張函力，李海偉，于國(guó)棟，申 霖，張新喜，紀(jì) 俐，3，4

（1. 沈陽(yáng)航空航天大學(xué)，沈陽(yáng) 110136；2. 航空工業(yè)沈陽(yáng)飛機(jī)工業(yè)（集團(tuán)）有限公司，沈陽(yáng) 110850；3. 沈陽(yáng)工業(yè)大學(xué)，沈陽(yáng) 110870；4. 華晨汽車(chē)集團(tuán)控股有限公司，沈陽(yáng) 110141）

隨著現(xiàn)代航空技術(shù)的發(fā)展，飛機(jī)裝配技術(shù)正逐步進(jìn)入智能化、數(shù)字化的新階段[1]。鉚釘連接作為飛機(jī)蒙皮上的主要連接形式，鉚釘孔的加工質(zhì)量與效率直接影響蒙皮甚至飛機(jī)整機(jī)結(jié)構(gòu)的性能[2]。許多企業(yè)采用自動(dòng)出釘?shù)你T釘機(jī)進(jìn)行人工鉚接，在鉚接時(shí)對(duì)鉚釘進(jìn)行不斷敲擊，鉚釘便會(huì)產(chǎn)生一定程度的變形，以此來(lái)保證將兩個(gè)連接面緊密貼合在一起，但人工鉚接效率不高。為保證制孔效率，彌補(bǔ)鉚釘在加工與裝配過(guò)程中產(chǎn)生的形變，很多創(chuàng)新型企業(yè)紛紛引進(jìn)基于機(jī)器人的在線加工方式完成制孔加工，這樣的制造工藝使生產(chǎn)效率得到了保證，鉚接工藝迎來(lái)了機(jī)器視覺(jué)時(shí)代的曙光。但隨之而來(lái)的便是制孔后鉚釘?shù)馁|(zhì)量檢測(cè)問(wèn)題。近年來(lái)，航空鉚釘尺寸檢測(cè)技術(shù)受到重視，然而在國(guó)內(nèi)的生產(chǎn)中，普遍仍以人工通過(guò)肉眼進(jìn)行檢測(cè)[3]，導(dǎo)致了鉚釘尺寸的檢測(cè)效率很難滿足航空工業(yè)的需求，使得航空具有潛在的事故風(fēng)險(xiǎn)[4]。

圖像邊緣是重要的視覺(jué)感知信息，也是圖像最基本的特征之一。邊緣檢測(cè)作為圓孔視覺(jué)測(cè)量過(guò)程的核心技術(shù)[5]，隨著實(shí)際應(yīng)用中對(duì)檢測(cè)精度要求的不斷提高，傳統(tǒng)的像素級(jí)邊緣檢測(cè)算法包括Sobel、Prewitt、Laplace算子等，已經(jīng)無(wú)法滿足實(shí)際需求。因此，人們提出了“亞像素”的概念，針對(duì)亞像素級(jí)算法的研究也受到越來(lái)越多的關(guān)注[6]。Zernike矩作為一種特殊的基于Zernike多項(xiàng)式的正交函數(shù)的復(fù)矩，雖然計(jì)算較為復(fù)雜，但其具有旋轉(zhuǎn)不變性，在表達(dá)能力和噪聲敏感性方面具有強(qiáng)大的優(yōu)勢(shì)，在目標(biāo)識(shí)別領(lǐng)域得到了廣泛的應(yīng)用[7]。Julier等[8]首次提出了利用Zernike正交矩來(lái)檢測(cè)圖像的亞像素邊緣，建立了理想的階躍灰度模型，推導(dǎo)了亞像素坐標(biāo)的公式。但在實(shí)際中由于非理想的離散采樣和光學(xué)系統(tǒng)衍射效應(yīng)的限制[9]，往往可能會(huì)導(dǎo)致檢測(cè)邊緣附近出現(xiàn)過(guò)渡區(qū)。

