基于機器視覺的連接器PIN針歪斜檢測系統(tǒng)設(shè)計

趙偉鵬 潘盛輝 李鎮(zhèn)楠

摘 要：傳統(tǒng)PIN針歪斜檢測主要依靠人工觀察或利用插排等工件測試，存在檢測效率低、精度無法滿足工業(yè)要求的問題。為解決這類問題，通過Halcon視覺開發(fā)軟件和C#語言聯(lián)合編程，設(shè)計基于機器視覺的連接器PIN針歪斜檢測系統(tǒng)。通過對連接器端子內(nèi)部的視覺特征進行分析，并采用行列等比例縮放模板匹配確定基準點和定位PIN針區(qū)域，解決了傳統(tǒng)形狀模板匹配在目標尺寸發(fā)生變化后定位不準確的問題。對定位的插針進行Sobel邊緣檢測和形狀轉(zhuǎn)換確定其中心點，再計算基準點與中心點的歐式距離，得出插針偏移量。實際應(yīng)用結(jié)果表明，本文歪斜檢測系統(tǒng)精度為0.1 mm，通過率為98.61%，誤判率為0，檢測時間在1 s以內(nèi)，滿足工業(yè)生產(chǎn)需求。

關(guān)鍵詞：Halcon；機器視覺；PIN針歪斜檢測；行列等比例縮放模板匹配；Sobel邊緣提取

中圖分類號：TP391.4 DOI：10.16375/j.cnki.cn45-1395/t.2023.02.014

0 引言

在國家加強節(jié)能減排部署的背景下，節(jié)能環(huán)保是現(xiàn)代汽車發(fā)展的必然趨勢，新能源汽車邁入加速發(fā)展的快車道[1]。連接器作為新能源汽車的電力與信息傳輸橋梁，其插針歪斜程度是判斷該產(chǎn)品是否符合生產(chǎn)要求的重要指標[2]。當連接器插針位置與標準模板偏差較大時，會出現(xiàn)短路現(xiàn)象，使得電力與信息傳輸受阻[3]。為了減少該類現(xiàn)象發(fā)生，研究者們不斷探索性能更加優(yōu)良的連接器PIN針歪斜檢測方法[4]。

傳統(tǒng)插針歪斜檢測方式主要是人工觀察或者利用插排等工件檢測。在生產(chǎn)過程中發(fā)現(xiàn)，傳統(tǒng)方式經(jīng)常發(fā)生誤判現(xiàn)象，且效率低。從提高精度和減少誤判出發(fā)，南京晨光集團有限責任公司等[5]發(fā)明一款電連接器插針歪斜遠心視覺檢測裝置，將遠心鏡頭引入PIN針歪斜檢測領(lǐng)域，減少成像畸變，提高了檢測精度和準確性。該裝置雖有效減少誤判現(xiàn)象，但主要針對成像系統(tǒng)進行優(yōu)化，其本質(zhì)是人工觀測，并未提升檢測效率。從提高檢測效率出發(fā)，蘇州百拓智能裝備有限公司[6]發(fā)明一款電測與PIN針歪斜檢測機構(gòu)，將電測與插針歪斜檢測結(jié)合。導通測試時，驅(qū)動機構(gòu)使檢測件向前運動，當插針歪斜時，插針無法探入檢測孔，導通測試失敗。反之，插針可深入檢測孔，導通測試成功。實際生產(chǎn)發(fā)現(xiàn)，該裝置雖提高檢測效率，但檢測精度低。從提高精度和檢測效率出發(fā)，姜景科等[2]根據(jù)插針的3D特征，設(shè)計了基于3D激光傳感器的PIN針高度檢測系統(tǒng)，利用3D Gocator激光傳感器相機實時獲取目標物體的三維點云圖像，實現(xiàn)PIN針高度檢測，然后與插針標準高度對比，進而判斷PIN針是否歪斜。該系統(tǒng)檢測精度和效率高，但是設(shè)備成本高且對產(chǎn)品固定機構(gòu)的穩(wěn)定性要求嚴格。

