基于機(jī)器視覺(jué)的錨具夾片牙面缺陷檢測(cè)方法

唐 滔， 王 健， 曾慶寧

(桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林 541004)

錨具夾片是預(yù)應(yīng)力錨固體系的重要部件之一，廣泛應(yīng)用于預(yù)應(yīng)力構(gòu)筑物，如橋梁建設(shè)、高層建筑、斜拉索等工程，其工作的可靠性和穩(wěn)定性直接影響建筑施工的安全。錨具夾片的牙面具有夾緊鋼絞線傳遞載荷的功能，是錨具夾片的關(guān)鍵部位，因此，對(duì)錨具夾片牙面缺陷檢測(cè)顯得至關(guān)重要。目前國(guó)內(nèi)外大多數(shù)預(yù)應(yīng)力錨具生產(chǎn)企業(yè)仍停留在人工目測(cè)來(lái)保證產(chǎn)品質(zhì)量，其存在的不足是：1)勞動(dòng)強(qiáng)度較大，工人易疲勞，錯(cuò)、漏檢率較高；2)檢測(cè)成本高、效率低，限制了生產(chǎn)效率的提升。機(jī)器視覺(jué)具有可重復(fù)性、長(zhǎng)期性和高速等特點(diǎn)[1-3]，因此，可利用機(jī)器視覺(jué)技術(shù)[4-6]對(duì)錨具夾片進(jìn)行智能化檢測(cè)。

目前，機(jī)器視覺(jué)技術(shù)已廣泛應(yīng)用于工業(yè)自動(dòng)化檢測(cè)相關(guān)領(lǐng)域。劉峰[7]基于機(jī)器視覺(jué)實(shí)現(xiàn)了螺紋幾何參數(shù)的自動(dòng)化檢測(cè)；胡佳成等[8]針對(duì)ABS齒圈環(huán)形表面缺陷檢測(cè)，利用圖像處理算法，實(shí)現(xiàn)了缺陷的分類識(shí)別；郭振黎等[9]通過(guò)模板匹配以及灰度差分處理，對(duì)各個(gè)待檢測(cè)區(qū)域進(jìn)行分割，并基于顏色特征、灰度均值、區(qū)域定位及面積等特征參數(shù)對(duì)冰箱啟動(dòng)器外觀缺陷進(jìn)行分類識(shí)別；黃志鴻等[10]將機(jī)器視覺(jué)技術(shù)與機(jī)器學(xué)習(xí)的SVM分類方法相結(jié)合，提出以灰度方差等6種瓶口缺陷特征構(gòu)成支持向量機(jī)分類算法，實(shí)現(xiàn)對(duì)啤酒瓶口缺陷檢測(cè)；周金麗等[11]針對(duì)西林瓶裝口服液可見(jiàn)異物的檢測(cè)，開發(fā)了一種基于機(jī)器視覺(jué)的智能識(shí)別和分揀系統(tǒng)，采用多檢測(cè)工位和多相機(jī)跟蹤拍攝的方式，并提出一種液體中微小目標(biāo)的檢測(cè)算法，可準(zhǔn)確區(qū)分可見(jiàn)異物。機(jī)器視覺(jué)檢測(cè)取代了傳統(tǒng)的人工檢測(cè)，提高了檢測(cè)效率與檢測(cè)質(zhì)量，促進(jìn)了企業(yè)的轉(zhuǎn)型升級(jí)與智能化生產(chǎn)。

針對(duì)錨具夾片牙面缺陷人工檢測(cè)不穩(wěn)定、效率低、成本高的缺點(diǎn)，結(jié)合企業(yè)生產(chǎn)需求，采用機(jī)器視覺(jué)技術(shù)的錨具夾片牙面缺陷檢測(cè)方法，設(shè)計(jì)了錨具夾片牙面缺陷視覺(jué)檢測(cè)系統(tǒng)，實(shí)現(xiàn)了錨具夾片牙面缺陷(爛牙、平牙、重牙、光板)的自動(dòng)化檢測(cè)，提高了錨具夾片牙面缺陷檢測(cè)的速度和精度。

