朱小松

摘要：針對(duì)零件尺寸傳統(tǒng)測(cè)量方法存在測(cè)量效率低、測(cè)量結(jié)果易受人為因素干擾等問題，設(shè)計(jì)一種基于機(jī)器視覺的零件圓形特征尺寸測(cè)量系統(tǒng)。該系統(tǒng)在Visual Studio 2017環(huán)境下通過C#中Winform窗體設(shè)計(jì)模塊設(shè)計(jì)測(cè)量系統(tǒng)的人機(jī)交互界面并聯(lián)合視覺算法庫Halcon，利用C#調(diào)用Halcon中相關(guān)視覺算法完成對(duì)待測(cè)零件圓形特征部分圓心、半徑的測(cè)量。經(jīng)實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)測(cè)量精度高、效率快，能夠?qū)崿F(xiàn)對(duì)零件圓形特征的測(cè)量。

關(guān)鍵詞：機(jī)器視覺;尺寸測(cè)量;系統(tǒng)設(shè)計(jì)

0? 引言

傳統(tǒng)測(cè)量方法主要利用光學(xué)式或機(jī)械式的測(cè)量儀器對(duì)待測(cè)零件進(jìn)行測(cè)量，但該種測(cè)量方法效率低、精度差且測(cè)量結(jié)果易受人為因素干擾[1]。機(jī)器視覺技術(shù)主要通過傳感器對(duì)待測(cè)物體的圖像進(jìn)行實(shí)時(shí)采集、實(shí)時(shí)處理。利用機(jī)器視覺技術(shù)對(duì)零件尺寸進(jìn)行測(cè)量相比傳統(tǒng)測(cè)量方法具有非接觸式、高時(shí)效等優(yōu)點(diǎn)。

范帥[2]等基于機(jī)器視覺技術(shù)利用拉普拉斯算法提取軸承邊緣再利用霍夫變換測(cè)出軸承的內(nèi)外徑尺寸。雷經(jīng)發(fā)[3]等基于雙目視覺系統(tǒng)獲得液壓元件相應(yīng)位置的三維數(shù)據(jù)，實(shí)現(xiàn)對(duì)液壓元件的高魯棒性測(cè)量。解則曉[4]等則是基于雙目視覺實(shí)現(xiàn)對(duì)薄壁零件的圓孔輪廓測(cè)量。李志宇[5]等提出一種基于線結(jié)構(gòu)光的圓位姿測(cè)量方法。朱革[6]等設(shè)計(jì)出一種基于機(jī)器視覺的零件同心度測(cè)量系統(tǒng)。

本系統(tǒng)在Visual Studio 2017環(huán)境下通過C#與視覺算法庫Halcon聯(lián)合，實(shí)現(xiàn)基于機(jī)器視覺技術(shù)下的零件圓形特征的尺寸測(cè)量，從而得到所測(cè)零件上圓形特征的相關(guān)參數(shù)。

1? 測(cè)量系統(tǒng)的硬件設(shè)計(jì)與選型

機(jī)器視覺檢測(cè)主要通過工業(yè)相機(jī)采集待檢測(cè)物體的圖像，再利用圖像處理算法實(shí)現(xiàn)物體尺寸的測(cè)量。通常情況下，復(fù)雜的工業(yè)現(xiàn)場(chǎng)環(huán)境采集的圖像極易受到周圍光線的影響，難以滿足采集高清晰度圖像的要求，而采集的圖像質(zhì)量直接影響視覺算法的準(zhǔn)確度和處理效率。為保證采集高質(zhì)量的圖像，一般利用光源對(duì)待檢測(cè)物體表面進(jìn)行打光。打光不僅能夠在一定程度保證采集圖像的清晰度，還能夠增強(qiáng)待檢測(cè)物體和背景的差異，利于圖像處理。

因此，該測(cè)量系統(tǒng)的硬件部分主要包括工業(yè)相機(jī)、光源及其控制器，且相機(jī)的像素大小、鏡頭種類、光源的光色選擇等應(yīng)結(jié)合項(xiàng)目具體需求進(jìn)行選型。

2? 測(cè)量系統(tǒng)的軟件組成與設(shè)計(jì)

2.1 測(cè)量系統(tǒng)的軟件組成

該測(cè)量系統(tǒng)的軟件部分主要包括Windows 10系統(tǒng)下的Visual Studio 2017、德國MVtec公司開發(fā)的視覺算法庫Halcon 12.0。

2.2 測(cè)量系統(tǒng)的算法設(shè)計(jì)

在Visual Studio 2017 環(huán)境下通過 C#中的Winform模塊設(shè)計(jì)出交互界面，基于Halcon完成測(cè)量系統(tǒng)內(nèi)的視覺算法設(shè)計(jì)。該系統(tǒng)的算法流程如圖1所示。

2.2.1 圖像預(yù)處理

工業(yè)相機(jī)采集到的多為三通道的彩色圖像，對(duì)彩色圖像處理無疑加大視覺算法的處理難度，因此對(duì)采集到的圖像進(jìn)行預(yù)處理，即將三通道的彩色圖像變?yōu)閱瓮ǖ赖腞、G、B灰度圖像。

