段雨晗，付躍剛

（長春理工大學(xué) 光電工程學(xué)院，長春 130022）

在現(xiàn)代工業(yè)生產(chǎn)加工與檢測中會涉及多種尺寸測量、質(zhì)量檢驗(yàn)和零件識別技術(shù)的應(yīng)用。一般情況下這種具有流水線性質(zhì)的重復(fù)性工作都是由人工來完成的，但在某些特殊的情況下，例如對具有尺寸小、形狀不規(guī)則等特點(diǎn)的微小零件進(jìn)行檢測時(shí)，依靠人眼根本無法連續(xù)穩(wěn)定地進(jìn)行精確測量，給檢測工作帶來了困難。因此產(chǎn)生了機(jī)器視覺檢測技術(shù)的概念［1，2］。

機(jī)器視覺是指用機(jī)器代替人眼來做檢測和識別。它是把圖像作為檢測的載體加以利用，從圖像中提取我們感興趣的信息，通過處理被測圖像而獲得所需的各種參數(shù)［3］。近年來，隨著計(jì)算機(jī)技術(shù)尤其是多媒體技術(shù)以及數(shù)字圖像處理與分析理論的不斷發(fā)展完善，加之大規(guī)模集成電路的飛速發(fā)展與應(yīng)用，機(jī)器視覺技術(shù)得到了廣泛的應(yīng)用研究［4］。然而由于其對小尺寸零件檢測精度不理想，設(shè)備成本高等缺點(diǎn)，目前在工業(yè)生產(chǎn)中對微小零件的形貌進(jìn)行檢測依舊是依靠人工測量，這樣就大大降低了工作效率與檢驗(yàn)精度［5］。

為了解決上述問題，本文提出了一種針對測量微小零件的機(jī)器視覺檢測方法，并開發(fā)了一款基于計(jì)算機(jī)視覺庫OpenCV的檢測軟件。應(yīng)用該檢測方法對毫米量級的Ω型微小零件進(jìn)行測量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明本文提出的檢測方法測量精度高，設(shè)備成本低，為進(jìn)一步產(chǎn)業(yè)化應(yīng)用奠定基礎(chǔ)。

1 檢測系統(tǒng)設(shè)計(jì)方案

1.1 硬件設(shè)計(jì)

實(shí)驗(yàn)的檢測對象是具有一般性的長、寬均為毫米量級的Ω型微小零件。系統(tǒng)的硬件結(jié)構(gòu)如圖1所示，由光源、載物臺、顯微物鏡、CMOS工業(yè)相機(jī)、計(jì)算機(jī)等幾部分組成，測量過程主要分為三個(gè)階段。第一階段為調(diào)焦成像：在背光光源照明下，對顯微物鏡調(diào)焦獲得清晰的微小零件的像；第二階段為圖像采集：CMOS相機(jī)采集零件經(jīng)過顯微物鏡后被放大的像，并將獲取的圖像轉(zhuǎn)化為數(shù)字信號傳輸?shù)接?jì)算機(jī)內(nèi)；第三階段為計(jì)算機(jī)處理：計(jì)算機(jī)通過檢測軟件對采集到的圖像進(jìn)行預(yù)處理、邊緣檢測、輪廓擬合等一系列操作，并結(jié)合測量的系統(tǒng)標(biāo)定系數(shù)計(jì)算出微小零件的形貌參數(shù)。

圖1 檢測系統(tǒng)硬件結(jié)構(gòu)圖

1.2 軟件設(shè)計(jì)

檢測軟件是檢測系統(tǒng)的核心，主要包括圖像采集模塊、圖像預(yù)處理模塊、參數(shù)測量模塊以及系統(tǒng)標(biāo)定模塊等幾個(gè)部分組成，采用Visual C++和OpenCV混合編程。OpenCV是一個(gè)基于C/C++語言的開源計(jì)算機(jī)視覺函數(shù)庫，其代碼都經(jīng)過優(yōu)化，可用于實(shí)時(shí)處理圖像，具有良好的可移植性，可以進(jìn)行圖像載入、保存和采集的常規(guī)操作具有低級和高級的應(yīng)用程序接口（API）。同時(shí)OpenCV提供了強(qiáng)大的圖像和矩陣運(yùn)算能力，保證了測量的準(zhǔn)確性與高效性［6］。本文提出的檢測軟件設(shè)計(jì)人性化，人機(jī)交互性強(qiáng)，用戶可以方便地通過對話框設(shè)定實(shí)驗(yàn)參數(shù)，獲得檢測結(jié)果，具有較強(qiáng)的操作性和可移植性。

