長條狀細薄帶鉤零件變形自動檢測系統(tǒng)

朱世根， 楊宏賢， 白云峰， 丁 浩， 朱巧蓮

(1. 東華大學(xué) 機械工程學(xué)院， 上海 201620； 2. 東華大學(xué) 紡織裝備教育部工程研究中心， 上海 201620；3. 義烏云溪新材料科技有限公司， 浙江 義烏 322000)

長條狀細薄帶鉤零件結(jié)構(gòu)精細，產(chǎn)用量大。如經(jīng)編機用針，每臺針織機械需要數(shù)千枚織針協(xié)同工作，一旦混有變形超差的織針，極易造成織物損壞甚至無法編織，所以一致性要求極高[1]。因此，此類零件出廠前的變形檢測環(huán)節(jié)必須兼顧檢測精度與效率。然而織針扁平細長的結(jié)構(gòu)特點以及復(fù)雜的變形方式導(dǎo)致變形大小難以定量分析，傳統(tǒng)的人工檢測方法一般采用特制夾具夾緊待測零件，利用人工目測和投影比對，定性地判斷變形是否超差，檢測精度差，成本高，效率低，且易造成誤檢。

織針外形結(jié)構(gòu)復(fù)雜，生產(chǎn)工序多，流程長，包括材料成形制造、切削加工、強化改性、表面光整、檢測等5大部分的30多道工序，加工過程的每一道工序都會影響到最終的產(chǎn)品質(zhì)量，其中每一道加工工序之后都要進行檢測?？椺槞z測包括表面質(zhì)量檢測及變形檢測2方面。表面外觀質(zhì)量檢測采用人工檢驗方法比較方便，精準度高，速度更快。即使對于異形外形的表面質(zhì)量，目前主要依靠每一道加工工序的嚴格控制來保證，其檢測仍然依賴每道工序的手工檢測。本文介紹的視覺檢測方法，主要針對織針最終的變形檢測，通過提取、比較易變形方向的輪廓特征，判別、分類不同變形的織針，主要目的是保證最終的成品織針在易變形方向的高度一致性。

目前已有的與自動化變形檢測技術(shù)相關(guān)的研究，主要限于針對此類零件使用過程中局部磨損或斷裂的監(jiān)控方面，屬于特征識別或小尺寸范圍內(nèi)的檢測。比如，在織機工作狀態(tài)下，利用光電信號探測斷裂或彎曲織針并自動停機[2-3]；或者針對紡織廠上機使用后的舊織針，通過檢測局部問題，判斷是否可回收[4]；或者針對小尺寸醫(yī)用針、刺針等局部形狀及缺陷檢測[5-6]。而在織針變形檢測環(huán)節(jié)，將適用于大視場、高精密、高速度的自動檢測方法應(yīng)用于形狀尺寸及一致性檢測和控制的研究還未見報道。

機器視覺技術(shù)是利用機器代替人眼做各種測量和判斷的技術(shù)，可實現(xiàn)對目標的定位、測量、檢測、識別等功能[7-8]。近年來，在毫米級小尺寸精密零件或厘米級大尺寸非精密零件的自動化變形檢測領(lǐng)域，比如在細小螺絲螺帽或普通機械零件的尺寸檢測方面，機器視覺檢測技術(shù)的研究與應(yīng)用取得了長足的進展[9]。然而經(jīng)編機用針的尺寸大(長度一般在厘米級)、精密度高、形狀和變形復(fù)雜、產(chǎn)量巨大且要求快速檢測，對視覺檢測系統(tǒng)穩(wěn)定性要求極高，在視覺檢測系統(tǒng)硬件分辨率有限并且零件位姿難以固定的條件下，要達到精確的檢測效果，難度很大，機器視覺檢測技術(shù)仍未取得突破。因而將基于機器視覺的自動化技術(shù)突破運用到此類零件的變形檢測中，具有現(xiàn)實的應(yīng)用價值。本文基于LabVIEW開展長條狀細薄帶鉤零件變形自動檢測系統(tǒng)的研究，并對目標定位算法以及檢測方案進行優(yōu)化改進，旨在實現(xiàn)此類零件快速精準檢測的要求。

