基于機(jī)器視覺(jué)的汽車緊固組件檢測(cè)系統(tǒng)設(shè)計(jì)

陳宇昊，彭 力，朱良俊

（物聯(lián)網(wǎng)應(yīng)用技術(shù)教育部工程中心 江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，無(wú)錫 214122）

0 引言

機(jī)器視覺(jué)，是機(jī)器通過(guò)視覺(jué)傳感器將目標(biāo)物體的形狀、大小、顏色等信息處理成數(shù)字信號(hào)，再發(fā)送給專用的圖像處理系統(tǒng)的過(guò)程。在該過(guò)程中，視覺(jué)傳感器擔(dān)任著信息源的角色，圖像處理系統(tǒng)中的算法將圖像信息綜合并提取出具有應(yīng)用價(jià)值的特征，并能反過(guò)來(lái)調(diào)整視覺(jué)傳感器的參數(shù)以達(dá)到更好的圖像效果。在中小汽車配件制造企業(yè)中，對(duì)成品使用人工檢測(cè)的情況依舊很多，人工檢測(cè)效率低，準(zhǔn)確性差，存在著不小的隱患，本文旨在設(shè)計(jì)一種針對(duì)汽車塑料緊固組件的檢測(cè)與分揀裝置，基于機(jī)器視覺(jué)，實(shí)現(xiàn)對(duì)傳統(tǒng)人工檢測(cè)手段的改進(jìn)甚至取締。

現(xiàn)代制造業(yè)的生產(chǎn)速度快，物流吞吐量大，如果沒(méi)有機(jī)器視覺(jué)，那么勢(shì)必會(huì)在產(chǎn)品質(zhì)量檢測(cè)這一環(huán)節(jié)中投入大量的人力，消耗大量的時(shí)間。機(jī)器視覺(jué)能實(shí)現(xiàn)實(shí)時(shí)和非接觸式檢測(cè)，保證每個(gè)環(huán)節(jié)中產(chǎn)品的狀態(tài)和質(zhì)量，并及時(shí)的將不合格的過(guò)程件去除，提高了整體效率，也可以通過(guò)研究瑕疵件的共性從而反推出生產(chǎn)流程中的某個(gè)不合理的流程，幫助優(yōu)化生產(chǎn)流程[1]。

另外，由于汽車制造業(yè)中塑料組件種類眾多，這要求視覺(jué)檢測(cè)程序擁有一定的泛用性，能被用于對(duì)不同種類的塑料緊固組件的判斷與分揀。

本文的主要工作和貢獻(xiàn)如下：

1）本文討論了目前廣泛運(yùn)用的幾種圖像處理與定位方法，分析各種方法的優(yōu)劣。

2）分析所檢測(cè)汽車塑料緊固組件的外形特點(diǎn)，提出可以追蹤其位置的方法。

3）實(shí)現(xiàn)對(duì)汽車塑料緊固組件上的緊固卡扣的識(shí)別，判斷其是否有緊固卡扣缺裝，并指出缺裝的位置與數(shù)量。

4）通過(guò)理論分析和實(shí)驗(yàn)，驗(yàn)證該汽車塑料緊固組件檢測(cè)程序的可行性與有效性。

1 相關(guān)工作

關(guān)于機(jī)器視覺(jué)，文獻(xiàn)[1]總結(jié)了以下4種視覺(jué)檢測(cè)方法：基于手工特征的檢測(cè)方法、機(jī)器學(xué)習(xí)方法、改進(jìn)Feature-Based方法與R-CNN方法?；谑止さ奶卣鞣椒ǚ磻?yīng)的是局部區(qū)域的明暗關(guān)系，被廣泛用于人臉與非人臉的區(qū)分中；機(jī)器學(xué)習(xí)方法涵蓋多種算法，其在圖像處理中的運(yùn)用多為查找對(duì)象并進(jìn)行分類或判斷；改進(jìn)Featured-Based方法結(jié)合Haar特征與AdaBoost算法，可看作是手工特征方法與機(jī)器學(xué)習(xí)方法的結(jié)合，提高了面部識(shí)別的精度；R-CNN方法受遺傳算法啟發(fā)，使用網(wǎng)格訓(xùn)練方式，用于圖片中對(duì)象的判斷與分類。以上的四種檢測(cè)方法用于判斷檢測(cè)目標(biāo)形狀時(shí)效果良好，但并不適合用于判斷檢測(cè)目標(biāo)是否存在。本文在文獻(xiàn)[2]基礎(chǔ)上，使用OPENCV庫(kù)中的相關(guān)函數(shù)從圖片中提取汽車塑料緊固組件的外圍輪廓，由輪廓推導(dǎo)出當(dāng)前汽車塑料緊固組件的偏轉(zhuǎn)角度、相對(duì)大小和所處位置等信息。