此外，由于工業(yè)現(xiàn)場(chǎng)環(huán)境復(fù)雜、光照不均等因素圖像中往往會(huì)有很多噪聲，這時(shí)我們就要靈活使用各種濾波，如中值濾波、均值濾波、高斯濾波等對(duì)灰度圖像進(jìn)行去噪處理。

同時(shí)為使得圖像的前景和背景分離，閾值處理常是最簡單、有效的手段。Halcon中常用的閾值處理算法有：動(dòng)態(tài)閾值、快速閾值、局部均值方差閾值、滯后閾值以及分水嶺法等。

2.2.2 圖像分析

圖像分析主要實(shí)現(xiàn)對(duì)圖像的邊緣檢測(cè)和特征提取。常用的提取邊緣的二階導(dǎo)數(shù)算子有Laplacian算子、Canny算子等。而通過Laplacian算子得到的邊緣，在邊緣的更大部分內(nèi)與真實(shí)邊緣的位置不同[7]。因此，在提取邊緣時(shí)，Canny算子是常用的有效的邊緣提取算子。其原理和步驟[8]如下：

①用高斯濾波平滑圖像;②用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向;③對(duì)梯度幅值進(jìn)行非極大值抑制;④用雙閾值算法檢測(cè)和連接邊緣。

提取到亞像素邊緣后，針對(duì)提取的邊緣特征利用相關(guān)算法對(duì)其進(jìn)行擬合。如提取圓形特征的亞像素邊緣后，常利用最小二乘法對(duì)圓形特征邊緣進(jìn)行擬合。

2.2.3 相機(jī)標(biāo)定

圖像測(cè)量得出的是像素或者亞像素值，如果要得到待測(cè)物體的具體尺寸，就需要對(duì)物體的尺寸進(jìn)行標(biāo)定。即像素尺寸和實(shí)際尺寸間的數(shù)學(xué)關(guān)系，從而得到物體實(shí)際尺寸。本系統(tǒng)使用Halcon自帶的標(biāo)定助手通過選取不同姿態(tài)的10張標(biāo)定板完成標(biāo)定，標(biāo)定助手如圖2所示，標(biāo)定板如圖3所示。

3? 測(cè)量系統(tǒng)的交互界面設(shè)計(jì)

該系統(tǒng)的交互界面在Visual Studio 2017環(huán)境下通過C#窗體設(shè)計(jì)模塊設(shè)計(jì)。設(shè)計(jì)的交互界面如圖4所示。

4? 測(cè)量結(jié)果分析

基于本測(cè)量系統(tǒng)針對(duì)10組軸承進(jìn)行內(nèi)外徑和圓心的測(cè)量。已知所測(cè)軸承的內(nèi)徑為17.461mm（±0.002mm），外徑為40.019mm（±0.002mm），測(cè)10組軸承所得內(nèi)徑均值為17.462mm，外徑均值為40.021mm，內(nèi)外徑標(biāo)準(zhǔn)差均在0.005左右。

5? 結(jié)論

本文提出的基于機(jī)器視覺的零件圓形特征尺寸測(cè)量系統(tǒng)，該系統(tǒng)在Visual Studio 2017環(huán)境下基于Halcon實(shí)現(xiàn)視覺算法設(shè)計(jì)，利用C#設(shè)計(jì)該系統(tǒng)的人機(jī)交互界面。最后通過對(duì)10組零件的測(cè)量，驗(yàn)證本系統(tǒng)的可行性。該系統(tǒng)能在一定程度上克服人工檢測(cè)效率低、測(cè)量結(jié)果易干擾等缺點(diǎn)，為其他基于機(jī)器視覺的測(cè)量系統(tǒng)設(shè)計(jì)提供參考。

參考文獻(xiàn)：

[1]韓亮.基于機(jī)器視覺的軸承內(nèi)外徑尺寸測(cè)量方法[J].機(jī)械制造與自動(dòng)化，2020，49（02）：229-231.

[2]范帥，湯綺婷，盧滿懷.基于機(jī)器視覺的軸承內(nèi)外圈尺寸檢測(cè)及分類[J].自動(dòng)化儀表，2016，37（11）：77-80，87.

[3]雷經(jīng)發(fā)，韋旺，李永玲，張淼，何玉.基于雙目視覺的弱紋理液壓元件尺寸測(cè)量[J/OL].激光與光電子學(xué)進(jìn)展：1-14[2020-08-18].

[4]解則曉，王曉東，宮韓磊.基于雙目視覺的薄壁零件圓孔輪廓測(cè)量[J].中國激光，2019，46（12）：179-186.

[5]李志宇，林嘉睿，孫巖標(biāo)，邾繼貴.一種基于線結(jié)構(gòu)光傳感器的圓位姿測(cè)量方法[J/OL].光學(xué)學(xué)報(bào)：1-17[2020-06-14].http：//kns.cnki.net/kcms/detail/31.1252.O4.20200513.1731.014.html.

[6]朱革，潘帥嘉，余小雨，蒲治偉，陳凡.基于機(jī)器視覺的精密零件同心度測(cè)量系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2020，39（04）：77-79，82.

[7]Carsten Steger，Markus Ulrich，Christian Wiedemann.Machine Vision Algorithms and Applications[M].北京：清華大學(xué)出版社，2019：294-295.

[8]章毓晉.圖像分析[M].北京：清華大學(xué)出版社，2018：35-36.