虞佳佳,黃文廣,張 耀

(浙江機電職業(yè)技術(shù)學院,浙江 杭州 310053)

0 引 言

管接頭是油管與油管、油管與液壓件之間的可拆式聯(lián)接件,冷油管接頭被廣泛用于汽車、船舶、軍工、能源等各行各業(yè)的液壓管路系統(tǒng)中。作為油路系統(tǒng)的關(guān)鍵通路,冷油管接頭的螺紋尺寸是影響其產(chǎn)品性能的重要指標,因此冷油管接頭的檢測內(nèi)容多、檢測要求高,并成為了產(chǎn)品品檢中卡脖子的關(guān)鍵技術(shù)。

目前,對零部件尺寸檢測的傳統(tǒng)方法主要有人工目視、圖像檢測等。但由于檢測效率低、檢測過程繁瑣且檢測精度低,在基于機器視覺技術(shù)的零部件尺寸檢測方面,研究人員又提出了新的檢測方法。

賈坡等人[1]利用單片機、步進電機、采樣圓盤、數(shù)字顯微鏡和上位機搭建了磨塊圖像采集系統(tǒng),實現(xiàn)了對磨塊圖像的連續(xù)采集,以及對磨塊尺寸的檢測。石野[2]采用基于局部濾波模板的雙邊濾波算法,提高了對零部件尺寸進行檢測的精確度。李正大[3]以Moore邊界追蹤算法為基礎(chǔ),經(jīng)過對算法進行優(yōu)化改進,實現(xiàn)了對亞像素精度邊緣的有序提取。來煜等人[4]提出了基于投影重心的亞像素邊界定位方法,避免了直接遍歷橫向?qū)挾榷鴮?dǎo)致誤差的形成。包能勝等人[5]設(shè)計了一個自適應(yīng)的ROI裁剪區(qū)域,利用最小二乘法直線擬合技術(shù)對其輪廓進行了直線擬合,生成了螺紋中徑線,完成了對螺紋中徑的測量。宦小玉等人[6]選擇了Canny邊緣檢測算法,對梯形螺紋的牙型輪廓邊緣進行擬合,提取了圖像的邊緣信息,并對其進行了邊緣細化處理,最終得到了精確的邊緣信息。張毅[7]基于二值圖信息比較的方法,提出了一種可以判斷微型零件外形尺寸的測量方法。李陽等人[8]提出了一種基于加速魯棒性物征(SURF)和改進曲率尺度空間(CSS)的弧形槽幾何尺寸檢測算法。徐鵬[9]基于正交多項式的亞像素邊緣檢測方法,開發(fā)了一種使用范圍廣泛的機械零件尺寸檢測系統(tǒng),可代替大部分的人工檢測工作。龐博[10]利用Opencv圖像處理庫中的findcontours,對提取到的亞像素邊緣點進行了分割,提高了傳統(tǒng)的最小二乘擬合圓的處理速度,并結(jié)合Hough直線變換確定了直線在圖像中的大致區(qū)域,有效地解決了最小二乘擬合直線算法因受到“野值”影響而使檢測精度下降的問題。黃凌霄[11]基于最大內(nèi)切圓的橢圓檢測算法,利用橢圓及其伴隨圓相關(guān)性質(zhì),結(jié)合橢圓中的估計方法和最值距離選取方法,實現(xiàn)了對橢圓零件尺寸的檢測,并將該橢圓檢測算法應(yīng)用于孔組的檢測。郭聯(lián)金等人[12]借助VS2008、Opencv等軟件開發(fā)平臺,實現(xiàn)了對外螺紋長度、大徑、小徑、螺距等幾何尺寸的精確檢測,以及對螺紋頭型的準確識別。于亞琳[13]提出了一種基于數(shù)學形態(tài)學的輪廓提取方法,研究了螺紋導(dǎo)程、大徑、小徑、牙型高、中徑的測量和計算法方法,并利用實驗圖像對這些螺紋參數(shù)進行了測量。侯東明[14]利用數(shù)字圖像處理技術(shù),得到了所需要的幾何尺寸特征數(shù)據(jù),進而實現(xiàn)了對石油管螺紋幾何參數(shù)的測量。王文琪[15]對萬能工具顯微鏡的硬件和光學系統(tǒng)平臺的硬件進行了改進,在此基礎(chǔ)上開發(fā)了螺紋參數(shù)測量系統(tǒng),實現(xiàn)了對外螺紋參數(shù)的自動化測量。ZHOU A等人[16]利用激光和相機組合傳感器來精確測量汽車中旋轉(zhuǎn)金屬零件表面缺陷,提出了一種多姿態(tài)測量系統(tǒng),可在較短的時間內(nèi)對整個零件表面的缺陷進行準確的測量,并得到了缺陷的尺寸。CHEN X等人[17]介紹了一種由觸覺探頭和光學視覺傳感器組合成的雙傳感器單元,對零配件復(fù)雜曲面和自由曲面上小孔陣列位置誤差進行了快速自動檢測,滿足了汽車工業(yè)特殊要求。LIU S等人[18]提出了一種基于機器視覺的管道端點測量方法。MIN J[19]提出了一種采用67.5°和112.5°改進Sobel模板獲取邊緣圖像的新方法,對螺紋的高精度幾何誤差進行了測量。

