基于機器視覺的彩色線束線序檢測

易煥銀，劉志明，楊潤

（廣東交通職業技術學院機電工程系，廣東廣州 510650）

1 概述

隨著電力、電子工業的發展，由各種顏色的線纜線束組成的連接線在電力、電子產品中應用得越來越廣泛，如接插線、通訊連接線、電腦連接線、汽車連接線、屏蔽線等[1]。在生產過程中各種顏色的導線往往要求嚴格按照規定的順序排列，而在線束線序檢測中，目前還有很多企業使用人工肉眼判別的方法進行檢測，因易引起視覺疲勞而造成漏錯、誤檢。

為了提高線序檢測的效率和穩定性，文獻[1]提出了一種速度和檢測成功率較高的基于顏色聚合向量的線序檢測方法，文獻[2]設計了一種對電池線序的狀態進行識別的線序檢測電路，文獻[3]設計了一種應用于多通道聲吶接收機的自動線序測試裝置，文獻[4]設計了一種基于視覺的彩色排線線序檢測設備，文獻[5]提出了一種基于機器視覺與模糊控制的電纜線序識別方法及設備。

目前，基于機器視覺的導線線序檢測方法和設備檢測效率較高，但往往要求線纜按指定的位置和方向放置才能進行檢測，且在測試前需要多次嘗試獲取導線局部像素的顏色值來設置各種導線顏色的標準色，調試時間較長、靈活性不足。本文設計了一種基于機器視覺的彩色線束線序檢測方法，能自動獲取單條導線的RGB三個通道的顏色均值，從而提高了設置各種導線顏色標準值的效率和穩定性，通過導線最長的輪廓的最小外接矩形的方向判別導線的擺放方向，實現自動適應各種擺放角度的檢測對象。算法的運行效率高（平均用時約為32 ms），檢測正確率達100%，達到了實際工業應用的要求。

1 方法設計

圖1為本方法的結構圖，由五個模塊構成：圖像采集模塊、導線顏色庫的建立模塊、圖像預處理與檢測方向確定模塊、線序檢測和檢測結果顯示模塊。

圖1 方法結構圖

1.1 圖像采集

系統硬件包括計算機、彩色工業相機、工業鏡頭和LED環形光源，計算機與工業相機連接，LED環形光源的亮度可調，用于建立成像環境，工業相機和工業鏡頭用于獲取導線表面圖像，計算機用于控制工業相機進行圖像采集以及后續的圖像處理算法。系統采用500萬像素CMOS面陣彩色相機、LED環形光源和25mm的工業鏡頭。圖2(a)為系統采集到的導線原圖。

圖2 原圖、掩碼圖與檢測方向

1.2 導線顏色庫的建立

本方法識別導線顏色的基本原理是比較被測導線顏色的RGB平均值與導線顏色庫中的各種導線的基準顏色，以RGB差值的絕對值之和最小的那種顏色為測量結果。由于環境光照非絕對均勻以及導線不同部位的反射光線存在差異等原因，同一顏色導線的不同位置成像有明顯區別。傳統通過手動獲取局部位置的RGB值后，多次手動設置該導線的基準色的方法效率較低且穩定性不夠高。為了加快各種顏色導線的基準顏色的獲取，本方法通過圖像處理的方法自動獲取各種導線的基準顏色，進而快速建立導線顏色庫。方法為分別將各種顏色的導線放入測量視野中，算法通過連通域分析[6]獲取包含導線的所有像素，再計算出這些像素的RGB平均值并在圖像中顯示，具體實現方法的細節與1.3類似。如圖3所示為粉紅色導線的RGB顏色均值的獲取結果。

圖3 單條導線顏色的自動提取

1.3 圖像預處理與檢測方向的確定

圖像預處理的基本思路是排除噪聲干擾并獲取各個導線在圖像中覆蓋的所有像素點，而檢測方向的確定是為了使本方法適應各種不同擺放條件下的線束。

(1)首先，將原彩色圖像（記為f()x,y）轉換為灰度圖，記為g(x,y)，然后進行反向二值化，得到的二值圖像gb(x,y)由式(1)表示。

式中T為經實驗得到的最優閾值，本文實驗中T為240。

(2)對gb(x,y)進行連通域分析，保留面積大于某一閾值（實驗中取1000）的聯通區域以去除小的噪點，得到二值圖gC(x,y)，如圖2(b)所示，該圖像的前景即為后續相應位置導線顏色識別的掩碼區域。說明：由于導線中間反光比較強烈的部分不利于顏色的準確識別，閾值分割自動將其轉為背景區域。