2 檢測系統(tǒng)圖像處理算法

檢測系統(tǒng)的圖像處理算法流程如圖2所示。

圖2 檢測系統(tǒng)圖像處理算法流程圖

2.1 圖像預(yù)處理

對圖像預(yù)處理算法的選取是依照噪聲的種類和特性決定的，本文中主要針對如圖3（a）所示的Ω型微小零件原始圖像進(jìn)行均值濾波與中值濾波對比。實(shí)驗(yàn)中為了更為直接觀察濾波效果，分別選取原始圖像、經(jīng)均值濾波后的圖像、經(jīng)中值濾波后的圖像的同一列進(jìn)行傅里葉變換，結(jié)果如圖3（b-d）所示。

圖3 零件原始圖像和頻譜圖像

從圖3（b）可以看出由于原始圖像中噪聲的存在，其頻譜圖的低頻以及高頻部分出現(xiàn)毛刺和沖擊。經(jīng)均值濾波后由圖3（c）可以看出，在濾掉高頻段噪聲的同時(shí)，具有圖像邊緣細(xì)節(jié)的高頻信息已被濾掉。所以經(jīng)過均值濾波后，會使圖像邊緣變模糊，不利于后續(xù)對邊緣點(diǎn)的準(zhǔn)確定位。而由圖3（d）可以看出中值濾波只是去除了高頻段的部分噪聲，保留了原有的高頻信息。通過實(shí)驗(yàn)效果可以看出，中值濾波既能消除噪聲又能保持圖像的細(xì)節(jié)，綜合窗口尺寸的耗時(shí)等因素，本實(shí)驗(yàn)選取3×3的窗口對原始圖像進(jìn)行中值濾波。并對中值濾波之后的圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，選取適當(dāng)?shù)拈撝颠M(jìn)行圖像分割。

2.2 圖像邊緣檢測

圖像邊緣信息的檢測對于獲取微小零件的形貌特征參數(shù)有著至關(guān)重要的意義，在選擇邊緣檢測算子時(shí)，要充分考慮和依據(jù)圖像邊緣的特點(diǎn)。實(shí)驗(yàn)中對Roberts、Sobel、Prewitt、Kirsch以及Canny幾種常用的邊緣檢測算子進(jìn)行了對比，并根據(jù)Canny提出的信噪比準(zhǔn)則、定位精度準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則［7］，運(yùn)用OpenCV開源計(jì)算機(jī)視覺庫編寫了Canny邊緣檢測功能，代碼片段如下：

其中，CannyThreshold（）為確定Canny邊緣檢測雙閾值的函數(shù)，可由用戶通過對話框輸入，cvCanny（image，image_result，a，b，3）是 OpenCV 內(nèi) 進(jìn) 行Canny邊緣檢測的函數(shù)，image為輸入圖像，image_result為經(jīng)Canny邊緣檢測之后的輸出圖像，a和b分別為用戶輸入的雙閾值，其中小閾值控制邊緣連接，大閾值控制強(qiáng)邊緣的初始分割，數(shù)字3則表示算子內(nèi)核的大小。

圖4 幾種常用的邊緣檢測算法的提取效果圖

實(shí)驗(yàn)中還利用Visual C++編程軟件分別編寫了Roberts、Sobel以及Kirsch邊緣檢測代碼，并對這幾種常用的邊緣檢測算法的提取效果進(jìn)行了對比，如圖4所示。

通過對比可以看出，Robert算子邊緣定位精度不高，檢測出的邊緣較寬，在含有噪聲的圖像中邊緣提取效果不好；Sobel算子雖然對噪聲具有平滑的作用，但對邊緣不規(guī)則的零件會檢測出一些偽邊緣，不適合本實(shí)驗(yàn)；由8個(gè)卷積核組成的Kirsch算子檢測出的邊緣粗大，且算法耗時(shí)較長。再結(jié)合實(shí)驗(yàn)中幾種檢測算子的檢測效率，本文最終選取效率高、邊緣跨度為單像素的Canny算子對預(yù)處理之后的圖像進(jìn)行邊緣檢測［8］。

