（攀枝花學(xué)院交通與汽車工程學(xué)院，攀枝花 617000）

0 引言

連桿是發(fā)動機(jī)的最重要零部件之一，連桿存在缺陷或發(fā)生故障將會造成較大的經(jīng)濟(jì)損失，因此需對連桿缺陷進(jìn)行檢查。傳統(tǒng)的連桿表面缺陷檢測方法主要采用人工目視檢查，此方法不僅工作量大、檢測效率低、不同檢驗(yàn)人員的檢測結(jié)果差異較大，而且在檢測過程中易出現(xiàn)漏檢和誤檢等現(xiàn)象[1,2]。近年來，基于計(jì)算機(jī)硬件技術(shù)、軟件技術(shù)和圖像處理技術(shù)的快速發(fā)展，機(jī)器視覺技術(shù)以檢測效率高和無損檢測等優(yōu)勢在發(fā)動機(jī)連桿制造過程得到廣泛應(yīng)用[3]。

朱正德[4]針對連桿大小頭結(jié)合面的缺陷，結(jié)合CCD相機(jī)、LED和機(jī)械執(zhí)行機(jī)構(gòu)，基于圖像處理技術(shù)，實(shí)現(xiàn)了連桿結(jié)合面缺陷的自動識別并進(jìn)行分類。潘泉松[5]針對采用傳統(tǒng)人工檢測汽車連桿序號不匹配問題，提出了一種基于機(jī)器視覺的連桿檢測系統(tǒng)，通過相機(jī)采集連桿圖像，再利用BP神經(jīng)網(wǎng)絡(luò)對連桿字符進(jìn)行分類識別，以實(shí)現(xiàn)連桿的自動檢測。王連桂[6]以某型發(fā)動機(jī)連桿為研究對象，利用CCD相機(jī)、光源和圖像采集卡等搭建了連桿關(guān)鍵尺寸參數(shù)檢測系統(tǒng)，通過圖像處理技術(shù)，實(shí)現(xiàn)了連桿關(guān)鍵尺寸參數(shù)的自動檢測。劉長英[7]針對連桿裂解槽檢測效率低且容易出現(xiàn)漏檢測現(xiàn)象，采用圖像處理技術(shù)對裂解槽進(jìn)行自動檢測，主要包括圖像獲取、濾波、邊緣檢測和特征識別等方法，實(shí)現(xiàn)了連桿裂解槽的檢測。

本文以汽車發(fā)動機(jī)的關(guān)鍵部件連桿為研究對象，基于機(jī)器視覺檢測技術(shù)為基礎(chǔ)，通過采用高像素CCD相機(jī)對連桿表面圖像進(jìn)行數(shù)據(jù)采集，并利用HALCON軟件進(jìn)行處理。實(shí)現(xiàn)了對連桿表面缺陷進(jìn)行定位和特征提取。

1 系統(tǒng)總體設(shè)計(jì)方案

發(fā)動機(jī)連桿一端與曲軸相連，另一端通過活塞銷與活塞相連。連桿的極限工況主要為拉伸和壓縮，在此工況下，連桿出現(xiàn)裂紋和掉塊等缺陷主要集中在連桿桿身和側(cè)面。因此，為實(shí)現(xiàn)發(fā)動機(jī)連桿表面缺陷的快速檢測，本文選用CCD面陣相機(jī)作為圖像采集元件，設(shè)計(jì)一套可以判定連桿是否合格并對連桿表面缺陷進(jìn)行分類的發(fā)動機(jī)連桿表面缺陷檢測系統(tǒng)。本系統(tǒng)的流程如圖1所示，首先通過CCD面陣相機(jī)獲取連桿圖像，然后對圖像進(jìn)行預(yù)處理，如圖像去噪、濾波和二值化處理等，再通過閾值的選取，實(shí)現(xiàn)邊緣檢測和缺陷識別，最后實(shí)現(xiàn)對缺陷定位。

