基于LabVIEW的塑料齿轮缺齿检测系统设计

任楷飞+孟令军+顾泽凌

摘 要： 针对塑料齿轮在生产过程中存在缺陷，而人工检测效率与准确性低。为了满足检测要求，设计基于LabVIEW的塑料齿轮缺齿检测系统。首先进行图像采集及预处理，预处理包括彩色图像灰度化、中值滤波、阈值化、Canny边缘检测等；然后通过几何匹配算法提取齿轮的几何信息，学习并保存模板信息，再调用模板进行匹配计算得到结果。分数和模板目标曲线分数是判断齿轮缺陷的主要依据参数，选用不同缺齿程度的塑料齿轮进行实验发现，缺齿程度越大，对应的匹配分数越低。实验结果表明，该系统可以实现齿轮缺齿检测的功能，为缺陷检测提供新的思路。

关键词： LabVIEW； 机器视觉； 几何匹配； 塑料齿轮； 缺齿检测； Canny边缘检测

中图分类号： TN911.23?34； TP319 文献标识码： A 文章编号： 1004?373X（2018）04?0088?04

Abstract： In allusion to the problems that there exist defects in the process of plastic gear production， and the manual detection is in low efficiency and accuracy， and to meet detection requirements， a tooth missing detection system for plastic gears based on LabVIEW is designed in this paper. Image acquisition and preprocessing are carried out， with the former including color?image grayscale， median filtering， thresholding， Canny edge detection， and others. The geometry information of gears is extracted by means of the geometrical matching algorithm. The template information is acquired and saved， and then the template is called for matching calculation to obtain results. Fraction and template objective curve fraction are the main parameters for judging gear defects. Plastic gears in different tooth missing degrees were selected to do the experiment. It was found that the greater the degree of tooth missing， the lower the matching score. The experimental results demonstrate that this system can realize the function of tooth missing detection for gears， and provide a new idea for defect detection.

Keywords： LabVIEW； machine vision； geometric matching； plastic gear； tooth missing detection； Canny edge detection

塑料齿轮的成本低廉、耐腐蚀，广泛运用于家电、仪器仪表等领域[1]。由于材料强度低，在生产过程中会有缺齿、翘曲等缺陷[2]。产品检测是自动化生成中的重要环节，目前塑料齿轮的缺陷检测采用人工检测，工作难度大、效率低、易漏检[3]。作为新兴的研究领域，随着计算机及人工智能的发展，机器视觉的实用化程度也在不断提高[4]。目前国内在齿轮缺陷检测方面的应用有待完善[5]，采用机器视觉技术可以解决以上不足，其相较于传统的人工检测可更好地满足要求。

本文提出一种基于几何匹配算法的塑料齿轮缺齿检测的方法，结合LabVIEW软件和IAMQ Vision工具包来实现。以不同缺齿程度的塑料齿轮进行实验，对匹配结果中对应的分数与模板匹配曲线分数进行比较，能够精准地判别缺齿齿轮，满足塑料齿轮缺齿检测的高效、精确的要求。此外，利用几何匹配算法的非接触检测方法，可应用到其他缺陷检测的场合。

1 系统总体设计

LabVIEW平台上IMAQ Vision提供所需的机器视觉算法[6]，使用G语言可以降低开发难度、缩短开发周期[7]，并可实现图像的处理与视觉检测等功能。使用CCD对图像进行采集，将采集的图像存储至本地[8]。再从指定路径读取原始图像进行预处理，包括彩色图像灰度转换，中值滤波、组内方差阈值化并均衡以及Canny边缘检测。通过设置边缘阈值、步长、提取边缘点等过程，完成模板学习；调用学习的模板信息进行几何匹配，根据得到的匹配结果参数来判定齿轮缺陷情况。塑料齿轮缺齿检测系统由图像采集、图像预处理、几何匹配、缺陷检测等模块构成，结构框图如图1所示。

2 图像采集及预处理

图像采集过程首先创建会话句柄选择摄像头，打开并配置USB相机，调用IMAQ Create.vi为图像数据创建一个数据缓冲区，读入一帧图像并创建输出图像显示，调用IMAQ Write File.vi，设置存储的路径和图片格式。读取指定路径的图像进行预处理，可以抑制噪声和去除干扰信息，使得处理后的图像更适合机器视觉系统，预处理如图2所示。endprint

彩色图像信息量大，影响处理速度[9]，首先需要进行灰度化处理。从彩色图像中抽取一个平面实现彩色图像转换为灰度图像，需要使用抽取单个颜色平面（IMAQ Extract Single Color Plane）模块，每个颜色模式的单一平面均是8位的灰度图。使用视觉助手抽取不同平面进行比较，选取背景与目标对比明显且均匀的分量。其中，抽取G分量效果最佳，效果如图2a）所示。

