基于线序端子截面的线序检测系统的设计与实现

摘要：线序颜色检测是判断线束生产质量的重要环节，根据特定的应用场景，线序依据颜色有固定的排序格式。利用线束材料主要由胶壳和线束两部分构成的特点，首先在滤波的基础上对线束图像进行二值化处理，从图像中分割出胶壳区域。然后以胶壳区域为基准，定位线束检测区域位置。最后通过颜色模板比对，识别出线束颜色序列。实验结果表明，该方法在线序检测中具有较好的稳定性和准确性。

关键词：线序;颜色;胶壳;分割

中图分类号：TP311        文献标识码：A

文章编号：1009-3044（2022）07-0102-02

1 概述

线束用来连接电子设备的各功能部件，如通讯连接线、屏蔽线、汽车连接线等，连接线是由各种颜色的散线按一定顺序排列组成，不同用途的线束由不同颜色的散线按不同的顺序排列[1]，如图1所示，是常用的汽车线束排序排列。由于生产过程中不可预知因素生产出来的线束颜色没有正确地排列或缺线等问题，直接影响部件传输、通信和监测等功能。正确地检测线束中线序颜色的正确排列尤为重要。

目前靠人眼进行线序颜色检测存在一定的不确定性。因为在线序检测中并排的导线往往较细、个别线束之间的颜色有时会较相似，长时间专注地检测极易引起视觉疲劳，导致漏错或检错，同时这种依靠人工的检测效率较低。

近年来随着机器视觉技术和数字图像处理技术的迅速发展，利用机器视觉技术，通过识别线束颜色[2]，以此来自动检测出线序的正确性，不仅大大提高了产品的检测精度和速度，而且可以避免人工视觉检测所带来的偏差和误差。

线束一般是按不同的颜色排列，利用颜色特征是线序检测中常用的一种有效方法，颜色特征是一种全局特征[3]，对检测对象的尺寸、方向、视角等参数依赖性较小，可以较好地突出线束表面的特征，从而依据颜色特征来检测线序的排列。常用的颜色特征提取方法有颜色直方图、聚合向量和颜色相关向量等。这类方法主要是通过对颜色特征参数的提取来检测颜色的分布情况、颜色的空间、相对位置和相关性等信息，从而给出颜色序列。这类方法需要经过大量的计算，提取颜色特征和生成颜色相关图信息列[4-6]，计算量较大，时间复杂度较高，不适合实时性要求。

本文依据线束实际材料构成区域的不同，提出一种简单有效的新方法，实现基于机器视觉的线束在线检测系统，自动检测线序颜色排列，从而判断线序排列是否符合生产标准，提高检测效率和精度，实际运行表明，系统具有较好的安全性和稳定性。

2 线序检测算法设计

在对线束序列检测技术中，传统的检测方法将整个线束区域作为检测目标，一般用颜色特征对线序进行检测，提取线束的特征。这样检测的结果能够增加检测范围，计算量大。另外，如果存在线束之间相互遮挡、缠绕等问题时，是无法正确检测出线束序列。考虑到这类检测算法准确度较低和算法时间复杂度较高的问题，本文提出一种新的检测方法，方法的出发点完全不依赖于线束的颜色特征，主要从线束本身的材料组成出发来进行分割和线序识别。首先从线束的结构中可知，整个线束可以分为两部分，一部分为线束胶壳截面区域，另一部分为线束区域。其中线束固定在胶壳上，本方法首先识别出胶壳截面的位置，然后选取与胶壳截面平行的部分区域作为检测位置，如图1所示。沿着检测位置区域依次对该位置上的像素检测，提取像素颜色值，即可得出线序的颜色序列。这种方法避免线束交叉遮挡和倒置等误检测影响。

算法的检测流程如图2所示。在将待检测线束放到检测台上进行检测时，自动触发装置，判断线束是否放置到位，然后提取导线检测区的图像。为了去除采集图像的噪音，对图像进行均值滤波平滑。接着对图像进行二值化处理来实现胶壳区域分割。以胶壳平行方向的区域为线序检测方向区域，这个方向包含了所有颜色的导线，不存在导线之间相互掩蔽的情况，在该方向上进行颜色比对，给出线序颜色序列。将比对结果与颜色模板匹配，确定检测结果。分割出胶壳区域后，需要进一步确定线序比对的区域和方向，而不受线束图像在采集时的空间位置限制，图像处理的计算量大，算法效率较低，为实施可移动检测器奠定基础。

胶壳的分割算法是系统线序检测的关键部分，影响到后续线序检测的完整性和准确性。因为采集对象为带有胶壳的线束图像，图像属于非均匀材质，在背光源照明状况下，其自身表现为非均匀亮度图像，从中分割胶壳图像比较困难，必须解决非均匀图像的正确分割问题。非均匀图像适合局部自适应阈值进行分割。在局部自适应技术中，阈值是根据每个像素的邻域特征值来统计的，本系统中采用均值来设计阈值。

另外，由于在胶壳分割过程中，形成一些细小的散点和裂缝及低密度区，影响区域分割的精度，需要消除这部分小区域，通过形态学的开操作来完成。开操作在平滑图像物体的边界时，在不改变其面积的情况下，消除线束图像中的突起。开操作是对图像先腐蚀，再膨胀，其中腐蚀与膨胀使用的模板是一样大小的。同时由于在分割过程中形成一些小的孔洞，会影响胶壳区域分割的完整性，不利于胶壳区域的分割，应用形态学闭操作可以将许多临近的区域相连。闭操作就是对图像先膨胀，再腐蚀。这里首先经过膨胀操作，将多个分开的区域块结合起来，接着通过腐蚀操作，将连通域的边缘和突起进行削平，最后得到的是一个无凸起光滑的完整的连通域。

