基于引導(dǎo)濾波與神經(jīng)網(wǎng)絡(luò)算法的螺紋孔檢測方法*

馬曉鋒 王中任

(①湖北文理學(xué)院機(jī)械工程學(xué)院，湖北 襄陽 441053；②智能制造與機(jī)器視覺襄陽市重點(diǎn)實(shí)驗(yàn)室, 湖北 襄陽 441053)

曲軸為發(fā)動(dòng)機(jī)的重要部件，對(duì)汽車正常行駛有著巨大影響，其中對(duì)曲軸螺紋孔組位置度的要求比較高，目前曲軸螺紋孔的檢測往往采用的是卡尺或者采用三坐標(biāo)的檢測方法檢測。曲軸自身較重，搬運(yùn)不方便，人工用卡尺檢測勞動(dòng)量大，因疲勞容易漏檢，達(dá)不到產(chǎn)品所需精度，效率低。三坐標(biāo)檢測雖然檢測精度好，但經(jīng)濟(jì)性不太好，對(duì)操作人員的專業(yè)技能要求較高，適用于抽樣檢查。與自動(dòng)化檢測有一定差距，而機(jī)器視覺的測量方法填補(bǔ)了以上檢測存在的缺陷，操作簡單，效率和精度都較高。

在機(jī)器視覺的尺寸測量研究領(lǐng)域中，李文龍?jiān)跍y量輪轂尺寸中，用雙邊濾波和二值化相結(jié)合對(duì)圖像進(jìn)行預(yù)處理，提出一種閾值自動(dòng)計(jì)算法，得到輪轂端面各個(gè)孔徑大小以及與中心孔間距，實(shí)現(xiàn)了輪轂孔徑幾何參數(shù)的自動(dòng)測量，但在系統(tǒng)搭建方面過于復(fù)雜，通用性不強(qiáng)[1]。任永強(qiáng)提出利用RANSAC算法，擬合缸套的內(nèi)外徑，實(shí)現(xiàn)了缸套內(nèi)外徑幾何參數(shù)的測量,相比最小二乘法，RANSAC算法更加精確，該算法是一個(gè)數(shù)據(jù)樣本集，通過該樣本集里隨機(jī)抽取數(shù)據(jù)點(diǎn)進(jìn)行擬合，經(jīng)過大量的迭代計(jì)算，選取其中最優(yōu)的一組數(shù)據(jù)，但是由于該算法自身局限性，迭代次數(shù)過多，測量時(shí)間偏長[2]。粟序明提出基于MATLAB設(shè)計(jì)了一套自動(dòng)定位和測量的軸類零件系統(tǒng)，驗(yàn)證了自主開發(fā)算法的有效性且可以滿足工業(yè)應(yīng)用要求，對(duì)操作人員專業(yè)素養(yǎng)較高，不利于推廣[3]。

目前深度學(xué)習(xí)發(fā)展迅速，針對(duì)以上情況，于是本文提出一種基于引導(dǎo)濾波與神經(jīng)網(wǎng)絡(luò)算法的螺紋孔檢測方法，結(jié)合RANSAC算法，使用Pytorch創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型擬合曲線，提高效率與精度。第一，利用引導(dǎo)濾波和形態(tài)學(xué)對(duì)圖像進(jìn)行預(yù)處理、去噪，使內(nèi)螺紋小徑邊緣清晰，去除螺紋孔徑邊緣的反光現(xiàn)象，便于輪廓的提取。第二，利用RANSAC算法去除外點(diǎn)，通過Pytorch搭建神經(jīng)網(wǎng)絡(luò)去擬合內(nèi)螺紋小徑，獲取大小及相對(duì)位置信息，為螺紋孔自動(dòng)測量提供一種有效方法。

1 系統(tǒng)搭建與圖像采集

檢測視野大小為115 mm×78 mm，采用相機(jī)為2 000萬像素卷簾曝光相機(jī)，分辨率為5 472×3 648，像素精度為0.02 mm；鏡頭采用長焦低畸變鏡頭，能最大程度的減小視場角，減小畸變，鏡頭焦距為55 mm，工作距離為550±5 mm；光源采用環(huán)形光，工作距離為10 mm，設(shè)計(jì)系統(tǒng)簡易結(jié)構(gòu)與檢測流程圖如圖1和圖2所示。

