基于機(jī)器視覺的電連接器殼體表面質(zhì)量實現(xiàn)

李健康，黃建斌，劉 涵，許楨英

(江蘇大學(xué) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013)

基于機(jī)器視覺的電連接器殼體表面質(zhì)量實現(xiàn)

李健康，黃建斌，劉 涵，許楨英

(江蘇大學(xué) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013)

針對表面檢測中存在的問題，文中以研磨工藝的電連接器殼體為研究對象，提出了一種基于機(jī)器視覺的表面檢測方法。使用基于小波分析的方法對表面缺陷進(jìn)行檢測，繼而對無表面缺陷的殼體檢測表面粗糙度檢測。提取不同等級表面粗糙度比較樣塊圖像的8個灰度共生矩陣特征，進(jìn)行最小二乘法直線擬合，依據(jù)擬合優(yōu)度，擇優(yōu)建立表面粗糙度關(guān)系模型，并根據(jù)該模型對待測殼體表面粗糙度進(jìn)行實驗分析。實驗結(jié)果表明，該模型的表面粗糙度檢測誤差在7%以下。

機(jī)器視覺；殼體；表面質(zhì)量；小波；灰度共生矩陣

電連接器組件是航空航天乃至家用電器領(lǐng)域的控制與驅(qū)動系統(tǒng)中的重要基礎(chǔ)元器件。其表面質(zhì)量涵蓋表面缺陷和表面粗糙度兩個方面，任一方面的質(zhì)量問題都嚴(yán)重影響其密封性和耐腐蝕性[1-2]。

目前多數(shù)電連接器企業(yè)都采用人工檢測，然而長時間單一產(chǎn)品的重復(fù)性檢測，勞動強(qiáng)度大，眼睛極易疲勞，并且容易受情緒的影響，同時每個工人的檢測標(biāo)準(zhǔn)不一致，因此難以保證檢測的高質(zhì)量[3-4]。

為了實現(xiàn)表面粗糙度高效率高精度檢測，本文以電連接器殼體為對象，研究提出一種電連接器殼體表面質(zhì)量的視覺檢測方法。本文方法的提出為以后類似樣品的表面粗糙度檢測提供了依據(jù)。

1 表面檢測系統(tǒng)搭建

表面檢測系統(tǒng)包括3個方面：視覺系統(tǒng)、圖像處理軟件和實驗工件。視覺系統(tǒng)用于采集高質(zhì)量工件表面圖像[5]；圖像處理軟件使用Matlab軟件，用于對采集到的圖像進(jìn)行處理；實驗工件包括研磨表面粗糙度比較樣塊和研磨加工電連接器殼體。

圖1 電連接器殼體實物圖

視覺系統(tǒng)主要包括工業(yè)相機(jī)、鏡頭、環(huán)形光源。本文工業(yè)相機(jī)為AVT Guppy Pro F201B，分辨率1 624×1 234，逐行CCD；鏡頭為Computar MG3Z1228FC-MP，該鏡頭為變焦鏡頭，焦距范圍為12～36 mm；環(huán)形光源為東冠RIN-132-3R-10W。整體結(jié)構(gòu)如圖2所示。

圖2 視覺系統(tǒng)圖

研磨表面粗糙度比較樣塊包含4塊不同等級的樣塊，粗糙度分別為0.012，0.025，0.05，0.1；待測研磨加工電連接器殼體，如圖1所示。

2 圖像處理方法

電連接器殼體的表面缺陷反映在圖像上是灰度值相近或者相同的連通區(qū)域。這些連通區(qū)域影響著表面粗糙度參數(shù)的提取，因此表面粗糙度檢測之前，需先進(jìn)行殼體表面缺陷檢測。

2.1 表面缺陷檢測

電連接器殼體表面加工痕跡為單一方向紋理，若使用傳統(tǒng)基于邊緣檢測的圖像分割算法將出現(xiàn)大量偽邊緣，穩(wěn)定性較差。

二維小波變換可以將一副圖像分解成4個分量：近似分量、垂直細(xì)節(jié)分量、水平細(xì)節(jié)分量和對角細(xì)節(jié)分量4個分量[6]，分別反映圖像的概貌、水平方向、垂直方向和對角方向信息。充分利用4個小波變換的分量信息，可以對某方向的信息進(jìn)行有選擇的舍棄或增強(qiáng)。電連接器殼體表面紋理方向不一，因此在小波分析之前要對圖像進(jìn)行旋轉(zhuǎn)變換。

