張 洋，付繼連，蔡宏偉，張凌韜

(1.中車齊齊哈爾車輛有限公司，黑龍江 齊齊哈爾 161002；2.北京精勤諧創(chuàng)科技發(fā)展有限公司，北京 100102)

隨著國民經(jīng)濟(jì)的持續(xù)快速增長，運輸業(yè)越來越走向信息化。鐵路貨車關(guān)鍵件檢測工作是鐵路運輸信息化的重要組成部分,做好鐵路貨車關(guān)鍵件動態(tài)檢測管理工作是保證行車安全、提高運行速度、加快車輛周轉(zhuǎn)的重要基礎(chǔ)。車軸、軸承、滑閥、中間體、承載鞍以及彈簧等是鐵路貨車的關(guān)鍵件，現(xiàn)階段對這些貨車關(guān)鍵件的結(jié)構(gòu)尺寸與表面缺陷主要依賴于人工檢測，多采用游標(biāo)卡尺及量規(guī)檢測法，二次元測量儀檢測法和三坐標(biāo)檢測法等[1-2]。人工檢測效率低、準(zhǔn)確性差、受環(huán)境影響大，不能及時發(fā)現(xiàn)關(guān)鍵件的缺陷，有安全隱患。因此，本文對基于機(jī)器視覺技術(shù)的鐵路貨車零部件尺寸的快速檢測算法進(jìn)行了研究。

機(jī)器視覺技術(shù)是一門涉及人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計算機(jī)科學(xué)、圖像處理、模式識別等諸多領(lǐng)域的交叉學(xué)科[3]。該技術(shù)主要用計算機(jī)來模擬人的視覺功能，對從客觀事物圖像中提取的信息進(jìn)行處理并加以理解，最終用于實際檢測、測量和控制。機(jī)器視覺檢測系統(tǒng)最基本的特點是：靈活性和自動化程度高；可以用于一些不適于人工作業(yè)的危險工作環(huán)境或者人工視覺難以達(dá)到要求的場合；對于大批量重復(fù)性工業(yè)生產(chǎn)，用機(jī)器視覺檢測方法可以大大提高生產(chǎn)效率和自動化程度。對于機(jī)器視覺檢測算法，文獻(xiàn)[4]提出了透視變換法等形狀分割算法，具有一定的實用價值，但只針對較為普通的特征；文獻(xiàn)[5]通過預(yù)處理解決了部分圖像噪聲干擾問題，利用亞像素的輪廓分析進(jìn)行細(xì)化，提取有效邊界，去除虛假邊界。上述算法并不能解決工業(yè)實際的檢測問題，并且未經(jīng)過穩(wěn)定性驗證，屬于理論研究課題。

基于機(jī)器視覺的智能化檢測技術(shù)核心算法是以圖像算法為主，并結(jié)合了三維計算和深度學(xué)習(xí)等技術(shù)。本文以鐵路貨車中間體為例，基于視覺識別、圖像分析、深度學(xué)習(xí)等人工智能技術(shù)和現(xiàn)代信息技術(shù)對其結(jié)構(gòu)尺寸進(jìn)行自動檢測，同時提出一種基于機(jī)器視覺技術(shù)的鐵路貨車關(guān)鍵零部件幾何尺寸的高精度、高效率的快速檢測算法。

1 結(jié)構(gòu)組成及工作流程

圖1為基于機(jī)器視覺技術(shù)的鐵路貨車關(guān)鍵件幾何尺寸檢測系統(tǒng)結(jié)構(gòu)示意圖，該裝置主要包括主控裝置、工業(yè)相機(jī)及鏡頭、視覺專用光源、精密導(dǎo)向頂升裝置和顯示器，其他還有傳送機(jī)構(gòu)和聯(lián)動機(jī)構(gòu)等。

