基于機器視覺的差速器卡簧裝配防錯檢測研究*

任永強 杜 瑞 李 軍

(合肥工業(yè)大學(xué)機械工程學(xué)院，安徽 合肥 230009)

在自動化裝配線中，關(guān)于零部件錯裝漏裝的檢測技術(shù)已經(jīng)成為影響自動化程度和智能制造水平的關(guān)鍵因素[1]。差速器總成作為變速箱裝配中的重要部件，其裝配質(zhì)量嚴(yán)重影響著整條變速箱裝配生產(chǎn)線的生產(chǎn)效率[2]。如圖1所示，差速器總成的軸用卡簧由于結(jié)構(gòu)尺寸較小，通常使用卡簧鉗手動裝配在一字軸上，然后將差速器總成放入托盤中。通過視覺檢測代替人工檢測卡簧是否錯裝漏裝，可以有效地降低誤檢率，適應(yīng)生產(chǎn)節(jié)拍要求，從而進一步提高變速箱裝配線的自動化水平[3]。

1 視覺檢測系統(tǒng)

差速器總成由人工裝配完成后，置于圖2所示旋轉(zhuǎn)檢測臺的定位座上。伺服電動機轉(zhuǎn)動檢測臺至工業(yè)相機拍照位置停止，檢測卡簧裝配合格后，定位座由檢測臺內(nèi)的旋轉(zhuǎn)氣缸轉(zhuǎn)動180°檢測一字軸另一端卡簧。檢測不合格，旋轉(zhuǎn)檢測臺返回原位報錯。兩次檢測均合格后，差速器總成被夾緊氣缸和伺服機械手吊至裝配線體的托盤上，整個檢測流程結(jié)束。

視覺檢測系統(tǒng)的控制原理如圖3所示，工業(yè)相機通過網(wǎng)口與工控一體機連接，相機接收檢測軟件觸發(fā)后拍照回傳，軟件檢測合格后通過以太網(wǎng)將結(jié)果發(fā)送給PLC，PLC控制伺服電動機等執(zhí)行機構(gòu)完成動作。檢測過程中LED光源由PLC控制開關(guān)。

2 圖像處理

2.1 圖像處理流程

考慮到卡簧的檢測視野范圍較小，如圖4所示，選用某品牌CMOS面陣工業(yè)相機、配50 mm焦距鏡頭，工作距離300 mm，視野范圍40 mm×30 mm。光源選擇環(huán)形無影白色LED光源，配雙路控制器。

設(shè)置相機的拍攝大小為540×480像素，格式為彩色24位圖像。先對彩色源圖像進行灰度化處理，以提取卡簧輪廓。由于差速器殼體的加工表面粗糙度差，導(dǎo)致干擾信息過多，需要在保留卡簧輪廓特征的條件下對目標(biāo)圖像進行濾波降噪。而且卡簧金屬表面經(jīng)圖像處理后可能會有邊緣模糊和間斷的情況出現(xiàn)，還需要膨脹處理使得輪廓連續(xù)。經(jīng)過以上一系列預(yù)處理之后再提取輪廓，設(shè)計算法檢測出卡簧雙耳的圓孔，計算圓孔中心距離從而判斷卡簧是否裝配合格。詳細(xì)處理流程如圖5所示。

2.2 圖像處理算法

相機采集到的彩色24位圖像每個像素用3個字節(jié)表示，每個字節(jié)對應(yīng)著R、G、B分量的亮度(紅、綠、藍(lán))，由于圖像處理的大多數(shù)算法都是在灰度圖像上進行的，所以必須將彩色圖像灰度化才能進一步處理?；叶绒D(zhuǎn)換公式為：

其中，Gray(x,y)為轉(zhuǎn)換后得圖像在(x,y)點的灰度值(540×480圖像中x540,y480)。 灰度值的范圍是0～255，需要對灰度圖像進行閾值分割使得黑色(0)與白色(255)區(qū)分更為明顯。設(shè)定閾值為thresh，像素灰度最大值為maxval，分割后(x,y)點灰度值：

經(jīng)過灰度化和閾值分割的卡簧圖像如圖6所示，其中閾值分割參數(shù)thresh=152，maxval=255。

為了盡量保留卡簧圖像的細(xì)節(jié)特征條件下對圖中的斑點噪聲進行抑制，必須要使用濾波降噪，濾波效果的好壞直接影響到后續(xù)處理的有效性和可靠性。中值濾波是一種基于排序統(tǒng)計理論的非線性平滑算法，基本原理就是把像素點的灰度值用該點領(lǐng)域中各點的中值代替，從而消除孤立的噪點。

取3×3的像素矩陣為例，中值濾波算法先將元素值進行排序得(0,13,24,75,86,149,171,213,255)，中間點經(jīng)過中值濾波后取值86。由于排序取中值，中值濾波矩陣階數(shù)必須為奇數(shù)。調(diào)整階數(shù)為5×5、7×7或者9×9將得到不同的濾波效果。圖7是將上述閾值分割處理所得圖像分別經(jīng)過5×5和9×9中值濾波得到的卡簧圖像。隨著濾波矩陣階數(shù)的增加，卡簧雙耳圓孔的輪廓邊緣特征愈加明顯，噪點也相應(yīng)大幅減少，但階數(shù)過高會導(dǎo)致邊緣特征丟失，所以需要根據(jù)實際選取最佳濾波階數(shù)。

