陳佳星，沈 毅，周 浩，鄧曉辰

(浙江理工大學(xué)機械與自動控制學(xué)院，浙江 杭州 310018)

1 引言(Introduction)

鋼卷尺是一種常見的長度計量工具，它被廣泛應(yīng)用于工業(yè)領(lǐng)域和人們的日常生活中，其測量結(jié)果將直接影響工件的加工精度[1]。受生產(chǎn)工藝的限制，鋼卷尺生產(chǎn)過程中會產(chǎn)生殘次品，例如臟污、移位、線紋斷線等(圖1)?？紤]到其在人們生產(chǎn)和生活中的重要性，國家要求鋼卷尺生產(chǎn)廠家依照《鋼卷尺檢定規(guī)程》(JJG4—2015)標(biāo)準對鋼卷尺進行定期檢查[2]。

目前，國內(nèi)普遍采用人工借助顯微鏡的方法對鋼卷尺進行檢測，該種方法受檢測人員主觀判斷的影響較大，并且長時間的重復(fù)勞動容易導(dǎo)致檢測人員出現(xiàn)錯檢和漏檢的問題，造成檢測效率低、誤差較大[3]。

隨著機器視覺技術(shù)的發(fā)展，人們開始對鋼卷尺自動化檢測進行研究。雷霆等[4]基于Labview軟件平臺(實驗室虛擬儀器工程平臺)搭建了一套鋼卷尺自動對零系統(tǒng)；茍建松[5]提出了基于DSP(數(shù)字信號處理技術(shù))和浮動標(biāo)量法的鋼卷尺視覺檢測系統(tǒng)；馬卉[6]提出了基于光柵測長的鋼卷尺自動化檢測設(shè)備。以上研究均停留在鋼卷尺刻線精度層面，而對鋼卷尺表面缺陷的自動化檢測的研究目前還處在起始階段。針對行業(yè)現(xiàn)狀，開發(fā)了一套能夠自動對鋼卷尺表面缺陷進行高速檢測的設(shè)備?，F(xiàn)場實驗表明，系統(tǒng)穩(wěn)定可靠，誤檢率低，相比傳統(tǒng)的人工檢測方式具有明顯的優(yōu)勢。

2 總體設(shè)計方案(Overall design scheme)

2.1 系統(tǒng)技術(shù)指標(biāo)

(1)檢測模式上，不僅能夠檢測到鋼卷尺表面的缺陷，還可以檢測出鋼卷尺零位誤差缺陷等。

(2)分揀速度為1,000 根/小時。

(3)各類型缺陷剔除率≥95%，誤差率≤5%。

2.2 整體結(jié)構(gòu)設(shè)計

系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 System structure diagram

(1)進料系統(tǒng)：鋼卷尺固定在進料輪盤，然后沿輪轂軌道運行，輪轂設(shè)有限位，使鋼卷尺能夠被平穩(wěn)采集。

(2)圖像采集與處理系統(tǒng)：圖像采集與處理系統(tǒng)成像需要使用相機、鏡頭、光源等設(shè)備，因此需要對相機、鏡頭、光源等進行選型。根據(jù)不同的缺陷類型，分析并選擇相應(yīng)的圖像檢測算法對圖像做出處理，然后給出鋼卷尺污點、線紋斷線、套印偏移等檢測結(jié)果。得到鋼卷尺全方位的圖像后，視覺檢測系統(tǒng)對圖像進行處理，判斷鋼卷尺質(zhì)量是否合格。

(3)剔除系統(tǒng)：若鋼卷尺檢測為不合格，視覺檢測系統(tǒng)接收到零位沖切系統(tǒng)的截斷信號后，則將剔除信號傳給剔除擺桿，擺桿會做出動作將質(zhì)量不合格的鋼卷尺剔除。

限于篇幅，以下僅對圖像采集與處理系統(tǒng)加以介紹。

3 硬件系統(tǒng)設(shè)計(Hardware system design)

