《基于機器視覺的彈簧承載座缺陷檢測研究》論文發(fā)表期刊：《自動化與儀器儀表》；發(fā)表周期：2021年05期

《基于機器視覺的彈簧承載座缺陷檢測研究》論文作者信息：李倩( 1994－) ，女，河南，碩士，主要研究方向為電能計量。

　　摘要：針對彈簧承載座人工檢測效率低、勞動強度大等問題，對彈簧承載座缺陷種類及缺陷特征進行了研究，并對其缺陷檢測流程進行了分析歸納，提出了一種基于機器視覺的彈簧承載座缺陷檢測方法，實現了缺陷檢測自動化。通過中值濾波算法對圖像進行預處理，去除圖片噪聲;提出了一種兩步找圓的方法，確定檢測區(qū)域尺寸，再通過對檢測區(qū)域進行掩膜操作，實現彈簧承載座焊渣和缺口缺陷檢測;通過基于邊緣點的模板匹配算法來判斷字符的完整性。實驗結果表明，以上方法能夠準確判斷彈簧承載座尺寸、焊渣、缺口以及字符等缺陷，檢測正確率達到98%。

　　關鍵詞：機器視覺;中值濾波;特征圓提取;掩膜操作;模板匹配

　　Abstract: Aiming at the problems of low detection efficiency and high labor intensity of the spring bearing shell, the types and defects of the spring bearing shell are studied, and the defect detection process is analyzed and summarized. A spring bearing shell detection algorithm based on machine vision is proposed to realize the automation of defect detection. The image is preprocessed by the median filtering algorithm to remove the picture noise. A two-step circle location method is proposed to determine the size of the detection area, and then the masking operation is performed on the detection area to realize the detection of the slag and notch defects of the spring bearing shell. The character integrity is determined by an edge-based template matching algorithm. The experimental results show that the algorithm above can accurately determine the size of the spring bearing shell, welding slag, notch and characters , and the detection accuracy reaches to 98%.

　　Key words: machine vision; median filter; feature circle extraction; mask operation; template matching

　　0引言

　　彈簧承載座表面缺陷主要包括焊渣、缺口、標識不清、尺寸不合格等。傳統(tǒng)檢測方法依靠人工日測、手感和積累的經驗來判斷彈簧承載座表面缺陷類型，使用游標卡尺、塞規(guī)等量具檢測孔徑尺寸，勞動強度大，工作效率低，存在主觀因素的干擾，因此這種人工檢測的方式已不能適應現代工業(yè)高速發(fā)展的要求。機器視覺的出現使得檢測效率大大提高，生產更趨于自動化，在工業(yè)領域得到越來越廣泛的應用"。本文利用機器視覺技術開發(fā)了一個針對彈簧承載座表面缺陷與尺寸缺陷的在線檢測系統(tǒng)，通過圖像采集設備獲取彈簧承載座圖像，應用圖像處理相關技術獲取目標特征等信息，最終實現彈簧承載座尺寸參數測量及邊緣缺口缺陷特征識別。此檢測技術不僅減輕了工人的工作強度，提高了工作效率，還可以將所獲得的數據建立數據庫，進行統(tǒng)計、歸納分析為彈簧承載座的生產工藝改進提供支持。本文采用基于機器視覺的非接觸式檢測方式，設計一套適應于彈簧承載座在線拍照的特征圖像采集系統(tǒng)，然后運用兩步找圓法獲取圖像中的彈簧承載座內孔圓輪廓進而確定尺寸;之后在相關RO1區(qū)域進行掩膜操作，找出彈簧承載座焊渣和缺口等表面缺陷;最后應用基于邊緣點的模板匹配算法檢測彈簧承載座上表面。型字符的完整性。一套系統(tǒng)完成3種缺陷檢測，極大的提高了檢測效率，節(jié)約檢測成本。

　　1缺陷的分類及檢測要求

　　矩彈簧承載座如圖1所示，其主要檢測要求包括：

　　(1)內孔圓與外圈圓的直徑是否在允許的公差范圍土0.01 mm內;(2)內孔圓四周是否有大于0.5 mm的焊渣;(3)外圈圓上是否有缺口;(4)彈簧承載座表面"0"圓形標志是否清晰。

