基于機(jī)器視覺的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)設(shè)計(jì)

張愛云，王吉華，高 崴，張美娟

（1.無錫職業(yè)技術(shù)學(xué)院汽車與交通學(xué)院，江蘇無錫 214121；2.中國第一汽車股份有限公司無錫油泵油嘴研究所，江蘇無錫 214063）

VVT（variable valve timing，可變氣門正時(shí)）發(fā)動(dòng)機(jī)轉(zhuǎn)子是VVT系統(tǒng)的重要組成部分，其通過粉末冶金工藝制造而成［1］。在制造過程中，轉(zhuǎn)子凸臺(tái)的外邊緣易產(chǎn)生磕碰點(diǎn)和被過度打磨，以及其端面上易產(chǎn)生劃痕、劃傷等缺陷（隨機(jī)出現(xiàn)在端面的任意位置），這均會(huì)對(duì)轉(zhuǎn)子的工作性能產(chǎn)生影響。目前，行業(yè)內(nèi)大部分工廠使用卡尺來測(cè)量轉(zhuǎn)子的外徑，同時(shí)采用人工目檢或具備放大功能的簡易視覺系統(tǒng)來檢測(cè)轉(zhuǎn)子的端面缺陷，但該方法的檢測(cè)效率低且易受人為因素干擾，從而產(chǎn)生過判和漏判。機(jī)器視覺技術(shù)具有自動(dòng)化程度高、檢測(cè)精度高等優(yōu)點(diǎn)［2］，其廣泛應(yīng)用于在線檢測(cè)和測(cè)量領(lǐng)域［3-4］。例如：張玉綱等［5］提出了一種高精度圓柱直徑大量程在線測(cè)量系統(tǒng)，其重復(fù)精度可達(dá)0.4 μm，絕對(duì)測(cè)量精度在3 μm之內(nèi)，在滿足實(shí)際測(cè)量精度要求的同時(shí)提升了工作效率；趙萍［6］提出了一種裝載視覺模塊的砂輪廓形測(cè)量系統(tǒng)，通過將砂輪廓形復(fù)映樣板作為媒介實(shí)現(xiàn)了對(duì)砂輪廓形的高精度測(cè)量，該系統(tǒng)的測(cè)量精度能夠達(dá)到±5μm，可滿足工業(yè)生產(chǎn)的實(shí)際需求。同樣的，基于機(jī)器學(xué)習(xí)的缺陷分類算法也廣泛應(yīng)用于在線檢測(cè)領(lǐng)域［7］。例如：常發(fā)亮等［8］提出了一種基于高斯顏色模型和SVM（support vector machine，支持向量機(jī)）的交通標(biāo)志檢測(cè)算法，該算法先使用高斯顏色模型對(duì)經(jīng)直方圖修正后的交通標(biāo)志圖像進(jìn)行分割并進(jìn)行形態(tài)學(xué)處理，再結(jié)合交通標(biāo)志圖像的 HOG（histogram of oriented gradient，方向梯度直方圖）描述子訓(xùn)練SVM分類器并進(jìn)行檢測(cè)，結(jié)果表明，該檢測(cè)算法在光照、旋轉(zhuǎn)和部分遮擋等不良條件下仍有較優(yōu)的穩(wěn)定性和準(zhǔn)確性，且滿足實(shí)時(shí)性要求；熊惠江［9］提出了一種由平均灰度差、RGB（red green blue，紅綠藍(lán)）直方圖以及均勻度組成的多維特征描述子，其先通過學(xué)習(xí)多幅合格產(chǎn)品圖像的多維特征描述子來建立樣本的特征集合，再利用相似度對(duì)比來判斷待加工產(chǎn)品中的缺陷件。

但是，由于VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的凸臺(tái)中心存在凹槽，傳統(tǒng)的邊緣提取算子無法準(zhǔn)確地篩除凹槽輪廓點(diǎn)，同時(shí)凸臺(tái)外邊緣磕碰區(qū)域的不規(guī)則外形也會(huì)干擾輪廓點(diǎn)的提取，從而影響轉(zhuǎn)子外徑的測(cè)量精度。此外，轉(zhuǎn)子端面上的劃痕、劃傷等缺陷的位置、形狀和尺寸具有隨機(jī)性，傳統(tǒng)的定尺度類缺陷匹配算子無法滿足檢測(cè)要求?；诖耍P者擬設(shè)計(jì)一種基于機(jī)器視覺的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)，以解決上述問題。

