基于HALCON的剎車片尺寸和表面缺陷檢測系統(tǒng)

左東祥，陳曉榮

(上海理工大學 光電信息與計算機工程學院，上海 200093)

?

基于HALCON的剎車片尺寸和表面缺陷檢測系統(tǒng)

左東祥，陳曉榮

(上海理工大學 光電信息與計算機工程學院，上海 200093)

針對剎車片尺寸和表面缺陷人工檢測效率低下的問題，文中提出了一種基于機器視覺軟件HALCON的檢測系統(tǒng)。該系統(tǒng)充分利用了剎車片的形態(tài)學和灰度值特征，運用邊緣提取和局部閾值分割算法，定位出剎車片外邊緣，最終計算出剎車片尺寸，并標記出缺陷位置。通過對200張圖像樣本進行測試，檢測系統(tǒng)將尺寸誤差控制在0.47%，剎車片缺陷檢查的誤判率為1%。該系統(tǒng)運行高效穩(wěn)定，滿足了實際需求。

HALCON；邊緣提??；閾值分割；尺寸檢測；缺陷檢測

剎車片生產(chǎn)過程中，其表觀質(zhì)量是國內(nèi)外市場競爭的重要指標之一。人工檢測效率低、速度慢[1]。而機器視覺測量速度快、系統(tǒng)成本低、安裝方便，具有較高的研究價值[2]。HALCON是德國MVtec公司開發(fā)的一套完善的標準機器視覺算法包，擁有應用廣泛的機器視覺集成開發(fā)環(huán)境[3]。本文提出了一種基于HALCON的剎車片尺寸和表面缺陷自動檢測系統(tǒng)，該系統(tǒng)實現(xiàn)了缺陷檢測的智能化，并提高了效率。

1 圖像預處理

待檢測的圖像如圖1所示，為未做處理的原圖像。檢測系統(tǒng)的工作為測量剎車片外圍尺寸，并標記剎車片表面缺陷區(qū)域。為排除剎車片表面圖像干擾因素，需要對圖像進行預處理，主要表現(xiàn)為去除圖像中圓所在區(qū)域和剎車片背景區(qū)域。主要使用了區(qū)域形態(tài)學和閾值分割算法。

圖1 剎車片表面采集圖像

1.1 邊緣提取

為得到圖像表面圓所在的輪廓線，需要對圖像進行邊緣提取。該系統(tǒng)的邊緣提取算法基于Canny算子實現(xiàn)。Canny邊緣檢測是一種相對較好的邊緣檢測方法，與Sobel等其他單一邊緣檢測算法相比，其檢測的邊界連續(xù)性較好[4]，較適合本案例。邊緣提取結(jié)果如圖2所示，圖中彩色輪廓即為邊緣提取結(jié)果。

圖2 邊緣提取結(jié)果

1.2 圓擬合

圓擬合算法對象定義于R2空間，度量距離為歐式距離[5]。將輪廓上點到擬合圓的平方距離進行連加求和，使求得的總和最小化，得到的點集合即為感興趣區(qū)域

(1)

其中，ε2為求得的距離總和；(α,β)是圓心；ρ是圓的半徑；ri代表輪廓上點的行坐標；ci代表輪廓上點的列坐標；n為輪廓上點的數(shù)量。

通過HALCON擬合算子，可得到如圖3(a)所示的圖像處理結(jié)果，圖中彩色輪廓即為提取的感興趣輪廓，但明顯存在誤擬合的區(qū)域，故而需要過濾操作?？紤]到剎車片圖像上側(cè)的3個小圓半徑值和縱坐標較為接近，下側(cè)的2個圓同樣具有這一特征。根據(jù)此項形態(tài)學特征，可去除誤擬合的圓。如圖3(b)所示，圖中彩色輪廓區(qū)域即為剎車片表面的5個圓。此時，根據(jù)圓的位置信息，可通過HALCON的形態(tài)學算子，計算出剎車片圖像在視野內(nèi)的方向角度α，用于后續(xù)的圖像仿射。

圖3 表面圓提取結(jié)果

1.3 去除背景區(qū)域

在上文的基礎(chǔ)之上，需進一步設(shè)計算法去除背景區(qū)域。因背景區(qū)域的灰度值較之內(nèi)部較高，可通過閾值分割的方法去除。閾值分割的基本原理是通過將圖像中的每個像素與某一門限值進行比較從而將圖像區(qū)分為背景和目標[6]。去除背景區(qū)域和內(nèi)部圓之后圖像如圖4所示，即為感興趣區(qū)域。

