基于機器視覺的冷油管螺紋中徑自動檢測系統*

虞佳佳,黃文廣,張 耀

(浙江機電職業技術學院,浙江 杭州 310053)

0 引 言

管接頭是油管與油管、油管與液壓件之間的可拆式聯接件,冷油管接頭被廣泛用于汽車、船舶、軍工、能源等各行各業的液壓管路系統中。作為油路系統的關鍵通路,冷油管接頭的螺紋尺寸是影響其產品性能的重要指標,因此冷油管接頭的檢測內容多、檢測要求高,并成為了產品品檢中卡脖子的關鍵技術。

目前,對零部件尺寸檢測的傳統方法主要有人工目視、圖像檢測等。但由于檢測效率低、檢測過程繁瑣且檢測精度低,在基于機器視覺技術的零部件尺寸檢測方面,研究人員又提出了新的檢測方法。

賈坡等人[1]利用單片機、步進電機、采樣圓盤、數字顯微鏡和上位機搭建了磨塊圖像采集系統,實現了對磨塊圖像的連續采集,以及對磨塊尺寸的檢測。石野[2]采用基于局部濾波模板的雙邊濾波算法,提高了對零部件尺寸進行檢測的精確度。李正大[3]以Moore邊界追蹤算法為基礎,經過對算法進行優化改進,實現了對亞像素精度邊緣的有序提取。來煜等人[4]提出了基于投影重心的亞像素邊界定位方法,避免了直接遍歷橫向寬度而導致誤差的形成。包能勝等人[5]設計了一個自適應的ROI裁剪區域,利用最小二乘法直線擬合技術對其輪廓進行了直線擬合,生成了螺紋中徑線,完成了對螺紋中徑的測量。宦小玉等人[6]選擇了Canny邊緣檢測算法,對梯形螺紋的牙型輪廓邊緣進行擬合,提取了圖像的邊緣信息,并對其進行了邊緣細化處理,最終得到了精確的邊緣信息。張毅[7]基于二值圖信息比較的方法,提出了一種可以判斷微型零件外形尺寸的測量方法。李陽等人[8]提出了一種基于加速魯棒性物征(SURF)和改進曲率尺度空間(CSS)的弧形槽幾何尺寸檢測算法。徐鵬[9]基于正交多項式的亞像素邊緣檢測方法,開發了一種使用范圍廣泛的機械零件尺寸檢測系統,可代替大部分的人工檢測工作。龐博[10]利用Opencv圖像處理庫中的findcontours,對提取到的亞像素邊緣點進行了分割,提高了傳統的最小二乘擬合圓的處理速度,并結合Hough直線變換確定了直線在圖像中的大致區域,有效地解決了最小二乘擬合直線算法因受到“野值”影響而使檢測精度下降的問題。黃凌霄[11]基于最大內切圓的橢圓檢測算法,利用橢圓及其伴隨圓相關性質,結合橢圓中的估計方法和最值距離選取方法,實現了對橢圓零件尺寸的檢測,并將該橢圓檢測算法應用于孔組的檢測。郭聯金等人[12]借助VS2008、Opencv等軟件開發平臺,實現了對外螺紋長度、大徑、小徑、螺距等幾何尺寸的精確檢測,以及對螺紋頭型的準確識別。于亞琳[13]提出了一種基于數學形態學的輪廓提取方法,研究了螺紋導程、大徑、小徑、牙型高、中徑的測量和計算法方法,并利用實驗圖像對這些螺紋參數進行了測量。侯東明[14]利用數字圖像處理技術,得到了所需要的幾何尺寸特征數據,進而實現了對石油管螺紋幾何參數的測量。王文琪[15]對萬能工具顯微鏡的硬件和光學系統平臺的硬件進行了改進,在此基礎上開發了螺紋參數測量系統,實現了對外螺紋參數的自動化測量。ZHOU A等人[16]利用激光和相機組合傳感器來精確測量汽車中旋轉金屬零件表面缺陷,提出了一種多姿態測量系統,可在較短的時間內對整個零件表面的缺陷進行準確的測量,并得到了缺陷的尺寸。CHEN X等人[17]介紹了一種由觸覺探頭和光學視覺傳感器組合成的雙傳感器單元,對零配件復雜曲面和自由曲面上小孔陣列位置誤差進行了快速自動檢測,滿足了汽車工業特殊要求。LIU S等人[18]提出了一種基于機器視覺的管道端點測量方法。MIN J[19]提出了一種采用67.5°和112.5°改進Sobel模板獲取邊緣圖像的新方法,對螺紋的高精度幾何誤差進行了測量。

