萬 好，肖堯先，李偉光

（1.南昌航空大學(xué)航空制造工程學(xué)院，江西南昌 330063；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州 510641）

0 引言

氣門是汽車發(fā)動(dòng)機(jī)關(guān)鍵零部件之一，對(duì)發(fā)動(dòng)機(jī)性能和壽命有重要的影響。隨著我國(guó)經(jīng)濟(jì)的發(fā)展，在對(duì)汽車需求量與日俱增的同時(shí)，氣門市場(chǎng)迎來了高速發(fā)展，但是目前國(guó)內(nèi)多數(shù)的氣門生產(chǎn)廠家仍采用人工生產(chǎn)方式，機(jī)械化、自動(dòng)化水平低，生產(chǎn)的產(chǎn)品質(zhì)量不穩(wěn)定，易受操作人員的因素影響，難以滿足巨大的市場(chǎng)需求和不斷提高的產(chǎn)品質(zhì)量要求[1]。氣門電鐓成型是氣門生產(chǎn)過程中的一個(gè)重要工序，但加工環(huán)境惡劣，自動(dòng)化程度低，因此，基于氣門電鐓成型加工工序的特點(diǎn)，不斷提高氣門電鐓成型過程中各環(huán)節(jié)的自動(dòng)化水平具有十分重要的意義。

現(xiàn)代機(jī)器視覺技術(shù)是以20世紀(jì)80年代初，Marr提出的視覺系統(tǒng)框架為基礎(chǔ)發(fā)展起來的，機(jī)器視覺技術(shù)現(xiàn)已廣泛應(yīng)用于裝備制造、工業(yè)部件檢測(cè)、包裝檢測(cè)、印刷檢測(cè)、工業(yè)測(cè)量等領(lǐng)域[2]。

針對(duì)發(fā)動(dòng)機(jī)氣門電鐓成型加工的特點(diǎn)，本文將機(jī)器視覺理論與技術(shù)引入發(fā)動(dòng)機(jī)氣門電鐓成型過程，設(shè)計(jì)了基于機(jī)器視覺的發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)檢測(cè)系統(tǒng)，通過該系統(tǒng)替代人工檢測(cè)方式，將氣門電鐓成型各設(shè)備有機(jī)結(jié)合起來，實(shí)現(xiàn)發(fā)動(dòng)機(jī)氣門電鐓成型的全自動(dòng)化。

1 發(fā)動(dòng)機(jī)氣門電鐓成型

本項(xiàng)目前期研究中已實(shí)現(xiàn)采用機(jī)器人與機(jī)械手配合電鐓機(jī)，構(gòu)成氣門電鐓成型系統(tǒng)，實(shí)現(xiàn)了氣門電鐓成型的自動(dòng)化。該系統(tǒng)中，通過機(jī)器人與機(jī)械手從電鐓機(jī)中取出待沖壓的氣門棒料并放入沖壓機(jī)中，當(dāng)檢測(cè)氣門棒料正常入模后沖壓機(jī)完成沖壓成型。發(fā)動(dòng)機(jī)氣門電鐓成型加工設(shè)備包括：電鐓機(jī)、四軸搬運(yùn)機(jī)器人、沖壓機(jī)和兩軸搬運(yùn)機(jī)械手，各種設(shè)備的現(xiàn)場(chǎng)布局如圖1所示。

