基于機器視覺的工件鋸片缺陷檢測系統(tǒng)設(shè)計

管小衛(wèi)　丁琳

摘 要：針對利用人的感覺器官在工業(yè)生產(chǎn)線檢測中的不足，提出了一個基于機器視覺的鋸片缺陷檢測系統(tǒng)。通過工業(yè)數(shù)碼相機等硬件采集圖像信息，采用亞像素精度閾值分割等圖像處理算法并借助機器視覺庫Halcon對采集的原始圖像進行處理，最后輸出檢測結(jié)果，提高了工業(yè)生產(chǎn)線檢測的效率。

關(guān)鍵詞：機器視覺；鋸片；檢測系統(tǒng)

中圖分類號：TP391.41 文獻標(biāo)識碼：A

Abstract：Aiming at the shortage of the human sense organs in the industrial production line detection，the paper proposes a machine vision-based defect detection system for workpiece saw blade.The system applies industrial digital cameras to collect images，uses sub-pixel accuracy threshold segmentation as the image processing algorithm，adopts the professional machine vision library，Halcon，to process the original images，and finally outputs the test results.The system actually improves the detection efficiency of the industrial production line.

Keywords：machine vision；saw blade；detection system

1 引言（Introduction）

機器視覺工件檢測系統(tǒng)要求能在生產(chǎn)線上實時、準(zhǔn)確地利用一些經(jīng)典的邊緣檢測算子，比如Sobel算子、Prewitt算子[1]、Laplace算子和Canny算子[2]及其改進型的LoG算子[3]等圖像處理算法檢測出工件上主要的缺陷，然后通過統(tǒng)計分析評價出產(chǎn)品的質(zhì)量狀況。若采用傳統(tǒng)的人工測量、計算、統(tǒng)計的方法進行識別，其效率極低，且產(chǎn)品質(zhì)量無法得到有效保證，難以滿足高精度的產(chǎn)品測量和高效率的生產(chǎn)線需求[4-6]。目前機器視覺技術(shù)進行工件檢測，在工業(yè)領(lǐng)域應(yīng)用較廣泛，具有非接觸、無磨損、高效率等優(yōu)點[7，8]，彌補了人眼檢測的不足。

本文以鋸片鋸齒兩側(cè)的坡口角度缺陷的檢測為例，提出了一套基于機器視覺的工件檢測系統(tǒng)。該系統(tǒng)由硬件系統(tǒng)和計算機軟件系統(tǒng)兩大部分組成，主要通過鏡頭、工業(yè)數(shù)碼相機，圖像采集卡等硬件系統(tǒng)完成圖像的采集，利用亞像素精度閾值圖像分割算法、幾何基元的分割算法、輪廓特征提取算法等圖像處理算法，借助專業(yè)的機器視覺庫Halcon[9，10]，設(shè)計一個視覺檢測軟件，對采集的原始圖象進行處理并輸出結(jié)果。

2 計算機視覺檢測系統(tǒng)的構(gòu)成（The composition of

computer vision inspection system）

計算機視覺檢測系統(tǒng)由硬件和軟件兩大部分構(gòu)成。硬件系統(tǒng)的功能是用于采集原始數(shù)字圖像，主要由光源、光學(xué)系統(tǒng)、CCD相機、圖像采集卡和控制執(zhí)行模塊等幾部分組成，軟件系統(tǒng)的功能是利用相應(yīng)的圖像處理算法對采集到的圖像進行處理和識別。如圖1所示。

本文以鋸片缺陷的檢測為例，應(yīng)根據(jù)系統(tǒng)分辨率和檢測精度的要求合理地選擇檢測系統(tǒng)的光源、照明方式、照明環(huán)境、工業(yè)相機、鏡頭、圖像采集卡等硬件模塊，如表1所示。只有采集到優(yōu)質(zhì)的鋸片檢測圖像，才能為圖像處理提供保證，提高檢測效率。

3 圖像處理算法（Image processing algorithm）

機器視覺檢測系統(tǒng)另一重要內(nèi)容是圖像處理算法的設(shè)計，使用合適的編程語言描述并運行，通過圖像處理達到鋸片缺陷提取，最終實現(xiàn)機器視覺檢測系統(tǒng)的應(yīng)用。