在进行完成了线束图像的平滑、分割和颜色识别等功能，可以将处理的结果存储在后台数据库中，便于管理员后期对检测数据的统计与检索，对线序有误的检测结果发出报警，同时可以通过Wi-Fi将结果发送至远程移动终端，实现远程监控。

3 系统设计与实施

线序检测系统硬件包括工业相机、工业相机接口卡、工业镜头、专用照明光源、光源控制器等。由于系统设计指标为200mm视场下正确识别线序，且识别速度小于1秒，所以采用2700万像素，14 帧/秒，3/2英寸霸面的工业相机，可满足系统要求。由于相機霸面较大，所以采用线扫镜头与相机匹配。照明光源要求一致均匀，采用现有成熟光源模块设计，光源控制器需要智能闭环局部调节亮度，需采用自行研发光源驱动器满足系统要求。

线束检测系统主要用于对单面单色线，双排单色线颜色顺序及其线的位置进行检测，剔除不良品。系统流程如图3所示，系统主要功能如下。

（1） 系统初始化配置。只要是一般用户作业生产时初始页面，其主要功能为统计/显示当前信息/调用参数。配置信息可以通过三种方式初始化。一是通过参数文件名加载;二是可以扫描工单二维码/一维码加载参数;三是通过预览工艺参数模板加载完成。

（2） 线序识别参数的自动配置。线束识别参数应极少人工干预，能够自动识别线缆位置及其色彩信息。

（3） 线序识别。将放置一根线束在识别区内，确保采样区内线缆根根分明，有间隙，无交叉。提供两种识别模式，分别是胶壳和线束识别。同时可以设置识别区的范围调整，包括识别区到胶壳的距离，识别区的长度范围、消除线束对自动提取胶壳的抗干扰能力。

（4） 报警提示。当识别线束时，胶壳放反即报警。此功能是为防止发生概率极低（约百万分之一）的胶壳正反面判断错误同时所有线束顺序完全相反的错误。系统的软件采用VS.NET作为前台，实现用户交互操作。HALCON作为后台实现线序识别与检测。系统主界面实现如图4所示。

界面主要由以下五部分组成，各个部分的功能如下：

（1） 实时采集图像窗口，显示用户线束的实时图像。

（2） 系统信息提示窗口，用来显示用户操作出现的错误，或者提示用户如何操作，为软件和用户进行交流的窗口。

（3） 用户设置参数窗口，包含用户登录窗口、调用参数窗口、线序识别参数窗口、公共参数窗口等。

（4） 操作控制台窗口。主要控制软件运行等操作。

（5） 线束样本图像窗口，用来显示当前用户参数的线束图像，方便用户确认当前参数的正确性。

系统使用过程为将线束放置在背光源之上，通过调整镜头的焦距及光圈，同时调整光源控制器得到清晰亮度合适的线束图像，然后工业相机采集线束图像，并将图像数据传输到工业计算机中，由计算机负责对线束图像数据进行处理，并给出检测结果及线序颜色序列。

本智能线序检测系统利用机器视觉技术，采集设备CCD摄像机采集线序图像，系统自动提取线序的胶壳图像特征，利用胶壳图像特征进行综合分析，定位线序检测位置，识别线序颜色，然后与标准的颜色模板进行比对，给出检测的结果。同时，

采用识别胶壳或者直接识别线束技术，做到任意摆放线束，提高工作效率达20%以上。具备线间隙自动搜索功能，多根线缆极有可能互相粘连，用户往往要手工分开线缆，浪费时间，此次功能可以降低用户对线缆干涉的频率，提高效率。

4 结论

本系统直接以线束中的胶壳为线索，以分割后的距离胶壳一定距离的平行方向为基准检测位置即基准检测线，对基准线上的像素进行颜色比对，给出所有线序的颜色排列，从而避免大规模数值计算和导线之间因遮挡而产生的漏检问题。同时提高线序检测的速度，满足实时性的要求。系统给出一般性的系统精度，确保准确率在99.63%以上，计时速度在27/fps以上，满足工业检测的效率要求。

参考文献：

[1] 吴宗胜，薛茹.基于颜色聚合向量的线序检测方法[J].计算机测量与控制，2019，27（6）：182-185.

[2] 李进飞，李建强，段玉堂，等.基于深度学习的管道纱线及其颜色检测[J].计算机系统应用，2021，30（6）：311-315.

[3] 余化鵬，李舟，杨新瑞，等.基于目标检测结果的轮廓及颜色识别研究[J].成都大学学报（自然科学版），2019，38（3）：276-280.

[4] 李玉宝.基于机器视觉的表面缺陷检测算法研究[D].长沙：中南大学，2013.

[5] 苏珊.联合颜色和纹理特征的图像显著性检测算法研究[D].南京：南京邮电大学，2020.

[6] 郭高鹏.基于自分类和颜色空间变换的图像特征自动检测[J].自动化与仪器仪表，2020（8）：33-36.

【通联编辑：代影】

收稿日期：2021-10-20

作者简介：王想实（1976—），女 ，内蒙古鄂尔多斯人，副教授，主要研究方向为机器视觉、人工智能。