凸輪軸凸輪表面缺陷檢測(cè)與診斷方法的研究

徐剛強(qiáng) 周康康 曹毅 胡火明 闞李近

摘要：凸輪軸是高速運(yùn)轉(zhuǎn)的復(fù)雜軸類零件，是發(fā)動(dòng)機(jī)五大核心部件之一。由于凸輪異形，在智能制造中采用視覺檢測(cè)技術(shù)時(shí)，其磨削后凸輪面反光，對(duì)檢測(cè)系統(tǒng)的設(shè)計(jì)帶來挑戰(zhàn)。本研究提出一種凸輪視覺檢測(cè)方法，利用拍攝凸輪圖片進(jìn)行閾值二值化，提取凸輪輪廓，得到凸輪表面選定區(qū)域，再進(jìn)行缺陷輪廓提取，得到缺陷輪廓，對(duì)表面缺陷的大小和周長(zhǎng)進(jìn)行篩選后實(shí)現(xiàn)缺陷的分類。同時(shí)還探討視覺檢測(cè)CPS數(shù)據(jù)模型融入凸輪軸智能制造大系統(tǒng)的方案。

Abstract： Camshaft is a complex shaft part running at high speed. It is one of the five core components of the engine. Due to the special shape of cam， when visual inspection technology is used in intelligent manufacturing， the reflection of cam surface after grinding brings challenges to the design of inspection system. In this study， a cam visual detection method is proposed. The threshold binarization is carried out by taking cam pictures， the cam contour is extracted， the selected area of cam surface is obtained， and then the defect contour is extracted to obtain the defect contour. After screening the size and perimeter of surface defects， the defect classification is realized. At the same time， the scheme of integrating visual inspection CPS data model into camshaft intelligent manufacturing system is also discussed.

關(guān)鍵詞：凸輪軸;表面缺陷;視覺檢測(cè);智能制造

Key words： camshaft;surface defects;visual inspection;intelligent manufacturing

中圖分類號(hào)：TP391.4 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-957X（2022）04-0008-03

0 ?引言

作為各類發(fā)動(dòng)機(jī)的核心零件，凸輪軸作為發(fā)動(dòng)機(jī)“五大關(guān)鍵核心零部件（缸體、曲軸、連桿、凸輪軸、缸蓋）”之一，是各類發(fā)動(dòng)機(jī)的最為關(guān)鍵傳動(dòng)核心零部件，其性能對(duì)發(fā)動(dòng)機(jī)的功率、扭矩、油耗、排放等性能起決定性作用。凸輪表面形狀是異型的，有桃形、負(fù)曲、偏心等復(fù)雜外形，對(duì)其自動(dòng)檢測(cè)技術(shù)應(yīng)用帶來很大困難;而且高精度磨削加工使凸輪表面反光，加上磨削液和碎屑?xì)埩?，?duì)視覺系統(tǒng)光路設(shè)計(jì)和算法的智能性帶來很大考驗(yàn)。

機(jī)器視覺檢測(cè)通過用機(jī)器模擬人眼能實(shí)施非接觸式、快速檢測(cè)，可用于產(chǎn)品尺寸測(cè)量、缺陷檢測(cè)、定位與識(shí)別與控制，能大幅提升產(chǎn)品的質(zhì)量和可靠性，提高生產(chǎn)效率、降低勞動(dòng)強(qiáng)度。隨著機(jī)器視覺和計(jì)算機(jī)技術(shù)的不斷發(fā)展，工業(yè)界中機(jī)器視覺的技術(shù)應(yīng)用也越來越多。因此，不同行業(yè)、不同領(lǐng)域都在嘗試?yán)脵C(jī)器視覺進(jìn)行技術(shù)升級(jí)與改造[1]。

