倒角類沖壓零件輪廓缺陷視覺檢測

，，， ，

(河北工業大學 控制科學與工程學院，天津 300130)

0 引言

倒角類沖壓零件(沖壓件)在汽車行業應用廣泛，是寶馬、奔馳、大眾等汽車后備箱、前機蓋以及車門等鎖具必不可少的重要精密零部件，其產品質量有助于保障汽車密封性、可靠性以及駕駛人員的生命財產安全。輪廓缺陷將會嚴重影響咬合連接的光滑度、安裝導向以及正確裝配等，進而影響最終產品的性能。因此，倒角類沖壓零件輪廓缺陷檢測對于保障產品高質量非常重要[1]。

工業上倒角類沖壓零件是通過推送規定厚度、尺寸的鋼板經倒角沖壓模具沖壓而成，內含沖孔，輪廓外凸內陷不一致，包含多個倒角、弧形以及長度不一致的直線段，形狀奇異極不規則。加工時極易出現邊角缺損、死角處粘料、輪廓變形等小輪廓缺陷。目前，輪廓缺陷都是人工進行目測，隨著產品的大規模批量化生產，檢測精度要求越來越高。采用人工識別，因量大、輪廓不規則，小輪廓缺陷極易混淆難以識別，效率低、可靠性差，難以滿足汽車零部件智能化產業升級的要求，急需智能化檢測方案。機器視覺通過機器代替人眼做出測量和判斷，具有非接觸性、柔性好、適應能力強等優點，結合圖像處理，形成了高速光學自動化在線視覺精密檢測系統，在現代工業檢測中受到了廣泛重視[2-4]。

針對輪廓缺陷檢測，閾值分割提取相關矩形區域，搜索并測量近似參考線的邊緣直線長度，進而檢測機電零件缺陷[5]，難以適用于形狀不規則的倒角類沖壓零件輪廓缺陷檢測。文獻[6]采用最小包圍面積矩形作為計算特征進行的粗配準，結合基于角度直方圖的精配準方法進行缺陷檢測，仍舊難以達到較高的配準精度。文獻[7]提出一種基于統計矩的輪廓缺陷檢測算法，通過提取輪廓不變矩特征，對比相似度識別輪廓缺陷，但針對大缺陷，效果明顯，難以識別小輪廓缺陷。

為解決倒角類沖壓零件輪廓缺陷甚至是小缺陷這一重大難題，圖像輪廓是描述圖像的重要手段，用于目標對象的分割，特征提取和目標識別[8-9]，其視覺檢測廣泛應用于車輛、醫學、航天、石材、精密測量等領域[10-11]。本文提出了模糊集合的輪廓提取算法和缺陷匹配識別方法。首先提取輪廓，然后利用輪廓的點、線特征，根據邊緣點出現的概率采用霍夫變換定位待檢測沖壓件，進而得以校正。然后，提出了差分相似匹配算法，適用于多種倒角類沖壓零件，準確檢測以及定位輪廓缺陷，完成缺陷檢測。

1 視覺檢測系統配置及工作原理

1.1 檢測系統配置及功能

如圖1，倒角類沖壓零件小輪廓缺陷視覺檢測實驗平臺主要包含：高亮的照明系統、對射光纖傳感器、透明鋼化玻璃旋轉圓盤、MER-500-14GM(500萬像素高精度工業相機)、計算機、控制系統、零件分類機構等。

圖1 倒角類沖壓零件小輪廓缺陷視覺檢測系統示意圖

1.2 視覺檢測系統工作原理

工作原理主要是：檢測系統啟動后，采用背部照明的方式，以采集對比度明顯的沖壓件模板圖像；然后，控制系統控制圓盤勻速旋轉，待檢測沖壓件持續逐個傳送到旋轉圓盤上，被圓盤載到相機正下方，對射光纖傳感器傳輸工件到達信號給控制系統，控制系統控制圓盤停止，并觸發相機實時采集沖壓件圖像，避免了運動連續抓拍所產生的工件圖像變形；采集完成，計算機執行缺陷檢測算法，實時判斷零件是否合格，存在缺陷時標記缺陷，反饋信號給控制系統，控制機械分類結構分類，最終完成沖壓件缺陷檢測以及分類，并控制圓盤旋轉檢測下一個沖壓件。

