基于視覺的壓件形貌特征檢測與研究*

付澤民 王志進(jìn) 熊鵬鵬

(上海應(yīng)用技術(shù)大學(xué)機(jī)械工程學(xué)院，上海物理氣相沉積(PVD)超硬涂層及裝備工程技術(shù)中心，上海 201418)

在材料沖壓成型的過程中，由于各種無法預(yù)料的外力作用，導(dǎo)致壓件最終呈現(xiàn)出不同的形貌特征，而這正是判斷壓件合格與否的標(biāo)準(zhǔn)。因此，能否高效準(zhǔn)確地判斷出該形貌特征是否符合工業(yè)生產(chǎn)的要求是制約金屬壓件批量生產(chǎn)的關(guān)鍵要素。視覺檢測技術(shù)作為一種無損傷的非接觸式視覺檢測技術(shù)，具有檢測精度高、效率高、可靠度高等優(yōu)點[1-2]，成為近年取代低效率、高成本的傳統(tǒng)人工抽檢方法的最好選擇。對此國內(nèi)外的學(xué)者都有研究，陳舒萍等[3]利用視覺檢測實現(xiàn)對金屬加工溫度的測量，實時監(jiān)測工件的溫度和輪廓尺寸變化；Scholz Friedrich等[4]研究了視覺檢測技術(shù)，使用羧基官能化的金納米棒，成功地應(yīng)用于生物分子的靈敏視覺檢測；萬子平等[5]將機(jī)器視覺應(yīng)用于零件輪廓測量，實現(xiàn)了對零件的快速精密測量；Manali Nandy等[6]研究了基于機(jī)器視覺，通過使用磁性納米乳劑，成功實現(xiàn)了對碳鋼缺陷的穩(wěn)定性檢測。

本研究在HALCON的基礎(chǔ)上，成功設(shè)計了一種可行的視覺檢測方案，用以解決不規(guī)則壓件的多特征檢測問題，從而實現(xiàn)對壓件的高效和精準(zhǔn)檢測。通過采集100個壓件產(chǎn)品利用上述方法進(jìn)行檢測，檢測的準(zhǔn)確率達(dá)到97%，滿足了工業(yè)上對此類精密產(chǎn)品的高效檢測要求。

1 技術(shù)方案實現(xiàn)

本技術(shù)方案的實現(xiàn)由計算機(jī)系統(tǒng)、光源系統(tǒng)、相機(jī)系統(tǒng)、被檢測的壓件和壓件傳送系統(tǒng)等組成，在傳送帶把被測物傳送到指定位置，結(jié)合光源系統(tǒng)和相機(jī)系統(tǒng)，準(zhǔn)確地采集被測物的圖像信息，再將圖像信息傳遞給計算機(jī)進(jìn)行相應(yīng)的圖像處理。圖像處理通過相應(yīng)的灰度化處理、線性變換，再使用閾值分割、轉(zhuǎn)換為XLD輪廓，進(jìn)行輪廓分割。根據(jù)分割后的輪廓進(jìn)行依次判斷是線、圓還是橢圓，從而擬合相應(yīng)的輪廓，檢測出相應(yīng)的特征。通過對壓件進(jìn)行相應(yīng)的特征檢測，從而判斷是否符合工業(yè)的生產(chǎn)要求，再結(jié)合機(jī)械臂進(jìn)一步處理。如果符合，可以通過傳送帶直接傳送到合格產(chǎn)品指定區(qū)域；反之，可以觸發(fā)機(jī)械臂對不合格品進(jìn)行抓放到其他位置。圖1所示，為系統(tǒng)的整體設(shè)計。圖2為技術(shù)路線設(shè)計圖。

2 檢測實現(xiàn)

2.1 圖像采集

圖像采集是把壓件的真實圖像通過相機(jī)系統(tǒng)轉(zhuǎn)化為可以被計算機(jī)處理和存儲的數(shù)字圖像形式，在HALCON軟件中直接調(diào)用open_framegrabber算子，利用grab_image算子抓取壓件圖像再進(jìn)行保存[7]，采集的圖像如圖3所示。

2.2 圖像拉伸

采集圖像后進(jìn)行灰度化處理，再對圖像進(jìn)行對比度拉伸，使用scale_image算子，從而突出感興趣的目標(biāo)或灰度區(qū)間，相對地，就可以抑制不感興趣的灰度區(qū)間[8]。線性變換將圖像的灰度區(qū)域分割為若干條線段，一條線段對應(yīng)一個線性變換關(guān)系式，從而作用于該灰度區(qū)域的變換。如下式：

(1)

式(1)通過線性變換將感興趣的灰度范圍從[a,b]拉伸到[c,d]，而其他區(qū)域就會被壓縮。區(qū)域[a,b]就是需要轉(zhuǎn)換的灰度范圍，而c和d是斜率，通過調(diào)節(jié)節(jié)點位置和控制斜率，可達(dá)到對任意灰度區(qū)間的拉伸和壓縮。拉伸在數(shù)字圖像處理過程中可以增強(qiáng)圖像的對比度，其增強(qiáng)后的效果如圖4所示。

2.3 圖像分割

為了將壓件從背景中分割出來，此時采取二進(jìn)制閾值處理。通過選擇一個閾值為初始估計值，然后不斷迭代更新這一估計值[9]，直到滿足給定的條件為止，方法如下：

(1)選取一個合適的灰度值T作為閾值估計值。

(2)使用閾值T將灰度圖像劃分為兩個區(qū)域：R1和R2。

(3)對灰度區(qū)域R1和R2分別求像素的灰度平均值：μ1和μ2。

(4)計算新的閾值：

(2)

