基于機(jī)器視覺的零件圓心距在線測量系統(tǒng)設(shè)計(jì)

彭晶鑫， 石秀東， 姚晨明， 孫 攀

(1.江南大學(xué) 機(jī)械工程學(xué)院， 江蘇 無錫 214122；2.江南大學(xué) 江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室， 江蘇 無錫 214122)

隨著“中國制造2025”發(fā)展戰(zhàn)略的深入推進(jìn)，工件尺寸特征測量技術(shù)也在飛速發(fā)展，工業(yè)上對(duì)于新的測量技術(shù)有更高的要求，需要滿足自動(dòng)化，高精度，高效率的特點(diǎn)[1]。測量精度與相機(jī)的分辨率、光學(xué)成像系統(tǒng)以及圖像處理算法密切相關(guān)，在技術(shù)方面如何提升尺寸測量的精度是現(xiàn)代制造業(yè)重要的研究方向[2]。相機(jī)分辨率的盲目提高勢必會(huì)帶來成本的增加，如何在硬件條件一定的情況下提升測量精度，就需要在圖像處理算法上做出改進(jìn)。

在尺寸測量系統(tǒng)中，測量精度與邊緣檢測的精度有很大關(guān)系。目前，邊緣檢測中比較經(jīng)典的算子包括Canny，Roberts，Sobel，Prewitt和Gauss-Laplace算子等[3]。但是，這些算子的檢測精度在像素級(jí)。隨著工業(yè)生產(chǎn)中對(duì)產(chǎn)品精度要求的不斷提高，像素級(jí)的檢測精度已經(jīng)不能滿足實(shí)際的生產(chǎn)需求。此時(shí)亞像素級(jí)別的檢測算子引起越來越多的關(guān)注[4]。將邊緣領(lǐng)域的像素分解達(dá)到細(xì)化邊緣，準(zhǔn)確定位的方法被稱為亞像素級(jí)邊緣檢測算法。比較常見的亞像素檢測方法包括擬合法、插值法和空間矩等[5～9]。其中Zernike矩[10]作為經(jīng)典的正交矩,具有對(duì)圖像旋轉(zhuǎn)以及尺寸變化穩(wěn)定不變的特性，使得定位精度較高，在實(shí)際生產(chǎn)過程中應(yīng)用較為廣泛。課題組設(shè)計(jì)了一種基于Zernike距亞像素級(jí)別邊緣點(diǎn)擬合圓心測量零件圓心距尺寸的在線檢測方法。

1 測量系統(tǒng)概述

該測量系統(tǒng)主要由4個(gè)部分組成：圖像采集、圖像算法處理、尺寸測量和結(jié)果輸出。其工作流程如圖1所示。

圖1 測量系統(tǒng)工作流程圖Figure 1 Measuring system flow chart

2 測量系統(tǒng)硬件設(shè)計(jì)

測量系統(tǒng)的硬件主要包括LED光源、工業(yè)相機(jī)、鏡頭、計(jì)算機(jī)和試驗(yàn)工作臺(tái)。光源選擇的原則就是突出目標(biāo)輪廓與背景分離，綜合考慮選擇LED背向平行光源；工業(yè)相機(jī)用來采集圖像，并通過千兆網(wǎng)口傳輸?shù)接?jì)算機(jī)內(nèi)存中，本系統(tǒng)采用?？低暤腗V-CA060-10GC型CMOS面陣相機(jī)，分辨率為3 072×2 018像素。鏡頭選擇?？低昅VL-HF0828M-6MP，具有高分辨率、畫面清晰度均勻性高及超低畸變等優(yōu)點(diǎn)。實(shí)驗(yàn)處理器為Intel i5-8300CPU@2.3GHz，內(nèi)存8.00 GiB；QT平臺(tái)基于OpenCV機(jī)器視覺庫與C++結(jié)合完成測量系統(tǒng)界面開發(fā)。

3 測量系統(tǒng)算法設(shè)計(jì)

測量系統(tǒng)流程如圖2所示。

圖2 測量系統(tǒng)算法流程Figure 2 Measuring system algorithm flow

圖像處理算法決定了測量系統(tǒng)的準(zhǔn)確性，該測量系統(tǒng)主要由圖像預(yù)處理、圖像分析和系統(tǒng)標(biāo)定等步驟組成。課題組以雙圓孔型零件為研究對(duì)象，為了達(dá)到準(zhǔn)確測量零件圓心距的項(xiàng)目需求，設(shè)計(jì)了相關(guān)圖像處理算法。

3.1 圖像預(yù)處理

圖像預(yù)處理是圖像處理中比較重要的步驟。既能對(duì)圖像的視覺效果有所改善，又能減少后續(xù)處理的數(shù)據(jù)內(nèi)容，便于提高測量系統(tǒng)的效率及精度[11]。

