陳茜茜， 王曉凱， 趙曉宏

(1. 山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006； 2. 山西迪邁沃科光電工業(yè)有限公司， 山西 太原 030006)

0　引　言

隨著國(guó)防工業(yè)的快速發(fā)展及武器性能的提高， 對(duì)批量生產(chǎn)的炮彈等武器的零件參數(shù)要求越來(lái)越高[1]， 且彈芯零件的生產(chǎn)是流水線式、 產(chǎn)量高、 速度快. 而我國(guó)目前對(duì)彈芯零件采取的仍是接觸式的傳統(tǒng)檢測(cè)方法， 這種方法檢測(cè)效率低、 可靠性差， 使得結(jié)果的準(zhǔn)確性不能保證. 隨著近年來(lái)機(jī)器視覺(jué)的快速發(fā)展， 將視覺(jué)檢測(cè)技術(shù)引入工業(yè)實(shí)際生產(chǎn)檢測(cè)中， 可以實(shí)現(xiàn)對(duì)零件尺寸的高精度、 非接觸及實(shí)時(shí)在線的檢測(cè)[2,3]. 因此這種非接觸式測(cè)量法滿足了彈芯生產(chǎn)過(guò)程中的檢測(cè)節(jié)拍高速化、 數(shù)據(jù)采集實(shí)時(shí)化、 生產(chǎn)過(guò)程智能化[4]的要求， 從而保證了彈芯生產(chǎn)的質(zhì)量和數(shù)量.

本文以Halcon軟件為開發(fā)平臺(tái)， 通過(guò)亞像素級(jí)閾值分割提取出輪廓并進(jìn)行邊緣擬合， 最終實(shí)現(xiàn)對(duì)彈芯的高精度尺寸檢測(cè). 通過(guò)多次實(shí)驗(yàn)， 本文算法在某公司的彈芯尺寸檢測(cè)項(xiàng)目上得到了較好的應(yīng)用.

1　彈芯尺寸視覺(jué)檢測(cè)系統(tǒng)

視覺(jué)檢測(cè)系統(tǒng)包括圖像采集[5]、 圖像處理、 結(jié)果輸出與執(zhí)行3部分[6]. 圖像采集系統(tǒng)由一個(gè)工業(yè)面陣相機(jī)、 一個(gè)遠(yuǎn)心鏡頭及一個(gè)遠(yuǎn)心平行光源組成， 且視覺(jué)檢測(cè)系統(tǒng)的中心安裝有擺放平臺(tái)， 采用背光照明的打光方式并通過(guò)工業(yè)相機(jī)拍照來(lái)抓取彈芯上端部分的外形輪廓圖片， 由于彈芯尺寸較小且檢測(cè)精度為小于0.01 mm， 因此需選用高分辨率的相機(jī)才能對(duì)其進(jìn)行識(shí)別檢測(cè)， 該系統(tǒng)中相機(jī)選用的是1 000萬(wàn)像素分辨率的Basler面陣相機(jī)， 其型號(hào)為acA3800-10gm， 視覺(jué)檢測(cè)示意圖如圖 1 所示.

圖 1　彈芯上端部分視覺(jué)檢測(cè)示意圖Fig.1　Schematic diagram of vision inspection of bullet upper part

該系統(tǒng)的總體工作流程如圖 2 所示.

圖 2　系統(tǒng)總體工作流程圖Fig.2　The workflow diagram of the system

系統(tǒng)上電后， 系統(tǒng)的各模塊部分進(jìn)行初始化， 機(jī)械臂抓取工件放到擺放平臺(tái)上， 然后機(jī)械臂抬升到一定高度后， 會(huì)向PLC發(fā)送信號(hào)， PLC被觸發(fā)并控制相機(jī)采集彈芯零件圖像， 并送到圖像隊(duì)列中. 圖像處理軟件讀取圖像， 并對(duì)各指標(biāo)進(jìn)行檢測(cè)， 判斷其是否在精度要求范圍內(nèi)， 進(jìn)而判斷零件是OK產(chǎn)品還是NG產(chǎn)品. 最后， 將該檢測(cè)信號(hào)反饋給機(jī)械臂， 機(jī)械臂依據(jù)分揀信號(hào)將工件有序放在合格品、 殘次品分揀口處.

