彭悅蓉 田亞鈴 彭 麗 羅亞琴
(成都工業學院,四川 成都611730)
隨著中國制造2025 的發展,智能制造是目前發展的必要趨勢。其中利用機器視覺來提高制造智能化也是重要的一個關鍵技術。機器視覺是指利用計算機代替人眼對目標對象進行檢測,包括圖像采集、圖像處理、結果輸出與控制[1-3]。機器視覺現在在各制造行業均有利用,技術在一定程度上也比較穩定。比如:2008 年,陳志鴻,進行了基于機器學習的軸承滾子表面缺陷視覺檢測系統研究與設計[4];陳廉清,進行了基于計算機視覺的微小軸承外表面缺陷檢測研究[5];2020 年,張春偉等人,進行基于機器視覺的軌道車輛零部件形位尺寸檢測方法研究[6];王蒙,進行了基于機器視覺的微小零件檢測分類[7]。
本文的檢測對象是軸承,軸承的內、外徑是軸承的重要檢測參數之一。在生產實際中,檢測過程中會選擇千分尺、游標卡尺和三坐標測量機等儀器對軸承進行測量[6]。其檢測精度和準確率與操作者的操作過程相關性較高,未能客觀保證檢測的有效性。為提高軸承的檢測速度與準確率,減少人工檢測帶來的檢測誤差和損傷,降低人工檢測的高成本,使用機器視覺進行檢測是很有必要的一種選擇。
系統設計是基于機器視覺,對生產線工作平臺上的零件進行識別與定位并對零件進行尺寸測量。系統整體結構包括硬件和軟件系統,在所測零件為規則幾何體時,通過獲取零件表面的二維信息,得到零件的位置參數,完成零件的定位和尺寸測量。其中硬件系統包括:背光源、面陣CCD 相機、鏡頭、視覺控制器,軟件系統包括:視覺軟件。利用上述硬件和軟件系統完成圖像的采集、處理及檢測結果的輸出,技術路線圖如圖1 所示。

圖1 技術路線圖
外界光照對圖像效果影響較大,一般采集到的圖像均需先進行圖像預處理,提高圖像質量。本次檢測中,利用到的處理技術有:圖像增強、二值圖像分割和模板匹配。
圖像增強的方法有空間域和變換域兩種。此次主要利用空間域中的灰度變換以及圖像平滑中的中值濾波[8]。灰度變換的方法如下:

式中,原圖像為f(x,y),處理后的圖像為g(x,y)。
中值濾波,對脈沖噪聲具有良好的濾除作用,能夠保護信號的邊緣,使之不被模糊。二維中值濾波的數學表達式為:

式中,f(x,y)為二維圖像數據序列,g(x,y)為窗口數據中值濾波后的值。
二值圖像分割也就是數學形態學,描述圖像中部分與部分間的關系、元素與元素的關系。因此二值分割也就是領域結構元素與二值圖像對應區域的特定邏輯運算[8]。原理如下:

其中f(x,y)表示連續圖像函數,為實現圖像的銳化輪廓檢測,須進行“微分”加強高頻分量,最終使得輪廓變清晰。
特征匹配是兩幅圖像直接建立特征對應關系[8]。其中低階矩相對高階矩有對噪聲和變形的低敏感性,所以此次選用低階矩。
在機器視覺領域中,為了能夠測量出目標物體的真實大小,須進行相機的標定,消除相機鏡頭在拍攝過程中產生的畸變。考慮到本文所采圖像畸變程度較小,故通過換算的方式代替相機的標定。通過利用目標物軸承的真實尺寸比圖像尺寸算得到像素尺寸比,本文中的像素尺寸比為0.24615。
通過軟件觸發控制攝像頭實時采集圖像,所采集圖像如圖2所示。采集到的圖像經過圖像的預處理后,利用二值化和模板匹配識別圖像中需要被檢測的軸承。由于被檢測件形狀為圓,使用霍夫變換找到輪廓,最后通過最小二乘法擬合圓得到精確的軸承外徑。下圖3 為軸承外徑檢測圖。

圖2 攝像機采集的圖像

圖3 軸承檢測計算結果
從檢測結果看,首先檢測到的軸承直徑大小分別為129.979,129.924,130.043,通過利用像素尺寸比得到測量的軸承外徑大小分別為:31.99mm、31.98mm、32.01mm,實際軸承外徑為32mm,由此可見通過此方法對軸承進行檢測,得到的檢測準確率與精度均較高,可以很好的實現軸承的無損檢測。另外在檢測過程中,對相機視場范圍內的軸承個數要求不高,一個或者兩個均可以同時進行檢測。
軸承作為標準件,內、外徑的尺寸是定值,對裝配件的影響也是重要的。因此檢測軸承尺寸是否滿足要求,是很有必要的。傳統的檢測用時較長而且可能造成檢測工具對軸承表面的劃傷。本文采用基于機器視覺的非接觸檢測方法,實現生產線上對軸承的尺寸檢測。整個檢測過程中,采用了灰度變換、中值濾波、二值化和模板匹配等算法,這樣較好地檢測出圖像中軸承的外圓,得到外圓直徑尺寸值,經過換算后得到實際尺寸檢測值,從結果看,得到的檢測數值精度較高。而且檢測過程中,可以是一個或者兩個軸承同時檢測,降低對工作線上軸承放置排列的要求。為了進一步提升檢測效率,在今后的研究中,可將軸承內徑尺寸也作為檢測對象,同時完成軸承內外徑的檢測。另外應將手眼標定考慮在內,經過手眼標定完成圖像坐標系與物體坐標系等的轉換,實現軸承的在線尺寸直接檢測,與此同時也可對檢測軟件系統繼續進行開發,用作軸承目標體其他內容的檢測。