機器視覺檢測技術(shù)具有精度高、速度快、自動化水平高等特點[7-8]，滿足工業(yè)對插針歪斜檢測要求。本文設(shè)計了基于機器視覺的連接器PIN針歪斜檢測系統(tǒng)，該系統(tǒng)為提高檢測系統(tǒng)的成像效果，參考了電連接器插針歪斜遠心視覺檢測裝置，使用遠心鏡頭減小成像畸變，提高了成像穩(wěn)定性。其系統(tǒng)原理為：根據(jù)端子內(nèi)部結(jié)構(gòu)特點，采用行列等比例縮放形狀模板匹配定位插針區(qū)域和基準點，即插針穿插孔洞中心點；然后，利用Sobel邊緣檢測提取插針邊緣并進行形狀轉(zhuǎn)化，獲取PIN針中心點；最后，求基準點與插針中心點的歐式距離，從而判斷PIN針是否歪斜。

1 PIN針歪斜檢測系統(tǒng)結(jié)構(gòu)與工作原理

1.1 檢測內(nèi)容

需檢測的連接器端子內(nèi)PIN針分布如圖1所示。九針端子：內(nèi)含18個針孔、15根插針；寬×高為16.5 mm×25.2 mm；拱形重心到插針中心距離為1.5 mm。七針端子：內(nèi)含14個針孔、10根插針；寬×高為15.6 mm×20.8 mm；拱形重心到插針中心距離為1.5 mm。

PIN針歪斜檢測要求：

1）能檢測出歪斜程度大于0.1 mm的PIN針，并將其用紅色線圈出；

2）對每根針的歪斜程度進行標注（單位：mm）；

3）單個產(chǎn)品檢測時間少于1 s；

4）在合格狀態(tài)下，一次通過率100%。

1.2 系統(tǒng)結(jié)構(gòu)設(shè)計與運行工作原理

根據(jù)插針歪斜檢測標準，所設(shè)計的連接器PIN針歪斜檢測系統(tǒng)總體結(jié)構(gòu)如圖2所示。檢測系統(tǒng)包括圖像采集單元、上位機處理單元[9]。圖像采集單元由工業(yè)相機、遠心鏡頭、同軸光源和光源控制器等構(gòu)成；上位機處理單元又稱視覺信息處理單元，由工控機及相應(yīng)外設(shè)構(gòu)成。其中，工控機作為視覺檢測系統(tǒng)核心，主要作用是圖像處理與分析、數(shù)據(jù)傳輸與通訊。

PIN針歪斜檢測系統(tǒng)的工作原理為：系統(tǒng)相機1采用連續(xù)采集的方式，方便工作人員觀察并調(diào)整產(chǎn)品在機構(gòu)5上的位置。檢測開始時，相機1會連續(xù)采集圖像并顯示在上位機上，工作人員根據(jù)圖像顯示將產(chǎn)品按照規(guī)定方式固定在機構(gòu)5上，并使用掃碼槍進行掃碼；之后視覺信息處理單元7觸發(fā)控制信號給圖像采集單元，使其采集產(chǎn)品最后一張圖像并暫停采集；單元7利用視覺處理算法和上位機程序?qū)Σ杉淖詈笠粡垐D像進行處理，從而獲取PIN針歪斜信息，標注并顯示在上位機界面上。該系統(tǒng)的檢測流程如圖3所示。

2 PIN針歪斜檢測算法原理研究及處理結(jié)果分析

圖像采集單元所獲取的圖像，其本質(zhì)是二維矩陣信息，因此，可采用矩陣理論知識對數(shù)對采集圖像進行數(shù)字化分析處理。圖4為檢測系統(tǒng)最后一次采集的產(chǎn)品信息，通過分析圖中連接器端子內(nèi)部視覺特征，對檢測算法原理進行研究。

