汽車精密零件外觀缺陷視覺檢測方法研究?

劉瑞媛 茅 健 陸文超

（上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院 上海 201620）

1 引言

零件在制造過程中不可避免地會(huì)產(chǎn)生各種缺陷，如尺寸偏差、磕傷、裂紋、劃痕、表面污染等，這些缺陷是導(dǎo)致系統(tǒng)運(yùn)行故障的重要因素，在高精密系統(tǒng)中更為嚴(yán)重，如汽車發(fā)動(dòng)機(jī)內(nèi)部分精密部件，外觀缺陷檢測是不可缺少的環(huán)節(jié)［1］。傳統(tǒng)的檢測依賴人工的手段，檢測精度不高且影響因素較多，因此，提高精密零件檢測精度勢在必行。

機(jī)器視覺檢測因其自身穩(wěn)定性好、適用范圍廣、非接觸測量等優(yōu)點(diǎn)，被廣泛應(yīng)用于檢測領(lǐng)域［2～4］。目前，已有研究將機(jī)器視覺系統(tǒng)用于汽車精密零件缺陷檢測過程，厲曉飛［5］設(shè)計(jì)了一套完整的基于機(jī)器視覺的汽車零件缺陷檢測系統(tǒng)，包括光源、相機(jī)等硬件設(shè)備的選擇和布置，以及圖像處理技術(shù)的研究和基于LabVIEW 的軟件系統(tǒng)的編寫，實(shí)現(xiàn)了汽車零件的在線檢測；劉艷雄等［6］針對汽車精沖零件斷面缺陷，設(shè)計(jì)了基于機(jī)器視覺的檢測硬件設(shè)施和圖像處理技術(shù)，通過二值化處理分離缺陷，計(jì)算缺陷面積來判斷零件是否合格。俞曉明等［7］針對精密零件，選取OTSU 算法進(jìn)行圖像分割，采用像素級和亞像素級邊緣檢測，以汽車圓孔零件為實(shí)驗(yàn)，實(shí)現(xiàn)了精密零件缺陷的完整檢測。

本文提出了利用Otsu 改進(jìn)Canny 算子來分割缺陷圖像，Hu 矩提取缺陷及運(yùn)用SVM 進(jìn)行缺陷分類，實(shí)現(xiàn)對汽車精密零件缺陷的識別方法。搭建了精密零件外觀缺陷檢測平臺，選取了合適的相機(jī)及光源等硬件設(shè)備，并且利用汽車精密零件進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明該方法可有效識別精密零件外觀缺陷圖像，并對其進(jìn)行分類，且具有較高的檢測率和準(zhǔn)確率。

2 檢測方法總體設(shè)計(jì)

針對汽車精密零件的外觀缺陷檢測方法的主要步驟如下。

1）利用CCD 相機(jī)及機(jī)械結(jié)構(gòu)部分協(xié)同工作獲取缺陷圖像；

2）利用小波變換進(jìn)行圖像預(yù)處理，去除圖像噪聲；

3）利用改進(jìn)的Canny 算法分割圖像缺陷，其中，Otsu算法用于確定Canny算子中的最佳閾值；

4）利用Hu 矩進(jìn)行特征提取，得到缺陷特征的長度及面積參數(shù)；

5）將樣本參數(shù)用于訓(xùn)練SVM 分類器，使其可以對缺陷進(jìn)行識別分類。

流程圖如圖1所示。

圖1 缺陷檢測方法流程圖

3 缺陷圖像處理

3.1 圖像預(yù)處理

圖像在生成、傳輸或者變換的過程中不可避免地會(huì)與原始物體產(chǎn)生一定的差異，尤其在工業(yè)環(huán)境下，外界環(huán)境中光線、噪聲帶來的影響會(huì)導(dǎo)致圖像質(zhì)量的下降、特征比較模糊。因此，對于使用CCD相機(jī)采集到的圖像需要進(jìn)行降噪處理。相比于傳統(tǒng)的中值濾波和均值濾波［8］，小波變換由于其特有的可變分辨率特性，可以更好的根據(jù)圖像特征進(jìn)行降噪［9～11］。本算法采用Haar 小波，選擇的分解層數(shù)為兩次。以汽車轉(zhuǎn)向器內(nèi)部套筒缺陷圖像為例，通過Matlab軟件進(jìn)行仿真，可以得到三種不同濾波效果，如圖2 所示，均值濾波和中值濾波會(huì)造成零件圖像邊緣的損失，如圖中標(biāo)注位置，小波降噪后對圖像邊緣保有性更好。

