基于机器视觉的扁平细长带钩零件检测系统研发

杨宏贤，朱世根，白云峰，丁 浩，朱巧莲

(1.东华大学机械工程学院，纺织装备教育部工程研究中心，上海 2016202.义乌云溪新材料科技有限公司，浙江义乌 322000)

0 引言

近年来，在小尺寸mm级精密零件或大尺寸cm级非精密零件的自动化检测领域，机器视觉检测技术的研究与应用取得了长足的进步，然而对于同时具有cm级大尺寸以及高精密要求的复杂形状零件，即使用高分辨率的视觉硬件，也难以直接达到高速、稳定的高精度检测要求，基于机器视觉的自动化检测技术还存在一定的困难[1]。

例如某种扁平细长带钩零件，轮廓尺寸为51 mm×3 mm，厚度只有0.49 mm，结构如图1所示，形状不规则、结构精细，使用时需要数千个零件按相同的步调工作，所以必须保证零件之间的高度一致性。此类零件制作工序繁复，因而成品率较低，但在工业生产中消耗量却很大。长期以来，一直依靠人工逐一检测的方式从大量产品中分拣出部分合格产品，人工检验的检测速度和检测精度较低[2-4]。

以实现上述零件的外形检测为目标，研发了一种基于机器视觉的检验方法与系统，该系统利用优化的硬件以及基于LabVIEW的软件检测算法设计，实现了形状尺寸的自动化检测，从而提高了此类零件检验工序的效率和可靠性。

1 检验系统解决方案设计

零件具有扁平细长的结构特点，在人工方法检测外轮廓形变时，通常只有采用特制夹具固定，才能准确检验主要部位的尺寸和变形情况。这是导致人工检测缓慢的原因，也是自动化检测系统设计过程中的难点之一。考虑到快速检测的要求，如图2所示，系统采用无色玻璃环作为零件移位的载体，零件依次排列放上环面，环面可由电机带动进行旋转。沿环面转动方向依次布置有自动入料模块、自动定位模块、位置传感模块、图像采集与处理模块、产品收集模块、运动控制模块等。

系统工作原理如下所述：自动入料模块将零件以一定的间距依次推送到玻璃环面上。零件随着环面一起运动，当运动到自动定位模块时，快速定位并完成初步的位姿调整。当零件经过位置传感模块时，光纤传感器发出的光线受到遮挡，接收信号产生变化，检测到零件当时所在的位置。图像采集与处理模块由相机、镜头、光源、计算机、图像采集卡等组成，其中相机和光源采用背光照明的方式分别设置在玻璃环上、下侧，当有零件经过时触发相机拍摄俯视图像并完成图像处理、检测和判断。最后，由产品收集模块完成合格品与不合格品的分类分拣。零件随着环面旋转1圈即可完成1次检验。

工业相机与镜头是图像采集与处理模块最重要的组成部分。相机主要根据分辨率、传感器尺寸、帧率、图像噪声等因素，选取满足检测系统精度要求的型号[5]。本设计的检验目标长度可达51 mm，按照每个像素0.015 mm的设计要求，最终选取Dual GigE 协议的4 864像素×3 232像素CCD相机，传感器靶面尺寸为35 mm。镜头按照成像光路的区别分为普通镜头和远心镜头，普通镜头在成像时难以使细长物体在整个视场中同时呈现清晰的边缘，而远心镜头采用平行光路设计，其特点是在一定景深或焦深范围内，成像的放大倍率不会随着物距或像距的变化而变化，还能改善或者消除图像畸变、投影误差、边缘效应。图3为普通镜头与双远心镜头局部放大的成像效果对比图。精确呈现细长零件的全部轮廓边缘是保证检测精度的关键，因此选用物方视场FOV为90 mm、放大倍率为0.489的大靶面双远心镜头获取清晰锐利的图像。

在大尺寸零件的检验领域，仅靠合理的硬件设计与选型，视场与精度的矛盾仍然难以调和，还需在检验算法及方法上进一步研究。

2 检测系统软件算法

传统的规则形状零件检验方法一般依赖于对个别尺寸的检验。对于不规则形状零件来说，这种检验方法只能保证个体上局部尺寸的准确性，却难以保证同一批次产品之间的一致性。而图像检验方法不仅可以对规定尺寸进行检验，还可以对包含复杂曲线的全部轮廓进行检验，从而更好地保证一致性。据此，设计了基于LabVIEW的不规则的扁平细长带钩零件检测算法，算法包含尺寸检验以及轮廓检验相结合的2种检测模式。其中，尺寸检测可以通过调用LabVIEW卡尺工具方便地实现相关尺寸的测量，此处不再赘述，下文重点介绍为了保证零件之间的一致性而开发的轮廓检验算法，如图4所示。