在機器視覺硬件系統(tǒng)中，相機、鏡頭和光源是核心部分，對它們進行正確的選型設(shè)計是非常重要的工作[7]。

3.1 相機的選型

線陣列相機的被檢測圖像視野為細長的帶狀，具有成本低、分辨率高的特點，因此鋼卷尺檢測采用COMS線陣相機作為圖像采集的工具。CMOS線陣相機的選型取決于分辨率和行頻，設(shè)計輸入最大速度為2.5 m/s，寬幅不大于40 mm，要求檢測精度為0.1 mm。分辨率和行頻的表達式如下：

考慮參數(shù)要求并參考制造商手冊，標(biāo)準線陣相機的最小圖像分辨率為2 k，本系統(tǒng)所采用的相機型號是Dalsa圖像的LA-GC-02K05B-00-R，這是一款高性價比的彩色線陣CMOS相機，它擁有2048×2像素的幅面，像素尺寸為7.04 μm×7.04 μm，最高線掃描率為26 klps，所選的反面相機、側(cè)面相機與正面相機相同。

3.2 鏡頭的選型

通常，物鏡的畸變與焦距密不可分，減少焦距，失真度將增大，所以不能選擇帶有小焦距的鏡頭(焦距小于8 mm)或視野較大的鏡頭。根據(jù)本文所研究的鋼卷尺尺寸，所選相機的像元尺寸為7.04 μm。LA-GC-02K05B-00-R型號的相機實際應(yīng)用的CCD尺寸(感光器件的面積大小)為2.816 mm。出于經(jīng)濟性考慮，選用1/1.8 英寸的鏡頭。鋼卷尺工件的最大尺寸為32 mm，兩邊各留4 mm的空白，則被測視野寬度為40 mm，為了方便安裝，選擇25 mm焦距的鏡頭，可得到工作距離為355 mm?；谏鲜龇治?，選擇MVL-HF2528M-6MP型號的鏡頭，其最大光圈為F2.8。

3.3 光源的選型

在機器視覺系統(tǒng)中，光源至少影響30%以上的圖像質(zhì)量[8]。鋼卷尺的圖像需要高對比度且表面反光小，需要光源對物體進行直接照射以獲取清晰的圖像。因此，采用前向照明法即可保證正反面的精確性，而且容易安裝。本文研究的鋼卷尺用于流水線的在線連續(xù)檢測場合，選擇VL-L-100-CC條形照明光源，白光LED(發(fā)光二極管)。

4 檢測算法設(shè)計(Design of detection algorithm)

鋼卷尺表面的缺陷類型有污點、線紋斷線、套印偏移等，不同的缺陷采用的檢測算法不一定相同，鋼卷尺的檢測步驟主要如下。

Step1：對標(biāo)準圖像和待測圖像經(jīng)高斯濾波后分別進行圖像預(yù)處理，有效地消除視頻噪聲和圖像干擾。

Step2：通過模板匹配進行匹配對比，得到灰度差異圖，此方法可檢測到普通污點和線紋斷線。

Step3：通過邊緣檢測算法，可以檢測到黑色數(shù)字套印間的污點。

Step4：通過顏色聚類方法，可以檢測到套印偏移缺陷。

4.1 圖像預(yù)處理

在經(jīng)過灰度閾值改變收集的一個圖像之后，大部分灰度和噪聲也被完全去除,但是空間里可能還殘留著比較模糊的噪音，此時需要進行圖像濾波。采用圖像濾波技術(shù)的主要目的與灰度閾值處理相同，都是為了盡量保持圖像的詳細特征，抑制目標(biāo)圖像的噪聲性，處理過程中注意不要破壞目標(biāo)的基本輪廓和邊緣等重要的圖像信息，使最后得到的影像更加清晰，視覺效果也更好。圖像濾波方法有三種：均值濾波、中值濾波及高斯濾波[9]。其中，二維高斯函數(shù)定義如下：

對鋼卷尺的圖像預(yù)處理采用高斯濾波，它能理想地抑制符合正常分布的噪聲，濾波后的圖像如圖2所示。

圖2 采用高斯濾波前后的圖像Fig.2 Images before and after Gaussian filtering

4.2 圖像模板匹配

圖像模板匹配是對采集到的圖像進行精細匹配，以找到最佳匹配的圖像模板的技術(shù)。常見的模板匹配技術(shù)主要包括基于灰度值的模板匹配、基于邊緣的模板匹配及基于形狀的模板匹配?？紤]到基于灰度值的模板匹配算法定位和運行速度較快，本文選用該算法。

