謝 俐，楊 樂，何 勇

0 引言

模具是用來成型物品的工具，這種工具由不同的零件組成。它主要利用所成型材料物理狀態(tài)的改變來實現(xiàn)物品外形的加工，是工業(yè)生產(chǎn)上用以注塑、吹塑、擠出、壓鑄、沖壓、拉伸等方法得到所需產(chǎn)品的各種模子和工具的基本方式[1]。模具是機械工業(yè)的基礎設備，隨著機械工業(yè)的發(fā)展，模具工業(yè)也得到相應的發(fā)展。當前，隨著自動化生產(chǎn)的不斷發(fā)展和完善，生產(chǎn)加工模具的精度、質量檢測精度也相應提高[2]。對模具進行精準的檢測能夠確保工業(yè)生產(chǎn)的效率。模具因其生產(chǎn)效率高、產(chǎn)品質量好、材料消耗低、生產(chǎn)成本低而得到了大量的應用。當前的機械模具由傳統(tǒng)的單一模具逐漸發(fā)展為多模具，具有多樣性的特征[3]。因為有些模具的精度較高，一些細微的破損就會帶來致命的缺陷。因此，對生產(chǎn)模具產(chǎn)品的缺陷檢測，也是一項十分重要的任務[4,5]。模具的細微破損可能給后期的應用帶來難以估量的損失，因此，及時發(fā)現(xiàn)破損模具是降低后期損失的有效途徑[6]。本文提出一種基于機器視覺的模具破損檢測方法，依據(jù)機器視覺和人工智能技術，實現(xiàn)對高精度模具破損的有效檢測。

1 系統(tǒng)的整體組成

模具破損檢測系統(tǒng)主要包括：模具圖像的采集、模具圖像的處理、模具檢測結果的輸出、以及顯示等操作過程。模具破損檢測系統(tǒng)的結構圖

如圖1所示。

圖1 模具破損檢測機器視覺系統(tǒng)組成原理

通常該系統(tǒng)的硬件部分主要包括：模具補償光源、攝像機、圖像采集卡、處理芯片及外圍器件[7]。其中，圖像采集卡可以對采集到的模具圖像進行A/D變換，再將得到的數(shù)字模具圖像信號傳輸?shù)接嬎銠C進行控制[8]。攝像機可將獲取的數(shù)字圖像信號傳輸?shù)接嬎銠C進行控制，因此，大部分情況可以不使用圖像采集卡。

1.1 模具圖像采集模塊的設計

在模具圖像的采集過程中，使用傳動機控制模具圖像采集設備發(fā)生規(guī)范性的運動，從而采集到模具全方位的圖像信息。圖像采集設備必須重視對不同模具結構的分析，本文設備的直徑為10mm，長度是70mm，常用于對小模具、高精度進行圖像收集。本文采用的圖像采集設備可以利用外部光源對模具圖像采集的背景空間進行光照資源的彌補。本文采用的圖像采集設備的電路圖如圖2所示。

圖2 圖像采集設備電路圖

模具破損檢測系統(tǒng)中的圖像采集器件和光電檢測器件、圖像信號驅動、數(shù)據(jù)傳輸電路處于不相同的兩個部位。其中，圖像采集器件的驅動器件位于整體的外部，器件驅動工作的電流是直流的8V，600mA。模具圖像采集過程常采用2芯的電纜，可以增強模具圖像的清晰度。模具圖像采集系統(tǒng)的圖像采集方式不能得到一次性的圖像信息，因此，采用掃描成像原理對模具圖像進行相應的操作，可以得到一次性的圖像信息。模具掃描成像原理如圖3所示。

圖3 模具掃描成像原理圖

當前的高精密模具大都具有復雜的結構，本文采用的模具成像系統(tǒng)將這些高精密的模具劃分成獨立的子結構，再對這些獨立的子結構進行成像處理，最后對采集到的圖像進行多方位的無縫連接。模具圖像掃描方法的過程為：先使圖像采集器件位于預定的長度之外，再依據(jù)預定的頻率和角度調(diào)整采集器件的鏡頭。結束一次模具子結構的掃描，就將圖像采集器件向前挪動一定的距離，最終完成整個模具的圖像掃描。上述分析的圖像采集方法的優(yōu)點有：耗時短、圖像清晰度高、操作簡單，能夠采集到準確的模具圖像數(shù)據(jù)。轉動器件的中軸線，調(diào)控圖像采集器件的位置，可以采集模具內(nèi)部結構的圖像信息。

1.2 模具圖像的缺陷檢測技術

模具圖像處理模塊主要實現(xiàn)對模具圖像的初始化以及模具破損檢測的操作。圖4所示為具體的圖像操作流程：攝像頭采集到的模具像素信號通過A/D變換后傳輸?shù)絀TU R656解碼器(Decoder)，經(jīng)解碼后輸出三種信號分別是基色信號M、調(diào)控信號Gu、時鐘信號De。三種基色信號經(jīng)過緩沖器后輸出M[8:0]、Gu[8:0]、De[8:0]三種基色信號線傳遞到RGB模塊。RGB模塊對三種基色信號進行融合處理，最終形成彩色的圖像，配合相關算法，對模具的邊沿像素進行操作，完成模具的缺陷檢測工作。

