王富良，袁 豹，劉會霞，王 霄

（1.江蘇大學 工業(yè)中心，鎮(zhèn)江 212013；2.江蘇大學 機械工程學院，鎮(zhèn)江 212013）

0 引言

共軌噴油嘴針閥偶件是柴油機燃油噴射系統(tǒng)的三大精密偶件之一[1]，在工業(yè)大馬力柴油發(fā)動機以及輕型客、轎車柴油發(fā)動機上均有使用，是保證柴油發(fā)動機燃油噴射系統(tǒng)穩(wěn)定運行的關(guān)鍵部件之一，其精度要求高、產(chǎn)量大，相應地測量精度、檢測效率等要求也隨之提高。其中，針閥尾部有多個參數(shù)需要檢測，如圖1所示。

本文結(jié)合共軌針閥零件圖像輪廓特點，設(shè)計了機器視覺系統(tǒng)，實現(xiàn)一次性多參數(shù)快速測量。

1 硬件系統(tǒng)設(shè)計

本文的光學硬件系統(tǒng)由智能工業(yè)相機、雙側(cè)遠心鏡頭、平面紅色照明光源等主要部件構(gòu)成，系統(tǒng)采用背光法成像。執(zhí)行機構(gòu)包括上料及輸送機構(gòu)，定位及分揀機構(gòu)，用來進行針閥零件的上料輸送及下料分揀，同時視覺測量機構(gòu)進行圖像采集與處理分析，獲得測量的尺寸參數(shù)，隨后判斷并剔除不合格產(chǎn)品，最終將數(shù)據(jù)與圖像傳輸?shù)斤@示設(shè)備。實物如圖2所示。

圖2 系統(tǒng)樣機

2 圖像處理及測量算法實現(xiàn)

2.1 圖像處理

2.1.1 圖像濾波降噪

1）濾波基礎(chǔ)算法選擇

目前常用的濾波方式分為線性濾波和非線性濾波，線性濾波包括方框濾波、均值濾波以及高斯濾波；非線性濾波主要有中值濾波、雙邊濾波。通過理論分析[2]，這里選取比較優(yōu)秀穩(wěn)定的線性高斯濾波和非線性中值濾波進行噪聲濾除實驗。運用這兩種濾波函數(shù)對其分別進行實驗操作，結(jié)果如表1所示。由表可以看出，對于均值和方差分別為30、20、10的高斯噪聲，高斯濾波和中值濾波效果表現(xiàn)相當，但在圖像輪廓邊緣方面，中值濾波較高斯濾波更優(yōu)；對于雙極脈沖，在暗極噪聲和亮極噪聲分別為0.02、0.01、0.005的濾波表現(xiàn)中，高斯濾波表現(xiàn)不佳，中值濾波相當優(yōu)秀，基本能完成噪聲的全部濾除；在同時含有高斯噪聲和椒鹽噪聲的圖片中仍舊是中值濾波表現(xiàn)出色，高斯濾波僅完成部分噪聲濾除，并且高斯濾波使得圖片變暗，邊緣模糊。

表1 高斯濾波與中值濾波對比實驗

續(xù)（表1）

綜上，本文選取計算簡單、耗時短、魯棒性均較好的中值濾波函數(shù)作為圖片噪聲濾除方式。實際上，不管何種濾波均會一定程度上損失目標邊緣，所以在目標強化和噪聲濾除上需要達到一個平衡，這就需要合適的濾波閾值。

2）基于中值濾波的小區(qū)域濾波算法實驗

對于濾波函數(shù)，其耗時較長，因為其需要遍歷所有像素點，造成圖像處理緩慢，本文采用了基于中值濾波的小區(qū)域濾波方法，并將此方法和全局濾波做實驗對比。所謂小區(qū)域，即根據(jù)目標特征，采用邊界限定的方式，將待滑動區(qū)域范圍選定，然后用中值濾波函數(shù)遍歷像素點，濾除噪聲。圖3和圖4分別為共軌針閥尾部小區(qū)域和全局濾波。通過計算兩種濾波時間得到表2所示數(shù)據(jù)，共測試20幅圖像得到20組時間數(shù)據(jù)。由表2可見，小區(qū)域濾波方式耗時極短，相比較全局濾波，有明顯優(yōu)勢。