2　基于Halcon的亞像素級(jí)檢測(cè)算法

本文中彈芯的主要檢測(cè)參數(shù)包括： 彈芯球頭半徑、 球頭高度、 彈芯直徑， 這3個(gè)參數(shù)的標(biāo)準(zhǔn)值分別為4 mm， 5 mm， 15 mm. 其涉及的算法有： 亞像素精度閾值分割、 特征提取[7]、 邊緣分割、 亞像素邊緣擬合等， 算法的具體流程如圖 3 所示. 視覺(jué)檢測(cè)系統(tǒng)對(duì)彈芯上端部分進(jìn)行采圖， 獲得的圖像如圖 4 所示. 采集到的圖像為灰度圖像， 大小為3 840*2 748像素.

圖 3　彈芯尺寸檢測(cè)算法流程 Fig.3　Flow chart of bullet core size detection algorithm

圖 4　彈芯上端部分圖像 Fig.4　Diagram of bullet upper part

2.1　亞像素級(jí)閾值分割

工業(yè)面陣相機(jī)CCD， CMOS芯片的成像面以像素為最小單位， 相機(jī)拍攝時(shí)， 將物理世界的連續(xù)圖像進(jìn)行了離散化處理[8]， 因此這些像素所反映的只是圖像中特定鄰域內(nèi)的亮度信息， 其相鄰像素間仍存在著微米級(jí)的距離， 為了更精確地提取出圖像的有效信息并提高其分辨率， 可以將像素距離進(jìn)行區(qū)域細(xì)分， 即采用亞像素的方法來(lái)提高分辨率. 由于在實(shí)際工業(yè)檢測(cè)中， 提高硬件系統(tǒng)分辨率的成本代價(jià)很高， 因此通過(guò)軟件算法來(lái)提高圖像處理中高精度定位問(wèn)題具有非常重要的意義.

圖 5　雙線性插值法原理圖Fig.5　Schematic diagram of bilinear interpolation method

經(jīng)典的閾值分割算法[9]獲得的邊緣輪廓屬于像素級(jí)， 其提取出的邊緣呈鋸齒狀， 會(huì)對(duì)定位精度產(chǎn)生很大影響. 而亞像素級(jí)閾值分割則是通過(guò)使用雙線性插值法， 得到一系列相鄰的、 連續(xù)的采樣點(diǎn)集合， 從而實(shí)現(xiàn)了像素的細(xì)化， 這些采樣點(diǎn)的灰度值為gsub， 所以最終的邊緣輪廓就可看作用連續(xù)的邊緣函數(shù)f(r,c)與常量函數(shù)g(r,c)=gsub相交得到.

雙線性插值法的本質(zhì)即為分別對(duì)x,y方向進(jìn)行插值運(yùn)算， 如圖 5 所示， 選取插值點(diǎn)P(x,y)的4個(gè)相鄰像素點(diǎn)P11(x1,y1),P12(x1,y2),P21(x2,y1),P22(x2,y2)， 假設(shè)亮度函數(shù)在這個(gè)鄰域內(nèi)是線性的， 分別計(jì)算P(x,y)到這4個(gè)相鄰點(diǎn)的水平距離和垂直距離， 并求出不同灰度級(jí)所占的權(quán)重大小， 即可獲得插值點(diǎn)P(x,y)的灰度值， 通常距離值與權(quán)重值成反比.

函數(shù)g表示像素點(diǎn)的灰度值， 首先對(duì)x方向進(jìn)行線性插值， 可得

(1)

(2)

然后在y方向進(jìn)行線性插值， 則P(x,y)像素點(diǎn)的灰度值

(3)

將式(3)化簡(jiǎn)后可推算出

(4)

通過(guò)上述計(jì)算得到的插值點(diǎn)P(x,y)的灰度值通常為浮點(diǎn)數(shù)， 對(duì)其進(jìn)行四舍五入， 并將所有的插值點(diǎn)進(jìn)行連接， 即可得到亞像素閾值分割后的邊緣輪廓.

圖 6　亞像素級(jí)閾值分割的輪廓 Fig.6　Sub-pixel threshold segmentation contour

圖 7　亞像素邊緣局部放大圖Fig.7　Partial enlargement diagram of sub-pixel edge

根據(jù)彈芯零件的灰度值分布， 選取閾值gsub=80， 并使用雙線性插值提取亞像素邊緣， 可得到如圖 6 所示的效果圖， 其局部放大圖如圖 7 所示， 亞像素閾值分割后提取出了彈芯輪廓. 從圖 7 中可以看出， 插值后的亞像素邊緣比較平滑、 未產(chǎn)生鋸齒， 效果較為理想.

