基于機器視覺的輪轂在線識別分類技術研究

郭智杰， 王明泉， 張俊生， 焦騰云

(中北大學 信息與通信工程學院， 山西 太原 030051)

0 引 言

輪轂作為汽車的重要受力部件， 其質量的好壞直接關系到行車是否安全， 所以在生產過程中需要對輪轂進行缺陷檢測[1]. 而在自動化缺陷檢測過程中， 不同型號的輪轂所需的射線強度、 照射角度均不同， 但是在生產線上不同型號的輪轂混流生產. 所以輪轂型號的正確識別可以為輪轂自動化檢測提供合適的尺寸、 輻條數目等參數， 使檢測自動化得以實現. 目前， 廠家需要對生產的輪轂進行全檢， 且自動化缺陷檢測需要得到輪轂的尺寸等信息. 而傳統的人工方式識別輪轂型號無法應對龐大的工作量， 長時間的工作也會導致準確率下降[2].

針對傳統人工方式識別輪轂型號所存在的問題， 本文開發了一套基于OpenCV以及MFC平臺的輪轂型號在線識別系統. 該系統能夠自動識別生產線上的輪轂型號， 并且可以為自動化缺陷檢測模塊提供尺寸等參數信息， 經廠家測試驗證， 該系統的識別準確率為98.7%.

1 數據采集及圖像預處理

1.1 數據采集

選用型號為aca-2500-14gm的工業CCD相機獲取輪轂圖像， 鏡頭焦距4 mm； 選用紅外光柵測高儀獲得輪轂的高度信息. 同時為保證成像質量， 采用環形光源照明， 且相機采集范圍內的傳送帶采用黑色不反光材質[3]. 最后使用機械定位裝置以保證輪轂處于工業相機正下方， 可以在拍攝完整、 清晰輪轂圖像的同時減少鏡頭畸變帶來的影響.

1.2 圖像預處理

盡管傳送帶采取了發黑處理， 但是經過輪轂長時間磨損， 仍不可避免地在一些邊緣部位存在反光的現象， 如果直接對采集到的輪轂圖像進行二值化處理， 會不利于后續的特征提取[4]. 因此， 必須在輪轂圖像二值化前進行圖像預處理. 在本文中， 用圖像減法運算去除系統背景， 再使用形態學處理等方法去除輪轂邊緣以及幅窗處的毛刺.

1.2.1 圖像減法運算去除背景

圖像減法也稱為差分方法， 即對兩幅圖像上對應像素點處的灰度值進行減法運算. 本課題中利用含有輪轂的原始圖像減去系統背景圖像的方法， 去掉原圖像中系統背景， 突出輪轂本身[5]. 設輸入的原始圖像和背景圖像分別為A(x,y)和B(x,y)， 輸出圖像為C(x,y)， 則圖像的減法運算為

C(x,y)=A(x,y)-B(x,y).

(1)

如圖 1(a) 所示為含有輪轂的原始圖像，
圖 1(b) 是系統的背景圖像， 可以將圖 1(a) 理解為由背景圖像 1(b) 和只含有輪轂的圖像組合而成. 并且在采集過程中保持相機曝光一致的情況下，
圖 1(a) 和圖 1(b) 的中的背景部分灰度值幾乎沒有變化， 所以， 通過原始圖像減去背景圖像可以在提取輪轂的同時去除背景.
圖 1(c) 是圖 1(a) 減去圖 1(b) 后的結果， 可以明顯看出輪轂圖像中大部分背景的干擾已經被去除.

圖 1 圖像減法去除背景Fig.1 Image subtraction removes background

1.2.2 圖像去噪

圖 2(a) 為去除背景的輪轂圖像， 因為輪轂邊緣和幅窗毛刺的灰度值與輪轂圖像的灰度值接近， 直接對輪轂圖像二值化后會有干擾存在， 如圖 2(b) 所示. 對此， 本文使用形態學中的開閉運算對二值化后的輪轂圖像進行降噪.

開運算是先腐蝕后膨脹， 通常用于去除細小的物體圖像、 平滑物體圖像的邊緣； 而閉運算則先膨脹后腐蝕， 通常用來填充目標圖像中比結構元素小的空洞. 經過對輪轂二值化圖像先開運算后閉運算的處理， 可以在對輪轂圖像的微小毛刺進行處理的同時不會使輪轂圖像的面積發生較大的變化. 經過多次實驗， 本文采用9×9的矩形結構元素.
圖 2(c) 為對圖 2(b) 進行一次開閉運算的結果， 可以看出在幅窗內的干擾已經被全部去除.

