汽車精密零件外觀缺陷視覺檢測方法研究?

劉瑞媛 茅 健 陸文超

（上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院 上海 201620）

1 引言

零件在制造過程中不可避免地會產(chǎn)生各種缺陷，如尺寸偏差、磕傷、裂紋、劃痕、表面污染等，這些缺陷是導(dǎo)致系統(tǒng)運(yùn)行故障的重要因素，在高精密系統(tǒng)中更為嚴(yán)重，如汽車發(fā)動機(jī)內(nèi)部分精密部件，外觀缺陷檢測是不可缺少的環(huán)節(jié)［1］。傳統(tǒng)的檢測依賴人工的手段，檢測精度不高且影響因素較多，因此，提高精密零件檢測精度勢在必行。

機(jī)器視覺檢測因其自身穩(wěn)定性好、適用范圍廣、非接觸測量等優(yōu)點，被廣泛應(yīng)用于檢測領(lǐng)域［2～4］。目前，已有研究將機(jī)器視覺系統(tǒng)用于汽車精密零件缺陷檢測過程，厲曉飛［5］設(shè)計了一套完整的基于機(jī)器視覺的汽車零件缺陷檢測系統(tǒng)，包括光源、相機(jī)等硬件設(shè)備的選擇和布置，以及圖像處理技術(shù)的研究和基于LabVIEW 的軟件系統(tǒng)的編寫，實現(xiàn)了汽車零件的在線檢測；劉艷雄等［6］針對汽車精沖零件斷面缺陷，設(shè)計了基于機(jī)器視覺的檢測硬件設(shè)施和圖像處理技術(shù)，通過二值化處理分離缺陷，計算缺陷面積來判斷零件是否合格。俞曉明等［7］針對精密零件，選取OTSU 算法進(jìn)行圖像分割，采用像素級和亞像素級邊緣檢測，以汽車圓孔零件為實驗，實現(xiàn)了精密零件缺陷的完整檢測。

本文提出了利用Otsu 改進(jìn)Canny 算子來分割缺陷圖像，Hu 矩提取缺陷及運(yùn)用SVM 進(jìn)行缺陷分類，實現(xiàn)對汽車精密零件缺陷的識別方法。搭建了精密零件外觀缺陷檢測平臺，選取了合適的相機(jī)及光源等硬件設(shè)備，并且利用汽車精密零件進(jìn)行仿真實驗。實驗結(jié)果表明該方法可有效識別精密零件外觀缺陷圖像，并對其進(jìn)行分類，且具有較高的檢測率和準(zhǔn)確率。

2 檢測方法總體設(shè)計

針對汽車精密零件的外觀缺陷檢測方法的主要步驟如下。

1）利用CCD 相機(jī)及機(jī)械結(jié)構(gòu)部分協(xié)同工作獲取缺陷圖像；

2）利用小波變換進(jìn)行圖像預(yù)處理，去除圖像噪聲；

3）利用改進(jìn)的Canny 算法分割圖像缺陷，其中，Otsu算法用于確定Canny算子中的最佳閾值；

4）利用Hu 矩進(jìn)行特征提取，得到缺陷特征的長度及面積參數(shù)；

5）將樣本參數(shù)用于訓(xùn)練SVM 分類器，使其可以對缺陷進(jìn)行識別分類。

流程圖如圖1所示。

圖1 缺陷檢測方法流程圖

3 缺陷圖像處理

3.1 圖像預(yù)處理

圖像在生成、傳輸或者變換的過程中不可避免地會與原始物體產(chǎn)生一定的差異，尤其在工業(yè)環(huán)境下，外界環(huán)境中光線、噪聲帶來的影響會導(dǎo)致圖像質(zhì)量的下降、特征比較模糊。因此，對于使用CCD相機(jī)采集到的圖像需要進(jìn)行降噪處理。相比于傳統(tǒng)的中值濾波和均值濾波［8］，小波變換由于其特有的可變分辨率特性，可以更好的根據(jù)圖像特征進(jìn)行降噪［9～11］。本算法采用Haar 小波，選擇的分解層數(shù)為兩次。以汽車轉(zhuǎn)向器內(nèi)部套筒缺陷圖像為例，通過Matlab軟件進(jìn)行仿真，可以得到三種不同濾波效果，如圖2 所示，均值濾波和中值濾波會造成零件圖像邊緣的損失，如圖中標(biāo)注位置，小波降噪后對圖像邊緣保有性更好。

