基于结构光的白车身面差三维测量方法

谭毅，严海源，杨延竹

1深圳市宝能汽车有限公司；2东华大学机械工程学院

1 引言

在汽车制造领域中，轿车车身通过一系列零件装配而成，其装配质量与产品外观和各零件质量密切相关[1]。面差是评价装配质量的一种衡量标准，在装配过程中，如果白车身和车门之间存在较大的面差，将直接导致汽车车身的外观不协调和密封性差，无法达到性能要求，因此测量面差对于汽车装配至关重要[2]。要提高产品质量，需提高装配质量，对装配的面差特征进行稳定、精确的测量是最有效的解决途径之一[3]。通过对面差的实时测量，结合电脑反馈的处理结果分析判断，可以快速找到误差源头，提高装配质量，减少后期的维修次数，增加生产利润。

目前对面差特征的测量方法主要有两种：一是接触式测量，主要通过间隙尺、面差尺和面差表等工具进行测量；二是非接触测量，通过光学以及图像处理技术测量面差等特征，主要包括单目结构光及双目结构光测量[4]。采用结构光三维测量方法[5，6]具有快速、高精度、非接触以及方便保存测量数据等优点，现阶段已广泛应用于逆向工程、机械加工和汽车制造等现代产业中。

对白车身和车门之间面差特征测量，国外发达国家已开发出比较成熟的结构光面差三维测量装置，并广泛地应用于在线测量白车身面差特征中[7]。国内高校也相继开发出测量面差的结构光设备以及方法，如陈晓博[8]提出基于双目视觉对白车身面差特征的三维测量方法，通过提取缝隙边缘轮廓线、匹配缝隙线边缘点对以及三维重建等对测量方法进行研究分析。但该方法测量效率低，不适用于需要实时测量的工业现场。结构光三角测量法正在逐步完善，随着自动化程度的较大提升，有效和精确的测量数据为提高装配质量提供了更多支持，在工业测量领域中的运用日益增多[9]。

在上述研究的基础上，本文提出了基于多线结构光的面差三维测量方法。将激光发射器产生的多条激光线投影至被测物体之间，对采集的图像进行去噪处理，根据三角法测量原理，亚像素提取光条纹中心确保精度，将采集到的缝隙间表面点云进行点云预处理，通过查找轮廓线的面差特征点和RANSAC基准直线拟合，计算得到测量结果。分析结果表明，该三维测量方法能有效提升白车身面差测量结果的高效性和精确性，可以满足面差特征测量精度的需求。

2 测量原理及流程

2.1 结构光视觉测量原理

结构光测量原理见图1，激光发射器投射多线结构光至被测物表面，根据采集的光纹二维畸变图像，经三角法解算得到被测物表面三维点云[10]。

图1 结构光测量原理

2.2 测量流程

采用线结构光三维测量方法，在测量白车身面差特征时，由于测量位置复杂和被测物表面材质的性能差异，导致所得到的三维点云数据散乱，车身和车门的间隙存在大量无效点云数据及三维测量时有异常点。这些异常三维点云数据会导致难以对有效点云数据进行处理、面差特征点识别错误以及拟合基准直线时误差较大等问题，因此，要对采集的三维点云数据进行预处理，过滤掉大量无效点云数据和噪点，确保后续的识别定位面差特征点以及基准直线拟合精度。面差特征测量流程见图2。

图2 面差特征测量流程

(1)图像去噪

在车身面差特征测量中，被测物通常由各种材质组成，表面材质性能差异较大，会导致拍摄的图像除有效区域外还包含多余的光条信息。为除去多余的光条信息，一般是在图像中筛选保留被测物体区域，对非被测物体区域进行过滤。对于在多线激光点附近的噪点数据，对点云采用滤波处理[11]。白车身和车门之间的数据一般呈直线段或弧线段，可采用双边滤波进行去噪处理。双边滤波对图像进行带权平滑，相对边缘较远的像素对边缘的像素值影响甚微，这样不仅滤掉了存在的少数噪声点，起到平滑作用，同时还保护了图像边缘信息。

(2)亚像素提取光条纹中心

要测量白车身和车门之间的面差特征，还需精准定位识别光条纹中心线上的面差特征点。因此，光条纹中心提取和面差特征点识别对该结构光三维测量方法尤为关键，一般通过灰度质心法、极值法、几何中心法以及Hessian矩阵法进行光条纹中心提取。灰度质心法通过计算光条纹各截面上的灰度分布质心作为各截面的光条纹中心点。对比其他方法，采用灰度质心法可缩小由灰度分布不对称引起的误差，且该方法计算快速，实现简单。因此，本文采用灰度质心法进行亚像素提取条纹中心轮廓线。

