激光在高反面轴类零件表面瑕疵检测的应用

2020-08-07孔令华练国富刘正义

激光与红外 2020年7期

杨莓,孔令华,练国富,黄旭,刘正义

(1.福建工程学院机械与汽车工程学院,福建福州 350000；2.数字福建工业制造物联网实验室,福建福州 350118)

1 引言

近几年,随着智能手机、平板电脑和新能源汽车等新兴市场的崛起,对锂电池的需求日益提升。同时电池壳钢作为一种高品质要求的精密冷轧产品,外观质量要求严格,表面要求达到双面O5级别,一旦出现小范围的质量问题,凡涉及的卷号均全部退货[1],因此有必要对锂电池壳进行严格筛选。

目前,检测锂电池壳表面质量的方法主要为人工目测法,不仅检测效率低,劳动强度大,而且易受检测人员主观因素的影响造成误检和漏检。如果在检测中操作不慎,还会对锂电池壳表面造成二次损伤。而接触式测量,如三坐标测量机,每次只能获取表面一个点的坐标,测量费时费力,而且测头容易对一些精密表面造成损伤[2]。显微镜检测的靶面则太小,每次只能获取小范围内的表面质量图像,很难实现大面积表面质量的快速检测。为了满足实际生产实时在线精确检测的需求,本文采用机器视觉检测,不仅可以排除人的主观因素的干扰,而且还能够对这些指标进行定量描述,避免因人而异的检测结果,减小检测分级误差,提高生产率和分级精度。

对于高反射特性表面瑕疵的视觉检测,国内外的研究人员对此提出了不同的检测方法。宋宇航等人[3]在穹顶漫射光源内壁附着同心圆条纹,通过对钢球表面倒映的条纹的完整性进行分析,从而判断被测表面是否存在缺陷,但由于光源系统设计的原因,此方法只能检测尺寸较小的球形零件,有一定的局限性。张建伟等人[4]采用蓝色同轴光源并基于形态学配准的算法对硬币镜面部分的摩擦缺陷进行了检测,但此方法对于其他类型缺陷及有图案的部分无法检测。T W Ng[5]提出了一种使用环形灯进行照明的技术,该方法被证明能够清楚地揭示钢球表面缺陷,但无法用于其他形态的零件检测。

从国内外研究现状可以看出,现在对高反面表面瑕疵的检测主要采用常见LED环形光源、同轴光源或球积分光源,由于锂电池壳表面的反射光主要是镜面反射,此类传统的需要往待测表面投影结构光的光学非接触测量方法对高反射表面并不适用,这是因为采用这些光源无法避免锂电池壳表面由于高反光率所导致的问题:

(1)光晕问题。由于锂电池壳表面接近于镜面反射,在法线方向上会形成大片光晕,使所需检测的瑕疵信息都被淹没[6]；

(2)投影问题。由于锂电池壳表面的镜面反射会导致锂电池壳表面映射四周的景象,即使将检测环境密闭,所拍摄的图像中仍会存在摄像机的投影,给图像判别带来较大难度[6]。

对此,本文采用线聚焦激光作为光源进行视觉检测,不同于常规检测高反面表面瑕疵方法直接拍摄被测物表面形貌的图像进行图像分析,本文所提出的检测方法是将线聚焦激光投射到锂电池壳表面,锂电池壳表面具有高反射性,会将激光线反射到具有漫反射性的屏幕上,相机拍摄屏幕上的激光线图像,通过分析反射激光线的形态特征进行判断。这种检测方式能够从原理上避免锂电池壳表面高反光率所导致的问题。

2 检测原理

2.1 实验对象及检测原理说明

本文的实验对象是18650型锂电池壳,是由电池壳钢经高速深冲与减薄拉伸工艺而成的一种圆柱型具有高反射性表面的零件。如图1所示。

图1 18650型锂电池壳

考虑到锂电池壳表面的高反射性,本文采用定向性好和亮度高的线聚焦激光作为光源进行视觉检测。该方法的检测原理是采用线聚焦激光对被测零件母线进行照射,利用被测零件表面的高反射特性,拍摄被测零件表面反射的激光线图像。将线聚焦激光发射的激光看做一条直线,当此激光线照射到零件表面时,反射的激光线根据零件表面形貌特征的不同会发生改变。当零件表面完好时,激光线照射在零件任一母线上,此时反射角度、反射光强均不发生改变,故而在屏幕上所呈现的反射激光线仍是一条完好的直线；当表面存在缺陷时,由于缺陷区域的表面微观形貌会发生变化,激光线会根据不同缺陷类型发生偏移、光强减弱、线宽变化等不同类型的变化。将反射激光线的图像通过图像传感器上传至计算机,然后经图像分析软件对图像进行处理,根据激光线的变化不同,判别此被测产品是否合格,若存在缺陷则判断缺陷种类。检测原理如图2所示。

