鋁合金零件尺寸誤差自動檢測方法研究*

馮 淼，周傳德，孟明輝

(重慶科技學院 機械與動力工程學院，重慶 401331)

0 引 言

鋁合金零件具有輕而堅韌、耐腐蝕等優點，在國防、航天、電力等行業廣泛應用[1]。目前，鋁合金零件的人工檢測和二次元檢測的方法，難以滿足市場高質量和高精度的要求，且檢測速度較慢。機器視覺檢測具有非接觸、檢測效率高、精度高和在線檢測的優勢[2]，在國內外已得到了廣泛應用[3-5]。鋁合金零件的表面相對光亮，反射較強，采集表面清晰輪廓難，且針對尺寸較大的零件難以檢測或者檢測精度低，暫時還沒有通過視覺系統對鋁合金零件進行自動檢測的相關研究。

本文利用機器視覺與數字圖像處理相結合的方法[6]，針對表面鋁合金零件表面高反光的難題，提出解決尺寸較大零件檢測精度低的具體方案，并完成零件表面加工誤差在線自動檢測的任務。

1 檢測系統組成

鋁合金零件的幾何形狀如圖1所示。

圖1 待測零件實物圖。①—凹臺或圓孔；②—零件平面

鋁合金零件的加工通常有零件表面幾何形狀誤差、定位誤差、尺寸誤差。由圖1可以看出：由于鋁合金零件表面的高反光，凹臺或圓孔(如圖1中①所示)與零件平面(如圖1中②所示)之間的邊緣輪廓線不易于準確識別提取，因此設計合理的圖像采集系統顯得尤為重要。

1.1 檢測系統硬件構成

檢測系統硬件主要由計算機、CCD(charge-coupled device)相機、鏡頭、平行光源和兩軸運動控制平臺等部分組成，如圖2所示。

圖2 機器視覺檢測系統

檢測系統重要構件：

(1)鏡頭—工業遠心鏡頭。遠心鏡頭有著高分辨率、低畸變且圖像放大倍率不隨物距變化等優勢，避免了圖像的透視變形，從而采集高精度鋁合金零件表面圖像，解決對精確測量帶來的影響；

(2)光源—同軸平行光源。在零件上方打平行光解決了凹臺帶來的陰影干擾，同軸平行光源結構類似暗箱避免了環境光線的干擾，解決了鋁合金零件高反光問題，獲取清晰平面幾何特征邊緣輪廓；

(3)載物臺—兩軸運動平臺。帶動被測件運動，采集多幅高精度局部圖像并拼接合成，突破檢測尺寸大小局限問題。

鋁合金零件檢測時，兩軸運動平臺帶動被測件運動，使鋁合金零件表面依次在相機上成像，采集多幅局部圖像并在計算機上進行拼接合成，獲得完整鋁合金零件表面待測圖像，由計算機進行后續的檢測處理。

1.2 檢測系統軟件構成

檢測系統軟件組成主要由標定模塊、圖像采集模塊、運動合成模塊、檢測模塊幾部分構成。經預處理、邊緣輪廓提取一系列處理后，提取零件圖像特征；利用模板匹配算法對提取的圖像特征與標準零件CAD圖進行比對、判識、誤差分析。

2 自動檢測流程

鋁合金自動檢測流程如圖3所示。

圖3 自動檢測流程

在零件檢測過程中，如何獲取足夠大鋁合金零件圖像、提取高精度輪廓、與標準CAD圖匹配判識是要解決的主要問題。

2.1 基于運動合成的圖像采集

在圖像采集前，首先調整光源強度保證采集圖片的清晰度，再進行系統標定，標定完成后保持光源強度與相機位置不變；然后通過CCD相機和被測零件相對位置的變化，采集多幅局部高精度圖像并拼接合成；最終得到完整的高精度零件表面圖像。運動合成的關鍵是精確地系統標定和圖像拼接合成技術，即建立運動坐標系與相機坐標系轉換關系，通過運動前后零件在相機坐標系中坐標的變化完成圖像拼接合成操作。

2.1.1 系統的標定

一個點從世界坐標系到攝像機坐標系的變換屬于剛性變換，也就是平移和旋轉組成。故世界坐標系點Pw=(xw,yw,zw)T與攝像機坐標系點Pc=(xc,yc,zc)T的關系為：

Pc=RPw+T

(1)

式中：Pc—相機坐標系；Pw—世界坐標系；T—平移向量，T=(tx,ty,tz)T；R—旋轉矩陣,R=(α,β,γ)。

R由旋轉角度確定，分別是繞相機坐標系Z軸旋轉角度γ，繞Y軸旋轉角度β，繞X軸旋轉角度α。R、T中的6個參數(α,β,γ,tx,ty,tz)與相機無關，被稱為攝像機的外參數，它們決定了攝像機坐標系與世界坐標系之間的相對位置關系。

