基于機器視覺的發(fā)動機熱端螺紋缺失檢測方法

袁正 穆平安

摘 要：為了實現(xiàn)對發(fā)動機熱端總成安裝情況的實時監(jiān)測，避免在生產(chǎn)過程中出現(xiàn)不合格的產(chǎn)品，以CCT15發(fā)動機熱端總成為研究對象，重點研究其中各內(nèi)孔螺紋是否缺失的機器視覺判斷實現(xiàn)方法，設(shè)計了一種將采樣約束與相關(guān)像素近圓分布選擇并用的改進隨機Hough圓檢測方法，提高了熱端總成整體圖像中螺孔及凸焊螺母等目標區(qū)域的定位可靠性。將檢測出的圓個數(shù)與標準零件中需要安裝的個數(shù)進行對比，從而判斷內(nèi)孔螺紋是否漏裝、少裝。實驗結(jié)果表明，該方法能準確并且快速檢測出發(fā)動機熱端總成的螺紋缺失情況，具有較高應用價值。

關(guān)鍵詞：缺陷檢測;機器視覺;發(fā)動機熱端總成;Hough變換圓檢測算法

DOI：10. 11907/rjdk. 192538 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）008-0024-06

Abstract： In order to realize real-time monitoring of engine hot-end assembly installation and avoid unqualified products in the production process. In this paper， the hot end of CCT15 engine is taken as the research object， and the realization method of machine vision judgment on whether the threads of each inner hole are missing is studied. An improved random Hough circle detection method which combines sampling constraints with the selection of near-circle distribution of relevant pixels is designed to improve the positioning reliability of target areas such as holes and convex welded nuts in the whole image of the hot end assembly. We compare the number of circles detected with the number of standard parts that need to be installed， so as to judge whether the inner hole threads are missing and less installed. The experimental results show that the method can detect the thread missing of engine hot end assembly accurately and quickly， and has great application significance.

Key Words： defect detection; machine vision; engine hot end assembly; Hough circle detection ?algorithm

0 引言

發(fā)動機熱端總成是發(fā)動機十分重要的部件，其工作環(huán)境受高溫和振動等因素影響，對性能及質(zhì)量要求較高[1]。在生產(chǎn)過程中對熱端總成實施逐一檢測十分重要，由此可以盡早發(fā)現(xiàn)問題，以免不合格的產(chǎn)品進入整車裝配引起嚴重后果。對于發(fā)動機熱端總成零件檢測，傳統(tǒng)方法是由人工完成檢測，工人用眼睛觀察發(fā)動機熱端總成表面各部分是否存在缺陷（固定螺栓處防松墊片是否漏裝、凸焊螺母及螺孔是否漏螺紋等）[2]。但是，人工檢測方法會受制于人的疲勞局限，在人員配備上必須留有充分余地。如果能夠?qū)崿F(xiàn)不依賴于人眼觀察的自動檢測，可以在滿足生產(chǎn)現(xiàn)場質(zhì)量監(jiān)控要求的基礎(chǔ)上，顯著降低人員勞動強度，提高生產(chǎn)效率。

隨著計算機技術(shù)的發(fā)展，加上圖像采集越來越便捷，機器視覺技術(shù)的應用場景也越來越廣泛[4-6]。在工業(yè)檢測方面，機器視覺代替人眼觀察，可以顯著降低人員勞動強度，減少人員配備成本。進一步，還可以實時進行生產(chǎn)質(zhì)量數(shù)據(jù)監(jiān)測，減少次品生產(chǎn)，提高產(chǎn)品品質(zhì)，確保產(chǎn)品質(zhì)量穩(wěn)定性[7-10]。對于圓形零配件檢測，往往采用具有較高魯棒性的Hough變換算法[11-14]。然而Hough變換算法在檢測圓形結(jié)構(gòu)時具有較高復雜度，導致該算法并不能夠直接應用于工業(yè)實時檢測中。因此，近年來，學者們提出了一些改進的Hough變換算法[15-16]，如隨機Hough變換算法等[17-19]，該算法較好地降低了Hough變換的空間復雜度和時間復雜度，但是仍會造成過多的無效累積[20-21]。

