基于IMAQ Vision 螺紋非接觸自動檢測系統*

李華平，劉 超

(1.重慶工程學院軟件學院，重慶 400056；2.貴州航天電器股份有限公司，貴州 貴陽 550009)

宇航連接器中的緊固零配件通常為螺釘，其螺紋質量問題將影響連接器緊固效果。螺紋質量不合格將給連接器系統集成造成不良影響，嚴重情況下會因連接器機械連接不緊固而導致整個系統失效[1]。因此，連接器裝配之前需要進行螺紋幾何參數的嚴格管控。傳統的人工測量方式精度相對較低、一致性差、大批量測量過程耗時費力，且易導致螺紋損傷[2]。隨著人工智能、圖像處理技術的快速發展，采用機器視覺替代人工進行螺紋尺寸檢測已成為相關企業優選方案。

近年來，眾多學者對視覺技術用于尺寸測量與缺陷識別進行了廣泛研究，并取得了大量研究成果[3-4]。文獻[5]采用機器視覺技術對焊點圖像進行定位、特征提取，并結合K-近鄰法提高了電路板焊點檢測的準確率。文獻[6]設計采用線掃相機快速獲取圖像，并對圖像進行去霧增強處理，采用YOLOv2 模型實現了碳纖維預浸料表面缺陷的機器視覺檢測。包能勝等[7]提出基于機器視覺技術的連續運動螺紋尺寸檢測方法，解決了傳統方法效率低、精度不高的問題。

LabVIEW 是NI 公司研制開發的基于數據流編程方式的程序開發環境[8]，采用圖形化編輯語言G編寫程序，簡單易用、程序開發周期短，是開發測量或控制系統的理想選擇。IMAQ Vision 是LabVIEW視覺庫[9]，結合了LabVIEW 和IMAQ Vision 的優點，具有圖形化編程環境和豐富的圖像處理功能，在尺寸測量、缺陷識別、引導定位等方面廣泛應用[10]。為解決實際生產中人工檢測大批量螺紋的大徑尺寸、壞牙缺陷存在效率低、一致性差、勞動強度大的問題，基于IMAQ Vision 提出了螺紋非接觸自動檢測系統?；谙㈥犃袡C制開發了LabVIEW 圖像采集模塊。依據螺紋特征，設計了ROI 采集算法，確保系統的通用性和穩定性。采用IMAQ Vision 視覺庫圖像處理函數進行螺紋牙頂數據提取，最終實現螺紋大徑測量及壞牙缺陷識別。現場測試結果驗證了所設計系統的準確性和有效性。

1 系統設計原理

1.1 系統總體結構

螺紋非接觸自動檢測系統總體結構如圖1 所示，包括:照明系統、圖像采集系統、圖像處理系統、運動控制系統、PLC 邏輯控制器。其中，采用70 mm×70 mm 平行白色光源作為背景光源，使采集的圖像穩定、對比度高、干擾少。圖像采集系統實現對螺紋進行圖像采集，并通過千兆以太網將圖像傳輸進圖像處理系統。圖像處理系統是螺紋大徑測量、壞牙缺陷識別的核心，通過對采集的圖像進行圖像增強、二值化、ROI 定位等圖像處理后，得到穩定的圖像，通過輪廓提取、牙頂數據最小二次直線擬合、擬合直線平移、相機標定等實現螺紋大徑測量以及壞牙缺陷識別。運動控制系統主要包括X、Y軸伺服模組和四工位分割器的運動控制。PLC 邏輯控制器是實現檢測自動化的控制中心，通過控制運動機構實現上料、卸料、分選、觸發CCD 相機拍照等工作。

圖1 系統總體結構圖

1.2 檢測流程

檢測系統如圖2 所示，被測螺紋送入四工位分割器并順序放入四個工位。PLC 邏輯控制器控制分割器將螺紋運送到待料位置，同時控制Y軸伺服模組下降到待料位抓取螺紋，并將螺紋移動到視覺系統拍照位。CCD 相機將采集到的螺紋圖像上傳給圖像處理系統進行分析處理，并測量出螺紋大徑、是否存在壞牙缺陷，根據螺紋合格性判定條件進行螺紋是否合格判斷，PLC 控制器依據合格性指標對螺紋進行篩選與不良品剔除。

圖2 檢測系統

2 軟件設計

2.1 圖像采集模塊

圖像采集是視覺系統重要環節之一，設計一種基于消息隊列機制的圖像采集模塊以實現螺紋視覺系統自動檢測任務，如圖3 所示。基于IMAQ Vision的圖像采集模塊主要包括Open Camera、Snap2、Close Camera、IMAQ Dispose 4 個函數。其中，Open Camera 用于打開相機資源并加載相機配置文件和創建相機唯一引用；Snap2 用于獲取一幀圖像；Close Camera 用于停止正在進行的采集，釋放相機資源；IMAQ Dispose 用于銷毀圖像并釋放它在內存中占用的空間。結合消息入隊列、出隊列等函數，以及生產者消費者框架，既保持程序實時性，又擁有條理性，實現了螺紋圖像自動檢測[11]。如圖3 所示，當“Imaq”隊列接收到“SnapIM”消息，數據為“Need-Proc”，則圖像采集模塊將進入“SnapIM”狀態入口并執行Snap2 函數采集一幀圖像，將采集到的圖像作為數據元素，通過元素入隊列函數將其發送到“ImgProc”隊列的“IMProc”分支進行圖像分析處理，完成螺紋大徑尺寸測量和壞牙缺陷識別。