圖 8　3個(gè)檢測(cè)參數(shù)的ROI區(qū)域Fig.8　The ROI area of three test parameters

2.2　選定ROI區(qū)域

該系統(tǒng)中機(jī)械臂的選型為SCARA 4軸機(jī)械臂， 其重復(fù)運(yùn)動(dòng)精度為0.1 mm. 由于相機(jī)的安裝高度、 位置等固定不變， 因此機(jī)械臂在多次抓取零件放至擺放平臺(tái)上并進(jìn)行采圖的過(guò)程中， 零件在圖像中僅存在水平方向較小的位置偏差， 并不影響對(duì)圖像的處理， 所以可人工選定相應(yīng)的ROI區(qū)域.

Halcon中可通過(guò)算子gen_rectangle1 (ROI,Row1,Column1,Row2,Column2)來(lái)設(shè)置彈芯各檢測(cè)參數(shù)的感興趣區(qū)域(ROI區(qū)域)， 從而減少了后續(xù)處理的數(shù)據(jù)量， 并提高了圖像處理的速度. 本文3個(gè)檢測(cè)參數(shù)的ROI區(qū)域如圖 8 所示.

2.3　輪廓分割及特征提取

由圖 6 可知， 提取出的亞像素輪廓雖然是連續(xù)的， 但并非嚴(yán)格的標(biāo)準(zhǔn)圓弧或線段. 以球頭半徑參數(shù)為例， 為了更精確地?cái)M合出ROI區(qū)域中彈芯球頭所在的標(biāo)準(zhǔn)圓， 進(jìn)而求出球頭半徑， 需要對(duì)輪廓進(jìn)行分割， 并進(jìn)行若干次特征提取， 以把非彈芯的干擾輪廓去除掉. 本文采用Ramer逼近算法來(lái)分割輪廓， 假設(shè)邊緣輪廓點(diǎn)集為pi(r,c),i=1,…,n， 通過(guò)使用多邊形近似來(lái)找到輪廓點(diǎn)的一個(gè)子集pij,j=1,…,m,m≤n， 其中該多邊形的每條線段(pij,pij+1)就近似表示輪廓.

Ramer算法采用了區(qū)域分裂、 合并來(lái)實(shí)現(xiàn)遞歸逼近， 首先通過(guò)分裂操作將曲線輪廓分割成若干條線段， 即確定輪廓的起始點(diǎn)和終止點(diǎn)， 并進(jìn)行線段連接， 然后計(jì)算輪廓上所有點(diǎn)到這條線段的距離， 并求取出其距離最大值dmax， 假設(shè)所設(shè)定的距離閾值為dset， 若dmax>dset， 則在dmax所對(duì)應(yīng)輪廓點(diǎn)處， 將當(dāng)前線段分割成兩條新的線段， 以此遞歸重復(fù)， 然后采用合并操作將相鄰的兩條線段進(jìn)行合并， 直到曲線輪廓與所有逼近線段之間均滿足dmax

可使用segment_contours_xld(Border,ContoursSplit,‘lines’,5,4,2)將輪廓進(jìn)行分割， 為了從分割結(jié)果中剔除干擾邊緣， 根據(jù)檢測(cè)對(duì)象的長(zhǎng)度、 圓度等特征進(jìn)行特征提取， 使用算子select_shape_xld(ContoursSplit,SelectedContours,‘contlength’,‘a(chǎn)nd’,85,105)來(lái)獲取理想的邊緣.

2.4　擬合亞像素邊緣輪廓

使用Ramer算法將輪廓分割后， 有時(shí)會(huì)存在個(gè)別輪廓點(diǎn)稍微偏離真實(shí)位置的情況， 為了更精確地獲取到待檢參數(shù)值， 需要對(duì)輪廓進(jìn)行擬合實(shí)現(xiàn). 本文以擬合彈芯球頭的標(biāo)準(zhǔn)圓為例重點(diǎn)闡述， 擬合直線算法類似. 先用傳統(tǒng)的最小二乘法[10,11]擬合得到一個(gè)圓， 然后計(jì)算輪廓中所有點(diǎn)到該擬合圓的距離， 并根據(jù)權(quán)重函數(shù)w(δ)來(lái)確定輪廓點(diǎn)所具有的權(quán)重值， 通常距離值越小， 所具有的權(quán)重就越大.

邊緣輪廓點(diǎn)為pi(ri,ci)， 設(shè)擬合圓的半徑為ρ， 圓心坐標(biāo)為(a,b)， 則擬合圓的方程為

(ri-a)2+(ci-b)2=ρ2.