圖1 圖像處理流程圖

根據(jù)連桿視覺檢測圖像采集的實(shí)際要求和圖像采集質(zhì)量的影響因素，設(shè)計(jì)了一套基于機(jī)器視覺的連桿表面缺陷檢測實(shí)驗(yàn)平臺。該實(shí)驗(yàn)平臺主要包括CCD面陣相機(jī)、鏡頭、LED光源和光源控制器和開關(guān)電源等部件。其中CCD面陣相機(jī)選用的是大恒水星MER-500-14GC，其主要技術(shù)參數(shù)如表1所示。

表1 MER-500-14GC主要技術(shù)參數(shù)

根據(jù)連桿表面缺陷檢測系統(tǒng)要求，搭建出連桿圖像采集系統(tǒng)檢測平臺如圖2所示。

圖2 連桿圖像采集系統(tǒng)檢測平臺

2 連桿圖像處理

2.1 圖像采集及預(yù)處理

本系統(tǒng)采用CCD面陣相機(jī)，借助于LED線性光源提供照明，采用微距鏡頭采集平臺上的連桿，采集后信息存儲于圖像采集卡。圖3給出經(jīng)CCD相機(jī)采集到的連桿圖像。

圖3 連桿原圖

圖像預(yù)處理的目的是保持圖像的真實(shí)度的前提下，進(jìn)行幾何變換，突出圖像有用的特征。針對CCD相機(jī)采集得到的原始圖像進(jìn)行處理，目的是減少數(shù)據(jù)數(shù)量，降低數(shù)據(jù)復(fù)雜程度，提高程序運(yùn)行速度，使圖像更加直觀的顯現(xiàn)，為缺陷特征的提取做好前期工作。

基于前期實(shí)驗(yàn)及文獻(xiàn)中的研究結(jié)論，通過CCD相機(jī)所采集到的連桿圖像，都是由紅色（R）、綠色（G）和藍(lán)色（B）三個通道組合而成[8]。為有效地降低圖像處理的運(yùn)算量，本文采用加權(quán)法對圖像進(jìn)行灰度轉(zhuǎn)換如式(1)所示。

圖4 灰度調(diào)整后圖像

式中：Gray是轉(zhuǎn)換后的單顏色通道，R是紅色通道，G是綠色通道，B是藍(lán)色通道；圖4為采用加權(quán)法對圖像進(jìn)行灰度變換后的圖像。檢測系統(tǒng)要獲得非常精確的圖像灰度密度函數(shù)是非常困難，可以通過對原圖像進(jìn)行直方圖變換，以得到圖像灰度密度函數(shù)。在灰度直方圖中，橫坐標(biāo)代表圖像的灰度等級，取值范圍為0～255；縱坐標(biāo)代表圖像的像素值。直方圖的定義如式(2)所示。

式中：

S為所選圖像像素的總數(shù)；

si為該圖像中像素值為第i級灰度的總數(shù)；

ri為第i個灰度級；

F（ri）為第i個灰度級出現(xiàn)的相對次數(shù)。

通過上述方法對連桿原圖進(jìn)行直方圖操作后，其直方圖通常都符合正態(tài)分布，但是直方圖中存出較多的小峰谷和突起，需對直方圖進(jìn)行平滑修正。設(shè)圖像灰度值的均值為Mean和方差為Deviation，則可分別通過式(3)和式(4)求得。

式中：q為灰度值為g(q)的R區(qū)域的一個像素，F(xiàn)為該區(qū)域矩陣行列式的值，即F=|R|。經(jīng)灰度處理和修正后的直方圖如圖5所示。

圖5 平滑后的灰度直方圖

2.2 圖像去噪

系統(tǒng)所采集的連桿圖像中椒鹽噪聲較多，因此采用中值濾波算法對圖像進(jìn)行去噪。中值濾波不僅在消除圖像椒鹽噪聲方面非常有效，面且在去噪的同時(shí)還可以很好的保護(hù)連桿原圖的圖像邊緣。同時(shí)，在編程實(shí)現(xiàn)中值濾波算法時(shí)無需考慮圖像的統(tǒng)計(jì)特性，尤其對于處理脈沖噪聲或椒鹽噪聲非常有效。圖6給出對連桿進(jìn)行去噪前的圖像。

