廖延娜　范坤

摘 要： 精密工件在生產(chǎn)和運(yùn)輸過程中其表面會(huì)產(chǎn)生缺陷，長(zhǎng)度和深度達(dá)到一定值的缺陷會(huì)影響設(shè)備的運(yùn)行。傳統(tǒng)的缺陷檢測(cè)只是檢測(cè)缺陷并未考慮缺陷長(zhǎng)度和深度因素，因此提出將激光測(cè)距應(yīng)用于表面缺陷檢測(cè)。首先用激光輪廓儀獲得的距離數(shù)據(jù)重建工件表面圖像，再利用數(shù)字圖像處理相關(guān)理論及OpenCV計(jì)算機(jī)視覺技術(shù)提取重建圖像中缺陷像素位置信息并與實(shí)際距離數(shù)據(jù)對(duì)應(yīng)，進(jìn)而計(jì)算出缺陷的參考長(zhǎng)度和深度。經(jīng)過大量重復(fù)試驗(yàn)，缺陷的參考長(zhǎng)度和人工使用游標(biāo)卡尺測(cè)量的長(zhǎng)度誤差小于0.1 mm，參考深度穩(wěn)定，檢測(cè)速度快，具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞： 激光測(cè)距； 圖像重建； 缺陷檢測(cè)； OpenCV

中圖分類號(hào)： TN98?34； TP391.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）22?0145?04

Abstract： The defect may be produced on the surface of precision workpiece in production and transportation process， which will affect the operation of equipment when the length and depth of the defect reach a certain value. The traditional defect detection does not take into account the length and depth， so the laser range?finding is applied to the surface defect detection. The laser contourgraph is used to get the distance data to reconstruct the image of the workpiece surface. The correlation theory of digital image processing and OpenCV computer visual technology are adopted to extract the defect pixel′s location information in the reconstructed image. The location information is corresponded to the practical distance data to calculate the reference length and depth of the defect. The results of a large number of repeated experiments show that the error between the defect′s reference length and the length measured with vernier caliper is less than 0.1 mm， the reference depth is stable， and the laser range?finding has fast detection speed and a certain application value.

Keywords： laser range?finding； image reconstruction； defect detection； OpenCV

0 引 言

精密工件在工業(yè)設(shè)備中應(yīng)用廣泛，其質(zhì)量的好壞關(guān)系到工業(yè)設(shè)備的安全運(yùn)行。生產(chǎn)和運(yùn)輸過程中的諸多因素易使工件表面產(chǎn)生缺陷。缺陷的長(zhǎng)度和深度達(dá)到一定值才會(huì)對(duì)工業(yè)設(shè)備運(yùn)行產(chǎn)生危害。因此需要測(cè)量出缺陷長(zhǎng)度和深度，作為分揀缺陷工件的依據(jù)。傳統(tǒng)的檢測(cè)方法是通過工人肉眼來檢測(cè)工件表面是否有缺陷存在，再用游標(biāo)卡尺測(cè)量缺陷的長(zhǎng)度和深度。這種人工檢測(cè)方法的缺點(diǎn)顯而易見，對(duì)于較淺缺陷的深度無法有效測(cè)量，工作量大，效率低，易受檢測(cè)人員主觀因素影響，造成誤檢或漏檢。如果操作不慎，還會(huì)對(duì)工件表面造成二次損害[1]。

目前，無損檢測(cè)方法（超聲檢測(cè)、光電檢測(cè)，機(jī)器視覺等）[2?3]在缺陷檢測(cè)中廣泛應(yīng)用。文獻(xiàn)[4]提出利用分段線性灰度算法對(duì)表面微小缺陷進(jìn)行增強(qiáng)，再結(jié)合最大熵來實(shí)現(xiàn)對(duì)表面缺陷的自動(dòng)分割，最后采用投影原理和二維聯(lián)合統(tǒng)計(jì)算法完成對(duì)缺陷的快速提取和區(qū)域歸類。文獻(xiàn)[5]提出一種雙圖像傳感器的表面全展開方法，在此基礎(chǔ)上搭建系統(tǒng)實(shí)現(xiàn)表面缺陷檢測(cè)。上述缺陷檢測(cè)方案雖能檢測(cè)出表面缺陷，但卻沒有給出缺陷長(zhǎng)度和深度。因此將激光測(cè)距應(yīng)用于工件表面缺陷檢測(cè)，計(jì)算出缺陷參考長(zhǎng)度和深度值為分揀提供依據(jù)。缺陷參考長(zhǎng)度是指缺陷外接矩形對(duì)角線的長(zhǎng)度，參考深度是指缺陷區(qū)域距離差矩陣的最大值。

