邢佳榮，張京軍，高瑞貞

（河北工程大學(xué) 信息與電氣工程學(xué)院，邯鄲056038）

在競(jìng)爭激烈的全球市場(chǎng)中，可靠而有效的產(chǎn)品質(zhì)量評(píng)估是保持高標(biāo)準(zhǔn)并最終確保成功的關(guān)鍵。 使用基于機(jī)器視覺和人工智能技術(shù)的自動(dòng)評(píng)分系統(tǒng)，可以保證更連貫的質(zhì)量標(biāo)準(zhǔn)，更好的重現(xiàn)性和更可靠的產(chǎn)品記錄[1]。

通常由加工工業(yè)執(zhí)行的2 種主要類型的檢查成品檢查和在線檢查。 這2 種檢測(cè)實(shí)踐的主要區(qū)別在于，對(duì)于完成產(chǎn)品檢驗(yàn)是指在工作加工過程結(jié)束后在進(jìn)行檢測(cè)。 另一方面，對(duì)于在線檢查是指在生產(chǎn)現(xiàn)場(chǎng)進(jìn)行測(cè)量[2-3]。 在線檢測(cè)和現(xiàn)場(chǎng)測(cè)量相比，現(xiàn)場(chǎng)檢測(cè)過程測(cè)量是一個(gè)耗時(shí)的過程和需要特定的檢查區(qū)域[4]。 在線檢測(cè)的主要好處是在制造過程的早期階段就可以檢測(cè)到超出公差的產(chǎn)品。 這意味著可以防止超出公差的產(chǎn)品進(jìn)一步加工，處理，裝配等，從而減少返工和廢料[5]。 此外，有關(guān)偏離目標(biāo)值的信息可以反饋的過程[6-7]。

本文提出了一種機(jī)器視覺系統(tǒng)，用于螺母和鋼卡頭缺陷。 設(shè)計(jì)了一種新穎的照明和圖像采集系統(tǒng)，以增強(qiáng)缺陷外觀并獲得受控環(huán)境。 然后，提出或利用一系列圖像處理方法來檢查螺母上的缺陷。 并提出了一種基于該規(guī)則的簡單而有效的檢測(cè)算法。所提出的系統(tǒng)能夠檢查螺母是否再圓心一些缺陷。

1 系統(tǒng)裝置

過去， 由于設(shè)備費(fèi)用和圖像分辨率的限制，機(jī)器視覺技術(shù)并未在工業(yè)中得到廣泛應(yīng)用。 通過持續(xù)改進(jìn)，該技術(shù)日趨成熟。 近年來，隨著PC 功能越來越強(qiáng)大，并且CCD 系統(tǒng)的分辨率得到提高，機(jī)器視覺系統(tǒng)已在許多應(yīng)用中得到廣泛應(yīng)用[8]。 攝像機(jī)和光源的選擇放置是創(chuàng)建成功視覺系統(tǒng)的最重要步驟之一。 因?yàn)楂@得高質(zhì)量的圖像可以大大簡化視覺算法并提高其可靠性[9]。

系統(tǒng)的動(dòng)力部件主要由軸承、固定中心、皮帶和齒輪組成，并由直流電機(jī)驅(qū)動(dòng)。 固定中心的作用是在兩端支承凸輪軸。 基本視覺系統(tǒng)由CCD 攝像機(jī)、圖像處理軟件、圖像處理算法、圖像處理板和計(jì)算機(jī)組成。 采用背光技術(shù)，獲得零件外部輪廓清晰清晰的圖像。 背光產(chǎn)生即時(shí)的對(duì)比，因?yàn)樗诿髁恋谋尘跋聞?chuàng)建黑暗的輪廓。電機(jī)和CCD 攝像機(jī)通過插入計(jì)算機(jī)PC 主機(jī)總線的2 張卡與計(jì)算機(jī)接口。其中一張卡是連接到直流電機(jī)的接口卡，用來控制凸輪軸的旋轉(zhuǎn)運(yùn)動(dòng)。 另一種接口卡是幀采集卡，其中視覺系統(tǒng)的CCD 攝像機(jī)連接到卡上可用的通道。為了獲得恒定增量角度的圖像，電機(jī)與旋轉(zhuǎn)編碼器耦合。 控制電機(jī)轉(zhuǎn)速，實(shí)現(xiàn)軸的穩(wěn)定旋轉(zhuǎn)運(yùn)動(dòng)，獲得更好的圖像采集效果。 圖1 為非接觸式產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)的系統(tǒng)標(biāo)定圖。