4.2.1 基于灰度值的模板匹配

對客戶的責(zé)任，讓煒岡在每開發(fā)一個產(chǎn)品之前都會進行至少4個月的市場調(diào)研，包括客戶的接受程度、產(chǎn)品的智能化程度、環(huán)保性，以及其在市場的生命力，從而保證該產(chǎn)品可以幫助客戶有所提升。

基于灰度值的模板匹配直接使用模板的灰度值與圖像的灰度值進行某種運算比較，模板由圖像指定[10]。在模型匹配中，我們可以想象將模型從檢測到的圖像中移動到匹配框上，然后計算移動位置的相似性度量s，相似性度量是一個函數(shù)，其參數(shù)包括點的灰度值和灰度值。模型移動到給定位置時圖像對應(yīng)區(qū)域的點，通過該函數(shù)計算出一個尺度值作為點的相似度度量。常用的灰度匹配對應(yīng)方法有SAD(絕對誤差和算法)、SSD(誤差平方和算法)、NCC(歸一化互相關(guān)算法)等。當(dāng)模板圖像和被檢圖像的照度保持不變時，SAD和SSD方法都表現(xiàn)不錯，但是當(dāng)光照發(fā)生變化時，應(yīng)采用NCC方法[11]，其表達式如下：

NCC方法消除了圖像中光照相加直接減去平均灰度值的影響，消除了圖像中光照相乘除以灰度值標(biāo)準差的影響，因此線性光照變化不會影響歸一化互相關(guān)系數(shù)的結(jié)果。

4.2.2 普通污點檢測

采用模板匹配方法將模板與目標(biāo)對象進行匹配。配準后，需要設(shè)置模板上各點灰度值的波動范圍。一般來說，模板對象邊緣的灰度值差異比較明顯，人眼可以接受的灰度值范圍比較大，相應(yīng)的灰度值波動閾值范圍應(yīng)該設(shè)定得高一點。污點的匹配結(jié)果如圖3所示。

圖3 普通污點的檢測Fig.3 Detection of common stains

4.2.3 線紋斷線檢測

線紋斷線與模板實際對比差異小，只有斷線處的少量灰度差異，通過對線紋斷線的實際缺陷進行分析，得出線紋斷線具有如下特征：(1)差異部分較模板圖像亮；(2)斷線只能出現(xiàn)在左、右兩側(cè)刻度線上；(3)斷線部分上下長度約2 mm的范圍內(nèi)無黑線。結(jié)合這三個特征對差異圖做分析，將符合特征的位置標(biāo)記出來，通過面積靈敏度檢測是否有斷線。檢測結(jié)果如圖4所示。

圖4 線紋斷線的檢測Fig.4 Detection of broken lines

4.3 邊緣檢測

圖像邊緣是圖像的一個重要特征，它包含關(guān)于位置、面積和周長等重要信息。因此，圖像的邊緣提取在計算機視覺系統(tǒng)的初級處理中具有關(guān)鍵作用。圖像專家發(fā)明了許多具有不同特點和適應(yīng)能力的邊界檢測算子。常見的算子包括Canny算子、Laplacian算子、Sobel算子等[12]。

4.3.1 Sobel算子

總體而言，Sobel算子的直線計算較為簡單且其計算速度快，能夠給企業(yè)用戶實時提供較為精確的直線邊緣和中心方向計算信息，在對計算精度系數(shù)要求不高的實際情況下，Sobel算子很好地保留了邊緣信息。

4.3.2 黑色數(shù)字套印間的污點檢測

對存在黑色數(shù)字套印間污點的缺陷圖像進行Sobel邊緣檢測，設(shè)定適合的閾值后再做均值濾波處理，結(jié)果如圖5所示。

圖5 黑色數(shù)字套印間的污點檢測Fig.5 Detection of stains between black digital overprint

4.4 顏色聚類

鋼卷尺的顏色和背景有很強的顏色差異。有固定顏色的組合，各顏色的像素所占的比例有一定的范圍且顏色分布較為單一，其背景色是黃色或者白色，前景包括黑色的刻度線及字符套印和紅色的字符套印，我們可根據(jù)內(nèi)部顏色信息先通過顏色聚類的方法得到紅色字符套印候選區(qū)域，然后對候選區(qū)域進行連通域分析，進而分離出紅色印刷部分的圖像。