本文設計的檢測系統原理流程圖如圖2。

圖2 倒角類沖壓零件小輪廓缺陷視覺檢測系統流程圖

圖3 沖壓件處于相機視野不同位置圖像采集示意圖

實際采集圖像時，沖壓件有一定的厚度，范圍是3～4.5 mm，這樣導致在相機視野的不同位置時，會存在一定的視覺角度差異，即相機采集到的圖像是有差異的，如圖3。其中，α為視場角，β、φ為沖壓件在相機不同視野下的視覺角度。

為減少此問題給檢測帶來的后續困擾，增加對射光纖傳感器，當沖壓件到相機正下方時，控制系統控制透明鋼化玻璃旋轉圓盤停止，并觸發相機采集圖像，以保證圖像不失真，檢測更加精確。

2 倒角類沖壓零件輪廓缺陷檢測

2.1 倒角類沖壓零件模糊集合輪廓檢測

定義A為論域U上的模糊集合，存在一個映射，將集合U映射到單位空間[0,1][13]，如下式：

μA：U→[0,1]，u→μA(u)

(1)

模糊集合A表示為：

μc(u)=μA(u)∧μB(u)

(2)

其中:μc(u)=μA(u)∧μB(u)為模糊集合μc(u)=min[μA(u),μB(u)]的隸屬函數，u(i,j)=f(x-1+i,y-1+j)-f(x,y)對應值0≤i≤2;0≤j≤2，叫做元素對的隸屬度，利用隸屬度反映元素相對屬于該模糊集合程度，對模糊集合進行量化。當(x,y)的時候，所有的是模糊集合的完全成員；當u(2,1)的時候，所有的都不是模糊集合的成員，當WHITE1的值介于0和1之間，那么此時的u(2,1)稱為模糊集合的不完全成員。

模糊集合的運算是利用隸屬函數的計算得到的，模糊集合ZERO、f(x,y)的交集WHITE2，記作：

μc(u)=μA(u)∧μB(u)

(3)

μc(u)=min[μA(u),μB(u)]

(4)

模糊集合推理輪廓檢測，主要使用3*3的像素模板，計算中心鄰域灰度差：

u(i,j)=f(x-1+i,y-1+j)-f(x,y)

(5)

其中:0≤i≤2;0≤j≤2，假設I為圖像，f(x,y)∈I為圖像點(x,y)像素值，u(i,j)為其與鄰域像素的灰度差，表示平滑程度，如圖4。

圖4 中心鄰域灰度差示意圖

在空間域中，處于平坦域上的像素為亮，邊緣域的像素為暗。采用模糊鄰域特性實現模糊邊界增強的效果，滿足以下規則：

1)若u(1,0)和u(2,1)是ZERO，則f(x,y)是WHITE1；

2)若u(2,1)和u(1,2)是ZERO，則f(x,y)是WHITE2；

3)若u(1,2)和u(0,1)是ZERO，則f(x,y)是WHITE3；

4)若u(0,1)和u(1,0)是ZERO，則f(x,y)是WHITE4；

5)否則f(x,y)是BLACK。

其中u(1,0)、u(0,1)、u(2,1)、u(1,2)為輸入的精確值，ZERO為模糊集合，WHITEi、BLACK為模糊輸出子集(i=1,2,3,4)，均有相應輸出隸屬度。

ZERO={μZERO(u(i,j))|u(i,j)∈U}

(6)

μZERO(u(i,j))為輸入隸屬函數。

WHITE1={min[μZERO(u(1,0)),μZERO(u(2,1))]}

(7)

同理可求：WHITE2、WHITE3、WHITE4。

BLACK=min[(1-WHITEi)]

(8)

本文算法增加了權重比例系數λ1、λ2，使得輸出更加精確，各規則輸出權重定義為Vk：

(9)

計算最終輸出隸屬度：

(10)

EDGE為邊緣模糊集合，根據輸出隸屬度大小，判斷該像素是否是邊緣像素，進而提取沖壓件輪廓。通過引入模糊集合，根據隸屬度將評判標準更加細化，在無需確定閾值的情況下對數字圖像進行邊緣提取。

2.2 倒角類沖壓零件定位和對準

為了定位沖壓件，本文引入了HOUGH變換，根據不規則沖壓件輪廓自身的點、線特征(內含沖孔，圓心位置則能體現出沖孔位于圖像中的位置等)對目標進行定位。HOUGH變換能夠檢測圖中的幾何形狀，并得到相關的特征參數，具有精度高、抗噪能力強等優點[12]。

