許楨英，李健康，凌 俊，徐家祥，王 勻

XU Zhen-ying, LI Jian-kang, LING Jun, XU Jia-xiang, WANG Yun

（江蘇大學 機械工程學院，鎮(zhèn)江 212013）

0 引言

高密度電連接器組件（圖1），具有封接強度和彎曲強度高、玻璃沿引線爬坡小、耐腐蝕性高、絕緣電阻高、氣密性好等特點，適合服役惡劣環(huán)境，在連接和封裝方面起著不可替代作用，是航天航空航海、軍工、工業(yè)、精密機械、信息乃至家用電器等領(lǐng)域的控制與驅(qū)動系統(tǒng)中的重要基礎(chǔ)元器件，其技術(shù)性能的高低直接影響和制約了這些行業(yè)的發(fā)展水平。

圖1 電連接器殼體實物圖

目前大多數(shù)電連接器制造企業(yè)都采用人工檢測或者簡單工具測量的方法來判定其缺陷，檢測費時費力，容易造成視覺疲勞，且準確度較低。十二五期間航空、海工、信息行業(yè)對高端機電組件技術(shù)水平的要求越來越高，電連接器表面質(zhì)量缺陷也不被允許，進行電連接器質(zhì)量一致性檢驗項目時要求100%無缺陷。另外由于電連接器生產(chǎn)效率的不斷提高，生產(chǎn)全過程的穩(wěn)定性受到了挑戰(zhàn)，如何高效高精度監(jiān)控產(chǎn)品、實現(xiàn)缺陷檢測、識別，完成高質(zhì)產(chǎn)品的制造和高效生產(chǎn)環(huán)境的構(gòu)建，成為現(xiàn)代企業(yè)生產(chǎn)管理和品質(zhì)保證的重要手段。

機器視覺是用計算機來實現(xiàn)人的視覺功能，也就是用機器代替人眼來做測量和判斷[1]。基于Halcon及其視覺處理軟件，本文提出了一種電連接器殼體缺陷視覺檢測方案，將采集的電連接器圖像輸入計算機，通過圖像處理算法，對電連接器殼體劃痕、凹坑等缺陷的識別有較好的效果。

1 檢測系統(tǒng)構(gòu)成

檢測系統(tǒng)由硬件結(jié)構(gòu)和圖像分析軟件構(gòu)成，硬件結(jié)構(gòu)負責采集電連接器殼體表面的圖像信息；圖像分析軟件對采集到的圖像進行處理，從而檢測殼體零件的缺陷信息。

1.1 硬件結(jié)構(gòu)

測量系統(tǒng)的硬件主要包括工業(yè)相機、鏡頭、環(huán)形光源、計算機和檢測平臺。系統(tǒng)的整體結(jié)構(gòu)如圖2所示。其工作過程為：將待檢測的電連接器殼體放在檢測平臺上，將安裝好的工業(yè)相機和鏡頭放在電連接器殼體正上方，調(diào)整鏡頭焦距和工作距離，并調(diào)整環(huán)形光源的位置，使電連接器殼體表面得到均勻的照明。

圖2 檢測系統(tǒng)硬件結(jié)構(gòu)

在本系統(tǒng)中，工業(yè)相機為AVT Guppy Pro F201B；鏡頭為Computar MG3Z1228FC-MP；環(huán)形光源為奧普特OPT-RI15090。

1.2 圖像分析軟件

該系統(tǒng)的圖像分析軟件主要基于Halcon編程開發(fā)。Halcon是德國MVtec公司的一款功能強大的圖像處理軟件，它由1000多個各自獨立的算子以及底層的數(shù)據(jù)管理核心構(gòu)成。涉及底層的圖像處理到高級的模式識別方法，提供了開放的軟件接口，可以與Visual C++、Visual Basic等開發(fā)工具相結(jié)合進行以圖形圖像處理為主的應用程序開發(fā)。作為目前業(yè)內(nèi)功能較完善、效率較高的軟件之一，Halcon已被廣泛應用于工業(yè)生產(chǎn)中的各個方面，如機械加工、電子器件、包裝加工、醫(yī)療等領(lǐng)域[2]。

本系統(tǒng)的圖像識別采用Halcon軟件的HDevelop平臺通過一系列算法來進行圖像分析處理。

2 電連接器殼體圖像處理方法

從整個缺陷處理和識別的過程來看，基于Halcon的系統(tǒng)分析軟件包括模版分析和缺陷檢測兩個方面。在模版分析方面，對待識別的圖像進行一定的圖像處理之后對其進行特征分析與提取，并增添至特征模板庫；在缺陷檢測部分，對待識別的圖像進行一定預處理之后，提取處理圖像的特征向量，并使之與特征模板庫進行比對，從而確定其缺陷種類。整個缺陷處理和識別過程的組成框圖如圖3所示，研究這些函數(shù)的算法與功能組合，可以高效率、高精度的完成電連接器殼體檢測任務(wù)。

