基于機器視覺的錨具夾片牙面缺陷檢測方法

唐 滔，王 健，曾慶寧

(桂林電子科技大學 信息與通信學院，廣西 桂林 541004)

錨具夾片是預應力錨固體系的重要部件之一，廣泛應用于預應力構筑物，如橋梁建設、高層建筑、斜拉索等工程，其工作的可靠性和穩(wěn)定性直接影響建筑施工的安全。錨具夾片的牙面具有夾緊鋼絞線傳遞載荷的功能，是錨具夾片的關鍵部位，因此，對錨具夾片牙面缺陷檢測顯得至關重要。目前國內外大多數(shù)預應力錨具生產(chǎn)企業(yè)仍停留在人工目測來保證產(chǎn)品質量，其存在的不足是：1)勞動強度較大，工人易疲勞，錯、漏檢率較高；2)檢測成本高、效率低，限制了生產(chǎn)效率的提升。機器視覺具有可重復性、長期性和高速等特點[1-3]，因此，可利用機器視覺技術[4-6]對錨具夾片進行智能化檢測。

目前，機器視覺技術已廣泛應用于工業(yè)自動化檢測相關領域。劉峰[7]基于機器視覺實現(xiàn)了螺紋幾何參數(shù)的自動化檢測；胡佳成等[8]針對ABS齒圈環(huán)形表面缺陷檢測，利用圖像處理算法，實現(xiàn)了缺陷的分類識別；郭振黎等[9]通過模板匹配以及灰度差分處理，對各個待檢測區(qū)域進行分割，并基于顏色特征、灰度均值、區(qū)域定位及面積等特征參數(shù)對冰箱啟動器外觀缺陷進行分類識別；黃志鴻等[10]將機器視覺技術與機器學習的SVM分類方法相結合，提出以灰度方差等6種瓶口缺陷特征構成支持向量機分類算法，實現(xiàn)對啤酒瓶口缺陷檢測；周金麗等[11]針對西林瓶裝口服液可見異物的檢測，開發(fā)了一種基于機器視覺的智能識別和分揀系統(tǒng)，采用多檢測工位和多相機跟蹤拍攝的方式，并提出一種液體中微小目標的檢測算法，可準確區(qū)分可見異物。機器視覺檢測取代了傳統(tǒng)的人工檢測，提高了檢測效率與檢測質量，促進了企業(yè)的轉型升級與智能化生產(chǎn)。

針對錨具夾片牙面缺陷人工檢測不穩(wěn)定、效率低、成本高的缺點，結合企業(yè)生產(chǎn)需求，采用機器視覺技術的錨具夾片牙面缺陷檢測方法，設計了錨具夾片牙面缺陷視覺檢測系統(tǒng)，實現(xiàn)了錨具夾片牙面缺陷(爛牙、平牙、重牙、光板)的自動化檢測，提高了錨具夾片牙面缺陷檢測的速度和精度。

1 系統(tǒng)構成及檢測流程

1.1 系統(tǒng)構成

設計的錨具夾片牙面缺陷檢測系統(tǒng)裝置如圖1所示。系統(tǒng)裝置主要由系統(tǒng)電源、上位機圖像處理模塊、PLC控制模塊、圖像采集模塊和機械上下料模塊組成，其中圖像采集模塊主要包括工業(yè)相機、紅色碗燈，機械上下料模塊主要包括入料機構、傳輸料道、空氣壓縮機、振動料盤、上料道、圓形轉盤和下料機構。

圖1 錨具夾片缺陷檢測系統(tǒng)裝置

1.2 系統(tǒng)檢測流程

系統(tǒng)檢測流程如圖2所示。待檢的錨具夾片工件由人工從入料機構投入，經(jīng)傳輸料道送到振動料盤，振動料盤通過振動將無序工件自動有序定向排列整齊，并輸送到上料道，空氣壓縮機驅動氣缸，使得PLC控制器控制氣缸推桿將上料道中的工件推入圓形轉盤相應的空置工位，并通過控制圓形轉盤的轉動，使得工件有序轉動到檢測位置。當工件到達檢測位置時，上位機與PLC控制器之間通過串口進行通信，上位機實時控制工業(yè)相機采集工件的圖像并實時處理，將檢測結果數(shù)據(jù)實時發(fā)送到PLC控制器，PLC控制器根據(jù)檢測結果控制下料機構將合格與不合格的工件分別下料到指定工件箱。

