軸類工件表面視覺自動檢測系統

孫闊原，蔣理興，王俊亞，張　峰，韓　碩

(1.信息工程大學 導航與空天目標工程學院, 鄭州 450001; 2.信息工程大學 地理空間信息學院, 鄭州 450001)

?

軸類工件表面視覺自動檢測系統

孫闊原1，蔣理興1，王俊亞1，張峰1，韓碩2

(1.信息工程大學 導航與空天目標工程學院, 鄭州 450001; 2.信息工程大學 地理空間信息學院, 鄭州 450001)

表面物理損傷檢測是軸類工件質量檢測的重要環節，為提高表面質量檢測的自動化水平并建立相關行業標準，設計了一套機器視覺檢測系統來實現生產中軸類工件的表面檢測。采用黑白線陣CCD相機通過暗視野前向照明方式獲取合適的圖像；經過圖像增強、濾波等預處理后采用最大類間方差法對圖像進行閾值分割；經過形態學處理，提取缺陷輪廓信息；以輪廓的長寬比以及面積作為評價準則，提取主要輪廓；計算缺陷重心坐標，即定位點坐標；單片機通過與上位機通信，控制打碼筆標記出缺陷的位置。采用該系統在不同軸類工件上進行試驗,結果表明：缺陷檢測系統誤檢率在5%以下，漏檢率為0，能滿足軸類工件表面在線實時檢測的要求。

機器視覺；圖像處理；軸類零件；表面缺陷；單片機；最大類間方差法

軸類零件是機械工業中常見且重要的零件，主要用來支承傳動零部件，傳遞扭矩和承受載荷。該類零件的質量保證是機械產品質量的關鍵。尺寸檢測和表面檢測是軸類零件質量檢測的重要環節。

對軸類工件的傳統檢測一般是采用人工肉眼識別的方法，檢測結果與工人的經驗和情緒有直接的關系。文獻[1]指出人工檢測的有效性最多只能達到80%。人工執行這些工序，不但增加了企業的管理成本，還存在效率低、可靠性差等缺點。文獻[2]采用小角度縱波探頭超聲檢測技術對軸類零件表面橫向缺陷的檢測進行了可行性分析，但未能達到較高的精度。作為一種現代檢測技術，機器視覺檢測技術的研究與應用始于20世紀80年代初，首先應用于美國制造業，之后其以非接觸、速度快、誤檢率低、現場抗干擾能力強等突出優點，在許多國家的各個工業部門得到了廣泛的應用[3-9]。

目前,采用機器視覺技術對軸類工件尺寸的檢測研究較多，并取得了一定的效果[10-13],但圖像處理技術在軸類工件表面檢測上的應用研究還處于起步階段[14]。筆者設計了一種新型軸類工件表面圖像采集裝置，提高了圖像采集質量，并采用中值濾波、閾值分割等圖像處理方法，結合下位機控制系統，為提高軸類零件質量檢測的自動化水平提出了一種解決方案并擬建立行業標準。

1　圖像采集系統

視覺檢測系統中，圖像采集系統是缺陷檢測系統的基礎，直接影響到后續的圖像處理算法;故，如何獲取待測工件高精度的優質影像是機器視覺缺陷檢測系統的關鍵技術之一[15]。所以光源、相機、鏡頭、圖像采集卡及照明方式的選取決定了視覺檢測系統的質量優劣。

如圖1所示，待檢測的金屬軸類工件表面光滑,發生了鏡面反射，要從這幅面陣相機拍攝的圖像中有效獲得工件表面的缺陷信息較為困難。一般的面光、條形光，環形光都易出現亮度不均等缺點，同軸光源采用高密度排列的LED，亮度高且均勻，能夠凸顯物體表面的不平整，克服表面反光造成的干擾。經過反復試驗，選用白色同軸光源作為系統所用光源。

圖1　某面陣相機拍攝的軸類零件圖像

圖2　合格工件與缺陷工件的檢測原理示意

合格的金屬工件表面光滑，光將全部產生鏡面反射；不合格工件的表面缺陷處粗糙，光將發生漫反射，如圖2所示。由此，筆者采用暗視野前向照明的拍攝方式來獲取圖像。采用此種方法時,用散射光來觀察被測軸件，散射光的部分變成白色，不發生散射的部分將變成黑色，能有效區別被測工件的前景與背景，從而獲得對比度高的圖像。