2.1 圖像旋轉(zhuǎn)與傾斜矯正

由圖4可知，若直接進行歪斜檢測，一是受人工安裝或機構(gòu)自身影響，導致端子呈傾斜狀態(tài)，檢測效果不佳；二是若將檢測結(jié)果標注在對應(yīng)插針上，受觀察習慣影響，使員工不便觀察。為方便觀察，本文采用基于雙線性插值的圖像旋轉(zhuǎn)算法將圖像順時針旋轉(zhuǎn)[90]°。為解決端子傾斜問題，本文采用閾值分割提取端子，然后利用仿射旋轉(zhuǎn)變換將端子旋轉(zhuǎn)至水平。

2.1.1 基于雙線性插值的圖像旋轉(zhuǎn)

在笛卡爾坐標系中，圖像中心為原點[O]，向右為x軸正方向，向上為y軸正方向。設(shè)圖像中任一點為[x0，y0]，以原點[O]為圓心順時針旋轉(zhuǎn)α角后坐標為[x，y]，數(shù)學表達式為[10]：

[xy1=cosαsinα0-sinαcosα0001x0y01]. （1）

在圖像坐標系中，左上角為原點[O]，向右為[x]軸正方向，向下為y軸正方向，因此2種坐標系需要平移變換[10]。2種坐標系對應(yīng)關(guān)系如圖5所示，圖中：[O1]、[O2]代表圖像坐標系；[O0]為笛卡爾坐標系；設(shè)[x1，y1]、[x2，y2]、[x0，y0]分別為[O1]、[O2]、[O0]中的旋轉(zhuǎn)對應(yīng)點；原圖像寬、高分別是[w、h]；目標圖像寬、高分別是[w1、h1]。

坐標系[O1]到[O0]的變換矩陣為：

[x0y01=10-0.5w0-10.5h001x1y11]. （2）

坐標系[O0]到[O2]的變換矩陣為：

[x2y21=100.5w10-10.5h1001x0y01]. （3）

圖像旋轉(zhuǎn)首先用式（2）完成坐標系[O1]到[O0]的變換，然后利用式（1）將坐標系[O0]順時針旋轉(zhuǎn)[α]角，最后用式（3）完成坐標系[O0]到[O2]的變換。變換矩陣為：

[x2y21=100.5w10-10.5h1001cosαsinα0-sinαcosα0001]·

[10-0.5w0-10.5h001x1y11]. （4）

式（4）的逆變換矩陣為：

[x1y11=100.5w0-10.5h001cosα-sinα0sinαcosα0001]·

[10-0.5w10-10.5h1001x2y21]. （5）

由式（4）可知，[x2，y2]可能存在非整數(shù)現(xiàn)象，又因為圖像[fx，y]是離散函數(shù)，即[x，]y為整數(shù)，所以出現(xiàn)旋轉(zhuǎn)后圖像的某些像素值未知的情況，因此需要插值計算。常見的插值算法有：最近鄰插值、雙線性插值、等權(quán)雙線性插值、雙三次插值等[11]。為了保證旋轉(zhuǎn)處理時間和旋轉(zhuǎn)后圖像的質(zhì)量，考慮到旋轉(zhuǎn)并未改變圖像大小，本文采用雙線性插值算法。

雙線性插值實質(zhì)是利用式（5）將旋轉(zhuǎn)后圖像逆變換，然后將[x1，y1]所對應(yīng)原圖周圍4個點分別進行線性插值，如圖6所示，其對應(yīng)的數(shù)學表達式為式（6）。

[fP≈]{[[y2-yx2-x]]/[[y2-y1x2-x1]]}[fQ11] +

{[[y2-yx-x1]] ?/ [[y2-y1x2-x1]]}[fQ21] + {[[y-y1x2-x]] ?/ [[y2-y1x2-x1]]}[fQ12] [+] {[[y-y1x-x1]] / [[y2-y1x2-x1]]} [fQ22]. （6）

利用雙線性插值將圖4順時針旋轉(zhuǎn)[90°]，如圖7所示。該算法解決了員工觀察困難和難以標注插針歪斜信息的問題。

2.1.2 仿射旋轉(zhuǎn)變換

連接器圖像的目標區(qū)域（端子）受到人工安裝或機構(gòu)自身原因影響導致傾斜，考慮到雙線性插值算法只對圖像中心進行旋轉(zhuǎn)，不能進行傾斜矯正，因此，需要仿射旋轉(zhuǎn)變換對端子傾斜矯正。

