基于機器視覺的差速器卡簧裝配防錯檢測研究*

任永強 杜 瑞 李 軍

(合肥工業大學機械工程學院，安徽 合肥 230009)

在自動化裝配線中，關于零部件錯裝漏裝的檢測技術已經成為影響自動化程度和智能制造水平的關鍵因素[1]。差速器總成作為變速箱裝配中的重要部件，其裝配質量嚴重影響著整條變速箱裝配生產線的生產效率[2]。如圖1所示，差速器總成的軸用卡簧由于結構尺寸較小，通常使用卡簧鉗手動裝配在一字軸上，然后將差速器總成放入托盤中。通過視覺檢測代替人工檢測卡簧是否錯裝漏裝，可以有效地降低誤檢率，適應生產節拍要求，從而進一步提高變速箱裝配線的自動化水平[3]。

1 視覺檢測系統

差速器總成由人工裝配完成后，置于圖2所示旋轉檢測臺的定位座上。伺服電動機轉動檢測臺至工業相機拍照位置停止，檢測卡簧裝配合格后，定位座由檢測臺內的旋轉氣缸轉動180°檢測一字軸另一端卡簧。檢測不合格，旋轉檢測臺返回原位報錯。兩次檢測均合格后，差速器總成被夾緊氣缸和伺服機械手吊至裝配線體的托盤上，整個檢測流程結束。

視覺檢測系統的控制原理如圖3所示，工業相機通過網口與工控一體機連接，相機接收檢測軟件觸發后拍照回傳，軟件檢測合格后通過以太網將結果發送給PLC，PLC控制伺服電動機等執行機構完成動作。檢測過程中LED光源由PLC控制開關。

2 圖像處理

2.1 圖像處理流程

考慮到卡簧的檢測視野范圍較小，如圖4所示，選用某品牌CMOS面陣工業相機、配50 mm焦距鏡頭，工作距離300 mm，視野范圍40 mm×30 mm。光源選擇環形無影白色LED光源，配雙路控制器。

設置相機的拍攝大小為540×480像素，格式為彩色24位圖像。先對彩色源圖像進行灰度化處理，以提取卡簧輪廓。由于差速器殼體的加工表面粗糙度差，導致干擾信息過多，需要在保留卡簧輪廓特征的條件下對目標圖像進行濾波降噪。而且卡簧金屬表面經圖像處理后可能會有邊緣模糊和間斷的情況出現，還需要膨脹處理使得輪廓連續。經過以上一系列預處理之后再提取輪廓，設計算法檢測出卡簧雙耳的圓孔，計算圓孔中心距離從而判斷卡簧是否裝配合格。詳細處理流程如圖5所示。

2.2 圖像處理算法

相機采集到的彩色24位圖像每個像素用3個字節表示，每個字節對應著R、G、B分量的亮度(紅、綠、藍)，由于圖像處理的大多數算法都是在灰度圖像上進行的，所以必須將彩色圖像灰度化才能進一步處理?；叶绒D換公式為：

其中，Gray(x,y)為轉換后得圖像在(x,y)點的灰度值(540×480圖像中x540,y480)。 灰度值的范圍是0～255，需要對灰度圖像進行閾值分割使得黑色(0)與白色(255)區分更為明顯。設定閾值為thresh，像素灰度最大值為maxval，分割后(x,y)點灰度值：

經過灰度化和閾值分割的卡簧圖像如圖6所示，其中閾值分割參數thresh=152，maxval=255。

為了盡量保留卡簧圖像的細節特征條件下對圖中的斑點噪聲進行抑制，必須要使用濾波降噪，濾波效果的好壞直接影響到后續處理的有效性和可靠性。中值濾波是一種基于排序統計理論的非線性平滑算法，基本原理就是把像素點的灰度值用該點領域中各點的中值代替，從而消除孤立的噪點。

取3×3的像素矩陣為例，中值濾波算法先將元素值進行排序得(0,13,24,75,86,149,171,213,255)，中間點經過中值濾波后取值86。由于排序取中值，中值濾波矩陣階數必須為奇數。調整階數為5×5、7×7或者9×9將得到不同的濾波效果。圖7是將上述閾值分割處理所得圖像分別經過5×5和9×9中值濾波得到的卡簧圖像。隨著濾波矩陣階數的增加，卡簧雙耳圓孔的輪廓邊緣特征愈加明顯，噪點也相應大幅減少，但階數過高會導致邊緣特征丟失，所以需要根據實際選取最佳濾波階數。