筆者采用某公司的分辨率為7 450像素，像素尺寸為4.7 μm×4.7 μm的SWIFT系列的線掃描黑白CCD工業相機;基于PCI總線的Camera Link圖像采集卡;高亮度線掃描白色同軸光源以及日本某公司生產的35 mm焦距的線掃描鏡頭等器件組成機器視覺采集系統。

圖3　系統硬件結構示意

缺陷檢測系統裝置示意如圖3所示，設計時將相機的線狀CCD傳感器與待檢測軸的軸向母線設成平行，調節相機與線陣光源到一定的角度至可以采集到對比度高的圖像。MCU控制步進電機1、2、3；步進電機1、2分別通過絲桿1與絲桿2控制相機、線陣光源和打碼筆的同步移動以便相機和線陣光源保持固定的角度；步進電機3通過傳動裝置可以驅動軸類工件的旋轉。檢測流程如下：首先通過上位機啟動檢測系統，步進電機3開始驅動軸件轉動，同時由相機、光源、圖像采集卡、主機等組成圖像采集單元開始采集圖像；當步進電機3轉動1圈，完成軸上長度為d的部分表面圖像的采集，將采集的圖像傳輸到計算機；經過算法處理，得到缺陷坐標；然后主機通過串口與MCU通信，以MCU為核心的控制器驅動打碼筆標記缺陷部位；然后步進電機1和2分別帶動絲桿1和2驅動相機、光源以及打碼筆前進距離d，重復以上步驟，直至完成整個檢測；最后通過分揀結構將缺陷工件傳送出來，進行進一步加工操作。

2　缺陷檢測算法設計

軸類零件表面缺陷檢測算法主要包含四部分：圖像預處理，閾值分割，形態學處理，缺陷區域輪廓提取及其形狀特征參數的計算。圖像預處理指:PC機讀取線陣相機的圖像，并進行拼接，裁剪，平滑濾波；之后選取合適的閾值分割方法，將前景信息從工件圖像中分割出來；接著通過數學形態學操作將部分缺陷區域連通；然后提取目標缺陷區域的連通輪廓；最后計算輪廓區域的特征信息，篩選輪廓并提取輪廓形心坐標。具體的算法流程如圖4所示。

圖4　缺陷檢測算法流程

2.1圖像分割算法

圖像分割是機器視覺領域內的一項關鍵技術，對于圖像的處理與分析起著橋梁作用[16]，它的優劣將直接影響缺陷的檢測。閾值分割由于其簡單、有效的特點，適用于對于實時性要求較高的機器視覺系統。常見的閾值法主要有：最大類間方差法[17]、最大熵法[18]、最小交叉熵法[19]、矩不變法[20]等。若采用復雜度高的圖像分割算法,雖能獲得較好的分割圖像，但不能滿足在線檢測的實時性要求。

由于獲取的工件表面圖像缺陷部分與背景灰度差別較大，所以采用最大類間方差法能夠快速取得較為理想的二值化效果，適用于機器視覺檢測系統中。

檢測系統采集的圖像是8位圖像，共256級灰度值，大津閾值分割算法如下：

設灰度級為i的像素數量為ni，出現的概率記為pi，圖像的全部像素數量記為N，則

(1)

用閾值t可將圖像分成兩類:H0={0,1…t}，H1={t+1,t+2+…+255}。H0與H1類出現的概率及其平均值分別為

(2)

(3)

(4)

采用遍歷的方法使得到的類間方差值最大時的閾值t,即為所求的將前景圖像與背景圖像分開的閾值。分割效果如圖5所示。

圖5　工件圖像及其閾值分割的效果圖

2.2缺陷部分輪廓提取

經過上述一系列的圖像處理后，獲得了工件表面二值圖像。在該二值圖像中包含了多個缺陷，還存在以下幾個問題：① 單個的缺陷目標區域沒有完全連通，需將其連通;② 缺陷呈霧狀分布在二值圖像中，需將呈霧狀的缺陷組合成單個缺陷;③ 單個缺陷的區域內部存在一些孔洞，需將缺陷的孔洞進行填充。

使用基于數學形態學的操作,可以有效地解決這些問題。軸類工件表面二值圖像經過形態學處理后的效果如圖6所示。

圖6　工件表面二值圖像經形態學處理后的效果圖

隨后,需要提取缺陷輪廓，目標輪廓的提取是保證測量精度的關鍵環節。筆者采用掏空內點法對二值圖像進行提取輪廓，其算法基本原理為：圖像的背景為黑色，像素灰度值為0;缺陷目標為白色，像素灰度值為1，采用8連通鄰域方式。具體實施流程為:① 若中心點像素值為1，且其鄰域8個像素值均為1時，將此點像素值置0，即剔除這點;② 若中心點像素值為0，將此點像素值仍置0，即保留此點;③ 其他則將中心點像素值置0。