1 零件變形方式與檢測難點

選擇長條狀細薄帶鉤零件作為分揀對象，在大量列裝時需保證零件之間間距的均勻性和一致性，零件可能產(chǎn)生水平和垂直方向的變形，如圖1所示。

圖1 零件變形方式Fig.1 Deformation mode of parts

此零件在水平和垂直方向的變形都要精確檢測和嚴格控制，本文為說明問題方便起見，僅以水平方向的變形檢測為例作詳細介紹。根據(jù)相關(guān)工藝標準的要求，零件長度超過50 mm、厚度約為0.5 mm，水平方向相對中心線的偏差僅允許±0.025 mm。

圖2示出基于機器視覺的零件檢測系統(tǒng)硬件構(gòu)成示意圖。

圖2 檢測系統(tǒng)構(gòu)成示意圖Fig.2 Schematic diagram of detection system composition

硬件主要由工業(yè)計算機、相機、鏡頭、光源以及其他機械執(zhí)行機構(gòu)組成。該系統(tǒng)采用可旋轉(zhuǎn)玻璃盤作為零件載物臺實現(xiàn)高速送料；用具有4 096像素×2 160像素的2.54 cm靶面CMOS千兆以太網(wǎng)工業(yè)相機獲取高分辨率圖像；采用帶有漫射板的白色LED條形背光源為長條狀零件提供均勻的漫射光照明。該系統(tǒng)盡管使用了較高分辨率的硬件，但仍難以直接達到檢測要求。變形檢測的難點在于：1)扁平零件置于載物臺上，零件和載物臺邊緣難以同時聚焦，即從水平方向拍攝的圖像難以清晰地分離臺面與零件；2)大尺寸零件視場與精度的矛盾難以調(diào)和，直接檢測整體形變時，零件厚薄不一、彎鉤形態(tài)各異、圖像畸變以及盤面不平整度都會對檢測結(jié)果的精準度造成相當大的影響；3)零件位姿的偏差對檢測結(jié)果精準度的影響較大。

2 檢測系統(tǒng)軟硬件工作原理

2.1 系統(tǒng)工作原理

為避免環(huán)境光線對檢測的不利影響，整個系統(tǒng)置于遮光箱體中，采用穩(wěn)定的背光源照明，雖然犧牲了零件表面紋理特征，但是可得到高對比度的輪廓邊緣，提高圖像邊緣提取的精度。檢測系統(tǒng)由多個模塊構(gòu)成，工作原理如圖2所示。首先，運動控制系統(tǒng)由運動控制卡、驅(qū)動器、電動機等組成，控制環(huán)形玻璃盤面的運轉(zhuǎn)以及其他機械裝置的動作。其次，零件自動送料系統(tǒng)將零件以一定的速度依次推送到玻璃盤面上。零件隨著盤面一起運動，當零件運動到自動定位系統(tǒng)時，受氣流的推動作用而緊靠在定位塊上固定位姿。當零件經(jīng)過位置傳感系統(tǒng)時，光纖傳感器接收信號產(chǎn)生變化，系統(tǒng)檢測到零件當前所在的位置。圖像采集與處理系統(tǒng)由相機、鏡頭、光源、計算機、圖像采集卡等組成，其中相機和光源分別固定在環(huán)形玻璃盤面兩側(cè)，當有零件經(jīng)過時就會觸發(fā)相機拍攝側(cè)視圖像并完成圖像處理、檢測和判斷。最后，由零件收集系統(tǒng)完成合格品與不合格品的分類分揀。

