摘要

利用圖像處理與機器視覺技術(shù)開發(fā)了一套安全氣囊檢測系統(tǒng)，實現(xiàn)了對安全氣囊生產(chǎn)過程某一工位處關(guān)鍵尺寸的亞像素測量。介紹了該檢測系統(tǒng)的總體組成和主要工作流程; 分別介紹了該系統(tǒng)的軟硬件設(shè)計; 并選取實際氣囊對所開發(fā)的檢測系統(tǒng)進(jìn)行了可行性、有效性的驗證。通過實驗表明該系統(tǒng)的檢測結(jié)果符合實際生產(chǎn)的要求。

21 世紀(jì)以來，汽車行業(yè)發(fā)展迅猛。安全氣囊作為汽車的安全輔助工具，它的出現(xiàn)大大降低了死亡率，因而必須確保其尺寸精確，并能正常使用。對安全氣囊傳統(tǒng)的檢 測方法主要是借助千分表、輪廓儀等工具進(jìn)行人工抽檢［1］。然而在長時間、大批量的工作模式下，工作人員由于身體條件、視覺疲勞等因素，造成產(chǎn)品誤檢率高，極大地 限制了生產(chǎn)效率和產(chǎn)品質(zhì)量。

針對上述情況，開發(fā)了一套基于機器視覺的安全氣囊檢測系統(tǒng)，實現(xiàn)對安全氣囊關(guān)鍵尺寸的亞像素測量。該系統(tǒng)具有非接觸、實時、高精度、高效率的特點，可有效降低企業(yè)的人工成本，同時減少誤檢率和漏檢率，提高企業(yè)的生產(chǎn)效率和經(jīng)濟效益。

1

視覺檢測系統(tǒng)設(shè)計

1.1 尺寸測量技術(shù)要求

待檢測對象安全氣囊的實物圖如圖 1 所示。對氣囊進(jìn)行檢測主要是對其外輪廓尺寸大小和預(yù)縫線間距進(jìn)行測量，具體要求如下: （1）對氣囊外輪廓尺寸進(jìn)行測量，測量誤差范圍為±0.5 mm。 （2） 對預(yù)縫線間距進(jìn)行測量，測量誤差范圍為±0.5mm。 針對以上需求，設(shè)計并開發(fā)了一套基于機器視覺的氣囊尺寸檢 測系統(tǒng)。示例中的氣囊外輪廓尺寸為 205.55mm，預(yù)縫線間距為 140.16 mm。

圖 1 待檢測的安全氣囊實物圖

1.2 系統(tǒng)的工作原理

視覺檢測系統(tǒng)主要由光源、相機、計算機、執(zhí)行機構(gòu)等部分組合而成［2］，如圖 2 所示。其工作原理是: 照明光源發(fā)出平行光照射在檢測工件上，工業(yè)相機采集圖像，將光信號轉(zhuǎn)換成圖像數(shù)據(jù)傳送給計算機，由計算機完成圖像處理、分析和計算等，并將處理結(jié)果以信號的形式發(fā)送給執(zhí)行機構(gòu)，指導(dǎo)機器的運行。

1.3 系統(tǒng)的結(jié)構(gòu)設(shè)計

該視覺系統(tǒng)的結(jié)構(gòu)設(shè)計主要從硬件系統(tǒng)和軟件系統(tǒng)兩方面展開。

圖 2 視覺檢測系統(tǒng)的原理圖

硬件系統(tǒng)包含機械裝置、圖像采集子系統(tǒng)以及計算機等部分，其中圖像采集子系統(tǒng)是整個硬件系統(tǒng)的核心模塊，由光源、相機以及照明系統(tǒng)等復(fù)合而成，其任務(wù)是對工件進(jìn)行圖像數(shù)據(jù)采集［3］。對圖像采集子系統(tǒng)的設(shè)計主要從相機和光源的選型、光照模式的設(shè)計等兩個方面入手。根據(jù)檢測工件的表面屬性和幾何外形，結(jié)合檢測指標(biāo)為外輪廓尺寸和預(yù)縫線間距測量，決定選用 MER－ 503－ 20GM / C－P 相機，選擇線性 LED 條形光源，以垂直照射的方式進(jìn)行照明，如圖 3( a) 所示。