本研究利用棋盤格標定板，將標定板直接放在運動平臺上即檢測平面上，那么該標定板的外參就等同于檢測平面的位姿。將攝像機進行標定并且得到攝像機與檢測平面的位姿關系，就可以使用該平面上的單幅圖像進行精確測量。調節光源強度并控制運動平臺帶動標定板沿X軸運動一定距離，通過運動前后相機的坐標，從而計算出運動平臺和相機之間的運動比例尺。

2.1.2 圖像的運動合成

調節光源強度，拍下零件左上角第一張圖，根據標定所得比例尺(記作R)和固定的相機視野范圍2 592×1 944(像素)，移動運動平臺向負X方向移動2 592/R(像素)，然后向正Y方向移動2 592/R×sinα(像素)用以補償Y方向誤差，原理如圖4所示。

圖4 運動原理圖(Xw,Yw)—世界坐標系；(Xc,Yc)—相機坐標系；為了便于顯示，α值有所放大

同理直到拍完第一排。同理，當拍完第一排最后一張后，移動平臺向正Y方向移動1 944/R(像素)，同時向正X方向移動1 944 sinα/R(像素)用以補償X方向誤差。后面拍攝原理以此類推，相機相對零件以“S型”路徑依次拍攝局部圖，直到拍攝全部完成。

在獲取每張圖片時，同時記錄圖片當前的左上角頂點在相機坐標系下的坐標，以每張局部圖的記錄坐標為參考，在相機坐標系下進行圖像拼接，經過反復試驗，最終合成誤差在1個像素(0.02 mm)內，即普通光學顯微鏡精度。運動合成過程圖如圖5所示。

圖5 運動合成過程圖

2.2 亞像素輪廓提取

為達到質量精度要求更高的生產需求，筆者采用提取亞像素輪廓[7]，提高檢測精度。Canny算法具有良好的信噪比[8]，對單一邊緣具有唯一響應，特別是其中的高低域值的自適應選取，使得在邊緣檢測的正確率上得到很大的優化，因此邊緣提取的精度也會得到相應提高。雙線性插值法相比最鄰近插值法和雙立方插值法具有較快的執行速度和較高的插值精度[9]。本研究利用Canny算子得到的像素級邊緣輪廓線，通過雙線性插值算法得到亞像素精度邊緣輪廓線，從而提高了對鋁合金零件輪廓提取的精度，邊緣輪廓線圖如圖6所示。

圖6 邊緣輪廓線圖

2.3 模板匹配

模板匹配主要是研究某一特定對象位于圖像中的位置，從而識別對象。模板一般是從圖像原點開始，沿著圖像中的所有點移動模板，并計算每個位置的相似度量[10]。當圖像尺寸較大，信息量較多時，圖像處理所需要的時間很長。為提高檢測效率，首先采用標準CAD圖與提取的零件亞像素邊緣輪廓進行比對、判識，其次通過幾何坐標變換能對圖像實現空間平移、縮放和旋轉操作完成模板定位，最終進行圖像的匹配，實現基于圖像幾何變換的定位，模板匹配過程圖如圖7所示。

圖7 模板匹配過程圖

2.4 檢測方法

本研究在模板匹配基礎上，采用速度快，可靠性高的基于幾何形狀的金字塔分層模板匹配算法，對零件進行由外到內的幾何特征尺寸檢測，對每個特征進行亞像素定位，找出這一特征區域的邊緣，完成邊緣之間長度的測量，對提取的圓孔采用隨機Hough變換的改進算法，對圓心和半徑進行檢測識別，實現由粗到精的匹配策略以提高匹配速度[11]。本研究選取的待測鋁合金零件圖如圖1所示，在該圖中包含了零件中最常見的矩形、圓孔等幾何圖形。

待測零件參數示意圖如圖8所示。

圖8 待測零件參數示意圖

為便于后續描述，筆者對零件中每個待測尺寸特征加上數字或字母標注，如圖8(a，b)所示。為提高系統整體檢測效率，本研究首先進行角度尺寸誤差的測量，再完成長度尺寸誤差的測量。為提高系統長度尺寸檢測效率，首先進行最外層矩形尺寸的誤差判斷，即圖8(b)中A、B尺寸編號的測量，若誤差大于設定值則直接判斷為缺陷零件；當誤差在允許的范圍內則進行下一層圓孔和凹臺的定位誤差、尺寸誤差的測量判別，即圖8(b)中1至11尺寸編號的測量判別。