針對隨機Hough變換圓檢測算法存在的不足，本文設(shè)計了一種基于采樣約束及相關(guān)像素近圓分布選擇的改進隨機Hough圓檢測算法。從減少無效累積的方向出發(fā)，將約束采樣空間和減少計算量兩方面結(jié)合并用，對隨機Hough變換圓檢測算法作進一步優(yōu)化。通過實驗驗證，該算法能夠準確快速地將熱端總成表面的螺孔及凸焊螺母目標區(qū)域定位出來。

1 圓檢測算法及改進

1.1 傳統(tǒng)Hough變換圓檢測算法

傳統(tǒng)Hough變換圓檢測算法[20-21]的原理是利用點與線之間的對偶關(guān)系，將圖像空間經(jīng)Hough變換映射到參數(shù)空間后，原圖中的點[（xi，yi）] 對應參數(shù)空間中一個三維直立圓錐，而原圖中圓上的點對應到參數(shù)空間中的圓錐一定交于一點[（a0，b0，r0）]，一旦確定這一交點坐標，則可確定原圖中圓的圓心坐標[（a0，b0）]和半徑[r0]，如圖1所示。這樣就將圓檢測問題轉(zhuǎn)化為尋找參數(shù)空間角點的問題。

根據(jù)以上相關(guān)像素近圓分布選擇方法，能夠直接判斷相關(guān)點是否符合圓的特性，減少隨機Hough變換圓檢測時的無效累積問題。

（3）合并采用幾何特性約束與相關(guān)像素分布選擇的改進方法。上述（1）和（2）分別在定位準確率及減少無效累積方面具有明顯效果，若合并采用改進隨機Hough變換圓檢測算法，效果則更為突出。

改進后的算法流程如圖3所示。

并用幾何特性約束與相關(guān)像素分布選擇算法能夠極大減少其它非感興趣區(qū)域的干擾，既能降低圓檢測時的無效累積，又能提高檢測準確率，從而提高熱端總成整體圖像中目標區(qū)域的提取效率。

2 檢測系統(tǒng)方案設(shè)計

2.1 系統(tǒng)總體構(gòu)成

基于機器視覺的CCT15發(fā)動機熱端總成缺陷監(jiān)測系統(tǒng)主要由硬件系統(tǒng)和軟件系統(tǒng)構(gòu)成。硬件系統(tǒng)主要實現(xiàn)圖像的采集和傳輸功能，結(jié)構(gòu)設(shè)計通常較為固定，一般采用通用性強、市場量大、技術(shù)性能好且性價比高的零部件，但對于每個零件具體參數(shù)的選取要根據(jù)具體應用環(huán)境及應用目標決定。

CCT15發(fā)動機熱端總成螺紋缺失檢測系統(tǒng)最為重要的是軟件部分設(shè)計，主要實現(xiàn)采集圖像分析和缺陷檢測功能，軟件系統(tǒng)主要包括圖像處理和缺陷檢測算法。綜合硬件環(huán)境及軟件設(shè)計，本文基于熱端總成缺陷檢測系統(tǒng)總體框架設(shè)計如圖4所示。

在合適的光源等圖像采集環(huán)境下，通過攝像機獲取待檢測圖像并傳輸至計算機進行處理，利用設(shè)計的圖像處理及缺陷檢測軟件算法對待測圖像進行處理，得到檢測結(jié)果并輸出。

2.2 硬件系統(tǒng)設(shè)計

工業(yè)生產(chǎn)現(xiàn)場CCT15發(fā)動機熱端總成的工件檢測環(huán)境如圖5（a）所示，總成工件周圍的結(jié)構(gòu)件是實施幾何要素位置度、輪廓度的檢測裝置。將總成工件周圍結(jié)構(gòu)件翻轉(zhuǎn)后的檢測環(huán)境如圖5（b）所示，熱端總成工件上部的諸螺紋孔即可通過懸在上方的攝像裝置觀察和拍攝圖像。根據(jù)工業(yè)現(xiàn)場情況，在實驗室采用的熱端總成圖像采集裝置構(gòu)成如圖5（c）所示。