1 系統(tǒng)構(gòu)成及檢測(cè)流程

1.1 系統(tǒng)構(gòu)成

設(shè)計(jì)的錨具夾片牙面缺陷檢測(cè)系統(tǒng)裝置如圖1所示。系統(tǒng)裝置主要由系統(tǒng)電源、上位機(jī)圖像處理模塊、PLC控制模塊、圖像采集模塊和機(jī)械上下料模塊組成，其中圖像采集模塊主要包括工業(yè)相機(jī)、紅色碗燈，機(jī)械上下料模塊主要包括入料機(jī)構(gòu)、傳輸料道、空氣壓縮機(jī)、振動(dòng)料盤、上料道、圓形轉(zhuǎn)盤和下料機(jī)構(gòu)。

圖1 錨具夾片缺陷檢測(cè)系統(tǒng)裝置

1.2 系統(tǒng)檢測(cè)流程

系統(tǒng)檢測(cè)流程如圖2所示。待檢的錨具夾片工件由人工從入料機(jī)構(gòu)投入，經(jīng)傳輸料道送到振動(dòng)料盤，振動(dòng)料盤通過(guò)振動(dòng)將無(wú)序工件自動(dòng)有序定向排列整齊，并輸送到上料道，空氣壓縮機(jī)驅(qū)動(dòng)氣缸，使得PLC控制器控制氣缸推桿將上料道中的工件推入圓形轉(zhuǎn)盤相應(yīng)的空置工位，并通過(guò)控制圓形轉(zhuǎn)盤的轉(zhuǎn)動(dòng)，使得工件有序轉(zhuǎn)動(dòng)到檢測(cè)位置。當(dāng)工件到達(dá)檢測(cè)位置時(shí)，上位機(jī)與PLC控制器之間通過(guò)串口進(jìn)行通信，上位機(jī)實(shí)時(shí)控制工業(yè)相機(jī)采集工件的圖像并實(shí)時(shí)處理，將檢測(cè)結(jié)果數(shù)據(jù)實(shí)時(shí)發(fā)送到PLC控制器，PLC控制器根據(jù)檢測(cè)結(jié)果控制下料機(jī)構(gòu)將合格與不合格的工件分別下料到指定工件箱。

圖2 系統(tǒng)檢測(cè)流程

2 圖像處理

通過(guò)圖像處理算法對(duì)上述系統(tǒng)采集的工件圖像數(shù)據(jù)進(jìn)行處理，以期實(shí)現(xiàn)夾片錨具牙面缺陷識(shí)別。圖像處理流程如圖3所示。

圖3 圖像處理流程

2.1 圖像預(yù)處理

圖像預(yù)處理是為了下一步處理圖像所做的必要準(zhǔn)備，本算法圖像預(yù)處理包括灰度化、直方圖均衡化、濾波。4類缺陷樣品經(jīng)過(guò)預(yù)處理后的圖如圖4所示。

圖4 缺陷樣品預(yù)處理后圖

工業(yè)相機(jī)采集的是RGB圖像，對(duì)其灰度化有利于運(yùn)算量降低和后續(xù)圖像處理。由于圖像存在一定的噪聲，采用5×5的雙重均值濾波對(duì)圖像進(jìn)行濾波，去除噪聲。直方圖均衡化通過(guò)原圖像的灰度級(jí)的概率密度函數(shù)求出灰度變換函數(shù)進(jìn)行變換，使原圖像的灰度級(jí)的概率密度呈均勻分布，增加了圖像灰度的動(dòng)態(tài)范圍，從而增強(qiáng)工件圖像的對(duì)比度，方便后續(xù)特征提取。圖像均衡算法[12]如下：

1)求出待處理圖像的直方圖，

(1)

其中：rk為第k級(jí)灰度；nk為圖像中灰度級(jí)為rk的像素個(gè)數(shù)；N為圖像的總像素。圖像的灰度為[0，L-1]。

2)利用累計(jì)分布函數(shù)對(duì)原圖像的灰度直方圖進(jìn)行變換，得到新的圖像灰度：

(2)

其中：0≤ri≤1；sk為累計(jì)分布函數(shù)。

3)進(jìn)行近似處理，以新灰度代替舊灰度，同時(shí)將灰度值相等或近似的直方圖合并，得到新直方圖P(s)。

2.2 ROI區(qū)域提取

為了確?？焖偬崛⊙烂嫒毕萏卣?，需對(duì)檢測(cè)區(qū)域ROI進(jìn)行定位提取。以合格樣品為例，牙面檢測(cè)區(qū)域如圖5(a)所示矩形框，牙面區(qū)域邊界與其他區(qū)域存在明顯的灰度值差異，通過(guò)對(duì)預(yù)處理后的圖像進(jìn)行二值化處理，然后通過(guò)二值圖快速定位到如圖5(b)所示的4個(gè)框所在邊界區(qū)域，最后根據(jù)定位到的邊界區(qū)域坐標(biāo)對(duì)預(yù)處理后的圖進(jìn)行裁剪，得到ROI區(qū)域圖像，如圖5(c)所示。