圖3 共軌針閥尾部小區(qū)域中值濾波

圖4 共軌針閥尾部全局中值濾波

表2 小區(qū)域與全局中值濾波耗時對比

2.1.2 圖像邊緣檢測

1）邊緣檢測基礎(chǔ)算法選擇

一階邊緣檢測算法包括梯度檢測算子、Robert檢測算子、Sobel檢測算子、Prewitt檢測算子以及Canny檢測算子；二階微分邊緣檢測算法主要有Laplacian算子、LOG算子。上述各種算子均各有優(yōu)缺點，適用場合也各有不同，為了研究以上各種邊緣檢測算子在本系統(tǒng)平臺的效果，做如下對比實驗，在進行中值濾波后，對其進行邊緣檢測，結(jié)果如圖5～圖12所示。

圖5 共軌針閥尾部待測區(qū)域原圖

圖6 梯度邊緣檢測實驗結(jié)果

圖7 Robert邊緣檢測實驗結(jié)果

圖8 Sobel邊緣檢測實驗結(jié)果

圖9 Prewitt邊緣檢測實驗結(jié)果

圖10 Canny邊緣檢測實驗結(jié)果

從圖中可見，僅使用梯度的算法處理，效果最差，尋找到的邊緣為離散點，邊緣極不清晰。而Robert、Sobel和Prewitt算法三者效果相當，均比Canny、Laplacian和LOG算法要好。從算法來看，Robert是2×2模板，抗噪能力差；Prewitt和Sobel是3×3模板，Sobel在斜坡邊緣的檢測能力和噪聲敏感性上要比Robert好，且Prewitt檢測到的邊緣點數(shù)量較多，所以輪廓邊界顯示相比Sobel要粗，引起的誤差會更大，將會影響后期邊緣連接?；谝陨戏治?，本文選用各項效果均較好的Sobel算子作為基礎(chǔ)算法來對共軌針閥尾部輪廓的邊緣檢測。

圖11 Laplacian邊緣檢測實驗結(jié)果

圖12 LOG邊緣檢測實驗結(jié)果

2）基于Sobel的小區(qū)域定向搜索邊緣檢測算法

在圖像的邊緣搜索方面，很多國內(nèi)外學者都做了大量研究，而大多數(shù)均是對整幅圖像或整個RIO區(qū)域進行的不同方向的全數(shù)搜索，具有耗時久、穩(wěn)定性低、針對性不強等弊端。針對這些弊端，本文引入了基于Sobel算子的小區(qū)域定向搜索邊緣檢測的方法，具體流程如圖15所示。該方法首先在目標成像的基礎(chǔ)上，對RIO區(qū)域進行估計，假使目標邊界在一定范圍內(nèi)波動，則定義搜索范圍，范圍越小，計算越快、越準確；然而過小的搜索范圍會造成搜索不全面，不能適應目標波動，同時降低后期邊緣擬合的準確性。其次，在小區(qū)域選定之后，根據(jù)目標輪廓形狀，定義邊緣的搜索方向，并且設(shè)定閾值搜索的范圍和順序，圖14為直徑邊緣搜索示圖，同樣方法可用于倒角邊緣的尋找。實驗證明基于Sobel的小區(qū)域定向邊緣檢測算法具有快速、穩(wěn)定、準確等優(yōu)點。

3）基于Sobel的小區(qū)域邊緣特征點跟蹤算法

圖13 小區(qū)域定向搜索邊緣過程

圖14 共軌針閥尾部直徑邊緣定向搜索示圖

在共軌針閥尾部的小凸起最低點定位方面，本文采用了基于Sobel的小區(qū)域邊緣特征點跟蹤算法，目的是識別檢測出尾部小凸起的邊緣輪廓，從而提取出凸起的邊緣點，最終定位凸起的最低點。該方法很好地克服了采用兩直線相交求交點，因直線擬合不準而造成相交點不準的弊端，并且使用插值計算來進行相鄰像素間點的定位，將誤差進一步縮小，完成對凸起的邊緣最低點的準確定位。具體步驟如圖15所示。搜索結(jié)果如圖16所示，從圖16中不難看出，該方法在邊緣的處理上，準確而快速，對特定點的尋找非常合適。