圖1 氣門電鐓成型設(shè)備現(xiàn)場(chǎng)布局示意圖

完整的發(fā)動(dòng)機(jī)氣門電鐓成型過程分為六步工序：

（1）三臺(tái)電鐓機(jī)按次序電鐓氣門棒料；

（2）機(jī)器人依次從電鐓機(jī)中夾取電鐓后的待沖壓氣門棒料并轉(zhuǎn)移到機(jī)械手；

（3）機(jī)械手把待沖壓氣門棒料放入沖壓機(jī)模具中；

（4）人工判斷氣門棒料入模狀態(tài)并給沖壓機(jī)發(fā)送沖壓指令；

（5）沖壓機(jī)對(duì)氣門棒料進(jìn)行沖壓成型；

（6）機(jī)械手把成型后的氣門放入落料框中。

該氣門電鐓成型系統(tǒng)已基本實(shí)現(xiàn)氣門電鐓成型自動(dòng)化，但在使用過程中發(fā)現(xiàn)，當(dāng)執(zhí)行工序（3），即機(jī)械手把待沖壓的氣門棒料放入沖壓機(jī)模具中時(shí)，有時(shí)會(huì)出現(xiàn)棒料不能正常入模的現(xiàn)象，而工序（4）中，對(duì)發(fā)動(dòng)機(jī)氣門棒料入模與否、入模位姿是否正確則完全憑借操作人員的目測(cè)與經(jīng)驗(yàn)進(jìn)行判斷。若判斷錯(cuò)誤，工序（5）中沖壓機(jī)的沖壓頭將繼續(xù)沖壓，不僅會(huì)生產(chǎn)出廢品，還會(huì)損壞模具。因此，尋找適當(dāng)?shù)姆椒▉頇z測(cè)電鐓后的棒料能否正常入模，是確保該系統(tǒng)穩(wěn)定工作的要點(diǎn)。

本文采用基于機(jī)器視覺的靜態(tài)檢測(cè)系統(tǒng)，代替人工檢測(cè)方式對(duì)發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)進(jìn)行檢測(cè)。通過采集氣門棒料入模狀態(tài)的圖像，經(jīng)圖像預(yù)處理[3]、圖像處理與分析，檢測(cè)出氣門棒料是否正常入模，再通過機(jī)械手和機(jī)器人做出相應(yīng)處理，很好的銜接工序（3）與工序（5），將棒料入模、狀態(tài)檢測(cè)和沖壓成型完全通過計(jì)算機(jī)控制，實(shí)現(xiàn)整個(gè)加工流程的自動(dòng)化。

2 視覺檢測(cè)系統(tǒng)

視覺檢測(cè)系統(tǒng)負(fù)責(zé)的是對(duì)氣門棒料入模狀態(tài)進(jìn)行圖像采集、圖像處理與分析，當(dāng)檢測(cè)到氣門棒料正常入模后，讓沖壓機(jī)工作使后續(xù)加工工序順利進(jìn)行；在檢測(cè)到氣門棒料未能正常入模時(shí)，協(xié)調(diào)沖壓機(jī)、機(jī)器人和機(jī)械手進(jìn)行相應(yīng)處理。為了提高圖像處理效率，系統(tǒng)給用戶提供了檢測(cè)的“感興趣區(qū)域”選擇功能，即用戶可以通過人機(jī)交互的方式在采集到的圖像中框選出感興趣的區(qū)域，以此來縮小圖像處理范圍、提高處理效率[4]。視覺檢測(cè)系統(tǒng)采用結(jié)合了開源的計(jì)算機(jī)視覺庫OPENCV的VC++6.0為軟件開發(fā)平臺(tái)，由于OPENCV采用優(yōu)化C代碼編寫，能夠充分利用多核處理器的優(yōu)勢(shì)，獲得更高的檢測(cè)速度[5]。

2.1 圖像采集

圖像采集采用CCD數(shù)字相機(jī)完成發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)圖像的采集。當(dāng)兩軸機(jī)械手將待沖壓氣門棒料放入沖壓模具后，視覺檢測(cè)系統(tǒng)調(diào)用OPENCV中cvCreateCameraCapture函數(shù)訪問并開啟圖像采集設(shè)備，對(duì)待視覺檢測(cè)區(qū)域進(jìn)行拍攝，再調(diào)用cvQueryFrame函數(shù)抓取并返回一幀圖像數(shù)據(jù)，發(fā)動(dòng)機(jī)待沖壓氣門棒料入模的實(shí)際采集圖像如圖2所示。

圖2 發(fā)動(dòng)機(jī)氣門桿入模正常狀態(tài)

2.2 圖像預(yù)處理

采集到的圖像在經(jīng)過人機(jī)交互模塊后，處理范圍被縮小至用戶所框選出的感興趣區(qū)域，但為進(jìn)一步提高處理速度并且使區(qū)域特征更加明顯，感興趣區(qū)域的圖像還要經(jīng)過一定的預(yù)處理過程。圖像預(yù)處理包括濾波處理、閥值化等。

