面向小型零件的多光源自適應機器視覺精密檢測技術研究

邢 娜,孫凱明,費 磊,張衛雙

(黑龍江省科學院智能制造研究所,哈爾濱 150090)

0 引言

機器視覺是視覺在機器上的延伸,代替人類視覺檢測和自動判斷尺寸、形狀、顏色等信息特征,為工業自動化與智能化提供必要的技術手段。機器視覺可提高系統的自動化程度和生產柔性,實現高分辨率精度和速度,從而提高效率,環境適應性強,在我國工業自動化實現過程中發揮著重要作用。機器視覺技術需要重點構建智能識別、智能檢測、智能測量、智能互聯四大核心能力。本研究面向小型零件制造業,針對用戶定制計劃靈活、品種多批量小、精度要求高、工序多等特點,運用多光源自適應機器視覺精密檢測等相關技術,攻克其核心算法,實現復雜零部件的精度檢測。

機器視覺的技術原理是通過適宜的多角度光源系統及視覺傳感器獲取被測圖像,由計算機及圖像處理設備提取圖像信息并分析處理,從而實現檢測和控制。機器視覺系統綜合了光學、機械、計算機科學、模式識別、圖像處理等諸多學科,以圖像采集技術為基礎,以圖像處理與分析技術為核心,面向離散制造企業,特別是針對批量小、品種多、產品結構復雜、產品檢測精度要求高等生產線特點具有較好的應用價值。

機器視覺檢測裝置由光源、相機、圖像采集卡、控制器等組成,根據實際應用需求,從多角度、多方位設置光源和檢測相機,確保所獲取的檢測圖像的完整性和精準性。圖像采集到的模擬信號被轉換為具有像素分布、亮度、顏色等信息的數字信號,通過圖像處理系統進行處理、分析、識別,運算提取目標特征,根據獲得的測量結果和邏輯控制值控制生產線設備動作[1]。

1 硬件系統組成

將機器視覺系統和運動平臺結合,借助運動平臺控制光源和相機的移動,在垂直和水平方向上調節以改變視場范圍,實現復雜零件的連續測量,通過控制運動平臺的運動來移動視覺系統,通過圖像匹配算法實現多幅圖像的組合測量。視覺系統分別配備高分辨率工業相機和普通鏡頭、小視野遠心鏡頭及雙遠心鏡頭,實現不同精度、不同視野的檢測要求[2]。雙遠心鏡頭具有大景深、小畸變特點,適合構成高精度視覺測量系統。小視野遠心鏡頭可以滿足精度在微米級的測量要求。

圖1 硬件系統

光源處于較高位置進行大范圍照明時,光照的整體均勻性較好,但當光源位置降低時就會因高度差產生明暗對比(如圖2所示)。通過設計多光源結構,在所需檢測邊緣的適當高度設置細帶狀照明光源,從水平方向照射,從而在目標位置形成鮮明的對比度[3],因此可通過設計多光源照明單元,滿足不同材質、不同要求的測量需求,提高系統適應性。

圖2 多角度、多類型照明

圖3 最佳圖像選擇

圖4 亞像素邊緣提取結果

圖5 最佳圖像選擇算法

圖6 最佳圖像選擇流程

在不知道如何設定照明所需條件時,先確定需要測量的具體位置,控制多光源切換即可一邊改變條件一邊自動獲取多張圖像,通過設計最佳圖像選擇算法實現自適應檢測。

2 軟件系統構建

2.1 圖像濾波算法

在被測物圖像采集過程中無法避免各種噪聲的存在,會不同程度影響檢測數據和結果,為了在最大程度保留圖像細節特征,盡量抑制圖像噪聲的干擾,需在圖像預處理中采用圖像濾波技術。對噪聲的抑制為后續圖像分析及處理、突出被測物邊緣信息及精細特征信息等起到了很好的有效性及可靠性作用。一般噪聲來源有兩種：內部干擾,包括電源電路、信號通道、電子元器件等干擾因素;外部干擾,包括自然干擾和人為干擾,通常以電磁波的形式產生干擾噪聲。