2 檢測(cè)方法

圖1 系統(tǒng)標(biāo)定圖Fig.1 System calibration diagram

將被測(cè)工件放置于機(jī)械載物臺(tái)的傳送帶上，在運(yùn)動(dòng)控制機(jī)構(gòu)的控制下以一定的速度運(yùn)送至圖像傳感器即工業(yè)相機(jī)下。 在光源的照射下，被測(cè)工件將成像于工業(yè)相機(jī)，相機(jī)再將數(shù)字圖像數(shù)據(jù)傳送給圖像處理器PC 機(jī)顯示和處理， 計(jì)算出待檢測(cè)工件是否合格，最后將標(biāo)準(zhǔn)工件尺寸與檢測(cè)的計(jì)算結(jié)果進(jìn)行比較，來判定是否符合標(biāo)準(zhǔn)，再通過運(yùn)動(dòng)控制機(jī)構(gòu)將被測(cè)工件進(jìn)行篩選。 工作流程如圖2 所示。

圖2 系統(tǒng)工作流程圖Fig.2 System implementation work flow chart

2.1 圖像獲取

要構(gòu)建機(jī)器視覺測(cè)量系統(tǒng)，攝像機(jī)圖像平面應(yīng)與待測(cè)工件平面平行。 如果攝像機(jī)不符合這些要求或者徑向失真較大，則必須校準(zhǔn)攝像機(jī)并應(yīng)調(diào)整圖像。通過讀取圖像讀取相機(jī)捕獲的工件圖像，如圖3所示。

圖3 現(xiàn)場(chǎng)采集的工件圖像Fig.3 Image of work piece collected on site

2.2 工件圖像的灰度處理

在工件處理過程中我們將RGB 圖像轉(zhuǎn)化成灰度圖像的過程稱為圖像的灰度化。 通過相機(jī)獲取的工件圖像通常是RGB 圖像， 確定每個(gè)像素灰度R、G、B 三個(gè)分量。 從輸入數(shù)據(jù)到PC 機(jī)是彩色圖像，彩色圖像的信息量比較大導(dǎo)致一些圖像處理算法中彩色圖像難度比較大。 R=G=B 為灰度圖像，灰度圖像的每個(gè)像素點(diǎn)只需要一個(gè)分量表示，它需要的計(jì)算和內(nèi)存都會(huì)減少。

本文采用加權(quán)平均法進(jìn)行灰度處理。 加權(quán)平均法就是人眼對(duì)紅綠藍(lán)三種基色的敏感度程度不一樣，即對(duì)其進(jìn)行加權(quán)，從而得到較合理的灰度圖像。

圖4 顯示了對(duì)原始工件圖像灰度化后的效果。

圖4 圖像灰度化效果Fig.4 Image grayscale rendering

通過圖像我們發(fā)現(xiàn)，跟原圖像相比較變化后的圖像灰度圖不含色彩信息，故灰度化之后的圖像所含信息量大大減少，圖像處理計(jì)算量也相應(yīng)大幅減少，更方便后續(xù)計(jì)算。