圖2 降噪對比圖

3.2 圖像分割

圖像分割依賴于邊緣檢測算子來提取圖像邊緣，傳統(tǒng)的邊緣檢測算子一般有Roberts算子、Sobel算子等［12］，但是它們對噪聲敏感，難以直接應(yīng)用。因此，選擇最佳邊緣檢測算子Canny 算子，但是考慮到Canny 算子中閾值的設(shè)定復(fù)雜［13］，本算法中采用Ostu算法替代傳統(tǒng)的雙閾值算法求出最佳閾值，對算法進(jìn)行優(yōu)化改進(jìn)。

改進(jìn)的Canny算法的步驟如下。

1）高斯濾波平滑圖像

在小波去噪的圖像基礎(chǔ)上，采用Canny 算法中的高斯濾波對圖像進(jìn)行進(jìn)一步平滑處理，其中，高斯濾波的函數(shù)公式如（1）所示。

用高斯函數(shù)處理后的圖像的原理公式可得：

2）計算梯度的幅值及方向（利用一階偏導(dǎo)的有限差分）

采用2×2 鄰域內(nèi)求有限差分均值來計算平滑后的數(shù)據(jù)陣列，梯度算子為一階導(dǎo)數(shù)。設(shè)圖像函數(shù)為f(x,y)，則它的梯度定義為

幅度值和方向角分別為

3）進(jìn)行梯度非極大值抑制

給定梯度幅度圖像矩陣之后，利用梯度模式的門限操作來得到邊緣像素點的輪廓。邊緣點在Canny 算法中定義為在梯度方向上局部強(qiáng)度最大的點，這個較強(qiáng)的約束，可以使通過門限法進(jìn)行操作得到的目標(biāo)邊緣細(xì)化。非最大抑制的目的是找到所有可能存在的邊緣點，基本思想是通過計算當(dāng)前點相鄰周圍方向上像素的梯度值來判斷該點是否具有局部最大梯度值，如果是，那么該點判為可能的邊緣點，否則為非邊緣點。

4）雙閾值選取

傳統(tǒng)的Canny 算子中，應(yīng)用預(yù)先設(shè)定的高低閾值來進(jìn)行圖像分割，而實際圖像因受到外界因素的影響，導(dǎo)致圖像邊緣的變換，以至于預(yù)先設(shè)定的閾值不能更好的實現(xiàn)圖像分割。為了實現(xiàn)閾值自適應(yīng)且最優(yōu)的選取，在改進(jìn)Canny 算子中，利用Otsu算法，根據(jù)所給圖像，求出最大類間方差，來確定高閾值的選取，并利用公式算出低閾值。

設(shè)q1、q2分別為目標(biāo)、背景占圖像像素總數(shù)的百分比，u1、u2分別為對應(yīng)的灰度均值，ut為總的均值。則：

最大類間方差為

將最優(yōu)閾值作為Canny 算法的高閾值，由式（8）計算出低閾值。

4 缺陷圖像識別

4.1 特征提取

為便于缺陷進(jìn)行分類，需要進(jìn)行特征提取來獲得缺陷的特征數(shù)據(jù)，包括圖形特征，顏色特征等。根據(jù)常見精密零件缺陷特征，劃痕、油污等，選擇Hu矩［14］的特征提取方法對缺陷進(jìn)行提取。在笛卡爾坐標(biāo)系下，Hu 矩利用二階和三階歸一化中心矩陣構(gòu)造了七個不變矩，其中圖像p+q 的幾何矩、中心矩和歸一化的中心矩為

4.2 SVM分類

機(jī)器視覺檢測的目的在于對缺陷進(jìn)行分類識別，通過樣本的特征數(shù)據(jù)對分類器進(jìn)行訓(xùn)練即可實現(xiàn)。相比于BP、MLP、KNN 等一些分類算法，支持向量機(jī)SVM 是一個有監(jiān)督的學(xué)習(xí)模型［15］，其主要思想為通過非線性映射算法將低維不可分樣本轉(zhuǎn)化為高維特征空間使得線性可分。即將低維不可分問題上升為高維線性可分問題。SVM 分類器［15］利用結(jié)構(gòu)風(fēng)險最小化原理，構(gòu)建特征空間中的最優(yōu)分割面，從而得到全局的最優(yōu)化效果。其分類示意圖如圖2所示。

