陳向偉 肖 冰 高 強

(東北電力大學機械學院，吉林吉林 132012)

機器視覺是研究用計算機來模擬生物視覺的科學技術，機器視覺系統(tǒng)的首要目標是用圖像創(chuàng)建或恢復現(xiàn)實世界模型，然后認識現(xiàn)實世界。近年來機器視覺檢測以其高效、智能、非接觸等特點，逐漸代替了人工檢測，在工業(yè)上得到了廣泛的應用。

電容器作為需求量很大的產(chǎn)品，其外表面質(zhì)量直接影響了它的質(zhì)量和壽命。其生產(chǎn)過程由于限于人力限制不能對其外殼進行逐個質(zhì)量檢測。本文以電解電容器鋁殼的生產(chǎn)為例，引入機器視覺對其進行端面缺陷檢測，用以提高生產(chǎn)效率，降低勞動強度，保證產(chǎn)品的質(zhì)量［1］。

1 待測零件特征

電容器鋁殼的生產(chǎn)一般在沖壓機床上進行，其形狀以圓柱形居多，端面有防爆槽，其目的是防止電容器由于品質(zhì)不良或其他原因瞬間爆炸之前，內(nèi)部積蓄的能量能夠從防爆槽處得到壓力釋放。由于生產(chǎn)工藝不足或者其他因素，端面會產(chǎn)生一些缺陷，如端面破損、有凹坑，防爆槽爆裂，無防爆槽等，如圖1所示。

另外由于沖床上的檢測條件很苛刻:(1)油污嚴重，產(chǎn)品表面不干凈;(2)振動;(3)空間狹小;(4)機臺數(shù)量眾多。因此要求測量系統(tǒng)的單臺成本投入要小，速度要快。作者根據(jù)實際情況，設計出一套檢測方案，采用分布式多點模式，以滿足檢測要求。

2 測量原理以及系統(tǒng)結(jié)構(gòu)

測量系統(tǒng)由光學照明系統(tǒng)、CCD攝像機、圖像采集系統(tǒng)、計算機及相應的軟件組成，具體結(jié)構(gòu)如圖2所示。工作原理為:在合理的照明系統(tǒng)中，CCD相機捕捉電容鋁殼的端面信息，經(jīng)透鏡系統(tǒng)聚焦后成像于CCD面陣上。CCD將圖像信號變?yōu)殡姾尚盘枺ㄟ^圖像采集卡存入計算機內(nèi)存，然后由軟件對所采集到的圖像進行分析處理，并判斷是否合格，若不合格，則由剔除機構(gòu)剔除。

由于鋁殼的端面相對光亮，反射較強。系統(tǒng)將多臺CCD相機并聯(lián)，利用暗箱隔絕外部光，使用同軸LED光源［2］進行照射，以突顯鋁殼表面的瑕疵。采集到的圖像信號將傳送到計算機系統(tǒng)進行圖像預處理、二值化、邊緣檢測、位置以及角度校正、輪廓提取、差影等一系列運算。

3 圖像處理

圖像處理部分主要在計算機上完成，通過Visual C++平臺編程，對圖像進行預處理，二值化，邊緣檢測，位置和角度校正以及差影運算。

3.1 圖像預處理

圖像預處理是在保證算法穩(wěn)定性前提下實現(xiàn)特征定位分析，消除對特征提取敏感的噪聲數(shù)據(jù)，取出冗雜信息，為后續(xù)的精密處理做好準備。為了得到清晰的圖像邊緣，同時不會模糊圖像中的顯著點，本系統(tǒng)采用邊緣保持濾波器［3］進行濾波。算法如下:

對灰度圖像的每一個象素點［i，j］取適當大小的一個鄰域(如3×3鄰域)，分別計算［i，j］的左上角鄰域、左下角鄰域、右上角鄰域和右下角鄰域的灰度分布均勻度V，然后取最小均勻?qū)獏^(qū)域的均值作為該象素點的新的灰度值。

計算灰度均勻度的公式為:

實驗證明，邊緣保持濾波器可以很好地抑制圖像的噪聲，達到降噪效果。

3.2 圖像二值化

二值化是簡單的分割處理，很多物體和圖像區(qū)域表征為不變的反射率或其表面光的吸收率，可以確定一個亮度常量為閾值來分割物體和背景。閾值化是輸入圖像f到輸出圖像g的如下變換:

其中T是閾值，是根據(jù)圖像的灰度直方圖選取的。對于圖像中僅包含背景和目標物，且都具有較均勻的灰度分布的圖像來說，則直方圖的形狀呈現(xiàn)雙峰特性。圖3為一個標準鋁殼零件的灰度直方圖。這時，閾值取雙峰之間的最小值。

圖3可直觀地看到直方圖有明顯的雙峰，通常情況將選擇兩峰之間的谷點作為門限值(俗稱峰谷法)，但由于峰值相差較大，有寬且平的谷底，故峰谷法不適用。系統(tǒng)使用迭代式閾值選擇算法，步驟如下:

(1)求出圖像中最小和最大灰度值Zmax和Zmin，令閾值初值

(2)根據(jù)閾值Tk將圖像分割為目標和背景兩個部分，求出兩部分的平均灰度值Z0和ZB:

式中:Z(i，j)是圖像上點(i，j)上的灰度值，N(i，j)是點(i，j)上的權重系數(shù)，一般N(i，j)=1.0。

(3)求出新的閾值:

(4)如果Tk=Tk+1，則結(jié)束，否則k+1→k。

3.3 邊緣檢測

物體的邊緣是圖像的基本特征。所謂邊緣是指圖像中灰度有階躍或尖頂狀變化的那些像素的集合。邊緣廣泛存在于物體與物體、物體與背景之間，是圖像分割、紋理特征提取和形狀特征提取等圖像分析所依賴的重要基礎［4－6］。