1 激光測(cè)距

系統(tǒng)的硬件部分是由超高速激光輪廓儀、伺服電機(jī)、PLC、上位機(jī)組成，如圖1所示。

上位機(jī)向輪廓儀和PLC發(fā)出指令。輪廓儀按照設(shè)定采樣頻率向待測(cè)工件表面發(fā)射平行激光束，下方的伺服電機(jī)在PLC的控制下帶動(dòng)待測(cè)工件先水平轉(zhuǎn)動(dòng)1周，輪廓儀將獲得的1組距離數(shù)據(jù)傳給上位機(jī)處理。左方的伺服電機(jī)將待測(cè)工件旋轉(zhuǎn)固定角度繼續(xù)重復(fù)上述步驟直至激光帶覆蓋整個(gè)待測(cè)工件表面。

2 圖像重建算法

為了檢測(cè)待測(cè)工件表面缺陷并得到缺陷的參考長(zhǎng)度和深度值，需要將激光輪廓儀采集到的各組距離數(shù)分別重建成圖像。

2.1 一組距離數(shù)據(jù)

超高速激光輪廓儀內(nèi)建[x]軸和[z]軸。如圖2所示，[x]軸和輪廓儀基準(zhǔn)軸線重合。[TL]到[TH]上均等分布著[k]個(gè)采樣點(diǎn)，輪廓儀發(fā)射1次平行激光束到待測(cè)工件表面將得到[p1，p2，…，pk]共[k]個(gè)距離數(shù)據(jù)。當(dāng)下方伺服電機(jī)轉(zhuǎn)動(dòng)時(shí)，激光輪廓儀按照設(shè)定的采樣頻率繼續(xù)發(fā)射平行激光束到待測(cè)工件表面，上位機(jī)得到光帶掃過工件表面位置的距離數(shù)據(jù)。若工件赤道周長(zhǎng)為[c]毫米，下方伺服電機(jī)轉(zhuǎn)速為[r]毫米/秒，激光輪廓儀采樣頻率為[f]赫茲，則待測(cè)工件完成一周轉(zhuǎn)動(dòng)后，上位機(jī)得到endprint

2.2 圖像重建

3 缺陷檢測(cè)

3.1 圖像預(yù)處理

重建圖像的過程中難免引入噪聲，因此首先對(duì)重建的圖像進(jìn)行平滑處理。鄰域平均法即用一片圖像區(qū)域的各個(gè)像素的均值來代替原圖像中的各個(gè)像素值。設(shè)原始圖像為[f（x，y）]，卷積核為[G（i，j）]，卷積核的大小為3×3，處理后的圖像為[g（x，y）]，如圖5（b）所示。

3.2 邊緣檢測(cè)及形態(tài)學(xué)梯度處理

去噪后的圖像經(jīng)過邊緣檢測(cè)可得到缺陷的邊緣信息。Canny算子檢測(cè)邊緣時(shí)具有低錯(cuò)誤率，高定位性和最小響應(yīng)等優(yōu)點(diǎn)[7]， 但需要設(shè)置高低閾值且這兩個(gè)閾值的設(shè)定直接影響重建圖像缺陷部分邊緣檢測(cè)的效果。由于重建圖像具有前景亮背景暗的特點(diǎn)，因此采用最大類間方差算法[8]計(jì)算出前景和背景的分割閾值并將此閾值及其一半分別作為高，低門限值。圖5（c）為實(shí)驗(yàn)環(huán)境下應(yīng)用上述算法效果圖。