圖3 缺陷處理和識別過程

2.1 圖像預處理

為了實現(xiàn)對電連接器殼體參數(shù)的檢測，系統(tǒng)軟件基本上可按照圖像處理的流程來進行描述，針對單幅圖像的處理過程，需要完成包括圖像去噪、圖像增強、圖像分割、區(qū)域處理等操作（如圖4所示）。

2.1.1 圖像去噪

在圖像獲取過程中，由于環(huán)境或機器視覺系統(tǒng)本身的原因會造成隨機干擾。通常情況下，噪聲會影響缺陷區(qū)域邊緣的提取，引起假邊緣[3]。因此需要對采集到的圖片進行濾波去噪。

圖4 圖像預處理過程

為了消除圖像采集帶來的噪聲，我們首先采用了基于局部均值運算的線性濾波器，主要用于去除一些高頻噪聲，在Halcon中，調(diào)用mean_image算子實現(xiàn)對所讀取圖像的均值濾波。

對于周期噪聲，用頻率域技術(shù)可以有效地分析并濾除，其基本就是在傅里葉變換中，周期噪聲對應于周期干擾的頻率處，以集中的能量脈沖形式出現(xiàn)[4]。

本文利用gen_sin_bandpass算子用正弦形狀生成一個帶通濾波器，同時對均值濾波后的圖像進行快速傅立葉變換，然后利用convol_fft算子對生成的帶通濾波器和傅立葉變換之后的圖像卷積，再對其結(jié)果進行傅立葉反變換，得到最終濾波之后的圖像。

濾波前后的圖像如圖5所示，從圖5可以看出，對圖像濾波之后，圖像的噪音有明顯改觀。

圖5 圖像去噪

2.1.2 圖像增強

本文采用emphasize算子執(zhí)行濾波后圖像的增強操作，運算公式為：

其中mean為采用mean_image算子對圖像進行均值濾波之后像素的灰度值；f為圖像增強前的像素灰度值；k為圖像增強系數(shù)，系數(shù)越大，增強的效果越明顯；round()是對得到的值四舍五入；g(x,y)是采用emphasize算子對圖像進行增強處理之后得到的像素灰度值。

圖6采用emphasize算子進行增強前后的圖像，從圖6中可以看出，在圖像增強之后，增大了缺陷區(qū)域和背景區(qū)域的灰度值對比，更加突出圖像中的缺陷。

圖6 圖像增強

2.1.3 圖像分割

為了將可能的缺陷區(qū)域從背景中分離出來，還需要對去噪和增強之后的圖像進行分割。二值化處理就是利用圖像中目標區(qū)域與其背景在灰度特性上的差異而實現(xiàn)圖像分割的一種有效的方法[2]。在采集的圖像中，如果一個像素的灰度值小于給定閾值，則認為這個像素屬于人們感興趣的目標，反之則屬于背景部分。設(shè)原始圖像為f(x,y)，二值化后圖像為g(x,y)，閾值為T，則：

其中，值為1的部分表示目標可能的缺陷區(qū)域，值為0的部分表示背景。

本文利用圖像分割把可能的缺陷區(qū)域從背景中分離開來，從而方便對缺陷區(qū)域進行進一步的精確處理。

為了進一步提取更精確的缺陷區(qū)域，需對二值化后的區(qū)域進行邊緣提取。剃度向量可作為在一幅圖像f的(x,y)位置處尋找邊緣的強度和方向的工具[4]，指出了f在位置(x,y)出的最大變化率的方向，也就是灰度變化最劇烈的位置，因此，梯度能很好的反映圖像的邊緣位置。梯度用?f表示：

隨著新一輪高等職業(yè)教育課程改革的不斷推進和課堂教學模式的不斷探索，如何更好地促進教師專業(yè)技能提升，更好地發(fā)掘?qū)W生學習潛力，實現(xiàn)理實一體、工學結(jié)合的教育教學目標，是新時期高等職業(yè)教育教學改革所面臨的重大問題。

本文中，首先利用edges_image算子，采用Canny一階算子尋找邊緣梯度圖像，首先對原始數(shù)據(jù)與高斯平滑模板作卷積，即對圖像進行濾波，得到一幅比原始圖像有些輕微的模糊的圖像，然后尋找圖像中的亮度梯度。語句為：

edges_image(ImageEmphasize，ImaAmp，ImaDir，'canny'，0.5，'nms'，15，25)