二維平面任意向量[νx，y]到[ν1x1，y1]的仿射變換可拆分為線性變換和平移變換[12]：[v1=Av+b]。其中[A=a11a12a21a22；b=a13a23]。其矩陣形式為：[v11=Ab01v1]，本文使用矩陣[M=A，b=a11a12a13a21a22a23]表示仿射變換。仿射旋轉(zhuǎn)變換是二維平面上任意一點以[x0，y0]為中心逆時針旋轉(zhuǎn)[β]弧度的變換，可以拆分為2次平移變換和1次原點旋轉(zhuǎn)變換，即該點先按[-x0，-y0]平移至原點，然后繞原點逆時針旋轉(zhuǎn)β弧度，最后以[x0，y0]平移，經(jīng)計算旋轉(zhuǎn)矩陣[A=cosβ-sinβsinβcosβ]，平移矩陣[b]=[x0（1-cosβ）+y0sinβy0（1-cosβ）-x0sinβ]。由仿射變換矩陣可知，仿射旋轉(zhuǎn)變換矩陣為：

[M=cosβ-sinβx0（1-cosβ）+y0sinβsinβcosβy0（1-cosβ）-x0sinβ]. （7）

以九針端子為例，若要對目標區(qū)域（九針端子）進行旋轉(zhuǎn)矯正，需對圖7閾值分割提取端子，然后獲取其外接矩形中心點和傾斜角，最后用式（7）計算仿射旋轉(zhuǎn)變換矩陣完成傾斜矯正，如圖8（a）所示。同理，七針端子傾斜矯正同上，如圖8（b）所示。

2.2 行列等比例縮放模板匹配

由于產(chǎn)品固定位置和端子大小存在差異，使得旋轉(zhuǎn)校正后，端子中心和PIN針穿插孔洞中心坐標不同，導致不能直接設(shè)置端子中心和基準點坐標。本文分析端子內(nèi)形狀特征發(fā)現(xiàn)，穿插孔與拱形結(jié)構(gòu)成對出現(xiàn)且兩者中心點的距離固定，若定位拱形結(jié)構(gòu)中心點，則可計算出基準點坐標。由圖8可知，因為在插針頂端對焦，所以拱形結(jié)構(gòu)模糊，導致該區(qū)域邊緣梯度復雜多樣。如圖9所示，若使用該拱形區(qū)域為形狀模板進行模板匹配，會出現(xiàn)誤選、漏選、時間長等現(xiàn)象。

針對該問題需優(yōu)化形狀模板和模板匹配算法。為解決拱形結(jié)構(gòu)模糊導致模板梯度復雜的問題，首先，需要重新對焦于拱形區(qū)域直至清晰；然后，進行預處理如：強化、閾值分割、膨脹等提取模板圖像；最后，創(chuàng)建形狀模板。其流程如圖10所示。

行列等比例縮放形狀模板創(chuàng)建流程：首先，利用Canny算子提取模板圖像[n]個邊界點[p={（xi，yi）|i=1，2，…，n}]；然后，利用Sobel算子計算對應(yīng)梯度向量[dmi=（ti，ui）T]，其中[t]和[u]分別對應(yīng)[x和y]方向梯度向量。因此，形狀模板表示為式（8）?？紤]到模板圖像與圖8拱形區(qū)域尺寸大小不同且角度不同，若直接用式（8）進行模板匹配，七針端子匹配不到，九針端子匹配位置不準確，因此，模板[M]要進行旋轉(zhuǎn)和尺寸變換。由于尺寸不同是由對焦產(chǎn)生等比例行列縮放所導致，所以模板[M]需進行旋轉(zhuǎn)和等比例縮放變換[13]。設(shè)矩陣[A]為滿足旋轉(zhuǎn)和等比例縮放變換矩陣，則[p=Ap]，梯度向量為[dmi=（t′i，u′i）T]。本文根據(jù)拱形結(jié)構(gòu)與形狀模板大小和角度比較，設(shè)置行列縮放比例為0.95～1.25，九針端子旋轉(zhuǎn)角度為[rad（45）]到[rad（-45）]，七針端子旋轉(zhuǎn)角度為[rad（135）]到[rad（225）]，其形狀模板為式（9）。