2.3 工件圖像的平滑去噪

與其他信號(hào)處理介質(zhì)一樣，視覺系統(tǒng)也含有噪聲。 其中一些噪音是系統(tǒng)性的，可能來自鏡頭表面的塵土、 有缺陷的電子元件和有缺陷的存儲(chǔ)芯片。還有一些其他的隨機(jī)噪聲，是由環(huán)境影響或照明不良引起的。 灰度化后的圖像是一個(gè)損壞的圖像，需要預(yù)處理，以減少或消除噪聲。 此外，由于凸輪軸的振動(dòng)和偏心，有時(shí)圖像質(zhì)量不高；因此，在對(duì)它們進(jìn)行其他分析之前，必須對(duì)它們進(jìn)行處理和改進(jìn)。 總之，圖像處理的目的是對(duì)圖像進(jìn)行處理使結(jié)果更適合于標(biāo)定特征的結(jié)果，然后提取特征輪廓。 為了減少某些噪聲成分，特別是由于檢查區(qū)域的照明分布不均，采用了平場(chǎng)校正法。 凸輪軸圖像中的隨機(jī)斑點(diǎn)也可以看作是噪聲，是高頻分量，因?yàn)橄噜徬袼氐南袼刂底兓浅？臁?這種噪音可能來自電氣部件或檢查區(qū)域的灰塵和污物。 因此，為了消除噪聲，在平面校正操作后采用了低通濾波器。

本文采用中值濾波進(jìn)行平滑去噪，中值濾波本質(zhì)上是一種統(tǒng)計(jì)排序?yàn)V波器，是一種非線性的濾波方式。 他對(duì)隨機(jī)噪音的影響有一個(gè)非常好的降噪效果，尤其應(yīng)用于椒鹽去噪。

它的基本思想是用鄰域內(nèi)的中值代替灰度相差較大的像素[10]。 設(shè)一組數(shù)據(jù)行｛x1，x2，x3，…xn｝，輸出用y 表示。對(duì)該序列按升序或降序排列，得到｛x（1），x（2），x（3），…x（n）｝，則有

式中：Med 表示對(duì)數(shù)據(jù)樣本取中值。

在二維圖像中，設(shè)｛xmn，（m，n）∈I2｝表示灰度，用窗口對(duì)圖像進(jìn)行二維中值濾波后的結(jié)果h（m，n）為

該方法使用給定結(jié)構(gòu)的二維滑塊模版根據(jù)像素值大小對(duì)面板上的像素進(jìn)行大小排序，并生成增加或減少數(shù)據(jù)單調(diào)的二維序列。 實(shí)驗(yàn)結(jié)果及分析如圖5 所示。

圖5 中值濾波效果Fig.5 Median filtering effect diagram

由圖可見，中值濾波算法非常有效地抑制噪聲的同時(shí)仍較為完整地保留了原始圖像的邊緣特征。

2.4 直方圖處理

2.4.1 直方圖

圖像的灰度直方圖就是一幅圖像灰度分布情況的統(tǒng)計(jì)表，它概括了一幅圖的灰度級(jí)內(nèi)容，是反映一幅圖像中出現(xiàn)某灰度值的次數(shù)與灰度級(jí)之間的關(guān)系的圖形。 如圖6（b）所示的灰度直方圖中，橫坐標(biāo)軸的范圍為0 到255 表示圖像的灰度值，縱坐標(biāo)表示該圖像中某灰度級(jí)出現(xiàn)的概率。圖6（b）是一幅螺母圖像的直方圖。

圖6 螺母灰度圖和直方圖Fig.6 Nut grayscale and histogram

2.4.2 直方圖均衡化

直方圖均衡化算法由于其簡單、 高效的特點(diǎn)，已經(jīng)成為傳統(tǒng)的圖像增強(qiáng)算法。 圖像直方圖均衡化是原圖像經(jīng)過某種變化， 得到灰度圖像直方圖，以獲得變化均勻圖像。 基于概率論，直方圖均衡算法利用灰度運(yùn)算實(shí)現(xiàn)圖像中像素的灰度映射，并將直方圖轉(zhuǎn)換為均勻，平滑，灰度級(jí)清晰的直方圖，從而達(dá)到圖像增強(qiáng)的目的。 假設(shè)原始圖像中像素的灰度值為r（0≤r≤1），其概率密度為p（r），增強(qiáng)圖像中像素的灰度值為s（0≤s≤1）及其概率密度是p（s），映射函數(shù)是s=T（r）。 根據(jù)直方圖的物理意義，很明顯均衡直方圖上的每個(gè)條都具有相同的高度。