(5)

假定沒(méi)有落在擬合圓上的輪廓點(diǎn)的誤差為ε， 為了使誤差值始終為正， 使用誤差平方和來(lái)表示

(6)

根據(jù)最小二乘法原理， 求取誤差平方和最小時(shí)的各參數(shù)值， 其中Ω表示邊緣輪廓的像素點(diǎn)集， 即

(7)

但是由于采用平方距離， 最小二乘擬合算法對(duì)于大的離群點(diǎn)魯棒性差， 且這些離群點(diǎn)的權(quán)重ω(δ)很大[12]. 因此， 為了減少這些離群點(diǎn)的影響， 使擬合的效果達(dá)到最好， 合理定義權(quán)重ω(δ)就非常重要， 本文采用Tukey權(quán)重函數(shù)， 其定義為

(8)

圖 9　球頭半徑ROI區(qū)域的擬合圓Fig.9　Fitting circle of the ROI area of the ball head radius

式中：δ是各輪廓點(diǎn)到擬合圓的距離;τ是削波因數(shù)， 此權(quán)重函數(shù)將距離δ>τ的點(diǎn)視為離群點(diǎn)并完全忽略， 而對(duì)于距離δ≤τ的點(diǎn)， 其權(quán)重值在0～1之間變化.

Halcon中算子fit_circle_contour_xld(Border,‘a(chǎn)tukey’, -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)將部分圓弧線段擬合成圓， 其中第7個(gè)參數(shù)ClippingFactor=2， 該參數(shù)即為削波因數(shù)， 其值越小， 檢測(cè)到的離群點(diǎn)則越多， 該算子返回?cái)M合圓的相關(guān)參數(shù)， 其中半徑Radius即為彈芯球頭半徑. 球頭高度及彈芯直徑的檢測(cè)與球頭半徑的檢測(cè)原理類似， 這里不再贅述. 對(duì)這3個(gè)參數(shù)ROI區(qū)域的輪廓進(jìn)行擬合， 其擬合結(jié)果如圖 9～圖 11 所示. 可見擬合后的亞像素邊緣輪廓.

圖 10　球頭高度ROI區(qū)域的擬合直線 Fig.10　Fitting line of the ROI area of the ball height

圖 11　彈芯直徑ROI區(qū)域的擬合直線Fig.11　Fitting line of the ROI area of the bullet diameter

3　實(shí)驗(yàn)結(jié)果與分析

經(jīng)過(guò)圖像處理后的彈芯尺寸是以像素為單位的， 其像素尺寸測(cè)量結(jié)果如表 1 所示.

表 1　彈芯各參數(shù)測(cè)量結(jié)果

由于遠(yuǎn)心鏡頭具有極佳遠(yuǎn)心度、 超低畸變等特點(diǎn)， 使得物體成像比工業(yè)普通相機(jī)更加準(zhǔn)確， 其畸變一般都小于0.1%， 因此可忽略畸變系數(shù)的影響. 為了獲得實(shí)際物理尺寸和像素值之間的轉(zhuǎn)換關(guān)系[13,14]， 即標(biāo)定系數(shù)K， 選取標(biāo)準(zhǔn)彈芯來(lái)對(duì)系統(tǒng)進(jìn)行標(biāo)定， 其計(jì)算步驟如下：

1) 已知標(biāo)準(zhǔn)彈芯的彈芯直徑為

dmm=15.0 mm.

(9)

2) 保證光源、 相機(jī)等硬件系統(tǒng)環(huán)境始終不變， 利用本文算法得到該標(biāo)準(zhǔn)彈芯的彈芯直徑像素尺寸

dpixel=1 594.049.

(10)

3) 計(jì)算標(biāo)定系數(shù)

(11)

確定K值后， 即可得到彈芯各參數(shù)實(shí)際物理尺寸值， 隨機(jī)選取多個(gè)彈芯零件利用本文算法進(jìn)行測(cè)量， 以10組檢測(cè)結(jié)果為例， 其測(cè)量結(jié)果如表 2 所示.

表 2　彈芯各參數(shù)物理尺寸測(cè)量結(jié)果

由表 2 中的數(shù)據(jù)可知： 測(cè)量結(jié)果的平均值很接近其標(biāo)準(zhǔn)值， 且其值與標(biāo)準(zhǔn)值的偏差均小于0.01 mm， 達(dá)到了檢測(cè)精度要求. 從上述的實(shí)驗(yàn)分析， 可以得出本文算法能夠滿足彈芯尺寸的在線檢測(cè)， 該方法檢測(cè)精度高、 效率快.