圖5 ROI圖像提取

圖像二值化采用OTSU最大類間方差算法[13]。算法原理為：

設(shè)k為圖像二值分割時(shí)的閾值，圖像的灰度分級(jí)為0，1，，L-1，灰度為i的像素?cái)?shù)目為ni，總像素N=n0+n1++nL-1，各灰度值的概率為pi=ni/N，圖像的總均值μT和閾值為k時(shí)的灰度平均值μ(k)為：

(3)

(4)

圖像分為C0=[0,1,,k]和C1=[k+1,k+2,,L-1]2組，2組產(chǎn)生的概率為：

(5)

w1(k)=1-w0(k)。

(6)

C0和C1的平均值為：

(7)

(8)

于是可得類間方差

w1(k)[μ1(k)-μT]2，

(9)

進(jìn)一步可得

(10)

k的取值為[1，L-1]，σB2(k)最大值時(shí)的k即為所選閾值。

2.3 邊緣檢測(cè)

圖像經(jīng)過(guò)ROI提取得到缺陷檢測(cè)區(qū)域圖像，為了提取牙面缺陷，經(jīng)過(guò)理論分析以及實(shí)驗(yàn)研究，通過(guò)邊緣檢測(cè)得到牙面螺紋牙的邊緣，以初步表達(dá)牙面缺陷特征。邊緣是指亮度函數(shù)發(fā)生急劇變化的位置[14]，采用Canny邊緣檢測(cè)算子來(lái)計(jì)算圖像的梯度，從而測(cè)量邊緣強(qiáng)度，并將局部強(qiáng)度值存在變化的區(qū)域加以顯現(xiàn)[12]。實(shí)驗(yàn)結(jié)果表明，夾片牙面的邊緣檢測(cè)采用Canny檢測(cè)算子效果較好，可實(shí)現(xiàn)邊緣特征的提取。各類樣品檢測(cè)效果如圖6所示。

圖6 邊緣檢測(cè)效果圖

Canny算子作為一種邊緣檢測(cè)常用算子[15]，其具體步驟為：

1)采用二維高斯濾波器平滑圖像。

2)利用梯度算子(如Prewitt、Sobel等)計(jì)算平滑后的圖像在x、y方向的梯度Gx、Gy，得到梯度幅值G和方向角θ[8]：

(11)

(12)

梯度方向角度一般取0°、45°、90°、135°。

3)非極大值抑制。非極大值抑制用來(lái)排除非邊緣像素，其中保留了一些細(xì)線條，并作為候選邊緣[11]。

4)滯后閾值。滯后閾值分別設(shè)定高閾值和低閾值，若某一像素位置的幅值大于高閾值，則被認(rèn)為邊緣點(diǎn)；若某一像素位置的幅值小于低閾值，則該像素被排除；若某一像素位置的幅值在2個(gè)閾值之間，則該像素僅僅在連接到一個(gè)高于高閾值的像素時(shí)被保留。

2.4 中值濾波和形態(tài)學(xué)處理

2.4.1 中值濾波

邊緣檢測(cè)后，高頻前景噪點(diǎn)多呈離散態(tài)單獨(dú)存在，中值濾波器對(duì)離散噪點(diǎn)的處理效果較好[8]。采用3×3模板窗口處理邊緣檢測(cè)圖，用窗口中各點(diǎn)灰度的中值代替指定點(diǎn)的灰度值[16]。中值濾波的輸出結(jié)果為：

(13)

其中：y為圖像中值濾波結(jié)果；n為模板窗口內(nèi)像素點(diǎn)的個(gè)數(shù)；x1,x2,,xn分別為模板窗口內(nèi)的像素點(diǎn)。

2.4.2 形態(tài)學(xué)處理

中值濾波后，錨具夾片牙面的螺紋邊緣更加清楚，但邊緣輪廓會(huì)存在一些斷點(diǎn)，給后續(xù)特征提取識(shí)別帶來(lái)誤差，因此，采用形態(tài)學(xué)處理連接斷點(diǎn)。形態(tài)學(xué)處理是通過(guò)結(jié)構(gòu)元素進(jìn)行運(yùn)算，結(jié)構(gòu)元素相當(dāng)于信號(hào)處理中的“濾波窗口”[17]。