　　將要檢測的特征信息清晰的凸顯出來，是實現快速在線缺陷檢測的重要前提。單一的光源照射不能同時滿足多個特征檢測的需求，需根據不同的檢測對象選擇相應的照明方式，因此選用背光源和環(huán)形光源構成組合光源對彈簧承載座同時打光2。背光源放置于彈簧承載座的下方，背光源發(fā)出的光照射到彈簧承載座表面，在表面邊緣分界處會顯示出灰度變化明顯的輪廓特征，此外環(huán)形光源放置于彈簧承載座正面打光時，光線照射到彈簧承載座上形成反射，在成像的過程中，使圓形標志區(qū)域像素的灰度值與周圍區(qū)域灰度值差別明顯。圖2所示為彈簧承載座在組合光源照射下獲取的圖像，其中圖2(a)是正常件圖像，圖2(b)~圖2(d)為零件幾種常見缺陷的圖像。

　　2系統(tǒng)方案

　　由于人工檢測彈簧承載座工作強度大且容易帶有人的主觀情緒，造成檢測結果有隨機性，并且檢測效率不高，因此我們提出采用機器視覺技術代替檢測工人，不僅可以高效的檢測缺陷還能把缺陷數據分析后存入數據庫系統(tǒng)。

　　系統(tǒng)工作原理，如圖3所示。主要由三部分組成，圖像的獲取、圖像的分析與處理、結果輸出與分揀執(zhí)行機構[3]。該檢測系統(tǒng)硬件包括：計算機、工業(yè)CCD數字相機、百萬級工業(yè)鏡頭、固定光源的機械結構、圖像分析處理軟件、外圍運動控制部分等。

　　系統(tǒng)三維建模示意圖，如圖 4 所示。組合光源、相機鏡頭固定在設備支架上的相應位置處，彈簧承載座放置于平臺上的治具內，工作時減速電機驅動鏈板機勻速轉動，在計算機檢測系統(tǒng)程序控制下，當圖像采集控制傳感器感應到彈簧承載座運動到相機正下方時觸發(fā)相機采集圖片，再把采集得到的圖片傳輸到系統(tǒng)檢測模塊進行圖像分析與處理。根據圖像處理結果控制分揀執(zhí) 行機構把不合格零件挑選出來。

　　3 圖像分析處理

　　3. 1 圖像預處理

　　由于 CCD 相機固定到鏈板機上進行圖像采集，在工作時鏈板機產生震動、相機自身靈敏度以及檢測設備放置 于沖壓件檢測車間灰塵較多等因素的影響，造成采集的圖像中會存在一些隨機噪聲，經過分析主要是椒鹽噪聲。帶有噪聲的圖像會對后續(xù)的圖像處理造成嚴重的干擾以至于判別結果出現錯誤，因此有必要去除圖像噪聲。中值濾波器輸出的像素值為相應像素鄰域中的中值，對異常值不敏感，可以在不減小圖像對比度的情況下減小異常值的影響，也就是說在抑制噪聲的同時還可以很好的保留圖像邊緣[5-1]，且對椒鹽噪聲的去除效果很好，因此采用中值濾波完成圖像預處理中的去噪處理。圖5(a)所示為原始圖片，圖5(b)所示為經過中值濾波處理后的圖片，經兩圖對比可以看出，經過中值濾波預處理后，圖像的清晰度得到改善，待檢測特征突出，更有利于圖像處理程序的讀取判別。

　　3. 2 內孔圓尺寸測量

　　一副數字圖像可用一個二維函數 f( x，y) 來表示，其中 x，y 表示平面坐標，在任一點( x，y) 的幅值 f 稱為圖像在該點的灰度，灰度的范圍在 0 至 255 之間。如圖 6( 1)所示，為使彈簧承載座的中心孔區(qū)域從整幅圖片中分離 出來，需要對圖片進行分割，由于中心孔區(qū)域與周圍的 墊片區(qū)域灰度值對比明顯，采用圖像二值化方法[7]分離 中心孔，如式( 1) 所示。

　　由于背光源的作用，中心孔區(qū)域亮度大，導致該區(qū)域的灰度值較大因此在二值化后被保留了下來，再通過 Blob 分析如長度、面積等統(tǒng)計特征，最終把中心孔區(qū)域從背景圖像中提取出，如圖 6 所示[8-10]。