(5)重復(fù)步驟(2)～(4)，直到滿足迭代的閾值T小于先前定的估計值為止。

其分割語句為：binary_threshold(ImageScaled, Region, 'max_separability', 'dark', UsedThreshold)，ImageScaled為需要閾值的圖像，Region是處理后的區(qū)域，max_separability表示最大限度的可分性，dark是所選的區(qū)域比直方圖平滑多一點，而UsedThreshold是自動閾值中選擇的閾值值。

2.4 獲取圖像輪廓

過閾值分割后的圖像效果比較好，完全可以提取壓件的輪廓，采用算子gen_contour_region_xld(Region, Contours, 'border_holes')，Region為轉(zhuǎn)換區(qū)域，Contours為轉(zhuǎn)換得到的XLD輪廓，border_holes是以區(qū)域的外邊界點為邊緣點構(gòu)成XLD輪廓。提取壓件的XLD輪廓后，需對輪廓進(jìn)行分割，算子：segment_contours_xld(Contours, ContoursSplit, 'lines_circles', 8, 7, 2)，Contours是需要進(jìn)行分割的輪廓，ContoursSplit分割后的的輪廓組合，line表示用直線段和橢圓弧分割，8是輪廓平滑參數(shù)，7是第一次用Ramer算法時的參數(shù)，而2是第二次逼近輪廓時的參數(shù)。其圖像輪廓如圖5所示。

2.5 擬合

經(jīng)過上述操作后，壓件的輪廓已經(jīng)分割成若干個小的輪廓，對分割后的輪廓需要確定其屬性，從而判斷其是圓、橢圓還是線段。使用算子：get_contour_global_attrib_xld(),對應(yīng)得到Attrib的值，其輪廓對照關(guān)系如表1所示。

表1 輪廓對照關(guān)系表

當(dāng)Attrib=-1時就屬于直線段，使用直線擬合算子fit_line_contour_xld()擬合輪廓中的直線，再結(jié)合算子gen_contour_polygon_xld()獲取直線段的起止點的坐標(biāo)值，通過坐標(biāo)值，就可以測量壓件再圖像中的像素尺寸，從而再轉(zhuǎn)換得到壓件的實際尺寸。

當(dāng)Attrib=1時就屬于圓，對圓的擬合采用最小二乘法進(jìn)行圓參數(shù)擬合，用算子fit_circle_contour_xld()將邊緣輪廓線擬合為標(biāo)準(zhǔn)圓，獲取圓心坐標(biāo)及半徑。圓方程為：

(x-x0)2+(y-y0)2=r2

(3)

令A(yù)=2x0,B=2y0,C=r2-x02-y02,從而得到圓的多項式方程為[10]：

Ax+By+C-x2-y2=0

(4)

基于待擬合圓的N個數(shù)據(jù)點坐標(biāo)為(xn,yn),n=1,2,…,N,定義各點的擬合誤差：

en=Axn+Byn+C-xn2-yn2

(5)

形成如下的目標(biāo)函數(shù)：

(6)

對式(6)求一階偏導(dǎo)數(shù)，并令其為零，整理后則可知向量[A,B,C]T的最小二乘解：

(7)

基于獲得的[A,B,C]T，則可以求得圓的參數(shù)：

(8)

橢圓擬合采取算子fit_ellipse_contour_xld()，并結(jié)合gen_ellipse_contour_xld()算子一起使用，可以擬合為橢圓，并檢測出橢圓的長半軸和短半軸，同時包括圓心。擬合得到圖像如圖6所示。

3 實驗結(jié)果

通過上面的擬合計算，再借助算子distance_pp(RowBegin, ColBegin, RowEnd,ColEnd，Distance1)和distance_pl(line_row[7]，line_col[7], line_row[10]，line_col[10]，line_row[11]，line_col[11], Distance2)，distance_pp表示兩點(RowBegin, ColBegin)和(RowEnd, ColEnd)之間的距離來測量線段的尺寸，而distance_pl表示點到直線的距離，(line_row[7], line_col[7])就是點，而(line_row[10], line_col[10])和(line_row[11], line_col[11])就是線段的起始點和終點。通過這些算子可以測出壓件輪廓上一些特征的重要參數(shù)。如圖7所示，圖7a為壓件的線長尺寸參數(shù)，圖7b為圓半徑和壓件的幾何參數(shù)。

本次實驗分別對100個壓件進(jìn)行檢測，包括90個合格品和10個不合格品，檢測結(jié)果見表2，其中符合檢測要求的有97個，占總體的97%，絕大多數(shù)滿足工業(yè)的生產(chǎn)標(biāo)準(zhǔn)。

表2 壓件尺寸檢測正確率

4 結(jié)語

本文針對不規(guī)則的壓件形貌檢測，在HALCON軟件的基礎(chǔ)上，提出了一種基于視覺的不規(guī)則壓件檢測方案。該方案首先對采集的壓件圖像信息進(jìn)行灰度化處理，然后使用線性變換函數(shù)對圖像進(jìn)行拉伸變換，利用迭代閾值分割圖象和獲取壓件的整體輪廓；再分割輪廓，采用最小二乘法對壓件的特征進(jìn)行擬合求取壓件的尺寸、特征圓信息、橢圓信息和線長信息；以滿足工業(yè)上對此類精密產(chǎn)品的高效檢測要求。本實驗采集了100個壓件產(chǎn)品進(jìn)行檢測，其準(zhǔn)確率達(dá)到97%，可以應(yīng)用于實際的工業(yè)生產(chǎn)，同時為壓件的質(zhì)量檢測提供一定的指導(dǎo)意義。