早在1976，Nordqvist，K.G 就設(shè)計(jì)和制造了一款缺陷檢測(cè)系統(tǒng)，該系統(tǒng)能檢測(cè)出金屬表面的缺陷和對(duì)于缺陷分類。二十世紀(jì)末期，汽車制造企業(yè)開始應(yīng)用機(jī)器視覺來檢測(cè)表面缺陷，這個(gè)舉動(dòng)極大的推進(jìn)了機(jī)器視覺在檢測(cè)領(lǐng)域的發(fā)展。21世紀(jì)初，Yogitha.S和Sakthivel.P[2]提出了一種用于檢測(cè)水果評(píng)級(jí)的分類的系統(tǒng)。當(dāng)前，TOKIMEC和PARSYTEC等公司都能提供完整的表面缺陷檢測(cè)系統(tǒng)[3]。

進(jìn)入21世紀(jì)來，我國(guó)也出現(xiàn)了大批的基于機(jī)器視覺的零件和金屬表面缺陷等的檢測(cè)系統(tǒng)[4，5]。2013年，孫雪晨等人[6]就基于機(jī)器視覺設(shè)計(jì)了凸輪軸檢測(cè)系統(tǒng)。2016年，李孝祿等人[7]利用視覺檢測(cè)技術(shù)對(duì)汽車制動(dòng)管路中氣泡進(jìn)行檢測(cè)。2018年，王凱等人[8]都利用機(jī)器視覺對(duì)于零件進(jìn)行了檢測(cè)。2018年，厲榮宣等人[9]在軸類零件表面裂紋檢測(cè)的時(shí)候使用了圖形學(xué)的方法。2019年，廖家驥[10]研發(fā)了一套將機(jī)器視覺與機(jī)器手結(jié)合起來的分揀系統(tǒng)。

針對(duì)以凸輪軸為代表的車用復(fù)雜軸類零件具有結(jié)構(gòu)異形、高速高精、高反射性的特性，本文以凸輪軸為例，研究適合于復(fù)雜軸類零件智能生產(chǎn)線作業(yè)特點(diǎn)，且具有質(zhì)檢定制化、操作簡(jiǎn)易化、顯示人性化特色的視覺檢測(cè)方法，并在現(xiàn)有凸輪軸智能生產(chǎn)線投入應(yīng)用[11]。本研究還設(shè)計(jì)了一個(gè)完整的檢測(cè)系統(tǒng)運(yùn)動(dòng)控制算法，設(shè)計(jì)了視覺檢測(cè)環(huán)節(jié)的信息模型和軟件信息系統(tǒng)，為質(zhì)量大數(shù)據(jù)應(yīng)用、優(yōu)化融入智能制造大系統(tǒng)的制造活動(dòng)提供技術(shù)基礎(chǔ)。

1 ?視覺檢測(cè)方法設(shè)計(jì)技術(shù)路線

根據(jù)凸輪軸結(jié)構(gòu)特點(diǎn)和公差要求，給出其視覺選型和檢測(cè)性能技術(shù)指標(biāo)，進(jìn)行視覺檢測(cè)方法的集成設(shè)計(jì)，以驗(yàn)證視覺檢測(cè)方法的有效性，技術(shù)路線如圖1所示。

2 ?視覺檢測(cè)方法設(shè)計(jì)

2.1 凸輪軸凸輪表面區(qū)域的提取

以單次采集到的凸輪軸表面圖像為例說明凸輪軸凸輪表面區(qū)域的提取過程。圖像主要由兩部分組成：光滑的白色的凸輪軸凸輪表面和粗糙的黑色非凸輪表面。提取出圖片中凸輪表面，是后續(xù)的凸輪表面缺陷提取的先決條件。在對(duì)凸輪軸圖像灰度化后，通過Gamma矯正的方式提高了圖像的對(duì)比度。比對(duì)不同γ值后，選用γ=1.5對(duì)圖像進(jìn)行處理，如圖2所示。

經(jīng)過Gamma矯正后，得到了對(duì)比度較強(qiáng)的凸輪軸灰度圖像。通過分析這些處理后的凸輪軸圖像，發(fā)現(xiàn)凸輪表面和非凸輪部分的顏色差相當(dāng)明顯，所以采用了閾值分割的方法就可以得提取出凸輪表面的大概形狀。通過膨脹和腐蝕操作就能得到光滑邊緣的凸輪表面圖像。通過對(duì)凸輪圖像的邊緣提取和邊緣填充就能得到一張用于提取凸輪表面的掩膜，再通過掩膜與原圖像的運(yùn)算完成了凸輪表面圖像的提取，如圖3所示。

