藥柱盲孔質(zhì)量檢測(cè)算法研究 ①

于蘇洋，閆子龍，姜春英，袁睿斌，張 渝

(1.沈陽(yáng)航空航天大學(xué) 機(jī)電工程學(xué)院，沈陽(yáng) 110136；2.上海航天化工應(yīng)用研究所，湖州 313002)

0 引言

對(duì)于小型戰(zhàn)術(shù)導(dǎo)彈，為提高發(fā)動(dòng)機(jī)的裝填密度和推力，常在藥柱中埋入銀絲，以提高藥柱的燃速[1]。在內(nèi)埋銀絲后，為了增大燃面，縮短燃面爬升坡段，需要在藥柱端面上沿銀絲方向鉆盲孔[2]。當(dāng)盲孔內(nèi)殘留有較大藥屑時(shí)將會(huì)導(dǎo)致點(diǎn)火瞬間由于燃燒不均勻使得藥柱的結(jié)構(gòu)完整性受到破壞而發(fā)生爆炸[3]。所以，對(duì)藥柱盲孔進(jìn)行孔內(nèi)質(zhì)量檢測(cè)對(duì)導(dǎo)彈的穩(wěn)定性與可靠性具有關(guān)鍵性的作用。

傳統(tǒng)的孔內(nèi)質(zhì)量檢測(cè)方法為對(duì)各個(gè)孔打光后人工進(jìn)行觀察，效率低且引入了人為因素，使得孔內(nèi)質(zhì)量檢測(cè)的一致性較差，嚴(yán)重影響了藥柱整形加工的效率，采用機(jī)器視覺(jué)的計(jì)算機(jī)處理方法進(jìn)行盲孔質(zhì)量檢測(cè)，能較好的克服人為因素的影響，并大大提高檢測(cè)效率。

本文根據(jù)藥柱盲孔內(nèi)圖片的特征，提出了一種孔內(nèi)質(zhì)量檢測(cè)算法，首先通過(guò)自適應(yīng)閾值分割提取出圖像的感興趣區(qū)域，在該區(qū)域內(nèi)進(jìn)行圖像局部模糊度計(jì)算得到殘留藥屑的粗略輪廓，然后進(jìn)行圖像閉運(yùn)算得到清晰的殘留藥屑形狀，最后計(jì)算最大內(nèi)切圓半徑進(jìn)行量化評(píng)分。

1 藥柱盲孔質(zhì)量檢測(cè)視覺(jué)系統(tǒng)

藥柱整形自動(dòng)化生產(chǎn)系統(tǒng)中，藥柱盲孔質(zhì)量檢測(cè)視覺(jué)系統(tǒng)如圖1所示，包括工業(yè)相機(jī)、定焦鏡頭、同軸光源、工控機(jī)。其中，視覺(jué)硬件系統(tǒng)的關(guān)鍵之一是光源的選取，由于盲孔較深，采用普通光源不能照到孔的底部，而同軸光源使得物體反射后的光線與成像光軸處于同一個(gè)軸線上，由圖1中的光路可以看到，選用同軸光源能夠清晰取得盲孔內(nèi)圖片，便于后續(xù)算法的處理[4]。

圖1 盲孔質(zhì)量檢測(cè)視覺(jué)系統(tǒng)

2 盲孔質(zhì)量檢測(cè)算法

孔內(nèi)無(wú)大塊藥屑時(shí)，相機(jī)采到的盲孔圖片見(jiàn)圖2(a)；有大塊藥屑時(shí)，相機(jī)采到的盲孔圖片見(jiàn)圖2(b)。下文算法針對(duì)圖2(b)進(jìn)行處理。