Radon變換是計算在某個方向的直線上的積分[7-8]，如果圖像內(nèi)包含一條直線，則沿著該直線對圖像進(jìn)行積分時得到的積分值相對于其他方向的直線較大，假設(shè)圖像二值化邊緣Radon變換空間的峰值對應(yīng)的積分直線角度為θ，那么要將原圖像扶正[9]，需要翻轉(zhuǎn)的角度β=|90°-θ|。

2.2 表面粗糙度特征參數(shù)提取

灰度共生矩陣[10-13]是針對灰度和位置關(guān)系特性對圖像的紋理進(jìn)行分析的方法。常用的灰度共生矩陣特征參數(shù)[13]有相關(guān)系數(shù)(Corr)(以下均為本文簡稱)、

慣性矩(Cont)、均值和(SoA)、方差(Variance，Vari)、方差和(SoV)、能量(ASM)、逆差矩(IDM)、熵(Entr)。本文獲取了20組樣品對應(yīng)的灰度共生矩陣的8個特征值，如表1所示。由于電連接器殼體制造不牽涉表面粗糙度等級0.012，因此本文不對該等級做對應(yīng)分析。

表1 灰度共生矩陣特征參數(shù)

2.3 表面粗糙度檢測模型建立

對表1中的參數(shù)進(jìn)行了最小二乘法的擬合如圖3～圖4所示，為方便觀察，8個特征參數(shù)分兩組顯示。

圖3 特征參數(shù)擬合1

圖4 特征參數(shù)擬合2

8個特征參數(shù)的擬合優(yōu)度如表2所示，擬合優(yōu)度越大，擬合程度越好，反之，則說明直線擬合程度較差。

表2 特征參數(shù)擬合優(yōu)度

從表2可知，參數(shù)方差和(SoV)的直線擬合優(yōu)度最高，因此本文選擇方差和來建立表面粗糙度特征參數(shù)與不同表面粗糙度等級之間的關(guān)系模型，如圖5所示。

圖5 表面粗糙度關(guān)系模型

3 實驗結(jié)果與分析

3.1 表面缺陷檢測實驗

圖6為電連接器殼體缺陷原圖，圖7為對原缺陷圖經(jīng)過Radon變換和旋轉(zhuǎn)變換得到的圖像進(jìn)行一層小波分解并將近似分量和垂直細(xì)節(jié)分量置零之后的重構(gòu)圖像?？梢钥闯?，經(jīng)過原圖像的小波分解與重構(gòu)，大幅降低了研磨加工紋理對目標(biāo)缺陷區(qū)域提取的影響。

圖6 缺陷原圖

圖7 小波分析圖像

經(jīng)過小波分解和重構(gòu)，缺陷區(qū)域的背景從復(fù)雜變?yōu)楹唵?，可以根?jù)閾值分割的方法進(jìn)行缺陷區(qū)域的分割。如圖8為先閾值分割后進(jìn)行先腐蝕后膨脹[14-15]的操作得到的圖像，即為原殼體表面缺陷區(qū)域。

圖8 形態(tài)學(xué)操作

3.2 表面粗糙度檢測實驗

表3為本文獲取的不同等級表面粗糙度殼體圖像的方差和數(shù)據(jù)；表4為利用方差和數(shù)據(jù)，依據(jù)建立的表面粗糙度模型進(jìn)行反求表面粗糙度的結(jié)果。

表3 殼體多次測量的方差和

表4 殼體表面粗糙度測量數(shù)據(jù)

4 結(jié)束語

通過實驗分析，本文基于小波分析的紋理缺陷檢測方法能有效抑制殼體表面背景區(qū)域紋理對表面缺陷檢測和分割的影響，缺陷區(qū)域的檢測和分割得到較好的效果?；诜讲詈蛥?shù)建立起的關(guān)系模型能夠比較真實的反映研磨表面的表面粗糙度狀況，測量誤差低于7%。且非接觸式測量不會對原電連接器殼體造成二次傷害，因此在實際運用的過程中，該方法也會有較好的合理性。

[1] 馮秀,顧伯勤. 表面形貌的研究現(xiàn)狀及發(fā)展趨勢[J]. 潤滑與密封,2006(2): 168-170.

