基于機器視覺的精密鉆孔法向檢測算法研究

張友朋　茅健

摘要：目前在自動化檢測領域，機器視覺檢測技術開始廣泛地應用，這種技術的特征表現為高精度、非接觸、適用性強，操作方便。在智能制造需求的促進作用下，很多工業生產中開始應用到機器視覺技術。本文對精密鉆孔法向檢測進行研究，根據檢測要求而選擇合適的檢測方法。首選用Canny邊緣檢測算法，但是在實際的應用中這種算子會引入很多非目標輪廓線，而對法向檢測產生不良影響。為應對這種缺陷而結合了小波圖像分割算法，且據此建立起改進的Canny邊緣檢測算法。根據實證分析結果表明，在精密鉆孔法向檢測過程中，這種改進算法可很好地滿足應用要求。

關鍵詞：圖像分割;Canny邊緣檢測算法;機器視覺

【Abstract】Atpresent，inthefieldofautomatedinspection，machinevisioninspectiontechnologyhasbeguntobewidelyused.Thecharacteristicsofthistechnologyarehighprecision，non-contact，strongapplicability，andconvenientoperation.Drivenbythedemandforintelligentmanufacturing，machinevisiontechnologyhasbeguntobeappliedinmanyindustrialproductions.Inthispaper，theprecisiondrillingnormaldetectionisstudied，andtheappropriatedetectionmethodisselectedaccordingtothedetectionrequirements.TheCannyedgedetectionalgorithmisthefirstchoice，butinpracticalapplicationsthisoperatorwillintroducemanynon-targetcontours，whichwillhaveanadverseeffectonnormaldetection.Inordertodealwiththisdefect，thewaveletimagesegmentationalgorithmiscombined，andanimprovedCannyedgedetectionalgorithmisestablishedaccordingly.Accordingtotheempiricalanalysisresults，thisimprovedalgorithmcanmeettheapplicationrequirementswellintheprocessofprecisiondrillingnormaldetection.

【Keywords】imagesegmentation;Cannyedgedetectionalgorithm;machinevision

作者簡介：張友朋（1996-），男，碩士研究生，主要研究方向：視覺檢測;茅健（1972-），男，博士，教授，主要研究方向：精密檢測與裝備自動化。

0引言

機器視覺檢測技術的核心在于圖像處理及算法部分，傳感器等硬件作為整個框架中的基礎性設備，隨著制造業水平的不斷提升，測量水平也應與其保持同步，為了適應更高標準的精度要求，可以通過改進算法部分來獲得更優化的測量精度，而不需要升級整個硬件框架，這也使其具有了很好的適應能力和較高的性價比而不會被淘汰[1]。隨著“工業4.0”的進一步實施以及國內對于高速智能工業信息化發展的關注與重視，研究進一步提高了視覺檢測的效率和精度，對于促進高速智能工業視覺檢測的關鍵技術理論基礎探索和技術創新及有效滿足當前國內高速智能裝備制造業視覺檢測市場的迫切應用需求皆具有十分重要的研究意義。

Canny算子[2]中含有最優化思想，其特征表現為檢測精度和信噪比高，因而在當下眾多的機器檢測領域得到廣泛應用[3]。Canny算子是改進邊緣檢測方法而形成的，在邊緣檢測方面有明顯的優勢，當檢測時需依據特定準則進行邊緣提取。通常情況下，圖像分割被認為是任何嘗試自動分析或解釋圖像的第一階段，彌補了低級圖像處理和高級圖像處理間的差距，低/中級圖像處理算法研究均旨在達到使輸入圖像更易于由高級圖像處理算法來進行加工變換的目的。小波圖像分割方法可有效地滿足圖像分割要求[4]。該算法是一種數學圖像分析工具，自2002年以來已得到了大范圍的使用，有著良好的圖像局部化性質解析功能[5]。小波變換算法的特征表現為可以在各尺度下，對信號和圖像特異性進行分析，因此在二進圖像投影處理和直方圖分析等許多方面都取得了可觀成果[6]。圖像分割尺寸一般是基于相應的直方圖控制。在分割操作時確定出粗略的直方圖投影后的直方圖系數，在發現分割結果不滿足要求情況下，則可通過二進小波直方圖系數不斷的細化，一直到滿足要求為止。處理所得結果主要受到圖像分割尺寸因素的影響[7]。

本文在進行圖像分割處理時，應用了小波圖像分割算法，通過將目標圖像劃分為一定量獨立區域，由此發現該種分割能夠很好地避免Canny檢測算法在處理時引入非目標輪廓線與點的問題，符合本次課題研究的應用要求。因而將其和Canny邊緣檢測算法結合起來，實現了Canny檢測算法優化。對此擬展開研究論述如下。

1Canny邊緣檢測算法檢測精密鉆孔法向

邊緣檢測區域是反映圖像上數據灰度變化的主要檢測區域，數據灰度變化的常規數學檢測手段就是可以采用邊緣檢測微分的算子。對比分析發現對受高斯噪聲影響的邊緣檢測而言，Canny微分算子有明顯的優勢，可很好滿足邊緣檢測要求[8]。Canny邊緣檢測算法可以分為以下5個步驟：