設(shè)r 表示圖像中像素的灰度級(jí)， 可以用概率密度函數(shù)Pr（rk）表示原始圖像的灰度分布。 則Pr（rk）=nk/N

圖7 螺母直方圖均衡化效果Fig.7 Effect of nut histogram equalization

圖8為直方圖均衡化前后直方圖的比較。

從圖6（a）和6（b）可以清楚地看出，原始圖像的視覺效果相對(duì)較暗，并且圖像直方圖的分布范圍相對(duì)較小。 從圖7 所示，顯然增強(qiáng)圖像的亮度增加并且視覺效果得到改善。 從圖8（b）所示，顯然分布范圍被擴(kuò)大，均衡的實(shí)質(zhì)是擴(kuò)大量化區(qū)間。

圖8 均衡化前后直方圖比較Fig.8 Histogram comparison before and after equalization

2.4.3 圖像二值化

是的,這說明我們不再年輕了。樂于此道的幾位朋友,都和我年齡相仿。在日常生活中,大家都似乎感受到一種疲憊。人到了 40歲,就像人生突然“斷片”了,稀奇古怪的想法特別多。辭職創(chuàng)業(yè)的,離家出走的,愛上釣魚的,到艱苦的地方去徒步的……在生理上,大家似乎突然意識(shí)到衰老的來臨?？鬃诱f,“四十不惑”,但這確實(shí)是一個(gè)希望和困惑并存的年齡,而困惑看上去還要更占優(yōu)勢(shì)一些。

一幅二值圖像的二維矩陣僅由0、1 兩個(gè)值構(gòu)成，“0”代表黑色，“1”代白色。 由于每一像素（矩陣中每一元素）取值僅有0、1 兩種可能，所以計(jì)算機(jī)中二值圖像的數(shù)據(jù)類型通常為1 個(gè)二進(jìn)制位。 二值圖像通常用于文字、線條圖的掃描識(shí)別（OCR）和掩膜圖像的存儲(chǔ)。二值圖像處理，以顯示灰度圖像為0或255，也就是，所有的圖像顯示出的黑色和白色的效果。 灰度圖像為約256 的亮度等級(jí)通過選擇適當(dāng)?shù)拈撝刀祷@得的圖像仍可以在整個(gè)圖像和局部特征中可以看出。

在很多情況下， 背景的灰度值并非是個(gè)常數(shù)，被測(cè)物體和背景的對(duì)比度在圖像中也有變化，這樣就導(dǎo)致可能在圖像中某一區(qū)域有良好的效果的閾值在其它區(qū)域的效果可能很差。 在這樣的情況下，我們把灰度閾值取成一個(gè)隨著圖像中位置變化而變化的函數(shù)值是最合適的我們稱之為為自適應(yīng)閾值，即本文采用自適應(yīng)閾值的方法。

自適應(yīng)閾值的選取方法的閾值相對(duì)比較簡單，以每一個(gè)像素以它為中心的一個(gè)鄰域窗口，計(jì)算窗口內(nèi)的最大和最小值像素，然后將它們的平均值作為閾值。 然后對(duì)圖像進(jìn)行分塊，如果在某一子塊內(nèi)背景和目標(biāo)都存在的話， 則為雙峰直方圖。 如果某一子塊內(nèi)只有目標(biāo)或者只有背景的情況下，就不是雙峰直方圖，可根據(jù)鄰域各塊分割得到的參數(shù)插值進(jìn)行分割。 事實(shí)上自適應(yīng)閾值分割完全可以按照?qǐng)D像的實(shí)際性質(zhì)，為每一個(gè)像素值設(shè)置閾值，但該過程要考慮復(fù)雜性和實(shí)際應(yīng)用問題的要求。

