基于虚拟技术与机器视觉的多规格圆孔工件质量检测*

封居强，黄凯峰，王 晋，杨伟虎，叶海明

(淮南师范学院 a.机械与电气工程学院；b.轨道交通电源与控制工程技术研究中心，安徽 淮南 232038)

0 引言

目前，冷媒铜管多采用不锈钢多规格圆孔工件固定安装。然而，由于工件为冲压加工，部分工件的圆孔边缘存在“毛刺”。安装过程中，这些毛刺极其容易造成铜管损坏。因此，工件生产过程中必须严格的控制“毛刺”问题，或者检测工件质量，淘汰“毛刺”较大的工件。由于加工设备、工艺等原因，控制或提高工件质量较难实现，目前多采用人工目视检测工件质量问题。这种传统的检测方法容易受到检测工人技术水平、责任心、疲劳程度等不稳定因素的影响，误检和漏检率较高[1-2]，且效率低下、一致性差。随着国民经济的快速发展，国内人工成本不断的增加，又受到新型冠状病毒肺炎(Corona Virus Disease 2019，COVID-19)的影响，传统人工目视检测的方法无法满足生产需求。探求基于机器视觉的智能检测方法成为必然趋势。

机器视觉(Machine Vision，MV)是一种以机器视觉产品代替人眼的视觉功能，利用计算机对机器视觉产品采集的图像或视频进行处理，实现对客观世界的三维场景感知、识别和理解的技术[3]。NI具有支持各种工业与科学相机，扩展软件降低应用开发和维护成本及各种工作协议的特点。因此，基于虚拟技术和机器视觉的工业应用受到许多学者的研究和行业的应用。文献[4]以LabVIEW为软件开发平台，结合IMAQ Vision工具包设计了番茄表面霉斑缺陷检测系统；文献[5]利用IMAQ Vision函数库和CCD相机实现了金属自动切割控制；文献[6]采用IMAQ Vision和Vision Assistant函数库，结合工业相机设计了一套餐具分拣系统；文献[7]借用IMAQ Vision提供的几何匹配算法对在线金属工件型号进行快速识别；文献[8]基于LabVIEW以及专用的机器视觉函数库IMAQ Vision和日本Computar公司相机设计了一套对渐开线直齿圆柱齿轮的检测系统，有效的降低人为误差；文献[9]采用Particle Analysis函数计算任意孔坐标，结合CCD相机和PLC控制系统实现了智能插装系统。

为了提高不锈钢多规格圆孔工件质量检测效率、降低生产成本。本文结合现有的机器视觉检测系统，针对多规格圆孔工件提出基于虚拟技术和机器视觉的快速检测方法，并结合工业相机和单元控制系统实现破损元件的筛选。

1 系统构成及基本原理

多规格圆孔工件质量检测系统主要任务是将传送带上质量不合格的工件筛选并剔除。该系统的基本结构图如图1所示，分为上位机和下位机，主要包括图像采集模块、运动控制模块、工件质量检测模块、光源控制模块、缺陷工件图像存储模块和用户管理模块。

图1 系统基本结构图

系统检测模块主要分为生产线的实时检测和离线破损工件分析检测。前者的工作原理为：工件在传送带运行至指定位置，触发源触发、相机采集照片；照片保存在指定位置，同时交给上位机检测系统检测；如果工件存在缺陷，将处理后的照片保存在服务器中，同时控制运动模块将工件剔除。后者离线检测主要是用于缺陷分析，通过分析缺陷的共性寻找造成缺陷的原因和解决方法。整个系统工作原理流程图如图2所示。

图2 系统工作原理流程图

2 硬件系统的设计

2.1 工件分析

多规格圆孔工件作为冷媒铜管安装固定装置，是通过五金冲压加工完成。五金冲压加工性能较稳定、互换性较好、操作相对简单、便于组织生产，在大量生产的情况下，高速压力机每分钟可生产几百上千件，是一种高效的加工方法[10]。但易受到磨具精度影响，加上单调频繁长时间的操作，容易引起精神疲劳和动作不协调，生产的工件存在质量问题。本文的研究主要涉及两个尺寸的规格，具体如图3所示。

图3 工件样本

2.2 图像采集模块

图像采集模块主要由载物平台、光源、相机、一体机等组成。载物平台采用铁管支架；光源采用上海嘉励自动化科技有限公司的开孔型背光源，光源控制器型号MX-APC2-24；控制器和线路使用的是安徽锦希自动化科技有限公司的EDR-75-24。

2.3 运动控制模块

运动控制模块主要由伺服电机、传送装置、电机控制器、推杆和光源触发器构成。主要的功能主要包括3点：①保证工件以均匀的速度前行；②根据工件运行位置准确的控制相机采样；③采样后的图像经过分析控制推杆将不合格的工件剔除。系统设计的运行速度为3件/秒，是传统人工检测的3倍。