圖2 系統(tǒng)檢測流程

2 圖像處理

通過圖像處理算法對上述系統(tǒng)采集的工件圖像數(shù)據(jù)進行處理，以期實現(xiàn)夾片錨具牙面缺陷識別。圖像處理流程如圖3所示。

圖3 圖像處理流程

2.1 圖像預處理

圖像預處理是為了下一步處理圖像所做的必要準備，本算法圖像預處理包括灰度化、直方圖均衡化、濾波。4類缺陷樣品經(jīng)過預處理后的圖如圖4所示。

圖4 缺陷樣品預處理后圖

工業(yè)相機采集的是RGB圖像，對其灰度化有利于運算量降低和后續(xù)圖像處理。由于圖像存在一定的噪聲，采用5×5的雙重均值濾波對圖像進行濾波，去除噪聲。直方圖均衡化通過原圖像的灰度級的概率密度函數(shù)求出灰度變換函數(shù)進行變換，使原圖像的灰度級的概率密度呈均勻分布，增加了圖像灰度的動態(tài)范圍，從而增強工件圖像的對比度，方便后續(xù)特征提取。圖像均衡算法[12]如下：

1)求出待處理圖像的直方圖，

(1)

其中：rk為第k級灰度；nk為圖像中灰度級為rk的像素個數(shù)；N為圖像的總像素。圖像的灰度為[0，L-1]。

2)利用累計分布函數(shù)對原圖像的灰度直方圖進行變換，得到新的圖像灰度：

(2)

其中：0≤ri≤1；sk為累計分布函數(shù)。

3)進行近似處理，以新灰度代替舊灰度，同時將灰度值相等或近似的直方圖合并，得到新直方圖P(s)。

2.2 ROI區(qū)域提取

為了確?？焖偬崛⊙烂嫒毕萏卣鳎鑼z測區(qū)域ROI進行定位提取。以合格樣品為例，牙面檢測區(qū)域如圖5(a)所示矩形框，牙面區(qū)域邊界與其他區(qū)域存在明顯的灰度值差異，通過對預處理后的圖像進行二值化處理，然后通過二值圖快速定位到如圖5(b)所示的4個框所在邊界區(qū)域，最后根據(jù)定位到的邊界區(qū)域坐標對預處理后的圖進行裁剪，得到ROI區(qū)域圖像，如圖5(c)所示。

圖5 ROI圖像提取

圖像二值化采用OTSU最大類間方差算法[13]。算法原理為：

設k為圖像二值分割時的閾值，圖像的灰度分級為0，1，…，L-1，灰度為i的像素數(shù)目為ni，總像素N=n0+n1+…+nL-1，各灰度值的概率為pi=ni/N，圖像的總均值μT和閾值為k時的灰度平均值μ(k)為：

(3)

(4)

圖像分為C0=[0,1,…,k]和C1=[k+1,k+2,…,L-1]2組，2組產(chǎn)生的概率為：

(5)

w1(k)=1-w0(k)。

(6)

C0和C1的平均值為：

(7)

(8)

w1(k)[μ1(k)-μT]2，

(9)

進一步可得

(10)

k的取值為[1，L-1]，σB2(k)最大值時的k即為所選閾值。

2.3 邊緣檢測

圖像經(jīng)過ROI提取得到缺陷檢測區(qū)域圖像，為了提取牙面缺陷，經(jīng)過理論分析以及實驗研究，通過邊緣檢測得到牙面螺紋牙的邊緣，以初步表達牙面缺陷特征。邊緣是指亮度函數(shù)發(fā)生急劇變化的位置[14]，采用Canny邊緣檢測算子來計算圖像的梯度，從而測量邊緣強度，并將局部強度值存在變化的區(qū)域加以顯現(xiàn)[12]。實驗結果表明，夾片牙面的邊緣檢測采用Canny檢測算子效果較好，可實現(xiàn)邊緣特征的提取。各類樣品檢測效果如圖6所示。

圖6 邊緣檢測效果圖

Canny算子作為一種邊緣檢測常用算子[15]，其具體步驟為：

1)采用二維高斯濾波器平滑圖像。

2)利用梯度算子(如Prewitt、Sobel等)計算平滑后的圖像在x、y方向的梯度Gx、Gy，得到梯度幅值G和方向角θ[8]：

(11)

(12)