首先從采集得到的原始圖像中提取鋸片的輪廓，然后對輪廓進行分離得到鋸齒，利用特征提取法得到鋸齒輪廓，最后計算出鋸齒的坡口角度。如圖2所示。

3.1 亞像素精度閾值分割算法[11]

若把圖像看成是一個連續(xù)的函數(shù)，那么圖像邊緣可以定義為若干個點，這些點的方向?qū)?shù)（即灰度值變化率）在垂直于邊緣的方向上是局部最大的。

為獲取比原始圖像更高的分辨率圖像，可從原始圖像中提取亞像素精度數(shù)據(jù)，亞像素精度數(shù)據(jù)可以通過亞像素閾值分割或亞像素邊緣提取來獲得。最簡單的圖像分割算法是閾值分割算法。閾值分割的操作被定義為：

（1）

式中（r， c）表示某像素的坐標(biāo)，fr，c表示灰度值，gmin和gmax分別表示選擇的最小閾值和最大閾值，該操作表示當(dāng)灰度值滿足式（1）時，則輸出到區(qū)域S中。閾值分割算法執(zhí)行速度較快，因為它對每個像素僅比較一次。若圖像邊緣比較模糊，則所選的閾值對定位邊緣有一定的影響。

使用亞像素精度閾值分割算法能得到由一組邊緣控制點形成的輪廓。圖像上的兩個區(qū)域以該輪廓分界，兩個區(qū)域的灰度值分別大于和小于gsub，為得到這個輪廓，可將圖像邊緣周圍的像素“連續(xù)”化表示成一個函數(shù)。其中一個簡單方法就是通過雙線性插值來處理，以達到像素細(xì)分的目的[12]。

（2）

通過重復(fù)選取未被處理的線段和附近的線段，直到形成閉合的輪廓，使用圖像灰度函數(shù)f（r，c）和常量函數(shù)g（r，c）=gsub相交運算得到亞像素精度閾值分割的結(jié)果。

3.2 幾何基元的分割和擬合算法

首先，把輪廓劃分為圓弧和直線段，分離直線段和相鄰的圓弧形狀之間的間隙，然后計算出鋸齒的每一側(cè)的方向。通過起始點和結(jié)束點將其轉(zhuǎn)化為一條直線并計算這條線的角度。然而，經(jīng)處理的圖像的頂部不一定是非常尖銳的，和理想的鋸齒有一定的差異，導(dǎo)致計算鋸齒方向錯誤。因此，使用最小二乘法進行直線擬合，利用輪廓線段上所有的點，這樣可以得到擬合很好的直線。

3.3 圖像特征提取

特征提取是對原始圖像分割后選出部分輪廓或區(qū)域，從中找出一些特征量。

一個閉合且不自相交的輪廓其所圍繞的范圍將產(chǎn)生一個區(qū)域，那么輪廓跟前面提過的區(qū)域一樣也存在面積。若使用（r1，c1）=（rn，cn）表示一個閉合的輪廓，R表示輪廓包圍的亞像素精度區(qū)域集合，則階矩（p，q）可定義為：

4 實驗結(jié)果（Experimental result）

（1）獲取圖像輪廓

利用機器視覺軟件Halcon實現(xiàn)鋸片缺陷檢測的流程和部分代碼，首先提取鋸片圖像亞像素精度的輪廓，本系統(tǒng)選擇的是背光照明，圖像背景為白色，鋸片為黑色，如圖3所示。

（2）圖像輪廓分割

通過使用前面描述的算法將輪廓分割為線和圓弧，一方面Ramer算法可區(qū)分每個鋸齒的正面和后面，另一方面可以將相鄰鋸齒之間的空隙圓弧和鋸齒的直線段部分分離，圖4為得到的將原始輪廓分為圓弧和線段后的輪廓結(jié)果，圖5為去掉過長和過短及圓弧后剩下的鋸齒。