在尺寸的檢測中,雖然基于機器視覺的快速檢測應(yīng)用較多,但筆者未查詢到基于機器視覺的螺紋中徑的尺寸檢測模型;同時也缺乏尺寸檢測專機方案。因此,為了滿足企業(yè)的相關(guān)需求,迫切需要對基于機器視覺的螺紋尺寸檢測新方法進行研究。

筆者將冷油管作為研究對象,研究三針法中徑測量原理,并基于機器視覺的檢測算法,搭建基于機器視覺的冷油管接頭的螺紋中徑不良分揀檢測系統(tǒng),對系統(tǒng)檢測重復(fù)性精度以及區(qū)分螺紋中徑不合格件的能力進行驗證。

1 基于機器視覺的螺紋中徑檢測算法

1.1 三針法中徑測量原理

通常螺紋中徑有多種測量方法,其中,用量針檢測螺紋中徑的方法被稱為三針法。

螺紋中徑的三針法檢測原理如圖1示。

圖1 三針法測量螺紋中徑原理圖

采用三針法測量中徑時,通常是利用放置在凹槽內(nèi)的3個已知量針,通過測量獲取量針間最大直徑,并根據(jù)工件螺距、牙型半角以及量針直徑計算獲取的螺紋中徑值。

計算公式如下:

(1)

式中:M—2個量針投影最大外徑值;d0—量針直徑;α—牙線的夾角;P—工作螺距或者螺桿直徑。

由式(1)可得,螺紋中徑測量的關(guān)鍵為通過壓線輪廓獲取牙型夾角、螺距,以及通過數(shù)學模型自動定位量針。

筆者利用Hough變換擬合螺紋牙線輪廓。Hough空間變換是圖像處理中有效找尋直線的方法,經(jīng)過Hough變換后,圖像中殘缺直線、圖像灰度噪聲以及其他共存的非直線結(jié)構(gòu)具有較強的抗干擾能力。

1.2 虛擬量針定位數(shù)學模型

線切圓定位數(shù)學模型如圖2所示。

圖2 線切圓定位數(shù)學模型

通過Hough變換獲取螺紋線后,需要建立虛擬量針定位數(shù)學模型。該數(shù)學模型如下:

(2)

由此可得量針圓形坐標如下:

(3)

獲得虛擬量針圓形后,即可求取量針間最大外徑值M,并由式(1)計算得到該螺紋的中徑值。

1.3 算法流程

筆者在三針法中徑測量原理的基礎(chǔ)上,提出了一種基于機器視覺的四針法的虛擬量針定位算法。

基于機器視覺的四針法螺紋中徑檢測算法流程如圖3所示:

圖3 基于機器視覺的四針法螺紋中徑檢測算法流程

該流程結(jié)合三針法中徑測量的原理,通過Hough變換獲取牙線直線,結(jié)合線切圓定位的方法,自動獲得螺紋中徑線,實現(xiàn)對中徑的自動測量。

根據(jù)上述算法流程,可以精確定位量針的位置,并獲取螺紋中徑、齒高、齒矩、外徑等參數(shù)。

采用上述基于機器視覺的螺紋中徑測量算法及流程所得到的結(jié)果如圖4所示。

圖4 基于機器視覺的螺紋中徑測量結(jié)果

2 螺紋中徑檢測系統(tǒng)設(shè)計

2.1 檢測分揀評價標準

冷油管的尺寸圖(即冷油管的檢測要求)如圖5所示。

圖5 冷油管尺寸圖

圖5中,其對應(yīng)螺紋為M14*1.5—6G的外螺紋,根據(jù)螺紋公制要求,其中徑參數(shù)為13.026 mm,公差要求為0.032 mm到-0.172 mm。

由于該項目為企業(yè)落地項目,此處考慮實際檢測需求后,調(diào)整檢測精度要求為0.01 mm,重復(fù)性精度要求為0.001 mm。

2.2 硬件系統(tǒng)選型

油冷管接頭視覺測量系統(tǒng)結(jié)構(gòu)簡圖如圖6所示:

圖6 油冷管接頭視覺測量系統(tǒng)結(jié)構(gòu)簡圖1—顯示器終端;2—鋁型材框架;3—伺服電機;4—中空轉(zhuǎn)臺;5—柔性托拖鏈;6—三爪氣缸;7—油管接頭;8—防塵護罩;9—工作臺面;10—操作端按鈕;11—工位切換氣缸;12—相機;13—鏡頭;18—面光源;19—上下料氣缸;20—直線導(dǎo)軌;21—NG品下料滑道;22—NG存料箱;23—氣控工位

為了滿足系統(tǒng)的精度要求,減少畸變帶來尺寸檢測的誤差,系統(tǒng)采用雙遠心鏡頭XF-PTL03708-C,其工作距離為110 mm,其分辨力為16.6 μm;螺紋長度為14.5 mm,外徑為14 mm,選擇0.5 inches(4.8 mm*4.8 mm)的像元,使得其檢測視野范圍在16.5 mm*16.5 mm,滿足檢測視野范圍要求。

該系統(tǒng)采用了MV-CA050-20GM?？档拿骊囅鄼C;同時選擇了30*30 mm平行背光光源(白色)進行螺紋中經(jīng)檢測,其中主控制器為西門子S7-1200PLC。

硬件系統(tǒng)主要由伺服電機、中空轉(zhuǎn)臺、三爪氣缸、相機、鏡頭、光源、上下料氣缸、直線導(dǎo)軌等組成。其中,氣路又由上下料氣缸、電磁閥、三聯(lián)件、三爪氣缸元件構(gòu)成,主要完成工件的夾緊、上下料、以及工件的切換、分揀功能。

系統(tǒng)工控機為i7-7500 CPU,內(nèi)存4 G,支持4個千兆網(wǎng)口通訊接口等;軟件運行環(huán)境為Windows 7,基于Visual Studio 2010 C#編寫,算法通過Halcon 11.0實現(xiàn)。

2.3 控制系統(tǒng)

基于機器視覺的螺紋中徑檢測系統(tǒng)的控制系統(tǒng)整體結(jié)構(gòu)如圖7所示。

圖7 基于機器視覺的螺紋中徑檢測控制系統(tǒng)的整體結(jié)構(gòu)