(a)No drug debris (b)Drug debris

從圖2可看到，當(dāng)孔內(nèi)有殘留大塊藥屑時(shí)，將會(huì)出現(xiàn)局部失焦情況，根據(jù)該特征，本文提出了一種基于模糊度計(jì)算與形態(tài)學(xué)閉運(yùn)算處理的孔內(nèi)質(zhì)量檢測(cè)算法。首先，對(duì)圖片進(jìn)行自適應(yīng)閾值分割提取出圖像的感興趣區(qū)域，在感興趣區(qū)域內(nèi)根據(jù)有藥屑時(shí)的局部失焦特征進(jìn)行圖像局部模糊度計(jì)算得到藥屑的粗略形狀，然后進(jìn)行圖像閉運(yùn)算得到清晰的藥屑輪廓，最后通過(guò)提取最大內(nèi)切圓進(jìn)行量化評(píng)分。檢測(cè)算法的整體流程如圖3所示。

圖3 盲孔質(zhì)量檢測(cè)流程圖

2.1 自適應(yīng)閾值分割設(shè)定感興趣區(qū)域

由于圖片中盲孔的位置為待處理圖像的感興趣區(qū)域，所以通過(guò)提取感興趣區(qū)域可以加快處理速度[5]。設(shè)定盲孔內(nèi)部為目標(biāo)區(qū)域，盲孔外部為背景區(qū)域，圖像的灰度直方圖如圖4所示，可以看到圖像的目標(biāo)區(qū)域與背景區(qū)域有較好的區(qū)分度，所以采用全局閾值分割法進(jìn)行自適應(yīng)閾值分割[6]。

圖4 盲孔圖像的灰度直方圖

自適應(yīng)閾值分割設(shè)定感興趣區(qū)域步驟如下：

(1)選取圖像灰度值的中值Tm作為初始閾值如式(1)所示：

Tn=Tm(n=0)

(1)

(2)通過(guò)閾值Tn將圖像分割為兩部分：目標(biāo)區(qū)域W1，由灰度值小于等于Tn的像素組成，背景區(qū)域W2，由大于Tn的像素組成。

(3)計(jì)算W1與W2中所有像素的平均灰度值μ1和μ2，新的閾值由式(2)可得：

(2)

(4)重復(fù)步驟(2)與步驟(3)進(jìn)行n次迭代后直到連續(xù)迭代閾值的差值ΔT小于預(yù)設(shè)值σ得到最終的分割閾值Tn，其中，σ決定著算法的運(yùn)算次數(shù)和閾值分割的準(zhǔn)確性。針對(duì)現(xiàn)有工件工藝特征，通過(guò)多次實(shí)驗(yàn)，選取σ小于0.01作為終止條件時(shí)，可較快速準(zhǔn)確的分割得到盲孔輪廓。

(5)得到分割閾值后，通過(guò)式(3)對(duì)圖片進(jìn)行閾值分割，得到二值圖，如圖5(a)所示[7]。

(3)

式中f(m,n)為像素坐標(biāo)系下(m,n)處閾值分割后的像素值；g(m,n)為像素坐標(biāo)系下(m,n)處原圖像的像素值。

(6)由于圖片中盲孔內(nèi)為感興趣區(qū)域，取二值圖中盲孔的外切矩形(圖5(b))所對(duì)應(yīng)的原圖范圍作為感興趣區(qū)域，如圖5(c)所示。

2.經(jīng)營(yíng)者要形成“加大經(jīng)濟(jì)管理與科研投入”的管理認(rèn)識(shí)。企業(yè)意識(shí)到開(kāi)展經(jīng)濟(jì)管理的必要性，這極為難得。特別是要在重視科研的基礎(chǔ)上，將各種科技活動(dòng)與經(jīng)濟(jì)發(fā)展進(jìn)行結(jié)合。使用經(jīng)濟(jì)管理理念，其最理想的目標(biāo)就是讓企業(yè)的投資最低，但是收益最大。所以，在知識(shí)經(jīng)濟(jì)時(shí)代，企業(yè)在開(kāi)展經(jīng)濟(jì)管理活動(dòng)時(shí)，必須提高對(duì)經(jīng)濟(jì)管理的價(jià)值認(rèn)識(shí)，對(duì)經(jīng)營(yíng)活動(dòng)進(jìn)行動(dòng)態(tài)調(diào)整。目前很多企業(yè)的經(jīng)營(yíng)者缺乏必要的時(shí)代意識(shí)，忽略了知識(shí)經(jīng)濟(jì)的大環(huán)境要求，因此，整個(gè)企業(yè)的發(fā)展水平始終沒(méi)有得到提升。