3 视觉处理系统设计与分析

本系统以2018版LabVIEW环境为开发平台，利用IMAQ Vision[11]视觉库函数采集工件图像，并对图片进行标定、几何矫正、裁剪、灰度化、二值化等预处理。利用Assistant函数库[12-13]中的Particle Classification函数对两类规格的工件进行识别、分类；Contour Analysis函数进行轮廓分析；Find Cirular Edge函数检测孔的大小。

3.1 检测界面的设计

LabVIEW作为图形化编程语言，相对其它高级语言具有简单明了、函数库丰富、开发周期短等优点[14]，因此本文采用LabVIEW软件进行开发。检测界面作为系统与用户交流的窗口，具有输入、输出、显示等功能。考虑系统的复杂性，设计了实时显示界面、圆孔质量评价界面和圆孔尺寸计算界面，图4为实时显示界面。

图4 系统检测分析界面

图4中参数是按照图2的流程图工作模式设定，将预处理的图片和检测后的图片显示，并以日期-时间的格式保存不合格的图片到指定位置。存在“毛刺”的圆孔检测后以红色标注。

3.2 系统程序设计

系统的程序按照功能要求，采用模块化、层次化设计，主要流程如图2所示。该部分重点介绍IMAQ Vision和Assistant库函数如何实现预处理、检测和计算圆孔大小的实现方法。

(1)预处理

由于工件方向和位置随意性较大，需要进行几何矫正和裁剪等预处理。矫正的程序和对应图像变化结果如图5所示，倾角计算后采用IMAQ Rotate函数实现旋转。

图5 图像矫正图像的程序和变化结果

由于工件的规格大小不统一，在辨识和检测边缘时精确度低，必须需要对图片进行裁剪。图像矫正后采用2次Max Clamp函数处理，获取最大边缘坐标。采用IMAQ Extract Tetragon函数完成裁剪，实现图片尺寸的归一化。

(2)识别和检测

工件分为两种规格，需要识别后方可进行质量检测。工件图像训练和识别过程主要用到Assistant函数库中的Color Plane Extractiong、Particle Classification、Gray Morphlogy和Clamp(Rake)函数。识别过程中最重要的步骤是样本的训练，采用Training Interface参数配置的方式实现样本训练，其中训练方法为最小领域法、度量方法为欧几里德几何法，该方法的识别率为100%。

工件图像识别后主要采用Assistant函数库中的Contour Analysis轮廓分析函数进行检测。该函数实现圆孔的轮廓大小提取、分析和比较，共获得221组数据，包括X轴、Y轴、Curvature(曲率)。利用曲率值与设定阈值比较，任意一个曲率值大于阈值，该圆孔即判定为不合格，标红处理，如图6所示。

图6 工件曲率值和检测结果

由图6可知，圆孔4、6、14和15的曲率值明显大于设定的范围(-0.8～0.8)，因此，检测结果相对应的圆孔标红。而实际工件中的第4、6、14和15圆孔也存在缺陷。通过大量的实验验证可知，工件1阈值设定在-0.13～0.13，工件2阈值设定在-0.8～0.8，准确率达到98%，检测存在误差的主要原因是加工件表面受污染。

(2)圆孔大小计算与分析

系统检测工件边缘“毛刺”外，还需要计算圆孔的大小。低于设定值的圆孔质量也不符合要求。系统采用Assistant函数库中的Image Calibration、Edge Detector、Find Circular和Calper函数实现圆孔直径和椭圆形长短边计算。圆孔半径计算的流程图和计算原理如图7所示。

图7 圆孔半径计算程序和计算原理

根据图7的原理测量工件1和工件2的圆孔大小和工件实际值比较如表1所示。

表1 工件训练和识别主要函数说明

工件1包含两类孔：一类是半径为0.5 cm的圆孔；一类是X轴直径为2.55 cm的椭圆形。两种圆孔测量允许误差为4%和1.5%，对应的绝对误差分别为0.02 cm和0.04 cm。由表2可知，工件1中孔号为2和13的绝对误差分别为-0.04 cm和-0.06 cm，这些孔大于规定误差值不符合质量要求。工件2的测量数据是图7中检测后计算的结果，按照工件1的标准分析表2可知，工件2中孔号为4、6、14和15的绝对误差分别为-0.03 cm、-0.03 cm、0.18 cm和-0.04 cm，这些孔大于规定误差值不符合质量要求。这种半径计算法判断圆孔质量的结果与图7曲率值判断的结果完全相符，并且与工件实际情况相同。

4 总结

本文通过研究传统人工检测存在的问题，从成本、功效和开发效率等方面综合考虑设计一套基于虚拟技术和机器视觉检测多规格圆孔工件质量的系统。针对两种不同规格的工件，分别进行了30片工件质量检测，结果表明该系统识别率为100%、缺陷检测准确率达98%；整个系统在保证准确度的情况下检测速度提高了3倍，有效的降低了生产成本。另外系统还提供圆孔半径计算功能，多角度分析圆孔工件质量问题。