綜上，本研究以3D激光輪廓傳感器作為圖像采集模塊，設(shè)計(jì)出鉚接孔徑檢測(cè)系統(tǒng)的整體機(jī)械結(jié)構(gòu)，提出了一種改進(jìn)的基于Zernike矩算法的鉚接孔徑亞像素檢測(cè)方法，實(shí)現(xiàn)了對(duì)锪窩孔外圓孔徑的高精度、高效率的檢測(cè)。

1 檢測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本檢測(cè)系統(tǒng)主要由軟件和硬件兩部分組成。軟件部分在相機(jī)已有的Demo文件以及客戶端軟件3DMVS的圖像檢測(cè)SDK文件開(kāi)發(fā)包的基礎(chǔ)上，進(jìn)行二次開(kāi)發(fā)，并集成Halcon圖像深度學(xué)習(xí)識(shí)別算法，利用算法庫(kù)對(duì)采集到的圖像進(jìn)行坐標(biāo)系統(tǒng)一與數(shù)據(jù)拼合重構(gòu)，最終得到鉚釘孔徑的形貌。硬件部分采用?？低曅吞?hào)為MV–DP2305–01H的3D激光輪廓傳感器，將傳感器裝配在同步傳送裝置上，驅(qū)動(dòng)傳送裝置便可帶動(dòng)光柵尺觸發(fā)脈沖，使相機(jī)在Y方向做直線運(yùn)動(dòng)。擬合傳感器自身獲得的X、Z方向的數(shù)據(jù)，結(jié)合高幀率芯片和激光精準(zhǔn)的時(shí)序控制，實(shí)時(shí)輸出高精度三維點(diǎn)云數(shù)據(jù)。采集數(shù)據(jù)通過(guò)千兆網(wǎng)卡傳輸?shù)接?jì)算機(jī)上，在客戶端軟件上設(shè)置參數(shù)后便可進(jìn)行測(cè)量。測(cè)量系統(tǒng)結(jié)構(gòu)框如圖1所示。

圖1 測(cè)量系統(tǒng)結(jié)構(gòu)框圖Fig.1 Structure block diagram of measurement system

2 锪窩孔徑圖像處理

2.1 鉚接孔圖像處理流程

根據(jù)采集鉚接孔徑圖像的特點(diǎn)，制定相應(yīng)的圖像處理流程，如圖2所示。首先，通過(guò)3D激光輪廓傳感器獲取鉚釘孔圖像，并對(duì)所采集的鉚接孔徑圖進(jìn)行圖像增強(qiáng)處理，然后采用Canny算子邊緣檢測(cè)對(duì)锪窩孔內(nèi)外圓進(jìn)行邊緣識(shí)別，利用改進(jìn)的Zernike矩進(jìn)行亞像素級(jí)的邊緣精確檢測(cè)，提取出锪窩孔外圓的圓環(huán)區(qū)域，最后結(jié)合RANSAC算法進(jìn)行圓擬合，產(chǎn)生圓輪廓并獲取半徑，完成測(cè)量。

圖2 圖像處理流程Fig.2 Flow chart of image processing

2.2 圖像增強(qiáng)

圖像增強(qiáng)是有目的性地強(qiáng)調(diào)圖像的整體或局部特性，擴(kuò)大圖像中不同特征之間的差別，抑制不感興趣的特征，使處理結(jié)果更適用于機(jī)器識(shí)別系統(tǒng)。但增強(qiáng)處理并不能增加原始圖像信息，只能對(duì)某些信息的辨識(shí)能力進(jìn)行提升，滿足某些特殊分析的需要。

2.2.1 直方圖均衡化法

在數(shù)字圖像處理中，直方圖是一種簡(jiǎn)單而又實(shí)用的工具，它能夠描述出圖像的概貌，并反映出圖像中每一灰度級(jí)與其出現(xiàn)像素頻率間的統(tǒng)計(jì)關(guān)系。綜合對(duì)比增強(qiáng)效果后，選用空間域處理法中的直方圖均衡化法。

直方圖均衡化法通過(guò)對(duì)原圖像的灰度直方圖進(jìn)行某種變換，可以修正原圖像中具有相近灰度值且占有大量像素點(diǎn)的區(qū)域，使其灰度范圍變寬并均勻分布，以達(dá)到增強(qiáng)圖像整體對(duì)比的效果。