遍歷二值圖像，即可得出圖像中缺陷目標的輪廓。通過鏈碼跟蹤方法存儲輪廓信息，實現了具有單像素邊緣的圖像輪廓提取[21]。提取效果如圖7所示。

接下來，通過對工件表面缺陷區域輪廓信息進行測量或提取特征，就能進一步獲取工件表面缺陷信息，如缺陷類型，缺陷大小等。為了提高算法的實時性，將重點研究主要的缺陷。

將假設共有輪廓的數量Tcount，單個輪廓所包含的像素數量tarea，即單個輪廓像素面積，以及輪廓的長寬比作為評價的準則。設預先設置的輪廓面積閾值為Tarea，即輪廓所包含的像素個數為Tarea；預先設置的輪廓長寬比閾值為Tlenwid。采用遍歷的算法提取主要輪廓：首先，檢測輪廓的長寬比tlenwid是否大于Tlenwid，如果大于Tlenwid，保留這個輪廓，否則進行下一步判斷；如果輪廓面積tarea小于Tarea，則刪除輪廓，否則保留該輪廓。流程如圖8所示。

接下來,對缺陷進行提取。經過多次試驗,將面積閾值Tarea設置為50個像素，將Tlenwid設置為10個像素時，效果最佳。該系統的檢測精度為0.1 mm×0.1 mm，相機的分辨率為7 450像素，相機的視場為100 mm，則采集到的圖像中，每個像素對應的物理尺度p為：

(5)

式中:h為相機的視場;N為相機的分辨率。

面積為50個像素的區域,對應尺寸為7像素×7像素的區域。軸類零件表面圖像中的每一個像素對應真實世界的0.013mm,則7個像素對應物理尺度的0.091mm,小于系統能檢測的最小缺陷的精度0.1mm,所以滿足系統的精度要求。這樣,就可以定量地測量表面缺陷的大小，為軸類工件表面檢測行業的標準化提供了一定的依據。

編碼器記錄軸的轉速，并將其轉化為實際坐標，結合上位機傳輸圖像上的缺陷定位點坐標，經過單片機處理后，通過打碼筆將缺陷標記于軸類零件上，完成了整個檢測。

3　試驗結果與分析

為了驗證文章所提算法的可行性，分別在編號為1的軸徑為5cm與編號為2的軸徑為10cm的軸上進行測試。測試前,仿照缺陷特征，在工件上制造缺陷。通過圖像采集系統采集軸類零件常見的表面缺陷,如圖9所示。

該試驗的操作系統為WindowsXP，處理器為Intercorei7，內存為4G。借助于英特爾公司的OpenCV庫，采用C++進行開發。列舉部分試驗結果,如表1所示。

該系統可以達到零漏檢率的效果，但仍有一定的誤檢率，需探究其誤檢原因，以改善系統的性能。誤檢區域中的一處為較大的灰塵顆粒,其落到軸上會影響其表面的反射特性，由本來的全反射現象變為漫反射現象，而造成一定的誤檢率。誤檢區域的另一處，表面光滑，可能是由于光照不均的影響造成了誤檢。

圖9　軸類零件常見表面缺陷圖像

表1　軸類工件表面缺陷檢測結果

4　結論

針對軸類工件的特點，從圖像處理的角度出發，設計了一套軸類零件表面缺陷檢測系統,其主要特點有：

(1) 針對軸類工件金屬表面光滑會發生鏡面反射的特性，采用暗視野拍攝方式來獲取圖像，以保證采集到的圖像清晰穩定。

(2) 采用最大類間方差法分割圖像，可有效快速地將目標缺陷與背景區分開來。

(3) 采用掏空內點法提取缺陷的輪廓，并采用鏈碼跟蹤的方式存儲單像素的輪廓信息，方便后續算法的設計。

(4) 結合下位機,可實現編碼打碼功能，為后續不合格工件的分揀工作提供了幫助，也可進一步通過機器學習實現有缺陷的自動識別功能。

試驗結果表明，該機器視覺系統提高了軸類零件表面缺陷檢測的自動化水平，為軸類零件表面缺陷的評定提供了一種高效、準確、可行且標準化的方法。

[1]SMITH B.Making war on defects: six-sigma design[J].IEEE Spectrum,1993,30(9):43-47.

[2]李智明,竇中英.小角度縱波探頭檢測軸類零件表面橫向缺陷的可行性[J].無損檢測,2008,28(4):363-366.