圖1 鐵路貨車關(guān)鍵件機(jī)器視覺檢測系統(tǒng)結(jié)構(gòu)示意圖

機(jī)器視覺檢測系統(tǒng)工作流程如圖2所示。進(jìn)行機(jī)器視覺檢測時，人工提前把需要檢測關(guān)鍵件的尺寸信息輸入視覺檢測系統(tǒng)中。如圖2所示將關(guān)鍵件放置到傳送裝置上，完成上料操作；傳送裝置將關(guān)鍵件輸送到視覺檢測工位，通過導(dǎo)向頂升裝置將關(guān)鍵件送至拍照位置；3組工業(yè)相機(jī)同時對關(guān)鍵件的3個檢測面拍照并進(jìn)行識別定位；檢測系統(tǒng)自動檢測并通過對比分析來判別關(guān)鍵件尺寸數(shù)據(jù)是否滿足生產(chǎn)要求；將判別結(jié)果輸入主控系統(tǒng)中，同時聯(lián)動操作將不合格產(chǎn)品通過傳送裝置送達(dá)不合格品區(qū)，合格產(chǎn)品通過傳動裝置送達(dá)合格品區(qū)，再由人工將其放置在成品料箱。

圖2 機(jī)器視覺檢測系統(tǒng)工作流程圖

2 工作原理及設(shè)計方案

機(jī)器視覺檢測系統(tǒng)通過相機(jī)(CCD/COMS)采集檢測目標(biāo)的圖像信號，并傳送給專用的圖像處理系統(tǒng)；圖像處理系統(tǒng)將像素分布、亮度和顏色等信息轉(zhuǎn)變成數(shù)字信號，并對這些信號通過各種運算來抽取其特征信息，如面積、數(shù)量、位置等，再根據(jù)預(yù)設(shè)的條件輸出結(jié)果進(jìn)行自動識別。

鐵路貨車關(guān)鍵件機(jī)器視覺檢測系統(tǒng)涉及二維檢測、三維檢測以及深度學(xué)習(xí)等技術(shù)，其中涉及2D相機(jī)的二維檢測項目較多。2D相機(jī)檢測系統(tǒng)用2D相機(jī)在固定位置采集關(guān)鍵件圖像，利用去噪算法、形態(tài)學(xué)算法、邊緣提取算法以及目標(biāo)匹配算法等數(shù)字圖像處理算法進(jìn)行相應(yīng)處理，將目標(biāo)位置提取出來；利用標(biāo)準(zhǔn)件對相機(jī)進(jìn)行標(biāo)定，通過標(biāo)定參數(shù)與處理后的圖像數(shù)據(jù)計算出關(guān)鍵件形狀和尺寸等信息。

關(guān)鍵件定位的準(zhǔn)確性直接影響二維檢測的結(jié)果。傳送裝置中的定位銷等可進(jìn)行關(guān)鍵件的準(zhǔn)確定位，但是如果關(guān)鍵件在機(jī)械加工時存在較大誤差，可能出現(xiàn)二維計算不準(zhǔn)確的情況。對于此問題，利用3D相機(jī)或者輔助傳感器識別關(guān)鍵件姿態(tài)，通過三維算法進(jìn)行校正可保證最終檢測結(jié)果準(zhǔn)確。3D相機(jī)檢測系統(tǒng)與2D相機(jī)檢測系統(tǒng)不同，是利用3D相機(jī)獲取關(guān)鍵件外觀相應(yīng)的三維坐標(biāo)，根據(jù)三維坐標(biāo)對關(guān)鍵件上的點、線、面等特征進(jìn)行尺寸計算。3D相機(jī)檢測系統(tǒng)對工件擺放位置要求不高，且可一次檢測多個關(guān)鍵件。

按照上述設(shè)計方案，鐵路貨車關(guān)鍵件機(jī)器視覺檢測系統(tǒng)使用不同種類的相機(jī)(2D/3D)，利用機(jī)械定位裝置、自動升降裝置以及傳送裝置實現(xiàn)自動化檢測及分類等工作，利用配套智能筆以及標(biāo)識識別裝置等完成檢測數(shù)據(jù)的標(biāo)記、采集和記錄功能。經(jīng)實際驗證，該方案魯棒性相對較高，且對于不同工件的工裝依賴性比較低，具有極強(qiáng)的實用價值。

