基于機器視覺通信線纜接口檢測*

范金生，馬善農※，周顯恩

（1.東華理工大學機械與電子工程學院，南昌 330013；2.吉安市電子信息研究院，江西 吉安 343000）

0 引言

根據十四五戰略規劃布局，我國逐漸從傳統工業向智能化制造轉型，隨著相關研究的深入，各種高精密的零配件的智能化制造也不斷迭代更新。機器視覺作為新時代智能化制造的核心技術，依據自身高精度，高效率，可替代人工，普適性強等特點進入工業視野中心[1]。在種類繁多的線纜器材生產過程中，出現生產質量的問題也是屢見不鮮，特別是在鉚換接口部分，都是導致線纜器材在使用過程中出現問題的根源所在。如果這些有缺陷瑕疵的產品流入市場，都會給消費者帶來不小的利益損害，與此同時也必然影響生產產品的企業形象，最終導致不必要的損耗。

國內檢測通信線纜接口的品質主要是依據人工目測，對工人的要求高，人工檢測效率低下，勞動強度較高。通信線纜的判斷標準也是良莠不齊，很難達到統一的標準[2]，而且很大程度上存在誤檢、漏檢、錯檢等各種問題。除此以外，產線人員長時間在噪聲大、光線昏暗的環境工作，長期注意力高度集中，對身體健康和視力也會有極大的影響，不管是出于身體健康角度和工作效率考慮，都急需一種方法改善線纜器材的現狀。這也直接影響產線效率、企業自動化水平和成本控制。基于以上問題，提出一種缺陷檢測方法，創新性在于結合雙邊濾波進行圖像增強算法，它在降低人工勞動強度的同時也能保持較高的穩定性，開拓機器視覺在工業應用的前進方向[3]。

1 視覺系統

一套成熟的機器視覺系統包括上位機系統和下位機硬件系統。硬件系統觸發相機拍照后經過圖像采集，并對圖像進行預處理。在灰度分布、圖像增強、缺陷分割、均值濾波等處理后，對目標圖像進行缺陷檢測。上位機系統包括上位機軟件，軟件通過Visual Studio 2022 與Halcon 聯合使用C#編程，與圖像采集硬件進行交互，達到顯示目的。下位機硬件系統包括工業相機、鏡頭、條形光源等。

將待檢測的通信線纜依次安裝在器件模具里，器件模具滑動到導軌上的過程觸發光纖傳感器，傳感器經過器件遮擋發送高電平，觸發工控機內相機軟件拍照，最后進入上位機軟件進行缺陷檢測，將檢測結果發送到工業顯示器顯示，如圖1所示。

圖1 采樣流程

2 圖像增強算法

圖像增強是采用諸多方法增強所需要的部分，在這個層面上改進圖像視覺效果，使得原本模糊不清的整體或者局部具有更為清晰的整體和特征。在解決邊緣不夠銳利的同時也能較好地增強對比度，簡化某些不必要的特征，突顯出研究所需要的局部范圍。一般采用的圖像增強原理有灰度線性變換和非線性變換，直方圖均勻化，灰度圖像形態學等。主要使用的是灰度值線性變換和直方圖均衡化，達到增強圖像的效果，整體的灰度值成倍數增加。此處采用基于雙邊濾波的圖像增強改進算法，可以明顯觀察到，圖像處理后圖像的對比度和亮度有了顯著提高，這同時也很好地彌補光源亮度不足的問題，方便后續的缺陷檢測。

2.1 基于雙邊濾波改進算法

傳統采用的圖像增強算法有灰度線性拉伸等。雙邊濾波[4]是非線性濾波，在降低噪聲的同時保留了邊緣。本文提出的改進算法的創新點在于，融合雙邊濾波的優點，增強圖片的亮度和邊緣區域。

雙邊濾波分別有fσs和fσr，fσr表示像素間的灰度值構成的幅值域核函數，fσs表示歐氏距離構成的空間域核函數[5]。公式如下：

式中：IP和Iq為p、q兩點像素值；k為中心在p點的方形區域[6]。

式中：G為經過雙邊濾波處理的像素值；Rmult為放大倍數；Radd為相加的灰度值；Gmax為在圖像內的最大灰度值；Gmin為在圖像內的最小灰度值。

通過MaskWidth，MaskHeight兩個濾波掩膜控制數值大小，配合對比度將灰度值控制在最佳的程度。經過處理后如圖2所示。

圖2 定位

2.2 圖像分割

經過精確的定位引導，將圖片定位到需要檢測的部分，但是為了能將缺陷檢測的部分和背景分割，需要對缺陷檢測的部分進行精準的定位切割。為了保證圖像的準確性和定位的高精度，本文采用thresh全局閾值分割方法。前面的步驟可讓背景與待檢測的定位區域差異變大，此時用閾值分割就可以十分方便地切割背景和圖像[7]。