整個(gè)檢測平臺(tái)由1個(gè)視覺檢測平臺(tái)和1個(gè)夾具平臺(tái)組成，相機(jī)安裝位置調(diào)節(jié)通過連接板。方便調(diào)節(jié)光源位置，光源安裝在直線電機(jī)模塊上，直線電機(jī)模塊由導(dǎo)軌、電機(jī)和控制器組成，100 mm行程，自發(fā)脈沖，無需額外編程，工件放好后按開始鍵，光源移動(dòng)到位，相機(jī)拍完圖像輸出結(jié)果后，再按離開鍵，光源自動(dòng)挪走，視覺檢測平臺(tái)以及夾具平臺(tái)下方均安裝有萬向輪及防震墊，夾具平臺(tái)上需放置厚鐵板。該系統(tǒng)采集的曲軸端面如圖3所示。

2 圖像處理

首先用引導(dǎo)濾波對(duì)圖像進(jìn)行預(yù)處理，去噪聲，將邊緣更好凸顯出來，然后用迭代法圖像二值化，進(jìn)行Blob分析，將擬合區(qū)域區(qū)分出來，最后利用Canny算子提取端面內(nèi)螺紋小徑的邊緣特征[4]。

2.1 引導(dǎo)濾波

引導(dǎo)濾波與雙邊濾波相似，但在檢測邊緣附近細(xì)節(jié)上優(yōu)于雙邊濾波，沒有梯度變形，是一種時(shí)間復(fù)雜度為0的快速濾波器，在大窗口處理圖片時(shí)，其效率更高。

更進(jìn)一步的說，該算法在一函數(shù)上的點(diǎn)與它周圍函數(shù)點(diǎn)的連線構(gòu)成一次函數(shù)，一個(gè)復(fù)雜函數(shù)可以用無數(shù)個(gè)這種一次函數(shù)來表示，如果求該復(fù)雜函數(shù)上某點(diǎn)的值時(shí)，轉(zhuǎn)化為求包含改點(diǎn)的所有一次函數(shù)值，再計(jì)算平均值[5]，函數(shù)示意圖如圖4所示。

當(dāng)一個(gè)二維函數(shù)圖像輸入進(jìn)來，在一個(gè)二維窗口內(nèi)，若該函數(shù)的輸出與輸入，滿足線性關(guān)系為：

qi=akIi+bk,?i∈Wk

(1)

I是輸入圖像值；q是輸出像素值；i、k是像素索引；a、b是當(dāng)窗口中心位于k時(shí)，該線性函數(shù)的系數(shù)。兩邊取梯度為：

Δq=aΔI

(2)

可以知道輸入圖像值I梯度與像素值成a倍的關(guān)系，邊緣保持的特性來源于此，我們還需求出線性回歸為：

(3)

使真實(shí)值與輸出值偏差最小，其中p是待濾波圖像，然后通過最小二乘法得到：

(4)

(5)

(6)

這里，Wk是所有包含像素i的窗口；k是其中心位置。經(jīng)過引導(dǎo)濾波處理結(jié)果如圖5所示。

可以看出濾波后消除了一些花紋，表面污漬的干擾，留下了較為清晰的輪廓，便于后續(xù)邊緣提取。

2.2 迭代法圖像二值化

經(jīng)過濾波后的圖像，消除了部分噪聲，由于光照、自身零件特性和外界影響，背景還是有大量干擾信息，不便提取孔徑，于是采用二值化的方法來進(jìn)一步消除噪聲，假設(shè)目標(biāo)圖像中當(dāng)前像素為f(x,y)，設(shè)定一閾值Th，跟據(jù)當(dāng)前閾值，循環(huán)f(x,y)，將圖像分為A，B兩類集合；分別計(jì)算它們像素均值μA和μB，公式為[6]：

(7)

(8)

其中NA與NB分別表示集合A、B中的像素個(gè)數(shù)，然后更新閾值為：

(9)