Canny邊緣檢測算子由于不丟失重要邊緣，檢測到的邊緣與實際偏差較小的特性被廣泛應用，其原理是將上述處理的圖像f(x,y)與高斯平滑算子G(x,y)作卷積，其中：

再求出局部邊緣的法向：

根據二階導數過零點的邊緣檢測原理找出邊緣位置：

從而保留了每個像素點上梯度強度極大值，刪掉其他值。此時的圖像仍然有很多噪點。Canny算法應用雙閾值以篩選邊緣。設定一個閾值上界和閾值下界，像素點超出閾值上界必然是邊緣。低于閾值下界不是邊緣。通常閾值上界設定為閾值下界的3倍效果最佳。最后通過滯后閾值處理，消除紋狀的斷開邊緣響應，得到連續的邊緣，如圖8左側所示。

為了防止邊緣仍然存在微小的斷點，影響卡簧圓孔邊緣檢測，再使用膨脹優化。膨脹就是求圖像局部最大值，將圖像src(x,y)與帶有錨點的正方形核(x′,y′)進行卷積，計算出核覆蓋區域的像素點最大值，并將最大值賦給錨點所在的像素點，數學表達式如下：

膨脹后圖像的高亮區逐漸增長，達到擴大邊緣使其連續的目的，處理效果如圖8右側所示。

經過上述預處理后的圖像dst(x,y)輪廓分明。傳統的霍夫變換檢測圓形輪廓需要較大內存且速度緩慢。這里采用一種基于面積周長比值的快速提取圓形輪廓方法。首先獲取圖像中各個輪廓的面積A和周長C，圓形的面積與周長平方的比值為：

而圖像dst(x,y)得到的卡簧圓孔輪廓通常不是標準的圓形，其比值小于0.079 6，而且其他閉合輪廓的比值也小于0.079 6，這里給出篩選比值的范圍：

0.063

這樣既能檢測出接近于圓的卡簧圓孔輪廓，也能屏蔽其他異形輪廓的干擾。然而還有一些很小的輪廓會被誤判成卡簧圓孔，再使用面積與周長比值：

上式可以得到圓形輪廓的半徑，根據像素距離限制半徑范圍12pixel

再分別取圓孔輪廓的外接矩形，將矩形的中心作為卡簧雙耳圓孔的圓心，利用兩點間直線距離公式計算出圓孔像素距離：

由于卡簧錯裝時雙耳圓心距離較大，所以根據實際限定圓孔距離d的范圍(例如120pixel

3 視覺檢測軟件設計

EmguCV是.NET平臺下對計算機視覺庫OpenCV圖像處理庫的封裝，能夠用.NET兼容的編程語言C#調用OpenCV的函數。C#程序在調用EmguCV的函數前先引用EmguCV幾個基本動態鏈接庫：

using Emgu.CV;

using Emgu.CV.Util;

using Emgu.CV.Structure;

using Emgu.CV.CvEnum;

using Emgu.Util;

以上動態鏈接庫包含了常用的圖像處理算法和類庫。針對卡簧圖像的預處理流程如下：

Image img= img.Convert(); //灰度化

img =img.SmoothMedian(par.MedianSize);

//中值濾波(參數MedianSize)

CvInvoke.Threshold(img, img, par.Thresh, par.MaxVal, ThresholdType.Binary);

//閾值分割(參數Thresh,MaxVal)

img = img.Canny(par.CannyThresh, par.CannyThresh * 3);

//Canny邊緣檢測，參數閾值上界是下界值3倍

img = img.Dilate(par.Interations);

imgout = img; //結果輸出

其中par是卡簧檢測參數類RingPars的對象。RingPars將參數封裝成屬性，配置這些參數的窗口界面如圖10所示。參數配置過程中圖像實時處理并顯示，用戶可根據實際采集的照片質量，保存預處理效果最佳的一組參數用于下一步檢測。右下方的卡簧距離限定可設置卡簧雙耳圓孔圓心距離限定范圍。

其中img為預處理得到的卡簧圖像，vvp為存儲所有輪廓的對象。篩選圓孔輪廓的代碼：

for (int i = 0; i < vvp.Size; i++) //遍歷所有輪廓

{ double area =CvInvoke.ContourArea(vvp[i]);