圖4 預處理之后的圖像

2 剎車片尺寸檢測

尺寸檢測基于形態(tài)學算法。本例中，通過篩選出剎車片圖像最外圍的兩條邊緣輪廓，計算這兩條邊緣輪廓之間的距離，即可得到剎車片的尺寸。但考慮到實際測量環(huán)境中，機械裝置上物體的位置和旋轉(zhuǎn)角度難以保持恒定。外側(cè)邊緣輪廓較難保持垂直狀態(tài)，這對輪廓的篩選工作造成了一定的影響。

故而，在此處需要對感興趣區(qū)域進行仿射變換。仿射變換可采用式(2)描述。

(2)

式(2)中，等式右邊為仿射矩陣和原坐標，等式左邊為仿射后的坐標。上述預處理中得到的角度值α為下側(cè)兩圓的圓心之間連線與水平線的夾角，由此可得到如式(3)所示的仿射矩陣。

(3)

通過仿射矩陣將圖像仿射至水平方向。此時根據(jù)垂直坐標信息，篩選出包含剎車片表面圖像外圍邊緣的所有輪廓，如圖5所示。

圖5 包含外邊緣的表面輪廓

通過觀察圖5可知，要想提取出外圍輪廓，需分析外圍輪廓的形態(tài)特征?？梢詮囊韵聝煞矫婵紤]：(1)外圍邊緣輪廓方向均接近于垂直方向；(2)外圍邊緣輪廓到剎車片中心位置距離基本相等。

根據(jù)以上形態(tài)學特征，最終篩選出的兩條邊緣輪廓如圖6所示，彩色線條即為邊緣輪廓。到此，通過HALCON計算外圍兩條邊緣輪廓之間的距離，即可得到剎車片尺寸。

圖6 剎車片外圍邊緣輪廓

3 缺陷區(qū)域提取

缺陷區(qū)域的提取同樣屬于特征提取的一部分，特征提取主要是基于各種分割算法來實現(xiàn)的。但通常難以有效分割語義區(qū)域邊緣。如本文中提到的邊緣分割，較難提取連續(xù)閉環(huán)區(qū)域[7]，區(qū)域生長技術(shù)則依賴于初始種子[8]。

從圖像中觀察可知，剎車片表面的缺陷主要是凹坑和劃痕。缺陷處灰度值低于其他區(qū)域，且缺陷區(qū)域面積較大，不同缺陷區(qū)域的灰度值差距明顯。利用全局閾值對圖像進行分割可能會將圖像的局部細節(jié)忽略[9]。所以其不能由人工指定閾值法來分割，而是要根據(jù)被檢測圖像的特征，自適應地選擇閾值。

在此引入局部閾值分割的概念。物體在局部范圍內(nèi)通常與背景灰度值有一定的差異，在這種情況下，尋找一個固定閾值來區(qū)分物體和背景較為困難。通過對圖像進行平滑濾波操作，生成平滑后的圖像。再通過原圖像與平滑后圖像之間的灰度值差異作為特征，即可尋找感興趣區(qū)域。

在本例中，缺陷檢測使用局部閾值分割進行處理。在此用S表示感興趣區(qū)域；R表示全部區(qū)域；(r,c)表示坐標；用fr,c表示輸入圖像；用gr,c表示平滑后的圖像；gdiff表示設(shè)定的灰度值差。對圖像中較亮的區(qū)域局部閾值分割處理，如式(4)所示

S={(r,c)∈R|fr,c-gr,c≥gdiff}

(4)

而對較暗區(qū)域的局部閾值分割處理如式(5)所示

S={(r,c)∈R|fr,c-gr,c≤gdiff}

(5)

可以看出，要想得到合理的感興趣區(qū)域，需使用合適的平滑濾波器。對圖像的不同平滑效果，也同樣影響篩選出的感興趣區(qū)域。這里使用鄰域平均法，將原圖中一個像素的灰度值與其周圍鄰近的像素的灰度值相加，然后將求得的平均值作為新圖像中該像素的灰度值[10]。對于位置(r,c)處的像素，其灰度值為fr,c，平滑后的灰度值為gr,c，則gr,c由包含(r,c)鄰域的若干個像素的灰度平均值決定，如式(6)所示，得到平滑的像素灰度值

(6)

式(6)中，(r,c)表示坐標；R表示以(r,c)為中心的鄰域點的集合；n是R中像素點的總和。鄰域平均法的平滑效果與所使用的鄰域半徑大小有關(guān)：半徑越大，平滑圖像的模糊程度越大。如若濾波掩碼尺寸過大，被提取物體尺寸較小，新生成的圖像會較為模糊，導致最終的局部閾值分割后的區(qū)域?qū)笠?guī)模的交織。若濾波掩碼尺寸過小，被提取物體尺寸較大，則又將導致難以完整提取出圖像。