圖4 模具缺陷圖像處理模塊設計

2 系統(tǒng)的軟件算法設計

本文提出基于機器視覺技術的模具破損檢測系統(tǒng)對精密模具的檢測方法主要包括對初始模塊圖像進行向量變換、動態(tài)位分配的向量量化編碼以及對圖像像素邊緣的檢測三個部分。模具破損檢測系統(tǒng)的關鍵部分是對模塊圖像的操作部分。模具破損檢測系統(tǒng)采用CycloneII EP2C20F484C7芯片以及Verilog HDL完成對所有的子結構的無縫連接和圖像處理工作。模具破損檢測系統(tǒng)的軟件使用像素密度邊緣檢測算法實現(xiàn)對相關模具的破損分析。該算法依據(jù)圖像像素的排列規(guī)則對模具的邊緣破損空間進行輪廓定位。以矩形模具結構為例，模具圖像g(i,j)的預期空間Z的q階像素密度用公式（1）描述：

其中，m表示空間Z內(nèi)的模具邊沿像素數(shù)目，q=1,2,3。算子使用50個像素序列，將邊緣檢測的陰影區(qū)間近似看成一個單位圓，作為算子的輸入。算子的輸出是二維理想階躍模型，其由一系列具有灰度l1和l2的模具邊沿像素連接組成。像素密度統(tǒng)一化模型的參數(shù)有邊緣位置σ、邊緣方向?、邊緣兩側的灰度值l1和l2，如公式（2）所示：

其中， q1和 q2表示灰度值是 l1和 l2在單位圓內(nèi)所占的比例，則前三階像素密度 uv( v =1,2,3)符合公式（3）的要求：

因此，有：

其中：

獲取原單位圓中的前三階像素密度可以得到二維理想階躍模型的相關參數(shù)。由于所有像素點的灰度值可以看作是不變的，因此可將前三階像素密度的求解變換成單位圓覆蓋的所有像素點灰度值的加權和：

式中：單位圓中第i個像素點的灰度值用 Gi描述，第i個像素點的權值用μi描述。本文采用一個8×8模板方式描述μi：

其余的權值全部是0.036195592。獲取所有的權值后，使該模版在圖像上進行一次移動，可以得到圖像的邊緣值 uv( v = 0 ,1,2,3)，再利用公式（7）：

如果理想階躍模型邊緣兩側的灰度差符合相應的條件，就能夠判斷存在實際的圖像邊緣。對圖像邊緣進行檢測，能夠對其缺損區(qū)間進行有效定位。

3 系統(tǒng)測試

為了驗證本文提出基于機器視覺技術的模具破損檢測方法的有效性，需要進行相應的實驗。實驗選取的樣本是通過AutoCAD得到的無偏差5孔均勻排列的模具，再將其中的一個孔偏離1.6度和8.8度。標準的模具圖像如圖5所示。

圖5 標準試驗圖像

圖6 本文方法的檢測效果

運用本文提出的基于機器視覺技術的模具破損檢測方法得到的檢測效果如圖6所示。

圖6中紅色線條表示實際檢測的結果，綠色線條表示標準模板。分析圖6能夠得出，使用本文提出的基于機器視覺技術的模具破損檢測方法檢測的結果和理論結果一致。其中，標準模具的檢測結果數(shù)據(jù)如表1所示，使用本文方法檢測的數(shù)據(jù)如表2所示。

表1 標準模具檢測數(shù)據(jù)

表2 本文方法得到的檢測數(shù)據(jù)

分析表1、2中的檢測結果數(shù)據(jù)能夠得出，采用本文提出的基于機器視覺技術的模具破損檢測方法孔徑的最大測量誤差是0.001mm，徑向的最大測量誤差是0.002mm。而標準模具得到的孔徑和徑向的誤差是0.01mm，本文算法的誤差減低了一個數(shù)量級別，本文算法的準確率更高。并且本文算法的角度的測量最大誤差是0.0007弧度，測量誤差在允許的區(qū)域內(nèi)。通過以上的相關實驗，可以得出，本文提出的基于機器視覺技術的模具破損檢測算法能夠有效區(qū)分模具的細微破損，具有較優(yōu)的檢測準確度。

4 結論

提出一種基于機器視覺技術的模具破損檢測系統(tǒng)。通過建立相應的圖像采集模塊和圖像處理模塊，對細節(jié)像素密度的跟蹤對比普通的邊沿像素跟蹤，完成殘缺部位像素的進一步細化。提高系統(tǒng)的檢測精度。實驗表明，這種方法能夠有效區(qū)分模具的細微破損，具有較優(yōu)的檢測準確度，隨著我國對工業(yè)工藝技術要求的不斷增加，改系統(tǒng)的應用范圍會更加廣泛。

[1] B. K.BEHERA. Image-processing in Textiles[J].Textile Progress,2005, 35(2):12-27.

[2] 王俊英.梳棉棉網(wǎng)清晰度對成紗質量的影響[J].上海紡織科技.2008,36(11): 55-56.

[3] MOURD,KR1FA,FRYDRYCH I, est. Seed Coat Fragments: The Consequences of Carding and Impact ofAttached Fibers [J], Textile Res J,2002,(3):259-265.

[4] 張艷,楊大毛,羅漢文.數(shù)值計算在數(shù)字圖像邊緣檢測中的應用[J].計算機仿真,2009(5):251-254

[5] 于愛春.運用NCT在線檢測儀優(yōu)化梳棉工藝[[J].棉紡織技術.2006,34(1):9-12.

[6] FARAJI H,JAMES W, LEAN M. CCD Noise Removal in Digital Images[J].IEEE Trans. on Image Processing, 2006,15(9): 2676-2685.

[7] MARTIN G,PATTICHIS M S. The Characterization of Scanning Noise and Quantization on Texture Feature Analysis[J].IEEE Trans on Image Processing Journal of Electronic Imaging, 2004, 44(8):152-156.

[8] 王娜,曾平,孔月萍.CCD掃描噪聲建模及自適應濾波算法[J].計算機工程,2008,30(24):244-246,2-11.