3 算法設(shè)計

用機(jī)器視覺檢測系統(tǒng)進(jìn)行檢測時，相機(jī)拍攝關(guān)鍵件圖像，并綜合運用多種圖像處理技術(shù)將關(guān)鍵件的尺寸信息從原始圖像中提取出來。鐵路貨車的零部件大多數(shù)由鑄造加工而成，待檢測面為加工面。同時這些零部件有貫穿性和非貫穿性的，表面有比較多的微小瑕疵，孔腳點有磨損。因此本文提出一種基于機(jī)器視覺檢測的比較全面的檢測算法，增加了一些圖像處理過程和對應(yīng)的系統(tǒng)功能實現(xiàn)該算法。檢測算法流程設(shè)計主要有相機(jī)標(biāo)定、圖像采集及濾波、膨脹和腐蝕處理、ROI提取、二次圖像采集及濾波、特征提取與測量等，如圖3所示。

圖3 檢測算法流程圖

3.1 相機(jī)標(biāo)定

相機(jī)標(biāo)定結(jié)果的精度直接影響檢測結(jié)果的準(zhǔn)確性，本文選擇精度為0.001 mm的標(biāo)定板(圖4)進(jìn)行視覺標(biāo)定及矯正，標(biāo)定板的參數(shù)為：陣列個數(shù)7×7，中心距12.5 mm，原點直徑6.25 mm，標(biāo)定板厚1.1 mm。通過標(biāo)定板得到的相機(jī)內(nèi)參數(shù)為：[0.016 346 7，3.75e-0.006，1.750 09e-0.006，2 685.461，2 430.691，5 360，4 850]，相機(jī)外參數(shù)為：[0.000 858 001，-0.001 381 58，0.216 512，0.287 6，359.517，180.1，0]。通過設(shè)置坐標(biāo)原點建立檢測平面與標(biāo)定平面的轉(zhuǎn)換關(guān)系，將像素坐標(biāo)點轉(zhuǎn)換為物理坐標(biāo)點之后，可通過數(shù)據(jù)計算得到實際物理尺寸。

圖4 標(biāo)定板

3.2 最小均方誤差算法(LMS)

相機(jī)采集檢測目標(biāo)的圖像信號，再根據(jù)像素分布、亮度、顏色等信息轉(zhuǎn)變成數(shù)字信號，此過程會引入一部分噪聲，因此首先要對圖像進(jìn)行預(yù)處理以消除噪聲?？紤]到檢測尺寸大多屬于圖像的邊緣部分，選擇保留邊緣更有效的雙邊濾波算法。雙邊濾波算法采用了2個高斯濾波結(jié)合的方法，同時考慮空間鄰近度和像素相似度的權(quán)值，從而達(dá)到保留邊緣、去除噪聲的效果[6]。

雙邊濾波算法主要包括線性自適應(yīng)算法和非線性自適應(yīng)算法。非線性自適應(yīng)算法具有更強(qiáng)的信號處理能力，但計算比較復(fù)雜，因此實際應(yīng)用最多的仍然是線性自適應(yīng)算法。自適應(yīng)算法一般包括最小均方誤差算法(LMS，以下簡稱“LMS算法”)、遞推最小二乘算法(RLS)、變換域自適應(yīng)濾波算法和仿射投影算法。表1為各種自適應(yīng)算法的優(yōu)缺點。

表1 各種自適應(yīng)算法優(yōu)缺點

LMS算法是在維納濾波理論上運用速下降法后的優(yōu)化延伸，最早是由Widrow-Hoff提出來的，也被稱為Widrow-Hoff LMS算法，該算法不需要已知輸入信號和期望信號的統(tǒng)計特征，“當(dāng)前時刻”的權(quán)系數(shù)通過“上一時刻”權(quán)系數(shù)再加上一個負(fù)均方誤差梯度的比例項求得。該算法原理簡單、參數(shù)少、易于實現(xiàn)，在自適應(yīng)濾波器中得到廣泛應(yīng)用，因此本研究采用LMS算法。

3.2.1 基本原理

LMS算法是一種特殊的梯度估計，不必重復(fù)使用數(shù)據(jù)，也不必對相關(guān)矩陣和互相關(guān)矩陣進(jìn)行運算，只需要在每次迭代時利用輸入向量和期望響應(yīng)，原理簡單，易于實現(xiàn)。