（3）計算鋸齒每側(cè)的方向和夾角

計算方向較好的方法是利用輪廓線段上所用的點，通過使用前面介紹的線段擬合的算法得到擬合很好的直線。

（4）結(jié)果分析

以機器視覺庫Halcon為軟件平臺，將以上算法設(shè)計成程序并對鋸齒的角度做計算。使用F5快捷鍵或單擊軟件界面的“運行”按鈕執(zhí)行程序后，可在程序圖形界面窗口中依次顯示工件鋸齒的角度。當(dāng)前窗口顯示的結(jié)果是鋸齒兩側(cè)用紅線標(biāo)記，如圖6所示，精度為0.01°。所有已檢測的工件鋸齒的結(jié)果可通過變量窗口的Angles行中依次顯示，當(dāng)前檢測的鋸齒角度通過Angle行顯示，測量單位是弧度，精度為0.000001°，顯示結(jié)果如圖7所示。

5 結(jié)論（Conclusion）

本文針對鋸片缺陷，運用了機器視覺檢測技術(shù)，對鋸片缺陷檢測技術(shù)的開發(fā)進行了一定的嘗試。本文對系統(tǒng)所使用的亞像素精度閾值分割、幾何基元的分割、輪廓特征提取、線段擬合等圖像處理算法進行了描述，最后基于機器視覺軟件Halcon搭建了針對鋸片缺陷檢測的機器視覺軟件平臺，最終實現(xiàn)鋸片缺陷檢測結(jié)果的輸出。

基于機器視覺的鋸片缺陷檢測系統(tǒng)是一個龐大而復(fù)雜的項目，在本系統(tǒng)中只針對鋸片尺寸缺陷中鋸齒坡角檢測進行了研究和設(shè)計，而實際鋸片尺寸缺陷的種類很多，如齒高、齒寬、鋸片厚度等，因此有必要進一步研究鋸片其他種類缺陷的機器視覺檢測。除此之外，還可根據(jù)實際情況對光源和照明方式等圖像采集系統(tǒng)做進一步的改進。

參考文獻（References）

[1] Prewitt J M S.Object Enhancement and Extraction[C].Picture Processing and Psychopictorics.Academic Press，New York，1970：75-149.

[2] Canny J.A Computational Approach to Edge Detection[J].IEEE Trans. Pattern Analysis and Machine Intelligence，

1986，8（6）：679-698.

[3] Marr D，Hildreth E.Theory of Edge Detection[C].Proceedings of the Royal Society of London.Series B，Biological Sciences，1980，207（1167）：187-217.

[4] 吳新杰，王苗苗，黃國興.基于粒子濾波和機器視覺的圓形零件尺寸測量[J].機械設(shè)計與制造，2012，11：49-51.

[5] 王曉翠，張玉連，麻恒闊.基于圖像處理的零件尺寸測量系統(tǒng)的研究[J].航空精密制造技術(shù)，2007，06：27-30.

[6] 賀雅琴，李琳.基于機器視覺的零件尺寸檢測的研究[J].煤礦機械，2010，06：102-104.

[7] 祁曉玲，趙霞霞，靳伍銀.基于機器視覺的軸類零件幾何尺寸測量[J].組合機床與自動化加工技術(shù)，2013，01：65-67；73.

[8] 王玉槐，等.薄片工業(yè)件特征在線視覺檢測系統(tǒng)研究[J].機床與液壓，2013，07：97-100.

[9] 章毓晉.機器視覺和圖像技術(shù)[J].自動化博覽，2009，02：20-25.

[10] 楊少榮，吳迪靖，段德山.機器視覺算法與應(yīng)用[Z].北京：清華大學(xué)出版社，2008.

[11] 李景峰，楊麗娜，潘恒.串口通信技術(shù)詳解[Z].北京：機械工業(yè)出版社，2008.

[12] 關(guān)波，等.刀具輪廓亞像素精度閾值分割算法研究[J].圖學(xué)學(xué)報，2014，06：950-953.

作者簡介：

管小衛(wèi)（1981-），男，碩士，講師.研究領(lǐng)域：圖像處理，軟件

工程.

丁 琳（1980-），女，本科，講師.研究領(lǐng)域：物聯(lián)網(wǎng)技術(shù).