一種適用于零件批量檢測的尺寸批量測量方法

吳代思，范 勇，陳念年，巫 玲

(西南科技大學 計算機科學與技術學院, 四川 綿陽 621010)

0 引言

在工業零件加工制造領域，各零件產品均要求進行尺寸測量以檢驗是否滿足加工要求。隨著制造業加工技術與計算機技術的發展，工業零件的加工精度在不斷提高的同時，加工對象也在不斷變化，各加工廠對各類產品的尺寸測量精度、檢測效率以及自動化程度要求越來越高，而傳統的接觸式尺寸測量方法一直存在著局限性[1]。目前各工廠對批量加工零件的檢測普遍采用游標卡尺、千分尺等手工測量儀器進行傳統的人工抽檢方式[2]，雖然手工測量儀器使用簡單、便捷，但功能單一且既無法完成批量檢測的任務，又不能滿足一定程度的精度要求，甚至容易導致技術人員因長期工作造成視覺上的疲勞從而產生誤檢，難以達到高精度、高效率、自動化檢測的標準。因此基于機器視覺的非接觸式測量逐漸替代了傳統的接觸式測量，有效提高測量精度與檢測效率[3]，而且在最大程度上避免了人為誤差，所以被廣泛應用于工業零件加工質量的在線檢測[4]，其中最常見的應用是影像測量儀[5]，主要用于檢測高精密零件，測量精度普遍能達到±3 μm。

常用的影像測量儀雖已達到了測量精度高、效率快、可靠性強的程度，但無法實現批量自動化與智能化的測量，且存在設備價格高昂、程序高度定制化、操作流程復雜等缺點，會相應地影響批量檢測的整體效率。對于像民用市場中常用的螺絲、二極管、五金件等加工制造零件，由于所需檢測的種類和數量較大，所以工廠更傾向于一種能批量檢測、低廉、簡單、無需夾具、適用性強的尺寸批量測量系統。

為解決以上問題，本文設計研究一種識別率高、測量精度高、效率快、能兼容適應工業零件批量檢測的尺寸批量測量方法。通過標準零件的注冊，批量零件的圖像采集與拼接、零件識別、待測量區域定位、邊緣檢測與最小二乘擬合、基于多線程的并行測量等一系列流程，最終實現同批次工業零件的尺寸批量測量。這種批量測量方法簡單、高效、精確、適用性強，能滿足工業批量檢測的需求，有效解決工業實際問題。

1 系統總體方案設計

在工業應用場景中，往往工業零件的檢測并不是數量上的逐一檢測或內容的單一尺寸測量，更多的是針對同一批次零件的批量檢測。本文結合圖像拼接技術，通過運動控制平臺自動對載物臺(300 mm×200 mm)上放置的同一批次(≦100個)零件進行全景圖像掃描拼接，獲取超視場批量待測零件的拼接圖像，再對拼接圖像中的零件進行自動識別與模板加載、尺寸批量測量，最終對測量結果進行數據統計與質量分析，一次性有效地區分該批次待測零件產品中尺寸測量結果在預設定的公差范圍(3.0 μm)內的合格產品與需重新加工的次品，從而實現同批次工業零件高效率的批量檢測。同批次零件的質量檢測流程如圖1所示。

圖1 同批次零件的質量檢測流程圖

2 尺寸批量測量方法的實現

實現拼接圖像中所有零件的尺寸快速批量測量，最關鍵的技術是快速精確的圖像配準算法和快速并行批量測量方案的設計。針對同批次零件的快速配準與尺寸批量測量，本文實現了一種尺寸快速并行批量測量方法，如圖2所示。

圖2 尺寸快速并行批量測量流程圖

零件識別：主要包括圖像的二值化、使用OTSU算法對零件區域進行閾值分割、圓形度計算等處理流程，自動識別出該批次零件在指定目錄下標準零件圖像的種類歸屬、測量內容、測量區域。

待測量區域定位：根據標準零件與拼接圖像中各零件的亞像素邊緣點集，利用基于單向Hausdorff距離的圖像配準算法計算各零件的配準矩陣，通過配準矩陣對各零件中待測區域進行重定位。

邊緣檢測與最小二乘擬合：針對重定位后的待測量區域進行亞像素邊緣檢測，根據已知測量內容對亞像素邊緣點集進行3 σ剔除毛刺與使用最小二乘法對測量元素(點、線、圓)進行擬合。