(a)Threshold segmentation

(b)Enclosing rectangle (c)Region of interest

2.2 圖片局部模糊度計(jì)算

提取出圖片中的感興趣區(qū)域后，需要在圖片中確定感興趣區(qū)域中的盲孔范圍內(nèi)是否有殘留的大塊藥屑。分析圖片特征，當(dāng)盲孔內(nèi)有殘留大塊藥屑時(shí)，圖片中將會(huì)因?yàn)榫植渴Ы钩霈F(xiàn)局部模糊。對(duì)于圖片中清晰的部分，灰度值變化劇烈；而對(duì)于圖片中局部失焦的部分，灰度值變化平緩。圖片局部方差可反映圖片的灰度值變化程度，所以將圖片局部方差作為圖片的局部模糊度，如式(4)所示[8-9]。

(4)

式中μ、δ、M×N分別為灰度值的均值、圖片局部模糊度、窗口的大小。

通過(guò)滑動(dòng)窗口遍歷圖片計(jì)算感興趣區(qū)域中各個(gè)位置的局部模糊度，生成局部模糊度圖片，如圖6所示。通過(guò)圖6可觀察到殘留藥屑的形狀及不同的窗口大小得到的模糊度圖片。由圖6(a)可觀察到，當(dāng)窗口選擇過(guò)小時(shí)，圖片中干擾過(guò)多，不利于后續(xù)分析；由圖6(c)可知，當(dāng)窗口選擇過(guò)大時(shí)，殘留藥屑的尺寸將會(huì)減小。當(dāng)矩形窗口邊長(zhǎng)位于區(qū)間[15,25](單位為像素，文中后續(xù)算法中單位均為像素)內(nèi)時(shí)，殘留藥屑的信息能夠被較好的保留，本文選擇21×21的窗口遍歷圖片得到局部模糊度圖片，如圖6(b)所示。

(a)11×11 (b)21×21 (c)31×31

2.3 圖像形態(tài)學(xué)閉運(yùn)算處理

圖像的形態(tài)學(xué)處理可保持圖像的基本形狀特征，消除不相干的結(jié)構(gòu)。因此，分析圖片特征，圖片中的干擾對(duì)于其周圍區(qū)域較為分散，采用形態(tài)學(xué)閉運(yùn)算對(duì)其處理(先膨脹后腐蝕)，可以進(jìn)一步清除局部模糊度圖片中的較多干擾，得到清晰的殘留藥屑輪廓[10-11]。

2.3.1 圖像形態(tài)學(xué)膨脹

圖像形態(tài)學(xué)膨脹即為擴(kuò)展圖片中的亮區(qū)域。膨脹過(guò)程如式(5)所示，即將滑動(dòng)窗口內(nèi)的最大值作為該位置的像素值。

f′(m,n)=max(g(x,y)|(x,y)∈D)

(5)

式中f′(m,n)為像素坐標(biāo)系下(m,n)處形態(tài)學(xué)膨脹后的像素值；g(x,y)為像素坐標(biāo)系下滑動(dòng)窗口(x,y)處在局部模糊度圖中對(duì)應(yīng)的像素值；D為滑動(dòng)窗口內(nèi)坐標(biāo)的集合。

(a)Small window (b)Big window (c)Appropriate window

2.3.2 圖像形態(tài)學(xué)腐蝕

圖像形態(tài)學(xué)腐蝕即為擴(kuò)展圖片中的暗區(qū)域，腐蝕過(guò)程如式(6)所示，即將滑動(dòng)窗口內(nèi)的最小值作為該范圍的像素值。

f″(m,n)=min[g′(x,y)|(x,y)∈D]

(6)

