于蘇洋，閆子龍，姜春英，袁睿斌，張 渝

(1.沈陽航空航天大學 機電工程學院，沈陽 110136；2.上海航天化工應用研究所，湖州 313002)

0 引言

對于小型戰(zhàn)術(shù)導彈，為提高發(fā)動機的裝填密度和推力，常在藥柱中埋入銀絲，以提高藥柱的燃速[1]。在內(nèi)埋銀絲后，為了增大燃面，縮短燃面爬升坡段，需要在藥柱端面上沿銀絲方向鉆盲孔[2]。當盲孔內(nèi)殘留有較大藥屑時將會導致點火瞬間由于燃燒不均勻使得藥柱的結(jié)構(gòu)完整性受到破壞而發(fā)生爆炸[3]。所以，對藥柱盲孔進行孔內(nèi)質(zhì)量檢測對導彈的穩(wěn)定性與可靠性具有關(guān)鍵性的作用。

傳統(tǒng)的孔內(nèi)質(zhì)量檢測方法為對各個孔打光后人工進行觀察，效率低且引入了人為因素，使得孔內(nèi)質(zhì)量檢測的一致性較差，嚴重影響了藥柱整形加工的效率，采用機器視覺的計算機處理方法進行盲孔質(zhì)量檢測，能較好的克服人為因素的影響，并大大提高檢測效率。

本文根據(jù)藥柱盲孔內(nèi)圖片的特征，提出了一種孔內(nèi)質(zhì)量檢測算法，首先通過自適應閾值分割提取出圖像的感興趣區(qū)域，在該區(qū)域內(nèi)進行圖像局部模糊度計算得到殘留藥屑的粗略輪廓，然后進行圖像閉運算得到清晰的殘留藥屑形狀，最后計算最大內(nèi)切圓半徑進行量化評分。

1 藥柱盲孔質(zhì)量檢測視覺系統(tǒng)

藥柱整形自動化生產(chǎn)系統(tǒng)中，藥柱盲孔質(zhì)量檢測視覺系統(tǒng)如圖1所示，包括工業(yè)相機、定焦鏡頭、同軸光源、工控機。其中，視覺硬件系統(tǒng)的關(guān)鍵之一是光源的選取，由于盲孔較深，采用普通光源不能照到孔的底部，而同軸光源使得物體反射后的光線與成像光軸處于同一個軸線上，由圖1中的光路可以看到，選用同軸光源能夠清晰取得盲孔內(nèi)圖片，便于后續(xù)算法的處理[4]。

圖1 盲孔質(zhì)量檢測視覺系統(tǒng)

2 盲孔質(zhì)量檢測算法

孔內(nèi)無大塊藥屑時，相機采到的盲孔圖片見圖2(a)；有大塊藥屑時，相機采到的盲孔圖片見圖2(b)。下文算法針對圖2(b)進行處理。

(a)No drug debris (b)Drug debris

從圖2可看到，當孔內(nèi)有殘留大塊藥屑時，將會出現(xiàn)局部失焦情況，根據(jù)該特征，本文提出了一種基于模糊度計算與形態(tài)學閉運算處理的孔內(nèi)質(zhì)量檢測算法。首先，對圖片進行自適應閾值分割提取出圖像的感興趣區(qū)域，在感興趣區(qū)域內(nèi)根據(jù)有藥屑時的局部失焦特征進行圖像局部模糊度計算得到藥屑的粗略形狀，然后進行圖像閉運算得到清晰的藥屑輪廓，最后通過提取最大內(nèi)切圓進行量化評分。檢測算法的整體流程如圖3所示。

圖3 盲孔質(zhì)量檢測流程圖

2.1 自適應閾值分割設(shè)定感興趣區(qū)域

由于圖片中盲孔的位置為待處理圖像的感興趣區(qū)域，所以通過提取感興趣區(qū)域可以加快處理速度[5]。設(shè)定盲孔內(nèi)部為目標區(qū)域，盲孔外部為背景區(qū)域，圖像的灰度直方圖如圖4所示，可以看到圖像的目標區(qū)域與背景區(qū)域有較好的區(qū)分度，所以采用全局閾值分割法進行自適應閾值分割[6]。