圖像采集與處理系統(tǒng)中的相機稍高于玻璃載物臺，以便拍攝到零件與其倒影相接觸的圖像，而非零件與載物臺接觸的圖像，從而避免載物臺平面的影響，零件圖像如圖3所示，該零件在相機上所呈圖像為8 bit灰度圖，從上到下分成3部分，分別為零件實像、零件在玻璃平面上所呈虛像以及玻璃平面。零件與玻璃平面的實際縫隙值為虛實像之間縫隙測量值的1/2，各部位的變形量可以通過測量實像與虛像之間的縫隙值來量化。

圖3 零件圖像Fig.3 Part image

2.2 軟件開發(fā)設(shè)計

LabVIEW是一款圖形化編程軟件，帶有NI vision視覺開發(fā)模塊，是工程技術(shù)人員開發(fā)測量與控制系統(tǒng)的理想選擇?；贚abVIEW開發(fā)檢測算法，根據(jù)檢測系統(tǒng)的功能要求，將軟件界面分為檢測參數(shù)設(shè)置模塊和自動運行模塊2大部分。檢測參數(shù)設(shè)置模塊用于設(shè)置和保存檢測方案。自動運行模塊的作用是驅(qū)動工作臺運轉(zhuǎn)，并按照設(shè)置的參數(shù)連續(xù)檢測。各模塊由相應(yīng)的子程序構(gòu)成如圖4所示。

圖4 軟件架構(gòu)示意圖Fig.4 Software architecture

3 視覺檢測系統(tǒng)的實現(xiàn)

圖像處理是長條狀細薄帶鉤零件視覺檢測系統(tǒng)最重要的功能，主要包括圖像預(yù)處理、圖像分割、系統(tǒng)標定、零件變形測量算法等。

3.1 圖像預(yù)處理

圖像由CMOS相機采集之后存儲在圖像緩沖區(qū)。為提高采集圖像的質(zhì)量，降低噪聲對測量結(jié)果準確性的影響，通常需要對圖像進行預(yù)處理。首先對原始圖像進行灰度值變換操作，可使用IMAQ BCG Lookup函數(shù)對亮度、對比度、伽馬值進行校正，獲得清晰的高對比度圖像。在抑制噪聲的過程中，相比均值濾波方法，采用中值濾波不會降低圖像邊緣的銳利程度[10]。

3.2 圖像分割

為區(qū)分圖像的背景與目標物體，必須進行圖像分割。被分割物體與背景之間存在非常顯著的灰度值差異時，可使用閾值分割。通過調(diào)用IMAQ Threshold VI函數(shù)可實現(xiàn)閾值分割，得到二值圖像。調(diào)用IMAQ Particle Filter VI函數(shù)進行粒子濾波，可以濾除二值圖像中的微小雜質(zhì)與非目標物體。

3.3 系統(tǒng)標定

在數(shù)字圖像的測量中，要得到2點之間的實際距離，就需要確定圖像坐標系與空間坐標系之間的對應(yīng)關(guān)系。本文通過像素當量標定方法來確定二者之間的線性關(guān)系[11]

L=k×P

(1)

式中：L為樣本尺寸，mm；P為樣本在圖像中所占像素數(shù)，像素；k為標定系數(shù)，表示圖像的空間分辨率，即圖像中單位像素代表的實際尺寸。由于圖像存在畸變，對零件的不同部位應(yīng)分別進行標定。

3.4 零件變形分區(qū)判別算法

零件各個部位厚薄不一、彎鉤形態(tài)各異，直接檢測整體形變的精準度較低，此外，圖像畸變及盤面不平整度等因素也會對檢測精準度造成相當大的影響。因此，提出了基于縫隙值檢測的分區(qū)判別法：首先，確定圖像中零件的位置坐標；其次，將長條形零件分成若干個檢測區(qū)間；最后，對每一個檢測區(qū)間上的變形進行檢測并綜合判斷檢測結(jié)果。