式中：dst 為結果圖像；src 為原圖像；thresh 為指閾值分割時的灰度值大小；otherwise 為指不滿足閾值小于原圖像的情況；Vmax為最大值。

根據相機觸發拍攝的圖片，將圖像轉換成只有黑白的二值圖像，相鄰的像素點之間的差異可以設置一個閾值，處在邊緣的灰度差值就可以很好地將二者切割。將目標區域定位在缺陷檢測附近，方便后續缺陷檢測的處理。

2.3 缺陷檢測定位

缺陷檢測的需求是接口處的鐵環是否咬合緊密，檢測區域仍需要進一步細化，篩除其余區域，機器自動尋找缺陷檢測的細化區域。如圖3所示。通過對接頭打光，使其線材正面呈高亮狀態，線材接頭側面在RGB 三通道下呈現不同的特征，利用這些特征進行篩選。因為每根線材在模具中都是經過產線工人的擺放固定，所以每根線材位置都是不同的，在程序運行過程中會存在誤差。項目需要高精度缺陷檢測，根據設定的程序需要對每次擺放的模具里的線材進行定位，經過腐蝕、聯結圖像區域、挑選區域的面積、位置以及膨脹等操作之后，找到線材的位置。

圖3 檢測

此處通過編寫rake 算子復合算法[8]，通過對線材接頭側面進行尋找邊緣，模擬灰度值差異最顯著的邊緣，并高亮顯示。將復合算法模擬出的高亮邊緣經過旋轉平移，模擬出線材的擺放角度，最終找到線材位置，篩選多余區域，對需要的區域進行缺陷檢測。在此基礎上，還可對線材接口的上方部分進行線材開裂，飛絲等不良檢測。紅框內區域是線材，藍框兩側的紅框分割的區域則是缺陷檢測區域。如圖4 所示。在圖中，紅光框內區域是通信線纜，藍框兩側的紅框分割的區域則是缺陷檢測區域。保證圖像的準確性和定位的高精度，本文采用的是thresh 全局閾值分割的方法。前面的步驟可讓背景與待檢測的定位區域差異變大，此時用閾值分割就可以十分方便地切割背景和圖像[7]。

圖4 缺陷檢測區域

確定線材的位置之后，找到線材的根部，運行區域交集互減的算法原理找到根部并畫出一條線，以這根線為基點，制作矩形，然后在此矩形區域內進行查找通過上述閾值分割和均值濾波處理分割出缺陷檢測的區域，在缺陷檢測的區域內進行高精度的缺陷檢測，進行對線材鉚環的檢測。

3 缺陷檢測

在上述步驟完成后，得到缺陷檢測的區域。首先，此處的缺陷檢測主要思路是對區域進行開運算處理，然后閾值分割處理、三通道圖像處理、均值濾波處理，最后再篩選出需要的區域。

3.1 開運算原理

在缺陷檢測的區域內進行開運算，是為了消除毛刺的影響，將檢測范圍縮小至檢測區域，處理完可以得到物體本質的形態，開運算是進行對物體先腐蝕后膨脹的運算得到。開運算結果如圖5所示。

圖5 開運算處理

3.2 轉換通道原理

轉換原理如下，依次計算三通道H、S、V的值[9]：

若H的值小于0，需要加上360才是H的真實值。

由于需要可視化，仍需要對計算出的H、S、V進行如下計算[10]。

首先需要將上述已經將彩色圖片轉換成RGB 三通道的圖片進一步處理成H 通道[11]、S 通道、V 通道，H 通道體現在圖像的色度，S通道表現在圖像的飽和度，V通道表現在圖像的明亮度。這3 個通道將有利于下一步的提取特征，為缺陷檢測做好準備。