4　結(jié)束語(yǔ)

本文以Halcon軟件為平臺(tái)， 設(shè)計(jì)了一種準(zhǔn)確、 高效計(jì)算彈芯亞像素級(jí)尺寸的算法， 該算法通過(guò)軟件實(shí)現(xiàn)了彈芯亞像素級(jí)輪廓的確定， 通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)， 其檢測(cè)結(jié)果值與標(biāo)準(zhǔn)值的偏差小于0.01mm， 達(dá)到了檢測(cè)精度要求， 實(shí)驗(yàn)結(jié)果表明可以滿足檢測(cè)過(guò)程對(duì)穩(wěn)定性、 準(zhǔn)確性的要求. 而彈芯零件的其他檢測(cè)參數(shù)如體積、 缺陷等對(duì)其批量生產(chǎn)也產(chǎn)生很大的影響， 這將是筆者對(duì)彈芯零件檢測(cè)的下一步研究方向.

參考文獻(xiàn)：

[1]李紅鋼. 基于機(jī)器視覺(jué)的某型藥筒零件難測(cè)量尺寸測(cè)量系統(tǒng)研究[D]. 太原： 中北大學(xué), 2014.

[2]陳藝峰. Halcon在工件二維尺寸檢測(cè)上的應(yīng)用[J]. 機(jī)電技術(shù), 2011, 34(4)： 12-13.

Chen Yifeng. The application of Halcon in the dime-nsion detection of workpiece[J]. Mechanical & Electrical Technology, 2011, 34(4)： 12-13. (in Chinese)

[3]師雪超, 孫振忠, 盧盛林, 等. 基于機(jī)器視覺(jué)的弧形件檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用, 2010, 30(7)： 1841-1843.

Shi Xuechao, Sun Zhenzhong, Lu Shenglin, et al. Inspection algorithm of arc-parts based on machine vision[J]. Journal of Computer Applications, 2010, 30(7)： 1841-1843. (in Chinese)

[4]陳云. 基于機(jī)器視覺(jué)的SMD管腳尺寸檢測(cè)[D]. 上海： 上海交通大學(xué), 2011.

[5]Rafael C G, Richard E W. 數(shù)字圖像處理[M]. 阮秋琦, 阮宇智, 譯. 第3版. 北京： 電子工業(yè)出版社, 2007.

[6]唐松, 楊其華, 劉剛海. 基于Halcon的閥芯尺寸亞像素級(jí)測(cè)量[J]. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(3)： 237-241.

Tang Song, Yang Qihua, LIU Ganghai. Valve core size sub-pixel measurement based on Halcon[J]. Computer Engineering and Applications, 2017, 53(3)： 237-241. (in Chinese)

[7]關(guān)波, 王俊元, 杜文華, 等. 刀具輪廓亞像素精度閾值分割算法研究[J]. 圖學(xué)學(xué)報(bào), 2014, 35(6)： 950-953.

Guan Bo, Wang Junyuan, Du Wenhua, et al. Research on sub-pixel precise thresholding for tool contour extraction[J]. Journal of Graphics, 2014, 35(6)： 950-953. (in Chinese)

[8]Milan S, Vaclav H, Roger B. 圖像處理、 分析與機(jī)器視覺(jué)[M]. 艾海舟, 蘇延超, 譯. 第3版. 北京： 清華大學(xué)出版社, 2011.

[9]Carsten S, Markus U, Christian W. 機(jī)器視覺(jué)算法與應(yīng)用[M]. 楊少榮, 吳迪靖, 段德山, 譯. 北京： 清華大學(xué)出版社, 2008.

[10]張艷莉. 基于最小二乘法擬合直線的研究[J]. 信息通信, 2014(11)： 44-45.

Zhang Yanli. Study on curve fitting based on least square method[J]. Information & Communications, 2014(11)： 44-45. (in Chinese)

[11]Lopez-Molina C, Baets B D, Bustince H, et al. Multiscale edge detection based on Gaussian smoothing and edge tracking[J]. Knowledge-Based Systems, 2013, 44(1)： 101-111.

[12]張寶峰, 王明躍, 朱均超. 一種零件圖像亞像素邊緣檢測(cè)算法[J]. 計(jì)算機(jī)仿真, 2014, 31(2)： 288-292.

Zhang Baofeng, Wang Mingyue, Zhu Junchao. Edge detection algorithm of parts image sub-pixel[J]. Computer Simulation, 2014, 31(2)： 288-292. (in Chinese)

[13]王健, 曾光宇. 基于單幅圖像的攝像機(jī)標(biāo)定[J]. 微計(jì)算機(jī)信息, 2010, 26(19)： 215-216.

Wang Jian, Zeng Guangyu. Camera calibration based on single image[J]. Microcomputer Information, 2010, 26(19)： 215-216. (in Chinese)

[14]Heikkila T, Sallinen M, Matsushita T, et al. Flexible hand-eye calibration for multi-camera systems [C]. Proceeding of 2000 IEEE/RSJ International Conference on Intelligent Robots and Systems. Takamatsu： IEEE, 2000： 2292-2297.