其中假定閾值T（k）=k，0＜k＜L-1，并假定C1由灰度值在區(qū)間［0，k］內(nèi)的所有像素構(gòu)成和C2由灰度值在區(qū)間［k-1，L-1］內(nèi)的所有像素構(gòu)成，像素被分到類C1中的概率像素被分到類C2中的概率。

分配到類C1的像素的平均灰度值為

分配到類C2的像素的平均灰度值為

整個(gè)圖像的平均灰度值為

類間方差改寫為

K*是最佳閾值：

在0＜P1（k）＜1 條件下選取最大的k 值。

該方法完全根據(jù)圖像直方圖的計(jì)算，直方圖是一個(gè)非常簡單的一維數(shù)組。 當(dāng)螺母圖像進(jìn)行二值化時(shí)，發(fā)現(xiàn)大多數(shù)圖像只有大約一半的灰度，即在某個(gè)灰度上的像素個(gè)數(shù)為零。 因此，它可大大減少方差算法從而來減少該程序的運(yùn)行時(shí)間。

3 實(shí)驗(yàn)檢測(cè)

3.1 實(shí)驗(yàn)檢測(cè)過程

3.1.1 硬件裝置

按照產(chǎn)品檢測(cè)需要和檢測(cè)的對(duì)象環(huán)境的實(shí)際情況，對(duì)圖像采集裝置進(jìn)行硬件設(shè)計(jì)及安裝。

3.1.2 圖像的采集和預(yù)處理

使用工業(yè)相機(jī)對(duì)檢測(cè)工件進(jìn)行實(shí)時(shí)獲取工件圖像，并將圖像傳入PC 中；借助PC 機(jī)，進(jìn)行圖像處理的算法對(duì)采集的工件圖像預(yù)處理，從而完成圖像的灰度轉(zhuǎn)換、平滑去噪、圖像增強(qiáng)等相關(guān)工作。

3.1.3 工件特征提取

分析和比較現(xiàn)有的特征提取方法，最終選擇局部形心位置提取方式，對(duì)目標(biāo)工件圖像進(jìn)行特征提取。

3.1.4 特征分析和識(shí)別

選取合適的內(nèi)圓形心位置與外六邊形形心位置在x、y 方向上的差值， 并用加快的搜索策略提高檢測(cè)速度，從而完成特征檢測(cè)和識(shí)別。

3.2 特征提取與結(jié)果分析

通過對(duì)內(nèi)圓和外六邊形區(qū)域進(jìn)行特征分析，通過對(duì)比差值來判斷螺母是否合格。

圖9（a）為提取的內(nèi)圓二值圖，確定螺母內(nèi)圓的形心位置。 9（b）為提取的外六邊形二值圖，來確定螺母外側(cè)六邊形的形心位置。

圖9 二值圖像Fig.9 Binary image

4 結(jié)語

研究了工件檢測(cè)的非接觸檢測(cè)方法。 研究開發(fā)了一套檢測(cè)螺母形狀公差的準(zhǔn)則，從測(cè)量系統(tǒng)試驗(yàn)臺(tái)的開發(fā)到基于圖像處理程序的結(jié)果分析，以及零件檢測(cè)評(píng)估的數(shù)學(xué)模型的開發(fā)。 通過建立合適的零件檢測(cè)模型，成功地實(shí)現(xiàn)了非接觸式的在線測(cè)量系統(tǒng)的方法。 利用多組零件圖像對(duì)該方法和數(shù)學(xué)模型進(jìn)行了分析。 結(jié)果表明，非接觸式零件誤差檢測(cè)系統(tǒng)是一種有效、可靠的誤差評(píng)定方法。 該測(cè)量概念可以進(jìn)一步改進(jìn)，以獲得更好的誤差評(píng)估精度。