假定r和s分別表示已完成歸一化的變換前后的圖像灰度，T（r）為變換函數(shù)，則二者變換關(guān)系為

若想保證灰度變換前后灰度級(jí)由黑到白的次序不變，像素灰度值仍在變換前所允許動(dòng)態(tài)范圍，則需滿足當(dāng)0≤r≤1時(shí)，T（r）為單調(diào)遞增函數(shù)，且0≤T（r）≤1（0代表黑色，1代表白色）。

對(duì)于灰度級(jí)為離散的數(shù)字圖像，用頻率來(lái)代替概率，則灰度級(jí)rk出現(xiàn)的頻率為

式中，nk表示第k個(gè)像素級(jí)像素個(gè)數(shù)，n表示總像素個(gè)數(shù)。

若設(shè)L為灰度級(jí)的個(gè)數(shù)，那么原圖像的灰度級(jí)為[0，L–1]，為了保證變換前后的灰度值和灰度范圍一致，則均衡變換函數(shù)T（rk）采用求和方式可表示為

式中，nj表示第j個(gè)像素級(jí)像素個(gè)數(shù)。

利用直方圖均衡化法對(duì)所采集的鉚接孔徑圖進(jìn)行增強(qiáng)處理后的效果如圖3所示。

圖3（a）為相機(jī)采集的原始成像圖，整體顏色偏暗，且各部分顏色不均衡且不分明；圖3（b）為灰度化后的圖像，相對(duì)于圖3（a），锪窩孔外圓輪廓更加明顯，但內(nèi)孔輪廓不清晰；圖3（c）為使用直方圖均衡化后的圖像，與圖3（a）和（b）兩圖對(duì)比不難看出，圖3（c）邊緣輪廓處的像素值變化更加明顯，且锪窩孔外圓輪廓和內(nèi)孔輪廓清晰。

圖3 圖像增強(qiáng)效果圖Fig.3 Sketch of image enhancement

2.2.2 圖像平滑

為了抑制噪聲，使圖像亮度趨于平緩，減小突變梯度，改善圖像質(zhì)量，對(duì)圖像進(jìn)行圖像平滑處理。均值濾波法雖然算法簡(jiǎn)單，計(jì)算速度快，但經(jīng)過(guò)其處理過(guò)的圖像在平滑過(guò)程中會(huì)導(dǎo)致圖像邊緣模糊化。因此，選用中值濾波法進(jìn)行平滑處理。

中值濾波是對(duì)鄰域內(nèi)的像素灰度值進(jìn)行排序，用其中值代替中心點(diǎn)像素的灰度值的濾波方法，是一種非線性信號(hào)平滑處理技術(shù)，能有效消除孤立點(diǎn)和線段的干擾，可以減弱或消除傅立葉空間的高頻分量。假設(shè)f（x，y）為原始圖像，g（x，y）為中值濾波處理后的圖像，則中值濾波可以表達(dá)為

式中，f（x，y）為二維圖像數(shù)據(jù)序列；g（x，y）為中值濾波后的數(shù)據(jù)；S是以點(diǎn)（x，y）鄰域?yàn)橹行牡泥徲蚣?。利用中值濾波法進(jìn)行平滑處理后的效果如圖4所示。

圖4 圖像平滑效果圖Fig.4 Sketch of image smoothing

2.2.3 圖像銳化

經(jīng)過(guò)降噪后的圖像在圖像形成和傳輸過(guò)程中，由于成像系統(tǒng)聚焦不好或者信道的帶寬過(guò)窄，圖像邊緣和圖像輪廓模糊、細(xì)節(jié)不清晰。因此，采用圖像銳化技術(shù)來(lái)減少這類(lèi)不利效果的影響，使圖像的邊緣輪廓清晰。

Sobel算子結(jié)合了高斯平滑和微分求導(dǎo)，采用卷積核對(duì)圖像中的像素點(diǎn)做卷積運(yùn)算，擁有x、y兩個(gè)方向的卷積核，是常用的微分算子。