3 實驗結果與分析

3.1 模板匹配的可靠性

利用相似度值衡量匹配精度，其值介于0～1.0之間。當相似度為1.0時，采集圖像與模板完全匹配；當分數為0.0時，采集圖像與模板完全不匹配。

對10個標準散熱片鋁合金零件模板匹配的測試結果如表1所示。

表1 模板匹配定位結果

3.2 系統檢測分析

3.2.1 角度尺寸檢測

本研究以散熱片零件為檢測對象，首先對零件進行角度誤差檢測，以測量零件4個直角為例進行檢測。模板匹配后得出相應4個頂點(如圖8(a))的坐標，檢測結果如表2所示。

表2 頂點坐標檢測結果

通過頂點坐標得出角度檢測結果如表3所示。

表3 角度尺寸檢測結果

3.2.2 長度尺寸檢測

若角度尺寸檢測合格，則用該方法進行長度尺寸誤差自動檢測，零件的設計尺寸如圖8(b)所示，結果如表4所示。

表4 零件尺寸檢測結果

檢測結果表明：各幾何特征尺寸誤差在允許公差范圍內，是合格產品。測量精度達到了0.1 μm，前期圖像合成精度高于0.02 mm，綜合得到最終系統檢測精度高于0.02 mm。選取幾種現有鋁合金零件檢測方法與本文檢測方法進行對比。本文選取的對比方法有耿磊等人[12]提出的獲取零件上表面的邊緣方法和厚度轉換模型檢測方法、賀雅琴等人[13]提出的圓形零部件直徑測量算法，對比結果如表5所示。

表5 不同檢測方法精度對比結果

對比結果發現：本文檢測方法與其他兩種具有代表性的零件檢測方法相比具有更大的檢測范圍與更高的檢測精度。

4 結束語

幾何特征的加工誤差檢測是保證產品質量的關鍵，本文基于機器視覺，針對鋁合金平面幾何特征誤差檢測方法的關鍵技術進行了研究，具體如下：

(1)針對鋁合金零件表面高反光的問題，采用同軸平行光源，并與遠心鏡頭配合，保證了采集到的圖像清晰、穩定；

(2)為保證檢測精度并可檢測足夠大尺寸零件，采用光學系統和兩軸運動平臺的配合，在運動中采集局部鋁合金零件表面高精度輪廓合成完整圖像的方式，解決了零件檢測受到尺寸大小限制的問題，擴展了其應用范圍；

(3)針對鋁合金零件表面氧化等其它因素的干擾，提高在線檢測的可靠性，降低檢測時間，利用Canny算子，并結合雙線性插值方法提取了鋁合金零件亞像素級邊緣，與標準鋁合金零件CAD圖進行了匹配、判識，減少了檢測時間，提高了檢測的準確度。

實驗結果表明：該鋁合金零件表面加工誤差檢測方法檢測精度高于0.02 mm，可以實現鋁合金零件表面加工誤差的非接觸、高精度、高效率的自動檢測。

參考文獻(References):

初中學生健康生活意識的培養需要教師能夠從教材內容中進行挖掘，并能夠采取有效的教學手段對學生進行引導，進而有效地培養學生健康生活意識的養成。

[1] 韋 韡,蔣 鵬,唐永夫，等.鋁合金筋類零件鍛造缺陷分析[J].鍛壓技術,2012,37(4):18-21.

[2] DWORKMI S B, NYE T J. Image processing for machine vision measurement of hot formed parts[J].MaterialsProcessingTechnology,2006,174(1-3):1-6.

[3] 陳向偉,肖 冰,高 強.基于機器視覺的電容器鋁殼端面缺陷檢測[J].工藝與檢測,2013(12):122-125.

[4] 高 潮,任 可,郭永彩.基于機器視覺的裂紋缺陷檢測技術[J].航空精密制造技術,2013,43(5):23-25.

[5] 付 泰，王桂棠，程書豪.基于機器視覺的復雜平面零件尺寸精密檢測[J].機電工程技術，2016，45(8)：7-9，84.

[6] 張勇斌.基于機器視覺的三維灰度重構技術[J].光學與光電技術,2008,6(1):62-64.

[7] 章海濤,程維明.一種基于圖像處理的亞像素測量方法[J].上海大學學報：自然科學版，2005，11(5)：485-489.

[8] 張玲艷.基于Canny理論的自適應邊緣檢測方法研究[D].西安:西北大學信息科學與技術學院,2009.

[10] 雷 蕾,李言俊,張 科.圖像目標質心快速搜索算法[J].紅外技術,2007,29(9):548-551.

[11] 蘇呂潔.一種變化環境下的景象匹配方法[D].武漢:華中科技大學機械科學與工程學院,2010.

[12] 耿 磊,葉 琨,肖志濤，等.上下邊緣區分的平面鈑金零件尺寸測量方法[J].紅外與激光工程，2016，45(6)：196-202.

[13] 賀雅琴,李 琳.基于機器視覺的零件尺寸檢測的研究[J].煤礦機械，2010，31(6):102-104.