基于機(jī)器視覺(jué)的導(dǎo)電片尺寸測(cè)量系統(tǒng)

摘要：導(dǎo)電片是OEM接線盒中旁路二極管模塊的沖壓件，銅質(zhì)板材，裝配工藝中需要焊接芯片，因此導(dǎo)電片的精度要求較高，使用傳統(tǒng)游標(biāo)卡尺測(cè)量容易引起導(dǎo)電片變形，使用三坐標(biāo)測(cè)量?jī)x測(cè)量效率不高，且三坐標(biāo)測(cè)量?jī)x不適合自動(dòng)化產(chǎn)線的環(huán)境要求。為提高尺寸測(cè)量精度和效率，開(kāi)發(fā)了一套基于機(jī)器視覺(jué)的導(dǎo)電片尺寸測(cè)量系統(tǒng)。搭建導(dǎo)電片測(cè)量硬件平臺(tái)，對(duì)硬件系統(tǒng)中的主控模塊、采集設(shè)備、相機(jī)以及光源等進(jìn)行了選型分析。使用Python配置OpenCV庫(kù)進(jìn)行編程設(shè)計(jì)，結(jié)合PyQt庫(kù)進(jìn)行GUI 界面設(shè)計(jì)，完成導(dǎo)電片測(cè)量系統(tǒng)軟件部分。通過(guò)實(shí)驗(yàn)，驗(yàn)證導(dǎo)電片測(cè)量系統(tǒng)測(cè)量精度高，滿(mǎn)足企業(yè)實(shí)際生產(chǎn)測(cè)量使用要求。

關(guān)鍵詞：機(jī)器視覺(jué)；導(dǎo)電片；尺寸測(cè)量；圖像處理

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）01-0114-03 開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

2023年光伏產(chǎn)業(yè)持續(xù)增長(zhǎng)，多晶硅、電池、組件等主要制造環(huán)節(jié)的產(chǎn)量同比增長(zhǎng)均超過(guò)64%，行業(yè)總產(chǎn)值超過(guò)1.75萬(wàn)億元。光伏接線盒是光伏系統(tǒng)的關(guān)鍵組件，其中的導(dǎo)電片在光伏組件內(nèi)部建立有效的電流通道，確保電能從太陽(yáng)能電池板順暢地傳輸?shù)浇泳€盒，再經(jīng)由接線盒傳至外部電纜，最終匯入整個(gè)太陽(yáng)能發(fā)電系統(tǒng)。本文以江蘇某企業(yè)的OEM代工接線盒中使用的導(dǎo)電片為背景，運(yùn)用機(jī)器視覺(jué)技術(shù)設(shè)計(jì)一套導(dǎo)電片尺寸測(cè)量系統(tǒng)。如圖1為PV-HT029型號(hào)導(dǎo)電片。

為了適應(yīng)智能控制和工業(yè)生產(chǎn)的需求，借助計(jì)算機(jī)和智能設(shè)備為機(jī)器裝上眼睛，利用攝像機(jī)代替人眼作為主要獲取信息工具，計(jì)算機(jī)對(duì)信息進(jìn)行處理判斷，實(shí)現(xiàn)對(duì)目標(biāo)進(jìn)行測(cè)量、識(shí)別、跟蹤等，近幾年的研究取得了一定成果。Gu等人開(kāi)發(fā)了一種鉆削磨損評(píng)估與預(yù)測(cè)技術(shù)，該技術(shù)成功地實(shí)現(xiàn)了對(duì)鉆頭磨損量的精確測(cè)量[1]。葉祖坤等人提出了一種創(chuàng)新型刀具損傷檢測(cè)方法，該方法結(jié)合了切削刃重建和視覺(jué)特征遷移技術(shù)，實(shí)驗(yàn)得到，相較于傳統(tǒng)方法測(cè)量精度提升了20%[2]。趙亞康等人設(shè)計(jì)了一種基于機(jī)器視覺(jué)的軸承密封圈尺寸測(cè)量系統(tǒng)，該系統(tǒng)研究了亞像素測(cè)量法，實(shí)驗(yàn)得到檢測(cè)精度為0.058 mm，測(cè)量一個(gè)密封圈尺寸平均耗時(shí)2.91 s[3]。