檢測裝置硬件主要由光源、工業(yè)相機、計算機等部分組成。一般而言，硬件部分配置應盡可能高檔，但也應同時考慮性價比，根據(jù)實際需要確定。在本次實驗中，選用碗狀LED光源及CCD工業(yè)相機。

2.3 軟件部分規(guī)劃

軟件部分主要是對獲取的目標圖像進行數(shù)據(jù)處理和分析，圖6為本文檢測方案軟件部分的整體結(jié)構(gòu)。

本文檢測方案的軟件構(gòu)成主要包括圖像預處理、目標區(qū)域定位及缺陷檢測等部分。圖像預處理部分，對采集的圖像進行圖像灰度化、圖像濾波等預處理，使圖像目標信息更加突出，噪聲影響更小，便于后續(xù)圖像處理;目標區(qū)域定位部分，依據(jù)改進的隨機Hough圓檢測算法，對熱端總成圖像中待檢測螺孔及凸焊螺母等目標區(qū)域進行定位提取，與標準零件的螺紋個數(shù)進行對比，從而判別各目標區(qū)域孔內(nèi)螺紋是否缺失。

3 實驗結(jié)果及分析

為驗證并用幾何特性約束與相關(guān)像素分布選擇算法的實際效果，對采集的CCT15發(fā)動機熱端總成圖像進行了實驗驗證。

根據(jù)本文算法，利用隨機Hough變換圓檢測算法檢測CCT15發(fā)動機熱端零件時，將累積閾值[N]設(shè)置為10，循環(huán)次數(shù)閾值[kmax]設(shè)置為10 000，驗證真圓的閾值[Cmin]設(shè)置為[0.5×πr]，改進Hough變換檢測算法中的采樣限制閾值[σ]為100。

利用改進的隨機Hough變換圓檢測算法對熱端總成圖像進行處理，并畫出檢測到的圓，實驗結(jié)果實例如圖7所示。

圖7中，標記1、2、3分別為螺孔及凸焊螺母處的圓檢測結(jié)果，從檢測結(jié)果可以看出，并用幾何特性約束與相關(guān)像素分布選擇算法能夠準確定位熱端總成圖像中螺孔及凸焊螺母區(qū)域。

為比較改進前后效果，針對采集的10次熱端總成圖像，先后用典型的隨機Hough變換圓檢測算法、并用幾何特性約束與相關(guān)像素分布選擇的隨機Hough算法對熱端總成中螺孔和凸焊螺母進行檢測，實驗結(jié)果如表1-表3所示。

表1-表3列舉了改進前后算法得出的螺孔及凸焊螺母所在圓形輪廓的圓心和半徑信息，然后與人工標定結(jié)果作對比，求出圓心偏差和半徑誤差，其中圓心偏差指通過算法檢測的圓心位置與人工標定的圓心位置之間的歐式距離，半徑誤差指通過算法檢測的圓半徑與人工標定的圓半徑之差。

由表1-表3可知，改進的Hough變換圓檢測算法在圓心偏差和半徑誤差方面都明顯小于隨機Hough變換圓檢測算法，檢測結(jié)果更加準確，誤差更小，能夠滿足工業(yè)檢測要求。

4 結(jié)語

本文針對工業(yè)生產(chǎn)過程中對于發(fā)動機熱端總成安裝情況的實施檢測問題，提出了一種基于采樣約束及相關(guān)像素近圓分布選擇并用的改進隨機Hough變換的圓檢測方法，避免了其它算法在檢測過程中形成較多無效累積、檢測速度慢、性能較低等缺點。實驗結(jié)果表明，該方法能夠準確高效地對生產(chǎn)設(shè)備中圓形零件的安裝情況進行檢測，判斷配件是否缺失，具有較強的抗干擾能力，并且可以在復雜的生產(chǎn)環(huán)境下工作，因此對工業(yè)生產(chǎn)中的實時監(jiān)測有較高的應用價值。

但同時，本文所提算法也一些不足，有繼續(xù)探索的空間：①改進的隨機Hough變換算法在實際工業(yè)場景中依然不能達到100%的準確率，尚需通過繼續(xù)研究加以改進;②當生產(chǎn)現(xiàn)場具有電弧焊時，在硬件配置和軟件算法上可以繼續(xù)探尋克服環(huán)境亮度變化噪聲帶來不利影響的措施;③嘗試將螺紋螺孔的檢測方法推廣到熱端總成上其它要素的檢測中，以實現(xiàn)全要素檢測。

參考文獻：

[1] 李相旺，黃鳳琴，張志明，等. 某增壓發(fā)動機排氣熱端耐久性分析與優(yōu)化[J]. 汽車工程， 2017，39（10）：1130-1135.