（1）通過高斯濾波器進行一定平滑去噪預處理。

（2）計算確定出覆蓋的全部像素點的梯度信息。

（3）利用非極大值抑制方法處理，將引入的雜散響應去除掉。

（4）通過雙閾值方法確定出所需邊緣。

（5）對孤立的弱邊緣去除，實現檢測目標。

綜上可知，在進行實驗研究時，選擇精密鉆孔為對象，鉆孔樣例見圖1。

對圖1的鉆孔通過Canny邊緣檢測算法進行檢測分析時，很容易帶來許多非目標點與線，而影響了檢測結果，具體情況如圖2所示。為避免這種問題，本次研究中對Canny邊緣檢測算法進行適當的優化改進，在其中融合了小波變換圖像分割算法。

2算法融合

小波變換的二進圖像分割過程中主要進行一定形式的小波變換。過程中，先要對起始圖像的直方圖系數進行相關分解處理，并轉換為各尺度二進小波直方圖系數，接著依據相應設定的閾值分割規則和小波系數進行對比，而確定出滿足要求的分割門限，最后由直方圖利用給定的閾值分割門限標識出整個圖像所需要分割的區域[9]。這里對此將給出闡釋分述如下。

2.1圖像直方圖分辨率分析原理

2.3小波變換圖像分割Canny邊緣檢測算法

基于前文分析論述的2種算法的優缺點和適用性可知，為更好地滿足圖像檢測要求，本文則將二者相結合，提出基于小波變換圖像分割的Canny邊緣檢測算法。該算法可以看作為對Canny邊緣檢測算法進行優化而形成的，并同時具有這2種算法的優勢，如在時頻域的圖像局部化分析性能良好，而且也可很好地滿足實時性和邊緣檢測性能要求。在實際應用過程中，該算法先會通過小波變換圖像分割算法對目標圖像做適當的分割處理，確定出圖像各區域的性質，獲得已處理圖像。接著對已處理圖片通過Canny邊緣檢測算法進行檢測分析，算法的設計處理流程如圖3所示。

3實驗與分析

3.1實驗目的及實驗對象

檢測小波變換圖像分割Canny邊緣檢測算法能否去掉非目標輪廓線和邊緣噪點，并且可以應用到精密鉆孔法向檢測中。本文實驗對象為精密鉆孔，見圖4。

3.2實驗平臺搭建

基于機器視覺的精密鉆孔檢測系統的結構示意如圖5所示。由圖5可知，在線檢測系統由一臺面陣CCD工業相機、照明裝置、計算機等組成，精密鉆孔法向檢測系統基于機器視覺技術，利用目標檢測框架進行精密鉆孔法向檢測。視覺檢測系統的參考視像見圖6。

3.3系統軟件設計

本文基于OpenGL虛擬成像系統進行設計，在應用過程中就可以在顯示屏上繪制出三維場景的二維圖像，因而有明顯的優勢。在進行投影時可選擇不同的模型，主要包括透視、正交投影模型等，每種模型都有各自的適用性，可靈活地進行選擇。在經過對比分析后可知，第一種模型和視覺檢測中的相機成像模型基本上一致，在處理時關聯起OpenGL參數和采集的圖像內外參數，就可以在此系統中進行相機成像的模擬研究。本文在采集目標零件上導孔的成像時，根據應用要求來選擇透視投影模型。

3.4鉆孔質量評價

將獲得的導孔理論圖像與實際成像疊加效果，得到待測導孔的加工精度評價結果，使用理論與實際的孔心位置偏差進行對比得到公式為：

3.5實驗結果分析

研究中，先通過對比優化前和優化后的圖片，優化后的圖片如圖7所示，對比可知，優化后的Canny邊緣檢測算法即可有效地除去相關干擾的輪廓線和點。研究得到的檢測圖片如圖8所示。

基于此，再對比精密鉆孔的真實值和視覺檢測值，選擇20個值，精密鉆孔法向的真實值由三坐標檢測儀測得，精密鉆孔的真實值和視覺檢測值見表1。分析對比后可知，該視覺檢測算法平均誤差小于0.08mm，滿足檢測要求。

4結束語

本文對機器檢測問題進行研究。論述了Canny邊緣檢測算法的特征和應用局限性，對此原因分析后引入了小波變換分割算法，通過Canny邊緣檢測算法來檢測精密鉆孔存在的問題，得到優化解。提出的新算法可以成功應用在精密鉆孔法向檢測上。

參考文獻

[1]高晟麗.基于機器視覺的工件檢測技術研究[D].鄭州：解放軍信息工程大學，2006.

[2]CANNYA.Computationalapproachtoedgedetection[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，1986，8（6）：679-698.

[3]張斌，賀賽先.基于Canny算子的邊緣提取改善方法[J].紅外技術，2006，28（3）：165-169.

[4]趙建偉，王朋，劉重慶.基于小波變換的分水嶺圖像分割方法[J].光子學報，2003，32（5）：601-604.

[5]范虹，張程程，侯存存，等.結合雙樹復小波變換和改進密度峰值快速搜索聚類的乳腺MR圖像分割[J].電子學報，2019，47（10）：2149-2157.

[6]同武勤，凌永順，黃超超，等.數學形態學和小波變換的紅外圖像處理方法[J].光學精密工程，2007，15（1）：138-144.

[7]蔡振江，王渝，張娟.基于離散平穩小波變換和FCM的紋理圖像分割[J].計算機工程，2005，31（15）：142-143，150.

[8]林卉，趙長勝，舒寧.基于Canny算子的邊緣檢測及評價[J].黑龍江工程學院學報，2003，17（2）：3-6，16.

[9]雷良育，周曉軍，潘明清.基于機器視覺的軸承內外徑尺寸檢測系統[J].農業機械學報，2005，36（3）：131-134.