在對零件的變形進行檢測時，首先需要確定目標在圖像中位置坐標。使用IMAQ Count Objects VI函數(shù)可以在選定的搜索范圍內(nèi)尋找到所有物體，并返回所有目標的重心、面積、外接矩形等結(jié)果。以圖像左上角為坐標原點，X、Y軸方向及搜索范圍如圖5所示，可得此零件的最小外接矩形。最小外接矩形在圖像中的位置坐標可由4個參數(shù)描述，分別定義為Xleft、Xright、Ytop、Ybottom，代表矩形4條邊在X或Y方向的坐標。

圖5 搜索范圍與零件最小外接矩形Fig.5 Search range and part minimum circumscribed rectangle

此零件總長度達51 mm，從零件頭部到鉤部的變形量不一致。因此，采用分區(qū)判別的方法定義不同部位的變形量，可以較為準確地描述零件總體的變形。使用矩形感興趣區(qū)域(下文以ROI表示)定義5個分段檢測區(qū)間[12]，ROI在圖像中不固定，隨著零件在圖像中位置的變化而改變。矩形ROI上、下邊的縱坐標通過指定它與水平盤面的距離確定，左、右邊的橫坐標則通過指定與定位基準1或2的距離確定，此處定位基準線橫坐標即Xleft或Xright，如圖6所示。

圖6 ROI定位基準Fig.6 ROI positioning reference

計算每個分區(qū)縫隙值時，在ROI內(nèi)按照一定的間隔，從左到右依次進行列掃描，并得到零件沿每一條掃描線的間隙值。對間隙值從大到小排序并取前10%，計算其平均值作為此ROI縫隙的最大值。沿掃描線計算縫隙值時使用IMAQ Edge Tool函數(shù)檢測邊緣坐標。返回邊緣點數(shù)量等于4，表示存在縫隙，通過IMAQ Point Distances Ⅵ函數(shù)計算第2點和第3點之間的距離即可得到縫隙值；邊緣點數(shù)量為2，表示縫隙值為零。最后，根據(jù)每個分區(qū)的檢測結(jié)果綜合判別。

4 實驗分析

4.1 檢測方案優(yōu)化

以上變形檢測算法為靈活控制零件每個區(qū)域的變形量創(chuàng)造了條件，在此基礎(chǔ)上，探究合適的分區(qū)方法以達到最佳的檢測效果。方案一：在彎鉤處僅設(shè)置一個寬度較小的ROI，并設(shè)置零件在此區(qū)域的縫隙值。方案二：彎鉤處設(shè)置3個ROI如圖7所示。此2種檢測方案在非彎鉤部位均設(shè)置如圖6所示的4個較大寬度的ROI，使其覆蓋零件所需檢測范圍，最大允許縫隙值均為0.05 mm。

圖7 檢測方案Fig.7 Test plan. (a) Scheme 1; (b)Scheme 2

隨機選取300枚包含55枚合格品的零件作為實驗對象，分別用2種檢測方案進行實驗，實驗中送料速度等其他變量保持不變。表1示出不同檢測方案檢測結(jié)果?？芍?，方案二合格品誤檢率低于方案一。方案一拍攝到的會產(chǎn)生誤檢的4種典型彎鉤形態(tài)如圖8所示，從左到右依次表示鉤內(nèi)側(cè)沿中心線向左、向右彎曲，鉤整體沿中心線向左、向右彎曲，其變形均不符合要求。而方案二對零件鉤部多個部位的縫隙值進行檢測，從而避免誤檢。

表1 不同檢測方案檢測結(jié)果Tab.1 Test results of different test schemes

圖8 方案一誤檢彎鉤形態(tài)Fig.8 Hook shape of error detection in scheme I

4.2 基于多基準的改進定位策略

在系統(tǒng)連續(xù)運行時，即使通過定位裝置來調(diào)整零件位姿，零件在盤面上的位置也難免存在微小的偏差。相機軸線與零件長度方向若不能保證垂直，零件旋轉(zhuǎn)角度α后，在相機上成像的投影長度將減小，如圖9所示。依據(jù)上文所述檢測算法，若矩形ROI的定位基準均為1，ROI在零件上的位置將隨著投影長度的變化而偏移。針對這個問題，提出了基于多個定位基準的改進方法。由圖6可知，鉤部ROI距離定位基準2較近，改變鉤部ROI定位方式，其坐標通過指定與定位基準線2的距離來確定，而其余ROI基本覆蓋零件非彎鉤部位，微小偏移對其影響不大，一般通過指定與定位基準線1的距離來確定。