根據(jù)小均方誤差準(zhǔn)則以及均方誤差曲面特點，沿每一時刻均方誤差的陡下降在權(quán)向量面上的投影方向更新，也就是通過目標(biāo)函數(shù)的反梯度向量反復(fù)迭代更新。由于均方誤差性能曲面只有唯一一個極小值，只要收斂步長選擇恰當(dāng)，不管初始權(quán)向量在哪，后期都可以收斂到誤差曲面的小點，或者收斂在極小值的一個鄰域內(nèi)。這種沿目標(biāo)函數(shù)梯度反方向來解決小化問題的方法就是前文提到的速下降法，其表達(dá)式為：

(1)

式中：w——濾波器權(quán)向量；

k——時刻；

μ——收斂因子；

基于隨機(jī)梯度算法的小均方自適應(yīng)濾波算法的完整表達(dá)式如下：

y(k)=wT(k)x(k)

(2)

e(k)=d(k)-y(k)

(3)

w(k+1)=w(k)+μe(k)x(k)

(4)

式中：y——實際輸出；

x——訓(xùn)練樣本；

e——期望輸出與實際輸出誤差；

d——期望輸出。

3.2.2 性能分析

文獻(xiàn)[7-9]對隨機(jī)梯度LMS算法的性能進(jìn)行了大量研究。按照自適應(yīng)濾波性能指標(biāo)，假設(shè)輸入信號和期望信號具有聯(lián)合平穩(wěn)性，基于橫向FIR結(jié)構(gòu)的濾波器標(biāo)準(zhǔn)LMS算法的4個性能為收斂性、收斂速度、穩(wěn)態(tài)誤差和計算復(fù)雜度。只有在輸入信號具有嚴(yán)格穩(wěn)定的統(tǒng)計特性時權(quán)向量的優(yōu)解是不變的，否則將會隨著統(tǒng)計特性的變化而變化，而自適應(yīng)算法則能夠通過不斷調(diào)整濾波器權(quán)向量，使其接近優(yōu)解。因此，自適應(yīng)算法在平穩(wěn)條件下的性能表現(xiàn)可以認(rèn)為是非平穩(wěn)條件下的一種特殊情況。如果在平穩(wěn)條件下自適應(yīng)算法能夠快速、平穩(wěn)地逼近權(quán)向量的優(yōu)解，那么在非平穩(wěn)條件下該算法也能很好地逼近時變的權(quán)向量優(yōu)解。

LMS算法包括均值濾波(blur)算法、中值濾波(madianblur)算法和雙邊濾波(bilateralter)算法。均值濾波算法結(jié)構(gòu)簡單，計算速度較快，在去噪聲的同時去除了很多細(xì)節(jié)，但由于邊緣損失部分細(xì)節(jié)，圖像會變得模糊；中值濾波算法在邊界保存方面好于均值濾波算法，但在模板變大的時候一些邊界會出現(xiàn)模糊的情況，因此該算法對于處理椒鹽噪聲和斑塊噪聲非常有效；雙邊濾波屬于非線性濾波，可保留較多的高頻信息，但不能干凈地過濾高頻噪聲，對于低頻濾波能達(dá)到保邊去噪的目的。圖5為各濾波算法得到的實際效果。從圖5的對比可以看出，雙邊濾波可以達(dá)到最佳的噪聲去除效果，并能最大程度地保留邊緣細(xì)節(jié)，且計算速度相對較快，從效率和效果上都是最佳的選擇。

圖5 3種濾波算法實際效果對比

3.3 腐蝕和膨脹處理

采用自動閾值法[10]對圖像進(jìn)行二值化操作和連通域處理后，得到的邊界通常都很不光滑，背景區(qū)域散布著一些小的噪聲，物體區(qū)域則會具有一些噪聲孔，這種情況可利用腐蝕和膨脹處理得到有效改善。腐蝕和膨脹運算應(yīng)用于二值圖像，通過一個探針(是一個集合，稱為結(jié)構(gòu)元素)對二值圖像(是一個集合)進(jìn)行變換，以突出所需要的信息。