整個系統(tǒng)以PLC作為主控,通過Modbus TCP獲取中徑檢測結(jié)果信號,實現(xiàn)中徑分揀的功能。

基于機器視覺的螺紋中徑檢測系統(tǒng)的控制流程如圖8所示。

圖8 基于機器視覺的螺紋中徑檢測控制系統(tǒng)的控制流程

設(shè)備采用人工上下料,通過點擊啟動按鈕來開啟檢測流程,檢測工位到達后,觸發(fā)相機拍照,算法流程自動觸發(fā),并通過Modbus TCP將檢測結(jié)果傳送給PLC,由PLC觸發(fā)分揀流程。

3 實驗測試及結(jié)果分析

為了驗證基于機器視覺的螺紋中徑檢測算法的精度[20],及是否能很好地區(qū)分螺紋中徑不合格件與合格件,筆者進行相關(guān)實驗。

3.1 分揀能力測試及結(jié)果分析

實驗中,在螺紋采集獲取的部分數(shù)據(jù)中,螺紋合格品檢測參數(shù)如表1所示。

表1 螺紋合格品檢測參數(shù)(單位:像素值)

螺紋不合格品檢測參數(shù)表2所示。

表2 螺紋不合格品檢測參數(shù)(單位:像素值)

在測試階段,系統(tǒng)未進行像素標定的情況下,筆者首先采集了100個螺紋合格品和100個不合格品。

從表(1,2)中可以看出:合格品與不合格品之間具有13個像素差,由于該設(shè)備案例需要獲得0.001的重復(fù)精度,而系統(tǒng)檢測精度為0.01 mm,因此需要觀察亞像素級的參數(shù)變化;筆者設(shè)計的冷油管螺紋中徑檢測能滿足分揀合格品與不合格品。

3.2 重復(fù)精度測試及結(jié)果分析

在驗證螺紋中徑檢測算法精度時,筆者得到了基于機器視覺的螺紋中徑重復(fù)性精度的測量結(jié)果,如圖9所示。

圖9 基于機器視覺的螺紋中徑重復(fù)性精度的測量

系統(tǒng)完成標定后,筆者取3個油管樣本在油管螺紋中徑分揀系統(tǒng)中進行重復(fù)性測試,以驗證系統(tǒng)檢測重復(fù)性精度;同時,通過人工重復(fù)上料,一方面可以測試系統(tǒng)的運行穩(wěn)定性,另一方面可以驗證算法精度。

筆者采用工廠中三坐標儀打標后標準工件的實際值與檢測儀器獲得的像素值之比作為基準值,由此獲得了長度像素比,3個螺紋中徑的重復(fù)精度在0.001 mm,并能很好地區(qū)分螺紋中徑不合格件與合格件。

4 結(jié)束語

在冷油接頭螺紋中徑的不良分揀檢測過程中,因人工檢測而導(dǎo)致檢測準確率低、效率低下,為此,筆者提出了一種基于機器視覺的油管零件螺紋中徑不良品分揀檢測系統(tǒng),并對系統(tǒng)檢測重復(fù)性精度以及區(qū)分螺紋中徑不合格件的能力進行了驗證。

研究結(jié)果表明:

(1)算法通過Hough變換獲取螺紋牙線,結(jié)合線切圓定位的方法,自動獲得了螺紋中徑線,可實現(xiàn)對中徑的自動測量;

(2)基于機器視覺的四針法的虛擬量針定位數(shù)學模型可對產(chǎn)品的螺紋中徑進行篩選,重復(fù)精度可控制在0.01 mm,為同類型產(chǎn)品的品質(zhì)檢測提供了新的解決方案。

在方案的實際使用過程中,還需要對螺紋的壞牙、端面表面的粗糙度進行區(qū)分,需要通過增加新的光源配置工位來提高圖像信息的完整性,進一步更新算法。

因此,在后續(xù)的工作中,筆者會在方案中加入神經(jīng)卷積網(wǎng)絡(luò)的深度學習方法,以此對產(chǎn)品缺陷的檢測分揀能力進行優(yōu)化。