電鍍金剛石線鋸表面磨粒分布密度的多相機視覺檢測 *

趙玉康 , 畢文波,2 , 葛培琪,2

(1. 山東大學 機械工程學院, 濟南250061) (2. 山東大學, 高效潔凈機械制造教育部重點實驗室, 濟南 250061)

電鍍金剛石線鋸因其具有加工效率高、切縫小等優點，已經成為晶體硅、藍寶石、單晶碳化硅、陶瓷等硬脆性材料切片加工的主要工具[1-2]。金剛石線鋸表面磨粒分布密度直接影響其切片加工性能，是金剛石線鋸質量檢驗的主要指標[3]。為保證切片質量和切片效率需對這一指標進行嚴格檢測。

現有的金剛石線鋸表面質量檢測方法大致可分為人工離線檢測和基于機器視覺的在線檢測2種方法，但目前均沒有統一的行業標準規范。人工離線檢測需要借助顯微鏡等拍攝金剛石線鋸表面圖像并經過人工分析來對金剛石線鋸表面的質量做出評價，這種方法通常檢測效率較低且無法對金剛石線鋸表面質量進行定量分析；基于機器視覺的在線檢測方法通過計算機分析金剛石線鋸的表面圖像，進而得到金剛石線鋸表面質量評價指標，該檢測方法在提高檢測效率的同時可有效降低檢測成本。ZHENG等[4-6]利用單臺相機采集的金剛石線鋸半個圓柱表面圖像(以下簡稱“半表面圖像”)進行金剛石線鋸表面磨粒分布密度的視覺檢測，獲得了較高的檢測精度。然而，如圖1所示，由于半表面圖像中出現的磨粒往往包含有金剛石線鋸半個圓柱表面外的磨粒，因此在利用半表面圖像進行磨粒密度檢測時，將檢測到的磨粒數量的2倍值作為金剛石線鋸全表面上的磨粒數值，其檢測結果與實際磨粒數量相比會存在較大偏差。

利用金剛石線鋸全圓柱表面圖像(以下簡稱“全表面圖像”)進行磨粒分布密度檢測，可有效避免半表面圖像磨粒分布密度檢測時存在的理論偏差。圖像拼接是獲取全表面圖像的可行性方法[7]，且已應用于多個領域。WANG等[8]基于SIFT算法對醫學顯微圖像進行了拼接，高盛豐等[9]基于顏色不變量及SURF算法對彩色圖像進行了拼接。在以圓柱表面圖像為拼接對象時，通常需要對圓柱表面圖像進行展開，以恢復其成像過程中缺失的信息，如孫衛紅等[10]基于等效階梯柱面對蠶繭表面圖像展開。

針對金剛石線鋸圓柱形表面，利用4臺CCD相機從不同角度采集金剛石線鋸半表面圖像，并基于柱面模型展開圖像，通過圖像拼接獲取全表面圖像；對全表面圖像進行金剛石線鋸表面磨粒分布密度檢測，以期有效避免單相機磨粒分布密度檢測時存在的理論偏差，提高電鍍金剛石線鋸磨粒分布密度的在線檢測精度。

1 金剛石線鋸表面圖像采集設備及條件

圖2為金剛石線鋸表面圖像視覺檢測平臺。

如圖2所示：金剛石線鋸表面圖像視覺檢測平臺主要由光源、4臺CCD相機、遠心鏡頭等構成。基于被檢測的金剛石線鋸表面磨粒粒徑，綜合考慮成像速度和硬件成本，選取設備參數如下： CCD相機的感光元件為720行、540列排列，感光元件中的每個像元的尺寸為6.9 μm×6.9 μm，最高拍攝速度為291次/s；遠心鏡頭的放大倍率為4；系統光源類型為LED點光源。CCD相機安裝在微動平臺上，通過機械定位保證4臺CCD相機光軸處于同一平面，且此平面與金剛石線鋸軸線垂直。4臺CCD相機間隔90°均勻分布，通過微動平臺調整相機鏡頭與金剛石線鋸表面的距離，使磨粒清晰成像。系統照明采用低角度光前向照明的光源布置方式。

2 線鋸表面圖像采集、展開、預處理及拼接

2.1 圖像采集

在圖像采集過程中，隨機選取5段某品牌包絡外徑為160 μm的電鍍金剛石線鋸，在每一段上隨機選取1個樣本點，共5個樣本點，分別命名為1～5，通過圖2平臺獲取每個樣本點不同角度的4幅金剛石線鋸半表面圖像。

2.2 圖像展開

因金剛石線鋸表面為圓柱面，其通過成像系統投射至CCD相機的成像平面時會產生部分信息缺失，如圖3所示。圖3中：磨粒1和磨粒2在投影平面會重疊成1個磨粒，從而造成金剛石線鋸表面的磨粒信息缺失。

圖4為金剛石線鋸表面圖像處理過程。為從圖像中獲得更全面的金剛石線鋸表面磨粒信息，需對金剛石線鋸半表面圖像進行展開，圖4中包含了半表面圖像展開結果。

方法是將金剛石線鋸半表面圖像通過柱面模型展開，并用線性插值補全圖像中缺失的信息。其過程為：首先，利用Hough變換[11]檢測圖像中金剛石線鋸位置和直徑(圖4a)；然后對圖像中的每列像素按照柱面展開重新確定坐標(圖4b)；最后利用線性插值對展開后圖像中的缺失像素進行插補(圖4c)。

