微內(nèi)孔形狀精度的檢測研究

蔣慶磊，范士軍，楊慕升

（1．山東理工大學(xué)機(jī)械工程學(xué)院，山東淄博255091；2．中國聯(lián)通德州市分公司，山東德州253000）

形狀精度是重要的產(chǎn)品特性之一，對工件加工質(zhì)量的檢測具有重要的意義．隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，圖像處理理論也應(yīng)用到檢測行業(yè)中．傳統(tǒng)的檢測方法存在檢查產(chǎn)品質(zhì)量效率低并且精確度不高的缺陷．本文基于圖像處理技術(shù)實(shí)現(xiàn)微內(nèi)孔形狀精度的非傳統(tǒng)檢測．

1 系統(tǒng)的工作原理

該檢測系統(tǒng)由直桿光纖鏡、CCD攝像機(jī)、圖像采集和處理系統(tǒng)組成，系統(tǒng)的總體框架如圖1所示［1]．其工作原理為：在光源的條件下，借助直桿光纖鏡探頭，通過CCD攝像頭獲取微內(nèi)孔的圖像，利用計(jì)算機(jī)圖像處理系統(tǒng)，把連續(xù)的模擬圖像信息轉(zhuǎn)換為數(shù)字信息，實(shí)現(xiàn)圖像的中值濾波、二值化處理以及邊緣檢測處理，獲取微內(nèi)孔的表面輪廓，并借助特定算法計(jì)算出微內(nèi)孔的特征參數(shù)，進(jìn)而基于判斷標(biāo)準(zhǔn)實(shí)現(xiàn)判別微內(nèi)孔是否合格的自動(dòng)化．

圖1 系統(tǒng)的總體框架圖

2 圖像處理技術(shù)

微內(nèi)孔圖像的處理，是采取圖像的增強(qiáng)來提高圖像的質(zhì)量，實(shí)現(xiàn)所需要的圖像特征的提?。畧D像處理主要采用圖像平滑和灰度修正［2]兩種方法，其中圖像平滑方法是利用中值濾波、均值濾波等算法，減少圖像噪聲來提高圖像的質(zhì)量；圖像的灰度修正，主要包含灰度變換、直方圖均衡、灰度的閾值變換等操作．

（1）中值濾波 中值濾波是采用一種非線性的濾波器，主要是利用像素點(diǎn)鄰域灰度值來替代該像素點(diǎn)灰度值．其算法是：設(shè)f（x，y）為圖像的當(dāng)前像素，切出N×M的像素塊，定義當(dāng)前像素f（x，y）的灰度值為g，則g取N×M個(gè)像素灰度值從小到大排序序列中的中值．中值濾波是利用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動(dòng)窗口，用窗口中的各點(diǎn)灰度值的中值替換特殊點(diǎn)的灰度值．當(dāng)元素個(gè)數(shù)為偶數(shù)時(shí)，中值是排序后中間兩個(gè)元素灰度值的平均值；當(dāng)元素個(gè)數(shù)為奇數(shù)時(shí)，中值是按大小排序后的中間數(shù)值．中值濾波用于去除噪聲并保留圖像的邊緣細(xì)節(jié)，產(chǎn)生較小的模糊．

（2）灰度變換 圖像采集卡獲取的圖像一般是真彩圖像，數(shù)據(jù)量大，根據(jù)需要，把彩色圖像變換為8位的灰度圖像．每種光可分解成RGB三基色光，其數(shù)值表示基色光的相對強(qiáng)度．灰度圖像是指只含有亮度信息，三基色光分量值R＝G＝B．圖像的BMP格式中，需要獲取其灰度圖像，若每個(gè)像素的R、G、B相同，該灰度圖像的值為Y，限制在灰度級區(qū)間［Ymin，Ymax] 之內(nèi)，總共256級．彩色圖像變換為灰度圖像的轉(zhuǎn)換公式為

（3）直方圖均衡 直方圖均衡是利用壓縮原圖中的像素較少的部分，拉伸像素多的部分的方法處理．

根據(jù)概率密度函數(shù)的定義

式中：A0為圖像的面積；H（x）為直方圖的高度；x為像素值．

設(shè)變換前的圖像的概率密度函數(shù)為Pr（r），變換后的概率密度函數(shù)為Ps（s），變換函數(shù)為s＝f（r），其中s、r為均衡化前后的灰度值．由數(shù)學(xué)知識得出關(guān)系式

當(dāng)沒有歸一化時(shí)，只需乘以最大灰度值（Dmax）就可以．灰度均衡的變換公式為

針對離散圖像的變換公式為

式中：DA、DB分別是灰度均衡前后的灰度值；Dmax是最大的灰度值；A0為圖像的面積；Hj是第j級灰度的像素個(gè)數(shù)．

直方均衡的結(jié)果是像素較少的灰度值與其前后的灰度值合并在一起，使其變換為一個(gè)輸出的灰度值；而像素多的灰度值被分割成多個(gè)灰度值．

（4）閾值變換 圖像閾值計(jì)算的原理，即采用圖像的灰度直方圖分布，獲取該圖像的灰度規(guī)則，再基于閾值對圖像進(jìn)行二值化處理，然后掃描，搜索圖像的邊緣，來獲取圖像的邊緣輪廓線．