1 缺陷檢測(cè)系統(tǒng)整體方案

VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的外觀如圖1所示，其主體為圓柱形，四周有4個(gè)等間隔的凸臺(tái)。在鑄造成型時(shí)，轉(zhuǎn)子凸臺(tái)外邊緣可能會(huì)存在一定的打磨偏差；在不同工位間傳輸時(shí)，轉(zhuǎn)子凸臺(tái)外邊緣易產(chǎn)生磕碰點(diǎn)；在切削時(shí)，轉(zhuǎn)子端面上可能會(huì)產(chǎn)生劃痕、劃傷等缺陷。上述缺陷均會(huì)對(duì)轉(zhuǎn)子的實(shí)際使用產(chǎn)生較大的影響。

圖1 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的外觀示意Fig.1 Schematic diagram of VVT engine rotor appearance

為同時(shí)滿足VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的外徑測(cè)量精度和端面缺陷檢測(cè)準(zhǔn)確度的要求，基于機(jī)器視覺技術(shù)設(shè)計(jì)了缺陷檢測(cè)系統(tǒng)（如圖2所示），并對(duì)系統(tǒng)中用于圖像采集的相機(jī)和光源進(jìn)行了設(shè)計(jì)選型。根據(jù)檢測(cè)需求，選擇分辨率為（5 120×5 120）像素的工業(yè)面陣相機(jī)，其檢測(cè)視野為40 mm×40 mm，像素分辨率為0.007 mm/像素，能夠滿足測(cè)量精度要求；考慮到轉(zhuǎn)子端面的反光可能會(huì)對(duì)缺陷檢測(cè)結(jié)果造成干擾，經(jīng)試驗(yàn)后選用碗形光源。

圖2 基于機(jī)器視覺的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)示意Fig.2 Structure diagram of VVT engine rotor defect detection system based on machine vision

基于機(jī)器視覺的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)的工作流程（見圖3）如下：

圖3 基于機(jī)器視覺的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)的工作流程Fig.3 Work flow of VVT engine rotor defect detection system based on machine vision

步驟1 上料裝置將轉(zhuǎn)子運(yùn)送至檢測(cè)平臺(tái)后，向工業(yè)計(jì)算機(jī)發(fā)送到位信號(hào)。

步驟2 工業(yè)計(jì)算機(jī)接收到上料裝置發(fā)送的到位信號(hào)后，向工業(yè)面陣相機(jī)發(fā)送圖像采集信號(hào)。

步驟3 工業(yè)面陣相機(jī)完成轉(zhuǎn)子圖像采集，并將圖像數(shù)據(jù)發(fā)送至工業(yè)計(jì)算機(jī)。

步驟4 工業(yè)計(jì)算機(jī)接收到圖像數(shù)據(jù)后，對(duì)圖像進(jìn)行處理以完成轉(zhuǎn)子的外徑測(cè)量和端面缺陷檢測(cè)。

步驟5 工業(yè)計(jì)算機(jī)輸出最終的測(cè)量和檢測(cè)結(jié)果，并向下料裝置發(fā)送下料信號(hào)，下料裝置完成轉(zhuǎn)子下料作業(yè)。

2 缺陷檢測(cè)方法設(shè)計(jì)

目前，VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的外徑通常用卡尺來測(cè)量。但是，工作人員一般只對(duì)部分區(qū)域進(jìn)行測(cè)量，這樣容易使外徑測(cè)量結(jié)果受局部偏差的影響，從而產(chǎn)生測(cè)量誤差。此外，轉(zhuǎn)子的凸臺(tái)外邊緣經(jīng)常出現(xiàn)磕碰點(diǎn)，如圖4所示。從圖4中可以看出，不同轉(zhuǎn)子凸臺(tái)外邊緣磕碰點(diǎn)的大小及位置等均有差異。但是，傳統(tǒng)的特征檢測(cè)算法無法實(shí)現(xiàn)磕碰點(diǎn)的精確篩選，如：基于外形與顏色的特征檢測(cè)算法會(huì)產(chǎn)生較高的漏檢率；基于位置的特征檢測(cè)算法不易檢測(cè)出部分較小的磕碰點(diǎn)。