本文的研究對(duì)象是汽車塑料組合件上的緊固卡扣，緊固卡扣分布在汽車塑料緊固組件上，且位置相對(duì)固定，因此可以將緊固卡扣的位置以相對(duì)坐標(biāo)的形式儲(chǔ)存在計(jì)算機(jī)中。緊固卡扣的顏色與汽車塑料緊固組件呈反色差，因此可以準(zhǔn)確的與背景區(qū)分，為了最大化檢測(cè)速度使其符合生產(chǎn)線標(biāo)準(zhǔn)，設(shè)計(jì)了一種計(jì)算量較少的緊固卡扣存在判斷算法。最后，通過(guò)理論分析和實(shí)驗(yàn)，驗(yàn)證了緊固卡扣定位策略與緊固卡扣存在判斷算法的可行性和有效性。

隨著研究的不斷深入，程序?qū)崿F(xiàn)的功能也越來(lái)越復(fù)雜，由一開(kāi)始識(shí)別固定坐標(biāo)位置的緊固卡扣是否存在，到追蹤緊固卡扣的固定位置并判斷，最后可以自定義緊固卡扣在汽車塑料緊固組件上的相對(duì)位置。為了能取得更好的識(shí)別效果，環(huán)境影響與計(jì)算量過(guò)大導(dǎo)致運(yùn)行速度偏慢成了需要考慮的因素。文獻(xiàn)[3]指出多種提高視覺(jué)識(shí)別程序運(yùn)行速度的方法，本文在文獻(xiàn)[3]基礎(chǔ)上通過(guò)設(shè)置多個(gè)ROI區(qū)域的方法來(lái)減少整體運(yùn)算量，使得計(jì)算速度在計(jì)算普通的設(shè)備上也滿足需求。

2 問(wèn)題描述

在中小汽車配件制造企業(yè)中，對(duì)成品使用人工檢測(cè)的情況依舊很多，人工檢測(cè)效率低，準(zhǔn)確性差，存在著不小的隱患，人工檢測(cè)的汽車塑料緊固組件如圖1所示。

圖1 汽車塑料緊固組件

該汽車塑料緊固組件除一邊略微彎曲大致呈矩形外，其兩寬長(zhǎng)度也有略微差異。長(zhǎng)約110厘米，寬25厘米。其顏色主要呈黑色，上有紅色雙面膠布涂層與黃色裝飾。八個(gè)緊固卡扣呈白色，與汽車塑料緊固組件顏色為反色差。

2.1 基本定義

本文符號(hào)說(shuō)明如下：

灰度（Gray scale）用于描述黑白圖像中像素點(diǎn)從最黑的黑色到最亮的白色的具體數(shù)值，記為字母G，灰度可用于表示像素點(diǎn)能量的大小，由0表示能量最低的黑色，255表示能量最大的白色。

θ0表示作為標(biāo)準(zhǔn)模板的汽車塑料緊固組件的實(shí)際偏轉(zhuǎn)角度，θ1表示之后被測(cè)件的實(shí)際偏轉(zhuǎn)角度，θ表示被測(cè)件與標(biāo)準(zhǔn)模板的相對(duì)偏差角度，由式(1)可得：

2.2 檢測(cè)原理

本文的檢測(cè)過(guò)程原理框圖如圖2所示，具體步驟為：

1）汽車塑料緊固組件的標(biāo)準(zhǔn)模板，放在待檢測(cè)位置，啟動(dòng)計(jì)算機(jī)視覺(jué)系統(tǒng)，自動(dòng)識(shí)別汽車塑料緊固組件幾何中心坐標(biāo)、組合件偏移θ0角（其識(shí)別方法同步驟2），技術(shù)人員操作鼠標(biāo)引導(dǎo)確認(rèn)各緊固卡扣的中心坐標(biāo)點(diǎn)，上述的信息將作為該類標(biāo)準(zhǔn)模板組合件的標(biāo)準(zhǔn)信息儲(chǔ)存在計(jì)算機(jī)中。