圖3 基于消息隊列的圖像采集模塊

2.2 ROI 區域確定

實際生產過程中，螺紋存在多種規格，大小與長短不一致，所采集的螺紋圖像在視覺視野中也不在固定位置，為了保證設計系統的通用性和穩定性，設計一種感興趣區域(ROI)采集算法[12]。采集的圖像如圖4(a)所示呈水平方向，根據螺紋圖像特征，將圖像進行二值化、去干擾操作后，采用粒子分析確定螺釘的幾何中心P0點(X0，Y0)，依據P0點確定豎直搜索線L[(X0，Y0-δY)，(X0，Y0+δY)]，按一定間隔(通常為1 個像素值)向右平移L線，并求取L線與螺紋目標的交點，最終可搜索到螺紋圖像X軸方向像素值最大的點，即螺紋圖像頂點P。以P點為參考點，依據螺紋特征設置ROI 區域，如圖4(b)矩形框即為設計的ROI 區域。

圖4 確定ROI 區域

2.3 大徑測量

Roberts 算子是一種常用的邊緣檢測算子[13]，螺紋圖像經過ROI 區域定位后，在ROI 區域內采用Roberts 進行邊緣檢測，檢測結果如圖5 所示。提取圖5 所示螺紋邊緣輪廓數據點，求取Y軸方向最小值點和最大值點，可計算得到螺紋大徑上、下兩條母線輪廓點數據。采用最小二乘直線擬合法對母線輪廓點數據進行母線直線的擬合，如圖6 所示。

圖5 Roberts 邊緣檢測算子

圖6 母線輪廓直線最小二乘擬合結果

由于螺紋加工特性，最小二乘擬合的螺紋大徑上、下兩條母線輪廓直線幾乎平行。假設擬合的上直線為Ax+By+C1＝0，下直線為Ax+By+C2＝0，則螺紋大徑像素尺寸為d＝。圖6 所示螺紋大徑像素尺寸為212.87，相機標定系數為0.009 415，因此，螺紋大徑尺寸為2.004 mm。

2.4 壞牙識別算法

壞牙缺陷包括缺牙、爛牙，識別算法采用平移搜索線的方法，缺陷識別算法及步驟描述如下。

(1)設定搜索步長s、搜索偏移量o、缺陷判別閾值t；

(2)根據最小二乘法對螺紋的上、下牙頂輪廓進行擬合，得到上、下兩條擬合直線Lu、Ld；

(3)將Lu、Ld直線通過IMAQ MaskToROI 函數轉換成ROI 直線Lu-ROI、Ld-ROI；

(4) 采用Edge Detector 邊緣檢測算法沿著Lu-ROI、Ld-ROI直線ROI 方向查找邊緣，Look For 設置Find All Edges查找所有邊緣點，記錄為(mi，ni)；

(5)按下式計算相鄰兩個邊緣點間距離di:

(6)缺陷判斷:計算距離偏差，Δdi＝abs(di+1-di)，若Δdi≤t，則無缺陷；否則存在壞牙缺陷；

(7)判斷搜索是否結束(結束條件為:存在缺陷或達到搜索偏移量o)，若結束，輸出結果；否則，將擬合直線沿著螺紋垂線方向從上往下(Lu線)和從下往上(Ld線)平移搜索步長s，并更新Lu、Ld，循環跳轉到步驟(3)。

3 系統測試

以LabVIEW2014 為開發平臺，設計開發基于IMAQ Vision 螺紋非接觸自動檢測系統。利用該系統對某公司非標4 款螺紋進行測試，每種規格選擇3 顆螺紋，其中1 顆存在壞牙缺陷，每顆螺紋進行10次獨立重復測試。測量均值、誤差及缺陷有無的測試結果如表1 所示。表1 可見，規格1～規格4 的測量誤差最大值分別為0.008 mm，整體上，該系統的測量精度能夠達到0.01 mm。此外，針對1＃、5＃、9＃、12＃螺紋，該4 顆螺紋均存在壞牙缺陷，在10 次獨立測試過程中，缺陷檢出次數均為10 次，顯示了設計的系統壞牙缺陷檢出率達到100%，對于其余無壞牙缺陷的螺紋，缺陷檢出率為0，即反映了該系統不存在缺陷誤識別情形，壞牙缺陷識別效果如圖7 所示。

表1 系統測試結果

圖7 壞牙識別效果

為了測試該系統的重復精度，圖8 所示為8＃螺紋獨立重復測試10 次的測量值曲線，可見最大測量值為2.478 mm、最小測量值為2.469 mm，波動為0.009 mm，具有較好的重復性測量精度，滿足工程實際需求。整體上，設計的螺紋非接觸自動檢測系統具有較高的尺寸檢測精度、重復性好，且壞牙缺陷檢出率達到100%，驗證了本系統的有效性。

圖8 8＃螺紋重復性測試結果

4 結束語

零件裝配過程中，外螺紋的加工及檢測是一個非常重要環節。為了解決人工進行螺紋零件尺寸檢測、壞牙缺陷識別效率低、工作強度大、檢測精度不高的問題，提出一種基于IMAQ Vision 的螺紋非接觸自動檢測系統。該系統設計了基于消息隊列機制圖像采集模塊、ROI 定位算法，并在ROI 區域內基于IMAQ Vision 和螺紋形狀特征進行圖像預處理與螺紋輪廓邊緣提取等操作，最終實現螺紋大徑直線擬合壞牙識別。現場測試結果顯示，該系統螺紋大徑尺寸測量精度為0.01 mm，重復精度高、穩定性好，壞牙重復檢出率為100%，為螺紋非接觸式檢測提供了一種有效措施。