式中f″(m,n)為像素坐標(biāo)系下(m,n)處形態(tài)學(xué)腐蝕后的像素值；g′(x,y)為像素坐標(biāo)系下滑動(dòng)窗口(x,y)處在圖像膨脹圖中對(duì)應(yīng)的像素值；D為滑動(dòng)窗口內(nèi)坐標(biāo)的集合。

對(duì)圖片進(jìn)行形態(tài)學(xué)膨脹后，殘留藥屑的形狀被部分消除，通過(guò)對(duì)圖片進(jìn)行形態(tài)學(xué)腐蝕可以恢復(fù)殘留藥屑的形狀，形態(tài)學(xué)腐蝕后的圖片如圖8所示，當(dāng)窗口尺寸過(guò)大時(shí)，將會(huì)受到盲孔外部區(qū)域的影響使得盲孔整體向內(nèi)收縮如圖8(b)所示，通過(guò)多次實(shí)驗(yàn)得到矩形窗口邊長(zhǎng)在小于40時(shí)有較好的效果，本文取矩形窗口邊長(zhǎng)為17，處理后得到的圖片如圖8(a)所示，從圖中可以看到通過(guò)圖像閉運(yùn)算所得到清晰的殘留藥屑形狀，便于后續(xù)算法進(jìn)行量化分析。

(a)Appropriate window (b)Big window

2.4 最大內(nèi)切圓生成

對(duì)圖片進(jìn)行閉運(yùn)算處理后得到殘留藥屑的清晰形狀，需要對(duì)其進(jìn)行量化分析。采用最大內(nèi)切圓法對(duì)圖片進(jìn)行處理，得到的內(nèi)切圓大小能夠較好地反映出孔內(nèi)藥屑?xì)埩舻那闆r。生成最大內(nèi)切圓的步驟如下[12]：

(1)閾值分割生成二值圖。對(duì)于閉運(yùn)算后的圖片，殘留藥屑輪廓清晰的顯示出來(lái)。由于盲孔內(nèi)無(wú)藥屑的部分為最大灰度值255，因此取閾值為255，通過(guò)式(3)進(jìn)行閾值分割，得到二值圖如圖9(a)所示。

(2)獲取盲孔輪廓。由于盲孔在二值圖中為最大輪廓，則可通過(guò)邊界追蹤算法找出步驟(1)得到的二值圖中的各個(gè)輪廓[13]，進(jìn)行比較得到最大的輪廓即為盲孔輪廓，設(shè)該輪廓的點(diǎn)集為Ω。

(3)計(jì)算盲孔內(nèi)部點(diǎn)到盲孔輪廓的距離。當(dāng)圓與盲孔輪廓內(nèi)切時(shí)，圓的半徑即為圓心到盲孔輪廓距離的最小值。設(shè)盲孔內(nèi)部點(diǎn)的點(diǎn)集為r，計(jì)算盲孔內(nèi)部各點(diǎn)到盲孔輪廓的最小距離如式(7)所示：

(7)

式中dmin為盲孔內(nèi)部點(diǎn)到盲孔輪廓的最小距離；xΩ、yΩ分別為盲孔輪廓上的橫縱坐標(biāo)值；xr、yr分別為盲孔內(nèi)部點(diǎn)的橫縱坐標(biāo)值。

(4)最大內(nèi)切圓求取。重復(fù)步驟(3)，遍歷盲孔內(nèi)部點(diǎn)，當(dāng)盲孔內(nèi)部點(diǎn)到盲孔輪廓的最小距離最大時(shí)，即找到最大內(nèi)切圓，該點(diǎn)即為最大內(nèi)切圓的圓心，該距離即為最大內(nèi)切圓的半徑，如式(8)所示。將找到的最大內(nèi)切圓在二值圖與閉運(yùn)算圖中表示出來(lái)，如圖9(b)與圖9(c)所示。

R=max(dmin)

(8)