基于多線程的并行測量：對擬合出的測量元素(點、線、圓)按標準模板中預定的測量內容(距離、角度等)，結合基于多線程的加速策略，完成各零件的尺寸并行測量。

2.1 零件識別

在零件類型識別之前，受工業零件的形狀大小各異、數量較多等因素影響，所以本文限制了批量測量的對象必須為同一類型的工業零件。因此使用具有較好分割效果的OTSU法[6]對零件區域進行分割，再對其中一個零件進行類型識別即可完成零件識別工作，為下一步讀取模板的測量內容與測量區域等信息提供基礎。

由于大部分工業零件具有剛性不可形變的特點，并且本次背光采集的零件圖像顏色特征無法提取，因此通過幾何特征[7](面積S、周長c)和形狀特征[8](幾何參數法中的圓形度m)對常用的各類工業零件進行種類區分與識別。圓形度m：描述目標接近圓形的程度，計算公式如式(1)所示：

(1)

通過標準模板圖像中的圓形度計算值與待測零件圖像中的圓形度值進行對比分析，最為接近的屬于同一類別的零件，且識別成功的前提是保證該類型標準零件已經被注冊成為模板文件。不同類型零件的種類區分如圖3所示。

圖3 不同類型零件的種類區分

2.2 待測量區域定位

在待測量區域定位過程中，最關鍵的技術還是圖像配準，國內外對配準算法的研究眾多[9]，甚至將神經網絡應用于圖像配準領域[10]。由于大部分工業零件存在形狀單一、全局或局部特征不易提取等問題，易造成配準效果出現較大誤差，故本文使用基于單向Hausdorff距離的圖像配準算法，利用零件的亞像素輪廓點集與形心[11]進行圖像配準。

對標準零件圖像與拼接圖像進行濾波去噪二值化等處理，并應用基于空間矩的亞像素邊緣檢測算法獲取零件圖像的亞像素輪廓點集，則拼接圖像中各零件的離散化形心坐標的計算公式如(2)與(3)所示：

(2)

(3)

根據相應的公式，可計算出零件圖像之間的水平與垂直方向的偏移量(Δx,Δy)，即零件圖像配準的平移參數。

Δx=XC1-XC2

(4)

Δy=YC1-YC2

(5)

Hausdorff距離[12]是描述兩個點集相似程度的一種有效度量，其表示兩個點集的最不相似程度。本文通過預設16個旋轉角度(360°內)，迭代更新求取不同角度下的單個待配準零件圖像與標準零件圖像的邊緣點集之間的Hausdorff距離，再通過不斷細化角度，直至最小的Hausdorff距離符合配準距離閾值條件，則將該角度設置為配準的角度參數Δθ。配準算法流程如圖4所示。

圖4 基于Hausdorff距離的圖像配準算法流程圖

根據以上步驟可以計算出零件圖像配準的旋轉角度，再結合圖像配準的平移參數與旋轉角度，能將其組成一個“配準矩陣”。

(6)

將標準零件圖像的待測量區域坐標按該配準矩陣進行圖像的仿射變換，則得到拼接圖像中該單個待測零件圖像的測量區域，同理也可得到其余零件圖像的測量區域。

2.3 邊緣檢測與最小二乘擬合

為減少配準矩陣誤差帶來的測量區域偏移，導致尺寸測量出現誤差，因此還需要對單個待測零件圖像進行亞像素邊緣檢測。

亞像素邊緣檢測的基礎是像素級邊緣檢測，但卻不依靠灰度圖像中的單一像素點，而是使用由鄰域組成的一群具有特定灰度分布特性的像素點，結合檢測目標的自身特性，找到檢測目標與實際目標的特性最相似位置，使用浮點運算使得目標位置的像素精度高于整像素精度。

空間矩邊緣定位法[13]是一種利用邊緣灰度空間矩來進行邊緣亞像素定位的算法，利用的是一維歸一化階躍邊緣模型。其一維階躍邊緣的前三階空間矩為：

(7)

(8)

(9)

由上述3個公式可推導出邊緣位置l、背景灰度h和邊緣對比度k的值分別為：

(10)

(11)

(12)

然后通過采樣矩估計m0、m1、m2，最終將目標的邊緣位置定位到亞像素位置l。

再對待測量區域的亞像素邊緣點集使用3 σ準則剔除毛刺，然后通過最小二乘法對測量元素進行點集擬合(點、線、圓)，為下一步的尺寸測量提供基礎。

2.4 基于多線程的并行測量

在實際應用測量過程中，為實現各零件的高效、快速、獨立測量，本文采用基于多線程[14]的并行測量方式，將同一批次零件的測量進程劃分為多個獨立的單線程，讓他們同時運行、各自并行運行，從而大大縮短了同批次零件測量所需時間。當程序進入尺寸測量進程時，程序自動為每個零件的測量創建線程，并為每個線程分配固定的時間片段，該線程的時間片結束時則停止執行，而其他線程執行。由于時間片足夠小，所以單從尺寸測量的主進程來看，不同零件的測量線程近似于并行工作。