3.3 均值濾波

均值濾波的原理是用周圍的像素點的均值代替這一中心點的像素值，整體圖片更為清晰，去除圖片的尖銳噪聲，使整體圖像像素點平滑過渡[12]。

式中：f(x,y)為濾波后的圖像；M為N*N的卷積內核；g(s,t)為原始圖像[11]。

3.4 閾值分割

閾值分割因為其輕量便捷，性能穩定、優異，使用方式較為簡便，因此被廣泛應用于基于機器視覺的圖像處理和深度學習中，不論是在理論還是實踐方面都保持著一定的優越性。本文使用的是基本的OTSU 法，通過最大類方差將圖片和背景分割成兩個獨立的部分，最后計算得出一個滿足類間方差最大并能將需要的物體和背景分割成獨立整體的閾值[13]。

大小為M×N圖像的像素分為L個灰度級，ni為灰度級i的像素個數，像素公式為[14]：

灰度級別的概率為：

Pi≥0。若目標閾值為k，將所有像素分為灰度值為[0，k] 的背景類C1和[k+1，L-1] 的對象類C2。P1(k)和P2(k)為C1和C2中的概率為：

若m1(k) 和m2(k)分別為C1和C2像素的灰度平均值[15]，則

若mG為圖像的平均灰度值，θ為類間平方差，則

T即為目標閾值，輸入圖像就可以按照閾值T進行分割[16]，即

閾值分割結果如圖6 所示。檢測結果可反映通信線纜接口范圍的鉚環咬合緊密性，不符合標準的產品將會觸發控制器，發送高電平到控制器上，引起蜂鳴器報警。此系統可替代人工檢測，大幅減少產線員工勞動量，提高產線效率[17]。

圖6 缺陷檢測結果

4 工作臺布置

傳統的機器視覺機臺布置大都是將產線割裂開[18]，如圖7 示，并且每個機臺間的適配性較差。也因此導致諸多問題。主要問題：產線的一處節點沒能及時加工產品將導致整條產線癱瘓；各個加工機臺不能交替使用，適配性和靈活性都不足；增大產線工作量，容易造成產線堆積；對整條產線配合度的要求較高。

圖7 傳統方式示意圖

針對以上問題，本文提出一種靈活的工作臺安裝方法，不僅能夠解決上述問題，而且可以靈活調整角度，后期維護調整，在必要時還可以多機臺間交替使用，擁有方便性和高效率等優點。如圖8 所示，半徑R表示工作臺的工作半徑。

圖8 新型方式示意圖

5 測試驗證和結果分析

不難觀察到，經過圖像增強之后，灰度值從集中在原圖的0～20 變成了集中在30～40 之間，并且灰度在80～120 直接的像素點也有顯著的增多。研究目的是增加所需要的區域，減少不必要的區域的影響。80～120 的區域就是需要找到的線材的區域，線材由于光照產生的陰影部分是影響區域，因此需要減小這一部分的陰影的影響。增強圖片的高頻和邊緣區域，銳化圖片。通過圖9 傳統算法和圖10 基于雙邊濾波的改進算法效果圖對比可知，圖像效果有顯著提升[19]，增強圖片的高頻區域，突出圖像特征。

圖9 傳統算法效果

圖10 基于雙邊濾波改進算法效果

通過比對圖11 和圖12 兩者的灰度直方圖可以看出，后者的灰度值整體提升不少，并且高區域的灰度值也增長了不少[20]，基于雙邊濾波的改進算法對后續的閾值切割和定位引導也方便了不少。

圖11 傳統算法灰度值

圖12 基于雙邊濾波改進算法灰度值

6 結束語

針對產線光照亮度不足而引起的噪聲明顯，圖片亮度分布不均的問題，本文提出一種基于灰度拉伸理論基礎的改進增強算法，該算法可以融合雙邊濾波的優點，增強圖片的亮度和邊緣區域，實踐結果提高圖像亮度，達到產線要求，減少人工精力。

針對產線工作臺機動性不足而導致機臺間無法交替使用的問題，提出一種靈活的安裝方法。經過實驗測試，得出以下結論：（1）基于雙邊濾波改進算法可以提高圖片亮度，保留邊緣細節，為后續檢測提供良好環境；（2）創新的安裝方法能有效改善機臺工作時的機動性；（3）較為顯著的解決突出的問題，為我國的機器視覺控制領域開辟新的前進方向，開拓更為廣泛的應用前景；（4）彌補國內在線纜器材缺陷檢測領域的不足，達到替代人工檢測的要求。