2.3 圖像預處理

圖像預處理的主要目的是減少金剛石線鋸表面圖像中的無關信息，增強有用信息的可檢測性，同時簡化數據，提升特征提取、圖像拼接的可靠性。預處理方法是：通過高斯濾波[12]濾除金剛石線鋸表面圖像中的噪聲并保留磨粒的邊緣信息；采用Otsu算法[13]對金剛石線鋸表面圖像進行全局自適應二值化分割，分割效果如圖4d所示；利用形態學的開運算去除圖像中的噪點，其結構元素尺寸根據金剛石線鋸二值化圖像中的最小磨粒粒徑設置，處理效果見圖4e。

2.4 圖像拼接

圖像配準是圖像拼接中必不可少的步驟，主要分為基于特征點的圖像配準和基于特征區域的圖像配準[14-15]。由于4臺相機間隔90°分布，相鄰相機所采集的金剛石線鋸表面圖像之間存在著重合區域。當金剛石線鋸表面上的某一個磨粒同時出現在相鄰2臺CCD相機所采集的圖像中時，其在2幅圖像中的映射關系就可以隨之確定，因此以磨粒重心為特征點可以保證圖像平移模型的準確性。

金剛石線鋸表面圖像拼接流程如圖5所示。基于連通域查找方法[16]提取金剛石線鋸表面圖像中的特征點，圖6為特征點匹配及篩選結果。如圖6a所示：利用同一磨粒在相鄰圖像中的映射關系來設置搜索區域，進而得到匹配特征點對，并以直線連接。以1對匹配點對求解平移模型，其余匹配點對驗證模型的正確性，實現對匹配點對的篩選，如圖6b所示，篩選出不同CCD相機所采集圖像間的正確匹配特征點對。用篩選出的特征點對由最小二乘擬合求解出金剛石線鋸表面圖像平移模型中的未知參數；再用圖像平移模型參數得到單幅圖像中像素與拼接圖像中像素之間的映射關系，基于此像素映射關系對金剛石線鋸表面的圖像重采樣后，得到初步拼接圖像。

圖7為金剛石線鋸圖像拼接結果。圖7a為初步拼接的金剛石線鋸圖像。由于圖像左右兩側未進行圖像信息融合，所以圖像兩側存在著部分重合區域。以重合區域的中心線為基準，檢測中心線穿過的所有磨粒，并根據磨粒與中心線的相對位置關系得到重合區域的去除邊界；圖7b為金剛石線鋸圖像中重合區域去除邊界查找結果；圖7c為金剛石線鋸全表面圖像最終結果。

(a)特征點匹配(b)特征點篩選Feature point matchingFeature point screening 圖6 特征點匹配及篩選結果Fig. 6 Matching and screening results of feature points

(a)包含重合區(b)去除邊界(c)最終結果Including coincidence areaBoundary removalFinal result圖7 金剛石線鋸圖像拼接結果Fig. 7 Image mosaic results of diamond wire saw

3 線鋸表面磨粒分布密度檢測結果及分析

基于金剛石線鋸表面的拼接圖像進行磨粒分布密度檢測試驗，所用計算機硬軟件環境是CPU為Inter core i5-7400(3.00 GHz)，內存為12 GB，軟件平臺為MATLAB 2016b。檢測對象為某品牌的160 μm線徑金剛石線鋸。

圖8為金剛石線鋸表面磨粒分布密度檢測過程。表 1為磨粒分布密度檢測結果對比。基于圖8a中的拼接圖像，通過連通域查找得到圖8b中的磨粒數量，并在1.1 mm的取樣長度內對金剛石線鋸圓柱表面上的磨粒分布密度進行檢測，得到表1中的全表面圖像磨粒分布密度檢測值。同時，隨機選取1臺CCD相機采集的金剛石線鋸樣本點的半表面圖像，對其磨粒分布密度進行檢測，再乘以2得到表1中的半表面圖像磨粒分布密度檢測值；利用ISM-PM200SB數碼顯微鏡對金剛石線鋸樣本點的磨粒數量進行人工檢測，為降低人為檢測誤差，取多人對同一樣本點檢測結果的平均值為最終結果，進而得到磨粒分布密度人工檢測值。

(a)拼接圖像(b)磨粒數量檢測Image mosaicDetection of abrasive particle quantity 圖8 金剛石線鋸表面磨粒分布密度檢測過程Fig. 8 Detection of distribution density of abrasive particles on diamond wire saw

表1的結果表明：與人工檢測結果相對照，基于電鍍金剛石線鋸的半表面圖像磨粒分布密度檢測的最大相對誤差為35.2%，磨粒分布密度平均值的相對誤差為19.0%；而全表面圖像磨粒分布密度檢測的最大相對誤差為5.6%，磨粒分布密度平均值的相對誤差為1.7%，分別比半表面圖像的最大相對誤差和平均值相對誤差下降了29.6%和17.3%。說明基于金剛石線鋸全表面圖像進行磨粒分布密度檢測，可有效避免基于半表面圖像進行磨粒分布密度檢測時存在的理論偏差，進而有效提升金剛石線鋸表面磨粒分布密度的檢測精度。

表 1 磨粒分布密度檢測結果對比

4 結論

以磨粒在圖像中的重心為特征點，通過圖像展開、圖像預處理、圖像配準、圖像重采樣等方法，實現了對金剛石線鋸半圓柱表面圖像的拼接，得到了金剛石線鋸全圓柱表面圖像。

基于金剛石線鋸全圓柱表面圖像，提取了1.1 mm取樣長度內的金剛石磨粒數，得到了金剛石線鋸表面的磨粒分布密度。與基于金剛石線鋸半圓柱表面圖像的磨粒分布密度檢測結果相比，全表面圖像的最大相對誤差下降了29.6%，平均值相對誤差下降了17.3%，其檢測精度得到了有效提升。