[3]DWORKIN S B, NYE T J. Image processing for machine vision measurement of hotformed parts[J]. Journal of Materials Processing Technology,2006,174(1):1-6.

[4]GOLNABI H, ASADPOUR A. Design and application of industrial machine vision systems[J].Robotics and Computer-Integrated Manufacturing,2007,23(6):630-637.

[5]JIN W S, CHAO Y G. Study on detection system of bullet surface defect based on machine vision[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2013,4:59-64.

[6]WANG J, YANG X. Auto-detect of machine vision and its application in assembling inspection[C]∥Intelligent Control and Automation, World Congress on IEEE.Taipei,IEEE, 2011:18-22.

[7]WANG D. Quality defect and it's prevention in grinding the out surface of shaft parts[J]. Coal Mine Machinery, 2000,1:30-31.

[8]李武斌,路長厚,李君,等.圓鋼表面缺陷視覺檢測技術研究現狀與展望[J]. 無損檢測, 2012,34(5):54-58.

[9]YANG J, ZHANG F. New method of spherical surface defect detection based on machine vision[J]. Advanced Materials Research, 2011,295:1274-1278.

[10]左延紅.軸類零件自動檢測系統研究[D].蘭州:蘭州理工大學, 2006.

[11]葉伯洪.基于計算機視覺檢測的軸類零件尺寸高精度檢測方法研究與應用[D].廣州:廣東工業大學,2010.

[12]張宇，黃亞博，焦建彬.一種基于機器視覺的圓型零件檢測技術[J].計算機工程,2008,34(19):185-186,202.[13]徐杜,蔣永平.采用數字同步技術的軸類零件尺寸光電檢測[J].光電工程,2004，31(8):45-48.

[14]付佳佳.基于圖像處理技術的軸類工件多參數自動檢測技術研究[D]. 長春:吉林大學, 2014.

[15]伍濟鋼，賓鴻贊.薄片零件尺寸機器視覺檢測系統的研發[J].裝備制造技術,2009(12):88-90.

[16]李偉斌,高二,宋松和.一種全局最小化的圖像分割方法[J].電子與信息學報,2013,35(4):791-796.

[17]OTSU N. Athreshold selection method fromgray-levelhistograms[J].IEEE Transaction on Systems, Man, and Cybernetics,1979,9(1):62-66.

[18]KITTLER J, ILLINGWORTH J. Minimum error thresholding[J]. Pattern Recogntion, 1986,19(1):41-47.

[19]HORNG M H,LIOU R J. Multilevel minimum cross entropy threshold selection based on the firefly algorithm[J].Expert Systems with Applications, 2011,38(12)：14805-14811.

[20]TSAI W H. Moment-preserving thresholding: a new approach[J]. Computer Vision,Graphics,and Image Processing, 1985, 29(3): 377-393.

[21]吳鳳和.基于計算機視覺測量技術的圖像輪廓提取方法研究[J]. 計量學報, 2007, 28(1):18-22.

Automatic Visual Inspection System of Shaft Part Surface

SUN Kuo-yuan1, JIANG Li-xing1, WANG Jun-ya1, ZHANG Feng1, HAN Shuo2

(1.College of Navigation and Aerospace Engineering, Information Engineering University, Zhengzhou 450001, China；2.College of Geospatial Information, Information Engineering University, Zhengzhou 450001, China)

Surface physical damage detection is an important part of the shaft part quality inspection. In order to improve the automation level of the quality detection of shaft part and establish its relevant industry quality standard, a machine vision inspection system connected with MCU was designed to realize the surface detection of shaft part. The system adopted the monochrome line-scan digital camera and used the dark-field and forward illumination technology to acquire images with high contrast; the images were segmented to Bi-value images through maximum between-cluster variance method after image filtering and image enhancing; then the mainly contours were extracted based on the evaluation criterion of the aspect ratio and the area; then the coordinates of the center of gravity of defects area, namely locating point coordinates were calculated. At last, locations of the defects area were marked by the coding pen communicated with MCU. Experiment showed that no defect was omitted and false alarm error rate was lower than 5%, which showed that the designed system met the demand of shaft part on-line real-time detection.

Machine vision; Image processing; Shaft part; Surface defect; MCU; OTSU

2015-11-13

孫闊原(1991-),男，碩士研究生，主要研究方向為機器視覺檢測。

孫闊原, E-mail: sunkuoyuan@126.com。

10.11973/wsjc201606013

TP271+.4; TG115.28

A

1000-6656(2016)06-0053-05