2 輪轂圖像的特征提取

在工業生產中， 輪轂型號由輪轂樣式和尺寸參數倆部分組成. 例如輪轂型號SR483-1670， 前部分483代表的是輪轂樣式， 通常由輪輻數目、 中心孔、 幅窗樣式等決定； 后部分1670表示該輪轂的尺寸規格， 該輪轂直徑為16英寸， 高度為7英寸. 所以本文提取的特征參數包括輪轂的高度、 直徑、 輪輻數目、 中心孔直徑以及幅窗的周長面積比.

2.1 輪轂尺寸參數的獲取

2.1.1 輪轂高度的獲取

紅外線光柵用于工業自動化系統的高精度檢測和測量， 常用于快遞、 包裝行業的箱體尺寸測量. 本課題通過紅外光柵測高儀讀取輪轂高度數據， 分辨率為10 mm， 如圖 3 所示.

圖 3 紅外光柵讀取輪轂高度Fig.3 Get the height of wheel hub by infrared grating

經過分析， 生產線上不同尺寸輪轂的高度最小間隔為0.5英寸， 即12.7 mm， 課題采用的光柵測高儀可以滿足精度要求. 光柵采用RS485通信協議與上位機通訊， 上位機軟件通過串行端口實時讀取光柵測量的高度數據.

2.1.2 輪轂直徑及圓心的獲取

觀察經過預處理后的輪轂二值圖像可以發現， 輪轂邊緣是圖像中亮度突然變化的區域， 也是輪轂圖像中最重要的特征， 為實現輪轂外形檢測提供可靠的信息[6]. 邊緣提取算子主要有Robert， Sobel， LOG和Canny等. 其中， Canny算子具有良好的信噪比、 檢測精度、 噪聲去除、 邊緣細節保留等性能[7-10]， 所以， 本文采用canny檢測算子對經過預處理后的輪轂二值圖像進行邊緣提取， 結果如圖 4(a) 所示. 隨后通過OpenCV圖形庫中的findcounters()函數對提取的輪廓進行遍歷篩選， 其中面積最大的輪廓便是輪轂的外輪廓圓， 如圖 4(b) 所示. 最后需要對提取到的輪轂外輪廓擬合半徑及圓心.

圖 4 提取輪廓Fig.4 Extract contour

因為邊緣檢測所提取到的輪轂外輪廓邊緣非常細， 并且緊密相連的像素點組成了輪毅的外輪廓圓[11]. 由于圓上任意不共線的3點確定唯一的一個圓， 所以選取所提取輪廓中不共線的3個點p1(x1,y1)，p2(x2,y2)，p3(x3,y3)， 設圓心坐標為p0(x0,y0)， 半徑為r， 那么這3點應滿足式(2)方程組

(2)

解方程組可得

(3)

(4)

(5)

2.1.3 系統標定

經過上文處理得到的是以像素為單位的輪轂外輪廓圓半徑， 下一步需要建立輪轂圖像的像素尺寸與實際物理尺寸之間的對應關系， 即像素當量[12]. 像素當量指的是在圖像中一個像素所代表的實際物理長度. 假設物體實際物理長度為s， 在圖像上占有的像素量為p時， 此時像素當量m為s/p.

針對輪轂尺寸參數的測量， 本系統選擇了畸變小的光學鏡頭， 所以系統成像模型可以近似為針孔模型. 成像面、 光軸和光心是針孔模型的主要組成部分， 焦距為光心到像面的距離， 物距為光心到物面的距離. 而實際的拍攝系統常由透鏡組合而成， 其中的物距、 像距和焦距滿足高斯成像公式

(6)

式中：f為焦距；u為物距；v為像距. 但是在針孔成像中焦距等于像距， 而在透鏡成像中， 焦距并不等于像距. 但兩者的成像關系是一致的， 均滿足像點是物點與光心的連線與圖像平面的交點[13]. 所以， 在本課題的拍攝系統中， 可以采用針孔模型作為成像模型.