2）傳輸帶上的接近開(kāi)關(guān)傳感器，一旦檢測(cè)到汽車塑料緊固組件，自動(dòng)啟動(dòng)計(jì)算機(jī)視覺(jué)識(shí)別系統(tǒng)，獲取被測(cè)汽車塑料緊固組件的外框信息四個(gè)邊角點(diǎn)坐標(biāo)、塑料組合件幾何中心坐標(biāo)及組合件偏移θ1角。

3）將步驟1所得的各緊固卡扣的中心坐標(biāo)點(diǎn)，圍繞汽車塑料緊固組件的幾何中心旋轉(zhuǎn)θ1-θ0度，與被測(cè)件上的緊固卡扣位置重合，接著在緊固卡扣位置上使用計(jì)算機(jī)視覺(jué)識(shí)別算法判斷是否存在緊固卡扣。

本文致力于設(shè)計(jì)汽車塑料緊固組件檢測(cè)與分揀系統(tǒng)，并使該系統(tǒng)在準(zhǔn)確穩(wěn)定的前提下具有較小的性能指標(biāo)。為此，我們?cè)跈z測(cè)開(kāi)始前由人工操作鼠標(biāo)的方式來(lái)確認(rèn)各緊固卡扣的中心坐標(biāo)點(diǎn)，相比由計(jì)算機(jī)根據(jù)緊固卡扣特征來(lái)定位緊固卡扣，這樣節(jié)省了處理時(shí)間，且人工初次定位完成后就不需要后續(xù)操作，一切將自動(dòng)完成。人工定位質(zhì)量會(huì)對(duì)檢測(cè)質(zhì)量有一定影響，但只要定位時(shí)稍加注意，該影響便可降至最低。

圖2 檢測(cè)過(guò)程原理框圖

3 主要流程

計(jì)算機(jī)視覺(jué)識(shí)別算法可分為三大部分：汽車塑料緊固組件的定位；緊固卡扣位置的定位；緊固卡扣是否存在的判斷。

3.1 汽車塑料緊固組件的定位

步驟1：灰度與模糊化灰度化是將三通道的RGB圖像轉(zhuǎn)換為單通道的灰度圖像，其方法為計(jì)算一個(gè)像素RGB三通道的算術(shù)平均值，設(shè)RGB三通道值為R、G、B，計(jì)算后灰度值為G，使用下面公式計(jì)算出灰度值G。

按照該計(jì)算方式遍歷圖像內(nèi)所有的像素點(diǎn)，便可將一副RGB圖像轉(zhuǎn)換為灰度圖像。

模糊化顧名思義，建立一個(gè)模糊的內(nèi)核，可對(duì)圖像進(jìn)行模糊處理，這樣能有利于邊緣處理。這里使用高斯模糊內(nèi)核，內(nèi)核計(jì)算方式如下：

計(jì)算得出的高斯內(nèi)核矩陣需要?dú)w一化，歸一化后整個(gè)矩陣的和為1，這樣卷積后的圖像與原圖像相比就不會(huì)出現(xiàn)整體變亮或變暗的情況。σ的大小代表著離散程度的高低，本文中取1.5。

設(shè)圖像矩陣為h，原圖像矩陣為x，結(jié)果為Y。卷積的結(jié)果發(fā)送給中心像素，遍歷整幅原圖像，便可以得到模糊后圖像Y：

i，j，為任何可能的圖像坐標(biāo)點(diǎn)。

圖3 灰度化與模糊化處理后

步驟2：二值化二值化作用是大致區(qū)分出圖像的輪廓。這里使得超過(guò)門限的值為最大值，其他值為0。設(shè)門限為thresh，輸出圖片為dst，輸入圖片為src。

thresh值的大小會(huì)影響二值化后的圖像質(zhì)量，一般取60～100。

圖4 二值化后圖像（thresh=70）

圖5 二值化后圖像（thresh=40）

步驟3：開(kāi)運(yùn)算與fillHole算法開(kāi)運(yùn)算其實(shí)就是先腐蝕后膨脹的操作。其作用是去除噪聲，平滑較大物體的邊界的同時(shí)并不明顯改變其面積。膨脹的數(shù)學(xué)表達(dá)如下：