軟件系統(tǒng)是基于 Window 操作系統(tǒng)平臺，依托 Visual Studio 2013 中 MFC 和開源圖像處理庫 OpenCV2．4．9 設(shè)計的 UI 界面，主要包括視頻顯示、圖像結(jié)果顯示、識別與測量及設(shè)備控制等功能模塊，如圖 3( b) 所示。圖中左側(cè)兩個窗口分別為“視頻顯示窗口”和“圖像結(jié)果顯示窗口”；界面右側(cè)從上到下依次是“串口通信窗口”、“設(shè)備控制窗 口”、“檢測識別與測量窗口”以及“檢測結(jié)果顯示窗口”。

圖 3 檢測系統(tǒng)的結(jié)構(gòu)設(shè)計

2

檢測原理與算法實現(xiàn)

針對氣囊的尺寸測量，采用基于灰度圖像的邊緣特征，通過濾波與增強，改善圖像質(zhì)量，銳化邊緣細(xì)節(jié)，并通 過亞像素定位技術(shù)，提高邊緣定位精度，最后通過對邊緣 的直線擬合和直方圖投影，進(jìn)行尺寸測量，整個檢測算法 流程如圖 4 所示。

圖 4 氣囊尺寸測量算法流程圖

2.1 圖像濾波

在進(jìn)行圖像采集和數(shù)據(jù)傳輸時，因受到圖像傳感器質(zhì)量、環(huán)境光照等因素的影響，常常會引入無關(guān)的噪聲，不利于后續(xù)圖像識別。圖 5 所示為采集圖像的外輪廓和預(yù)縫線區(qū)域的局部圖，可以看出圖像含有大量的噪聲點。

圖 5 原始圖像

在圖像處理中，主要運用圖像濾波進(jìn)行噪聲點的去除。目前，常用的濾波方法有高斯濾波、均值濾波和中值 濾波等。采用上述 3 種濾波方法分別對工件圖像進(jìn)行處理，同時以峰值信噪比( PSNR)［4］作為質(zhì)量評價指標(biāo)，最終決定采用高斯濾波對圖像進(jìn)行去噪處理。

高斯濾波是一種廣泛使用的線性平滑濾波器，主要思路是對整幅圖像進(jìn)行加權(quán)平均，從而消除噪聲點的影響， 其具體操作是: 通過高斯核的離散化窗口滑窗卷積來實現(xiàn)，高斯核是一個奇數(shù)的大小高斯模板。

高斯模板中的各個參數(shù)主要通過二維高斯函數(shù)計算給出，其具體公式如下:

式中 δ 表示標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差 δ 越小，表示濾波平滑效果越不明顯。

采用高斯濾波對采集圖像進(jìn)行噪聲點的去除，效果如 圖 6 所示，可以看到噪聲點被平滑處理掉，圖像質(zhì)量得到明顯改善。

圖6 高斯濾波后的圖像

2.2 圖像增強

經(jīng)過高斯濾波之后的圖像，噪聲點被濾除，但是由于引入平均的效果，使得邊緣細(xì)節(jié)變得模糊。為了抵消這種模糊的因素，應(yīng)該增強圖像的對比度。采用 Laplace 算子， 對圖像邊緣進(jìn)行銳化處理。

Laplace 算子是一種各向同性的二階微分算子［5］，而圖像的邊緣灰度是階躍變化的，在數(shù)學(xué)上表示為其二階導(dǎo)數(shù)過零點，故可利用 Laplace 算子對進(jìn)行圖像銳化，可以有效地定位邊緣點，并通過加強邊緣的灰度值，使圖像的對 比度增強，同時使邊緣細(xì)節(jié)得到提升。

如圖 7 所示，經(jīng)過 Laplace 算子增強后，可以發(fā)現(xiàn)圖像的對比度得到了提高，預(yù)縫線和外輪邊緣也更加清晰，有利于后續(xù)圖像邊緣的檢測。