圖4 盲孔圖像的灰度直方圖

自適應閾值分割設(shè)定感興趣區(qū)域步驟如下：

(1)選取圖像灰度值的中值Tm作為初始閾值如式(1)所示：

Tn=Tm(n=0)

(1)

(2)通過閾值Tn將圖像分割為兩部分：目標區(qū)域W1，由灰度值小于等于Tn的像素組成，背景區(qū)域W2，由大于Tn的像素組成。

(3)計算W1與W2中所有像素的平均灰度值μ1和μ2，新的閾值由式(2)可得：

(2)

(4)重復步驟(2)與步驟(3)進行n次迭代后直到連續(xù)迭代閾值的差值ΔT小于預設(shè)值σ得到最終的分割閾值Tn，其中，σ決定著算法的運算次數(shù)和閾值分割的準確性。針對現(xiàn)有工件工藝特征，通過多次實驗，選取σ小于0.01作為終止條件時，可較快速準確的分割得到盲孔輪廓。

(5)得到分割閾值后，通過式(3)對圖片進行閾值分割，得到二值圖，如圖5(a)所示[7]。

(3)

式中f(m,n)為像素坐標系下(m,n)處閾值分割后的像素值；g(m,n)為像素坐標系下(m,n)處原圖像的像素值。

(6)由于圖片中盲孔內(nèi)為感興趣區(qū)域，取二值圖中盲孔的外切矩形(圖5(b))所對應的原圖范圍作為感興趣區(qū)域，如圖5(c)所示。

2.經(jīng)營者要形成“加大經(jīng)濟管理與科研投入”的管理認識。企業(yè)意識到開展經(jīng)濟管理的必要性，這極為難得。特別是要在重視科研的基礎(chǔ)上，將各種科技活動與經(jīng)濟發(fā)展進行結(jié)合。使用經(jīng)濟管理理念，其最理想的目標就是讓企業(yè)的投資最低，但是收益最大。所以，在知識經(jīng)濟時代，企業(yè)在開展經(jīng)濟管理活動時，必須提高對經(jīng)濟管理的價值認識，對經(jīng)營活動進行動態(tài)調(diào)整。目前很多企業(yè)的經(jīng)營者缺乏必要的時代意識，忽略了知識經(jīng)濟的大環(huán)境要求，因此，整個企業(yè)的發(fā)展水平始終沒有得到提升。

(a)Threshold segmentation

(b)Enclosing rectangle (c)Region of interest

2.2 圖片局部模糊度計算

提取出圖片中的感興趣區(qū)域后，需要在圖片中確定感興趣區(qū)域中的盲孔范圍內(nèi)是否有殘留的大塊藥屑。分析圖片特征，當盲孔內(nèi)有殘留大塊藥屑時，圖片中將會因為局部失焦出現(xiàn)局部模糊。對于圖片中清晰的部分，灰度值變化劇烈；而對于圖片中局部失焦的部分，灰度值變化平緩。圖片局部方差可反映圖片的灰度值變化程度，所以將圖片局部方差作為圖片的局部模糊度，如式(4)所示[8-9]。

(4)

式中μ、δ、M×N分別為灰度值的均值、圖片局部模糊度、窗口的大小。

通過滑動窗口遍歷圖片計算感興趣區(qū)域中各個位置的局部模糊度，生成局部模糊度圖片，如圖6所示。通過圖6可觀察到殘留藥屑的形狀及不同的窗口大小得到的模糊度圖片。由圖6(a)可觀察到，當窗口選擇過小時，圖片中干擾過多，不利于后續(xù)分析；由圖6(c)可知，當窗口選擇過大時，殘留藥屑的尺寸將會減小。當矩形窗口邊長位于區(qū)間[15,25](單位為像素，文中后續(xù)算法中單位均為像素)內(nèi)時，殘留藥屑的信息能夠被較好的保留，本文選擇21×21的窗口遍歷圖片得到局部模糊度圖片，如圖6(b)所示。