圖2 降噪對比圖

3.2 圖像分割

圖像分割依賴于邊緣檢測算子來提取圖像邊緣，傳統(tǒng)的邊緣檢測算子一般有Roberts算子、Sobel算子等［12］，但是它們對噪聲敏感，難以直接應(yīng)用。因此，選擇最佳邊緣檢測算子Canny 算子，但是考慮到Canny 算子中閾值的設(shè)定復(fù)雜［13］，本算法中采用Ostu算法替代傳統(tǒng)的雙閾值算法求出最佳閾值，對算法進(jìn)行優(yōu)化改進(jìn)。

改進(jìn)的Canny算法的步驟如下。

1）高斯濾波平滑圖像

在小波去噪的圖像基礎(chǔ)上，采用Canny 算法中的高斯濾波對圖像進(jìn)行進(jìn)一步平滑處理，其中，高斯濾波的函數(shù)公式如（1）所示。

用高斯函數(shù)處理后的圖像的原理公式可得：

2）計(jì)算梯度的幅值及方向（利用一階偏導(dǎo)的有限差分）

采用2×2 鄰域內(nèi)求有限差分均值來計(jì)算平滑后的數(shù)據(jù)陣列，梯度算子為一階導(dǎo)數(shù)。設(shè)圖像函數(shù)為f(x,y)，則它的梯度定義為

幅度值和方向角分別為

3）進(jìn)行梯度非極大值抑制

給定梯度幅度圖像矩陣之后，利用梯度模式的門限操作來得到邊緣像素點(diǎn)的輪廓。邊緣點(diǎn)在Canny 算法中定義為在梯度方向上局部強(qiáng)度最大的點(diǎn)，這個(gè)較強(qiáng)的約束，可以使通過門限法進(jìn)行操作得到的目標(biāo)邊緣細(xì)化。非最大抑制的目的是找到所有可能存在的邊緣點(diǎn)，基本思想是通過計(jì)算當(dāng)前點(diǎn)相鄰周圍方向上像素的梯度值來判斷該點(diǎn)是否具有局部最大梯度值，如果是，那么該點(diǎn)判為可能的邊緣點(diǎn)，否則為非邊緣點(diǎn)。

4）雙閾值選取

傳統(tǒng)的Canny 算子中，應(yīng)用預(yù)先設(shè)定的高低閾值來進(jìn)行圖像分割，而實(shí)際圖像因受到外界因素的影響，導(dǎo)致圖像邊緣的變換，以至于預(yù)先設(shè)定的閾值不能更好的實(shí)現(xiàn)圖像分割。為了實(shí)現(xiàn)閾值自適應(yīng)且最優(yōu)的選取，在改進(jìn)Canny 算子中，利用Otsu算法，根據(jù)所給圖像，求出最大類間方差，來確定高閾值的選取，并利用公式算出低閾值。

設(shè)q1、q2分別為目標(biāo)、背景占圖像像素總數(shù)的百分比，u1、u2分別為對應(yīng)的灰度均值，ut為總的均值。則：

最大類間方差為

將最優(yōu)閾值作為Canny 算法的高閾值，由式（8）計(jì)算出低閾值。

4 缺陷圖像識別

4.1 特征提取

為便于缺陷進(jìn)行分類，需要進(jìn)行特征提取來獲得缺陷的特征數(shù)據(jù)，包括圖形特征，顏色特征等。根據(jù)常見精密零件缺陷特征，劃痕、油污等，選擇Hu矩［14］的特征提取方法對缺陷進(jìn)行提取。在笛卡爾坐標(biāo)系下，Hu 矩利用二階和三階歸一化中心矩陣構(gòu)造了七個(gè)不變矩，其中圖像p+q 的幾何矩、中心矩和歸一化的中心矩為

4.2 SVM分類

機(jī)器視覺檢測的目的在于對缺陷進(jìn)行分類識別，通過樣本的特征數(shù)據(jù)對分類器進(jìn)行訓(xùn)練即可實(shí)現(xiàn)。相比于BP、MLP、KNN 等一些分類算法，支持向量機(jī)SVM 是一個(gè)有監(jiān)督的學(xué)習(xí)模型［15］，其主要思想為通過非線性映射算法將低維不可分樣本轉(zhuǎn)化為高維特征空間使得線性可分。即將低維不可分問題上升為高維線性可分問題。SVM 分類器［15］利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，構(gòu)建特征空間中的最優(yōu)分割面，從而得到全局的最優(yōu)化效果。其分類示意圖如圖2所示。