图2 检测原理图

2.2 检测原理的验证

根据上述检测原理,搭建临时检测装置以验证检测原理的可行性。如图3所示,在锂电池壳表面凹坑位置显示的对应激光线发生变化,同时,在实验中可以发现对应不同的表面瑕疵,激光线会对应发生不同变化,由此可以证明此检测方案可用于锂电池壳表面瑕疵的检测。

图3 采用临时装置所拍锂电池壳表面凹坑处图像

2.3 实验平台的搭建

为了能得到锂电池壳全部外表面的特征,选择通过直流电机带动两根钢管旋转,从而带动锂电池壳进行360°旋转。将直流电机连接印刷电路板(PCB),进行电脑编程调试后即可通过印刷电路板(PCB)对直流电机进行控制,保证图像获取的可控性。

基于上述思路,对锂电池壳的表面高反射规律进行了系统研究,并依据研究结果搭建了实验室环境下(去除暗箱后)的图像采集平台,如图4所示。

3 实验

3.1 图像的采集

通过分析锂电池壳样件,可以发现其表面普遍存在的瑕疵种类主要有以下三种:(1)凹坑:指金属材料表层的砂眼或磕碰导致的凹陷；(2)划痕:指材料表面呈直线或弧形沟痕通常可以看到沟底[7]；(3)表面粗糙度过大:指要求材料表面粗糙度精度达不到要求。锂电池壳典型表面如图5所示。

图5 锂电池壳典型表面

图6为采集到的几类典型图像。通过分析这些图像可以发现:在表面有凹坑的情况下,激光线照射到此位置时,由于此处表面不平,光线在此处入射角相对正常表面处发生变化,使反射角也发生变化,导致反射在屏幕上的光线位置会发生偏移,在此处表现为凸起或凹陷(如图6(b))；在表面有划痕的情况下,激光线照射到此位置时,由于此处凹凸不平,使光线在此处发生多次反射,故而反射到屏幕上时此处亮度较低,屏幕上的反射激光线在此处表现为断点(如图6(d))；在表面光洁度不达标的情况下,表面微观形貌是凹凸不平的,光线在各处反射角不一致,使反射光发生散射,故而反射到屏幕上的激光线线宽会变宽(如图6(a)和(c))。

图6 典型缺陷件的反射激光线图像

进而可以进行总结,锂电池壳表面瑕疵的分类示意如图7所示。

图7 锂电池壳表面瑕疵对应的反射激光线特征示意图

对采集到的图像进行图像处理及特征分析,可以判断被测件表面是否存在瑕疵,对应形状特性可以判断瑕疵的种类。

3.2 图像的处理过程

通过采集到的图像发现由于设备自身特性和外部环境干扰,需要对图像进行预处理,分割出待分析区域并转化为灰度图像以提高后续算法的速度以优化系统的整体性能[6]。

对此,以存在划痕缺陷的锂电池壳对应的反射激光线图像为例,本文使用Halcon作为图像处理工具,首先将采集到的图像读到Halcon中,反射激光线部分的如图8所示。

图8 有划痕缺陷的激光线部分原图

可以发现,由于激光线是比零件长度要长,采集到的图像含有直接照到幕上的激光线,会对后续图像分析造成干扰,故而需要去除掉无关的激光线以及背景等。为了方便进行图像分割,首先需要将如图8所示的彩色图像转换为三个单通道(R/G/B)图像,再将三个单通道图像(R/G/B)转化为CIELab颜色空间三个通道(L/a/b)的图像。其中L分量用于表示像素的亮度,取值范围是[0,100],表示从纯黑到纯白；a表示从红色到绿色的范围,取值范围是[127,-128]；b表示从黄色到蓝色的范围,取值范围是[127,-128][8]。

图9 CIELab颜色空间的b通道图像

再采用高斯函数的差分增强灰度图像和检测角点,以便后面进行图像分割,提取有效区域。根据Marr的说法,这些高斯的标准偏差可以从对数的参数(Sigma)和两个标准偏差(SigFactor)的比值计算得出:

(1)

sigma2=sigma1/SigFactor

(2)

Result=[Image*Gauss(sigma1)]-

[Image*Gauss(sigma2)]

(3)

式中,Sigma为拉普拉斯算子平滑参数的近似值；SigFactor为使用的标准偏差的比率。

高斯差分处理后的图像如图10所示。

图10 高斯差分处理后的图像

将上节经过预处理后的图像进行二值化处理,将灰度值g满足条件MinGray≤g≤MaxGray的图像的所有点都作为一个区域返回。通常情况下,分割后得到的区域中所包含的多个物体在返回结果中应该是彼此独立的[9],因此需要计算输入区域中的所有连通区域。