圖6 去噪前圖像

圖7給出對連桿進(jìn)行去噪后圖像。

圖7 去噪后圖像

2.3 圖像分割與邊緣提取

連桿圖像經(jīng)去噪后，為提取連桿缺陷，需首先對連桿進(jìn)行圖像分割和邊緣提取。用于圖像分割的算法主要有基于邊緣的圖像分割算法、基于閾值的圖像分割算法和基于區(qū)域的圖像分割算法[9]。結(jié)合連桿缺陷類型，本系統(tǒng)采用基于閾值的圖像分割算法，先對連桿圖像進(jìn)行灰度直方圖處理，再進(jìn)行閾值選取，圖8給出了連桿圖像經(jīng)灰度直方圖處理后進(jìn)行的閾值選取。

圖8 閾值選取圖

圖像經(jīng)閾值選取后，采用基于閾值的圖像分割算法對連桿進(jìn)行處理后，如圖9所示。

圖9 基于閾值分割后的圖像

對分割后的連桿圖像進(jìn)行邊緣提取時(shí)，通?？刹捎靡浑A導(dǎo)數(shù)邊緣檢測方法或二階導(dǎo)數(shù)的邊緣檢測方法。其中，采用一階導(dǎo)數(shù)邊緣檢測算子都采用的是梯度算子，通常包括Roberts算子、Sobel算子和Canny算子等；采用二階導(dǎo)數(shù)的邊緣檢測算子主要是拉普拉斯邊緣檢測算子[10]?？紤]到Sobel算子對邊緣定位精度不高，Canny算子在提取邊緣時(shí)容易引入偽邊緣而導(dǎo)致誤提取，拉普拉斯邊緣檢測算子在邊緣提取時(shí)容易導(dǎo)致噪聲等問題。

因此對比上述多種邊緣檢測算子的基礎(chǔ)上，采用Roberts算子進(jìn)行邊緣提取，經(jīng)Roberts算子對連桿邊緣進(jìn)行提取操作，提取后的連桿如圖10所示。

2.4 缺陷定位

根據(jù)上述對連桿邊緣進(jìn)行提取后，在此基礎(chǔ)上，根據(jù)缺陷的面積特征，自動選擇出符合要求的連桿表面缺陷特征。面積特征主要是根據(jù)區(qū)域面積內(nèi)像素點(diǎn)的個數(shù)，通過編程得到缺陷區(qū)域的面積和區(qū)域的中心點(diǎn)坐標(biāo)。其中，缺陷區(qū)域面積是對缺陷區(qū)域內(nèi)所有像素點(diǎn)進(jìn)行統(tǒng)計(jì)求和；缺陷區(qū)域的中心點(diǎn)的坐標(biāo)包括行坐標(biāo)和列坐標(biāo)。行坐標(biāo)可通過對區(qū)域內(nèi)所有像素點(diǎn)行坐標(biāo)求和再除以區(qū)域面積得到；同理，列坐標(biāo)也可以通過對區(qū)域內(nèi)所有像素點(diǎn)列坐標(biāo)求各再除以區(qū)域面積得到。通過面積特征，最終篩選出的連桿缺陷如圖11所示。

圖10 邊緣提取圖

圖11 面積特征篩選后的圖像

3 結(jié)語

通過發(fā)動機(jī)連桿表面缺陷檢測的分析，采用基于機(jī)器視覺技術(shù)，實(shí)現(xiàn)了發(fā)動機(jī)連桿表面缺陷的檢測?；跈z測結(jié)果，機(jī)器視覺檢測技術(shù)可以較好地用于汽車發(fā)動機(jī)連桿的表面報(bào)缺陷檢測。提出采用形態(tài)學(xué)圖像濾波、基于閾值的圖像分割方法和基于面積特征的缺陷定位方法。經(jīng)反復(fù)編程及實(shí)驗(yàn)調(diào)試，對發(fā)動機(jī)連桿的表面缺陷具有較高的檢測精度和效率，而且具有較好的可靠性和重復(fù)性。