式中R為最大內(nèi)切圓的半徑。

(a)Binary image (b)Binary graph (c)Closed graph

2.5 量化評(píng)分

無(wú)殘留藥屑時(shí)得到的最大內(nèi)切圓在閉運(yùn)算圖中表示如圖10所示，對(duì)比圖9(c)可以觀察到，當(dāng)盲孔內(nèi)無(wú)大塊藥屑?xì)埩魰r(shí)，最大內(nèi)切圓在一定范圍內(nèi)浮動(dòng)如圖10所示；當(dāng)盲孔內(nèi)有大塊殘留藥屑時(shí)，最大內(nèi)切圓較小如圖9(c)所示。因此，可以選用盲孔內(nèi)最大內(nèi)切圓的大小作為量化評(píng)價(jià)盲孔內(nèi)較大藥屑?xì)埩羟闆r的判斷標(biāo)準(zhǔn)。

圖10 無(wú)殘留藥屑時(shí)最大內(nèi)切圓

通過(guò)30次采圖實(shí)驗(yàn)分析，得到最大內(nèi)切圓半徑的統(tǒng)計(jì)曲線圖如圖11所示，可觀察到無(wú)殘留藥屑時(shí)最大內(nèi)切圓半徑在區(qū)間(530,570)內(nèi)浮動(dòng)。選取區(qū)間最小值作為量化評(píng)分的閾值s，當(dāng)最大內(nèi)切圓半徑小于s/2時(shí)，說(shuō)明殘留藥屑的尺寸大于盲孔的一半，此時(shí)通過(guò)分值變化判斷藥屑尺寸的變化趨勢(shì)已無(wú)意義，所以設(shè)定內(nèi)切圓半徑小于等于s/2時(shí)均為基礎(chǔ)分值40，當(dāng)最大內(nèi)切圓半徑位于區(qū)間(s/2,s)時(shí)可根據(jù)藥屑尺寸變化計(jì)算分值，評(píng)分標(biāo)準(zhǔn)如式(9)所示，當(dāng)分值不為100時(shí)說(shuō)明孔內(nèi)有殘留大塊藥屑。

圖11 無(wú)殘留藥屑時(shí)最大內(nèi)切圓半徑統(tǒng)計(jì)曲線圖

(9)

3 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文所提出的盲孔質(zhì)量檢測(cè)算法的穩(wěn)定性與可靠性，進(jìn)行了對(duì)人為加入藥屑的多個(gè)盲孔進(jìn)行質(zhì)量檢測(cè)評(píng)分的實(shí)測(cè)驗(yàn)證。

各個(gè)孔的質(zhì)量檢測(cè)評(píng)分如表1所示，通過(guò)觀察表1所得的評(píng)分?jǐn)?shù)據(jù)可知，對(duì)同一個(gè)孔進(jìn)行定量加藥屑時(shí)，其分值變化隨著藥屑尺寸的增大逐漸減小，說(shuō)明盲孔檢測(cè)算法對(duì)孔內(nèi)殘留藥屑的檢測(cè)具有較好的可靠性；同時(shí)，對(duì)不同的孔檢測(cè)結(jié)果也有相同的趨勢(shì)，說(shuō)明該算法具有較好的穩(wěn)定性。

表1 各個(gè)孔質(zhì)量檢測(cè)評(píng)分

4 結(jié)論

本文針對(duì)藥柱盲孔殘留藥屑的自動(dòng)質(zhì)量檢測(cè)需求，提出了基于模糊度計(jì)算與形態(tài)學(xué)閉運(yùn)算處理的視覺(jué)處理算法，并提出利用評(píng)分標(biāo)準(zhǔn)判斷有無(wú)藥屑與藥屑?xì)埩舳嗌俚牧炕u(píng)價(jià)方法，具有較好的適用性與可靠性。相比于人工檢測(cè)，該方法效率高且一致性好，當(dāng)盲孔內(nèi)有較大殘留藥屑時(shí)，能夠準(zhǔn)確的對(duì)其進(jìn)行量化評(píng)分，滿足自動(dòng)化批量生產(chǎn)的需求。