2.2 凸輪表面缺陷的提取

采用Gamma矯正的方法對(duì)凸輪軸凸輪表面提取后的圖像進(jìn)一步增強(qiáng)其對(duì)比度，通過二值閾值化和輪廓提取就可以得到凸輪表面缺陷的輪廓。通過對(duì)凸輪表面缺陷大小和周長(zhǎng)的分析，將凸輪表面主要分為兩類：一類是面積較小為黑色狀缺陷，另一類面積較大為凹坑狀缺陷，如圖4所示。

3 ?基于CPS分層遞進(jìn)質(zhì)量檢測(cè)診斷方法設(shè)計(jì)

利用CPS融合技術(shù)的基于CPS的凸輪軸加工質(zhì)量機(jī)器視覺在線檢測(cè)方法，采用“預(yù)先設(shè)計(jì)圖檢模板-綜合尺寸一次快檢-缺陷標(biāo)記精細(xì)分揀-人機(jī)協(xié)同成因診斷”的系統(tǒng)設(shè)計(jì)和分層遞進(jìn)檢測(cè)控制方法，保證凸輪軸表面嚴(yán)重缺陷100%檢出、桃尖等關(guān)鍵部位缺陷零容忍等質(zhì)檢要求，并為質(zhì)量追溯鑒定大數(shù)據(jù)基礎(chǔ)。實(shí)時(shí)性、魯棒性好的圖像處理算法與視覺檢測(cè)軟件技術(shù)，是實(shí)現(xiàn)“綜合快檢、精細(xì)分揀、質(zhì)量診斷”的分層遞進(jìn)質(zhì)量檢測(cè)診斷目標(biāo)的關(guān)鍵。

首先是綜合尺寸快檢，采用預(yù)先設(shè)計(jì)標(biāo)準(zhǔn)輪廓圖像與凸輪截面圖像比對(duì)，一次性快速檢測(cè)輪廓缺陷，采用優(yōu)化的圖像處理算法及高速通訊協(xié)議，保障現(xiàn)場(chǎng)高精度、實(shí)時(shí)性檢測(cè)要求;其次是缺陷檢測(cè)識(shí)別，結(jié)合工人經(jīng)驗(yàn)預(yù)先設(shè)計(jì)缺陷查找表，基于最大熵分割、SMV、決策樹加權(quán)組合算法，保證缺陷定位誤差在3個(gè)像素以內(nèi)，氣孔等嚴(yán)重缺陷100%檢出，桃尖缺陷零容忍，并兼顧檢測(cè)精度和效率的提升。最后是人機(jī)協(xié)同診斷分析，采用機(jī)器學(xué)習(xí)技術(shù)分析質(zhì)檢數(shù)據(jù)，結(jié)合人工標(biāo)記建立精磨缺陷成因診斷數(shù)據(jù)集，基于振動(dòng)信號(hào)特征提取技術(shù)評(píng)估潛在內(nèi)部缺陷嚴(yán)重性，為質(zhì)量追溯鑒定大數(shù)據(jù)基礎(chǔ)。

基于分層遞進(jìn)檢測(cè)分析方法，按照CPS網(wǎng)絡(luò)跨時(shí)空協(xié)調(diào)控制的組織方式，采用“視覺感知-PLC電控-IPC監(jiān)控-多源數(shù)據(jù)庫(kù)”的多層協(xié)同的信息傳遞模型，實(shí)現(xiàn)綜合尺寸檢測(cè)線、表面缺陷檢測(cè)線、包裝傳送線、次品精分線的四線協(xié)同控制，采用機(jī)器學(xué)習(xí)技術(shù)人機(jī)協(xié)同分析質(zhì)檢數(shù)據(jù)，結(jié)合人工標(biāo)記，建立精磨缺陷成因診斷數(shù)據(jù)集，基于振動(dòng)信號(hào)特征提取技術(shù)評(píng)估潛在內(nèi)部缺陷嚴(yán)重性，為質(zhì)量監(jiān)控系統(tǒng)優(yōu)化設(shè)計(jì)、設(shè)備故障診斷提供有力的支撐。