圖4 正常和邊緣磕碰的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子示意Fig.4 Schematic diagram of normal and outer edge bumped VVT engine rotors

VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面上的劃痕、劃傷缺陷如圖5所示。因工藝要求，轉(zhuǎn)子端面上刻畫了一些標(biāo)識(shí)符號(hào)，如字符、圓弧和矩形等，這些符號(hào)的存在會(huì)對(duì)端面缺陷檢測(cè)造成干擾，須在檢測(cè)前進(jìn)行篩除。但在上料過程中，由于轉(zhuǎn)子的角度無法確定，不能通過簡單的形狀和位置特征識(shí)別來篩除這些標(biāo)識(shí)符號(hào)。

圖5 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面上的標(biāo)識(shí)符號(hào)及缺陷示意Fig.5 Schematic diagram of identification symbols and defects on the end face of VVT engine rotor

基于上述問題，提出了一種VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)方法，具體流程如圖6所示。針對(duì)轉(zhuǎn)子凸臺(tái)外邊緣的磕碰干擾，利用基于梯度特征和位置序列的磕碰點(diǎn)檢測(cè)算法來篩選并去除磕碰點(diǎn)，并采用最小二乘法對(duì)篩選后的輪廓點(diǎn)進(jìn)行圓弧擬合，以實(shí)現(xiàn)外徑的精確測(cè)量；針對(duì)轉(zhuǎn)子端面上的標(biāo)識(shí)符號(hào)和劃痕、劃傷等缺陷，利用基于改進(jìn)HOG特征的SVM分類算法來篩選并去除端面上的標(biāo)識(shí)符號(hào)，以實(shí)現(xiàn)劃痕、劃傷等缺陷的有效檢測(cè)。

圖6 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)流程Fig.6 VVT engine rotor defect detection process

2.1 基于梯度特征和位置序列的磕碰點(diǎn)檢測(cè)

首先，對(duì)采集的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子圖像T（x，y）進(jìn)行預(yù)處理和連通域分析；然后，按照面積大小對(duì)各聯(lián)通域進(jìn)行排序，其中面積最大的連通域的輪廓點(diǎn)集合即為轉(zhuǎn)子的輪廓點(diǎn)集合最后，采用離散點(diǎn)集最小包圍圓擬合算法［10］對(duì)輪廓點(diǎn)集合P進(jìn)行擬合，得到外接圓 ⊙0(x0，y0，r0)，如圖 7所示。其中，x0、y0為外接圓⊙0的圓心坐標(biāo)，r0為外接圓⊙0的半徑。通過距離公式計(jì)算轉(zhuǎn)子所有輪廓點(diǎn)與外接圓⊙0圓心的像素距離，保留距離大于ra的輪廓點(diǎn)，得到轉(zhuǎn)子凸臺(tái)外側(cè)（部分）、外邊緣和凹槽的輪廓點(diǎn)（下文簡稱為凸臺(tái)輪廓點(diǎn)）集合N={N1，N2，N3，N4}，如圖7中加粗部分所示。

圖7 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子凸臺(tái)輪廓點(diǎn)篩選結(jié)果Fig.7 Screening results of contour points of VVT engine rotor boss

2.1.1 基于梯度特征和位置序列的磕碰點(diǎn)搜索

基于圖7所示的篩選結(jié)果，分別對(duì)轉(zhuǎn)子的每個(gè)凸臺(tái)的輪廓點(diǎn)進(jìn)行標(biāo)注：任選曲線的一端為起始點(diǎn)，沿順時(shí)針方向?qū)γ恳粋€(gè)輪廓點(diǎn)進(jìn)行標(biāo)注，得到標(biāo)注后的輪廓點(diǎn)集合其中，xk、yk為各輪廓點(diǎn)的坐標(biāo)。