圖3 分類示意圖

具體分類過程描述如下：設(shè)有N 個樣本為(x1,y1),(x2,y2),…(xN,yN)，SVM 分類的線性判別函數(shù)的表達(dá)式為（14），根據(jù)式（15）來確定一個超平面，該超平面距離最為接近。利用幾何關(guān)系計算距離M，M的最大值即為L(w)的最小值，如式（17），采用拉格朗日優(yōu)化方法，得到最優(yōu)超平面w 和b 的偏差［11］。

5 缺陷檢測平臺

5.1 平臺簡介

針對汽車精密零件缺陷檢測，搭建了外觀缺陷視覺檢測平臺，如圖4所示，該平臺采用CCD 相機(jī)、LED光源前向照明、零件放置臺及計算機(jī)等。平臺中主要設(shè)備及參數(shù)如表1 所示。工作原理如下：當(dāng)零件到達(dá)檢測區(qū)域時，觸發(fā)光電開關(guān)信號，同時觸發(fā)CCD 相機(jī)進(jìn)行拍照。之后根據(jù)工件轉(zhuǎn)動的角度度計算出工件每轉(zhuǎn)動90°所需的時間，并根據(jù)計算所得時間觸發(fā)相機(jī)進(jìn)行拍攝。對于每一個零件，檢測系統(tǒng)可獲得四張圖像，對獲取的圖像進(jìn)行算法處理及分析，最終得出零件的檢測結(jié)果。

表1 主要設(shè)備及其參數(shù)

圖4 汽車精密零件外觀缺陷視覺檢測平臺

5.2 實驗結(jié)果及分析

基于上述檢測平臺，選擇汽車轉(zhuǎn)向器內(nèi)部套筒零件為檢測對象，從同一批零件中隨機(jī)選取300 個有缺陷的零件得到作為樣本進(jìn)行缺陷識別，圖5 為樣本缺陷分割結(jié)果。

對汽車精密零件缺陷的面積、周長、Hu 矩這些特征進(jìn)行提取，通過數(shù)據(jù)可以觀察出不同缺陷的數(shù)據(jù)特征差距較大，利用數(shù)據(jù)特征可以明顯地區(qū)分出缺陷類別。表2 所示為針對油污缺陷、劃痕、壓痕和加工缺陷的樣本所進(jìn)行的缺陷的幾何特征和Hu不變矩的特征數(shù)據(jù)實驗結(jié)果。

圖5 缺陷分割結(jié)果

表2 特征提取結(jié)果

由表2 可知，劃痕、壓痕面積、周長和Hu 矩較小，且其面積和周長相差較小；但是油污和加工缺陷的面積、周長及Hu 矩較大。并且其周長和面積相差也比較大。所以，特征提取的實驗結(jié)果與實際情況相符，實驗分組設(shè)計方案有效，能充分的驗證四類缺陷的缺陷特征。

表3 缺陷分類結(jié)果

在得到缺陷特征之后，通過SVM 分類器進(jìn)行缺陷的樣本訓(xùn)練，便可對該零件進(jìn)行缺陷分類。使用SVM 作為分類器，進(jìn)行缺陷的訓(xùn)練和分類。分類結(jié)果如表3 所示，SVM 的分類結(jié)果與人工分類結(jié)果基本相符。

6 結(jié)語

本文基于機(jī)器視覺系統(tǒng)研究了汽車精密零件外觀缺陷檢測方法，該方法利用小波去噪進(jìn)行圖像預(yù)處理，改善了圖像質(zhì)量。采用Otsu 算法改進(jìn)Canny 算子，實現(xiàn)Cany 算子中閾值的最優(yōu)選擇，對圖像缺陷進(jìn)行分割。利用Hu矩實現(xiàn)了缺陷特征提取并進(jìn)行SVM 分類。搭建汽車精密零件外觀缺陷檢測平臺進(jìn)行實驗，結(jié)果表明，該算法性能穩(wěn)定，且檢測結(jié)果與實際結(jié)果相差不大，檢出率較高。