[2] 林濱,黃新雁,魏瑩,等. 加工表面形貌測量理論、方法及評價[J]. 制造業(yè)自動化, 2006,28(8): 14-18.

[3] 許楨英,李健康,凌俊,等. 基于HALCON的電連接器殼體缺陷檢測系統(tǒng)設(shè)計[J]. 制造業(yè)自動化,2015,37(18):135-138.

[4] 孫懷遠(yuǎn),廖躍華,周夫之,等. 基于HALCON的藥品包裝瓶批號檢測技術(shù)研究[J]. 包裝工程, 2008, 29(8): 71-73.

[5] 郝煥瑞.鋼球表面缺陷檢測儀中的視覺系統(tǒng)研究[D].哈爾濱:哈爾濱理工大學(xué), 2009.

[6] 韓芳芳. 表面缺陷視覺在線檢測關(guān)鍵技術(shù)研究[D].天津:天津大學(xué),2012.

[7] 貢麗霞,白艷萍. Radon變換在傾斜車牌圖像校正中的應(yīng)用[J]. 測試技術(shù)學(xué)報, 2009,23(5):452-456.

[8] 吳珅,黃道平,劉少君. 基于Radon變換的文本圖像傾斜校正[J]. 自動化與信息工程, 2013(5):11-15.

[9] 張建. 基于圖像法的工件表面粗糙度檢測系統(tǒng)研究[D]. 南京:南京航空航天大學(xué), 2011.

[10] Haralick R M. Statistical and structural approaches to texture[C].CA,USA:Proceedings of the IEEE,1979.

[11] 汪黎明,陳健敏,王銳,等. 織物折皺紋理灰度共生矩陣分析[J]. 青島大學(xué)學(xué)報:工程技術(shù)版, 2003,18(4):5-8.

[12] 張臘梅,王國喜,莊雪晶. 薄膜褶皺的紋理特征分析[J].哈爾濱工業(yè)大學(xué)學(xué)報, 2006,38(9):1419-1421.

[13] 王輝. 基于灰度共生矩陣木材表面紋理模式識別方法的研究[D].哈爾濱:東北林業(yè)大學(xué),2007.

[14] 吳一全,宋昱,周懷春. 基于各向異性數(shù)學(xué)形態(tài)學(xué)的火焰圖像邊緣檢測[J]. 儀器儀表學(xué)報,2013,34(8):1818-1825.

[15] 楊麗雯,曾朝陽,張永繼. 一種基于數(shù)學(xué)形態(tài)學(xué)的灰度圖像邊緣檢測方法[J]. 國外電子測量技術(shù),2012(2):27-30，38.

Research for Surface Quality of Electric Connector Shell Based on Machine Vision

LI Jiankang, HUANG Jianbin, LIU Han, XU Zhenying

(School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, China)

Aiming at the problem of surface detection, this paper proposes a set of surface detection method based on machine vision. The surface defects are detected by using wavelet analysis method, and then the surface roughness of the shell without surface defects is detected. 8 GLCM features are extracted from different levels of surface roughness of comparative sample image, linear fitting with least square method, basis of goodness of fit, preferred to establish the relationship model of surface roughness, and according to the model treats the measured shell surface rough degree of experimental analysis. The experimental results show that the model of surface roughness detection error is below 7%.

machine vision；electric connector shell；surface quality；wavelet；GLCM

2016- 04- 28

李健康(1989-)，男，碩士研究生。研究方向：機(jī)器視覺。

10.16180/j.cnki.issn1007-7820.2017.03.040

TP242.6+2

A

1007-7820(2017)03-146-04