在發(fā)動(dòng)機(jī)氣門電鐓成型現(xiàn)場(chǎng)環(huán)境中，獲取的初始圖像帶有各種噪聲，需要對(duì)圖像進(jìn)行濾波處理消除噪聲干擾。中值濾波[6]是抑制噪聲的非線性處理方法，簡(jiǎn)單方便，能較好地保護(hù)目標(biāo)區(qū)域。在OPENCV中調(diào)用cvSmooth函數(shù)并使用CV_ME?DIAN類型，對(duì)初始圖像進(jìn)行中值濾波。電鐓后的發(fā)動(dòng)機(jī)氣門棒料在由兩軸機(jī)械手放入沖壓機(jī)模具中時(shí)處于高溫紅熱狀態(tài)，在將RGB圖像轉(zhuǎn)換成灰度圖像后，棒料所反映出的灰度值都較大，最大灰度值為255。閥值化[7]處理，是通過設(shè)定閥值，將灰度值低于閥值的像素點(diǎn)剔除（即將灰度值設(shè)為0）。對(duì)眾多圖像數(shù)據(jù)進(jìn)行分析后可知，沖壓模具的灰度值一般在112以下，可以將其設(shè)定為閥值，對(duì)感興趣區(qū)域中低于此閥值的像素點(diǎn)剔除。

圖3 圖像預(yù)處理前（左）后（右）

2.3 圖像處理及分析

數(shù)字圖像處理是指使用電子計(jì)算機(jī)對(duì)量化的數(shù)字圖像進(jìn)行處理，具體地說就是通過對(duì)圖像進(jìn)行各種加工來改善圖像的外觀，是對(duì)圖像的修改和增強(qiáng)。本文運(yùn)用圖像處理算法對(duì)預(yù)處理后的圖片進(jìn)行處理，將入模后的氣門棒料突顯出來。數(shù)字圖像分析是指對(duì)圖像中感興趣的目標(biāo)進(jìn)行測(cè)量和檢測(cè)，以獲得可觀的信息[8]。針對(duì)發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)檢測(cè)的要求，灰度平均值、灰度腐蝕和模板匹配檢測(cè)算法方案都可以達(dá)到檢測(cè)目的。

（1）灰度平均值

氣門正常入模時(shí)圖像像素的灰度平均值與氣門沒有入模時(shí)圖像像素的灰度平均值存在較大的差異，經(jīng)過對(duì)大量的氣門棒料入模圖片進(jìn)行分析，得出灰度平均值在200以上可認(rèn)為待沖壓氣門棒料已正常入模。因此，可以以此灰度平均值作為分辨氣門是否正常入模的依據(jù)。當(dāng)檢測(cè)到圖像中灰度平均值大于200時(shí)，可以認(rèn)為模具口上存在高溫紅熱的氣門棒料，即氣門已正常入模；反之，則可認(rèn)為氣門沒有入模。

（2）灰度腐蝕[9]

令F表示預(yù)處理后得到的灰度圖像，S為結(jié)構(gòu)元素，使用S對(duì)F進(jìn)行腐蝕，記作FΘS，形式化地定義為：

其中Ds是S的定義域，計(jì)算過程相當(dāng)于讓結(jié)構(gòu)元素在圖像F的所有位置上滑過，而在此過程中要保證（x+x’，y+y’）始終在圖像F之內(nèi)。腐蝕結(jié)果FΘS在其定義域內(nèi)每一點(diǎn)（x，y）處的取值為以（x，y）為中心，在S規(guī)定的局部領(lǐng)域內(nèi)F與S之差的最小值。本文采用的S為一橢圓形結(jié)構(gòu)元素對(duì)圖像進(jìn)行灰度腐蝕，若復(fù)試后圖像上仍存在灰度值大于200的像素，則證明模具口上存在高溫紅熱的氣門棒料，即氣門棒料已準(zhǔn)確入模；反之，則證明氣門棒料沒有正常入模。

（3）模板匹配

模板匹配算法[10-11]用于計(jì)算兩幅圖像之間的相似程度。具體做法是：以其中一幅圖像為基準(zhǔn)圖像，另一幅圖像為模板圖像（一般來說模板圖像的大小都要小于或等于基準(zhǔn)圖像的大?。?，在基準(zhǔn)圖像上逐點(diǎn)移動(dòng)模板圖像，計(jì)算在模板圖像覆蓋的范圍內(nèi)，模板圖像與基準(zhǔn)圖像的灰度相關(guān)值，相關(guān)值最大的點(diǎn)則被認(rèn)為是模板圖像與基準(zhǔn)圖像相似度最大的地方，即最佳匹配點(diǎn)。

對(duì)于大小為M×N的基準(zhǔn)圖像f（x，y）和大小為J×K的模板圖像w（x，y），f與w灰度相關(guān)度值計(jì)算公式可表示為：

將一張氣門正常入模照片作為模板圖像，然后以此模板圖像對(duì)后續(xù)檢測(cè)圖像進(jìn)行模板匹配，若模板圖像與檢測(cè)圖像的灰度相關(guān)值大于閥值，則證明檢測(cè)氣門正常入模；反之，則氣門棒料沒有正常入模。