計(jì)算新閾值與上一次閾值之差，是否滿足約束條件，若小于，則所計(jì)算出的新閾值為最佳閾值，否則，再繼續(xù)求出μA和μB，循環(huán)往復(fù)，計(jì)算機(jī)利用該算法圖像處理效果如圖6所示。

2.3 邊緣提取

通過二值化圖像邊緣更加清晰明顯，利用Canny算子進(jìn)行邊緣提取，計(jì)算多個(gè)方向的梯度，記錄方向和大小，然后進(jìn)行NMS非極大值抑制，大小閾值， 提取的邊緣很細(xì)[7-8]。提取步驟為(1)～(4)。提取結(jié)果如圖7所示。

(1)高斯濾波器平滑圖像。

(2)計(jì)算像素點(diǎn)的梯度大小與方向。

(3)進(jìn)行極大值抑制去除干擾。

(4)最后用高低閾值提取邊緣。

3 螺紋孔的擬合

首先，準(zhǔn)備數(shù)據(jù)集，將邊緣提取數(shù)據(jù)寫入Csv文件,利用Python中Pandas讀取，將數(shù)據(jù)做成數(shù)據(jù)集模樣。因?yàn)镻ytorch只能處理二維數(shù)據(jù)，于是使用Unsqueeze函數(shù)將一維數(shù)據(jù)轉(zhuǎn)換為二維數(shù)在進(jìn)行處理。

其次，搭建神經(jīng)網(wǎng)絡(luò)，本文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含有1個(gè)輸入層，2個(gè)隱層，每個(gè)隱層包含50個(gè)神經(jīng)元，1個(gè)輸出層，將數(shù)據(jù)集通過輸入層輸入，輸入層通過第一層的權(quán)重參數(shù)W1到達(dá)隱層1，隱層1通過權(quán)重參數(shù)W2到隱層2，最后經(jīng)過權(quán)重參數(shù)W3輸出結(jié)果,本文采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

每一層的輸出為上一層輸出與權(quán)重參數(shù)之積，易知是一個(gè)線性函數(shù)，無論隱層與神經(jīng)元如何變化，輸出都是輸入的線性組合，隱層沒有任何效果，所以該模型引入tanh函數(shù)作為激活函數(shù)，增加神經(jīng)網(wǎng)路模型的非線性，可以逼近任何函數(shù)，這也是神經(jīng)網(wǎng)絡(luò)的最大特征[9]。

tanh是雙曲函數(shù)中的一個(gè)，為雙曲正切。公式為：

(10)

激活函數(shù)圖像如圖9所示。

為了評(píng)估模型預(yù)測效果如何，需計(jì)算回歸損失值，去優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，減少神經(jīng)網(wǎng)絡(luò)的損失，該模型選擇MSELoss函數(shù)，計(jì)算預(yù)測值和實(shí)際觀測值間差的平分的均值。只考慮誤差的平均大小，從而計(jì)算出損失，公式如(11)所示。

(11)

預(yù)測值與實(shí)際值偏差越大，損失值越大，擬合效果就不好。用該算法擬合效果如圖11所示。

從圖11可以看出，對(duì)準(zhǔn)備的數(shù)據(jù)集擬合效果并不好，需增加優(yōu)化器，采用隨機(jī)梯度下降法(SGD)，計(jì)算影響該神經(jīng)網(wǎng)絡(luò)架構(gòu)的權(quán)重參數(shù)，從而讓損失函數(shù)最小化，使得模型最優(yōu)。該算法是隨機(jī)從準(zhǔn)備好的樣本集中抽出1組，進(jìn)行訓(xùn)練，更新一次梯度，如此循環(huán)，在數(shù)據(jù)集過大時(shí)，無需訓(xùn)練所有原本，可以加速學(xué)習(xí),就能得到優(yōu)化模型。以0.02的學(xué)習(xí)率對(duì)梯度進(jìn)行優(yōu)化，對(duì)于樣本的目標(biāo)函數(shù)：

(12)

對(duì)函數(shù)求導(dǎo)為：

(13)

參數(shù)更新：

(14)