(1) 膨脹運算。定義：A⊕B={z|(B)z∩a≠?}，若集合A與B滿足膨脹運算定義，則稱A被B膨脹，也就是對B的反射平移z后，使之與A的交集是不為空的點集合。膨脹運算就是將與物體接觸的所有背景合并到該物體中、使邊界向外擴(kuò)張的過程。因此，膨脹運算常用來填補物體中的空洞及消除目標(biāo)物體中的小顆粒噪聲。例如，在處理一張字跡不清的圖片時，可以用膨脹運算填補字跡的空洞，從而使字跡更加清晰。

(2) 腐蝕運算。定義：A?B={z|(B)z?a}，若集合A與B滿足腐蝕運算定義，則稱A被B腐蝕。也就是將B的反射平移z后，集合被包含在A的點的集合。腐蝕運算是一種消除邊界點、使邊界點向內(nèi)部收縮的過程，具有消除細(xì)小物體、在纖細(xì)處分離物體和平滑較大物體邊界的作用，能消除圖像的背景部分，因此可以起到濾波器的作用。

腐蝕運算用來收縮或者細(xì)化對象，結(jié)構(gòu)元素的大小和形狀決定了收縮的程度和范圍。腐蝕運算時，用某個結(jié)構(gòu)元素對二值圖像進(jìn)行探測，找出圖像內(nèi)部可以容納該結(jié)構(gòu)元素的區(qū)域，是一種消除邊界點、使邊界向內(nèi)部收縮的過程，對于二值圖像的每個點，如果在結(jié)構(gòu)元素范圍內(nèi)的所有點都為1，則該點為1，否則為0；而膨脹運算是使二值圖像加長或變粗的過程，對于二值圖像的每個點，如果在結(jié)構(gòu)元素范圍內(nèi)的所有點都為0，則該點為0，否則為1。腐蝕運算后圖像中的亮點范圍縮減，相反，膨脹運算后亮點的范圍增大，膨脹運算為二值圖像的邏輯運算中的或運算，而腐蝕運算則為與運算，如圖6所示。

圖6 腐蝕膨脹運算的二值圖像的邏輯運算

把腐蝕和膨脹運算推廣到任意的灰度圖，對于任意灰度圖，腐蝕運算求結(jié)構(gòu)元素范圍內(nèi)(領(lǐng)域)最小值，即腐蝕運算使領(lǐng)域中心值變?yōu)榻Y(jié)構(gòu)元素內(nèi)的最小像素值。比如，結(jié)構(gòu)元素為矩形領(lǐng)域，則腐蝕運算對每個像素求取以該像素為中心的矩形領(lǐng)域內(nèi)的最小像素值，膨脹運算就是求矩形領(lǐng)域內(nèi)的最大值。通過Blob分析得到大概邊界輪廓后，先對輪廓進(jìn)行腐蝕運算，再進(jìn)行膨脹運算，然后通過剪切區(qū)域分割出待提取的準(zhǔn)確邊界。圖7為Blob分析得到的圖像。

3.4 ROI提取

ROI提取是利用Mask(掩膜)技術(shù)提取純色背景圖像ROI區(qū)域中的人或物，并將提取出來的人或物添加在其他圖像上。ROI提取流程是：先通過cv.cvtColor( )函數(shù)將原RGB彩色圖像轉(zhuǎn)換為hsv色彩空間的圖像，然后通過cv.inRange( )函數(shù)獲得ROI區(qū)域的mask，最后利用cv.bitwise( )函數(shù)提取得到ROI，具體ROI提取流程如圖8所示。

圖8 ROI提取流程

對于拍攝的整幅圖像，只針對關(guān)鍵尺寸所在的區(qū)域進(jìn)行計算即可[11]，避免對整幅圖像進(jìn)行過度處理，還能提高系統(tǒng)響應(yīng)速度。因此，先根據(jù)目標(biāo)的特征信息(如面積、數(shù)量、位置等)將大致的目標(biāo)邊緣提取出來，然后利用形態(tài)學(xué)處理中的腐蝕和膨脹算法進(jìn)行ROI提取，圖9為ROI提取圖像。

