基于机器视觉的弹簧承载座缺陷检测研究

《基于机器视觉的弹簧承载座缺陷检测研究》论文发表期刊：《自动化与仪器仪表》；发表周期：2021年05期

《基于机器视觉的弹簧承载座缺陷检测研究》论文作者信息：李倩( 1994－) ，女，河南，硕士，主要研究方向为电能计量。

　　摘要：针对弹簧承载座人工检测效率低、劳动强度大等问题，对弹簧承载座缺陷种类及缺陷特征进行了研究，并对其缺陷检测流程进行了分析归纳，提出了一种基于机器视觉的弹簧承载座缺陷检测方法，实现了缺陷检测自动化。通过中值滤波算法对图像进行预处理，去除图片噪声;提出了一种两步找圆的方法，确定检测区域尺寸，再通过对检测区域进行掩膜操作，实现弹簧承载座焊渣和缺口缺陷检测;通过基于边缘点的模板匹配算法来判断字符的完整性。实验结果表明，以上方法能够准确判断弹簧承载座尺寸、焊渣、缺口以及字符等缺陷，检测正确率达到98%。

　　关键词：机器视觉;中值滤波;特征圆提取;掩膜操作;模板匹配

　　Abstract: Aiming at the problems of low detection efficiency and high labor intensity of the spring bearing shell, the types and defects of the spring bearing shell are studied, and the defect detection process is analyzed and summarized. A spring bearing shell detection algorithm based on machine vision is proposed to realize the automation of defect detection. The image is preprocessed by the median filtering algorithm to remove the picture noise. A two-step circle location method is proposed to determine the size of the detection area, and then the masking operation is performed on the detection area to realize the detection of the slag and notch defects of the spring bearing shell. The character integrity is determined by an edge-based template matching algorithm. The experimental results show that the algorithm above can accurately determine the size of the spring bearing shell, welding slag, notch and characters , and the detection accuracy reaches to 98%.

　　Key words: machine vision; median filter; feature circle extraction; mask operation; template matching

　　0引言

　　弹簧承载座表面缺陷主要包括焊渣、缺口、标识不清、尺寸不合格等。传统检测方法依靠人工日测、手感和积累的经验来判断弹簧承载座表面缺陷类型，使用游标卡尺、塞规等量具检测孔径尺寸，劳动强度大，工作效率低，存在主观因素的干扰，因此这种人工检测的方式已不能适应现代工业高速发展的要求。机器视觉的出现使得检测效率大大提高，生产更趋于自动化，在工业领域得到越来越广泛的应用"。本文利用机器视觉技术开发了一个针对弹簧承载座表面缺陷与尺寸缺陷的在线检测系统，通过图像采集设备获取弹簧承载座图像，应用图像处理相关技术获取目标特征等信息，最终实现弹簧承载座尺寸参数测量及边缘缺口缺陷特征识别。此检测技术不仅减轻了工人的工作强度，提高了工作效率，还可以将所获得的数据建立数据库，进行统计、归纳分析为弹簧承载座的生产工艺改进提供支持。本文采用基于机器视觉的非接触式检测方式，设计一套适应于弹簧承载座在线拍照的特征图像采集系统，然后运用两步找圆法获取图像中的弹簧承载座内孔圆轮廓进而确定尺寸;之后在相关RO1区域进行掩膜操作，找出弹簧承载座焊渣和缺口等表面缺陷;最后应用基于边缘点的模板匹配算法检测弹簧承载座上表面。型字符的完整性。一套系统完成3种缺陷检测，极大的提高了检测效率，节约检测成本。

　　1缺陷的分类及检测要求

　　矩弹簧承载座如图1所示，其主要检测要求包括：

　　(1)内孔圆与外圈圆的直径是否在允许的公差范围土0.01 mm内;(2)内孔圆四周是否有大于0.5 mm的焊渣;(3)外圈圆上是否有缺口;(4)弹簧承载座表面"0"圆形标志是否清晰。

　　将要检测的特征信息清晰的凸显出来，是实现快速在线缺陷检测的重要前提。单一的光源照射不能同时满足多个特征检测的需求，需根据不同的检测对象选择相应的照明方式，因此选用背光源和环形光源构成组合光源对弹簧承载座同时打光2。背光源放置于弹簧承载座的下方，背光源发出的光照射到弹簧承载座表面，在表面边缘分界处会显示出灰度变化明显的轮廓特征，此外环形光源放置于弹簧承载座正面打光时，光线照射到弹簧承载座上形成反射，在成像的过程中，使圆形标志区域像素的灰度值与周围区域灰度值差别明显。图2所示为弹簧承载座在组合光源照射下获取的图像，其中图2(a)是正常件图像，图2(b)~图2(d)为零件几种常见缺陷的图像。

　　2系统方案

　　由于人工检测弹簧承载座工作强度大且容易带有人的主观情绪，造成检测结果有随机性，并且检测效率不高，因此我们提出采用机器视觉技术代替检测工人，不仅可以高效的检测缺陷还能把缺陷数据分析后存入数据库系统。

