窺鏡搭建實驗平臺，提出了一種新型內螺紋螺距檢測系統。

1 攝像機的標定

1.1 小孔攝像機標定原理

在機器視覺中，物體的位置、形狀等三維信息是從攝像機采集的二維圖像信息中得到的。攝像機標定就是獲得攝像機內部幾何和光學特性(內部參數)以及攝像機在世界坐標系中的位置和方向(外部參數)的過程[4]。

理想小孔攝像機成像模型如圖1所示。

圖1 理想小孔攝像機成像模型

設(xw,yw,zw)為三維世界坐標系中一點P的三維坐標，(x,y,z)是同一點在攝像機坐標系中的三維坐標。則攝像機坐標系定義為OXY，圖像坐標系定義為O′xy，(xu,yu)是理想小孔攝像機模型下P點的圖像坐標，(xd,yd)是因攝像機鏡頭徑向畸變引起的偏離后的實際圖像坐標。O點為攝像機的光學中心，有效焦距f是光學中心到圖像平面的距離[5]。

從三維空間坐標(xw,yw,zw)到攝像機坐標系中三維坐標(x,y,z)的變換為：

式中：R----一個3×3的正交矩陣，從世界坐標系到攝像機坐標系的旋轉變換；

T----一個3×1的平移向量，從世界坐標系到攝像機坐標系的平移變換。

在理想小孔攝像機模型下，像面坐標系O′xy到攝像機坐標系OXYZ的變換關系為

式中：(Xu,Yu)----未考慮畸變影響的理想圖像坐標。

實際圖像坐標(Xd,Yd)應為

式中：k----徑向畸變系數。

由Tsai兩步標定法，攝像機的標定過程就是確定旋轉矩陣R、平移矩陣T、焦距f和畸變系數k的值[6]。設

先在線性模型下求出R和T的值，由式(1)、(2)、(3)可得：

對每個標定點，當已知其三維坐標及相應的圖像坐標時，就有一個如上的方程。通過取多個標定點，按照最小二乘法求得總誤差最小的最優解，可得R中各元素的值和Tx、Ty的值。

由式(4)進一步推導可得：

求解以上線性方程組可以得到f和k的值，從而完成攝像機的標定工作。

1.2 攝像機標定結果及畸變校正

實驗采用實心圓標定板作為標定圖像，取其中9個點作為標定點，測量設備為INSIZE高精度工業硬管內窺鏡，分辨率為640×480。采集到的帶有畸變的內螺紋圖像如圖2所示。

圖2 帶有鏡頭畸變的內螺紋圖像

采用文中算法得到的標定結果為：

旋轉矩陣:

平移矩陣:

有效焦距:

f=4.57 mm

徑向畸變系數:

k=-0.001 287

標定精度:

M=0.037mm

標定精度較高，滿足螺紋檢測要求。

利用標定結果對圖2進行畸變校正，得到恢復后的螺紋圖像，如圖3所示。

圖3 校正后的內螺紋圖像

2 螺紋牙頂圖像的提取

為了測量內螺紋螺距，需要精確地提取出圖3中的螺紋牙頂圖像。由于螺紋表面紋理較復雜以及螺紋表面受到的光照條件不一致等因素的影響，直接對圖像采用傳統的邊緣檢測方法難以提取出理想的螺紋牙頂圖像。文中采用模板匹配算法能夠迅速準確地定位螺紋牙頂圖像。

2.1 模板匹配算法原理

圖像的模板匹配即是根據已知的圖像模塊在另一幅圖像中尋找相應模塊的過程[7]。傳統的模板匹配過程是選取一幅已知灰度圖像的部分區域作為模板，將模板圖像覆蓋在待搜索圖像區域，計算模板與模板覆蓋區域之間的灰度特征值相似度。搜索按照從上至下、從左至右的順序掃描模板大小的圖像范圍，直至搜尋到最佳的匹配位置[8]。

對于一幅待搜索圖像，記為

f(x,y)(x=0,1,…，m-1; y=0,1,…,n-1)

模板圖像記為

g(x,y)(x=0,1,…,p-1;y=0,1,…，q-1)

記f(x,y)上點(i,j)處的子圖為

fij(x,y)=f(x+i,y+j)

i=0,1,…，m-p-1; j=0,1,…,n-q-1

則根據上述定義，對于待搜索圖像f(x,y)在點(i,j)處的子圖fij(x,y)與模板圖像g(x,y)的灰度相關度歸一化公式為

其中，fij和g分別定義為模板和子圖的平均灰度矢量的算術平均值：

由相似度定義可知，ρ(i,j)的取值范圍為0,1，ρ(i,j)的值越大，則在點(i,j)處的子圖與模板的相似程度越高，當ρ(i,j)=1時，子圖與模板完全相同。搜索全圖后，使ρ(i,j)取最大值的(i,j)即為匹配圖像位置。

2.2 模板匹配結果

通過觀察分析圖3中相鄰兩牙頂區域的圖像特征，發現受光照方式影響，牙頂圖像灰度差異較大，難以利用單模板匹配到兩個牙頂區域。因此，采用雙模板分別匹配上下兩牙頂的方式達到目的。