基本原理是將圖像空間的曲線，經表達式變換為參數空間中一個點。在直角坐標系中，直線表式示為：

y=ax+b

(11)

在參數坐標系中直線對應的表達式為：

b=xa-y

(12)

其中:a和b是確定的參數，分別是斜率和截距，(x,y)為直線像素點坐標，投影到參數坐標系下，(a,b)點會確定一簇直線，形成參數空間峰值點，通過檢測峰值點來實現直線的檢測。其中，圖像平面坐標和參數平面坐標的轉換關系如圖5。

圖5 HOUGH變換直線檢測示意圖

但實際應用中，為避免出現斜率無窮大，截距為 0 等奇異情況，將直線表示成極坐標形式。

ρ=x*cos(θ)+y*sin(θ)

(13)

參數空間中的每一個點都會對應原圖中的2、3或n個特征點。假設圖中的像素點為：

M={mi=(xi,yi)|i=1,2,3...}

(14)

為解決識別時間長這一缺點，預先設定閾值，選擇一對特征點(mi,mj)值，則繼續尋找特征點對，若符合參數點(ρl,θl)就可以通過一對特征點構成的直線方程組求得：

(15)

參數數組(ρl,θl)根據求得的結果進行累加，繼續上述操作，直到某個數組先超過規定的一個最大值T，相應的最大的N(ρl,θl)數組則表示要檢測的直線，大大提高了檢測速度。在圖像坐標系中，HOUGH變換檢測圓以及直線，返回線段兩端點坐標以及圓的圓心參數，定位沖壓零件示意圖如圖6。

圖6 圖像坐標系中沖壓件位姿示意圖

其中，l(x,y)輪廓最長的直線線段，c(x,y)圓形曲線，計算直線與y軸正方向的夾角θ。根據夾角θ與圓心參數，對比計算得到待檢測沖壓件以模板沖壓件為期望值的旋轉角度和平移距離。

Δθ=θ′-θ

(16)

平移量,則可以通過待檢測沖壓件圓心O′與標準模板沖壓件圓心O相減得到。

水平方向沿x軸方向平移量：

Δx=x-x′

(17)

豎直方向沿y軸方向的平移量：

Δy=y-y′

(18)

依據得到旋轉點、旋轉量以及平移量模板的期望姿態對沖壓件進行旋轉、平移仿射變換校正，對準沖壓件。本文對提取的輪廓進行HOUGH變換，避免了檢測圖像平面，可能會有多條符合條件的圓與直線，進而難以達到精確定位效果的難題。

2.3 圖像相似匹配

大小為M×N灰度圖像可以通過f(x,y)來描述，其矩陣表示方式為：

(19)

f(x,y)表示圖像(x,y)坐標處的像素值，N和M分別表示橫向和縱向的寬度，I為采集的圖像，假設有兩幅圖像IA，IB。對準后，對兩圖進行差分，得到差值圖，如圖14。其中，相似距離定義為兩個圖像對應灰度值差的平方和：

(20)

D值可以作為衡量圖像匹配程度的度量值。設定閾值TH，結果R為：

(21)

通過上述結果判定沖壓件是否存在缺陷，其中，R=1時，判定沖壓件合格；R=0時，判定沖壓件存在缺陷。

3 實驗結果及分析

為驗證本文方法的準確性以及有效性，采用不規則的倒角類沖壓零件進行實驗，并與Hu不變矩方法[7]對比分析。

3.1 Hu不變矩方法實驗結果及分析

Hu不變矩方法，主要提取標準件、兩個合格件與兩個缺陷件輪廓的7個Hu不變矩參數，測試結果見表1。

表1 Hu不變矩參數比較

根據7個Hu不變矩參數，標準件與待檢測件的匹配率：

I(A,B)=(1-I)×100%

(22)

其中:A為標準件，B為待檢測件。

(23)

匹配率測試結果見表2。

表2 匹配率結果對比

從表2中可以得知，對于小輪廓缺陷，匹配率并沒有明顯的差異，Hu不變矩方法不能準確地識別出缺陷。為此，本文提出了模糊集合的輪廓提取算法和缺陷識別方法，包含輪廓提取、圖像對準匹配以及缺陷檢測三個主要步驟，下面給出實驗結果及分析。