Canny邊緣檢測(cè)算子檢出的邊緣是分立的，不連續(xù)的。為了準(zhǔn)確提取缺陷區(qū)域的輪廓，需要對(duì)邊緣進(jìn)行形態(tài)學(xué)梯度處理。形態(tài)學(xué)梯度用來保留物體的邊緣輪廓[9]，它先分別對(duì)圖像進(jìn)行膨脹和腐蝕操作，最終的圖像是膨脹圖與腐蝕圖之差，數(shù)學(xué)表達(dá)式為：

3.3 缺陷參考長(zhǎng)度和深度計(jì)算

為了計(jì)算缺陷的參考長(zhǎng)度和深度，需在重建圖像中提取缺陷輪廓并標(biāo)定連通域[10]。通過OpenCV中的findcontours函數(shù)對(duì)缺陷區(qū)域輪廓進(jìn)行提取，drawcontours函數(shù)把提取的輪廓用隨機(jī)顏色的線繪制出來。使用boundingRect函數(shù)計(jì)算提取輪廓的外接矩形 ，rectangle函數(shù)將輪廓外接矩形繪制在重建圖像中。

上述過程可得到缺陷區(qū)域外接矩形的像素位置信息。若重建圖像缺陷區(qū)域外接矩形左上角和右下角像素坐標(biāo)分別為[（x1，y1）]，[（x2，y2）]。根據(jù)坐標(biāo)信息計(jì)算出外接矩形的長(zhǎng)寬所占的像素個(gè)數(shù)。若長(zhǎng)的方向上每個(gè)像素代表的實(shí)際長(zhǎng)度為[l1]，寬的方向上每個(gè)像素代表的實(shí)際長(zhǎng)度為[l2]。[l1]由輪廓儀基準(zhǔn)軸線上單位長(zhǎng)度決定，[l2]由伺服電機(jī)轉(zhuǎn)速和激光輪廓儀的采樣頻率決定。設(shè)定電機(jī)轉(zhuǎn)速為[r]毫米/秒，超高速激光輪廓儀采樣頻率為[f]赫茲。則：

4 實(shí)驗(yàn)結(jié)果及分析

為了得到參考長(zhǎng)度，深度和人工測(cè)量值的誤差，準(zhǔn)備1 000個(gè)工件，并在每個(gè)工件上制造1處缺陷并進(jìn)行檢測(cè)。

實(shí)驗(yàn)中上位機(jī)處理器采用英特爾酷睿i5雙核，頻率為2.5 GHz，內(nèi)存8 GB。工件的直徑[c]=180 mm，激光輪廓儀型號(hào)為基恩士Lj?V7060，采樣頻率設(shè)定為1 000 Hz，單線采樣點(diǎn)[k]=800，[TL]=-8，[TH]=8。[th]=1，[tl]=0，[d1]=255，[d2]=255[wi]，[d3]=0，[l1=0.02]，[l2=0.06]。下方伺服電機(jī)轉(zhuǎn)速[r]=60 mm/s時(shí)，經(jīng)過統(tǒng)計(jì)1 000個(gè)工件中有998個(gè)參考長(zhǎng)度和實(shí)測(cè)值誤差小于0.1 mm，其余2個(gè)誤差小于0.2 mm。當(dāng)下方伺服電機(jī)轉(zhuǎn)速設(shè)置為120 mm/s，180 mm/s時(shí)參考長(zhǎng)度和深度值保持穩(wěn)定，誤差情況基本不變。圖5（e）是隨機(jī)抽取的一個(gè)工件連通域標(biāo)定圖。其缺陷區(qū)域的像素位置信息為：[x1=249]，[y1=1 753]，[x2=605]，[y2=1 850]。代入上述參數(shù)得出參考長(zhǎng)度[l=9.914 85] mm，參考深度[d=0.294 35]mm。使用游標(biāo)卡尺多次測(cè)量待檢工件缺陷區(qū)域的長(zhǎng)度，計(jì)算出長(zhǎng)度平均值為9.89 mm。人眼由于無法可靠判斷缺陷區(qū)域何處深度最大，且缺陷較淺，故使用游標(biāo)卡尺無法對(duì)深度進(jìn)行有效測(cè)量。長(zhǎng)度誤差小于0.1 mm，滿足設(shè)計(jì)要求。