[M={xi，yi，dmi|i=1，2，…，n}]， （8）

[M={x′i，y′i，dmi|i=1，2，…，n}]. （9）

模板匹配機制是將形狀模板與待匹配對象的相似度與設(shè)定閾值進行比較，若大于閾值則匹配成功，且相似度越高則匹配對象與形狀模板越吻合，反之匹配失敗[14]。模板匹配過程是目標圖像利用模板參考點（一般為模板重心）和邊緣點的相對位置關(guān)系，得出一系列點[q=（x，y）T]及其梯度向量[dsx，y=（vx，y，wx，y）T]，然后求式（9）中[dmi]與[dsx，y]的相似度。其相似度函數(shù)為：[S=1ni=1n（dmi，dsx+x′i，y+y′i）]，由該表達式可知，相似度的值取決于梯度向量模，即取決于圖像灰度值大小[15]。因此，需要對該函數(shù)進行歸一化，消除環(huán)境對結(jié)果的影響。

[S=1ni=1n（dmi，dsx+x′i，y+y′i）||dmi||*||dsx+x′i，y+y′i||]. （10）

將式（9）與式（10）進行匹配發(fā)現(xiàn)，雖然準確率高，但是匹配時間需要8.6 s左右，原因是目標圖像與模板分辨率高，模板遍歷圖像并計算相似度的過程耗費時間多。因此，構(gòu)建圖像金字塔從低分辨率到高分辨率逐步定位匹配，能提高目標搜索效率[16]。本文通過實驗的方式，對比1～5層塔模型匹配時間和準確率來選擇合適的金字塔層數(shù)。由表1可知，構(gòu)建3層金字塔最為合適。

行列等比例模板匹配能夠有效定位端子的拱形結(jié)構(gòu)并獲取重心坐標。根據(jù)產(chǎn)品實際測量，拱形區(qū)域重心距離穿插孔洞中心約1.5 mm。旋轉(zhuǎn)矯正后視野寬×高為39.4 mm×59.1 mm，圖8中圖像大小寬×高為3 648 pix×5 472 pix。根據(jù)式（11）可計算出像素實際尺寸（S）為0.010 8 mm，則1.5 mm和0.1 mm分別為136個像素和9.26個像素。

[S=maxWs/Wt，hs/ht]. （11）

其中：S——像數(shù)實際尺寸；[Ws]——視野寬；[Wt]——圖像寬；[hs]——視野高；[ht]——圖像高。

利用拱形結(jié)構(gòu)重心到穿插孔中心像素距離，定位插針區(qū)域。如圖11所示，十字標注為重心位置，矩形框是以基準點為中心生成的PIN針區(qū)域。與圖9對比發(fā)現(xiàn)，該算法適用于模板尺寸變化的情況，且未發(fā)生漏選現(xiàn)象，定位準確。

2.3 邊緣檢測與PIN針偏移量獲取

該檢測系統(tǒng)對焦于PIN針尖端。如圖8所示，尖端邊緣灰度值突變，其周圍平滑。根據(jù)該特點，對插針區(qū)域圖像增強，然后利用Sobel邊緣檢測獲取頂端邊緣信息[17]，如圖12所示。