若將圖像經(jīng)過(guò)兩個(gè)算子的濾波，便可獲得增強(qiáng)后的圖像灰度值，即

式中，Gx和Gy分別表示圖像對(duì)應(yīng)像素中心點(diǎn)的像素在x、y兩個(gè)方向上的梯度。銳化后的圖像如圖5所示。

圖5 圖像銳化效果圖Fig.5 Sketch of image sharpening

2.3 圖像分割

圖像分割本質(zhì)上是對(duì)圖像中具有相同特征的區(qū)域進(jìn)行標(biāo)記的過(guò)程，可以進(jìn)一步對(duì)經(jīng)預(yù)處理后的圖像進(jìn)行簡(jiǎn)化圖像分析，根據(jù)灰度、形狀、顏色等參數(shù)的差異，將圖像劃分為多個(gè)不同的子區(qū)域，并使這些參數(shù)在同一區(qū)域內(nèi)呈現(xiàn)相似性，而在不同區(qū)域之間呈現(xiàn)明顯的差異性。

2.3.1 基于直方圖谷底法的自動(dòng)閾值分割

為了適應(yīng)在采集過(guò)程中的環(huán)境變化，并消除人工設(shè)定閾值的主觀性，可以運(yùn)用自動(dòng)閾值分割方法。自動(dòng)閾值分割方法是基于圖像的灰度直方圖來(lái)確定灰度閾值，其原理是以灰度直方圖中出現(xiàn)的谷底為分割點(diǎn)，對(duì)灰度直方圖的波峰進(jìn)行分割。

在HALCON中常用Auto threshold算子進(jìn)行自動(dòng)值分割處理，該算子可以對(duì)單通道圖像進(jìn)行多重閾值處理，其原理是以直方圖出現(xiàn)的谷底為分割點(diǎn)，對(duì)灰度直方圖的波峰進(jìn)行處理，效果如圖6所示。

圖6 直方圖法自動(dòng)閾值分割Fig.6 Automatic threshold segmentation in histogram

但該方法存在兩個(gè)難點(diǎn)： （1）在圖像分割前，無(wú)法確定圖像分割生成區(qū)域的數(shù)目； （2）因?yàn)殚撝档倪x擇直接影響分割的精度及分割后的圖像進(jìn)行描述分析的正確性，可能會(huì)導(dǎo)致閾值分割不準(zhǔn)確。可以看出，該方法對(duì)鉚接孔內(nèi)外圓環(huán)分割不完整。

2.3.2 Prewitt算子邊緣提取

Prewitt算子是利用像素鄰點(diǎn)之間的灰度差，在邊緣處達(dá)到極值的方法，從而檢測(cè)出圖形邊緣。因此，其對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣，處理后的效果如圖7所示。

圖7 Prewitt算子邊緣提取Fig.7 Edge extraction in Prewitt

Prewitt算子對(duì)噪聲具有抑制作用，因此對(duì)于噪聲較多、灰度漸變的圖像處理得較好。當(dāng)某些噪聲點(diǎn)的灰度值很大，而對(duì)于那些幅值較小的邊緣點(diǎn)，其可能會(huì)造成邊緣點(diǎn)的誤判。

2.3.3 Kirsch算子邊緣提取

Kirsch算法是一種非線性的邊緣檢測(cè)器，由8個(gè)方向的模板決定，將這8個(gè)模板的元素與圖像上的每一個(gè)元素進(jìn)行卷積求導(dǎo)數(shù)，然后篩選出其中的最大值作為中央像素的邊緣強(qiáng)度，處理后的效果如圖8所示。

圖8 Kirsch算子邊緣提取Fig.8 Edge extraction in Kirsch

這種方法比較容易得到平滑的邊緣，但是由于其方向模板比較有限，對(duì)稱性可能會(huì)減半。因此，很難檢測(cè)出圖像所有的邊緣方向。

2.4 基于改進(jìn)Zernike矩算法的亞像素邊緣提取

在綜合分析多種邊緣檢測(cè)方法的基礎(chǔ)上，本文提出了一種基于改進(jìn)Zernike矩的亞像素鉚接孔徑檢測(cè)方法，采用Canny邊緣提取進(jìn)行像素級(jí)的粗定位，并利用改進(jìn)的Zernike矩算法進(jìn)行亞像素級(jí)的精定位。