　　為了檢測彈簧承載座內孔的尺寸是否在允許的公差范圍內，需要對內孔圓進行準確查找，本文提出了一種在檢測流水線上自動兩步準確找圓的方法。第一步，使用Halcon方法庫中的Smallest-cirele函數，擬合出上文中二值化方法提取出的內孔區(qū)域的最小外接圓，由于二值化方法提取出的內孔區(qū)域與真實的內孔有較大差別，因此擬合出的圓與真實內孔圓有誤差。第二步，使用封裝的檢測圓的Spoke算子，根據第一步粗略得出的內孔圓的圓心(xo，yo)和半徑R，擬合出精準的內孔圓[11-1]，過程如下：以第一步得出的內孔圓周為基礎，取內徑為R-Ro，外徑為R+R，的環(huán)形區(qū)域設置為檢測區(qū)域，設置檢測方向為"outer"即查找在檢測范圍內由圓心指向邊緣點方向上灰度值變化超過設置范圍的點，再用這些點擬合出的圓即為彈簧承載座內孔圓的邊緣線，擬合出的圓如圖7所示。

　　通過像素尺寸標定能夠計算每個像素所代表的實際長度(以mm為單位)，根據兩步找圓法測得的內孔圓直徑像素值轉換成真實長度值與允許的長度范圍進行比較判斷內孔圓尺寸是否合格。

　　3.3焊渣與缺口缺陷檢測研究

　　3.3.1 焊渣缺陷檢測方法與實現

　　以上文得到的內孔圓為基礎，對內孔圓邊緣進行數學形態(tài)學操作，令內孔圓向圓心方向收縮 3-5 個像素后形成閉合的連通區(qū)域，再對此連通區(qū)域進行掩膜分析，根據掩膜分析結果判斷內孔圓內是否存在焊渣。

　　如圖 8 所示，對腐蝕后的內孔圓區(qū)域進行二值化得 到掩膜圖像，掩膜圖像與原始圖像進行“異或”運算后得 到焊渣連通區(qū)域。

　　3. 3. 2 缺口缺陷檢測方法與實現

　　將彈簧承載座最大外邊緣上缺損區(qū)域視為缺口，通 過掩膜分析找出缺口區(qū)域。具體的實現算法如下: 通過 兩步找圓法得到彈簧承載座最大外圈圓邊緣，如圖 9(1)所示，在此區(qū)域內通過閾值分割樣品區(qū)域得到掩膜圖像如圖9(2)所示，將完整邊緣內的圖像與掩膜圖像相減，便得到缺口區(qū)域如圖9(3)(紅色區(qū)域)，對缺口區(qū)域進行斑點分析，以斑點面積特征來判別缺陷。

　　3.4 字符識別

　　彈簧承載座上表面兩個0型刻印標識，如圖10紅色框中所示，本系統(tǒng)需要檢測這兩個標識的完整性，因此將被測件表面的刻印標識提取出來，采用模板匹配進行檢測。常用的模板匹配方法大概有以下兩種：基于灰度值的模板匹配與基于特征的模板匹配。由于彈簧承載座放置于檢測流水線上的治具內，由于機械振動和零件與治具之間存在縫隙，彈簧承載座在治具內不可避免的回產生一些平移和旋轉，因此基于灰度的模板匹配不適用于本檢測系統(tǒng)。

　　本系統(tǒng)采用基于特征的模板匹配，通過提取0標識的點、線、面等特征，對特征進行參數描述，然后用所描述的參數進行匹配的一種算法。基于特征匹配所用的模板是由檢測目標的邊緣點集組成，通過計算兩個點集的Hausdorf距離進行匹配。Hausdorf距離是一種定義于兩個點集上的最大-最小距離，主要用于測量兩個點集的匹配程度。給定兩個有限點集A=1 a，a2，..，a，和B=1b，2，.，b)，則A，B之間的Hausdorff距離定義如下式(2)：H(A，B)= maxt h(A，B)，h(B，4)}(2)式中h(A，B)為從點集A到點集B的有向Hausdorff距離，h(B，4)為點集B到點集A的有向Hausdorff距離。