2.3 圖像輪廓擬合

經(jīng)過Canny邊緣檢測之后已經(jīng)得到Ω型微小零件的邊緣圖像，為了獲取其形貌參數(shù)，需要將零件的輪廓進(jìn)行遞歸細(xì)分，擬合成直線和圓等幾何基元。

2.3.1 Ramer算法

Ramer算法是一種用多邊形逼近不規(guī)則圖形輪廓的方法［9］。它對復(fù)雜的輪廓進(jìn)行遞歸細(xì)分，直到得到的全部線段到各自對應(yīng)的輪廓段的最大距離小于用戶指定的閾值dmax為止。其算法原理如圖5所示：細(xì)線給出的是輪廓，逼近多邊形用粗線表示。開始時(shí)在輪廓的起點(diǎn)和終點(diǎn)間建立一條線段，如果輪廓是閉合的，建立兩條線段，一條是從起點(diǎn)0到索引為n/2的點(diǎn)，另一條是從n/2點(diǎn)到終點(diǎn)n。然后我們計(jì)算所有輪廓點(diǎn)到所對應(yīng)線段的距離并找到與線段距離最大的那個(gè)輪廓點(diǎn)。如果此距離比我們指定的閾值dmax要大，那么在具有最大距離的輪廓點(diǎn)處，我們再將當(dāng)前線段分成兩條線段。然后再新得到的線段上重復(fù)進(jìn)行此處理直到不能再細(xì)分為止，即直到所有線段都滿足最大距離約束條件。

圖5 Ramer算法原理

2.3.2 幾何基元的擬合

復(fù)雜的零件輪廓經(jīng)過Ramer算法已經(jīng)分為簡單的幾何基元：直線和圓。根據(jù)最小二乘法直線、圓擬合的思想，實(shí)現(xiàn)了檢測軟件的幾何基元擬合功能，部分代碼如下：首先遍歷整張圖像，判斷出經(jīng)邊緣檢測后灰度為255的邊緣點(diǎn)，并將其橫縱坐標(biāo)分別存入pointX［k］和pointY［k］中，經(jīng)過計(jì)算，式中的a和b分別為擬合直線的斜率和Y軸截距，radius_x，radius_y和radius分別為擬合圓的坐標(biāo)及半徑。

2.4 系統(tǒng)標(biāo)定

系統(tǒng)標(biāo)定可以建立相機(jī)坐標(biāo)系與世界坐標(biāo)系的關(guān)系，對檢測微小零件實(shí)際形貌尺寸具有重要意義［10，11］。本實(shí)驗(yàn)選用深圳科創(chuàng)公司生產(chǎn)的高精度靶標(biāo)，正方形棋盤格的邊長為1000μm，如圖6所示。通過對6幅棋盤圖像的標(biāo)定，由表1計(jì)算可知，微小構(gòu)件形貌參數(shù)檢測系統(tǒng)的標(biāo)定系數(shù)為：

式中ad為棋盤格實(shí)際邊長，pd為檢測出的棋盤格邊長的像素值［12］。

圖6 標(biāo)定靶標(biāo)圖像

表1 檢測系統(tǒng)的標(biāo)定系數(shù)

3 實(shí)驗(yàn)結(jié)果與分析

采用上述算法，開發(fā)了一款基于OpenCV的微小零件形貌檢測軟件，檢測軟件界面如圖7所示。軟件具有載入圖像、圖像二值化、圖像邊緣檢測、圓擬合、直線擬合、測量直線距離、系統(tǒng)標(biāo)定、保存圖像以及關(guān)閉對話框功能。并且在實(shí)驗(yàn)室通過北京大恒圖像公司的DH-HV-U系列CMOS工業(yè)數(shù)字?jǐn)z像機(jī)以及北京科達(dá)匯龍公司生產(chǎn)的XTL-3100系列體式顯微鏡搭建了檢測系統(tǒng)的硬件平臺，如圖8所示。

圖7 檢測軟件界面

圖8 檢測系統(tǒng)硬件

實(shí)驗(yàn)中運(yùn)用Ramer算法把圖像分為10個(gè)區(qū)域進(jìn)行擬合。如圖9所示，分別為外上圓區(qū)、外左1圓區(qū)、外右1圓區(qū)、外左2圓區(qū)、外右2圓區(qū)、外左水平直線區(qū)、外右水平直線區(qū)、內(nèi)上圓區(qū)、內(nèi)左圓區(qū)和內(nèi)右圓區(qū)。