中值滤波是一种统计排序的非线性滤波器，以像素点（i，j）为中心的领域内的中值作为响应，可以有效滤除椒盐噪声。选用3×3函数窗，计算以点[i，j]为中心的函数窗灰度中值，滤除后效果如图2b）所示，窗函数矩阵表示为：

二值化处理可突出目标区域的特征，由于背景与目标之间灰度差距明显，从而实现了背景与目标的分离。选用组内方差的算法实现阈值处理，将灰度图像转换为二值图像，效果如图2c）所示，目标区域值为0，背景区域的值为1。

均衡函数是没有预定义的查找表（Look Up Table）操作。均衡函数通过改变像素的灰度值，使其分布在0～255灰度范围，使得增强图像对比度无需使用全部灰度值。均衡范围转换后的图像保留均衡范围内细节信息，范围外的区域被清除，得到黑色背景与白色目标区域，如图2d）所示。以便进行下一步的边缘检测处理。

齿轮缺陷中的缺齿检测，边缘轮廓是有用信息。在边缘检测中，无法同时满足噪声抑制和精确定位，Canny算子可以均衡两者。Canny边缘检测首先进行平滑，再利用一阶偏导的有限差分来计算梯度。然后，通过非极大值抑制找出图像灰度变化较大的目标区域。一阶偏导计算水平空间P和垂直空间Q如下：

3 几何匹配技术

幾何匹配技术查找模板信息的过程中不受照明变化、几何变换的影响，即使这些因素发生变化，几何匹配仍可返回正确的检测结果。几何匹配分为学习和匹配两个过程：学习过程提取目标几何信息作为模板并保存；匹配过程则是寻找待测图像与模板信息匹配的对象。

3.1 学习与匹配

图像边缘是进行几何匹配的基础，经过边缘检测后边缘点存在不连续的情况。几何匹配算法是利用广义霍夫（Hough）变换实现曲线的拟合与连接。在未知大小、方向等条件下，定位任意形状的曲线。学习阶段提取模板信息，计算曲线边缘点的梯度值，选取中心点（xc，yc）为参考点，计算从图像边缘每个点（xi，yi）到点（xc，yc）的距离ri和沿切线方向角度θi。通过广义霍夫变换添加模板图像中曲线的点后，使用R表存储目标形状的信息。参考点的计算公式为：

在匹配阶段，从待检测图像中提取几何信息，对比模板信息进行查找匹配。匹配阶段分为边缘点提取、广义霍夫匹配以及匹配细化，边缘点提取并沿着轮廓计算边缘点的梯度值。广义霍夫匹配中需要创建寄存器，存储待测图像的匹配位置，在寄存器中寻找局部峰值以查找最佳匹配。匹配细化可以改进匹配结果，如增强位置、角度的精度。

3.2 模板信息制作

通过视觉助手进行目标模板制作，选择提取模板区域，设定边缘阈值取舍边缘点，再设定滤波器尺寸。指定匹配算法需要忽略的区域，删除冗余区域以提高运算速度。并删除不重要的曲线，选择学习最为相关的结果曲线。由于匹配目标的方向不确定，匹配的角度要设置在0°～360°范围内，模板大小设置一个比例缩放范围50%～200%。经过参数设置完成模板信息的创建，再将学习完成的模板信息保存到指定路径以便调用。

3.3 LabVIEW设计

LabVIEW结合IMAQ Vision 工具包进行软件设计与参数配置，实现图像预处理、几何匹配、检测等高级视觉功能。前面板实现人机交互，包括原始图像采集与存储、读取指定路径图像、模板信息显示、生成匹配结果等，前面板设计如图3所示。

按照功能要求，在程序面板进行参数设置和数据传递，包括实现在层叠式顺序结构下完成图像采集与指定路径存取、图像预处理、几何匹配参数设置与读取模板、几何匹配结果显示等功能。通过数据流可监测执行动向，方便功能调试。程序面板如图4所示。

4 实验结果分析

通过调用模板信息对待测图像进行匹配，生成一个匹配结果的数值表，包括位置、比例、角度、分数、模板目标曲线分数等。分数的计算使用待测图像中与模板信息匹配的曲线和特征，模板目标分数关系到模板信息与待测图像中匹配区域的紧密程度，两者是判断相似度的重要参数。若齿轮轮廓与模板特征完美匹配，计算的分数、模板目标曲线分数会接近1 000分。由此可根据分值大小准确地判断齿轮缺陷程度，匹配结果如表1所示。

匹配的4个目标位置坐标为：目标1（547.47，355.62）、目标2（1 041.17，353.26）、目标3（533.66，862.03）、目标4（1 050.12，847.40）。