通過計(jì)算轉(zhuǎn)子凸臺(tái)輪廓點(diǎn)的距離D和梯度Δf來檢測(cè)凸臺(tái)外邊緣的磕碰點(diǎn)，其計(jì)算式如下：

式中：t為計(jì)算梯度時(shí)輪廓點(diǎn)的采樣間隔，其取值根據(jù)實(shí)際的檢測(cè)效果進(jìn)行調(diào)整。

選取轉(zhuǎn)子中某個(gè)外邊緣帶有磕碰點(diǎn)的凸臺(tái)的輪廓點(diǎn)集合（如N1），對(duì)采樣間隔t進(jìn)行尋優(yōu)，結(jié)果表明t=10時(shí)檢測(cè)效果最佳，由此得到該凸臺(tái)輪廓點(diǎn)的距離-位置序列、梯度-位置序列曲線，如圖8所示。

圖8 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子某凸臺(tái)輪廓點(diǎn)的距離-位置序列和梯度-位置序列曲線Fig.8 Distance-position sequence and gradient-position sequence curves of contour points of a certain VVT engine rotor boss

從圖8中可以看出，轉(zhuǎn)子凸臺(tái)外側(cè)、外邊緣和凹槽這3個(gè)區(qū)域的輪廓點(diǎn)的距離D和梯度Δf隨位置序列的變化呈規(guī)律變化。其中：凸臺(tái)外側(cè)的輪廓點(diǎn)位于位置序列的首尾兩段（0%～15%和85%～100%），其距離D線性增大（首）或減?。ㄎ玻荻圈幾乎穩(wěn)定不變；凸臺(tái)外邊緣的輪廓點(diǎn)位于位置序列的15%～30%和70%～85%兩區(qū)間，其中正常輪廓點(diǎn)的距離D和梯度?f均穩(wěn)定不變且符合圓弧點(diǎn)的梯度變化，而磕碰點(diǎn)的距離D和梯度?f與正常輪廓點(diǎn)的差異較大；凹槽的輪廓點(diǎn)位于位置序列的30%～70%區(qū)間，其距離D呈增大—不變—減小的變化趨勢(shì)，而梯度變化較為散亂?；诖?，得到轉(zhuǎn)子凸臺(tái)各區(qū)域的分類方法，具體如下：

式中：L0、L1、L2、R0、R1和R2分別為轉(zhuǎn)子凸臺(tái)各區(qū)域臨界處對(duì)應(yīng)位置序列的閾值；D0、D1、D2和D3分別為對(duì)應(yīng)的距離閾值；Δf0、Δf1分別為對(duì)應(yīng)的梯度閾值。

經(jīng)過一定樣本的測(cè)試優(yōu)化后，最終得到上述各參數(shù)的值，為：

從結(jié)果上來看，由計(jì)算得到參數(shù)值構(gòu)成的區(qū)間并沒有完全囊括轉(zhuǎn)子凸臺(tái)外側(cè)、外邊緣和凹槽這3個(gè)區(qū)域的所有輪廓點(diǎn)。這是為了避免轉(zhuǎn)子凸臺(tái)不同區(qū)域臨界部分的輪廓點(diǎn)對(duì)檢測(cè)結(jié)果造成干擾，這些臨界的輪廓點(diǎn)處于過渡區(qū)域，其距離和梯度易產(chǎn)生突變，從而導(dǎo)致過檢。

2.1.2 基于最小二乘法的圓弧直徑擬合

篩除轉(zhuǎn)子凸臺(tái)外邊緣的磕碰點(diǎn)后，得到4個(gè)凸臺(tái)的正常輪廓點(diǎn)集合。根據(jù)這些輪廓點(diǎn)的坐標(biāo)，利用最小二乘法擬合外接圓。其中外接圓的方程為：