3.2 模糊集合輪廓提取實驗結果及分析

結合模糊集合推理檢測沖壓件邊緣，輸入隸屬函數為高斯函數的區間選取為[-0.2,0.2]，μZERO(u(i,j))=e-20u(i,j)2，權重比例系數選定為λ1=0.2，λ2=0.8，對倒角類沖壓零件采集圖像，采用模糊集合提取輪廓，并選取canny算法作為對比方法，結果如圖7。

圖7 輪廓提取圖像

其中，為了便于直觀分析實驗結果，分別截取突顯其中的一部分如圖8。

圖8 輪廓提取結果圖

其中(a)～(c)列圖像依次為測試圖像、采用canny算子提取的輪廓結果、本文算法提取的輪廓結果，對比試驗結果，canny算子容易存在偽邊緣，本文提出的模糊集合輪廓提取算法，無需確定閾值，邊緣更加清晰、定位更準確，適用于形狀不規則的輪廓檢測。

3.3 圖像對準匹配實驗結果及分析

對輪廓進行HOUGH變換，進而計算旋轉量Δθ以及平移量(Δx,Δy)，通過旋轉、平移仿射變換，校正待檢測沖壓件。待檢測沖壓件根據標準件仿射變換結果如圖9，依次為標準件、待檢測合格件、待檢測合格件校正。

圖9 校正合格件結果圖

將兩個缺陷件圖像作為測試圖像，以圖10中標準件為基準校正后的結果如圖10，其中(a)列圖像為缺陷件圖像，(b)列為校正后的圖像。

圖10 校正缺陷件結果圖

將旋轉后的待檢測件圖像背景補白，與標準件圖像按照相同的標準裁剪(依次為標準件、待檢測合格件以及缺陷件)，結果如圖11，其中(a)標準件圖像，(b)為待檢測合格件，(c)-(d)為待檢測缺陷件。

圖11 補白裁剪后結果

圖像完成校正后，采用差分相似匹配算法，檢測缺陷，實驗結果如圖12，從實驗結果中可以很明顯的識別出待檢測沖壓件是否存在缺陷。對待檢測沖壓件輪廓缺陷部位進行定位、標記，結果如圖13。

圖12 差值圖

圖13 缺陷標記圖

通過計算可以得到待檢測沖壓件與標準件的相似距離D與輪廓缺陷最大偏差值d，見表3，從而精確分析輪廓缺陷邊緣偏差情況。

表3 待檢測沖壓件與標準件相似距離和缺陷偏差

為了比較本文所算法與文獻[7]中算法輪廓缺陷檢測的準確性以及快速性，取相同的標準件與500件待檢測沖壓件為測試對象。在Intel 3.6 GHz處理器上，通過c++編程進行對比實驗。

本文設置閾值TH=7000，定義檢測率為正確識別概率，誤檢率為合格件識別成缺陷件的概率，漏檢率為缺陷件識別成合格件的概率，實驗結果見表4。

實驗結果表明本文算法能夠快速、準確地識別出缺陷件，可靠地解決了倒角類沖壓零件小輪廓缺陷視覺檢測難題。本文算法能夠檢測出占整個零件的0.4%以上的缺陷，量化標準為：輪廓包圍面積，統計結果見表5。

表4 識別結果

表5 缺陷比例

4 結論

針對倒角類沖壓零件奇異不規則，輪廓缺陷特征弱小等難題，提出倒角類沖壓零件輪廓缺陷視覺檢測方法，并介紹了檢測系統結構以及工作原理。針對圖像本身實物邊緣與背景像素是逐漸過渡的存在模糊性，引入模糊集合，在無需確定閾值的情況下快速提取輪廓，適用于這種形狀不規則的輪廓檢測；根據輪廓的點、線特征，采用HOUGH變換定位沖壓零件，計算旋轉、平移量，以沖壓件模板圖像為期望值校正待檢測沖壓件圖像；計算相似距離，提出對準差分相似匹配方法。實驗結果證明：該檢測系統以及方法能夠準確實現圖像對準，識別缺陷，并且能夠在圖像上明顯標記出缺陷的位置，快速、準確、有效、直觀，適應性強，能夠檢測出占整個零件的0.4%以上的缺陷，滿足倒角類沖壓零件小輪廓缺陷檢測的要求。