將結(jié)構(gòu)元素B按照z進(jìn)行平移，B對(duì)A的膨脹是所有位移z的集合。

腐蝕的數(shù)學(xué)表達(dá)如下：

B對(duì)A的腐蝕是一個(gè)用z平移的B包含在A中所有點(diǎn)z的集合。

fillHole算法[4]用于填充開(kāi)運(yùn)算后圖像中的孔洞，設(shè)原圖像為A。

1）將圖像A的外邊緣向四周擴(kuò)展1或2個(gè)像素，如100×100的圖片延展后為102×102或104×104，對(duì)擴(kuò)展出的額外像素賦值，其值大小與背景色保持一致，本文研究的背景色為白色，故將額外像素值賦值為0，為之后取反相加操作做鋪墊，標(biāo)記為B。

2）使用Opencv中自帶的floodFill函數(shù)，該函數(shù)類似畫圖工具中的油漆桶，可將顏色相近的區(qū)域填充為指定顏色或標(biāo)識(shí)出該區(qū)域，填充的起始點(diǎn)選為（0，0）即可，由于第一步步驟，該（0，0）點(diǎn)為擴(kuò)展出的新像素，填充灰度值為前景色灰度值，即白色（255），標(biāo)記為C。

3）將floodFill后的圖像進(jìn)行裁剪處理，裁剪回原來(lái)的大小，標(biāo)記為D。

4）將D整體取反，此時(shí)原先的白色區(qū)域便反為黑色，黑色反為白色，取反后圖像記為～D，將～D與原圖像A的每個(gè)像素值對(duì)應(yīng)相加，即E=A|（～D）。

圖6 fillHole算法后二值化圖像

步驟4：提取邊緣首先使用Canny算法提取二值化圖像的邊緣，其算法邏輯為：

1）設(shè)置兩個(gè)閾值，分別命名為閾值1與閾值2，其中閾值1的值小于閾值2；

2）遍歷圖像中的所有像素，低于閾值1的像素不會(huì)被標(biāo)記為可能的邊緣，高于閾值2的值會(huì)被標(biāo)記為邊緣。

3）若檢測(cè)到1像素點(diǎn)大小在閾值1與閾值2之間，則對(duì)該像素周圍的像素點(diǎn)進(jìn)行判斷，若該像素點(diǎn)與大于閾值2的像素點(diǎn)相鄰，則被認(rèn)定為邊緣，否則不被標(biāo)記為可能的邊緣。

圖7 Canny算法提取輪廓

接著使用FindContour算法與DrawContour算法，前者用于尋找閉合的邊緣，后者用于繪制出尋找到的邊緣圖像，F(xiàn)indContour用來(lái)對(duì)數(shù)字二值圖像進(jìn)行拓?fù)浞治?。該算法是在確定二值圖像邊界的圍繞關(guān)系，即確定外邊界、孔邊界以及他們的層次關(guān)系，由于這些邊界和原圖的區(qū)域具有一一對(duì)應(yīng)關(guān)系（外邊界對(duì)應(yīng)像素值為1的連通區(qū)域，孔邊界對(duì)應(yīng)像素值為0的區(qū)域），因此我們就可以用邊界來(lái)表示原圖。該算法可以選擇性的繪制圖像的輪廓，將一些不符合條件（不閉合，或不是最外側(cè)輪廓）的輪廓剔除。

3.2 緊固卡扣位置的定位

步驟1：對(duì)緊固組件位置的定位需要從輪廓中提取兩個(gè)位置相關(guān)的信息，汽車塑料緊固組件的幾何中心點(diǎn)與偏轉(zhuǎn)角度。

使用空間矩的一階矩來(lái)計(jì)算二值化后輪廓的幾何中心點(diǎn)，圖像由一個(gè)個(gè)像素構(gòu)成，這一個(gè)個(gè)像素組成的圖像可看成是一個(gè)大矩陣，矩陣中每一個(gè)元素也可視作一個(gè)二維變量，令該二維變量為（x,y），若圖像為灰度圖像，其灰度圖可抽象為二維灰度密度函數(shù)來(lái)表示，因此可以用矩來(lái)描述灰度圖像的特征，當(dāng)該灰度圖像經(jīng)過(guò)二值化處理，其密度處處相等。