2.4.1 Canny邊緣提取粗定位

Canny算子是一種多階段的優(yōu)化算子，利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測(cè)問(wèn)題轉(zhuǎn)換為檢測(cè)準(zhǔn)則函數(shù)極大值的問(wèn)題，能在噪聲抑制和邊緣檢測(cè)之間取得較好的折中，提取的邊緣也相對(duì)完整，能夠檢測(cè)出圖像較細(xì)的邊緣部分[10]。

Canny邊緣檢測(cè)的基本思想是首先對(duì)圖像選擇一定的高斯濾波器進(jìn)行平滑濾波，并計(jì)算出平滑后圖像G各點(diǎn)處的梯度幅值和梯度方向，獲得相應(yīng)的梯度幅值圖像H和梯度方向圖像R[11]。則此時(shí)點(diǎn)（i，j）處的梯度幅值為

梯度方向?yàn)?/p>

邊緣提取后的效果如圖9所示。

圖9 Canny邊緣提取分割Fig.9 Edge extraction and segmentation in Canny

2.4.2 改進(jìn)的Zernike矩算法的亞像素級(jí)精定位

在傳統(tǒng)方法中，圖像整體采用一個(gè)不變的閾值qt，這就導(dǎo)致邊緣的檢測(cè)效果不理想。較為理想的qt值所應(yīng)該達(dá)到的效果是能夠根據(jù)qt值將像素區(qū)分為目標(biāo)和背景，即讓目標(biāo)和背景的類(lèi)間方差最大[12]。

假設(shè)f（x，y）為一幅圖像，Apq為p階q次的Zernike矩，則當(dāng)圖像為離散形式時(shí)，Zernike矩可表示為

式中，Wp*q（ρ，θ）表示在極坐標(biāo)系下，共軛的單位圓內(nèi)的正交p階q次Zernike多項(xiàng)式[13]。

由于Zernike矩本身是積分形算子，這就使其擁有對(duì)噪聲不敏感的特性。因此，采用Zernike矩進(jìn)行亞像素級(jí)別的邊緣檢測(cè)。理想的階躍邊緣模型如圖10所示[14]。其中，m為背景灰度；l為圓心到邊緣的垂直距離；φ為邊緣關(guān)于x軸所成的角度；n為階躍高度。

圖10 理想階躍模型[14]Fig.10 Ideal step edge model[14]

如果把邊緣旋轉(zhuǎn)角度–φ，則邊緣將與y軸平行。此時(shí)，有

式中，f′（x，y）是旋轉(zhuǎn)后得到的圖像邊緣函數(shù)。

但若僅考慮理想情況下的階躍模型，便會(huì)導(dǎo)致檢測(cè)出的孔徑邊緣比較模糊。因此，這里提出對(duì)鉚釘孔徑邊緣附近的每一個(gè)像素都采用Zernike矩計(jì)算其邊緣參數(shù)的方法。當(dāng)Zernike模板為N×N時(shí)，其亞像素邊緣檢測(cè)公式為

結(jié)合鉚釘?shù)膶?shí)際情況，這里設(shè)定相對(duì)灰度閾值α和強(qiáng)度閾值β，在鉚釘孔徑邊緣附近搜索灰度值低于相對(duì)灰度閾值α的區(qū)域，并沿著這個(gè)梯度方向，找出強(qiáng)度值大于強(qiáng)度閾值β的點(diǎn)，記下其坐標(biāo)。設(shè)像素級(jí)邊緣點(diǎn)集為{V}，按照式（10）進(jìn)行計(jì)算，生成亞像素點(diǎn)集。