其中ImaAmp為邊緣梯度圖像，ImaDir邊緣方向圖像，0.5是高斯平滑因子，取值越小，平滑效果越明顯，15和25分別為表示目標的最小和最大閾值（如圖7(a)所示）。

為得到可能的缺陷區(qū)域，將得到邊緣梯度圖像轉(zhuǎn)化為區(qū)域region（如圖7(b)所示），再對該區(qū)域利用算子dilation_circle進行適當?shù)呐蛎洸僮鳎ㄈ鐖D7(c)所示），最后使用reduce_circle將膨脹得到的區(qū)域從原圖像中分割開來，這樣就得到了每一個可能的缺陷區(qū)域的圖像。

圖7 圖像分割

2.1.4 區(qū)域處理

區(qū)域處理即對圖像分割所得到的所有的可能的缺陷區(qū)域進行進一步的處理，從而得到缺陷區(qū)域的確切圖像，以方便提取各個缺陷的特征。

針對各個可能的缺陷區(qū)域，本文首先采用laplace_of_gauss算子求圖像二階偏導（如圖8(a)所示），再利用threshold_sub_pix算子尋找目標區(qū)域邊緣（如圖8(b)所示）。高斯拉普拉斯（LoG）表達式如下：

本操作直接返回由像素點組成的邊緣，具有亞像素精度。

在得到Laplace二階邊緣之后，利用select_shape_xld算子篩選，排除干擾邊緣；然后對其利用算子union_adjacent_contours_xld將相鄰邊緣的頭尾連接起來，再執(zhí)行close_contours_xld關(guān)閉整個曲線區(qū)域邊緣，從而得到一個完整的缺陷區(qū)域邊緣。

最后使用gen_region_contour_xld算子，將得到的完整缺陷區(qū)域的邊緣轉(zhuǎn)化為region（如圖8(c)所示），以方便下一步進行分類。

圖8 區(qū)域處理

2.2 特征檢測

特征是最能表達圖像內(nèi)容的信息，缺陷特征提取的程度直接影響著缺陷算法的設(shè)計以及缺陷檢測效果。理想的特征如幾何特征、灰度特征、紋理特征等，本系統(tǒng)采用幾何特征進行特征檢測，選取的幾何特征為缺陷區(qū)域的面積、圓度和區(qū)域中心位置。

在得到每一個缺陷的區(qū)域圖像之后，利用算子circularity得到缺陷區(qū)域的圓度，算子area_center得到缺陷區(qū)域的面積和中心位置坐標。

2.3 特征識別

采用的分類器是高斯混合分類器，具體的分類方法是：首先利用create_class_gmm新建一個分類器，在增加訓練樣本add_sample_class_gmm算子和訓練分類器train_class_gmm之后，對其他可能的缺陷區(qū)域利用算子classify_class_gmm進行分類，最后在完成分類之后退出分類，再用clear_class_gmm從內(nèi)存清空分類器。

另外，本系統(tǒng)在增加樣本和缺陷識別成功之后均有相關(guān)的信息顯示，如圖9所示。

圖9 信息顯示

3 實驗結(jié)果與分析

為了驗證系統(tǒng)的檢測效率，我們選擇了8幅電連接器殼體的圖像進行了測試，其中已知這8幅圖像中有13處凹坑和7處劃痕。在系統(tǒng)運行中，所有的凹坑和劃痕缺陷均被識別，結(jié)果如圖10和圖11所示，可見檢測成功率達到了100%。

4 結(jié)論

電連接器殼體作為密封裝置廣泛應用在環(huán)境惡劣的航空航天、深海、高溫高壓高腐蝕性等領(lǐng)域，然而傳統(tǒng)的電連接器殼體缺陷檢測手段存在效率低下，費時費力的問題。本文中我們設(shè)計了基于機器視覺的電連接器殼體的檢測系統(tǒng)，基于Halcon平臺編制了相應的算法，對殼體零件表面的劃痕、凹坑缺陷進行了檢測，成功率達100%，檢測結(jié)果理想，與傳統(tǒng)檢測方法相比，具有較高的準確率和效率，為電連接器殼體的無損檢測提供了新的途徑。

圖10 缺陷區(qū)域原始圖片

圖11 缺陷識別結(jié)果圖片

[1]孫懷遠,廖躍華,周夫之,黃憶君.基于HALCON的藥品包裝瓶批號檢測技術(shù)研究[J].包裝工程,2008,29(8):71-73.

[2]王文成.基于Halcon的齒輪缺陷檢測系統(tǒng)設(shè)計[J].機械傳動,2014,38(9):60-63.

[3]朱先鋒,潘洪軍.基于Halcon的硒鼓缺陷檢測與一維尺寸測量[J].吉林大學學報(信息科學版),2014,32(3):308-315.

[4]岡薩雷斯.數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2011.6:211-215.