　　系统工作原理，如图3所示。主要由三部分组成，图像的获取、图像的分析与处理、结果输出与分拣执行机构[3]。该检测系统硬件包括：计算机、工业CCD数字相机、百万级工业镜头、固定光源的机械结构、图像分析处理软件、外围运动控制部分等。

　　系统三维建模示意图，如图 4 所示。组合光源、相机镜头固定在设备支架上的相应位置处，弹簧承载座放置于平台上的治具内，工作时减速电机驱动链板机匀速转动，在计算机检测系统程序控制下，当图像采集控制传感器感应到弹簧承载座运动到相机正下方时触发相机采集图片，再把采集得到的图片传输到系统检测模块进行图像分析与处理。根据图像处理结果控制分拣执 行机构把不合格零件挑选出来。

　　3 图像分析处理

　　3. 1 图像预处理

　　由于 CCD 相机固定到链板机上进行图像采集，在工作时链板机产生震动、相机自身灵敏度以及检测设备放置 于冲压件检测车间灰尘较多等因素的影响，造成采集的图像中会存在一些随机噪声，经过分析主要是椒盐噪声。带有噪声的图像会对后续的图像处理造成严重的干扰以至于判别结果出现错误，因此有必要去除图像噪声。中值滤波器输出的像素值为相应像素邻域中的中值，对异常值不敏感，可以在不减小图像对比度的情况下减小异常值的影响，也就是说在抑制噪声的同时还可以很好的保留图像边缘[5-1]，且对椒盐噪声的去除效果很好，因此采用中值滤波完成图像预处理中的去噪处理。图5(a)所示为原始图片，图5(b)所示为经过中值滤波处理后的图片，经两图对比可以看出，经过中值滤波预处理后，图像的清晰度得到改善，待检测特征突出，更有利于图像处理程序的读取判别。

　　3. 2 内孔圆尺寸测量

　　一副数字图像可用一个二维函数 f( x，y) 来表示，其中 x，y 表示平面坐标，在任一点( x，y) 的幅值 f 称为图像在该点的灰度，灰度的范围在 0 至 255 之间。如图 6( 1)所示，为使弹簧承载座的中心孔区域从整幅图片中分离 出来，需要对图片进行分割，由于中心孔区域与周围的 垫片区域灰度值对比明显，采用图像二值化方法[7]分离 中心孔，如式( 1) 所示。

　　由于背光源的作用，中心孔区域亮度大，导致该区域的灰度值较大因此在二值化后被保留了下来，再通过 Blob 分析如长度、面积等统计特征，最终把中心孔区域从背景图像中提取出，如图 6 所示[8-10]。

　　为了检测弹簧承载座内孔的尺寸是否在允许的公差范围内，需要对内孔圆进行准确查找，本文提出了一种在检测流水线上自动两步准确找圆的方法。第一步，使用Halcon方法库中的Smallest-cirele函数，拟合出上文中二值化方法提取出的内孔区域的最小外接圆，由于二值化方法提取出的内孔区域与真实的内孔有较大差别，因此拟合出的圆与真实内孔圆有误差。第二步，使用封装的检测圆的Spoke算子，根据第一步粗略得出的内孔圆的圆心(xo，yo)和半径R，拟合出精准的内孔圆[11-1]，过程如下：以第一步得出的内孔圆周为基础，取内径为R-Ro，外径为R+R，的环形区域设置为检测区域，设置检测方向为"outer"即查找在检测范围内由圆心指向边缘点方向上灰度值变化超过设置范围的点，再用这些点拟合出的圆即为弹簧承载座内孔圆的边缘线，拟合出的圆如图7所示。

　　通过像素尺寸标定能够计算每个像素所代表的实际长度(以mm为单位)，根据两步找圆法测得的内孔圆直径像素值转换成真实长度值与允许的长度范围进行比较判断内孔圆尺寸是否合格。

　　3.3焊渣与缺口缺陷检测研究

　　3.3.1 焊渣缺陷检测方法与实现

　　以上文得到的内孔圆为基础，对内孔圆边缘进行数学形态学操作，令内孔圆向圆心方向收缩 3-5 个像素后形成闭合的连通区域，再对此连通区域进行掩膜分析，根据掩膜分析结果判断内孔圆内是否存在焊渣。

　　如图 8 所示，对腐蚀后的内孔圆区域进行二值化得 到掩膜图像，掩膜图像与原始图像进行“异或”运算后得 到焊渣连通区域。

　　3. 3. 2 缺口缺陷检测方法与实现

　　将弹簧承载座最大外边缘上缺损区域视为缺口，通 过掩膜分析找出缺口区域。具体的实现算法如下: 通过 两步找圆法得到弹簧承载座最大外圈圆边缘，如图 9(1)所示，在此区域内通过阈值分割样品区域得到掩膜图像如图9(2)所示，将完整边缘内的图像与掩膜图像相减，便得到缺口区域如图9(3)(红色区域)，对缺口区域进行斑点分析，以斑点面积特征来判别缺陷。