提取的模板圖像如圖4所示。

圖4 牙頂區域模板圖像

利用模板匹配到的待測圖像的相鄰兩牙頂區域，匹配結果比較理想，如圖5所示。

圖5 牙頂圖像的匹配結果

3 牙頂圖像的圖像處理

圖5中匹配到的牙頂圖像受螺紋加工質量及光照條件等因素的影響，存在較多干擾信息。為保證螺距測量結果的準確性，對圖5仍需進行相應的圖像處理。

3.1 圖像的閉運算處理

閉運算[9]是圖像形態學中按照先膨脹后腐蝕的順序進行的一種圖像處理方法，目的是在不明顯改變圖像中物體面積的前提下填充細小孔洞并平滑邊界。膨脹是圖像形態學中的一種基本運算，其作用是擴充二值化圖像中的邊界點，將與邊界相鄰的背景點合并到物體圖像中，使圖像邊界向外擴張。腐蝕的作用則是消除物體邊界點，使邊界向內部收縮[10]。

閉運算的數學表達式為

式中：S----運算后的圖像二值化矩陣；

X----原圖像二值化矩陣；

B----算子矩陣。

利用閉運算處理圖5中的孔洞，實驗結果如圖6所示。

圖6 牙頂圖像的數學形態學處理

可見牙頂圖像區域中的孔洞已被填充，邊緣也得到了平滑。

3.2 牙頂圖像骨架的提取

骨架的經典定義是火燒模型(grass fire)：以相同火勢點燃一幅圖像的四周，燃燒速度一致，火勢由圖像四周向中心燃燒時相遇的線，即為圖像的骨架。可知圖像骨架中含有圖像中軸線的信息，通過提取兩幅牙頂圖像的骨架，可以獲得兩幅圖像的中軸線，計算兩條中軸線的距離即為螺距。

提取到的兩幅牙頂圖像的骨架如圖7所示。

圖7 牙頂圖像的骨架提取結果

4 實驗結果與分析

實驗中采用白光LED光源作為照明光源，照明方式為正向照明，對公稱直徑為12 mm的內螺紋進行了20次測量。采用工業內螺紋測量儀測量內螺紋的螺距，測量儀的精度為0.01 mm，測得內螺紋螺距為1.50 mm，將該值認定為螺距的理論值。

實驗中采用文中方法測得螺紋螺距平均值為(1.502 1±0.003 8 mm)，與真實值相比較，相對誤差為1.7%，實驗測量精度能夠滿足工業測量中國家規定的精度要求。

由以上實驗結果可以看出，采用視覺檢測方法對內螺紋進行螺距檢測的結果能夠滿足工業生產要求，結合數學形態學的圖像處理和模板匹配算法能夠迅速定位圖像中相鄰兩牙頂圖像，并提取牙頂圖像的中軸線信息，在測量方式上相對于傳統測量方法更加方便，易于自動化檢測的實現。

5 結 語

針對內螺紋螺距的非接觸測量問題提出了一種通過基于機器視覺的檢測方案。主要創新點在于將數學形態學圖像處理和骨架提取方法相結合，對內螺紋牙頂區域圖像進行提取，從而達到檢測的目的。同時，測量精度較高，具有較強的魯棒性。但是仍然存在著不足，如該方法缺少內螺紋深度信息等，如何測量內螺紋其他幾何參數將是下一步研究的重點。

[1] 劉峰.螺紋檢測的機器視覺方法研究[D].天津：天津大學，2006.

[2] 姜籍翔.基于機器視覺的外螺紋檢測算法的研究[D].成都：電子科技大學，2014.

[3] 左建中，劉峰，張定昭.機器視覺技術在螺紋檢測中的應用[J].機械設計與制造，2006(4):113-114.

[4] 羅智文，林建龍，于修洪.基于LabVIEW開發的攝像機標定方法[J].北京工商大學學報，2010,28(2):66-70.

[5] 趙小松，張宏偉，張國雄，等.攝像機標定技術的研究[J].機械工程學報，2002,38(3):149-151.

[6] 張艷珍，歐宗瑛.一種新的攝像機線性標定方法[J].中國圖象圖形學報，2001,8(6A)：727-731.

[7] 羅三定，楊金平，李國富.改進的模板匹配算法[J].計算機工程與應用，2010,46(3):169-174.

[8] 羅鐘鉉，劉成明.灰度圖像匹配的快速算法[J].計算機輔助設計與圖形學學報，2005,17(5):966-970.

[9] 岳曉烽，任彥文,王樂,等.基于幾何特征的雨滴譜重疊色斑圖像分離算法[J]. 長春工業大學學報:自然科學版,2012,33(6):696-699.

[10] 孫繼平，吳冰，劉曉陽.基于膨脹腐蝕運算的神經網絡圖像預處理方法及其應用研究[J].計算機學報，2005,28(6):985-990.

Internalthread detection system based on machine vision

WANG Yunzhe, YUE Xiaofeng*

(School of Mechatronic Engineering, Changchun University of Technology, Changchun 130012， China)

With CCD camera and high precision hard rod endoscope, the internal thread images are sampled and processed by means of camera calibration and corrosion expansion in image morphology. Then the image skeleton features are extracted to realize the thread pitchmeasurement.

machine vision; internal thread; image processing; non-contact detection.

2017-02-12

吉林省發改委基金資助項目(2015Y065)

王蘊哲(1989-)，男，漢族，遼寧凌海人，長春工業大學碩士研究生，主要從事機器視覺及智能檢測方向研究,E-mail:904804227@qq.com.*通訊作者：岳曉峰(1971-)，男，漢族，吉林通化人，長春工業大學教授,博士，主要從事機器視覺及智能檢測方向研究,E-mail:yuexiaofeng@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.2.16

TP 391

A

1674-1374(2017)02-0189-05