2.4 視覺檢測(cè)流程

發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)視覺檢測(cè)系統(tǒng)開啟后，用戶可以通過人機(jī)交互界面中的按鈕給系統(tǒng)發(fā)送變更當(dāng)前感興趣區(qū)域的請(qǐng)求。當(dāng)系統(tǒng)檢測(cè)到變更感興趣區(qū)域請(qǐng)求后，攝像頭將自動(dòng)拍攝并把最初圖像顯示在人機(jī)界面中，用戶可以通過鼠標(biāo)框選感興趣區(qū)域（即框選待沖壓氣門棒料所在位置）。圖像處理模塊將對(duì)用戶框選的感興趣區(qū)域圖像進(jìn)行處理并按照檢測(cè)算法分析出結(jié)果，如果用戶對(duì)分析結(jié)果不滿意，可以重新選取感興趣區(qū)域，如果滿意則保存當(dāng)前感興趣區(qū)域坐標(biāo)并寫入數(shù)據(jù)庫。視覺檢測(cè)系統(tǒng)讀取感興趣區(qū)域坐標(biāo)，系統(tǒng)將進(jìn)入正常的工作模式，即攝像頭自動(dòng)拍攝，圖像處理模塊自動(dòng)處理圖像及輸出分析結(jié)果。

發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)視覺檢測(cè)方案軟件系統(tǒng)流程圖如圖4所示。

圖4 靜態(tài)檢測(cè)方案軟件系統(tǒng)流程

3 實(shí)驗(yàn)與分析

構(gòu)建了發(fā)動(dòng)機(jī)氣門入模狀態(tài)視覺檢測(cè)系統(tǒng)硬件平臺(tái)，通過實(shí)驗(yàn)測(cè)試了上述檢測(cè)算法的時(shí)效性與準(zhǔn)確性，經(jīng)過與人工檢測(cè)方式對(duì)比，得到最適合氣門電鐓成型中發(fā)動(dòng)機(jī)氣門入模狀態(tài)檢測(cè)要求的檢測(cè)算法。

3.1 實(shí)驗(yàn)硬件平臺(tái)

發(fā)動(dòng)機(jī)氣門入模狀態(tài)視覺檢測(cè)系統(tǒng)包括以下幾部分：工業(yè)相機(jī)、鏡頭、相機(jī)支架、磁力表座、圖像處理單元。本系統(tǒng)所采用的CCD工業(yè)相機(jī)為德國(guó)ImageSource公司的DMK51BU02.H，分辨率1 600×1 200，幀率12幀/秒，且相機(jī)集成了硬件降噪功能；鏡頭選用日本PENTAX公司的C5028-M相機(jī)鏡頭，焦距50 mm；使用磁力表座是為了固定相機(jī)支架與相機(jī)，防止抖動(dòng)對(duì)圖像采集產(chǎn)生影響；為了方便與計(jì)算機(jī)控制程序通信以及共享計(jì)算資源，使用研華IPC-610H（處理頻率3.0 GHz，內(nèi)存1GB）工控機(jī)作為圖像處理單元；由于發(fā)動(dòng)機(jī)氣門桿入模狀態(tài)檢測(cè)不需要獲得氣門表面的細(xì)微特征，且處于高溫狀態(tài)下的氣門本身就是發(fā)光體，所以不需要補(bǔ)充其他光源。視覺檢測(cè)系統(tǒng)硬件平臺(tái)如圖5所示。

圖5 視覺檢測(cè)系統(tǒng)硬件平臺(tái)

3.2 視覺檢測(cè)算法性能實(shí)驗(yàn)

分別應(yīng)用灰度平均值、灰度腐蝕和空域及頻域下模板匹配這四種檢測(cè)算法方案，對(duì)發(fā)動(dòng)機(jī)氣門棒料入模狀態(tài)進(jìn)行檢測(cè)并對(duì)檢測(cè)結(jié)果的時(shí)效性和準(zhǔn)確性做出分析，再通過跟人工檢測(cè)方式進(jìn)行對(duì)比選出最適合氣門電鐓成型的檢測(cè)算法方案。