4 ?視覺檢測(cè)CPS數(shù)據(jù)模型方法融入智能制造大系統(tǒng)的方案

利用CPS融合技術(shù)，設(shè)計(jì)CPS數(shù)據(jù)模型構(gòu)建、網(wǎng)絡(luò)化質(zhì)量監(jiān)控和制造模擬技術(shù)，提高了系統(tǒng)參數(shù)調(diào)優(yōu)、缺陷成因診斷和設(shè)備故障預(yù)測(cè)報(bào)警等CPS高層智能融合和綠色制造技術(shù)應(yīng)用的可行性。按照加工時(shí)序建立基準(zhǔn)升程-刀具軌跡模型-凸輪型線的數(shù)據(jù)轉(zhuǎn)換模型，形成質(zhì)量設(shè)計(jì)、加工監(jiān)控、綜合檢測(cè)相統(tǒng)一的基準(zhǔn)體系;基于平底、滾柱和尖頂?shù)葟膭?dòng)件運(yùn)動(dòng)規(guī)律，研究凸輪軸“桃型”、“負(fù)曲”等異型凸輪基本尺寸和輪廓關(guān)系模型，進(jìn)而研發(fā)適合復(fù)雜曲面回轉(zhuǎn)體加工狀態(tài)的插值擬合和誤差校正算法，減少數(shù)據(jù)處理誤差，據(jù)此開發(fā)數(shù)據(jù)模型轉(zhuǎn)換和質(zhì)量信息管理軟件系統(tǒng)，實(shí)現(xiàn)質(zhì)檢定制化，滿足用戶多樣化生產(chǎn)需求;基于分層遞進(jìn)檢測(cè)分析方法，按照CPS網(wǎng)絡(luò)跨時(shí)空協(xié)調(diào)控制的組織方式，采用“視覺感知-PLC電控-IPC監(jiān)控-多源數(shù)據(jù)庫(kù)”的多層協(xié)同的信息傳遞模型，實(shí)現(xiàn)綜合尺寸檢測(cè)線、表面缺陷檢測(cè)線、包裝傳送線、次品精分線的四線協(xié)同控制，采用機(jī)器學(xué)習(xí)技術(shù)人機(jī)協(xié)同分析質(zhì)檢數(shù)據(jù)，結(jié)合人工標(biāo)記建立精磨缺陷成因診斷數(shù)據(jù)集，基于振動(dòng)信號(hào)特征提取技術(shù)評(píng)估潛在內(nèi)部缺陷嚴(yán)重性，為質(zhì)量監(jiān)控系統(tǒng)優(yōu)化設(shè)計(jì)、設(shè)備故障診斷提供有力的支撐。

參照五層CPS體系框架，基于軸類零件智能制造生產(chǎn)線，進(jìn)行CPS視覺監(jiān)控融入智能制造大系統(tǒng)的總體方案設(shè)計(jì)，確定核心模塊和拓展模塊系統(tǒng)結(jié)構(gòu)，總體方案如圖5所示。

在CPS體系結(jié)構(gòu)頂層設(shè)計(jì)基礎(chǔ)上，以帶齒輪的凸輪軸為例，結(jié)合信息模型，進(jìn)行多工位檢測(cè)平臺(tái)軟硬件設(shè)計(jì);結(jié)合圖像處理算法和分層遞進(jìn)策略的研究，根據(jù)加工工藝和質(zhì)量標(biāo)準(zhǔn)，建立工藝數(shù)據(jù)轉(zhuǎn)換模型，建立網(wǎng)絡(luò)化CPS加工質(zhì)量監(jiān)控系統(tǒng)，基于質(zhì)檢大數(shù)據(jù)，基于機(jī)器學(xué)習(xí)進(jìn)行特征分析、缺陷識(shí)別和質(zhì)量診斷。構(gòu)建視覺檢測(cè)CPS數(shù)據(jù)模型方法，融入智能制造大系統(tǒng)。

5 ?總結(jié)