(3)首先對gC()x,y進行膨脹處理（本實驗中采用半徑為5的矩形結構化元素），然后根據配置文件中標準導線數目N（本實例為4），保留面積最大的N個聯通區域及各自的重心，結果圖記為gN()

x,y，如圖2(c)所示。由于導線中間反光較為強烈部分可能在反向二值化后將同一條導線分為兩個連通域，從而導致算法誤判為兩條導線，因此需先進行膨脹處理。gN()x,y的各連通域即為各導線的位置，其重心為后續步驟判斷導線順序的關鍵依據。

(4)對gN(x,y)進行腐蝕后與gN(x,y)求差，得到導線的邊沿圖像，保留最大的連通域后，求其最小外接矩形RECT，如圖2(d)所示。本算法以矩形RECT長邊的方向為各導線的擺放方向。

1.4 線序檢測

此部分主要包括兩部分內容，首先識別各導線的顏色，然后根據1.3(4)中確定的檢測方向和1.3(3)中獲得的各導線重心的位置關系確定各種顏色的順序關系。

(1)對gN(x,y)的每個連通域，求取gC(x,y)中為前景的所有像素點在f()

x,y中對應像素的R、G、B三個通道的平均值。

(2)把(1)中的R、G、B值與導線顏色庫中的各個R、G、B相比較，若各通道的差值的絕對值之和都大于指定閾值（實驗中取100）則判為該顏色導線未經過訓練，否則判為顏色庫中各通道差值的絕對值之和最小的對應顏色。

(3)檢測導線的線序。首先，求取過圖像原點O且垂直于1.3(4)中矩形長邊的直線L，如圖4的直線L所示。然后，求取各個導線的重心（圖4中為G1至G4共四個點）在直線L上的垂足（圖4中為P1至P4共四個點）。最后，根據各垂足離圖像原點O的距離為判據確定各導線的線序（實驗中的規則為：距離越小排序越靠前）。

圖4 線序檢測的關鍵點位

1.5 檢測結果顯示

檢測結果顯示如圖5所示。比較各導線與參數配置文件中的順序編號是否一致，若一致則在其重心位置用淺灰色標注該檢測顏色，否則在其重心位置用深灰色標注該檢測顏色。若所有的N條導線的順序都與配置文件中的一致，則該線序檢測通過，在圖像右上角顯示淺灰色字符串“OK”，否則顯示深灰色字符串“NG”。同時，在圖像左上角顯示預設線序和檢出線序及檢測結果的文字提示。

圖5 檢測結果顯示

2 實驗驗證

以OpenCV和MFC實現的檢測系統對粉紅、紅、黃、黑、藍、綠共6種顏色的導線進行測試。經過8組不同的線序組合各100次實驗，共得到800次各類導線擺放情況下的檢測實驗結果，基于本方法實現系統的線序檢測結果的正確率為100%，在實驗筆記本電腦（型號：華碩FX86F，CPU主頻：2.2GHz，RAM：8G）上運行，平均檢測時間為32.08 ms。圖6為導線傾斜擺放情況實驗的排序過程圖片和檢測結果圖，可見算法可以自動識別導線的擺放方向。

圖6 方向不定情況的檢測示例

3 結束語

針對目前的機器視覺導線線序檢測系統無法自動適應導線擺放方向變化等問題，設計了一種高適應性的彩色導線線序檢測方法。該方法通過導線最長輪廓的最小外接矩形的方向，判別導線的擺放方向，根據各導線重心在檢測方向投影離圖像原點的距離為依據，確定視野中各導線的線序。該方法可自動適應任意方向的線束。經過實驗驗證，算法的運行效率和檢測正確率較高，具有一定的實用價值。