圖7 Laplace 圖像增強后的效果

2.3 邊緣檢測

圖像邊緣指的是其周圍像素灰度急劇變化的那些像 素的集合，它主要存在于目標(biāo)、背景與區(qū)域之間，對圖像進(jìn) 行邊緣檢測是圖像識別的重要步驟［6］。采用亞像素技術(shù) 對像素級邊緣進(jìn)行精細(xì)再分，提高了圖像的分辨率，具體 實現(xiàn)過程如下:

（1）粗定位階段，以像素為單位，進(jìn)行傳統(tǒng)的邊緣檢測;

（2）精定位階段，采用圖像處理算法，實現(xiàn)像素精細(xì)劃分。在粗定位階段，傳統(tǒng)的像素級邊緣檢測算子主要有:

Roberts 算子、Prewitt 算子、Sobel 算子、Log 算子、Canny 算子等［7］。從定位精度和邊緣細(xì)節(jié)兩方面，對比上述檢測算子的檢測效果，如圖 8 所示，可以發(fā)現(xiàn) Roberts 算子、Prewitt 算子、Sobel 算子檢測結(jié)果相似，能夠準(zhǔn)確定位邊緣，但是邊緣細(xì)節(jié)模糊，而 Canny 算子檢測效果最佳，定位精度高，邊緣連續(xù)性強，故在粗定位階段采用 Canny 算子進(jìn)行邊緣檢測。

在精定位階段，采用基于 Zernike 矩的亞像素邊緣檢測算法，并對階躍閾值的選擇進(jìn)行改進(jìn)，利用 Otsu 法( 大津法) 確定最佳分割閾值 T 作為階躍閾值，對檢測邊緣進(jìn)行精確定位。

改進(jìn)的 Zernike 矩邊緣檢測算法具體步驟如下。步驟 1: 計算 Zernike 矩的 Z00、Z11、Z20;

步驟2: 根據(jù)公式( 2) ，計算出Φ的值;

Φ= tan-1( Im［Z11］/Re［Z11］) ( 2)

步驟3: 利用Zernike 矩的旋轉(zhuǎn)不變性，求得Z'00、Z'11、Z'20;

步驟5: 利用Otsu 法確定最佳分割閾值作為階躍閾值 T; 步驟 6: 取距離閾值 δ，若滿足條件 k ≥T 且 h≤δ，則該像素點即為邊緣點。

通過 Otsu 法確定最佳分割閾值 T = 86，并設(shè)置距離閾值 δ 為一個像素單位，進(jìn)行亞像素邊緣檢測，如圖 9 所示。可以看出采用改進(jìn)的 Zernike 矩邊緣檢測算法提取的圖像邊緣無毛刺，且連續(xù)性更強，為后續(xù)的高精度尺寸測量提供了保證。

圖9 改進(jìn)的Zernike 矩邊緣檢測效果圖

2.4 尺寸測量

通過對氣囊的邊緣圖像進(jìn)行分析，發(fā)現(xiàn)外輪廓具有波 浪形邊緣，而預(yù)縫線邊緣具有明顯的傾斜角度，并且含有 線頭邊緣，對測量產(chǎn)生極大的干擾，針對以上問題，分別提 出了基于直線擬合和直方圖投影的測量算法，檢測效果如 圖 10 所示。

圖 10 氣囊尺寸測量效果圖

1）直線擬合測量算法

對于外輪廓的尺寸測量，其核心步驟在于對輪廓的擬 合，最小二乘法是最常見的直線擬合方法，其具體步驟如下。

步驟 1: 采集圖像上、下邊緣，采用最小二乘法擬合基準(zhǔn)直線 L1 和 L2;

步驟 2: 計算中心點( x0，y0) ，將上邊緣 x 坐標(biāo)均值作為 x0，根據(jù)直線 L2方程獲取中心點位置;

步驟 3: 利用該中心點的基準(zhǔn)直線 L1的距離，進(jìn)行測距。

2）直方圖投影算法

首先對工件的邊緣圖像進(jìn)行輪廓提取，同時獲得每個輪廓的最小外接矩形，再依據(jù)面積和長寬比等幾何特征， 定位預(yù)縫線檢測區(qū)域 R1和 R2，并記錄其左上角頂點坐標(biāo)，如圖 10 所示。