3.1.1 濾波處理

平滑濾波以解決圖像中的噪聲是圖像處理領(lǐng)域中常見階段，傳統(tǒng)的濾波算法(例如高斯濾波、中值濾波、均值濾波等)可以合理地消除噪聲，但是存在邊緣模糊的問題，不利于邊緣輪廓的準(zhǔn)確定位。課題組使用了各向異性擴(kuò)散濾波算法，基本原理是將圖像中的灰度值視為化學(xué)物質(zhì)的質(zhì)量分?jǐn)?shù)值，物質(zhì)之間的外部擴(kuò)散等同于平滑濾波，根據(jù)合適的熱擴(kuò)散系數(shù)，可以提高區(qū)域內(nèi)的平滑度并減小區(qū)域之間的平滑度差異的實(shí)際效果，從而有效處理噪聲，保留邊緣細(xì)節(jié)。圖3為擴(kuò)散濾波處理后的二維效果圖，圖4為擴(kuò)散濾波處理后的三維效果圖。在經(jīng)過一系列參數(shù)設(shè)置試驗(yàn)后，發(fā)現(xiàn)當(dāng)?shù)螖?shù)λ=10，使用參數(shù)t=0.1時(shí)，既能很好地去除噪聲，又沒有對(duì)邊緣造成破壞，達(dá)到了理想中去噪保邊的效果。

圖3 擴(kuò)散濾波處理二維效果圖Figure 3 2D effect diagram of diffusion filtering processing

圖4 擴(kuò)散濾波處理三維效果圖Figure 4 3D effect diagram of diffusion filtering processing

3.1.2 圖像閾值分割

在圖像處理中將待測工件與背景分割，避免對(duì)非“興趣”區(qū)域進(jìn)行運(yùn)算，提高圖像處理算法的效率。在圖像分割的過程中，閾值的選擇對(duì)邊緣的提取有很大程度的影響[12-14]。公式如下：

(1)

式中：f(x,y)為像素點(diǎn)(x,y)的灰度值；g(x,y)為圖像分割后的像素點(diǎn)坐標(biāo)值；T為閾值(以能完整提取“興趣”為原則，文中采用最大類間方差法求得T為101)。

式(1)表示的實(shí)際含義是圖像中像素點(diǎn)灰度值大于閾值灰度值時(shí)T設(shè)置為1，如果低于閾值灰度值時(shí)，則T設(shè)置為0。為避免遺漏零件輪廓邊緣，采用閉運(yùn)算進(jìn)行形態(tài)學(xué)處理，圖像分割效果如圖5所示。

3.2 圖像分析

3.2.1 亞像素邊緣檢測

Zernike作為一種積分算子，應(yīng)用于亞像素檢測中定位精度較高，同時(shí)抗噪聲性能良好，在邊緣檢測中優(yōu)勢明顯。基本原理為：由于Zernike矩具有旋轉(zhuǎn)不變性，基于理想的階躍邊緣模型，根據(jù)矩的關(guān)系式結(jié)合合適的閾值處理方式，求得相關(guān)邊緣參數(shù)，從而定位亞像素邊緣點(diǎn)。Zernike矩的關(guān)鍵是極坐標(biāo)內(nèi)部空間中準(zhǔn)確定位單位圓x2+y2≤1的復(fù)數(shù)函數(shù)集：

Vnm(x,y)=Vnm(ρ,θ)=Rnm(ρ)ejmθ。

(2)

式中：n為多項(xiàng)式階數(shù)，m為冪指數(shù)，均為整數(shù)并滿足n≥0,n≥|m|且n-|m|為偶數(shù)；ρ為邊緣點(diǎn)到圓心的直線距離；θ為邊緣點(diǎn)垂線與x軸之間的夾角；j表示虛數(shù)單位。

Rnm(ρ)為實(shí)值徑向多項(xiàng)式：

(3)

邊緣點(diǎn)的n階m次Zernike矩Znm定義為：

(4)

如圖6所示，將像素看作單位圓，O為像素中心，1個(gè)像素單位為半徑。邊緣分割線f(x,y)將像素點(diǎn)圓進(jìn)行再次細(xì)化分成2部分，灰度值分別為h和h+k(k為階躍灰度值)，d為像素中心到邊緣分割線的距離。圖6(b)是圖6(a)沿像素中心順時(shí)針旋轉(zhuǎn)θ后的邊緣模型。

圖6 Zernike矩邊緣模型Figure 6 Zernike moment edge model

(5)

求得4個(gè)模型參數(shù)θ，d，h和k：

(6)

在N×N的Zernike模板內(nèi)，亞像素點(diǎn)的坐標(biāo)公式：

(7)