當(dāng)前精密視覺(jué)測(cè)量技術(shù)主要應(yīng)用于結(jié)構(gòu)簡(jiǎn)單的工件，對(duì)于多邊緣、形狀復(fù)雜的薄板類(lèi)零件，測(cè)量手段和方法仍欠缺。同時(shí)，對(duì)尺寸超過(guò)25 mm、厚度小于0.85 mm的沖壓件，亞像素視覺(jué)測(cè)量技術(shù)的研究更少[4]。本文開(kāi)發(fā)的導(dǎo)電片尺寸測(cè)量系統(tǒng)不僅可實(shí)現(xiàn)圖像輪廓的浮點(diǎn)級(jí)高精度邊緣提取，還能滿(mǎn)足實(shí)時(shí)測(cè)量需要。

1 測(cè)量系統(tǒng)構(gòu)成

根據(jù)對(duì)機(jī)器視覺(jué)系統(tǒng)的工作原理分析可知，是利用光學(xué)成像設(shè)備代替人眼將現(xiàn)實(shí)場(chǎng)景轉(zhuǎn)化成為圖像進(jìn)行研究，并利用計(jì)算機(jī)代替人腦進(jìn)行數(shù)據(jù)處理[5]。所以，導(dǎo)電片尺寸視覺(jué)測(cè)量系統(tǒng)主要包括照明系統(tǒng)、圖像采集系統(tǒng)和圖像處理系統(tǒng)，其構(gòu)成如圖2所示。

2 測(cè)量算法設(shè)計(jì)

導(dǎo)電片邊緣檢測(cè)使用Canny算子只能完成圖像邊緣的粗定位，無(wú)法滿(mǎn)足測(cè)量系統(tǒng)對(duì)精確定位的要求，為提高導(dǎo)電片測(cè)量精度[6]，本文研究了利用矩估計(jì)算法進(jìn)行圖像邊緣亞像素定位，角點(diǎn)特征提取、關(guān)鍵輪廓擬合技術(shù)。

2.1 灰度矩亞像素邊緣檢測(cè)算法改進(jìn)

根據(jù)導(dǎo)電片特性，本測(cè)量系統(tǒng)選用灰度矩算法進(jìn)行研究圖像亞像素邊緣檢測(cè)，但是該算法在邊緣點(diǎn)計(jì)算時(shí)存在速度較慢的問(wèn)題，解決方法是進(jìn)行灰度矩亞像素邊緣檢測(cè)算法改進(jìn)。灰度矩利用圖像矩的三階信息精確估計(jì)邊緣位置，通過(guò)擬合像素邊緣附近的灰度分布，實(shí)現(xiàn)亞像素級(jí)別的邊緣定位。由于灰度矩的旋轉(zhuǎn)不變性，需對(duì)圖像在不同方向上進(jìn)行積分，并將所得積分值進(jìn)行累積。改進(jìn)后的Canny-灰度矩亞像素檢測(cè)算法，可以在基于像素點(diǎn)的矩值進(jìn)行插值計(jì)算，從而提高了亞像素邊緣檢測(cè)時(shí)的運(yùn)算速度，具體改進(jìn)的步驟如下：

在式（11） 中，k 根據(jù)實(shí)際應(yīng)用情況進(jìn)行取值，范圍是[0.04，0.2]，并且：

在式（12） 中，λ1 和λ2 分別代表的是特征矩陣M 的特征值。Harris角點(diǎn)檢測(cè)具體步驟如下：1）將采集的導(dǎo)電片圖像灰度化處理，并計(jì)算點(diǎn)I （x，y ）的梯度；2）對(duì)導(dǎo)電片灰度圖像低通濾波，并通過(guò)式（10） 計(jì)算M 的相關(guān)矩陣值；3）計(jì)算圖像中選定區(qū)域像素點(diǎn)的響應(yīng)值，與預(yù)先設(shè)定的閾值進(jìn)行比較，確定這個(gè)點(diǎn)是否符為候選點(diǎn)；4）在得到候選點(diǎn)實(shí)施非極大值抑制操作，進(jìn)一步篩選出最終角點(diǎn)。