對定位出的預(yù)縫線區(qū)域，進(jìn)行直方圖投影，其具體步驟是: 首先遍歷 ROI 區(qū)域 R1和 R2，統(tǒng)計區(qū)域內(nèi)非 0 值像素的個數(shù) Ni，以行數(shù)為橫坐標(biāo)，Ni 為縱坐標(biāo)，繪制直方圖，并記錄直方圖最大值所在位置行數(shù)，計為 I1max 和 I2max，如圖 11 所示。結(jié)合 ROI 區(qū)域的位置坐標(biāo)，作差即可求得預(yù)縫線間距。

圖11 預(yù)縫線像素直方圖

3

實驗結(jié)果與分析

對本視覺系統(tǒng)進(jìn)行重復(fù)性測量實驗，即將氣囊在相機視野中任意位置擺放 10 次，采用檢測系統(tǒng)對氣囊進(jìn)行尺寸測量，并計算其測量均值和標(biāo)準(zhǔn)差，測量結(jié)果如表 1 所示。

通過表 1 可知，外輪廓測量均值為 205.55 mm，其標(biāo)準(zhǔn)偏差為 0.0317 mm，預(yù)縫線間距測量均值為 140.15 mm，標(biāo)準(zhǔn)偏差為 0.023 5 mm，標(biāo)準(zhǔn)偏差均在± 0.05 mm 之間，滿足了生產(chǎn)實際的精度要求。同時為了更加直觀體現(xiàn)，繪制其檢測結(jié)果折線圖如圖 12 所示。

圖12 零件檢測結(jié)果折線圖

由圖 12 可知雖然該系統(tǒng)測得的數(shù)據(jù)整體比較理想， 測量結(jié)果基本在測量均值附近，但是也有個別數(shù)據(jù)會產(chǎn)生波動，出現(xiàn)這種情況，主要有以下幾個方面原因:

鏡頭誤差。由于鏡頭制造工藝的限制，使得鏡頭存在畸變，在光學(xué)成像時產(chǎn)生一定的誤差。

環(huán)境誤差。受到環(huán)境光照的影響，使得被測工件的邊緣亮度和陰影產(chǎn)生變化，這將導(dǎo)致在邊緣提取時產(chǎn)生 一定的誤差。

算法誤差。對外輪廓進(jìn)行直線擬合時，由于輪廓具有波浪形邊緣，使得擬合出的結(jié)果會存在一定的誤差。

4

結(jié)論

根據(jù)安全氣囊安全尺寸的檢測要求，開發(fā)了一套視覺檢測系統(tǒng)，該系統(tǒng)采用改進(jìn)的Zernike 矩的亞像素邊緣算法，實現(xiàn)邊緣的精確定位，提高了測量精度。針對工件兩個不同的測量指標(biāo)，分別提出了基于直線擬合的點測距和基于直方圖投影測距的測量方法。在實例驗證下， 檢測精度符合工業(yè)生產(chǎn)要求，有效地提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。

參考文獻(xiàn)

［1］ 季瑩． 安全氣囊的技術(shù)現(xiàn)狀與發(fā)展趨勢［J］． 汽車與配件，2012( 10) : 34-37．

［2］ WESLEY E，SNYDER，HARIONG Qi． Machine vision［M］． Camb: Cambridge University Press，2005．

［3］ 章煒． 機器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用［J］． 紅外技術(shù)，2006，27( 2) : 11-16．

［4］ 劉國陽． 基于機器視覺的微小零件尺寸測量技術(shù)研究［D］．哈爾濱: 哈爾濱工業(yè)大學(xué)，2014．

［5］ 周文舉． 基于機器視覺的在線高速檢測與精確控制研究與應(yīng)用［D］． 上海: 上海大學(xué)，2013．

［6］ 左敦穩(wěn)． 視覺技術(shù)在智能機械加工中的應(yīng)用研究［J］． 機械制造與自動化，2018，47( 6) : 1-6．

［7］ 汪田． 基于機器視覺的油泵殼體尺寸測量系統(tǒng)［D］． 杭州: 浙江大學(xué)，2018．

責(zé)任編輯：xj

原文標(biāo)題：基于機器視覺的安全氣囊檢測系統(tǒng)研究

文章出處：【微信公眾號：新機器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。