计算连通区域后,根据图像特征将干扰区域从分割结果中剔除,选出需要分析处理的区域,比如,根据这些彼此独立区域的面积。实际得到的处理结果如图11所示,只有锂电池壳对应反射的激光线部分图像。

图11 需要分析处理的区域

在试验阶段,采用精度较为高的算法进行图像分析,即对分割得到的区域进行逐列分析,遍历此区域。首先,计算此区域每列每个像素对应的灰度值并画出对应每列的灰度值分布图(如图12(b)),同时可以计算得到每列的灰度值最大值。为降低其他因素带来的影响,对每列的灰度值分布图进行平滑处理,得到每列平滑后的灰度值分布图(如图12(c)),计算平滑处理后对应的每列灰度值分布图的半高宽作为此列的线宽。

图12 逐列分析预处理后的图像

将所有列的最大灰度值与线宽求得平均值,最大灰度值平均值在阈值范围内则此次取得的图像为有效图像。若平均线宽超过阈值要求则存在表面粗糙度过大。由于被测件表面为圆柱面,反射激光线列向理论上呈正态分布,激光线每列灰度值最大处理论上应处于此列中间位置。因此,计算每列激光线中间点灰度值及行坐标,分别作图(如图13(b)及下文图15(b))并进行判断。若行坐标曲线偏移量超过阈值要求则存在凹坑；若灰度值曲线偏移量超过阈值要求则存在划痕。若不存在上述缺陷,则为合格件。

若存在划痕,计算划痕个数及其存在的大致区域范围,此区域每列灰度值与平均灰度值进行相关计算,求出划痕的宽度和深度(单位:像素)。若存在凹坑,计算凹坑个数及其存在的大致区域范围,此区域每列行坐标与平均行坐标值进行相关计算,求出凹坑的宽度和深度(单位:像素)。

以划痕缺陷件对应反射激光线图像为例,对应每列中间位置灰度值的曲线如图13所示,可以直观判断出存在的划痕数量并通过计算求得划痕的宽度和深度(单位:像素)。

图13 划痕的数据体现

根据图13的数据进行分析,得到结果并进行显示(如图14)。

图14 划痕图像处理后的结果

3.3 图像处理的结果

按上述图像处理方式对常见3种不同瑕疵种类的锂电池壳得到的激光线图像进行处理,例如凹坑的特征值提取后进行数据分析处理,对应每列中间点行坐标的曲线如图15所示,同样可以判断出存在的凹坑数量并通过计算求得凹坑的宽度和深度(单位:像素)。

图15 凹坑的数据体现

对3种不同瑕疵种类锂电池壳的反射激光线图像进行处理,得到的图像处理结果如图16所示。

图16 典型缺陷件的图像处理结果

4 分析与讨论

为探索反射的激光线凸起/凹陷、断点、线宽和零件表面凹坑、划痕、粗糙度之间是否具有对应关系,制作具有不同表面粗糙度及不同宽度和深度划痕、凹坑的样件,并对此13个样件进行图像采集。按上述图像处理过程进行图像分析,将得到的结果进行数据统计,发现不同宽度和深度的划痕与凹坑、不同程度的粗糙度与样本表面所反射的激光线图像特征间具有对应关系。如图17～19所示。

图17 划痕宽度和深度与激光线特征间的关系

通过观察上述三种不同程度的瑕疵与对应激光线图像特征间的关系可以发现,这三种表面瑕疵在一定尺寸范围内与对应激光线的形状特性有着一定程度上的关联性。因此,在实际检测中,表面瑕疵在一定尺寸范围内时,可以采用此检测方法对瑕疵本身进行定量的评价。

5 结论

针对传统检测方法难以完成高反射性零件表面瑕疵检测的问题,本文提出一种采用一字线型激光作为光源的检测方法。此方法避免了高反面零件在传统检测方法中的难点,具有较好的识别性。根据此检测方法获得的图像可以反映零件未被激光扫到表面的一定面积,但由于线激光本身是线宽一定、拍摄间隔,故而在实际检测时可能存在漏检或由于数据量过大而降低检测速度的情况。

本文通过建立锂电池壳表面检测平台探索轴类高反面零件表面形貌与对应反射激光线图像之间的关系。通过分析可以发现当零件表面出现瑕疵时,对应激光线图像会发生变化,这种变化与瑕疵种类及尺寸有关,如图17～19所示。由于样品加工及检测技术限制,反映其相关性的参数R-square(R2)结果虽不够理想,但仍能反映出两者具有高度的相关性。虽然此结论具有一定的局限性,但对工业高精度零部件的高反射性表面的检测和定量的评价具有普遍的使用价值和一定程度的可借鉴作用。