设条纹截面中一点坐标为(xi，yi)，该点灰度值为g(xi，yi)，i=1，2，…，N，截面像素点个数为N，则光条纹某一截面中心点横、纵坐标如下

(1)

图3是拍摄的多激光光条纹图像。右边局部放大的是用灰度质心法提取的亚像素光条纹中心线坐标。

图3 提取光纹中心线

(3)特征点提取

获取到亚像素光条纹中心线坐标后，测量面差特征需精准定位识别光条纹中心线上的面差特征点和1条通过基准面拟合的基准直线。车身与车门之间的面差特征如图4所示，面差为求取面差特征点与基准面拟合直线的垂直距离。

图4 面差特征点

图4中的面差特征点A一般取一条拟合直线与拟合圆弧的交点。使用直线拟合与圆弧拟合求交点的方法容易受四周噪点影响，导致结果不准确且计算复杂，因此提出了寻找斜率差值极大值点的方法。由图可知，特征点A处的斜率突变最大，即通过遍历搜索到斜率突变最大的点记为面差特征点A。遍历光纹中心线上的点，除首尾两点外，依次求取离散点的斜率，每个离散点斜率计算式为

(2)

式中，i为离散点索引；k为该点斜率；X，Z分别为该离散点横坐标和高度值。

求取当前点与下一个点的斜率，再求取两个相邻点间的斜率差值的绝对值Δk，有

Δk=|ki-ki+1|

(3)

判断Δk值是否大于某个阈值，这里设为0.7，将满足该条件的点记为候选特征点，保存该点信息存入容器中，最后从中查找符合条件的最大斜率差值的点(即面差特征点A)。

计算面差特征还需计算基准面拟合直线，根据上述面差特征的定义对参考基准轮廓线进行直线拟合。由于面差特征的形状多样，其中偏离基准拟合直线距离大的点会影响直线拟合精度，因此采用随机抽样一致法进行基准直线拟合。随机抽样一致法与最小二乘法不同，最小二乘法通过计算全部点云数据进行直线拟合，其中偏离距离大的点与噪声点不会被过滤，而是直接参与计算并影响其拟合结果，拟合直线中的异常点云数据的偏差距离越大，其拟合直线误差就越大。在面差特征的三维测量中，难以完全删除内部光条纹中心轮廓附近的噪点。随机抽样一致法是从全部点云数据中选取部分点云数据，再通过余下未被选取的点云数据检验选取的部分点云数据，经一定次数迭代后，最后选择最接近拟合模型的点云集。该方法既降低了一般参数估计方法的拟合误差，还减小了拟合点云数据集中弯线区域对全部点云模型拟合参数的影响。

设全部待拟合点云为M，选取点云集P的最小点数为n，阈值为t，当余下点云在设定的阈值范围内，则保存在候选集里。经过几次迭代后，筛选符合的最佳拟合直线，结合拟合的基准线和特征点的距离求取面差特征。获取的最佳拟合方程可表示为

(4)

3 实验与分析

通过上述研究，采用多线结构光三角测量方法对模拟样件进行实验，实验平台及模拟样件见图5。实验中，采用多线激光器及海康MV-CA050-20UM型号相机(相机分辨率为2592×2048，帧率60fps，靶面大小1")。相机距多线激光器光轴约为60mm，其光轴间的夹角约为15°，工作距离约为200mm。模拟样件高度为1.5mm，白车身面差质量特征要求为±0.1mm。通过实验检测模拟样件的面差是否满足误差范围，以检验白车身面差的有效性。测量18组面差数据，检测结果见表1。

图5 实验平台及模拟样件

可以看出，测量偏差符合面差特征质量技术要求，该方法可以有效提升白车身面差测量的高效性以及稳定性。

4 结语

在白车身装配质量的实际需求中，存在人工测量精度差、效率低等问题，本文提出基于结构光的面差三维测量方法，并在模拟零件面差进行三维测量实验。在面差特征计算过程中，将斜率差值极大值点作为面差特征点，并采用RANSAC算法进行基准直线拟合。分析结果表明，该三维测量方法精度较高，能满足面差特征测量精度的需求。