定義了優(yōu)化器，更新參數(shù)。其中：j(i)(θ0,θ1)為目標(biāo)函數(shù)，hθ為待擬合函數(shù)，x(i)為訓(xùn)練樣本的樣本值，y(i)為標(biāo)簽值，θ為模型權(quán)重參數(shù)，α為下降系數(shù)，即學(xué)習(xí)率。對(duì)準(zhǔn)備的數(shù)據(jù)集擬合效果如圖12所示。

黑色即為擬合圓，損失函數(shù)根據(jù)梯度下降算法訓(xùn)練的次數(shù)增多，函數(shù)逐漸趨于穩(wěn)定，趨于零，損失越來越小，表示該模型訓(xùn)練效果較好，可以根據(jù)所需精度，設(shè)置訓(xùn)練次數(shù)，損失值變化曲線如圖13所示。

最后，將每個(gè)所需擬合的圓通過如此方法進(jìn)行擬合，端面螺紋孔最終檢測如圖14所示。

該算法將提取的邊緣擬合完整，可以計(jì)算出各個(gè)螺紋孔的位置信息和直徑大小。

4 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析

為了驗(yàn)證曲軸端面螺紋孔視覺檢測系統(tǒng)的適用性，以及精度測量，取型號(hào)YC4W75曲軸進(jìn)行測試，用型號(hào)W15-M2-17-15819的FARO測量臂對(duì)螺紋孔外徑進(jìn)行測量，精度可達(dá)0.018 mm，結(jié)果為其標(biāo)準(zhǔn)值，將該系統(tǒng)測量的數(shù)據(jù)為測量值，測試結(jié)果如圖15與表1所示。

表1 螺紋孔測量結(jié)果

螺紋1與螺紋10都是M10的螺紋，其余都是M11的螺紋根據(jù)標(biāo)準(zhǔn)，內(nèi)螺紋小徑的誤差范圍應(yīng)保持在0.1 mm以內(nèi)，根據(jù)測試結(jié)果，誤差范圍都在行業(yè)標(biāo)準(zhǔn)以內(nèi)，滿足要求。

表2 螺紋孔位置測量結(jié)果

曲軸螺紋孔與中心孔的相對(duì)位置，利用圖像處理軟件，將其坐標(biāo)表示出來，計(jì)算兩點(diǎn)之間的距離。工業(yè)上各個(gè)螺栓孔的要求范圍在0.25 mm以內(nèi)，在上述測量結(jié)果中，在此標(biāo)準(zhǔn)范圍內(nèi)，滿足工業(yè)要求。

結(jié)合文獻(xiàn)內(nèi)容，對(duì)比其他，周金波等人利用最小二乘法對(duì)沖孔孔徑檢測精度為0.395 mm[1]、李文龍等人利用機(jī)器視覺方法對(duì)輪轂孔徑檢測精度為0.100 mm[2]、任永強(qiáng)等人利用RANSAC算法擬合缸套內(nèi)外徑檢測精度為0.100 mm[3]、粟序明等人利用MATLAB 自動(dòng)定位和測量軸類零件精度為0.200 mm等[4]，相關(guān)測量文獻(xiàn)中，檢測精度在0.100 mm以內(nèi)較少，只有些許專業(yè)測量儀能夠達(dá)到，本文提出方法擬合效果好，精度更高。

5 結(jié)語

搭建了曲軸端面螺紋孔視覺檢測系統(tǒng)，采用引導(dǎo)濾波和形態(tài)學(xué)對(duì)圖像進(jìn)行預(yù)處理，消除了噪聲點(diǎn)，使邊緣更加清晰清晰。結(jié)合RANSAC算法，利用Pytorch搭建神經(jīng)網(wǎng)絡(luò)擬合目標(biāo)圓，通過優(yōu)化器不斷更新模型，精度也更高于其他擬合方法，獲取螺紋孔的圓心位置以及圓心間的距離。通過實(shí)驗(yàn)與數(shù)據(jù)對(duì)比，滿足工業(yè)現(xiàn)場精度要求，實(shí)現(xiàn)了曲軸端面螺紋孔位置信息的自動(dòng)測量。