圖9 零件分區(qū)擬合示意圖

結(jié)合檢測系統(tǒng)的標(biāo)定系數(shù)，對以像素（pixel）為單位的檢測數(shù)據(jù)進(jìn)行計(jì)算，得出了微小零件實(shí)際的形貌尺寸，處理后的數(shù)據(jù)單位為毫米（mm），實(shí)驗(yàn)結(jié)果如表2所示。

由表2可知，本實(shí)驗(yàn)獲取了圖9中十個(gè)分區(qū)的實(shí)際形貌參數(shù)，并使用游標(biāo)卡尺對Ω型微小零件的邊緣厚度進(jìn)行了測量，測量結(jié)果為1.80mm。根據(jù)實(shí)驗(yàn)數(shù)據(jù)，本文應(yīng)用SolidWorks軟件對Ω型微小零件進(jìn)行了模型重建，并生成了零件加工圖紙，如圖10和圖11所示。可以看出重建的零件模型與實(shí)際零件具有很高的相似度，與零件尺寸真值相比，本實(shí)驗(yàn)檢測精度達(dá)到10μm以下，最大相對誤差0.65%，滿足微小零件形貌檢測的精度要求。

圖10 零件立體圖

表2 實(shí)驗(yàn)測量結(jié)果

圖11 零件尺寸圖

4 結(jié)論

為解決工業(yè)生產(chǎn)中微小異形零件形貌參數(shù)測量困難的問題，提出了一種基于機(jī)器視覺的檢測方法，并結(jié)合圖像處理中的相關(guān)理論編寫了基于OpenCV的形貌檢測軟件。實(shí)驗(yàn)對Ω型微小零件形貌參數(shù)進(jìn)行了檢測，檢測精度達(dá)到10μm以下，與人工測量方法相比，測量精度與效率均有大幅提升。實(shí)驗(yàn)結(jié)果表明本文提出的檢測方法可以精確獲取異形微小零件的形貌參數(shù)，具有一般性與較高的實(shí)用價(jià)值。實(shí)驗(yàn)中也發(fā)現(xiàn)本文提出的檢測軟件的實(shí)時(shí)性較不理想，需要在今后的工作中加以改進(jìn)。

［1］楊水山，何永輝，趙萬生，等.基于估計(jì)曲率的帶鋼邊裂檢測算法［J］.紅外與激光工程，2008，37（4）：634-637.

［2］何博俠，何勇，卜雄洙，等.及其視覺多視場協(xié)同測量方法［J］.光學(xué)精密工程，2012，20（12）：2821-2829.

［3］王小鵬，劉志華，陳天寧.透明材料微小器件鍵合質(zhì)量檢測系統(tǒng)設(shè)計(jì)［J］.光學(xué)精密工程，2013，21（1）：69-76.

［4］章煒.機(jī)器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用［J］.紅外，2006，27（2）：11-17.

［5］梁經(jīng)綸，陳家釗，莫景會，等.精密視覺印刷設(shè)備的自標(biāo)定［J］.光學(xué)精密工程，2013，21（2）：522-530.

［6］程凡永，羅海波.基于OpenCV的勻速模糊圖像復(fù)原與算法分析［J］.湖南工業(yè)大學(xué)學(xué)報(bào)，2011，25（3）：59-63.

［7］姜黎，吳偉仁，張之敬，等.微小型結(jié)構(gòu)件顯微圖像邊緣的自動識別［J］.光學(xué)精密工程，2013，21（1）：224-532.

［8］李琦，傅俊誠，李自勤，等.激光雷達(dá)含噪圖像邊緣檢測算法比較［J］.紅外與激光工程，2003，32（3）：239-243.

［9］楊少榮，吳迪靖，段德山.機(jī)器視覺算法與應(yīng)用［M］.北京：清華大學(xué)出版社，2008：249-255.

［10］牛海濤，趙勛杰.采用棋盤格模板的攝像機(jī)標(biāo)定新方法［J］.紅外與激光工程，2011，40（1）：133-137.

［11］徐鵬，汪建業(yè)，王燕儒.攝像機(jī)標(biāo)定中靶標(biāo)圓心像點(diǎn)坐標(biāo)的精確計(jì)算［J］.紅外與激光工程，2011，40（7）：1342-1346.

［12］儲珺，郭盧安政，趙貴花.采用環(huán)形模板的棋盤格角點(diǎn)檢測［J］.光學(xué)精密工程，2013，21（1）：189-196.