Sobel算子能有效檢測邊緣特征明顯的圖像，其利用一階微分求導，來計算水平和垂直邊緣的梯度值，并利用閾值來選擇邊緣點[18]。算法過程如下：

1）圖像[f（x，y）]強化為[f（x，y）]。

2）對圖像[f（x，y）]分別在[x和y]方向求導，得到[Gx]和[Gy]。Sobel算子的卷積模板：

[Gx=-10+1-20+2-10+1，Gy=-1-2-1000+1+2+1]. （12）

3）計算圖像近似梯度：[G=G2x+G2y]。

4）設(shè)置合適閾值得出邊緣點。

本文檢測PIN針中心點流程如圖13所示。

設(shè)插針中心點為[（x1，y1）]，基準點為[（x0，y0）]，則偏移量[H=（x1-x0）2+（y1-y0）2]。

利用單位轉(zhuǎn)換后的偏移量與閾值0.1 mm比較，判斷插針是否歪斜。表2—表5列出了PIN針偏移結(jié)果。

由表2—表3可知，該系統(tǒng)可判斷出大于0.1 mm的歪斜插針，由于測量儀器精度為0.05 mm，測量的實際偏移量誤差大，導致計算的相對誤差不準確。因此，利用中心點行、列相對誤差，判斷插針中心點求取的準確性。由表4—表5可知，每行和每列的相對誤差控制在0.3%以下，反映了測量的準確性。根據(jù)現(xiàn)場實際情況判斷，從4月份設(shè)備投入使用到10月份截止，通過率為98.61%，誤判率為0，滿足工業(yè)精度要求。圖14為檢測結(jié)果圖。

3 PIN針歪斜檢測軟件設(shè)計

Halcon是德國MVtec公司開發(fā)的視覺算法工具[19]。本文通過對采集圖像的視覺信息特點進行分析并設(shè)計圖像處理步驟，利用Halcon編程環(huán)境對圖像旋轉(zhuǎn)、傾斜矯正、模板創(chuàng)建、模板匹配、邊緣檢測及偏移量獲取等算子進行編寫和修改，方便上位機進行調(diào)用。圖15（a）為算子編寫。

WPF是微軟推出的面向?qū)ο蟮挠脩艚缑婵蚣?，可完成上位機界面設(shè)計、圖像處理算子調(diào)用與通訊。圖15（b）為檢測軟件上位機界面，該軟件實現(xiàn)了圖像實時顯示、計數(shù)匯總、檢測結(jié)果追述、掃碼、自動檢測、自動保存結(jié)果、MES通訊等功能。

4 結(jié)論與展望

本實驗在規(guī)定時間內(nèi)對PIN針歪斜進行有效地檢測，利用旋轉(zhuǎn)和仿射變換的方法，實現(xiàn)對圖像傾斜的矯正；基于行列等比例模板匹配的方法對拱形區(qū)域提取，實現(xiàn)基準點和插針區(qū)域定位；通過Sobel邊緣檢測算子實現(xiàn)對PIN針中心點獲取，從而完成對PIN針偏移量的計算。根據(jù)現(xiàn)場實際情況判斷，從4月份設(shè)備投入使用到10月份截止，歪斜檢測通過率為98.61%，誤判率為0，檢測時間為0.7 s，滿足工業(yè)生產(chǎn)要求。

該視覺采集設(shè)備對焦于PIN針尖端，無法清晰采集插針底部和中部，導致無法檢測彎曲的或呈螺旋狀且不歪斜的插針。下一步研究將針對螺旋插針，利用PIN針頂部角度進行篩選；針對彎曲插針，利用模組z軸移動，改變相機焦距，實現(xiàn)對彎曲插針的判斷。

參考文獻

[1] 徐永軍.電動乘用車快換電池連接器設(shè)計及性能研究[J].汽車實用技術(shù)，2019（5）：3-6，10.

[2] 姜景科，秦琴，嚴學井，等.基于3D激光傳感器的汽車連接器PIN針高度檢測系統(tǒng)[J].上海第二工業(yè)大學學報，2020，37（2）：124-128.

[3] 趙大興，彭煜，孫國棟，等.高精度視覺測量系統(tǒng)中檢測方法的研究[J].制造業(yè)自動化，2014，36（9）：25-27.

[4] 王衢，林川，陳永亮.基于ResNet網(wǎng)絡(luò)與離散變分自編碼器的精細輪廓檢測方法[J].廣西科技大學學報，2022，33（3）：8-13，28.