(a)11×11 (b)21×21 (c)31×31

2.3 圖像形態(tài)學閉運算處理

圖像的形態(tài)學處理可保持圖像的基本形狀特征，消除不相干的結(jié)構(gòu)。因此，分析圖片特征，圖片中的干擾對于其周圍區(qū)域較為分散，采用形態(tài)學閉運算對其處理(先膨脹后腐蝕)，可以進一步清除局部模糊度圖片中的較多干擾，得到清晰的殘留藥屑輪廓[10-11]。

2.3.1 圖像形態(tài)學膨脹

圖像形態(tài)學膨脹即為擴展圖片中的亮區(qū)域。膨脹過程如式(5)所示，即將滑動窗口內(nèi)的最大值作為該位置的像素值。

f′(m,n)=max(g(x,y)|(x,y)∈D)

(5)

式中f′(m,n)為像素坐標系下(m,n)處形態(tài)學膨脹后的像素值；g(x,y)為像素坐標系下滑動窗口(x,y)處在局部模糊度圖中對應的像素值；D為滑動窗口內(nèi)坐標的集合。

(a)Small window (b)Big window (c)Appropriate window

2.3.2 圖像形態(tài)學腐蝕

圖像形態(tài)學腐蝕即為擴展圖片中的暗區(qū)域，腐蝕過程如式(6)所示，即將滑動窗口內(nèi)的最小值作為該范圍的像素值。

f″(m,n)=min[g′(x,y)|(x,y)∈D]

(6)

式中f″(m,n)為像素坐標系下(m,n)處形態(tài)學腐蝕后的像素值；g′(x,y)為像素坐標系下滑動窗口(x,y)處在圖像膨脹圖中對應的像素值；D為滑動窗口內(nèi)坐標的集合。

對圖片進行形態(tài)學膨脹后，殘留藥屑的形狀被部分消除，通過對圖片進行形態(tài)學腐蝕可以恢復殘留藥屑的形狀，形態(tài)學腐蝕后的圖片如圖8所示，當窗口尺寸過大時，將會受到盲孔外部區(qū)域的影響使得盲孔整體向內(nèi)收縮如圖8(b)所示，通過多次實驗得到矩形窗口邊長在小于40時有較好的效果，本文取矩形窗口邊長為17，處理后得到的圖片如圖8(a)所示，從圖中可以看到通過圖像閉運算所得到清晰的殘留藥屑形狀，便于后續(xù)算法進行量化分析。

(a)Appropriate window (b)Big window

2.4 最大內(nèi)切圓生成

對圖片進行閉運算處理后得到殘留藥屑的清晰形狀，需要對其進行量化分析。采用最大內(nèi)切圓法對圖片進行處理，得到的內(nèi)切圓大小能夠較好地反映出孔內(nèi)藥屑殘留的情況。生成最大內(nèi)切圓的步驟如下[12]：

(1)閾值分割生成二值圖。對于閉運算后的圖片，殘留藥屑輪廓清晰的顯示出來。由于盲孔內(nèi)無藥屑的部分為最大灰度值255，因此取閾值為255，通過式(3)進行閾值分割，得到二值圖如圖9(a)所示。

(2)獲取盲孔輪廓。由于盲孔在二值圖中為最大輪廓，則可通過邊界追蹤算法找出步驟(1)得到的二值圖中的各個輪廓[13]，進行比較得到最大的輪廓即為盲孔輪廓，設(shè)該輪廓的點集為Ω。

(3)計算盲孔內(nèi)部點到盲孔輪廓的距離。當圓與盲孔輪廓內(nèi)切時，圓的半徑即為圓心到盲孔輪廓距離的最小值。設(shè)盲孔內(nèi)部點的點集為r，計算盲孔內(nèi)部各點到盲孔輪廓的最小距離如式(7)所示：