[2] 厲曉飛. 基于機器視覺的汽車零件缺陷檢測技術(shù)研究[D]. 武漢：武漢理工大學，2012.

[3] 余曉明，朱濤，孫霖. 基于圖像的精密零件缺陷檢測技術(shù)[J]. 計算機仿真，2012，29（3）：273-276.

[4] 胥磊. 機器視覺技術(shù)的發(fā)展現(xiàn)狀與展望[J]. 設(shè)備管理與維修，2016（9）：7-9.

[5] 周爽，劉赟. 機器視覺市場前景分析[J]. 現(xiàn)代商業(yè)，2017（24）：32-33.

[6] 段峰，王耀南，雷曉峰，等. 機器視覺技術(shù)及其應用綜述[J]. 自動化博覽，2002，19（3）：59-61.

[7] 張宇，黃亞博，焦建彬. 一種基于機器視覺的圓形零件檢測技術(shù)[J]. 計算機工程，2008（19）：185-186，202.

[8] 盧益民，羅志勇. 鋼帶表面缺陷檢測信息實時處理方法的研究[J]. ?華中科技大學學報（自然科學版），1994（11）：109-113.

[9] SENTHILNATHAN R，NANDHINI M，RANJANI R，et al. Vision based orientation invariant measurement of metric screw thread parameters[C]. ?Trends in Industrial Measurement and Automation （TIMA）， 2017：1-5.

[10] 梁學軍，洪邁生，賈文煥. 螺紋緊固件的自動檢測技術(shù)[J]. 計量技術(shù)，2000（2）：14-17.

[11] LYU P， WEI G H， CUI W. Short-range multitarget motion parameter estimation method based on hough transform[J]. Chinese Journal of Electronics，2019，28：344-348.

[12] GOSHIN Y V， KOTOV A P. Parallel implementation of a multi-view image segmentation algorithm using the hough transform[J]. Computer Optics， ?2017，41（4）：588-591.

[13] 孫方敏，喬艷濤，孫祥國. 基于Hough變換圓檢測算法的改進[J]，機械工程師，2016（10）：29-31.

[14] 段黎明， 汪威，張霞. 改進的Hough變換實現(xiàn)圓檢測[J]. ?計算機集成制造系統(tǒng)，2013，19（9）：2148-2152.

[15] 陳昊，馬鉞，陳帥. 改進的基于隨機Hough變換的頭部區(qū)域檢測算法[J]. 測控技術(shù)，2016，35（6）：112-116.

[16] 龔立熊，黃敏，賈文煥. 基于改進Hough變換的圓形零件尺寸測量研究[J]. 現(xiàn)代制造工程，2014（2）：98-102.

[17] 徐培智，徐貴力，黃鑫. 基于隨機Hough變換的人頭檢測[J]. 計算機工程，2012，38（1）：199-200.

[18] 周封，楊超，王晨光. 基于隨機Hough變換的復雜條件下圓檢測和數(shù)目標識[J]. 儀器儀表學報，2013，34（3）：622-628.

[19] KALVLAINEN H， HIRVONEN P.An extension to the randomized Hough Transform exploiting onnectivity[J]. Pattern Recognition Letters，1997，19（1）：77-85.

[20] LEAVERS V F. The Dynamic generalized Hough transform： its relationship to the probabilistic Hough transforms and an application to the concurrent detection of circles and ellipses[J]. CVGIP：Image Understanding， 1992， 56（3）;381-398.

[21] KIRYATI N，ELDAR Y，BRUCKSTEIN A M. A probabilistic Hough transforms[J]. Pattern Recognition， 1991，24（4）： 303-316.

（責任編輯：孫 娟）