Canny邊緣檢測算子由于不丟失重要邊緣，檢測到的邊緣與實際偏差較小的特性被廣泛應(yīng)用，其原理是將上述處理的圖像f(x,y)與高斯平滑算子G(x,y)作卷積，其中：

再求出局部邊緣的法向：

根據(jù)二階導(dǎo)數(shù)過零點的邊緣檢測原理找出邊緣位置：

從而保留了每個像素點上梯度強度極大值，刪掉其他值。此時的圖像仍然有很多噪點。Canny算法應(yīng)用雙閾值以篩選邊緣。設(shè)定一個閾值上界和閾值下界，像素點超出閾值上界必然是邊緣。低于閾值下界不是邊緣。通常閾值上界設(shè)定為閾值下界的3倍效果最佳。最后通過滯后閾值處理，消除紋狀的斷開邊緣響應(yīng)，得到連續(xù)的邊緣，如圖8左側(cè)所示。

為了防止邊緣仍然存在微小的斷點，影響卡簧圓孔邊緣檢測，再使用膨脹優(yōu)化。膨脹就是求圖像局部最大值，將圖像src(x,y)與帶有錨點的正方形核(x′,y′)進行卷積，計算出核覆蓋區(qū)域的像素點最大值，并將最大值賦給錨點所在的像素點，數(shù)學(xué)表達(dá)式如下：

膨脹后圖像的高亮區(qū)逐漸增長，達(dá)到擴大邊緣使其連續(xù)的目的，處理效果如圖8右側(cè)所示。

經(jīng)過上述預(yù)處理后的圖像dst(x,y)輪廓分明。傳統(tǒng)的霍夫變換檢測圓形輪廓需要較大內(nèi)存且速度緩慢。這里采用一種基于面積周長比值的快速提取圓形輪廓方法。首先獲取圖像中各個輪廓的面積A和周長C，圓形的面積與周長平方的比值為：

而圖像dst(x,y)得到的卡簧圓孔輪廓通常不是標(biāo)準(zhǔn)的圓形，其比值小于0.079 6，而且其他閉合輪廓的比值也小于0.079 6，這里給出篩選比值的范圍：

0.063

這樣既能檢測出接近于圓的卡簧圓孔輪廓，也能屏蔽其他異形輪廓的干擾。然而還有一些很小的輪廓會被誤判成卡簧圓孔，再使用面積與周長比值：

上式可以得到圓形輪廓的半徑，根據(jù)像素距離限制半徑范圍12pixel

再分別取圓孔輪廓的外接矩形，將矩形的中心作為卡簧雙耳圓孔的圓心，利用兩點間直線距離公式計算出圓孔像素距離：

由于卡簧錯裝時雙耳圓心距離較大，所以根據(jù)實際限定圓孔距離d的范圍(例如120pixel

3 視覺檢測軟件設(shè)計

EmguCV是.NET平臺下對計算機視覺庫OpenCV圖像處理庫的封裝，能夠用.NET兼容的編程語言C#調(diào)用OpenCV的函數(shù)。C#程序在調(diào)用EmguCV的函數(shù)前先引用EmguCV幾個基本動態(tài)鏈接庫：

using Emgu.CV;

using Emgu.CV.Util;

using Emgu.CV.Structure;

using Emgu.CV.CvEnum;

using Emgu.Util;

以上動態(tài)鏈接庫包含了常用的圖像處理算法和類庫。針對卡簧圖像的預(yù)處理流程如下：

Image img= img.Convert(); //灰度化

img =img.SmoothMedian(par.MedianSize);

//中值濾波(參數(shù)MedianSize)

CvInvoke.Threshold(img, img, par.Thresh, par.MaxVal, ThresholdType.Binary);

//閾值分割(參數(shù)Thresh,MaxVal)

img = img.Canny(par.CannyThresh, par.CannyThresh * 3);

//Canny邊緣檢測，參數(shù)閾值上界是下界值3倍

img = img.Dilate(par.Interations);

imgout = img; //結(jié)果輸出

其中par是卡簧檢測參數(shù)類RingPars的對象。RingPars將參數(shù)封裝成屬性，配置這些參數(shù)的窗口界面如圖10所示。參數(shù)配置過程中圖像實時處理并顯示，用戶可根據(jù)實際采集的照片質(zhì)量，保存預(yù)處理效果最佳的一組參數(shù)用于下一步檢測。右下方的卡簧距離限定可設(shè)置卡簧雙耳圓孔圓心距離限定范圍。

其中img為預(yù)處理得到的卡簧圖像，vvp為存儲所有輪廓的對象。篩選圓孔輪廓的代碼：

for (int i = 0; i < vvp.Size; i++) //遍歷所有輪廓

{ double area =CvInvoke.ContourArea(vvp[i]);