基于輪廓曲線的Harris角點(diǎn)檢測(cè)算法是對(duì)傳統(tǒng)Harris角點(diǎn)檢測(cè)算法的一種優(yōu)化，首先通過(guò)對(duì)圖像進(jìn)行邊緣檢測(cè)，提取出圖像的輪廓曲線。然后，在輪廓曲線上應(yīng)用Harris角點(diǎn)檢測(cè)算法，只計(jì)算輪廓曲線上的像素點(diǎn)的自相似性。這樣可以減少計(jì)算量，提高算法的效率，并且由于只在輪廓曲線上進(jìn)行角點(diǎn)檢測(cè)，因此可以更準(zhǔn)確地檢測(cè)出角點(diǎn)。

優(yōu)化后的Harris算法是對(duì)圖像邊緣局部進(jìn)行放大，在出現(xiàn)的角點(diǎn)的像素點(diǎn)兩邊不同角度方向上的邊緣點(diǎn)進(jìn)行提取，為了能夠降低計(jì)算量，利用（3 × 3） 小窗口模板對(duì)角點(diǎn)進(jìn)行粗定位，再利用大窗口進(jìn)行圖像角點(diǎn)的精確定位。如圖5所示，利用（3 × 3） 小窗口模板對(duì)導(dǎo)電片某一邊緣方向角點(diǎn)進(jìn)行粗定位檢測(cè)。

經(jīng)過(guò)粗定位得到角點(diǎn)后，分別用Harris檢測(cè)算法和基于輪廓曲線的Harris角點(diǎn)檢測(cè)算法對(duì)導(dǎo)電片細(xì)節(jié)的多角點(diǎn)進(jìn)行大窗口精確識(shí)別[7]，得到的結(jié)果如圖6所示。

對(duì)圖6導(dǎo)電片細(xì)節(jié)角點(diǎn)檢測(cè)結(jié)果分析知道，Harris 角點(diǎn)檢測(cè)中多檢測(cè)出了偽角點(diǎn)，基于輪廓曲線的Har?ris角點(diǎn)檢測(cè)能夠得到較為完整的圖像角點(diǎn)，由于已利用小窗口完成圖像角點(diǎn)的粗定位，所以，可快速對(duì)轉(zhuǎn)折角點(diǎn)進(jìn)行精確識(shí)別。

2.3 基于Ramer 算法的輪廓擬合研究

Ramer算法是基于多邊形輪廓分割技術(shù)的發(fā)展和優(yōu)化，它通過(guò)在圖像分割過(guò)程中不斷細(xì)分輪廓線段，直到所有細(xì)分后的線段與其對(duì)應(yīng)輪廓間的最大距離均小于預(yù)設(shè)的閾值dmax 才停止工作。由Ramer算法細(xì)分導(dǎo)電片亞像素邊緣提取后的輪廓，通過(guò)對(duì)輪廓上的點(diǎn)進(jìn)行迭代分析，逐步構(gòu)建線段，并計(jì)算輪廓上每個(gè)點(diǎn)到這些線段的距離。算法的核心思想是從給定的n個(gè)點(diǎn)出發(fā)，建立到索引為n/2個(gè)點(diǎn)的線段，并計(jì)算輪廓上所有點(diǎn)到這條線段的距離，根據(jù)得到的距離確定計(jì)算的截止條件。采用Ramer算法得到的導(dǎo)電片圖像分割、擬合后的結(jié)果如圖7所示。