(7)

式中dmin為盲孔內(nèi)部點到盲孔輪廓的最小距離；xΩ、yΩ分別為盲孔輪廓上的橫縱坐標值；xr、yr分別為盲孔內(nèi)部點的橫縱坐標值。

(4)最大內(nèi)切圓求取。重復步驟(3)，遍歷盲孔內(nèi)部點，當盲孔內(nèi)部點到盲孔輪廓的最小距離最大時，即找到最大內(nèi)切圓，該點即為最大內(nèi)切圓的圓心，該距離即為最大內(nèi)切圓的半徑，如式(8)所示。將找到的最大內(nèi)切圓在二值圖與閉運算圖中表示出來，如圖9(b)與圖9(c)所示。

R=max(dmin)

(8)

式中R為最大內(nèi)切圓的半徑。

(a)Binary image (b)Binary graph (c)Closed graph

2.5 量化評分

無殘留藥屑時得到的最大內(nèi)切圓在閉運算圖中表示如圖10所示，對比圖9(c)可以觀察到，當盲孔內(nèi)無大塊藥屑殘留時，最大內(nèi)切圓在一定范圍內(nèi)浮動如圖10所示；當盲孔內(nèi)有大塊殘留藥屑時，最大內(nèi)切圓較小如圖9(c)所示。因此，可以選用盲孔內(nèi)最大內(nèi)切圓的大小作為量化評價盲孔內(nèi)較大藥屑殘留情況的判斷標準。

圖10 無殘留藥屑時最大內(nèi)切圓

通過30次采圖實驗分析，得到最大內(nèi)切圓半徑的統(tǒng)計曲線圖如圖11所示，可觀察到無殘留藥屑時最大內(nèi)切圓半徑在區(qū)間(530,570)內(nèi)浮動。選取區(qū)間最小值作為量化評分的閾值s，當最大內(nèi)切圓半徑小于s/2時，說明殘留藥屑的尺寸大于盲孔的一半，此時通過分值變化判斷藥屑尺寸的變化趨勢已無意義，所以設(shè)定內(nèi)切圓半徑小于等于s/2時均為基礎(chǔ)分值40，當最大內(nèi)切圓半徑位于區(qū)間(s/2,s)時可根據(jù)藥屑尺寸變化計算分值，評分標準如式(9)所示，當分值不為100時說明孔內(nèi)有殘留大塊藥屑。

圖11 無殘留藥屑時最大內(nèi)切圓半徑統(tǒng)計曲線圖

(9)

3 實驗驗證

為了驗證本文所提出的盲孔質(zhì)量檢測算法的穩(wěn)定性與可靠性，進行了對人為加入藥屑的多個盲孔進行質(zhì)量檢測評分的實測驗證。

各個孔的質(zhì)量檢測評分如表1所示，通過觀察表1所得的評分數(shù)據(jù)可知，對同一個孔進行定量加藥屑時，其分值變化隨著藥屑尺寸的增大逐漸減小，說明盲孔檢測算法對孔內(nèi)殘留藥屑的檢測具有較好的可靠性；同時，對不同的孔檢測結(jié)果也有相同的趨勢，說明該算法具有較好的穩(wěn)定性。

表1 各個孔質(zhì)量檢測評分

4 結(jié)論

本文針對藥柱盲孔殘留藥屑的自動質(zhì)量檢測需求，提出了基于模糊度計算與形態(tài)學閉運算處理的視覺處理算法，并提出利用評分標準判斷有無藥屑與藥屑殘留多少的量化評價方法，具有較好的適用性與可靠性。相比于人工檢測，該方法效率高且一致性好，當盲孔內(nèi)有較大殘留藥屑時，能夠準確的對其進行量化評分，滿足自動化批量生產(chǎn)的需求。