則式（3）可轉(zhuǎn)換為：

最小二乘法的擬合準(zhǔn)則是距離的平方和最小，構(gòu)建函數(shù)K(a，b，c)：

在擬合之前，先根據(jù)拉伊達(dá)準(zhǔn)則對(duì)偏移較大的輪廓點(diǎn)進(jìn)行剔除。然后，根據(jù)剩余輪廓點(diǎn)分別求解K(a，b，c)關(guān)于a、b、c的偏導(dǎo)，從而得到擬合圓的圓心坐標(biāo)和半徑。最后，將求得的半徑與像素分辨率相乘，得到轉(zhuǎn)子的實(shí)際半徑r1。

2.2 基于改進(jìn)HOG特征和SVM的端面缺陷檢測(cè)

在基于面積特征分析并得到VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子輪廓點(diǎn)集合P后，先對(duì)其進(jìn)行圖像填充，結(jié)果如圖9（b）所示；然后對(duì)填充圖像與原始二值圖進(jìn)行差減運(yùn)算，得到包含缺陷的轉(zhuǎn)子端面待測(cè)區(qū)域圖像，如圖9（c）所示。

圖9 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面待測(cè)區(qū)域提取Fig.9 Extraction of area to be measured on the end face of VVT engine rotor

在進(jìn)行缺陷檢測(cè)之前，對(duì)轉(zhuǎn)子端面待測(cè)區(qū)域中的每一個(gè)缺陷進(jìn)行框選處理，得到由若干張缺陷圖像組成的缺陷集合E，然后選取1個(gè)特征向量來描述缺陷集合E中的各個(gè)元素。常用的特征分為紋理特征、顏色特征和形狀特征三類［11］。其中，紋理特征主要包含 LBP（local binary patterns，局部二值模式）特征［12-13］、灰度共生矩陣［14］和HOG特征［15-16］等；顏色特征主要包含顏色直方圖［17］、顏色矩［18］等；形狀特征主要包括長度、寬度和角度等幾何尺寸。本文檢測(cè)的是劃痕、劃傷等缺陷，其尺寸和顏色均隨機(jī)變化，因此無法采用顏色特征和形狀特征來進(jìn)行分類。鑒于HOG特征廣泛用于人體、人臉檢測(cè)，其可清晰地反映檢測(cè)目標(biāo)的紋理特征，本文選擇HOG特征對(duì)分類算法進(jìn)行優(yōu)化。在分類算法的選擇上，考慮到實(shí)用性以及實(shí)際應(yīng)用效果［19-21］，本文選擇SVM來進(jìn)行分類［22］。

在利用SVM對(duì)圖像樣本進(jìn)行訓(xùn)練和分類之前，須確保圖像樣本的尺寸一致，則應(yīng)對(duì)圖像樣本進(jìn)行縮放處理。但是，在縮放過程中，圖像樣本的長度、寬度特征發(fā)生了改變，而長度和寬度是區(qū)分缺陷的重要參數(shù)?；诖?，本文對(duì)傳統(tǒng)的HOG特征進(jìn)行增維，即將其與歸一化處理后的長度、寬度進(jìn)行合并，再進(jìn)行SVM分類器的訓(xùn)練與缺陷檢測(cè)。

基于改進(jìn)HOG特征和SVM的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面缺陷檢測(cè)步驟如下：

步驟1 在生產(chǎn)現(xiàn)場(chǎng)按1∶1的比例收集若干張正常轉(zhuǎn)子和缺陷轉(zhuǎn)子的圖像，并將其中的90%作為訓(xùn)練圖像集，10%作為測(cè)試圖像集。

步驟2 對(duì)訓(xùn)練圖像集中的轉(zhuǎn)子圖像進(jìn)行填充、差減運(yùn)算和缺陷框選等處理，得到各轉(zhuǎn)子圖像對(duì)應(yīng)的缺陷集合E。