圖9 零件投影長度的變化Fig.9 Change of projection length of parts

表2、3分別示出使用改進定位方法前后同一零件縫隙值測量結(jié)果?？芍倪M前針身ROI 1～4、針鉤ROI 5的重復(fù)測量誤差分別為0.013、0.025 mm，針鉤測量誤差較大；改進后重復(fù)測量誤差分別為0.014、0.013 mm，針鉤測量誤差明顯減小。

表2 改進定位前縫隙值檢測結(jié)果Tab.2 Detection results of gap value before improving positioning mode

表3 改進定位后縫隙值檢測結(jié)果Tab.3 Detection results of gap value after improved positioning method

為評價改進定位后系統(tǒng)檢測的穩(wěn)定性，取470枚未知零件作為實驗對象，重復(fù)多次實驗，計機檢合格品數(shù)量，實驗結(jié)果如表4所示。對初檢合格零件再次檢測，可見改進后初檢合格品再檢的檢出率相比改進前大幅提高，可達91%～96%，可認為零件位姿變化帶來的檢測誤差基本可以消除。重復(fù)檢出率未能達到100%是因為存在隨機誤差，導(dǎo)致個別變形量極為接近臨界值的零件產(chǎn)生測量誤差。

表4 系統(tǒng)重復(fù)精度實驗結(jié)果Tab.4 System repeat experiment results

對改進定位后所得全部機檢合格品再進行人工定性檢驗，證明機檢結(jié)果完全符合檢測要求。此外，機檢不合格品中只存在極少量接近臨界變形的合格品，相比于人工檢測的精準度而言是可接受的。

4.3 零件一致性

為保證裝機使用時所有零件的一致性，還需進一步驗證機檢零件裝夾排列的效果。將33枚機檢合格品與標準合格品分別排列在具有均勻間隙的裝夾板上進行對比，圖10示出零件裝夾排列示意圖。通過人工投影放大50～100倍后測量彎鉤之間的間隙值，間隙值的大小及均勻程度可反映零件之間的一致性，圖11示出機檢與標準零件一致性對比。分析可知標準零件排列間隙值為0.5～0.62 mm， 機檢零件排列間隙值為0.52～0.62 mm，且位于2個極端的數(shù)目更少，可見機檢零件一致性滿足要求。

圖10 零件裝夾排列示意圖Fig.10 Parts arrangement diagram

圖11 機檢與標準零件一致性對比圖Fig.11 Consistency comparison between machine inspection pats and standard parts

5 結(jié) 論

現(xiàn)有的機器視覺變形自動檢測系統(tǒng)，主要局限于對小尺寸精密零件或大尺寸非精密零件的檢測。針對大尺寸、高精密的大批量的檢測對象，開展基于機器視覺的自動化檢測的研究工作，具有重要的學(xué)術(shù)價值和現(xiàn)實的應(yīng)用意義。

根據(jù)長條狀細薄帶鉤零件變形檢測的難點，一方面通過設(shè)置優(yōu)化合理的檢測方案和改進的變形檢測算法，避免了各種缺陷的誤檢；另一方面通過改進感興趣區(qū)域定位方法，減小了零件擺放位姿變化造成的誤差，提高了系統(tǒng)檢測的重復(fù)性效果。

研制成功的長條狀細薄帶鉤零件高精密的自動化分揀系統(tǒng)，具有目標定位、圖像處理、判斷分揀等功能，可實現(xiàn)良品與不良品的分類分揀，且檢測效果良好，有效地解決了人工檢測準確性差、效率低等問題，具有很好的應(yīng)用前景。