邊緣檢測有很多算法，如:梯度算子、Roberts算子、Sobel算子、Prewitt算子、Canny算子、Kirsch算子、Laplacian算子，以及LoG邊緣檢測算子等。

圖4為Y型標準電容器鋁殼源圖像(a)經(jīng)過邊緣保持器濾波(b)、二值化(c)，以及分別使用Roberts算子(d)、Sobel算子(e)、Prewitt算子(f)、Canny算子(g)、Kirsch算子(h)進行邊緣檢測后的圖像對比。圖中可以直觀看到，Kirsch算子處理后的圖像連續(xù)性較好，線條細且均勻，適用于本檢測系統(tǒng)。

3.4 位置及角度校正

受現(xiàn)場工況的限制，每次到達被檢工位的鋁殼零件位置會在一定范圍內(nèi)有所變動，因此每次檢測前必須確定圖像中鋁殼的準確位置?？紤]到端面的特點，在此首先采用多邊界點的最小二乘擬合圓對鋁殼進行位置校正。

如圖5所示，盡管每次檢測時鋁殼的位置有所不同，但是整幅圖像的中心均位于鋁殼圓形內(nèi)。過濾掉除圓形外所有線條后，從圖像中心O出發(fā)，分別向上、下、左、右尋找得到鋁殼端面圖像上的4個邊界點A、B、C和D，并記錄下這4 個點的坐標值(xA，yA)，(xB，yB)，(xC，yC)，(xD，yD)。

圓的方程:

式中:(x0，y0)為圖像的圓心;r為圖像的半徑。

將4個邊界點A、B、C和D的坐標值代入上式，得到方程組:

由上式可計算出圖像中的圓心(xD，yD)和半徑r，從而實現(xiàn)鋁殼的位置校正。

接下來進行圖像的角度校正，以“十”型鋁殼零件為例，具體過程如下:

(1)過濾掉除防爆槽之外所有線條。

(2)應用 Hough［7－9］變換擬合直線，檢測第一象限直線，并計算其方程，直線公式為:

則其直線與水平線夾角α:

(3)在Visual C++中對零件圖像進行順時針旋轉(zhuǎn)?角度操作，將得到圖像進行保存。

(4)由于同一型號的零件其半徑完全相同，檢測系統(tǒng)所使用的固定支架和固定焦距保證了采集圖像的大小一致，因此將待測圖像圓心與標準圖像圓心對準，整幅圖像的位置對齊工作就自動完成(如圖6所示)。

3.5 圖像的差影與圖像判斷

差影法［10－11］也叫減影技術，是對兩個以上的圖像進行相減運算，得到的差值圖像用來辨別兩個圖像之間的差異。差影技術常用在動態(tài)目標檢測跟蹤、目標識別以及背景圖像消除等方面。

設兩個輸入圖像為A(x，y)和B(x，y)，輸出圖像為C(x，y)，其數(shù)學表達式如下:

將其校正后的零件圖像與標準圖像進行差影運算，實驗所得圖像如表1所示。

表1分別為端面凹坑零件(a)、防爆槽開裂零件(b)、無防爆槽零件(c)源圖像經(jīng)過校正后進行差影運算所得圖像。從中可以直觀的看到差影后的缺陷圖像，由軟件統(tǒng)計差影圖像像素，判斷圖像是否為不合格零件，若是，則由剔除機構(gòu)剔除。

4 結(jié)語

本文針對電容器鋁殼生產(chǎn)時端面常出現(xiàn)的缺陷，根據(jù)機器視覺的特性和優(yōu)勢，制定了有效的缺陷檢測方案。經(jīng)過圖像采集、二值化處理、邊緣檢測、位置及角度校正、差影等一系列運算，最終達到準確檢測零件缺陷的目的。結(jié)合了計算機強大的計算能力，縮短了檢測時間，提高了生產(chǎn)效率。

［1］田原嫄，潘敏凱，劉思陽.電容器鋁殼表面缺陷檢測的CCD圖像處理［J］.組合機床與自動化加工技術，2013(5):1－3.

［2］王磊，梅濤，孔令成.基于基于視覺技術的扣式電池自動檢測系統(tǒng)設計［J］.儀表技術，2011(8):5－8.

［3］賈云得.機器視覺［M］.北京:科學出版社，2000.

［4］章毓晉.圖像分割［M］.北京:科學出版社，2001.

［5］何斌，馬天與，王運堅.Visual C++數(shù)字圖像處理［M］.北京:人民郵電出版社，2001.

［6］韓芳芳.表面缺陷視覺在線檢測關鍵技術研究［D］.天津:天津大學，2011.

［7］李本伍，王小華，謝君廷.一種圖像中檢測直線的快速算法［J］.杭州電子科技大學學報，2007(27):67－70.

［8］王化楠.Hough變換在視覺檢測系統(tǒng)中的應用研究［D］.大連:大連理工大學，2006.

［9］朱芳芳，顧宏斌，孫瑾.一種改進的Hough變換直線檢測算法［J］.計算機技術與發(fā)展，2009(19):19－21.

［10］Shih M Y，Shishido A，Khoo I C.All－optical image processing by means of a photosensitive non－linear liquid－crystal film:edge enhancement and image addition subtraction［J］.Optics Letters.2001，26(15):1140－1142.

［11］陳廉清，崔治，王龍山.基于差影和模板匹配的微小軸承表面缺陷檢測［J］.中國機械工程，2006(17):1019 －1022.