大小為M×N的數(shù)字圖像f（x，y）的二維（p+1）階定義為：

對(duì)應(yīng)的中心矩為：

空間矩的實(shí)質(zhì)為面積或者質(zhì)量，可以通過(guò)一階矩計(jì)算重心：

重心：

由于該圖像已經(jīng)被二值化過(guò)，所以計(jì)算所得的重心（x，y）就是組合件幾何中心點(diǎn)。

圖8 組合件幾何中心點(diǎn)（紅色圓點(diǎn)）

步驟2：計(jì)算緊固組件的偏轉(zhuǎn)角度為計(jì)算汽車塑料緊固組件的偏轉(zhuǎn)角度，需要獲取4個(gè)邊角點(diǎn)的位置信息，findHarris算法[5]：該算法用于尋找輪廓的特征邊角點(diǎn)，根據(jù)該組合件的特征，選擇它的四個(gè)邊角作為特征點(diǎn)，擁有了這四個(gè)邊角的坐標(biāo)數(shù)據(jù)，就可以繼續(xù)下一步計(jì)算。

關(guān)于邊角點(diǎn)的具體描述可以有幾種：

1）對(duì)圖像邊緣做偏導(dǎo)的一階導(dǎo)數(shù)的極大值點(diǎn)所對(duì)應(yīng)的像素點(diǎn)。

2）邊角點(diǎn)處的一階導(dǎo)數(shù)極大，二階導(dǎo)數(shù)為0，說(shuō)明物體的邊緣變化方向不連續(xù)。

3）兩條及以上邊緣的交點(diǎn)。

4）圖像中一階偏導(dǎo)變化速率很快的點(diǎn)。

圖像像素點(diǎn)上值的變化，即圖像灰度梯度的變化與邊角點(diǎn)的判斷息息相關(guān)，考慮到一個(gè)灰度圖像I。劃動(dòng)窗口w（x，y）計(jì)算像素灰度變化。

其中，w（x，y）是窗口所在坐標(biāo)，I（x，y）是圖像上坐標(biāo)點(diǎn)的灰度強(qiáng)度，I（x+u，y+v）是窗口上變化的坐標(biāo)點(diǎn)上的灰度強(qiáng)度。

為了在圖像中精準(zhǔn)的識(shí)別出邊緣圖像的邊角點(diǎn)，需要對(duì)像素灰度值梯度較大的窗口進(jìn)行定位，于是有以下期望最大化公式：

使用泰勒展開(kāi)式：

式子展開(kāi)為：

將上式表達(dá)為矩陣的形式，表達(dá)式寫為：

表示為：

可得等式：

每個(gè)窗口中計(jì)算一個(gè)值，這個(gè)值決定了這個(gè)窗口中是否包含了邊角點(diǎn)。

其中：

一個(gè)窗口，它的分?jǐn)?shù)R大于一個(gè)特定值，這個(gè)窗口就可以被認(rèn)為是“邊角點(diǎn)”。上面E（u，v）可以看出，無(wú)論u,v取何值，我們需要E盡可能的大。

圖9 邊角點(diǎn)（藍(lán)色圓點(diǎn)）

由4個(gè)邊角點(diǎn)的坐標(biāo)確定組合件的水平偏移角度，圖10中水平線段的端點(diǎn)為短邊兩側(cè)的兩個(gè)邊角點(diǎn)的中點(diǎn)。

如圖，藍(lán)色的線便是相對(duì)于組合件的水平線，設(shè)其左側(cè)點(diǎn)為（xl，yl），右側(cè)點(diǎn)為（xr，yr）。

圖10 移角度為9°

斜率計(jì)算：

圖片中組合件實(shí)際偏移角度計(jì)算：θ1=tan-1k。

要注意的是，相對(duì)偏移θ角度是當(dāng)前被測(cè)組合件的角度θ1減去標(biāo)準(zhǔn)件所測(cè)角度θ1，即：

（在實(shí)際工程中，汽車塑料組合件的偏移θ1角度不會(huì)過(guò)大，最多為15°）。

計(jì)算機(jī)視覺(jué)系統(tǒng)自動(dòng)計(jì)算被測(cè)汽車塑料組合件與標(biāo)準(zhǔn)位置的偏移θ角，θ=θ1-θ0。

步驟3：追蹤緊固卡扣位置設(shè)標(biāo)準(zhǔn)汽車塑料組合件緊固卡扣坐標(biāo)為（x'，y'），變換后坐標(biāo)為（x，y），旋轉(zhuǎn)中心為（x0，y0），旋轉(zhuǎn)角度為θ，標(biāo)準(zhǔn)模板幾何中心與被測(cè)組合件幾何中心的坐標(biāo)差值為（xa，ya）。