步驟3 將缺陷集合E中每張缺陷圖像統(tǒng)一灰度化并縮放至（128×128）像素。

步驟4 利用式（5）對(duì)缺陷集合E中每張缺陷圖像的長度和寬度進(jìn)行歸一化處理，得到w?和h?。

式中：w和h分別為缺陷圖像的原始長度和寬度。

步驟5 提取缺陷集合E中每張缺陷圖像的HOG特征描述向量H0，H0=[ ]v0v1…vg。

步驟6 將歸一化處理后的w?和h?合并到H0中，得到改進(jìn)后的HOG特征描述向量H1，H1=

步驟7 基于得到的改進(jìn)HOG特征，對(duì)SVM分類器進(jìn)行訓(xùn)練。

步驟8 對(duì)測(cè)試圖像集進(jìn)行步驟2至步驟6所對(duì)應(yīng)的處理，得到各測(cè)試圖像的改進(jìn)HOG特征，然后利用訓(xùn)練好的SVM分類器對(duì)其進(jìn)行分類。

3 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)實(shí)驗(yàn)

為驗(yàn)證本文所設(shè)計(jì)的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)的測(cè)量精度和缺陷檢測(cè)有效性，開展轉(zhuǎn)子的外徑測(cè)量實(shí)驗(yàn)和端面缺陷檢測(cè)實(shí)驗(yàn)。

3.1 外徑測(cè)量實(shí)驗(yàn)

以外徑為38 mm的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子為測(cè)量對(duì)象，挑選20個(gè)凸臺(tái)外邊緣存在磕碰點(diǎn)的轉(zhuǎn)子進(jìn)行圖像采集，并對(duì)所有磕碰點(diǎn)進(jìn)行標(biāo)記，用于驗(yàn)證本文方法的準(zhǔn)確性。利用所設(shè)計(jì)的缺陷檢測(cè)系統(tǒng)來檢測(cè)轉(zhuǎn)子凸臺(tái)外邊緣的磕碰點(diǎn)，部分結(jié)果如圖10所示。分別將20個(gè)轉(zhuǎn)子的凸臺(tái)輪廓點(diǎn)按順序進(jìn)行標(biāo)注，并求解各轉(zhuǎn)子凸臺(tái)輪廓點(diǎn)的平均距離和梯度，結(jié)果如圖11所示。

圖10 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子凸臺(tái)外邊緣磕碰點(diǎn)檢測(cè)結(jié)果（部分）Fig.10 Detection results of bump points on the outer edge of VVT engine rotor boss(part)

圖11 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子凸臺(tái)外邊緣磕碰點(diǎn)的平均距離和梯度Fig.11 Average distance and gradient of bump points on the outer edge of VVT engine rotor boss

從圖11中可以看出，經(jīng)過批量檢測(cè)后得到的平均距離和梯度可以準(zhǔn)確地將磕碰點(diǎn)與正常輪廓點(diǎn)區(qū)分開來，所有磕碰點(diǎn)的距離和梯度都在預(yù)先劃分好的區(qū)間內(nèi)。此外，對(duì)所有已標(biāo)記的磕碰點(diǎn)的位置序列進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)位置序列屬于18%～28%和73%～81%區(qū)間的磕碰點(diǎn)占總數(shù)的95%以上，其余磕碰點(diǎn)位于凸臺(tái)外側(cè)，不在檢測(cè)區(qū)域內(nèi)。

根據(jù)上述VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子凸臺(tái)外邊緣磕碰點(diǎn)檢測(cè)結(jié)果，基于最小二乘法擬合得到20個(gè)轉(zhuǎn)子的外徑。然后，使用卡尺對(duì)20個(gè)轉(zhuǎn)子進(jìn)行多次規(guī)范測(cè)量并求得外徑平均值。對(duì)轉(zhuǎn)子外徑的擬合值和實(shí)測(cè)值進(jìn)行做差處理并求絕對(duì)值，結(jié)果如圖12所示。

圖12 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷檢測(cè)系統(tǒng)的外徑測(cè)量絕對(duì)精度Fig.12 Absolute accuracy of outer diameter measurement of VVT engine rotor defect detection system

實(shí)驗(yàn)結(jié)果表明，本文算法對(duì)轉(zhuǎn)子的外徑測(cè)量具有較高的精度，絕對(duì)測(cè)量精度能夠達(dá)到0.01 mm，滿足實(shí)際測(cè)量的要求。

3.2 端面缺陷檢測(cè)實(shí)驗(yàn)