　　3.4 字符识别

　　弹簧承载座上表面两个0型刻印标识，如图10红色框中所示，本系统需要检测这两个标识的完整性，因此将被测件表面的刻印标识提取出来，采用模板匹配进行检测。常用的模板匹配方法大概有以下两种：基于灰度值的模板匹配与基于特征的模板匹配。由于弹簧承载座放置于检测流水线上的治具内，由于机械振动和零件与治具之间存在缝隙，弹簧承载座在治具内不可避免的回产生一些平移和旋转，因此基于灰度的模板匹配不适用于本检测系统。

　　本系统采用基于特征的模板匹配，通过提取0标识的点、线、面等特征，对特征进行参数描述，然后用所描述的参数进行匹配的一种算法。基于特征匹配所用的模板是由检测目标的边缘点集组成，通过计算两个点集的Hausdorf距离进行匹配。Hausdorf距离是一种定义于两个点集上的最大-最小距离，主要用于测量两个点集的匹配程度。给定两个有限点集A=1 a，a2，..，a，和B=1b，2，.，b)，则A，B之间的Hausdorff距离定义如下式(2)：H(A，B)= maxt h(A，B)，h(B，4)}(2)式中h(A，B)为从点集A到点集B的有向Hausdorff距离，h(B，4)为点集B到点集A的有向Hausdorff距离。

　　将轮廓线分成若干段，计算特征段之间的Hausdorff距离来表征它们的相似程度，在理想情况下，两个可匹配的轮廓线之间的Hausdorff距离为0，但由于采集图片时的噪声影响，可匹配的轮廓线之间的Hausdorf距离不会是0，而是在一定的容差e范围内[1-17)

　　3实验与验证

　　使用本系统对500个弹簧承载座进行实验，自动采集图片并进行图像处理，结果输出控制执行机构挑选出不合格件，系统检测程序显示界面如图10所示。被检测的500个弹簧承载座中存在10个缺陷零件，其中有4个是存在焊渣，6个缺口缺陷，其余均是合格件，缺陷率为2%。令A表示实际有缺陷的零件检测为有缺陷的零示实际有缺陷的零件检测为无缺陷的零件，D 表示实际无缺陷的零件检测为无缺陷的零件。

　　5 结论

　　本研究提出了一种将机器视觉应用到弹簧承载座表面质量检测的方法，针对视觉系统所获得的图像进行算法分析判断是否存在缺陷，有效克服了人工检测的主观性带来的误差和效率低，具有非接触、操作简单、精度 高等优点。经试验验证本系统对弹簧承载座表面质量 的检测正确率达到了98% ，证明了其可行性。

　　参考文献

　　[1]Huang S H，Pan Y C.Automated visual inspection in the semiconductor industry：A survey[J].Computers in Industry，2015，66(1)：1-10.

　　[2]郑容，邻新凯，杨国胜，机器视觉系统原理及应用[M].北京：中国水利水电出版社，2014.

　　[3]刘学山，岳喜顺一种基于智能相机和机器视觉的电池极片检测系统的设计[J].机械设计与制造，2011，2：5-7.

　　[4]余锦华，汪源源，基于各向异性扩散的图像降噪算法综述[J].电子测量与仪器学报，2011，2(25)：105-116.

　　[5]张恒，雷志辉，丁晓华.一种改进的中值滤波算法[J].中国图形图像，2004，4(9)：408-411.

　　[6]Brow nrigg D.The weighted median filter[J].IEEE Transactions on power electronics，1992，7(1)：240-250.

　　[7]詹青龙，卢爱芹，李立宗，等，数字图像处理技术[M].北京：清华大学出版社，2010.

　　[8]王韦帆.二次融合在图像处理中的应用[J].自动化与仪器仪表，2015，(4)：182-183.

　　[9]陈广锋，管观洋，魏鑫，基于机器视觉的冲压件表面缺陷在线检测研究[J].激光与光电子学进展，2018，55(1)：341-347.

　　[10]刘馨，周彬，秦玉娟·基于Halcon的金属零件矩形度检测算法研究[J].自动化与仪器仪表，2017，(7)：31-32+35.

　　[11]梅跃松，杨树兴，莫波，等·基于Canny算子的改进的图像边缘检测算法[J].激光与红外，2006，6(36)：501-503.

　　[12]罗文婷，李中轶，李林，等，基于改进Canny算法的道路标线自动识别及定位[J].西南通大学学报，2018，53(6)：1253-1260.

　　[13]李克斌，余厚云，周申江基于形态学特征的机械零件表面划痕检测[J].光报，2018，38(8)：260-266

　　[14]Huttenlocher D P，Klanderman G A，Ruckldgew J.Compa-ring image using the Hausdorff distance[J].IEEE Transactions onPAM 1，1993，156(9)：850-863.

　　[15]陈麒麟，王东兴，林建钢，等，冲压磨削平板类零件的表面缺陷检测[J].锻压技术，2020，45(6)：168-174.

　　[16]檀甫贵，邹复民，刘丽桑，等，基于机器视觉的软包锂电池表面缺陷检测[J].福建工程学院学报，2020，18(3)：267-272.

　　[17]陈广锋，管观洋，魏鑫，基于机器视觉的冲压件表面缺陷在线检测研究[J].激光与光电子学进展，2018，55(1)：341-347.