灰度圖像是從圖像采集卡上獲取的真彩圖像，經(jīng)過灰度化后獲取的，有256個(gè)級別．為了分析圖像的特征，一般通過圖像的閾值分割將對象物從圖像中分割出來，取灰度值為255；其他取值為0．通過在灰度直方圖上查找谷底的取值區(qū)域，并由此確定閾值T的大小．然后對灰度圖像進(jìn)行圖像的灰度閾值變換，進(jìn)行二值化．灰度閾值變換的變換函數(shù)［3]為

3 檢測系統(tǒng)的設(shè)計(jì)

檢測系統(tǒng)的硬件部分主要包括CCD攝像機(jī)、直桿光纖鏡和圖像采集卡．CCD攝像機(jī)是一種電荷耦合器件．在微內(nèi)孔形狀精度的檢測中，為達(dá)到高精度、可靠性，選用WV－BP330攝像機(jī)，其采用了768×582像素的圖像傳感器以及信號處理集成電路．

利用光纖傳輸或借助CCD傳導(dǎo)圖像的內(nèi)窺鏡，具有高抗腐蝕性等優(yōu)點(diǎn)．本檢測系統(tǒng)以針閥體（微內(nèi)孔錐度圓環(huán)）為對象，所以選用BS4．2－305直桿光纖鏡．

圖像采集卡的作用是將CCD獲取的模擬圖像信號轉(zhuǎn)換成數(shù)字圖像信號，使計(jì)算機(jī)獲得所需要的數(shù)字信號．微內(nèi)孔形狀精度的檢測采用DH－CG300圖像采集卡．

檢測系統(tǒng)的軟件由主程序、數(shù)據(jù)管理子程序、數(shù)據(jù)采集和處理子程序等組成［3]，其流程圖如圖2所示．

圖2 檢測系統(tǒng)的主程序流程圖

4 工件檢測應(yīng)用實(shí)例與分析結(jié)果

標(biāo)準(zhǔn)微內(nèi)孔和待檢內(nèi)孔檢測過程中的圖像系列如圖3所示．針對圖3（a）待檢微內(nèi)孔圖像（圖像分辨率為748×576），采用上述算法進(jìn)行檢測．其圖像處理的步驟如下：對原始圖像進(jìn)行灰度處理，再進(jìn)行圖像的灰度均衡，采用閾值為200獲取閾值變換后的圖像，然后進(jìn)行中值濾波與圖像平滑處理，最后用Canny算子進(jìn)行邊緣檢測［4]，并采用模板匹配識別．

圓度是微內(nèi)孔形狀精度的一個(gè)重要評定指標(biāo)，選取某企業(yè)生產(chǎn)的針閥體微內(nèi)孔錐面的外圓作分析測試，內(nèi)孔的圓度測量結(jié)果見表1．按照下列計(jì)算公式獲取測量的相對誤差：

式中：δ為檢測數(shù)據(jù)相對誤差；i為內(nèi)孔標(biāo)號；Ci為第i內(nèi)孔圖像的圓度值；C是檢測數(shù)據(jù)的平均值，其計(jì)算結(jié)果為98．158%．選取12組待檢的微內(nèi)孔，獲取的圓度值見表1．

圖3 標(biāo)準(zhǔn)微內(nèi)孔和待檢內(nèi)孔檢測過程中的圖像系列

表1 微內(nèi)孔圓度C的檢測值

根據(jù)表1中獲取的檢測數(shù)據(jù)可知，標(biāo)號為6、7、11、12號的內(nèi)孔圖像的圓度參數(shù)都超過99%，因此判定這4個(gè)內(nèi)孔是合格的．

用實(shí)際獲取的數(shù)據(jù)標(biāo)準(zhǔn)偏差的δ的2倍來評判檢測的可重復(fù)性［5－7]，2σ＜±3%．而實(shí)際獲取的數(shù)據(jù)應(yīng)該滿足相對誤差＜5%，其可重復(fù)性＜±3%．這說明，該檢測系統(tǒng)的結(jié)果穩(wěn)定性很可靠．

系統(tǒng)的調(diào)試結(jié)果表明，該檢測結(jié)果可靠、穩(wěn)定，適合于微內(nèi)孔形狀精度的現(xiàn)場批量檢驗(yàn)，同時(shí)該系統(tǒng)結(jié)構(gòu)簡單、操作方便，實(shí)現(xiàn)了非傳統(tǒng)方法的檢測，具有很好的應(yīng)用前景．

［1] 張秋佳，劉明珠．基于圖像傳感器的工件表面質(zhì)量檢測系統(tǒng)的設(shè)計(jì)［J] ．機(jī)床與液壓，2008，36（3）：157－159．

［2] 段云光．圖像灰度修正及其實(shí)現(xiàn)［J] ．貴州工業(yè)大學(xué)學(xué)報(bào)，1999，28（4）：83－85．

［3] 熊秋菊．基于機(jī)器視覺的內(nèi)孔加工質(zhì)量檢測系統(tǒng)的研發(fā)［D] ．淄博：山東理工大學(xué)，2009．

［4] Lorenzo F，Emanuele N．Image Processing［J] ．Medical Radiology，2010（1）：35－44．

［5] Wooten J R，To S D F，Igathinathane C，et al．Discrimination of bark from wood chips through texture analysis by image processing［J] ．Computers and Electronics in Agriculture，2011，79（1）：13－19．

［6] Mark B．The application of machine vision to the automated inspection of knitted fabrics［J] ．Elsevier Science Ltd，1995，5（2－3）：233－243．

［7] Claudio A P，Pablo A E，Pablo A V，et al．Ore grade estimation by feature selection and voting using boundary detection in digital image analysis［J] ．International Journal of Mineral Processing，2011，101（1－4）：28－36．