在尺寸的檢測中,雖然基于機器視覺的快速檢測應用較多,但筆者未查詢到基于機器視覺的螺紋中徑的尺寸檢測模型;同時也缺乏尺寸檢測專機方案。因此,為了滿足企業的相關需求,迫切需要對基于機器視覺的螺紋尺寸檢測新方法進行研究。

筆者將冷油管作為研究對象,研究三針法中徑測量原理,并基于機器視覺的檢測算法,搭建基于機器視覺的冷油管接頭的螺紋中徑不良分揀檢測系統,對系統檢測重復性精度以及區分螺紋中徑不合格件的能力進行驗證。

1 基于機器視覺的螺紋中徑檢測算法

1.1 三針法中徑測量原理

通常螺紋中徑有多種測量方法,其中,用量針檢測螺紋中徑的方法被稱為三針法。

螺紋中徑的三針法檢測原理如圖1示。

圖1 三針法測量螺紋中徑原理圖

采用三針法測量中徑時,通常是利用放置在凹槽內的3個已知量針,通過測量獲取量針間最大直徑,并根據工件螺距、牙型半角以及量針直徑計算獲取的螺紋中徑值。

計算公式如下:

(1)

式中:M—2個量針投影最大外徑值;d0—量針直徑;α—牙線的夾角;P—工作螺距或者螺桿直徑。

由式(1)可得,螺紋中徑測量的關鍵為通過壓線輪廓獲取牙型夾角、螺距,以及通過數學模型自動定位量針。

筆者利用Hough變換擬合螺紋牙線輪廓。Hough空間變換是圖像處理中有效找尋直線的方法,經過Hough變換后,圖像中殘缺直線、圖像灰度噪聲以及其他共存的非直線結構具有較強的抗干擾能力。

1.2 虛擬量針定位數學模型

線切圓定位數學模型如圖2所示。

圖2 線切圓定位數學模型

通過Hough變換獲取螺紋線后,需要建立虛擬量針定位數學模型。該數學模型如下:

(2)

由此可得量針圓形坐標如下:

(3)

獲得虛擬量針圓形后,即可求取量針間最大外徑值M,并由式(1)計算得到該螺紋的中徑值。

1.3 算法流程

筆者在三針法中徑測量原理的基礎上,提出了一種基于機器視覺的四針法的虛擬量針定位算法。

基于機器視覺的四針法螺紋中徑檢測算法流程如圖3所示:

圖3 基于機器視覺的四針法螺紋中徑檢測算法流程

該流程結合三針法中徑測量的原理,通過Hough變換獲取牙線直線,結合線切圓定位的方法,自動獲得螺紋中徑線,實現對中徑的自動測量。

根據上述算法流程,可以精確定位量針的位置,并獲取螺紋中徑、齒高、齒矩、外徑等參數。

采用上述基于機器視覺的螺紋中徑測量算法及流程所得到的結果如圖4所示。

圖4 基于機器視覺的螺紋中徑測量結果

2 螺紋中徑檢測系統設計

2.1 檢測分揀評價標準

冷油管的尺寸圖(即冷油管的檢測要求)如圖5所示。

圖5 冷油管尺寸圖

圖5中,其對應螺紋為M14*1.5—6G的外螺紋,根據螺紋公制要求,其中徑參數為13.026 mm,公差要求為0.032 mm到-0.172 mm。

由于該項目為企業落地項目,此處考慮實際檢測需求后,調整檢測精度要求為0.01 mm,重復性精度要求為0.001 mm。

2.2 硬件系統選型

油冷管接頭視覺測量系統結構簡圖如圖6所示:

圖6 油冷管接頭視覺測量系統結構簡圖1—顯示器終端;2—鋁型材框架;3—伺服電機;4—中空轉臺;5—柔性托拖鏈;6—三爪氣缸;7—油管接頭;8—防塵護罩;9—工作臺面;10—操作端按鈕;11—工位切換氣缸;12—相機;13—鏡頭;18—面光源;19—上下料氣缸;20—直線導軌;21—NG品下料滑道;22—NG存料箱;23—氣控工位

為了滿足系統的精度要求,減少畸變帶來尺寸檢測的誤差,系統采用雙遠心鏡頭XF-PTL03708-C,其工作距離為110 mm,其分辨力為16.6 μm;螺紋長度為14.5 mm,外徑為14 mm,選擇0.5 inches(4.8 mm*4.8 mm)的像元,使得其檢測視野范圍在16.5 mm*16.5 mm,滿足檢測視野范圍要求。