本文設(shè)計(jì)了一種視覺檢測(cè)CPS數(shù)據(jù)模型及凸輪軸凸輪表面檢測(cè)方法，在參考國(guó)內(nèi)運(yùn)用機(jī)器視覺等技術(shù)的基礎(chǔ)上，提出了一種運(yùn)用圖像處理技術(shù)來提取凸輪軸凸輪表面缺陷的檢測(cè)方法。攝像頭采集到的凸輪圖像后，通過Gamma矯正的方式來增強(qiáng)了凸輪圖像的對(duì)比度，對(duì)于Gamma矯正后的圖像先進(jìn)行二值化操作，再進(jìn)行閾值分割和輪廓提取，成功提取圖像中凸輪表面區(qū)域。設(shè)計(jì)了缺陷的提取和分類算法，通過對(duì)凸輪表面缺陷的輪廓提取，提取出了凸輪表面缺陷，并通過對(duì)凸輪表面缺陷的特征分析，對(duì)凸輪的缺陷進(jìn)行分類。利用CPS融合技術(shù)，基于CPS的凸輪軸加工質(zhì)量機(jī)器視覺在線檢測(cè)，設(shè)計(jì)CPS分層遞進(jìn)質(zhì)量檢測(cè)診斷方法。在CPS體系結(jié)構(gòu)頂層設(shè)計(jì)基礎(chǔ)上，建立網(wǎng)絡(luò)化CPS加工質(zhì)量監(jiān)控系統(tǒng)，基于質(zhì)檢大數(shù)據(jù)，基于機(jī)器學(xué)習(xí)進(jìn)行特征分析、缺陷識(shí)別和質(zhì)量診斷，構(gòu)建視覺檢測(cè)CPS數(shù)據(jù)模型方法，融入智能制造大系統(tǒng)。

參考文獻(xiàn)：

[1]李孝祿，梁思偉，王文越，趙進(jìn)慧，朱俊江，李運(yùn)堂.汽車液壓制動(dòng)系統(tǒng)氣液兩相流流型的識(shí)別[J].中國(guó)機(jī)械工程，2017，28（04）：492-496.

[2]Yogitha.S， Sakthivel.P. A distributed computer machine vision system for automated inspection and grading of fruits[J]. International Journal of Computer Science and Mobile Computing， 2014， 3（4）：522-527.

[3]Li Ping， Li Fengjun， Cai Anke， Wei Bokang. Fracture analysis of chilled cast iron camshaft [J]. China Foundry， 2009， 6（2）：104-108.

[4]王清晨，景軍鋒.采用機(jī)器視覺的金屬表面橫向裂紋檢測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2018，32：71-76.

[5]吳強(qiáng)，崔躍利，張耀.基于機(jī)器視覺的零件缺陷檢測(cè)算法[J]. 科學(xué)技術(shù)創(chuàng)新，2018，26：65-66.

[6]孫雪晨，姜肖楠，傅瑤，韓誠(chéng)山，文明.基于機(jī)器視覺的凸輪軸表面缺陷檢測(cè)系統(tǒng)[J].紅外與激光工程，2013，42（6）：647-1652.

[7]李孝祿，王文越，張遠(yuǎn)輝，吳善強(qiáng)，李運(yùn)堂.液壓制動(dòng)管路中氣液兩相流流型聚類分析識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（02）：377-383.

[8]王凱，周律，章佳佳.基于機(jī)器視覺的圓孔零件內(nèi)外徑尺寸精密檢測(cè)[J].農(nóng)業(yè)裝備與車輛工程，2018，56：59-62.

[9]厲榮宣，沈希忠，張樹行，陳圣杰.基于圖像處理的軸類零件表面裂紋檢測(cè)[J].圖學(xué)學(xué)報(bào)，2015，36（1）：62-67.

[10]廖家驥，劉建群，高偉強(qiáng)，胡釗雄.基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)設(shè)計(jì)[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2019（04）： 25-27，31.

[11]徐剛強(qiáng)，周康康.汽油機(jī)凸輪軸數(shù)字化車間建設(shè)的探索與實(shí)踐—以博星84系列凸輪軸數(shù)字化產(chǎn)線為例[J].內(nèi)燃機(jī)與配件， 2019（18）：31-32.