圖9 ROI提取圖像

3.5 特征提取與測量

以鐵路貨車關(guān)鍵部件中間體為例，利用標(biāo)定參數(shù)與處理后的圖像計算中間體的形狀和尺寸等信息。圖10是相機(jī)拍攝的鐵路貨車中間體，其中彩色圓標(biāo)出的圓孔1～4是提取到的目標(biāo)孔位置，可根據(jù)這些目標(biāo)孔位置計算其直徑、擬合圓心、孔距以及孔圓心到毛坯中心線距離等，通過與技術(shù)指標(biāo)的對比結(jié)果判斷相應(yīng)測量參數(shù)是否合格，同時得到具體偏差，實現(xiàn)自動測量和識別功能。圖10中的綠色數(shù)據(jù)為自動生成的檢測結(jié)果，其中226.011 682 mm、226.078 342 mm分別為圓孔1與圓孔3、圓孔2與圓孔4的距離，76.090 617 mm、76.083 460 mm為圓孔1與圓孔2、圓孔3與圓孔4的距離，21.999 596 mm、21.990 868 mm、22.021 915 mm和22.014 180 mm為擬合圓孔的直徑。

圖10 中間體檢測示意圖

由于邊界干擾，提取到的邊緣輪廓會有很多虛假邊緣，因此，轉(zhuǎn)入亞像素輪廓分析以后，通過Blob分析算法提取圓弧邊緣輪廓，然后根據(jù)輪廓的直徑、輪廓長度等輪廓特征篩選得到最終提取的邊緣輪廓。這樣得到的曲線輪廓有閉合輪廓和非閉合輪廓，根據(jù)輪廓軸端距離、忽略點數(shù)、迭代次數(shù)等參數(shù)將輪廓擬合為圓心，圓擬合效果如圖11所示。

圖11 圓擬合效果圖

4 檢測驗證

為驗證基于機(jī)器識別檢測算法的可行性與正確性，就貨車關(guān)鍵部件中間體進(jìn)行檢測研究，具體檢測位置如圖12所示。圖12中毛坯中心線是上下2個精加工面的中心點連線上的一個點與方孔的連線，綠色數(shù)據(jù)為自動生成的檢測結(jié)果，對應(yīng)檢測指標(biāo)見表2。

圖12 實際檢測位置

表2 中間體檢測指標(biāo) mm

檢測時，采用2 600萬像素全局快門相機(jī)，16 mm鏡頭、白色面光源對部件進(jìn)行正面采集，對應(yīng)每個位置分別采集、檢測10次，中間體各檢測項的標(biāo)準(zhǔn)值與檢測值見表3。

表3 中間體各檢測項的標(biāo)準(zhǔn)值與檢測值 mm

對檢測結(jié)果進(jìn)行對比分析，可以看出：檢測值與實際值的平均相對誤差基本低于0.50%，檢測精度較高；檢測效率基本上達(dá)到32件/h，檢測速度快；單個檢測項目10次檢測的平均相對誤差(10次檢測數(shù)據(jù)的加權(quán)平均值與標(biāo)準(zhǔn)數(shù)據(jù)做差獲得的差值與標(biāo)準(zhǔn)數(shù)據(jù)的比值)低于0.50%，滿足檢測需求。

5 結(jié)束語

本研究針對傳統(tǒng)人工檢測方法效率低和準(zhǔn)確性差等現(xiàn)狀，以鐵路貨車關(guān)鍵件中間體為例，提出一種基于機(jī)器視覺技術(shù)對鐵路貨車零部件幾何尺寸的檢測算法，該算法可對關(guān)鍵件幾何尺寸進(jìn)行實時檢測并做出相應(yīng)處理。相較人工質(zhì)檢，該算法檢測精度高，檢測速度快，穩(wěn)定可靠，對提高貨車關(guān)鍵件檢修效率、降低勞動強(qiáng)度具有重要意義，而且為基于計算機(jī)視覺的關(guān)鍵部件檢測算法研究提供了新的思路和方法。