3 實驗結果及分析

本文所研究的是針對工業零件批量檢測能實現尺寸批量測量的方法，同時能對同一批次的零件設定公差范圍(3.0 μm)，通過批量測量結果可以快速鑒別出同批次零件產品中符合尺寸要求的合格產品與次品。

3.1 尺寸批量測量結果與分析

在測試本文提出的尺寸批量測量方法的測量精度和重復度過程中，為避免系統誤差和硬件上的誤差對測量方法的精度和重復度計算造成偏差，本文選用了SolidWorks軟件制作出高精度仿真實驗圖，圖片大小與相機單次采集的圖像大小相同均為5 472×3 648，且為達到真實仿真效果，還通過高斯平滑5×5處理得到模擬相機采集獲得的灰度圖，高精度仿真零件如圖5所示。

圖5 高精度仿真零件圖

在實驗過程中，為測試不同的角度與位移對尺寸測量結果的影響，實驗分別將仿真小方塊圖和仿真圓形塊圖旋轉0～20°(每次遞增1°)與20～180°(每次遞增5°)，即52組數據來驗證角度變換對測量精度的影響；水平位移從1～20像素(每次遞增1像素)與20～100像素(每次遞增10像素)和100到1 000像素(每次遞增100像素)，反方向相同，即74組數據驗證水平位移變換對測量精度的影響；同理垂直方向也形成74組數據來驗證垂直位移變換對測量精度的影響；對于任意角度及位移對測量結果精度的影響，隨機選取了50組不同位移和角度進行實驗。仿真零件測量結果如表1所示。

從表1中可以看出，本次仿真零件圖像的測量精度誤差不超過2.1 μm，重復性測量誤差不超過0.8 μm，與常用

表1 仿真零件圖像的測量結果

影像測量儀的測量精度相近，且能實現同批次工業零件的批量檢測。

3.2 配準算法精度與效率分析

在上一節中，本文對仿真小方塊零件圖與仿真圓形塊零件圖的批量測量精度進行了分析，這一切都基于配準算法得到的配準矩陣。因此本次為驗證配準算法的精度，抽取了仿真小方塊零件圖的十組測試數據進行配準算法的精度驗證實驗。

從表2可以看出，基于單向Hausdorff距離的圖像配準算法的配準角度精度誤差不超過0.190 7°，位移誤差不超過1個像素。

從表3可以看出，在配準精度誤差影響不大的前提下，經過多次對配準算法進行改進，目前配準算法在Windows10操作系統的Visual Studio2010編譯器下，對圖6中的100個圓角小方塊(全景自動掃描拼接小方塊圖，圖像大小為5 528×10 416像素)同時進行配準的耗時約為7 s，而其整個測量過程(包括配準與并行測量)的時間約為9 s，即快速并行測量時間約為2 s。

3.3 同批次零件的產品質量分析

待同批次零件尺寸批量測量后，為方便各工廠能對測量結果進行數據統計與質量分析，一次性有效的區分該批次零件產品中測量結果在公差范圍(3.0 μm)內的合格產品與次品。本文對100個長度與寬度尺寸均檢驗合格的圓角

表2 仿真零件圖像的配準結果

表3 配準算法耗時的改進

小方塊(圖6)進行尺寸批量測量與產品質量分析，驗證系統的正確率。

圖6 全景自動掃描拼接的圓角小方塊圖

本次實驗使用的標準零件模板對應的寬度測量結果為2.476 9 mm，長度測量結果為3.487 2 mm。本次批量測量的耗時為9 s，其尺寸批量測量結果如圖7所示，質量分析結果如圖8所示。經系統的質量分析，長度與寬度的批量測量結果均在預設的公差范圍(3.0 μm)內，因此該批次的100個圓角小方塊均被系統檢測為合格類產品。

圖7 100個圓角小方塊(合格)的尺寸批量測量結果

圖8 100個圓角小方塊(合格)的質量分析結果

4 結束語

本文提出了一種適用于工業零件批量檢測的尺寸批量測量方法。該方法的測量精度誤差不超過2.1 μm，重復性測量誤差不超過0.8 μm，與常用影像測量儀的測量精度相近，且能滿足工業批量檢測的需求，有效解決工業實際問題。目前該方法已成功應用于某科技有限公司的一鍵式測量儀中。下一步將考慮對同一批次零件中包含不同類型的零件測量與易形變零件的測量作進一步研究，因為這將是未來一鍵式測量儀的發展趨勢。