[5] 南京晨光集團有限責任公司，江蘇金陵智造研究院有限公司.電連接器插針歪斜遠心視覺檢測裝置：202020956432.0[P].2020-12-04.

[6] 蘇州百拓智能裝備有限公司.電測與PIN針歪斜檢測機構(gòu)及檢測方法：201910408873.9[P].2019-09-20.

[7] 威洛斯，焦宗夏.基于VisionPro的焊膏印刷機視覺定位系統(tǒng)[C]//第十二屆中國體視學與圖像分析學術(shù)會議論文集，2008：543-549.

[8] 張曉，林川，王蕤興.輪廓檢測深度學習模型的多尺度特征解碼網(wǎng)絡(luò)[J].廣西科技大學學報，2021，32（3）：60-66.

[9] 凡良玉，潘豐.基于視覺的接插件pin針正位度檢測系統(tǒng)設(shè)計[J].江南大學學報（自然科學版），2015，14（6）：762-768.

[10] 郝蕊潔，萬小紅.插值算法在圖像旋轉(zhuǎn)中的應(yīng)用[J].運城學院學報，2014，32（2）：86-88.

[11] 行薇.圖像插值技術(shù)在圖像處理中的應(yīng)用[D].長春：長春理工大學，2012.

[12] 管焱然，管有慶.基于OpenCV的仿射變換研究與應(yīng)用[J].計算機技術(shù)與發(fā)展，2016，26（12）：58-63.

[13] 王凱，余振軍，何顯輝，等.改進的多尺度形狀模板匹配算法[J].激光雜志，2022，43（4）：82-87.

[14] 陳金勝，陳興杰，彭樂樂，等.基于邊緣特征的無砟軌道扣件定位方法[J].計算機測量與控制，2018，26（5）：166-169.

[15] STEGER C.Occlusion，clutter，and illumination invariant object recognition[C]//2002 International Symposium of ISPRS Commission III on Photogrammetric Computer Vision，PCV 2002：345-350.

[16] 劉思丹，卓勇，施哲彥，等.改進的模板匹配金字塔搜索算法[J/OL].激光雜志，2022：1-7（2022-08-05）[2022-09-10].http：//kns.cnki.net/kns8/defaultresult/

index.

[17] 羅霞，唐清善，崔興倩.基于Sobel算子的爆竹筒裝藥量檢測方法的研究[J].電子設(shè)計工程，2022，30（12）：113-117.

[18] 朱地博，李春貴.多尺度結(jié)構(gòu)元素形態(tài)學邊緣檢測算法的研究[J].廣西科技大學學報，2017，28（4）：92-96.

[19] 張偉超.基于HALCON的PCB缺陷在線視覺檢測系統(tǒng)[D].濟南：齊魯工業(yè)大學，2021.

Design of connector PIN needle skew detection system based

on machine vision

ZHAO Weipeng1， PAN Shenghui*1， LI Zhennan2

（1. School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China;

2. R&D Center， Jiangsu Lider Electronic Information Co.， Ltd.， Nantong 226600， China）

Abstract： Traditional PIN needle skew detection mainly relies on manual observation or testing with sockets and other workpiece， which can not meet industrial requirements due to the low detection efficiency and accuracy. To solve these problems， the Halcon vision development software and C# language are jointly programmed to design a connector PIN needle skew detection system based on machine vision. Firstly， through the analysis of the internal visual features of the connector terminals， the row and column equal scaling template matching is adopted to determine the reference point and locate the PIN needle area， which solves the problem that the traditional shape template matching is not accurate after the target size changes. Secondly， Sobel edge detection and shape transformation on the positioning PIN needle are performed to determine its center point; Finally， the Euclidean distance between the reference point and the center point is calculated to obtain the PIN needle offset. The practical application results show that the skew detection system in this paper has an accuracy of 0.1 mm， a pass rate of 98.61%， a false positive rate of 0， and a detection time of less than 1 s， which meets industrial requirements.

Key words： Halcon; machine vision; PIN needle skew detection; row and column equal scaling template matching; Sobel edge extraction

（責任編輯：黎 婭）