式中：(xs,ys)表示邊緣亞像素點(diǎn)坐標(biāo)，(x0,y0)表示像素中心點(diǎn)坐標(biāo)。

亞像素邊緣點(diǎn)的判定條件：k≥kt且d≤dt。k為灰度差值；kt為灰度閾值；dt為距離閾值。閾值的選擇對(duì)于邊緣點(diǎn)是否能準(zhǔn)確定位至關(guān)重要。如果灰度閾值kt取值太小，則會(huì)導(dǎo)致虛假邊緣，如果灰度閾值kt過大，則會(huì)丟失邊緣。傳統(tǒng)的Zernike矩邊緣檢測優(yōu)化算法都是固定灰度閾值，效率較低，精度不高。課題組采用最大類間方差法對(duì)零件全局圖像進(jìn)行最優(yōu)灰度閾值選取，提升了測量系統(tǒng)的精度。實(shí)現(xiàn)該圖像算法代碼如下：

Zernike_Subpixel (const cv::Mat img,

cv::Rect rect,

double k_value,

Zernike_Matric zernike_matric,

Vector &subpixelContours,

Point2f rawCenter,

float rawRadius,

int ringthickness);

如圖7所示，Zernike亞像素邊緣檢測算子可以達(dá)到細(xì)化粗邊緣像素點(diǎn)，從而實(shí)現(xiàn)精準(zhǔn)定位的目的。

圖7 邊緣檢測示意圖Figure 7 Schematic diagram of edge detection

3.2.2 圓擬合

課題組采用最小二乘法對(duì)零件圓輪廓的亞像素邊緣特征信息進(jìn)行圓心的擬合。根據(jù)最小均方差準(zhǔn)則，使在該平面圓的圓周上采集的離散點(diǎn)(xi,yi)與理想圓圓心(xe,ye)距離殘差平方和最小化。離散點(diǎn)到圓心的距離di表示為：

(8)

邊緣輪廓上的點(diǎn)與理想圓的誤差εi可表示為：

(9)

依據(jù)最小二乘法原理輪廓各個(gè)邊緣點(diǎn)與半徑r的誤差平方和M最小，即：

M=min(∑i∈E(εi)2)。

(10)

式中E為邊緣輪廓點(diǎn)的集合。

4 實(shí)驗(yàn)結(jié)果分析

搭建實(shí)驗(yàn)平臺(tái)，對(duì)試件進(jìn)行15次測量實(shí)驗(yàn)，根據(jù)最小二乘法，獲取左右圓的圓心位置分別為(x1,y1)，(x2,y2)。以圓心之間的歐式距離作為像素尺寸，則圓心距計(jì)算

(11)

利用式(11)計(jì)算出的圓心距作為像素距離，單位為像素，利用系統(tǒng)預(yù)先標(biāo)定求得的像素當(dāng)量n可以求得圓心距的物理尺寸。以三坐標(biāo)測量機(jī)圓心距測量數(shù)據(jù)為標(biāo)準(zhǔn)參考值，該測量系統(tǒng)測量值與三坐標(biāo)機(jī)測量誤差在0.01 mm以下，測量結(jié)果曲線如圖8所示。對(duì)比2種測量方法的數(shù)據(jù)曲線，表明該系統(tǒng)測量結(jié)果可靠，精度滿足實(shí)際生產(chǎn)需求。

圖8 測量結(jié)果曲線Figure 8 Graph of measurement results

5 測量系統(tǒng)界面設(shè)計(jì)

在QT平臺(tái)下，利用C++語言開發(fā)了圓心距測量系統(tǒng)。采用OpenCV視覺庫完成圖像處理算法的設(shè)計(jì)，結(jié)合C++語言，完成界面設(shè)計(jì)，測量界面如圖9所示。該測量系統(tǒng)能夠?qū)崟r(shí)顯示試件2個(gè)內(nèi)圓的圓心距和圓心坐標(biāo)。

圖9 測量系統(tǒng)界面Figure 9 Interface of measuring system

6 結(jié)論

課題組設(shè)計(jì)了基于機(jī)器視覺技術(shù)的零件圓心距在線測量系統(tǒng)，該系統(tǒng)利用OpenCV視覺庫進(jìn)行算法設(shè)計(jì)，實(shí)現(xiàn)對(duì)零件圓心距的非接觸式智能化測量。使用改進(jìn)的Zernike矩亞像素邊緣檢測算子檢測邊緣輪廓點(diǎn)，在相機(jī)分辨率不變的情況下，提升了測量精度，同時(shí)節(jié)省了硬件配置成本，具有一定的工程實(shí)用價(jià)值。該測量系統(tǒng)下一步的任務(wù)是不斷完善其通用性，并應(yīng)用于準(zhǔn)確測量孔型零件的其它主要參數(shù)中。