圖15 小區(qū)域特征點跟蹤過程

圖16 共軌針閥尾部凸起特征點跟蹤示圖

2.1.3 亞像素定位及邊緣擬合算法分析

在視覺技術(shù)作測量應用的系統(tǒng)中，常采用亞像素來提高圖的像分辨率[3]。

目前常用的亞像素定位方法有矩方法、插值法和擬合法，擬合法由于其很好地考慮了像素灰度值及對灰度值誤差的總體估計，使得邊緣定位更加準確，所以本文采用最小二乘法對目標邊緣輪廓進行提取。但是，假如誤差不是正態(tài)分布，那么最小二乘法并不是最佳的亞像素線性擬合方法。這里引入基于穩(wěn)健線性回歸的直線擬合，具體實現(xiàn)步驟如下。

假設(shè)線性模型中有n個數(shù)據(jù)點和p個參數(shù)，則：

從n個數(shù)據(jù)點集合中隨機選取p個點；

計算模型與p點的擬合度；

計算殘差平方的中位權(quán)重。

不斷地重復上述過程，直到找到合適的足夠小的帶有中位權(quán)重的平方殘差或者達到一定次數(shù)的重采樣步驟。具體采樣實例如圖17所示，圖中每個方格為一個像素，方格中的數(shù)值表示該點像素的灰度值，該法濾除了異常點，實現(xiàn)了穩(wěn)健的亞像素邊緣擬合。

圖17 基于穩(wěn)健線性回歸的輪廓邊緣直線擬合結(jié)果

2.2 幾何尺寸參數(shù)測量方法分析

本文系統(tǒng)研究共軌針閥零件的尾部參數(shù)測定，包括針閥尾部大外圓直徑、尾部大外圓倒角及尾端凸起點的高度距離。需要注意的是所測得的方程與尺寸均是基于像素值，所以需要標定來轉(zhuǎn)換為物理尺寸。

2.2.1 像素當量標定

由于本文測量系統(tǒng)，選擇的是畸變較小的遠心鏡頭，且進行了相關(guān)畸變矯正。理論上，前文對于鏡頭及相機的校正與標定，是能夠計算得到待測零件的物理尺寸的。但對于高精度測量，此方式仍有諸多問題。首先，經(jīng)過校正和標定的鏡頭畸變和相機模型參數(shù)是由估算所得，并不是一個完全準確的值；其次，校正及標定相對于實際測量，很難取得與實際測量時測量點在真實測量系統(tǒng)中的精確坐標?；谝陨显颍疚牟捎脴藴使ぜM行像素當量的標定，過程簡單，且精度及穩(wěn)定性能夠得到很好的保證。具體標定過程如下：

1）標定物選?。哼x取被測目標針閥零件的一個標準樣件作為標定工件，已知其大外圓直徑尺寸數(shù)值：D：3.544002mm；

2）將標定工件放置于測量系統(tǒng)上，打開測量系統(tǒng)，確保相機參數(shù)、狀態(tài)、及光源等處于之前已標定的穩(wěn)定狀態(tài)，圖像成像清晰；

3）采集圖像，運用已編輯的算法，進行針閥大外圓邊緣搜索，提取大外圓邊緣輪廓信息，求取針閥大外圓直徑Lpixel，所得數(shù)值是以像素為單位的值；

4）計算所測得像素直徑與已知標準直徑的比值，記為k，公式如下：

為了像素當量標定的精確性，本文采用均值效應的方法，進行多次重復標定（10次），取其平均值，標定結(jié)果如表3所示。

表3 物理當量標定數(shù)據(jù)

基于上面標定結(jié)果，k值取0.002260777。

2.2.2 直徑參數(shù)測量方法分析

由于系統(tǒng)所測目標零件為無心外圓磨床加工，在圓度、同軸度方面精度極好，且由于針閥長度限制，不宜采用擬合外圓來進行直徑測量，所以本系統(tǒng)根據(jù)針閥輪廓及加工工藝特點，采用求針閥外圓柱兩側(cè)邊緣，計算兩側(cè)邊緣距離來表示外圓直徑的方法[4]。

