基于視覺(jué)的卡鉗毛刺檢測(cè)和定位方法研究

韓進(jìn)宇，吳超群

(武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070)

在汽車卡鉗機(jī)器人自動(dòng)化打磨時(shí)，為了能夠自動(dòng)規(guī)劃?rùn)C(jī)器人的打磨路徑，需要知道毛刺區(qū)域的輪廓信息和毛刺區(qū)域的位置信息。傳統(tǒng)毛刺信息檢測(cè)主要依靠測(cè)量工具進(jìn)行手動(dòng)測(cè)量，在對(duì)工件毛刺進(jìn)行測(cè)量時(shí)容易對(duì)毛刺和測(cè)量工具造成磨損，并且當(dāng)工件毛刺形狀比較復(fù)雜，毛刺數(shù)量比較多時(shí)測(cè)量效率不高。另外，汽車卡鉗屬于鑄造件，其毛刺的形狀和大小的一致性非常差，不同工件具有不同形狀和大小的毛刺，使得機(jī)器人離線編程難度加大。采用視覺(jué)對(duì)汽車卡鉗毛刺區(qū)域進(jìn)行檢測(cè)和定位，既可以提高效率，又不會(huì)對(duì)毛刺區(qū)域造成損壞。因此研究復(fù)雜環(huán)境下汽車卡鉗毛刺打磨區(qū)域檢測(cè)和定位的圖像處理算法，可以實(shí)現(xiàn)汽車卡鉗毛刺打磨區(qū)域的在線檢測(cè)[1-2]。

1 檢測(cè)系統(tǒng)硬件組成

1.1 視覺(jué)系統(tǒng)的組成

毛刺檢測(cè)和定位系統(tǒng)主要由工業(yè)CMOS相機(jī)、PC機(jī)、光源、工件臺(tái)、過(guò)渡工裝和CMOS安裝支架等構(gòu)成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 毛刺檢測(cè)和定位系統(tǒng)示意圖

1.2 視覺(jué)系統(tǒng)的標(biāo)定

由于CMOS相機(jī)本身存在不可避免的安裝誤差，采用多幅棋盤格圖像對(duì)相機(jī)的內(nèi)外參數(shù)進(jìn)行標(biāo)定。該方法運(yùn)用了針孔成像原理和9×6(每格20 mm)的棋盤格，介于自標(biāo)定和傳統(tǒng)標(biāo)定方法之間，既具有較好的魯棒性，又不需要制作昂貴的標(biāo)定板[3]。標(biāo)定實(shí)驗(yàn)完成后得到相機(jī)的內(nèi)參矩陣A和畸變矩陣B如式(1)和式(2)所示。結(jié)合內(nèi)參矩陣和畸變矩陣進(jìn)行仿射變換即可對(duì)圖像進(jìn)行畸變矯正。在相機(jī)標(biāo)定過(guò)程中總會(huì)存在一定問(wèn)題，因此矯正后的圖像并不一定非常標(biāo)準(zhǔn)，只能優(yōu)化原有圖像，提高后續(xù)毛刺加工區(qū)域的定位精度。

(1)

B=[-0.117 00 0.770 00 -0.007 00

0.001 07 0.003 50]

(2)

完成圖像的畸變矯正后為了得到毛刺輪廓區(qū)域的位置信息，需要對(duì)檢測(cè)系統(tǒng)進(jìn)行線性標(biāo)定，建立卡鉗圖像像素點(diǎn)和工件毛刺區(qū)域?qū)嶋H位置尺寸的對(duì)應(yīng)關(guān)系。首先對(duì)采集的標(biāo)準(zhǔn)量塊的圖像進(jìn)行畸變矯正，然后對(duì)量塊圖像進(jìn)行相應(yīng)的圖像處理，計(jì)算出數(shù)字圖像中標(biāo)準(zhǔn)量塊的長(zhǎng)度值r(pixel)，若標(biāo)準(zhǔn)量塊的實(shí)際物理尺寸為r1(mm)，那么系統(tǒng)的線性標(biāo)定系數(shù)為k，如式(3)所示。

k=r1/r

(3)

為了降低標(biāo)定誤差，對(duì)標(biāo)準(zhǔn)量塊進(jìn)行多次人工測(cè)量和視覺(jué)測(cè)量，計(jì)算多個(gè)標(biāo)定系數(shù)，然后對(duì)所有標(biāo)定系數(shù)取平均值得到最終的標(biāo)定系數(shù)為0.087 mm/pixel。