通過以上規(guī)律，在HALCON中輸入待檢圖像，調(diào)試后設(shè)置較合適濾波掩碼尺寸和灰度值偏移量，即可得到較理想的局部閾值分割結(jié)果。如圖7所示，圖中標記的區(qū)域，即為剎車片表面缺陷檢測的結(jié)果。

圖7 缺陷檢測結(jié)果

4 結(jié)果分析

為測試系統(tǒng)的檢測精度和檢測速率，在盡量保證同等測試硬件設(shè)備的條件下，采集了200張不同的剎車片圖像。在檢測精度方面，如表1所示，通過手動測量剎車片的尺寸大小，減去實驗中得到的尺寸大小。用偏差絕對值除以手動測量的尺寸，得到相應的平均樣本誤差為0.47%。缺陷檢測則以錯誤檢測的圖像數(shù)量除以樣本總數(shù)的百分比表示，平均誤判率為1%。兩者的檢測精度均較為理想。

在檢測速率方面，考慮到檢測尺寸不可避免的使用大量形態(tài)學算法。如上文中所提到邊緣提取和圓擬合，在圖像尺寸較大的情況下，是較為耗時的。為減少檢測時間，算法中多次使用閾值分割減小被檢測區(qū)域。同時充分使用輪廓角度值及最大半徑值等形態(tài)學數(shù)據(jù)，有效篩選感興趣輪廓。如表1所示，通過實驗測試，單張圖像平均檢測時間被控制在1 000 ms之內(nèi)，為897 ms，檢測速率足以滿足實際需求。

表1 樣本測試結(jié)果

5 結(jié)束語

本系統(tǒng)結(jié)合實際工程項目的要求，在對剎車片表面圖像進行預處理后，得到豐富的形態(tài)學數(shù)據(jù)。根據(jù)形態(tài)特征，篩選出剎車片圖像外圍邊緣，從而計算出剎車片尺寸。此外，根據(jù)缺陷特征，采用局部閾值分割的方法，較理想的提取出凹坑與劃痕位置。本系統(tǒng)具有良好的魯棒性和檢測速率，符合工業(yè)自動化的發(fā)展浪潮。

[1] 何金彪,周永霞.基于機器視覺的罐蓋缺陷檢測[J].中國計量學院學報,2015,26(3):269-273.

[2] 陳藝峰.HALCON在工件二維尺寸檢測上的應用[J].機電技術(shù),2011,34(4):12-13.

[3] Carten Steger,Markus Ulrich,Christian Wiedemann.機器視覺算法與應用[M].北京:清華大學出版社,2008.

[4] 彭飛,陳維榮,冒波波,等.基于Canny邊緣檢測和聚合接續(xù)法的路軌邊緣提取方法[J].鐵道學報,2012,34(2):52-57.

[5] 李淵,喬兵,陸宇平.基于聚類方法的圓擬合算法[J].計算機應用,2013,33(z2):206-208.

[6] 陶文兵,金海.一種新的基于圖譜理論的圖像閾值分割方法[J].計算機學報,2007,30(1):110-119.

[7] 王曉峰.CBIR系統(tǒng)中的圖像語義分割技術(shù)[J].計算機工程與應用,2002,38(21):114-117.

[8] 王輔之.動態(tài)閾值分割在圖像特征提取中的應用[J].福建電腦,2008,24(6):10-14.

[9] 涂其遠,吳建華,萬國金.動態(tài)閾值結(jié)合全局閾值對圖像進行分割[J].南昌大學學報:工科版,2002,24(1):37-40.

[10] 滕召榮,蔣天發(fā).鄰域平均法對矢量圖平滑處理[J].現(xiàn)代電子技術(shù),2009,32(14):75-77.

Size and Defect Detection System of Brake Based on HALCON

ZUO Dongxiang，CHEN Xiaorong

(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093, China)

A detection system based on machine vision software named HALCON is proposed in the paper in face of the low efficiency of the size and imperfection detection of the brake. The system makes full use of the characteristics of the morphology and gray value of the brake, and uses edge detection and local threshold segmentation algorithm. The system locates position of margin, calculates the size of brake and marks the location of surface defect finally. According to the running result of the system with the input of 200 figure samples, it has a very high accuracy within 0.47% error, and the misdiagnosis rate of the defect is 1%.The system can run fast and stably, which meets practical requirements.

HALCON; edge extraction; threshold; size detection; defect detection

2016- 01- 11

左東祥(1992-)，男，碩士研究生。研究方向：圖像處理。陳曉榮(1974-)，女，博士，副教授，碩士生導師。研究方向：圖像處理等。

10.16180/j.cnki.issn1007-7820.2016.11.023

TP242.6+2

A

1007-7820(2016)11-078-03