常見的圖像濾波算法有中值濾波、高斯濾波、雙邊濾波、引導濾波等,其各具優缺點,需根據實際需求使用。采用引導濾波算法,又稱導向濾波,需基于一張引導圖作為算法自適應權重,實現圖像邊緣平滑,對圖像增強、圖像摳圖、圖像去霾均有很好的去噪效果。相較于中值濾波方法,具有更快的圖像實時處理方法;相較于高斯濾波方法,具有更優的邊緣細節保持作用;相較于雙邊濾波方法,具有更好的保邊去噪效果,且算法復雜度低,可縮短耗時,克服雙邊濾波光暈偽影現象。引導濾波算法具有更完整的保留圖像邊緣清晰度、邊緣提取更快速準確等優勢,執行效率更高。

2.2 亞像素邊緣提取算法

在機器視覺中,圖像分辨率的高低直接影響邊緣定位的精確性,分辨率越高,像素越多,定位就越精確。在相機分辨率不足的情況下,邊緣檢測算法只能判斷邊緣位的像素位,無法精確到更準確的位置,導致測量結果不理想,誤差較大無法滿足精度要求。在實際測量過程中為了更好地提高測量精度,可采用提高硬件性能及軟件算法兩種方式,硬件設備性能的提升需要以增加成本為代價,通過更換相機、鏡頭及配套設施來提高相機分辨率和光鏡頭的放大倍率。軟件算法方面,通過使用亞像素邊緣提取技術來提高邊緣點定位精度。亞像素邊緣提取算法的原理是使用細分算法將圖像像素進一步細分為更小的單位,是一種分辨率小于一個像素的圖像處理技術,相當于提高了圖像邊緣區域的分辨率,從而提高邊緣定位的精度[4]。

矩方法、插值法、擬合法是比較常用的幾種亞像素邊緣檢測算法,采用基于矩方法的亞像素檢測算法,定位精度高,具有旋轉不變性,抗噪性能佳。

2.3 最佳圖像匹配算法

采用直方圖和多層感知的方法實現。獲取各光照條件下的零件圖像,再獲取該圖像的直方圖,將直方圖看作特征向量送入多層感知網絡學習并進行分類。

2.4 多光源機器視覺檢測系統構建

小型零件的加工制造屬于離散型生產類型,其生產工序復雜、產品工藝過程多變,以多品種小批量制造方式較為常見,相應增加了對生產、檢測、質量管理的復雜性要求。以離散制造車間柔性生產線為應用場景,通過智能網關實現視覺邊緣云平臺對視覺檢測系統的控制,構建多光源機器視覺檢測系統。借助視覺平臺的模塊分發、開發、訓練、需求響應處理等功能,實現傳統機器視覺與人工智能相結合的新型柔性機器視覺檢測系統[5],如圖7所示。

圖7 視覺邊緣云平臺的多光源機器視覺檢測系統的構建

以三坐標測量儀測量的實際值作為標準參考值,經過實驗測量比對,構建的多光源機器視覺檢測系統測量誤差為0.03 mm以內,測量結果精度高,可實現小型零件的精密檢測。

3 結束語

本技術路線充分考慮了機器視覺檢測系統的靈活性、擴展性,既考慮機器視覺系統的實時性要求,又利用視覺邊緣云平臺豐富的資源進行算法開發和模型訓練,使傳統方法與人工智能檢測方法相結合。

提出的機器視覺系統的特征是精度高,適應性強,當系統精度不能達到要求時可使用三坐標測量機代替運動平臺來減小機械運動對機器視覺系統造成的測量誤差。還可考慮通過CAD圖紙比對方法實現更精確的圖像匹配,進一步優化運動平臺的誤差。