通過和上位機(jī)計(jì)算的缺陷區(qū)域長(zhǎng)度比較，上位機(jī)計(jì)算的缺陷區(qū)域長(zhǎng)度長(zhǎng)一些。一方面游標(biāo)卡尺測(cè)量工件表面缺陷長(zhǎng)度時(shí)，表面上是有弧度的，因此人工測(cè)量的長(zhǎng)度是偏小的；另一方面系統(tǒng)設(shè)計(jì)中對(duì)重建圖像進(jìn)行了形態(tài)學(xué)梯度處理使得缺陷部分有了輕微的擴(kuò)展，上位機(jī)得到的長(zhǎng)度長(zhǎng)一些。伺服電機(jī)轉(zhuǎn)速為60 mm/s下，一組距離數(shù)據(jù)重建圖像和檢出缺陷的平均時(shí)間為80 ms，遠(yuǎn)小于得到每組數(shù)據(jù)電機(jī)轉(zhuǎn)動(dòng)時(shí)間，可滿足檢測(cè)時(shí)效要求。

5 結(jié) 論

激光測(cè)距應(yīng)用于工件表面缺陷檢測(cè)中可得到缺陷區(qū)域的參考長(zhǎng)度和深度值。根據(jù)參考長(zhǎng)度和深度來分揀缺陷工件可將對(duì)設(shè)備運(yùn)行有危害的工件分離出去，同時(shí)保留有缺陷但參考長(zhǎng)度和深度小于設(shè)定值的工件，避免了浪費(fèi)。在實(shí)際分揀場(chǎng)景中具有一定的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 李春穎.機(jī)器視覺在鋼球表面缺陷檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2005（10）：63?65.

[2] 陳世利，常文爽，靳世久.汽輪機(jī)輪緣超聲相控陣檢測(cè)中缺陷方向識(shí)別[J].納米技術(shù)與精密工程，2013（4）：328?333.

[3] 劉澤，王嵬，王平.鋼軌表面缺陷檢測(cè)機(jī)器視覺系統(tǒng)的設(shè)計(jì)[J].電子測(cè)量與儀器學(xué)報(bào)，2010（11）：1012?1017.

[4] 劉青，張曉暉，黃軍勤.基于機(jī)器視覺的鋼球表面缺陷快速提取算法[J].激光雜志，2014（9）：58?61.

[5] 孫虹，王仲，付魯華，等.一種新型鋼球表面檢測(cè)方法的分析與系統(tǒng)實(shí)現(xiàn)[J].機(jī)械科學(xué)與技術(shù)，2016（1）：118?121.

[6] 韋玉科，陳玉，田洪金.基于計(jì)算機(jī)視覺的焊點(diǎn)缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)[J].測(cè)控技術(shù)，2015（1）：138?141.

[7] 毛星云，冷雪飛.OpenCV3編程入門[M].北京：電子工業(yè)出版社，2014.

[8] 張志強(qiáng)，宋海生.應(yīng)用Otsu改進(jìn)Canny算子的圖像邊緣檢測(cè)方法[J].計(jì)算機(jī)與數(shù)字工程，2014（1）：122?128.

[9] 岡薩雷斯.數(shù)字圖像處理[M].2版.北京：電子工業(yè)出版社，2007：445?451.

[10] 馮海文，牛連強(qiáng)，劉曉明.高效的一遍掃描式連通區(qū)域標(biāo)記算法[J].計(jì)算機(jī)工程與應(yīng)用，2014（23）：31?35.

[11] 代麗男，韓格欣，薄純娟.基于OpenCV的一種手勢(shì)識(shí)別方法[J].物聯(lián)網(wǎng)技術(shù)，2015，5（6）：25?27.

[12] 諶湘倩，馬紹惠，須文波.基于有序子集加速拆分算法的三維CT圖像重建[J].現(xiàn)代電子技術(shù)，2016，39（6）：104?107.endprint