四種視覺檢測(cè)算法方案得到結(jié)果如圖6所示。

四種算法在準(zhǔn)確性和時(shí)效性方面的性能如表1所示。

圖6 氣門桿入模狀態(tài)視覺檢測(cè)效果對(duì)比圖

表1 各檢測(cè)算法檢測(cè)性能

由檢測(cè)結(jié)果可知，四種視覺檢測(cè)算法方案均能夠檢測(cè)出氣門棒料是否正常入模，均能夠滿足氣門電鐓成型對(duì)視覺檢測(cè)系統(tǒng)的準(zhǔn)確性的要求。但是各算法執(zhí)行時(shí)間卻有著較大差異，其中，灰度平均值檢測(cè)方案具有良好的時(shí)效性，頻域模板匹配法次之，而其他兩種檢測(cè)方案則不理想。所以視覺檢測(cè)方案選用灰度平均值法，在時(shí)效性和準(zhǔn)確性方面均能夠滿足氣門電鐓成型加工需要。

此外，將采用灰度平均值檢測(cè)方案的視覺檢測(cè)系統(tǒng)與人工檢測(cè)進(jìn)行對(duì)比，視覺檢測(cè)方式在時(shí)效性和準(zhǔn)確性兩個(gè)方面都明顯優(yōu)于人工檢測(cè)方式。

4 結(jié)論

本文提出了一種基于機(jī)器視覺的發(fā)動(dòng)機(jī)氣門入模狀態(tài)檢測(cè)方式，在分析發(fā)動(dòng)機(jī)氣門電鐓成型工藝流程及構(gòu)建視覺檢測(cè)系統(tǒng)硬件平臺(tái)的基礎(chǔ)上，對(duì)圖像中用戶所選擇的感興趣區(qū)域進(jìn)行發(fā)動(dòng)機(jī)氣門入模狀態(tài)檢測(cè)。通過分析多種視覺檢測(cè)算法結(jié)果，灰度平均值檢測(cè)算法在能準(zhǔn)確檢測(cè)氣門是否正常入模的前提下，以0.028秒的檢測(cè)時(shí)間表現(xiàn)出最優(yōu)性能，并明顯優(yōu)于人工檢測(cè)方式，符合發(fā)動(dòng)機(jī)氣門電鐓成型對(duì)氣門入模狀態(tài)檢測(cè)的準(zhǔn)確性和時(shí)效性的要求，具有良好的工業(yè)應(yīng)用價(jià)值。

［1］何嘉健.機(jī)器視覺技術(shù)在發(fā)動(dòng)機(jī)氣門桿入模狀態(tài)檢測(cè)中的應(yīng)用研究［D］.廣州：華南理工大學(xué)，2012.

［2］蔣君杰.基于機(jī)器視覺的磨削火花分析［J］.制造技術(shù)與機(jī)床，2013（1）：148-151.

［3］ Li Zhuo，Geng Qi Xian.An Image Preprocessing Algo?rithm of Weak and Small Target in Digital Video Interpre?tation System［A］.Electrical and Control Engineering（ICECE），2010 International Conference［C］.2010：388-390.

［4］周靜，郝紅衛(wèi).基于用戶感興趣區(qū)域的圖像檢索方法［J］.計(jì)算機(jī)應(yīng)用研究，2007，24（9）：282-283.

［5］Gary Bradski，Adrian Kaehler.學(xué)習(xí)OpenCV（于仕琪劉瑞禎）.北京：清華大學(xué)出版社，2009.

［6］ Chin-Chen Chang，Ju-yuan Hsiao，Chih-Ping Hsieh.An Adaptive Median Filter for Image Denoising［A］.In?telligent Information Technology Application，IITA'08.Second International Symposium ［C］.2008 （2）：346-350.

［7］徐平，邵定宏，魏楹.最佳閥值分割和輪廓提取技術(shù)及其應(yīng)用［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（2）：437-439.

［8］梁冬泰.多尺度多元圖像分析機(jī)器視覺檢測(cè)理論及其應(yīng)用研究［D］.浙江大學(xué)，2009.

［9］劉俊定，范新南，丁朋華，鄭慶元.基于改進(jìn)Sobel算子的多儀表圖像邊緣檢測(cè)算法［J］.科學(xué)技術(shù)與工程，2012，12（19）：4691-4696.

［10］云艷，高紅俐，沈姍姍.基于機(jī)器視覺技術(shù)的疲勞裂紋自動(dòng)檢測(cè)實(shí)驗(yàn)系統(tǒng)［J］.機(jī)電工程，2012（2）：183-187.

［11］高軍，李學(xué)偉，張建，等.基于模板匹配的圖像配準(zhǔn)算法［J］.西安交通大學(xué)學(xué)報(bào)，2007，41（3）：307-311.