2 圖像處理算法研究

2.1 中心矩形ROI區(qū)域提取

根據(jù)汽車卡鉗實(shí)際的物理尺寸，在已知圖像大小為(2 500,1 900)的條件下剪切出圖像目標(biāo)區(qū)域(region of interest,ROI)，針對(duì)感興趣區(qū)域提取有效的圖像特征，最后對(duì)圖像特征進(jìn)行分析和識(shí)別，ROI區(qū)域如圖2所示。根據(jù)實(shí)際拍攝圖像的大小，選取對(duì)角坐標(biāo)為(1 000,900)和(1 450，1 530)的矩形區(qū)域?qū)ㄣQ中心矩形區(qū)域進(jìn)行剪切提取。

圖2 ROI區(qū)域

2.2 工件圖像濾波算法研究

由于工廠環(huán)境和圖像采集儀器的影響，使得卡鉗圖像在采集和傳輸時(shí)會(huì)混入各種噪聲和失真。這些噪聲和失真會(huì)對(duì)圖像中的目標(biāo)區(qū)域的特征提取造成影響，因此需要先對(duì)圖像進(jìn)行降噪處理。

經(jīng)典的濾波方法有均值濾波、中值濾波、高斯濾波等，采用這些濾波方法對(duì)圖像進(jìn)行降噪處理時(shí)會(huì)對(duì)毛刺區(qū)域的邊緣造成破壞，不利于毛刺加工區(qū)域檢測(cè)。筆者采用基于圖像梯度信息的自適應(yīng)濾波對(duì)卡鉗圖像進(jìn)行濾波處理[4]，該方法步驟如下：

(1)設(shè)定迭代次數(shù)K；

(4)

(3)計(jì)算濾波核的權(quán)系數(shù)，如式(5)所示：

ω(k)(m,n)=

(5)

式中:h為恒定參數(shù)，他確定了可保留下的邊緣幅度。

(4)對(duì)f(k+1)(m,n)進(jìn)行卷積運(yùn)算，計(jì)算公式如式(6)所示：

f(k+1)(m,n)=

(6)

(5)根據(jù)指定的迭代次數(shù)K進(jìn)行迭代，如果k=K，迭代結(jié)束，否則k++，轉(zhuǎn)步驟(2)，自適應(yīng)濾波流程如圖3所示。

圖3 自適應(yīng)濾波流程

根據(jù)實(shí)驗(yàn)發(fā)現(xiàn)K=3,h=14時(shí)該算法對(duì)圖像的邊緣有一定的銳化效果，同時(shí)對(duì)輪廓內(nèi)部區(qū)域有很好的平滑效果，自適應(yīng)濾波結(jié)果如圖4所示。

圖4 自適應(yīng)濾波結(jié)果圖

2.3 工件圖像的閾值分割

在對(duì)卡鉗毛刺區(qū)域進(jìn)行提取和定位前，需要完成卡鉗圖像前景和背景的分割。全局閾值分割和局部閾值分割是常見(jiàn)的兩類閾值分割方法。全局閾值分割算法的計(jì)算效率高，但是對(duì)光照不均的圖像無(wú)法進(jìn)行正確的分割。汽車卡鉗圖像存在光照不均和反光等問(wèn)題，采用大津法(Otsu)等全局閾值分割法進(jìn)行工件圖像分割時(shí)會(huì)造成一些邊緣缺失[5]，如圖5所示。

圖5 全局閾值二值化圖

針對(duì)全局閾值分割存在的問(wèn)題，筆者采用局部自適應(yīng)閾值法對(duì)圖像進(jìn)行二值化，該算法單獨(dú)計(jì)算每一個(gè)像素點(diǎn)k×k領(lǐng)域內(nèi)的灰度均值減去常數(shù)C的結(jié)果作為該點(diǎn)的閾值，使用局部自適應(yīng)閾值分割結(jié)果如圖6所示。