//獲取當前輪廓的面積；

double length = CvInvoke.ArcLength(vvp[i], true); //獲取當前輪廓的周長

double r = (area / length) * 2;

//當前輪廓半徑

doublep = (area / (length * length));

//面積與周長平方比值p

if (p > 0.063&& p < 0.0796) //通過p篩選

{

if (12< r && r < 15) //通過半徑篩選

{

circle_vvp.Push(vvp[i]);

//提取篩選后的圓輪廓

} } }

經過篩選后circle_vvp中存儲著卡簧圓孔輪廓，再繪制外接矩形和兩圓心連接線段。部分代碼如下：

for (int i = 0; i < circle_vvp.Size; i++)

{ //獲取圓孔輪廓的外接矩形

Rectangle rect = CvInvoke.BoundingRectangle(circle_vvp[i]); imgSrc.Draw(rect, new Bgr(230, 255,230), 2); //繪制矩形

pList.Add(new Point(rect.X + rect.Width / 2, rect.Y + rect.Height / 2)); // 獲取兩圓心

}

Point[] p = new Point[2];

p[0] = ListPoint[0]; p[1] = ListPoint[1];

LineSegment2D line = new LineSegment2D(p[0], p[1]); // 創建線段

imgMeas.Draw(line, new Bgr(230, 255, 230), 2, LineType.AntiAlias, 0); // 繪制線段

length = line.Length; // 得到圓心距離

imageBox1.Image = imgMeas;// 主界面顯示圖像

軟件檢測主界面如圖11所示，檢測結果列表中顯示了當前檢測詳細信息。

4 試驗與分析

準備多個差速器總成樣件，放入旋轉檢測臺進行試驗，記錄視覺檢測軟件的結果并驗證軟件檢測數據是否準確，如表1所示。

表1 檢測試驗數據

試驗序號檢測卡簧有無圓孔間距/pixel裝配是否合格檢測用時/ms檢測準確驗證1有130合格33√2無/漏裝31√3有132合格34√4有157錯裝34√5有131合格31√6有130合格33√7無/漏裝245×8有154錯裝37√9有131合格34√10有131合格31√

通過驗證可以說明軟件檢測準確性較高，多次試驗準確率可達95%以上，且檢測用時較短，滿足實時性要求。試驗過程中影響檢測準確性的因素主要有：

(1)差速器加工表面粗糙度。

(2)差速器定位座定位精度。

(3)相機與光源支架穩定性。

(4)外界環境光的干擾。

5 結語

利用機器視覺相關理論及算法，通過檢測卡簧雙耳的輪廓圓判斷卡簧是否漏裝，計算輪廓圓心像素距離判斷卡簧是否錯裝，從而完成了對差速器卡簧的裝配防錯檢測。設計視覺檢測平臺及軟件，對軟件的實時性和準確性做了試驗驗證，系統滿足實際生產需求，提高了裝配線的自動化水平。

[1]陳向偉,王海月.基于計算機視覺的軸套零件尺寸測量 [J] .制造技術與機床,2014(10):85-88.

[2]韓冰.基于機器視覺的發動機活塞裝配防錯檢測技術研究[D].濟南：山東大學,2009.

[3]劉霞.工業零件形狀尺寸的機器視覺檢測系統的研究[D].哈爾濱：哈爾濱理工大學,2009.

[4]韓思奇,王蕾.圖像分割的閾值法綜述[J].系統工程與電子技術,2002(6):91-102.

[5]Canny J.A computational approach to edge detection [J] .Pattern Analysis & Machine Intelligence IEEE Transactions on, 1986, PAMI-8(6):679-698.

[6]王曉東, 宋洪俠, 劉超,等.基于機器視覺的微小型零件測量與裝配控制 [J].哈爾濱工程大學報,2011,32(9):1117-1122.

[7]張少偉.基于機器視覺的邊緣檢測算法研究與應用[D].上海：上海交通大學, 2013.

[8]Duchene J, Leclercq S.An optimal transformation for discriminant and principle component analysis, [J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1988, 10(6): 978-983.

[9]王化楠.Hough變換在視覺檢測系統中的應用研究 [D].大連：大連理工大學,2006.

[10]趙春江.C#數字圖像處理算法典型實例 [M].北京：人民郵電出版社,2009.

[11]Milan Sonka,Vaclav Hlavac,Roger Boyle.Image processing, analysis and machine vision[M].北京：清華大學出版社,2011.