根據(jù)橢圓的一般方程建立優(yōu)化目標(biāo)函數(shù)。

在實(shí)際計(jì)算過(guò)程中，首先利用Canny邊緣檢測(cè)確定鉚釘孔徑圖像的像素級(jí)邊緣，再利用上述改進(jìn)的Zernike矩進(jìn)行亞像素級(jí)定位。不僅避免了繁雜的計(jì)算，而且能夠提取到精確的邊緣信息。最終完成了對(duì)鉚接孔外圓亞像素級(jí)的邊緣提取，如圖11所示。與之前的邊緣檢測(cè)方法相比，該算法檢測(cè)出的圓孔邊緣輪廓信息相對(duì)完整，實(shí)現(xiàn)了亞像素級(jí)的邊緣檢測(cè)。

圖11 亞像素級(jí)的邊緣提取Fig.11 Edge extraction in sub-pixel

2.5 基于RANSAC算法的圓擬合

隨機(jī)抽樣一致（RANSAC）算法是一種魯棒性強(qiáng)，且適用于大比例外點(diǎn)的參數(shù)估計(jì)算法[15]，最早在1981年由Raguram等[16]提出。該算法的基本假設(shè)是樣本中包含正確數(shù)據(jù)，即內(nèi)點(diǎn)（可以被模型描述的數(shù)據(jù)）；也包含異常數(shù)據(jù)，即外點(diǎn)（偏離正常范圍很遠(yuǎn)、無(wú)法適應(yīng)數(shù)學(xué)模型的數(shù)據(jù)）。

RANSAC算法的關(guān)鍵是計(jì)算出模板圖像的特征點(diǎn)與待匹配圖像的相應(yīng)特征點(diǎn)之間的坐標(biāo)轉(zhuǎn)換關(guān)系，即變換矩陣M，變換矩陣和特征點(diǎn)之間關(guān)系如式（13）所示[17]。

RANSAC算法采用迭代的方式從一組包含局外點(diǎn)的數(shù)據(jù)中估算出數(shù)學(xué)模型的參數(shù)。經(jīng)過(guò)一定次數(shù)的迭代后，選取接近合理解概率最大的樣本集，得到最合理解[18]。置信度L與迭代次數(shù)K關(guān)系式為

RANSAC算法擬合過(guò)程排除了局外點(diǎn)的干擾，并估計(jì)出高精度的模型參數(shù)，擬合結(jié)果如圖12所示。

圖12 RANSAC擬合圓Fig.12 Circle fitting in RANSAC

3 檢測(cè)試驗(yàn)與數(shù)據(jù)分析

3.1 檢測(cè)設(shè)置

開(kāi)始檢測(cè)前，分別設(shè)置锪窩外圓孔徑的基準(zhǔn)值為7190 μm和極限偏差值為50 μm，即孔徑在（7190±50） μm范圍內(nèi)，均為合格孔，否則為不合格孔，如圖13所示。

圖13 極限偏差設(shè)置Fig.13 Limit deviation setting

3.2 檢測(cè)結(jié)果

人工利用內(nèi)卡規(guī)進(jìn)行測(cè)量時(shí)，把卡規(guī)插入鉚接孔中，使測(cè)頭接觸內(nèi)孔表面，盡量保持測(cè)頭連線與孔軸線垂直，測(cè)頭沿孔壁圓周方向擺動(dòng)，卡規(guī)指示最大值即為測(cè)量值（直徑）。人工檢測(cè)進(jìn)行3次測(cè)量取其均值，并將其作為參考，檢驗(yàn)機(jī)器視覺(jué)檢測(cè)結(jié)果正確性。為了使檢測(cè)結(jié)果真實(shí)準(zhǔn)確，選取鉚接板上的5行6列共30個(gè)鉚接位置進(jìn)行3次重復(fù)檢測(cè)，記錄每個(gè)位置的鉚接孔徑尺寸信息，并對(duì)測(cè)量出的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，檢測(cè)結(jié)果如圖14所示。

圖14 檢測(cè)結(jié)果Fig.14 Test results

3.3 數(shù)據(jù)分析

將3組機(jī)器視覺(jué)檢測(cè)的鉚接孔徑的均值與人工檢測(cè)的均值數(shù)據(jù)進(jìn)行對(duì)比，如圖15所示。可以看出，兩組檢測(cè)數(shù)據(jù)的變化趨于一致，而且兩條折線在各個(gè)節(jié)點(diǎn)處相差不超過(guò)10 μm。