梯度方向角度一般取0°、45°、90°、135°。

3)非極大值抑制。非極大值抑制用來排除非邊緣像素，其中保留了一些細線條，并作為候選邊緣[11]。

4)滯后閾值。滯后閾值分別設定高閾值和低閾值，若某一像素位置的幅值大于高閾值，則被認為邊緣點；若某一像素位置的幅值小于低閾值，則該像素被排除；若某一像素位置的幅值在2個閾值之間，則該像素僅僅在連接到一個高于高閾值的像素時被保留。

2.4 中值濾波和形態(tài)學處理

2.4.1 中值濾波

邊緣檢測后，高頻前景噪點多呈離散態(tài)單獨存在，中值濾波器對離散噪點的處理效果較好[8]。采用3×3模板窗口處理邊緣檢測圖，用窗口中各點灰度的中值代替指定點的灰度值[16]。中值濾波的輸出結果為：

(13)

其中：y為圖像中值濾波結果；n為模板窗口內像素點的個數(shù)；x1,x2,…,xn分別為模板窗口內的像素點。

2.4.2 形態(tài)學處理

中值濾波后，錨具夾片牙面的螺紋邊緣更加清楚，但邊緣輪廓會存在一些斷點，給后續(xù)特征提取識別帶來誤差，因此，采用形態(tài)學處理連接斷點。形態(tài)學處理是通過結構元素進行運算，結構元素相當于信號處理中的“濾波窗口”[17]。

設A為輸入圖像，B為結構元素，腐蝕和膨脹的定義如下：

腐蝕：

AΘB={x∶B(x)?E}。

(14)

膨脹：

A⊕B={y∶B(y)∩E≠?}。

(15)

將腐蝕和膨脹進行復合運算，可得到2種典型的變換算子[18]。先腐蝕再膨脹稱為開運算，用于消除圖像中小于結構元素的細節(jié)部分,物體的局部形狀保持不變。先膨脹再腐蝕稱為閉運算，用于連接鄰近的物體，填補小空洞，填平窄縫隙使得物體邊緣更平滑[14]。通過多次實驗，采用先閉后開的形態(tài)學處理。中值濾波和形態(tài)學處理效果見圖7。

圖7 中值濾波和形態(tài)學處理效果圖

2.5 缺陷提取與判別

經(jīng)大量的夾片樣品圖像的特征提取與分析，錨具夾片牙面缺陷特征可通過以下2個參數(shù)判別：1)牙面單個邊緣對平均像素點個數(shù)NYK；2)牙面邊緣對的平均個數(shù)NYS。參數(shù)統(tǒng)計表如表1所示。

表1 參數(shù)統(tǒng)計表

單個邊緣對可表示一條螺紋牙，設NYK為螺紋牙的牙寬，NYS為螺紋牙的總數(shù)，同時設置各類缺陷的閾值，通過與設定的閾值比較，各類樣品判別規(guī)則如表2所示。

表2 判別規(guī)則表

3 實驗結果與分析

針對錨具夾片牙面爛牙、平牙、重牙、光板等4類缺陷類型，每種缺陷類型各選取100個檢測樣品，并選取820個合格樣品，在圖1的系統(tǒng)平臺進行在線測試。系統(tǒng)平臺運行環(huán)境為：工業(yè)相機為維視圖像MV-VD130，圖像分辨率為1 280×1 024，圖像采集系統(tǒng)采用碗形LED紅色光源，上位機處理器采用Intel i7，運行系統(tǒng)為Window7 64位。檢測結果如表3所示。其中m為待檢樣品數(shù)，n為檢測系統(tǒng)識別正確數(shù)，η為分類準確率，s為漏檢片數(shù)。

表3 檢測結果

從表2可看到，缺陷分類正確率≥94%，合格識別正確率≥96.2%，本系統(tǒng)的漏檢率<1%，同時，平均檢測速度每片≤0.2 s，優(yōu)于人工檢測速度(0.8 s)。因此，本系統(tǒng)可以滿足企業(yè)生產(chǎn)過程中自動化檢測要求，可解決人工檢測存在的問題。

4 結束語

針對錨具夾片牙面缺陷人工檢測的不足，設計了一套基于機器視覺理論的錨具夾片牙面缺陷檢測系統(tǒng)。實驗結果表明，通過圖像預處理、ROI提取、邊緣檢測、中值濾波和形態(tài)學處理，提取夾片牙面的邊緣對特征來表征缺陷，對牙面缺陷進行檢測具有很好的準確度。今后研究重點是實現(xiàn)準確率更高、檢測速度更快和漏檢率更低的檢測系統(tǒng)。