//獲取當(dāng)前輪廓的面積；

double length = CvInvoke.ArcLength(vvp[i], true); //獲取當(dāng)前輪廓的周長

double r = (area / length) * 2;

//當(dāng)前輪廓半徑

doublep = (area / (length * length));

//面積與周長平方比值p

if (p > 0.063&& p < 0.0796) //通過p篩選

{

if (12< r && r < 15) //通過半徑篩選

{

circle_vvp.Push(vvp[i]);

//提取篩選后的圓輪廓

} } }

經(jīng)過篩選后circle_vvp中存儲著卡簧圓孔輪廓，再繪制外接矩形和兩圓心連接線段。部分代碼如下：

for (int i = 0; i < circle_vvp.Size; i++)

{ //獲取圓孔輪廓的外接矩形

Rectangle rect = CvInvoke.BoundingRectangle(circle_vvp[i]); imgSrc.Draw(rect, new Bgr(230, 255,230), 2); //繪制矩形

pList.Add(new Point(rect.X + rect.Width / 2, rect.Y + rect.Height / 2)); // 獲取兩圓心

}

Point[] p = new Point[2];

p[0] = ListPoint[0]; p[1] = ListPoint[1];

LineSegment2D line = new LineSegment2D(p[0], p[1]); // 創(chuàng)建線段

imgMeas.Draw(line, new Bgr(230, 255, 230), 2, LineType.AntiAlias, 0); // 繪制線段

length = line.Length; // 得到圓心距離

imageBox1.Image = imgMeas;// 主界面顯示圖像

軟件檢測主界面如圖11所示，檢測結(jié)果列表中顯示了當(dāng)前檢測詳細(xì)信息。

4 試驗與分析

準(zhǔn)備多個差速器總成樣件，放入旋轉(zhuǎn)檢測臺進行試驗，記錄視覺檢測軟件的結(jié)果并驗證軟件檢測數(shù)據(jù)是否準(zhǔn)確，如表1所示。

表1 檢測試驗數(shù)據(jù)

試驗序號檢測卡簧有無圓孔間距/pixel裝配是否合格檢測用時/ms檢測準(zhǔn)確驗證1有130合格33√2無/漏裝31√3有132合格34√4有157錯裝34√5有131合格31√6有130合格33√7無/漏裝245×8有154錯裝37√9有131合格34√10有131合格31√

通過驗證可以說明軟件檢測準(zhǔn)確性較高，多次試驗準(zhǔn)確率可達(dá)95%以上，且檢測用時較短，滿足實時性要求。試驗過程中影響檢測準(zhǔn)確性的因素主要有：

(1)差速器加工表面粗糙度。

(2)差速器定位座定位精度。

(3)相機與光源支架穩(wěn)定性。

(4)外界環(huán)境光的干擾。

5 結(jié)語

利用機器視覺相關(guān)理論及算法，通過檢測卡簧雙耳的輪廓圓判斷卡簧是否漏裝，計算輪廓圓心像素距離判斷卡簧是否錯裝，從而完成了對差速器卡簧的裝配防錯檢測。設(shè)計視覺檢測平臺及軟件，對軟件的實時性和準(zhǔn)確性做了試驗驗證，系統(tǒng)滿足實際生產(chǎn)需求，提高了裝配線的自動化水平。

[1]陳向偉,王海月.基于計算機視覺的軸套零件尺寸測量 [J] .制造技術(shù)與機床,2014(10):85-88.

[2]韓冰.基于機器視覺的發(fā)動機活塞裝配防錯檢測技術(shù)研究[D].濟南：山東大學(xué),2009.

[3]劉霞.工業(yè)零件形狀尺寸的機器視覺檢測系統(tǒng)的研究[D].哈爾濱：哈爾濱理工大學(xué),2009.

[4]韓思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002(6):91-102.

[5]Canny J.A computational approach to edge detection [J] .Pattern Analysis & Machine Intelligence IEEE Transactions on, 1986, PAMI-8(6):679-698.

[6]王曉東, 宋洪俠, 劉超,等.基于機器視覺的微小型零件測量與裝配控制 [J].哈爾濱工程大學(xué)報,2011,32(9):1117-1122.

[7]張少偉.基于機器視覺的邊緣檢測算法研究與應(yīng)用[D].上海：上海交通大學(xué), 2013.

[8]Duchene J, Leclercq S.An optimal transformation for discriminant and principle component analysis, [J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1988, 10(6): 978-983.

[9]王化楠.Hough變換在視覺檢測系統(tǒng)中的應(yīng)用研究 [D].大連：大連理工大學(xué),2006.

[10]趙春江.C#數(shù)字圖像處理算法典型實例 [M].北京：人民郵電出版社,2009.

[11]Milan Sonka,Vaclav Hlavac,Roger Boyle.Image processing, analysis and machine vision[M].北京：清華大學(xué)出版社,2011.