　　將輪廓線分成若干段，計算特征段之間的Hausdorff距離來表征它們的相似程度，在理想情況下，兩個可匹配的輪廓線之間的Hausdorff距離為0，但由于采集圖片時的噪聲影響，可匹配的輪廓線之間的Hausdorf距離不會是0，而是在一定的容差e范圍內[1-17)

　　3實驗與驗證

　　使用本系統(tǒng)對500個彈簧承載座進行實驗，自動采集圖片并進行圖像處理，結果輸出控制執(zhí)行機構挑選出不合格件，系統(tǒng)檢測程序顯示界面如圖10所示。被檢測的500個彈簧承載座中存在10個缺陷零件，其中有4個是存在焊渣，6個缺口缺陷，其余均是合格件，缺陷率為2%。令A表示實際有缺陷的零件檢測為有缺陷的零示實際有缺陷的零件檢測為無缺陷的零件，D 表示實際無缺陷的零件檢測為無缺陷的零件。

　　5 結論

　　本研究提出了一種將機器視覺應用到彈簧承載座表面質量檢測的方法，針對視覺系統(tǒng)所獲得的圖像進行算法分析判斷是否存在缺陷，有效克服了人工檢測的主觀性帶來的誤差和效率低，具有非接觸、操作簡單、精度 高等優(yōu)點。經試驗驗證本系統(tǒng)對彈簧承載座表面質量 的檢測正確率達到了98% ，證明了其可行性。

　　參考文獻

　　[1]Huang S H，Pan Y C.Automated visual inspection in the semiconductor industry：A survey[J].Computers in Industry，2015，66(1)：1-10.

　　[2]鄭容，鄰新凱，楊國勝，機器視覺系統(tǒng)原理及應用[M].北京：中國水利水電出版社，2014.

　　[3]劉學山，岳喜順一種基于智能相機和機器視覺的電池極片檢測系統(tǒng)的設計[J].機械設計與制造，2011，2：5-7.

　　[4]余錦華，汪源源，基于各向異性擴散的圖像降噪算法綜述[J].電子測量與儀器學報，2011，2(25)：105-116.

　　[5]張恒，雷志輝，丁曉華.一種改進的中值濾波算法[J].中國圖形圖像，2004，4(9)：408-411.

　　[6]Brow nrigg D.The weighted median filter[J].IEEE Transactions on power electronics，1992，7(1)：240-250.

　　[7]詹青龍，盧愛芹，李立宗，等，數字圖像處理技術[M].北京：清華大學出版社，2010.

　　[8]王韋帆.二次融合在圖像處理中的應用[J].自動化與儀器儀表，2015，(4)：182-183.

　　[9]陳廣鋒，管觀洋，魏鑫，基于機器視覺的沖壓件表面缺陷在線檢測研究[J].激光與光電子學進展，2018，55(1)：341-347.

　　[10]劉馨，周彬，秦玉娟·基于Halcon的金屬零件矩形度檢測算法研究[J].自動化與儀器儀表，2017，(7)：31-32+35.

　　[11]梅躍松，楊樹興，莫波，等·基于Canny算子的改進的圖像邊緣檢測算法[J].激光與紅外，2006，6(36)：501-503.

　　[12]羅文婷，李中軼，李林，等，基于改進Canny算法的道路標線自動識別及定位[J].西南通大學學報，2018，53(6)：1253-1260.

　　[13]李克斌，余厚云，周申江基于形態(tài)學特征的機械零件表面劃痕檢測[J].光報，2018，38(8)：260-266

　　[14]Huttenlocher D P，Klanderman G A，Ruckldgew J.Compa-ring image using the Hausdorff distance[J].IEEE Transactions onPAM 1，1993，156(9)：850-863.

　　[15]陳麒麟，王東興，林建鋼，等，沖壓磨削平板類零件的表面缺陷檢測[J].鍛壓技術，2020，45(6)：168-174.

　　[16]檀甫貴，鄒復民，劉麗桑，等，基于機器視覺的軟包鋰電池表面缺陷檢測[J].福建工程學院學報，2020，18(3)：267-272.

　　[17]陳廣鋒，管觀洋，魏鑫，基于機器視覺的沖壓件表面缺陷在線檢測研究[J].激光與光電子學進展，2018，55(1)：341-347.