2.1 定位模块

采集到零件图像后，首先需要进行图像预处理，以改善图像视觉效果[6]。图像预处理步骤包括灰度变换、中值滤波等。其次，零件在图像中并不能保证总是处于完全相同的位置和方向，可能产生重叠、缺失、旋转、平移等变化，因此检测系统必须具备定位功能。使用形状模板匹配算法定位，需要先创建模板。参考零件在上机使用过程时的基准位置，作为模板匹配定位的基准，如图5所示。在LabVIEW算法中通过库函数节点调用HALCON模板匹配算子find_shape_model，算子输入输出端主要有最小匹配分值、最大匹配数量、搜索起始角度、搜索角度范围、模板匹配结果等参数。匹配分值代表目标物体和模板的相似程度，它的值介于0和1之间，值越大代表基准线的匹配吻合程度越高，定位准确程度也越高。通过定义一个最小匹配分值，可以排除与模板匹配度较低的目标，避免因为模板匹配不精准而造成的误差。匹配数量设置为1，搜索角度设置在±10°范围内，以限制摆放位置偏差较大的目标物体，避免误检。

2.2 标定模块

标定的作用是确定图像坐标系与空间坐标系的对应关系。采用像素当量标定方法[7]，确定单个图像像素所代表的空间距离，如式(1)所示：

(1)

式中：D为空间距离，mm；L为像素数量，pixel；k为标定系数，由此式得k为0.014 mm/pixel。

2.3 形状检测算法模块

2.3.1 形态学

数学形态学有2个基本的运算，即膨胀和腐蚀，从数学上来讲，膨胀或者腐蚀运算就是将数字图像或数字图像的一部分区域A与核B进行卷积[8]。通过数学形态学操作对零件图像进行膨胀、腐蚀操作，获得相应放大或者缩小后的模板图像，提取其亚像素轮廓线作为感兴趣区域(ROI)，如图6所示，获得内、外2条线ROI。检测算法运行时，将外轮廓处于这两条线之间的待检目标定义为合格品，反之为不合格品。

2.3.2 轮廓拟合

模板匹配完成目标零件的定位后，按照匹配结果，将目标的位姿调整到检测所需的位姿，最简单的方法是对ROI的位姿进行适当的调整，而非目标图像，以减少计算量。通过旋转、平移等仿射变换使ROI与目标位姿一致。如图7中模板参考坐标系为(x，y)，放大轮廓与缩小轮廓作为ROI，其坐标系与模板参考坐标系(x，y)一致。零件通过模板匹配得到反映零件位姿的测量坐标系为(x″，y″)。 将参考坐标系(x，y)向X、Y方向分别平移一定距离后得到坐标系(x′，y′)，再旋转θ角度后参考坐标系与测量坐标系(x″，y″)重合，此时ROI位姿与目标位姿一致。其坐标转换关系如式(2)所示：

(2)

式中：a和b为坐标系原点平移的距离。

2.3.3 逐点扫描法检验

将ROI拟合到目标图像上，如图8所示。逐点计算ROI与待检验目标轮廓的一致性，即可判断总轮廓超差量。此处为了说明问题，仅以模板放大轮廓上提取的ROI与目标轮廓的比对为例进行详细介绍：

步骤1：若在ROI上所选取点的集合为X={x1，x2，x3，…，xn}，每个点对应的灰度值组成的集合定义为G={g1，g2，g3，…，gn}。

步骤2：定义变量y，作用是过滤长度为y以下的超差轮廓线段。首先依次读取集合G中从g1开始的连续y个值，并分别与灰度阈值N进行比较，若此y个g值均大于N，表示此处零件轮廓点均位于这连续y个点组成的放大轮廓线以内，为合格点，否则将x1放入不合格轮廓点组成的集合M；再依次读取集合G中从g2开始的连续y个值，同样按以上方法判断是否将x2计入M；继续读取g3做同样的处理，直到读取到gn-y为止。

步骤3：计算集合M中元素个数，数量越多表示轮廓点拟合程度越差。例如图8中轮廓线上显示的十字标记点表示y=1时集合M包含的所有点，可见点数量较多，轮廓拟合程度较差。若个数小于规定值z，轮廓上相关尺寸测量结果满足要求，则目标零件形状符合要求，否则为不合格品。