匹配显示如图5所示，左上对象为目标1，分数与模板目标匹配分数为999.58和999.58，目标1无缺陷。右上角为目标2，两个分数分别为994.76和986.70，对应的目标存在1个缺齿。左下角为目标3，分数与模板目标分数分别为990.22和979.18，与模板差异稍大，对应的有2个缺齿。右下角为目标4，分数分别为978.10和946.39，与模板差距较大，相应的有3个缺齿。目标2，3，4为有缺齿缺陷的齿轮。

由此表明，缺齿的个数越多，缺陷程度越大，对应的分数就越低且与模板差异越大。实验表明，该系统能够实现缺齿缺陷检测，还可以应用于不规则、齿轮变形等外观的检测。

5 结 语

本文结合机器视觉与虚拟仪器技术，运用几何匹配算法在LabVIEW平台下设计实现了齿轮缺齿检测系统。以塑料齿轮为例，几何匹配结果可以得到图像中匹配对象的分数、模板目标匹配曲线分数等参数。通过实验分析，发现齿轮缺陷越大，与目标模板的差异越大，几何匹配分数则越小，从而实现了非接触齿轮的缺齿检测。本系统具有友好的人机交互界面、方便操作、扩展性强，还可根据实际生产需求作为质量筛选的依据。同时，也可以进行缺陷产品的剔除，在零件等自动化检测领域有一定的实用价值。endprint

参考文献

[1] 李光明，孙英爽，党小娟.基于LabVIEW的几何匹配方法的设计与实现[J].计算机工程与设计，2016，37（10）：2705?2709.

LI Guangming， SUN Yingshuang， DANG Xiaojuan. Design and implementation of the geometric matching method based on LabVIEW [J]. Computer engineering and design， 2016， 37（10）： 2705?2709.

[2] 张振祥，陈永清，古洪杰.基于LabVIEW的齿轮齿形缺陷检测[J].测控技术，2010，29（5）：32?35.

ZHANG Zhenxiang， CHEN Yongqing， GU Hongjie. Gear defect detection based on LabVIEW [J]. Measurement & control technology， 2010， 29（5）： 32?35.

[3] 陈晓玉，谢路生，陈文芗，等.基于LabVIEW的工件外径测量与颜色识别软件系统设计[J].实验室研究与探索，2017，36（4）：114?118.

CHEN Xiaoyu， XIE Lusheng， CHEN Wenxiang， et al. Workpiece diameter measurement and design of color recognition system based on LabVIEW [J]. Research and exploration in laboratory， 2017， 36（4）： 114?118.

[4] 施保华，魏雅慧.一种基于机器视觉的螺纹缺陷检测方法[J].三峡大学学报（自然科学版），2015，37（2）：64?66.

SHI Baohua， WEI Yahui. A method of detecting thread defects based on machine vision [J]. Journal of China Three Gorges University （Natural sciences）， 2015， 37（2）： 64?66.

[5] 高世平，吴黎明，陈智翔，等.基于LabVIEW的小模数齿轮在线测试方法研究[J].舰船电子工程，2013，33（7）：126?128.

GAO Shiping， WU Liming， CHEN Zhixiang， et al. Research of small modulus gear on?line testing method based on LabVIEW [J]. Ship electronic engineering， 2013， 33（7）： 126?128.

[6] 王业翔，戴曙光.基于LabVIEW的VFD视觉检测技术研究[J].电子科技，2015，28（8）：157?159.

WANG Yexiang， DAI Shuguang. VFD visual detection technology research based on LabVIEW [J]. Electronic science and technology， 2015， 28（8）： 157?159.

[7] 何贞志，陈於学，邵明辉，等.基于LabVIEW的滚动轴承缺陷在线智能检测系统[J].仪表技术与传感器，2017（7）：72?75.

HE Zhenzhi， CHEN Yuxue， SHAO Minghui， et al. LabVIEW based rolling bearing defect on?line intelligent detection system [J]. Instrument technique and sensor， 2017（7）： 72?75.

[8] 李定珍，王萍.VFD显示图像缺陷检测技术研究[J].液晶与显示，2013，28（1）：138?145.

LI Dingzhen， WANG Ping. VFD display image defect detection technology research [J]. Chinese journal of liquid crystals and displays， 2013， 28（1）： 138?145.

[9] 张鹏飞.基于LabVIEW的PCB电路缺陷检测系统的研究与实现[D].长春：长春理工大学，2013.

ZHANG Pengfei. Research and implementation of LabVIEW based PCB circuit defect detection system [D]. Changchun： Changchun University of Science and Technology， 2013.

[10] 李红丽，彭文华.基于LabVIEW与ARM微控制器的智能家居控制系统[J].物联网技术，2015，5（9）：80?81.

LI Hongli， PENG Wenhua. Smart home control system based on LabVIEW and ARM microcontroller [J]. Internet of Things technologies， 2015， 5（9）： 80?81.endprint