對生產線上所有高度的輪轂分別進行標定后， 將各高度下的像素當量保存至上位機. 在后續輪型識別過程中， 識別系統首先通過光柵自動讀取待測輪轂高度， 隨后調用該高度下的像素當量， 完成輪轂外輪廓圓直徑從像素長度到物理長度的轉換. 該標定方法易于操作且精度高， 常用于拍攝對象較穩定， 不經常更換的視覺測量系統.

2.2 輪轂圖像特征提取

2.2.1 輪輻個數及中心孔的獲取

圖 5 所示為輪輻個數的提取過程， 首先以外輪廓圓圓心(A，B)為圓心做同心圓環， 然后與預處理后的二值圖像做與運算， 與運算結果所得到的輪廓數目即為輪輻個數， 如圖 5(c) 所示. 經過大量試驗， 選取同心圓環的內外徑分別為0.45r和0.5r， 其中r為上文中計算得到的輪轂外輪廓圓半徑.

中心孔的邊緣輪廓可從經過canny檢測(見圖 4(a))的圖像中獲得. 在提取過程中需要對輪廓進行篩選， 剔除干擾輪廓. 篩選方法為： 以外輪廓圓圓心(A，B)為圓心， 選取直徑最小的輪廓圓， 即為中心孔的輪廓圓.

圖 5 獲取輪輻個數Fig.5 Get the number of spokes

2.2.2 幅窗周長、 面積的獲取

對于不同類型的輪轂， 幅窗形狀也各不相同. 由于幅窗的形狀具有旋轉不變性， 所以在本課題中使用幅窗的周長、 面積以及周長與面積的比值來表征各類幅窗的形狀.

面積和周長均是幅窗形狀的度量. 面積只與幅窗的邊界有關， 而與其內部灰度值的變化無關； 周長在區別簡單和復雜形狀區域時有較好的效果[14]. 而周長和面積的比值是描述形狀的參數， 當形狀為圓形時， 周長與面積比最小； 當形狀為長條狀時， 周長與面積比加大， 所以本課題通過提取幅窗的周長面積比來識別分類不同種類的輪轂幅窗.

3 輪轂識別分類

識別模塊主要包括識別分類和學習功能， 其中對于標準類型庫中不存在的新類型能夠提示用戶是否加入類型庫中， 以便于下次能夠識別該類型的輪轂. 鑒于傳統的輪轂分類方法如投票分類法和支持向量機的方法對于生產線上出現的新輪型都需要先對新的輪轂進行取樣， 隨后訓練樣本并最終在模板庫中進行識別， 而這將會花費大量的時間. 而在生產過程中， 輪轂在線缺陷監測流程要求對輪轂進行全檢， 故傳統的識別方法無法適用.

本課題輪轂識別的基本思想是對采集到的輪轂特征參數生成特定序列號的方法來表示不同型號[15]. 例如， 在本文中對圖 2(a) 所示的輪轂進行特征提取后生成序列號為15r#80h#8f#60z#0.026 5b， 表示該輪型直徑15英寸、 高度8英寸、 輻條數目為8、 中心孔直徑為60 mm、 幅窗周長面積比為0.026 5. 隨后根據這段序列在模板庫中比對查找， 若無此序列號， 將該新輪型的序列號以及型號輸入保存到模板庫中， 完成學習功能； 若數據庫中有同樣序列號， 則輸出該序列號所對應的輪轂型號， 完成識別功能. 其中數據庫的讀寫通過.ini格式的配置文件完成. 這樣做的好處是操作系統不必安裝較大的數據庫， 也便于程序的安裝， 達到在線檢測要求的實時性.

4 結 語

本課題采用OpenCV和MFC平臺， 開發了一套基于機器視覺的輪轂型號在線識別分類系統. 針對現場環境復雜成像噪聲多的問題， 分別使用圖像減法和形態學運算來去除系統背景和降噪； 針對不同型號的輪轂高度不同， 使用標準工件即輪轂作為標定參照物對拍攝系統進行標定； 針對不同類型的輪轂幅窗形狀多變， 提取幅窗的周長面積比作為特征參數對幅窗進行分類. 最后通過對輪轂圖像生成序列號的方法將待檢輪轂所提取的特征與數據庫中輪轂的標準特征進行比對， 滿足了輪轂的在線識別分類要求. 該系統很好地完成了廠家的在線識別分類要求， 為輪轂缺陷檢測的自動化提供了保障.