首先，在生產(chǎn)現(xiàn)場(chǎng)采集正常轉(zhuǎn)子的圖像（2 387張）和缺陷轉(zhuǎn)子的圖像（2 235張），利用獲取的傳統(tǒng)HOG特征和改進(jìn)HOG特征分別對(duì)SVM分類器進(jìn)行訓(xùn)練。然后，采集100個(gè)端面上有劃痕、劃傷等缺陷的轉(zhuǎn)子的圖像作為測(cè)試樣本，使用本文方法提取每個(gè)轉(zhuǎn)子端面待測(cè)區(qū)域的缺陷集合，共提取到1 297個(gè)樣本，其中134個(gè)為缺陷樣本，1 163個(gè)為正常樣本，對(duì)各樣本提取傳統(tǒng)HOG特征和改進(jìn)HOG特征后，使用對(duì)應(yīng)的SVM分類器進(jìn)行分類，結(jié)果如圖13（部分）和表 1所示。圖 13中：“OK”表示正常，“NG”表示缺陷。

圖13 VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面缺陷檢測(cè)結(jié)果（部分）Fig.13 Detection results of end face defect of VVT engine rotor(part)

表1中：缺陷總數(shù)nmax表示檢測(cè)結(jié)果為缺陷的樣本總數(shù)，缺陷數(shù)n0表示在缺陷總數(shù)中實(shí)際為缺陷的樣本數(shù)量；正?？倲?shù)Ymax表示檢測(cè)結(jié)果為正常的樣本總數(shù)，正常數(shù)Y0表示正?？倲?shù)中實(shí)際為正常的樣本數(shù)量。過檢率η1和漏檢率η2的計(jì)算式［23］為：

表1 基于不同方法的VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子端面檢測(cè)結(jié)果對(duì)比Table 1 Comparison of end face detection results of VVT engine rotor based on different methods

式中：Z為實(shí)際的缺陷樣本數(shù)量，在本文中Z=134。

從表1的結(jié)果中可以發(fā)現(xiàn)，基于傳統(tǒng)HOG特征進(jìn)行分類的效果較差。對(duì)缺陷樣本進(jìn)行復(fù)查后發(fā)現(xiàn)，部分正常區(qū)域的形狀呈直線形，在尺度歸一化后其與劃痕的HOG特征相似，因此造成了誤判。而改進(jìn)HOG特征添加了額外的長度和寬度參數(shù)，能夠在一定程度上將二者區(qū)分開來。

4 結(jié)語

為解決VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子缺陷人工檢測(cè)方式存在的效率低、精度低的問題，基于轉(zhuǎn)子外觀缺陷的檢測(cè)要求，開展了以下工作：

1）針對(duì)VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子凸臺(tái)外邊緣存在的磕碰點(diǎn)，提出了一種基于梯度特征和位置序列的磕碰點(diǎn)檢測(cè)算法，通過分析輪廓點(diǎn)的距離-位置序列和梯度-位置序列曲線來篩選并去除凸臺(tái)外邊緣上的磕碰點(diǎn)。

2）針對(duì)轉(zhuǎn)子凸臺(tái)的分布特點(diǎn)和形狀特征，采用最小二乘法進(jìn)行圓弧擬合，實(shí)現(xiàn)外徑測(cè)量。

3）針對(duì)轉(zhuǎn)子端面上的劃痕、劃傷等缺陷，提出了一種基于改進(jìn)HOG特征的SVM分類算法，先采用連通域分析方法得到待檢測(cè)的目標(biāo)區(qū)域，再對(duì)每個(gè)目標(biāo)區(qū)域的改進(jìn)HOG特征進(jìn)行提取，并用SVM進(jìn)行分類，從而實(shí)現(xiàn)缺陷的檢測(cè)。

實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的缺陷檢測(cè)系統(tǒng)能夠準(zhǔn)確地測(cè)量VVT發(fā)動(dòng)機(jī)轉(zhuǎn)子的外徑，對(duì)于凸臺(tái)外邊緣磕碰點(diǎn)和端面缺陷具有較高的識(shí)別率，能夠滿足工業(yè)生產(chǎn)需求。