該系統采用了MV-CA050-20GM海康的面陣相機;同時選擇了30*30 mm平行背光光源(白色)進行螺紋中經檢測,其中主控制器為西門子S7-1200PLC。

硬件系統主要由伺服電機、中空轉臺、三爪氣缸、相機、鏡頭、光源、上下料氣缸、直線導軌等組成。其中,氣路又由上下料氣缸、電磁閥、三聯件、三爪氣缸元件構成,主要完成工件的夾緊、上下料、以及工件的切換、分揀功能。

系統工控機為i7-7500 CPU,內存4 G,支持4個千兆網口通訊接口等;軟件運行環境為Windows 7,基于Visual Studio 2010 C#編寫,算法通過Halcon 11.0實現。

2.3 控制系統

基于機器視覺的螺紋中徑檢測系統的控制系統整體結構如圖7所示。

圖7 基于機器視覺的螺紋中徑檢測控制系統的整體結構

整個系統以PLC作為主控,通過Modbus TCP獲取中徑檢測結果信號,實現中徑分揀的功能。

基于機器視覺的螺紋中徑檢測系統的控制流程如圖8所示。

圖8 基于機器視覺的螺紋中徑檢測控制系統的控制流程

設備采用人工上下料,通過點擊啟動按鈕來開啟檢測流程,檢測工位到達后,觸發相機拍照,算法流程自動觸發,并通過Modbus TCP將檢測結果傳送給PLC,由PLC觸發分揀流程。

3 實驗測試及結果分析

為了驗證基于機器視覺的螺紋中徑檢測算法的精度[20],及是否能很好地區分螺紋中徑不合格件與合格件,筆者進行相關實驗。

3.1 分揀能力測試及結果分析

實驗中,在螺紋采集獲取的部分數據中,螺紋合格品檢測參數如表1所示。

表1 螺紋合格品檢測參數(單位:像素值)

螺紋不合格品檢測參數表2所示。

表2 螺紋不合格品檢測參數(單位:像素值)

在測試階段,系統未進行像素標定的情況下,筆者首先采集了100個螺紋合格品和100個不合格品。

從表(1,2)中可以看出:合格品與不合格品之間具有13個像素差,由于該設備案例需要獲得0.001的重復精度,而系統檢測精度為0.01 mm,因此需要觀察亞像素級的參數變化;筆者設計的冷油管螺紋中徑檢測能滿足分揀合格品與不合格品。

3.2 重復精度測試及結果分析

在驗證螺紋中徑檢測算法精度時,筆者得到了基于機器視覺的螺紋中徑重復性精度的測量結果,如圖9所示。

圖9 基于機器視覺的螺紋中徑重復性精度的測量

系統完成標定后,筆者取3個油管樣本在油管螺紋中徑分揀系統中進行重復性測試,以驗證系統檢測重復性精度;同時,通過人工重復上料,一方面可以測試系統的運行穩定性,另一方面可以驗證算法精度。

筆者采用工廠中三坐標儀打標后標準工件的實際值與檢測儀器獲得的像素值之比作為基準值,由此獲得了長度像素比,3個螺紋中徑的重復精度在0.001 mm,并能很好地區分螺紋中徑不合格件與合格件。

4 結束語

在冷油接頭螺紋中徑的不良分揀檢測過程中,因人工檢測而導致檢測準確率低、效率低下,為此,筆者提出了一種基于機器視覺的油管零件螺紋中徑不良品分揀檢測系統,并對系統檢測重復性精度以及區分螺紋中徑不合格件的能力進行了驗證。

研究結果表明:

(1)算法通過Hough變換獲取螺紋牙線,結合線切圓定位的方法,自動獲得了螺紋中徑線,可實現對中徑的自動測量;

(2)基于機器視覺的四針法的虛擬量針定位數學模型可對產品的螺紋中徑進行篩選,重復精度可控制在0.01 mm,為同類型產品的品質檢測提供了新的解決方案。

在方案的實際使用過程中,還需要對螺紋的壞牙、端面表面的粗糙度進行區分,需要通過增加新的光源配置工位來提高圖像信息的完整性,進一步更新算法。

因此,在后續的工作中,筆者會在方案中加入神經卷積網絡的深度學習方法,以此對產品缺陷的檢測分揀能力進行優化。