机器视觉技术在零件尺寸测量中的应用

摘 要：本文阐述了机器视觉技术在零件尺寸检测中的应用情况，分析了机器视觉零件尺寸检测系统的硬件组成，并详细分析了机器视觉软件部分的重要环节，包括中值化图像预处理、图像二值化处理、图像边缘检测、图像圆检测、摄像机定标及零件尺寸计算等方面，为有效提高机械视觉系统经行零件检测的精度及速度，扩大视觉系统对微小及复杂零件的检测范围提供参考。

关键词：机器视觉技术；尺寸检测；精度；应用

0引言

生产线上人工检测产品尺寸的方法检测效率低、准确度低。人工尺寸检测对微小零件或复杂零件检测存在极大的局限性，人工尺寸检验已经不能满足零部件的批量化生产。因此，机器视觉技术在零件尺寸检测中得到广泛应用。机器视觉检测系统通过采集零件图像，计算得到精确的零件尺寸。常用于危险场景感知及精确定量感知等方面，可实现在线检测，检测速度快、准确度高。

1.系统组成

本次分析的机械视觉零件尺寸检测系统硬件系及软件两部分组成，可用于检测规则的小型圆环形零件尺寸，检测精度高、速度快。

1.1 系统硬件组成

机器视觉零件尺寸检测系统的硬件采用LED作为照明设备，光线亮度强、光线均匀、无频闪，有利于摄像机获取高品质图像； 机器视觉零件尺寸检测系统采用CCD摄像机成像； 由图像处理系统完成图像边缘提取和数据分析等工作。

1.2系统软件分析

机器视觉系统CCD摄像机获取的零件图像会存在多种形式的噪声干扰， 包括斑点噪声及椒盐噪声。干扰噪声的存在极大的影响图像质量，不利于后期零件尺寸的计算工作。因此在图像进行其他方面处理前，要对图像进行降噪处理，提高图像质量。机器视觉系统采用中值滤波进行图像预处理。图像噪声像素与相邻像素差别明显。这一特点是中值滤波消除噪声干扰的基础， 中值滤波属于非线性的图像滤波器技術，通过由采样组成的观察窗来判断采样信息的真实性，消除各种形式的图像噪声。

采用中值滤波进行降噪处理时，将图像上局部区域的像素划分不同的灰度等级，并进行排序， 当前像素的灰度值取中间值。采用3×3大小的滤波模板在图像区域多次滑动，并根据根据不同像素进行排序求中值，作为当前像素的灰度值。图1为图像采用中值滤波降噪前后对比。图片显示这中方法发可有效的处理图片上斑点噪声及椒盐噪声。

1.2 图像二值化

为了方便的提取图像信息，提高图像的识别率，机器视觉系统采用图像二值化来处理图像。二值化的图像灰度值只有两种0或255，呈黑白色图像，图像二值化首先是将图像划分为0～255共计256个亮度等级的灰度值。根据设定的阈值来判断256个亮度等级的灰度图像的灰度值是0或255。图像上大于阈值的灰度值取255（白色），小于阈值的灰度值取将0（黑色）。阈值的选取要注意二值化处理后的图像要反映原图像的特征，图像不能失真。像素阈值选取过高，图片上黑色区域增多，会导致边缘信息丢失。像素阈值选择过低，图像上白色区域会增多，会出现虚假边缘信息。因此，像素阈值的选取至关重要。常用的选取方法有P参数法、双峰法、迭代法及最大熵阈值法等，可根据不同的图像特征选取适合的方法。本系统测试的零件为回转类环形零件，背景为工作台。回转类环形零件图像规则简单，图像灰度分布有规律， 在直方图中背景与零件形成两个峰值不同的波峰， 背景与零件形成的波峰之间存在一个波谷，将波谷对应的灰度值作为阈值。小于T的区域灰度值取为0。大于T的区域灰度值取255。

1.3 图像边缘检测

图像边缘区域图像像素值存在阶跃性变化，含有图像信息及与图像不相关的干扰信息。需要对图像边缘处干扰信息进行处理。图像边缘检测可剔除与图像不相关的信息，将反映图像特征的信息提前出来。有利于减少图像数据信息量，加快后期图像处理及零件尺寸计算的速度。目前常采用边缘检测算子对积分运算来实现图像边缘检测。常用的检测算子有Sobel算子、Roberts算子、及Prewitt 算子等。在提取边沿轮廓的过程中，要根据不同的零件尺寸特点选择合适的算子，保证算子的检测精度和速度是。Roberts算子（罗伯茨算子），运算简单、数度快、效果较好。但对噪声敏感。Sobel属于离散一阶导数边缘检测算子，可检测水平边缘也可检测垂直边缘。通过对图像上所有像素点四周灰度域加权差累加，提取图像边缘上符合阈值范围的像素点。Sobel算子对噪声不敏感，抗干扰能力强， 但对零件主体与背景区分精度低；Prewitt利用像素点周围邻点的灰度值的局部差分求平均值，进而得到灰度阈值， 保留阈值以上灰度的边缘点，去掉小于阈值的伪边缘点。这种算子是根据灰度值进行边缘点筛选，容易误判， 对图像灰度值大于阈值噪声点及灰度度值小于阈值的边缘点，容易筛选错误。

1.4检测圆心和半径

平面坐标系的圆包括半径及圆心坐标等参数，Hough变换可从图像中识别圆曲线。Hough变换是一个以圆的圆心处X、Y坐标及半径为参数的三维空间。

Hough变换将原始图像空间曲线转变为参数空间的聚集点。根据其累积程度来实现圆形曲线检测。采用Hough变换检测圆精度高、对噪声干扰不敏感。Hough变换检测圆的方程为（xi-a）2 +（ yi -b）2 =r2，其中（a，b）为圆心坐标值，r为圆的半径。图2为点x= [xi ， yi ]T ， p=[a，b， r]T的参数空间示意图。图像中单个圆对应的半径值固定，圆上点的集合组成r相同a、b不同的圆锥集合。

1.5 摄像机标定及零件尺寸计算

机器视觉系统根据图像计算被检测零件的尺寸，要根据一定的比例换算关系。确定图像二维坐标系到实物三维坐标系之间对应关系是计算被测量零件尺寸的依据，确定坐标系之间对应关系时要保持测量条件不变。本次分析的机器视觉检测系统采用标准参照测定法实现摄像机标定。通过计算工作台上的标准尺所占图像中像素点个数，换算出尺寸计算的比例关系。标定过程中采用求平均值的方法消除误差。完成标定后利用比关系例换算出零件实际尺寸大小，实现基于图像的非接触零件尺寸实时测量。

2.结果分析

机器视觉检测系统成功应用在小零件的非接触实时测量中，结果显示被检测元件内径为19.14mm，外径为29.13mm，检测误差小，测量精度，检测时间大大缩短，极大的提高了检测效率。

3.结论

本文分析了一种用于回转类圆环形零件的机器视觉尺寸检测系统，该系统测量精度满足生产要求，对促进零件的批量化生产，保证零件尺寸精度，提高企业生产效率有重要的意义。

参考文献：

[1]汪田. 基于机器视觉的油泵壳体尺寸测量系统[D].浙江大学，2018.

[2]洪运. 基于计算机视觉的零件平面几何尺寸测量方法的研究[D].东华大学，2017.

作者简介：

张小现（1986.07--）；性别：男，籍贯：湖南省衡阳人，学历：本科，毕业于湖南理工学院；现有职称：无；研究方向：自动化工程与机器视觉。