3 系统测试与检验效果分析

3.1 系统稳定性分析

扁平细长带钩零件是一种边缘光滑的冲压件，但是脏物颗粒及图像噪声往往容易造成边缘像素灰度值波动，进而影响检测结果的可靠性，因此必须从算法层面对检验系统进行优化调试。系统调试时，设定上文2.3.3节所述算法中y=1或y=10，在其他变量相同的情况下，对同一批300枚零件进行初检，并对初检得到的产品再检，结果如表1及表2所示。对比表1、表2可知：y=1时，合格品检出量较少，重复检出率较低，为76.6%～81.8%；y=10时，合格品检出量大幅增加，重复检出率大幅提高，达到92.6%～95.8%。其原因是，零件轮廓上细微脏物颗粒及图像噪声易造成个别像素灰度值波动，进而造成轮廓点误判，而真正的超差轮廓线段长度较大，取y=10时相比y=1时可以更有效地避免这种误判。调试结果表明，合理的算法设计有效地避免了漏检，提高了检出率和检测结果的稳定性。

表1 设定y=1时的零件检测实验结果

3.2 检验效果分析

3.2.1 安全裕度

检测系统随机误差很难完全消除，当真实轮廓位于极限轮廓附近时，可能产生误检，包括误收和误废2种情况。本研究的检测对象，一致性要求很高，误检率须控制在0.1%以内。为了严格避免误检，检测系统的安全裕度A的值十分重要。经过标定测量，测得本系统的测量不确定度在7 μm以内，据此，安全裕度A可确定为7 μm。

3.2.2 误收与误废

现举例说明检验系统的检测效果。任意将模板向外或向内膨胀、腐蚀3个像素尺寸，并提取为放大和缩小轮廓。此时合格品轮廓一致性的公差确定为±(42+7)μm(其中的42=14×3，7为安全裕度)。

对300枚未知零件进行检测检验，第一次检出a枚合格品，300-a枚非合格品，重复检测10次。每次用投影仪分别对合格品和非合格品进行校验，发现合格品中没有一致性超差的非合格产品，而非合格品中存在一致性不超差的合格品。说明系统检测的产品不存在误收，但存在误废。

为减少误废，采用了递进检测的方式。对300枚未知零件检测第一次，检出a枚合格品，对剩余300-a枚检第二次得b枚合格品，再对300-a-b枚检第三次得c枚合格品，以此类推，统计每次递进检测后的合格品总数量。设递进检测次数为t，系统检测速度约为70枚/min，重复10次，结果如表3所示。分析可知随着递进检测次数t的增加，单次检测得到的合格品数量逐渐减少，合格品总数量逐渐趋于稳定。

用投影仪复检所有机检合格品，总体上一致性效果好，达到预设要求。但第一次机检所得零件变形量较小，递进检测2、3、4次及以后，所得零件变形量增大，大多位于极限轮廓附近，但零件轮廓的最大偏差均不超过±(42+7)μm，说明系统检测没有误收，合格品误检率均为0。

表3 递进检验法所得合格品数量及误检率

在避免误收的同时，应尽可能减少误废。由表3可见，递进检测1次，合格品平均检出率达84%，进行再检可大幅提高检出率至93%～99%。说明递进检测可有效减少误废。

3.2.3 可控的一致性

实际检验时，若按单个像素尺寸设定模板零件缩放量，轮廓一致性公差最小可做到±(14+7) μm，优于扁平细长带钩零件现行人工检验标准的一致性要求。通常而言，一致性公差设置值越小，检出的零件总数越少。

所以，实际检验生产可根据产品档次要求，合理控制一致性及检验次数，获得最佳的一致性效果和检出率。

4 结束语

针对目前某种扁平细长带钩零件依靠人工检测的现状，设计了一种基于视觉的自动化形状检验系统，利用优化的硬件以及软件检测算法，实现了高效、稳定、高精度检验，系统具有以下优点：

(1)优化的检测算法可降低脏物颗粒及图像噪声造成的影响，提高检测的可靠性，大幅提高检出率。

(2)在70枚/min的检测速度下，检测效果达到预设要求，误检率为0，检出率可通过递进检测法大幅提高至93%～99%。检测系统一致性效果可控，最低可达±(14+7) μm。

(3)该系统的应用有效地解决了人工检验速度慢、精准度低等问题。