3 測(cè)量結(jié)果驗(yàn)證

導(dǎo)電片尺寸測(cè)量系統(tǒng)人機(jī)界面使用Python、PyCharm2023.2.5 編輯器配置PyQt5 庫(kù)進(jìn)行設(shè)計(jì)，PyQt5 是一個(gè)用于創(chuàng)建GUI 應(yīng)用程序的Python 綁定庫(kù)，庫(kù)中提供了豐富的控件和功能，可用于構(gòu)建具有復(fù)雜用戶(hù)界面的應(yīng)用程序。使用PyQt5 來(lái)顯示從OpenCV庫(kù)中獲取的圖像，并在用戶(hù)界面上添加控件以進(jìn)行圖像處理和測(cè)量操作。整個(gè)系統(tǒng)軟件部分的設(shè)計(jì)在滿(mǎn)足人機(jī)工程的要求下，還遵循軟件開(kāi)發(fā)的原則，具有操作簡(jiǎn)單、界面簡(jiǎn)潔的優(yōu)點(diǎn)，能夠滿(mǎn)足導(dǎo)電片圖像測(cè)量的要求，用戶(hù)界面的設(shè)計(jì)如圖8所示。

測(cè)量過(guò)程，使用如圖8導(dǎo)電片測(cè)量系統(tǒng)用戶(hù)界面上測(cè)量按鈕，分別對(duì)樣品圖像進(jìn)行圖像預(yù)處理和強(qiáng)化處理，點(diǎn)擊尺寸測(cè)量和誤差分析按鈕，得到6個(gè)重要尺寸值如表1所示。

根據(jù)表1分析可知，導(dǎo)電片測(cè)量系統(tǒng)結(jié)果與品檢員檢測(cè)結(jié)果比對(duì)，得到導(dǎo)電片的6個(gè)尺寸絕對(duì)誤差的數(shù)值范圍在±0.041 mm 以?xún)?nèi)，相對(duì)誤差數(shù)值范圍在±0.717%以?xún)?nèi)，絕對(duì)誤差值、相對(duì)誤差值均較小。實(shí)驗(yàn)證明改進(jìn)了灰度矩亞像素邊緣檢測(cè)算法和優(yōu)化了基于輪廓曲線的Harris檢測(cè)方法，確實(shí)提高了導(dǎo)電片測(cè)量系統(tǒng)測(cè)量精度，滿(mǎn)足實(shí)際生產(chǎn)測(cè)量使用要求。

參考文獻(xiàn)：

[1] GU P，ZHU C M，YU Y Q，et al.Evaluation and prediction of drill?ing wear based on machine vision[J].The International Journalof Advanced Manufacturing Technology， 2021， 114（7）： 2055-2074.

[2] 劉晨.基于機(jī)器視覺(jué)工件尺寸的高精度測(cè)量技術(shù)研究[D].長(zhǎng)春：長(zhǎng)春工業(yè)大學(xué)，2020.

[3] LI W M，ZHOU L J.A rotary vision system for high-precisionmeasurement over large size[J].Journal of Modern Optics，2022，69（7）：347-358.

[4] 李夢(mèng)楠.基于機(jī)器視覺(jué)的面陣CCD測(cè)徑系統(tǒng)的研究[D].合肥：安徽大學(xué)，2019.

[5] YE Z K，WU Y L，MA G C，et al.Visual high-precision detectionmethod for tool damage based on visual feature migration andcutting edge reconstruction[J].The International Journal of Ad?vanced Manufacturing Technology，2021，114（5）：1341-1358.

[6] 胡愛(ài)民.基于機(jī)器視覺(jué)的封邊板材尺寸在線檢測(cè)系統(tǒng)的研究與開(kāi)發(fā)[D].武漢：華中科技大學(xué)，2019.

[7] 盛松梅，丁榮暉.基于雙向LSTM神經(jīng)網(wǎng)絡(luò)的機(jī)器人機(jī)械臂智能軌跡控制系統(tǒng)[J].自動(dòng)化與儀器儀表，2024（3）：206-209.

【通聯(lián)編輯：朱寶貴】

基金項(xiàng)目：蘇州高博職業(yè)學(xué)院“青山學(xué)者計(jì)劃”資助項(xiàng)目（項(xiàng)目編號(hào)：SGIQSXZ2402）