圖6 自適應(yīng)閾值二值圖

2.4 閾值分割后反光區(qū)域去除

由于工件表面鍍鋅，采集的工件照片存在反光區(qū)域，在完成閾值分割后該區(qū)域和背景區(qū)域灰度值相同，無(wú)法進(jìn)行有效的區(qū)分，此時(shí)需要對(duì)二值圖像的反光區(qū)域進(jìn)行去除。采用一種具有拓?fù)浞治瞿芰Φ倪吔绺櫵惴▽⒁环祱D像轉(zhuǎn)換成邊界描述。由于提取的信息是兩種邊界的包圍關(guān)系，這兩種邊界是：外層邊界和孔洞邊界。既然外層邊界和1連通域(1-component)之間、孔洞邊界和0連通域(0-component)之間存在一對(duì)一的對(duì)應(yīng)關(guān)系，則給定二值圖像的拓?fù)浣Y(jié)構(gòu)是確定的[6]。根據(jù)這一原理調(diào)用Opencv中findcounter函數(shù)輸出檢測(cè)到的每一個(gè)連通區(qū)域輪廓點(diǎn)的集合vector〈vector〈point〉〉，然后調(diào)用drawContours()函數(shù)填充指定區(qū)域[7]，得到去除反光區(qū)域的二值圖像，具體程序流程如圖7所示。

2.5 毛刺區(qū)域提取

如圖8所示，分別對(duì)打磨好的模板工件圖像1和帶有未處理毛刺的工件圖像2進(jìn)行二值化操作，得到去除反光的二值化圖像1和圖像2，將圖像1減去圖像2即可得到毛刺區(qū)域的二值化圖像[8]。使用Opencv中findcounter()函數(shù)查找每一毛刺區(qū)域的輪廓，然后使用Moment()函數(shù)計(jì)算每個(gè)輪廓的中心矩，進(jìn)而計(jì)算出每個(gè)毛刺區(qū)域輪廓的質(zhì)心位置。

圖8 毛刺區(qū)域提取圖

2.6 定位矩形中心位置檢測(cè)

累計(jì)概率霍夫變換(progressive probabilistic hough transform,PPHT)算法在對(duì)圖像中的直線進(jìn)行檢測(cè)時(shí)，可以設(shè)定直線的最小長(zhǎng)度和該直線被擬合出來(lái)次數(shù)的累加值，只有當(dāng)累加值大于設(shè)定閾值的直線才會(huì)取出。對(duì)打磨好的工件模板圖像的ROI區(qū)域二值圖像進(jìn)行Canny邊緣檢測(cè)得到中心矩形的單邊緣圖像[9]，然后使用累積概率霍夫變換檢測(cè)矩形四條邊的直線區(qū)域[10]，根據(jù)檢測(cè)到的四條邊線的直線段區(qū)間求取矩形區(qū)域的4個(gè)頂點(diǎn)坐標(biāo)(1 046,933)、(1 393,933)、(1 046,1 470)、(1 393,1 470)，由于系統(tǒng)硬件標(biāo)定精度為0.087 mm/pixel進(jìn)而求得矩形區(qū)域中心點(diǎn)的位置坐標(biāo)(106.1 mm,104.5 mm)，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 矩形中心位置

3 實(shí)驗(yàn)結(jié)果

根據(jù)上述方法對(duì)一批卡鉗毛刺進(jìn)行圖像處理，得到了每個(gè)毛刺區(qū)域輪廓的質(zhì)心相對(duì)定位矩形中心位置的像素坐標(biāo)，根據(jù)標(biāo)定精度再將像素坐標(biāo)轉(zhuǎn)換成對(duì)應(yīng)的物理坐標(biāo)，實(shí)驗(yàn)結(jié)果如表1所示。利用所得到的物理坐標(biāo)對(duì)毛刺區(qū)域進(jìn)行定位可為后續(xù)的毛刺打磨工序提供依據(jù)。

表1 毛刺檢測(cè)實(shí)驗(yàn)結(jié)果

4 結(jié)論

研究汽車卡鉗毛刺檢測(cè)和定位的方法，針對(duì)傳統(tǒng)濾波算法容易使毛刺邊緣模糊的問(wèn)題，提出了一種基于梯度信息的自適應(yīng)濾波算法，針對(duì)工件圖像光照不均提出使用自使用閾值分割代替全局閾值分割，通過(guò)模板工件二值圖像和未打磨工件二值圖像相減獲得毛刺加工區(qū)域二值圖像，最后檢測(cè)定位矩形的中心位置對(duì)毛刺區(qū)域進(jìn)行定位。該檢測(cè)系統(tǒng)的毛刺區(qū)域定位精度可以達(dá)到0.087 mm/pixel。