圖18 直徑參數(shù)求取結(jié)果圖

理論上，求取點線距離越多，平均值越可靠，這也是均值效應的原理，但是對于此處的直徑檢測，實驗得到的卻恰恰相反，如圖19和圖20所示，分別為采用1組點線距離均值所計算的直徑像素值和3組點線距離所測均值的像素值，重復測得30組數(shù)據(jù)點，得到折線圖21。從圖中不難看出，小區(qū)域分的越多，計算得到的點線距離越多，但均值卻有很大波動，這是因為愈小的區(qū)域，邊緣檢測點越少，每次定位都存在偏差，即擬合所得的直線也相應變化，獲得結(jié)果就產(chǎn)生相應波動，所以，本文采用兩框小區(qū)域，使得邊緣檢測離散點更多更密，則擬合直線魯棒性就越好，獲得的結(jié)果越穩(wěn)定準確。

圖19 單組法

圖20 多組均值法

2.2.3 角度參數(shù)測量方法分析

本測量系統(tǒng)，同樣對針閥尾部大外圓倒角有測量需求。角度的測量仍然離不開直線的擬合，由于是求倒角，那么可以轉(zhuǎn)換為求兩直線相交成角問題，如圖22所示。直線1與直線3的夾角即為所求。

圖21 單組與多組實驗數(shù)據(jù)對比

圖22 角度參數(shù)求取示意圖

2.2.4 點到直線距離參數(shù)測量方法分析

根據(jù)針閥圖紙，尾部有一錐形凸起，該凸起頂點至倒角的上邊緣角點距離有尺寸要求。根據(jù)前文所述，錐形凸起頂點可由小區(qū)域邊緣檢測所定位，而倒角上邊緣可由直線相交得到交點，然后由圓柱兩邊所求的兩個交點連線所得。如圖23所示。

圖23 距離參數(shù)求取示意圖

【】【】

3 實驗結(jié)果與分析

本文針對三個待測特征尺寸進行實驗驗證：選取已知尺寸的針閥零件，進行10次測量，驗證結(jié)果如表4所示，數(shù)據(jù)表明，變量差在允許公差范圍以內(nèi)。從實驗結(jié)果可以看出，機器視覺尺寸測量的精度完全可以滿足現(xiàn)有產(chǎn)品的測量精度要求，并且基于機器視覺的尺寸檢測技術(shù)，可以大大提高產(chǎn)品的精度要求，在允許公差范圍內(nèi)達到了10倍的測量精度。

表4 標定結(jié)果驗證

4 結(jié)束語

1）完成系統(tǒng)硬件選型與總體結(jié)構(gòu)設(shè)計。在確定背光法成像方案后，深入而全面地研究視覺系統(tǒng)相機、鏡頭、光源等選型與應用條件，合理地進行匹配，達到了較好的實驗效果。

2）基于機器視覺圖像處理的算法流程，完成共軌針閥零件尺寸測量的圖像算法設(shè)計。具體包括濾波降噪、邊緣檢測、亞像素定位與擬合；在降噪方面，通過濾波對比實驗，選擇中值濾波算子，引入了基于中值濾波的小區(qū)域濾波算法，大大縮短了濾波時間；在邊緣檢測方面，通過對比實驗，引入基于Sobel的小區(qū)域定向搜索的邊緣檢測算法，提高了邊緣定位效率，并采用小區(qū)域邊緣特征點跟蹤方法，基于學習訓練邏輯，完成目標特征點定位；在邊緣亞像素定位和擬合方面，引入基于穩(wěn)健線性回歸直線擬合方式，在特定小區(qū)域下完成高精度輪廓擬合，并完成直徑、角度、距離的多參數(shù)同時計算。

3）完成相機系統(tǒng)與物理像素當量標定，并進行實驗驗證，結(jié)果表明，變量差在允許公差范圍以內(nèi)，且在允許公差范圍內(nèi)達到了10倍的測量精度，可以滿足現(xiàn)有產(chǎn)品的測量精度要求。

[1]于善虎,龔堤,葉鳴,等.柴油機噴油器針閥密封錐面磨損試驗研究[J].潤滑與密封,2016,(2):112-115.

[2]周金麗.口服液中可見異物的機器視覺檢測系統(tǒng)研究[D].湖南大學,2012.

[3]張美靜.亞像素邊緣檢測技術(shù)研究[D].沈陽理工大學,2013.

[4]柳革命,劉鵬.基于機器視覺的彈殼多尺寸測量[J].工業(yè)控制計算機,2016,29(4):60-61.