設(shè)A為輸入圖像，B為結(jié)構(gòu)元素，腐蝕和膨脹的定義如下：

腐蝕：

AΘB={x∶B(x)?E}。

(14)

膨脹：

A⊕B={y∶B(y)∩E≠?}。

(15)

將腐蝕和膨脹進(jìn)行復(fù)合運(yùn)算，可得到2種典型的變換算子[18]。先腐蝕再膨脹稱為開運(yùn)算，用于消除圖像中小于結(jié)構(gòu)元素的細(xì)節(jié)部分,物體的局部形狀保持不變。先膨脹再腐蝕稱為閉運(yùn)算，用于連接鄰近的物體，填補(bǔ)小空洞，填平窄縫隙使得物體邊緣更平滑[14]。通過(guò)多次實(shí)驗(yàn)，采用先閉后開的形態(tài)學(xué)處理。中值濾波和形態(tài)學(xué)處理效果見(jiàn)圖7。

圖7 中值濾波和形態(tài)學(xué)處理效果圖

2.5 缺陷提取與判別

經(jīng)大量的夾片樣品圖像的特征提取與分析，錨具夾片牙面缺陷特征可通過(guò)以下2個(gè)參數(shù)判別：1)牙面單個(gè)邊緣對(duì)平均像素點(diǎn)個(gè)數(shù)NYK；2)牙面邊緣對(duì)的平均個(gè)數(shù)NYS。參數(shù)統(tǒng)計(jì)表如表1所示。

表1 參數(shù)統(tǒng)計(jì)表

單個(gè)邊緣對(duì)可表示一條螺紋牙，設(shè)NYK為螺紋牙的牙寬，NYS為螺紋牙的總數(shù)，同時(shí)設(shè)置各類缺陷的閾值，通過(guò)與設(shè)定的閾值比較，各類樣品判別規(guī)則如表2所示。

表2 判別規(guī)則表

3 實(shí)驗(yàn)結(jié)果與分析

針對(duì)錨具夾片牙面爛牙、平牙、重牙、光板等4類缺陷類型，每種缺陷類型各選取100個(gè)檢測(cè)樣品，并選取820個(gè)合格樣品，在圖1的系統(tǒng)平臺(tái)進(jìn)行在線測(cè)試。系統(tǒng)平臺(tái)運(yùn)行環(huán)境為：工業(yè)相機(jī)為維視圖像MV-VD130，圖像分辨率為1 280×1 024，圖像采集系統(tǒng)采用碗形LED紅色光源，上位機(jī)處理器采用Intel i7，運(yùn)行系統(tǒng)為Window7 64位。檢測(cè)結(jié)果如表3所示。其中m為待檢樣品數(shù)，n為檢測(cè)系統(tǒng)識(shí)別正確數(shù)，η為分類準(zhǔn)確率，s為漏檢片數(shù)。

表3 檢測(cè)結(jié)果

從表2可看到，缺陷分類正確率≥94%，合格識(shí)別正確率≥96.2%，本系統(tǒng)的漏檢率<1%，同時(shí)，平均檢測(cè)速度每片≤0.2 s，優(yōu)于人工檢測(cè)速度(0.8 s)。因此，本系統(tǒng)可以滿足企業(yè)生產(chǎn)過(guò)程中自動(dòng)化檢測(cè)要求，可解決人工檢測(cè)存在的問(wèn)題。

4 結(jié)束語(yǔ)

針對(duì)錨具夾片牙面缺陷人工檢測(cè)的不足，設(shè)計(jì)了一套基于機(jī)器視覺(jué)理論的錨具夾片牙面缺陷檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，通過(guò)圖像預(yù)處理、ROI提取、邊緣檢測(cè)、中值濾波和形態(tài)學(xué)處理，提取夾片牙面的邊緣對(duì)特征來(lái)表征缺陷，對(duì)牙面缺陷進(jìn)行檢測(cè)具有很好的準(zhǔn)確度。今后研究重點(diǎn)是實(shí)現(xiàn)準(zhǔn)確率更高、檢測(cè)速度更快和漏檢率更低的檢測(cè)系統(tǒng)。