圖15 機(jī)器和人工檢測(cè)孔徑均值對(duì)比圖Fig.15 Comparison diagram of mean value of aperture detected by machine and manual

將3次機(jī)器視覺(jué)檢測(cè)的鉚接孔徑數(shù)據(jù)進(jìn)行對(duì)比，如圖16所示?？梢钥闯?，3者整體變化趨勢(shì)基本相同，說(shuō)明這些位置的3次檢測(cè)結(jié)果大致相同。折線波動(dòng)部分的檢測(cè)結(jié)果相差不超過(guò)10 μm，即鉚接孔徑的重復(fù)測(cè)量精度可達(dá)到10 μm。

圖16 機(jī)器視覺(jué)3次孔徑檢測(cè)對(duì)比圖Fig.16 Comparison diagram of cubic aperture detection in machine vision

將機(jī)器視覺(jué)檢測(cè)的3次鉚接孔徑分別與人工測(cè)量的均值數(shù)據(jù)作差，求出各個(gè)鉚接孔徑的差值，并將3組差值進(jìn)行對(duì)比，如圖17所示。可以看出，每點(diǎn)相差值均在10 μm以內(nèi)，說(shuō)明檢測(cè)系統(tǒng)具有較高的穩(wěn)定性。

圖17 人工和機(jī)器視覺(jué)測(cè)量偏差圖Fig.17 Deviation diagram of manual and machine vision measurement

為了更加直觀地對(duì)比機(jī)器視覺(jué)檢測(cè)與人工檢測(cè)的鉚接孔徑數(shù)據(jù)，將二者檢測(cè)數(shù)據(jù)的均值做成箱線圖，如圖18所示?？梢钥闯觯?（1）箱體在豎直方向的高度反映了數(shù)值范圍，藍(lán)色箱體整體在紅色箱體上方，說(shuō)明機(jī)器視覺(jué)檢測(cè)孔徑數(shù)值整體偏大； （2）黃色線的位置基本相同，即人工檢測(cè)和機(jī)器視覺(jué)檢測(cè)鉚接孔徑的中心趨勢(shì)基本相同； （3）小方塊表示異常值，人工與機(jī)器視覺(jué)檢測(cè)孔徑時(shí)，各出現(xiàn)1個(gè)異常點(diǎn)，說(shuō)明二者都具有良好的檢測(cè)穩(wěn)定性； （4）紫色線為非異常范圍內(nèi)的最大值和最小值，即機(jī)器視覺(jué)檢測(cè)鉚接孔徑極差更?。?（5）箱體的寬度反映了數(shù)據(jù)的散布情況，說(shuō)明二者檢測(cè)孔徑分布情況基本相同。

圖18 人工和機(jī)器視覺(jué)測(cè)量箱線圖Fig.18 Box diagram of manual and machine vision measurement

4 結(jié)論

（1）針對(duì)飛機(jī)鉚接孔徑的檢測(cè)問(wèn)題，本研究提出了一種改進(jìn)的基于Zernike矩算法的亞像素級(jí)邊緣檢測(cè)方法。該方法檢測(cè)出的圓孔邊緣輪廓信息相對(duì)完整，實(shí)現(xiàn)了亞像素級(jí)的邊緣檢測(cè)。

（2）設(shè)計(jì)了锪窩孔外圓直徑檢測(cè)系統(tǒng)，在對(duì)30個(gè)位置的鉚接孔徑進(jìn)行重復(fù)檢測(cè)，并與人工檢測(cè)結(jié)果對(duì)比后，證明該系統(tǒng)檢測(cè)結(jié)果的偏差值在±10 μm范圍內(nèi)，重復(fù)測(cè)量精度可達(dá)到10 μm。

（3）該檢測(cè)系統(tǒng)可以同時(shí)測(cè)量多個(gè)位置的孔徑，實(shí)現(xiàn)了對(duì)鉚接孔徑的高精度、高效率測(cè)量。