顏色聚類技術(shù)就是通過對圖像顏色信息的分析將具有相同或類似顏色分量的區(qū)域從原圖中分離出來，可以將圖像分成不同的幾個圖層，顏色的聚類處理可以在不同的顏色空間上相互進行。

4.4.1 K-means算法

K-means算法是一種非常典型的基于物體距離的綜合聚類評估算法，它以相似度系數(shù)作為對兩個物體距離相似性的綜合評估指標(biāo)，即兩個物體越距離接近，相似性就可能變得越大。

K-means算法的過程可以描述如下：(1)從多個數(shù)據(jù)對象中選擇K為起始點中心。(2)計算剩余點到K的中心距離，并將其分類。(3)重復(fù)進行“(2)”的操作。(4)若計算的中心位置重疊或計算次數(shù)大于預(yù)設(shè)值，則停止計算。

4.4.2 紅色套印偏移檢測

常規(guī)的鋼卷尺的底色是黃色或者白色，內(nèi)部字符的顏色是黑色或者紅色，刻度為黑色，顏色對比度鮮艷，通過對圖像上進行基于RGB顏色空間(三色模式)的K-means顏色聚類，能夠保留較多的圖像信息，濾除背景后得到要求的紅色套印字符候選區(qū)域。

首先提取紅色套印區(qū)的二值圖，用作后面套印檢測的模板，然后將被檢圖像的紅色套印區(qū)與非套印區(qū)分離，對被檢圖套印區(qū)二值圖與模板圖套印二值圖進行對比，計算出套印偏移的距離，當(dāng)尺子整體套印偏移超過設(shè)定值時，系統(tǒng)認為發(fā)生了套印偏移，檢測過程如圖6所示。

圖6 紅色套印偏移檢測Fig.6 Detection of red overprint offset

5 試驗與結(jié)果(Tests and results)

本系統(tǒng)的軟件基于Windows平臺、VC++軟件，結(jié)合相機SDK(軟件開發(fā)工具包)和OpenCV圖像處理算法庫編程實現(xiàn)。程序開始時，首先鋼卷尺運動帶動編碼器旋轉(zhuǎn)，PLC的高速測量口讀取編碼器的脈沖數(shù)，轉(zhuǎn)換成相機的線觸發(fā)信號，PLC輸出觸發(fā)信號，相機驅(qū)動器檢測觸發(fā)信號，開始獲取信號圖像，結(jié)束當(dāng)前圖像幀數(shù)據(jù)的收集。然后調(diào)用檢測程序，即圖像處理算法模塊給出此時的算法，完成缺陷檢測后，繼續(xù)下一步檢測。系統(tǒng)運行界面如圖7所示。實驗選取300 張長5 m的鋼卷尺在線檢測圖像，實驗平臺實物如圖8所示，結(jié)果如表1所示，其中合格產(chǎn)品為240 個，有污點、線紋斷線缺陷的產(chǎn)品共45 個，有套印偏移缺陷的產(chǎn)品共15 個。

圖7 系統(tǒng)運行界面Fig.7 System operation interface

圖8 實驗平臺實物Fig.8 Physical object of experimental platform

表1 測試結(jié)果Tab.1 Test results

6 結(jié)論(Conclusion)

針對現(xiàn)階段人工檢測鋼卷尺表面缺陷效率低下的問題，構(gòu)建一套基于機器視覺的鋼卷尺表面缺陷在線檢測系統(tǒng)。通過模板匹配方法完成了對普通污點和線紋斷線的檢測；通過邊緣算法完成了對黑色套印數(shù)字間污點的檢測；通過顏色聚類算法完成了對紅色套印偏移的檢測。試驗選取的300 根鋼卷尺，平均檢測正確率達95.83%，平均檢測速度達5.025 秒/根，結(jié)果表明系統(tǒng)穩(wěn)定可靠，誤檢率低，速度快，相比傳統(tǒng)的人工檢測方式具有明顯的優(yōu)勢，基本可替代人工檢測方式。