通過(guò)以上變換，緊固卡扣坐標(biāo)便能跟著組合件一起偏移，實(shí)現(xiàn)了對(duì)組合件緊固卡扣位置的重新定位。

3.3 緊固卡扣存在判斷

步驟1：構(gòu)建正方形檢測(cè)區(qū)域以旋轉(zhuǎn)偏移θ角后的各緊固卡扣的位置坐標(biāo)作為中心點(diǎn)，計(jì)算該中心點(diǎn)周圍正方形小區(qū)域的圖像像素累加和。通過(guò)所求得的各緊固卡扣的中心位置周圍正方形小區(qū)域的圖像像素累加和的值，判斷緊固卡扣是否缺裝。

設(shè)正方形小區(qū)域邊長(zhǎng)為L(zhǎng)，緊固卡扣的中心位置為（x0，y0），則正方形左上角坐標(biāo)P為：

步驟2：在正方形區(qū)域中進(jìn)行判斷由左上角坐標(biāo)P和邊長(zhǎng)L，便可構(gòu)建此正方形小區(qū)域。該正方形小區(qū)域可看作L×L的矩陣，并計(jì)算所有像素點(diǎn)累加和S：

S≥Thresh，則該區(qū)城有緊固卡扣；S＜Thresh，則該區(qū)城無(wú)緊固卡扣；

如圖11所示，分別是安裝了卡扣的與未安裝卡扣處理后的對(duì)比圖。

圖11 卡扣有無(wú)對(duì)比圖

判斷后，有卡扣的位置用綠框表示，無(wú)卡扣的位置變成紅框。

圖12 有卡扣無(wú)卡扣

3.4 算法總結(jié)

該算法主要內(nèi)容集中在對(duì)汽車塑料緊固組件上緊固卡扣位置的定位上，計(jì)算機(jī)會(huì)將第一個(gè)檢測(cè)的緊固組件作為標(biāo)準(zhǔn)模板，標(biāo)準(zhǔn)模板的信息將一直保存在計(jì)算機(jī)中，通過(guò)旋轉(zhuǎn)、平移標(biāo)準(zhǔn)模板的緊固卡扣位置坐標(biāo)，就可以使之與之后被測(cè)件的緊固卡扣位置重合，然后在被測(cè)件的緊固卡扣位置上進(jìn)行緊固卡扣的存在判斷，圖片在算法運(yùn)行中的流程圖如圖13所示。

4 運(yùn)行示例與結(jié)果分析

為了驗(yàn)證檢測(cè)方法的有效性，本小節(jié)給出相應(yīng)的運(yùn)行實(shí)例與結(jié)果分析。

圖14展示了視覺(jué)程序?qū)?個(gè)汽車塑料緊固組件的檢測(cè)，其中第一幅圖片為標(biāo)準(zhǔn)模板。

圖13 檢測(cè)流程圖

首先用藍(lán)色方框框選需要檢測(cè)的范圍，這個(gè)步驟可以減少運(yùn)算總量，提高程序的運(yùn)行速度，接著用鼠標(biāo)點(diǎn)擊白色緊固卡扣的所在位置，確保緊固卡扣在生成的方框內(nèi)，就可對(duì)接下來(lái)的被測(cè)件進(jìn)行檢測(cè)。

圖14 運(yùn)行示例圖

該檢測(cè)方法在實(shí)際應(yīng)用中表現(xiàn)出色，在光照不穩(wěn)定的非工廠條件下也能完成對(duì)緊固卡扣的識(shí)別。

圖15 測(cè)試時(shí)畫面

表1為總數(shù)為100次的檢測(cè)實(shí)驗(yàn)，將現(xiàn)有的幾個(gè)被測(cè)件亂序循環(huán)放入檢測(cè)區(qū)域檢測(cè)。

表1 檢測(cè)結(jié)果

其中兩次不準(zhǔn)確的原因?yàn)楣庹諚l件不足導(dǎo)致的定位不準(zhǔn)確，該檢測(cè)方法在光照良好情況下將有最好表現(xiàn)。

目前該檢測(cè)方法已被相關(guān)企業(yè)采用，檢測(cè)速度與精度都滿足生產(chǎn)要求。

5 結(jié)語(yǔ)

本文設(shè)計(jì)了對(duì)汽車塑料緊固組件上緊固卡扣的一種檢測(cè)方法，通過(guò)比較各種檢測(cè)策略，選擇適合本文的最優(yōu)檢測(cè)方法，設(shè)計(jì)出緊固卡扣位置追蹤算法。最后通過(guò)理論分析和實(shí)際測(cè)試，驗(yàn)證了本文檢測(cè)方法的有效性，該檢測(cè)方法最終被采用。