圖3 分類示意圖

具體分類過程描述如下：設(shè)有N 個(gè)樣本為(x1,y1),(x2,y2),…(xN,yN)，SVM 分類的線性判別函數(shù)的表達(dá)式為（14），根據(jù)式（15）來確定一個(gè)超平面，該超平面距離最為接近。利用幾何關(guān)系計(jì)算距離M，M的最大值即為L(w)的最小值，如式（17），采用拉格朗日優(yōu)化方法，得到最優(yōu)超平面w 和b 的偏差［11］。

5 缺陷檢測平臺

5.1 平臺簡介

針對汽車精密零件缺陷檢測，搭建了外觀缺陷視覺檢測平臺，如圖4所示，該平臺采用CCD 相機(jī)、LED光源前向照明、零件放置臺及計(jì)算機(jī)等。平臺中主要設(shè)備及參數(shù)如表1 所示。工作原理如下：當(dāng)零件到達(dá)檢測區(qū)域時(shí)，觸發(fā)光電開關(guān)信號，同時(shí)觸發(fā)CCD 相機(jī)進(jìn)行拍照。之后根據(jù)工件轉(zhuǎn)動(dòng)的角度度計(jì)算出工件每轉(zhuǎn)動(dòng)90°所需的時(shí)間，并根據(jù)計(jì)算所得時(shí)間觸發(fā)相機(jī)進(jìn)行拍攝。對于每一個(gè)零件，檢測系統(tǒng)可獲得四張圖像，對獲取的圖像進(jìn)行算法處理及分析，最終得出零件的檢測結(jié)果。

表1 主要設(shè)備及其參數(shù)

圖4 汽車精密零件外觀缺陷視覺檢測平臺

5.2 實(shí)驗(yàn)結(jié)果及分析

基于上述檢測平臺，選擇汽車轉(zhuǎn)向器內(nèi)部套筒零件為檢測對象，從同一批零件中隨機(jī)選取300 個(gè)有缺陷的零件得到作為樣本進(jìn)行缺陷識別，圖5 為樣本缺陷分割結(jié)果。

對汽車精密零件缺陷的面積、周長、Hu 矩這些特征進(jìn)行提取，通過數(shù)據(jù)可以觀察出不同缺陷的數(shù)據(jù)特征差距較大，利用數(shù)據(jù)特征可以明顯地區(qū)分出缺陷類別。表2 所示為針對油污缺陷、劃痕、壓痕和加工缺陷的樣本所進(jìn)行的缺陷的幾何特征和Hu不變矩的特征數(shù)據(jù)實(shí)驗(yàn)結(jié)果。

圖5 缺陷分割結(jié)果

表2 特征提取結(jié)果

由表2 可知，劃痕、壓痕面積、周長和Hu 矩較小，且其面積和周長相差較??；但是油污和加工缺陷的面積、周長及Hu 矩較大。并且其周長和面積相差也比較大。所以，特征提取的實(shí)驗(yàn)結(jié)果與實(shí)際情況相符，實(shí)驗(yàn)分組設(shè)計(jì)方案有效，能充分的驗(yàn)證四類缺陷的缺陷特征。

表3 缺陷分類結(jié)果

在得到缺陷特征之后，通過SVM 分類器進(jìn)行缺陷的樣本訓(xùn)練，便可對該零件進(jìn)行缺陷分類。使用SVM 作為分類器，進(jìn)行缺陷的訓(xùn)練和分類。分類結(jié)果如表3 所示，SVM 的分類結(jié)果與人工分類結(jié)果基本相符。

6 結(jié)語

本文基于機(jī)器視覺系統(tǒng)研究了汽車精密零件外觀缺陷檢測方法，該方法利用小波去噪進(jìn)行圖像預(yù)處理，改善了圖像質(zhì)量。采用Otsu 算法改進(jìn)Canny 算子，實(shí)現(xiàn)Cany 算子中閾值的最優(yōu)選擇，對圖像缺陷進(jìn)行分割。利用Hu矩實(shí)現(xiàn)了缺陷特征提取并進(jìn)行SVM 分類。搭建汽車精密零件外觀缺陷檢測平臺進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該算法性能穩(wěn)定，且檢測結(jié)果與實(shí)際結(jié)果相差不大，檢出率較高。