發布時間：2022-03-23所屬分類：工程師職稱論文瀏覽：1次
摘 要： 摘 要 針對環形器件表面檢測中存在的問題，文中以環形金屬涂層陶瓷為研究對象，提出了一種基于機器視覺的表面缺陷檢測方法。該方法使用 Canny 邊緣檢測和 Hough 變換快速定位同心圓輪廓，進而提取金屬涂層區域。為了將極坐標轉換為直角坐標，文中采用徑向投影方法將環
摘 要 針對環形器件表面檢測中存在的問題，文中以環形金屬涂層陶瓷為研究對象，提出了一種基于機器視覺的表面缺陷檢測方法。該方法使用 Canny 邊緣檢測和 Hough 變換快速定位同心圓輪廓，進而提取金屬涂層區域。為了將極坐標轉換為直角坐標，文中采用徑向投影方法將環形金屬涂層圖轉換為矩形狀圖。最后，對連通域面積和周長進行分析，確定環形陶瓷金屬涂層是否存在缺陷。實驗結果表明，對于缺損面積大于 0. 5 mm × 0. 5 mm 的樣品，該算法的檢測正確率為 98% 。
關鍵詞 環形器件表面; 機器視覺; 邊緣檢測; Hough 變換; 缺陷檢測; 徑向投影; 坐標轉換; 檢測系統
環形金屬涂層陶瓷在新能源汽車、5G 基站部分濾波器以及高性能航空發電機等領域的應用十分廣泛[1]。因此，對環形陶瓷金屬涂層缺陷的檢測也越來越重要。由于環形陶瓷的體積小，通常難以發現其金屬涂層的缺陷，故長期以來缺乏針對該問題的自動檢測研究。
近年來，機器視覺發展為環形圖像檢測提供了便捷[2 - 5]，也為金屬涂層表面缺陷檢測創造了較好的條件。文獻[3]用投影法聯合 Hough 變換定位圓心和半徑，將 Hough 變換的三維累計轉變到一維累計。該方法雖然簡化了算法量，但同心圓的數量和缺陷位置的難預知性導致這種算法對噪聲過于敏感。文獻[4]采用標定方法和亞像素技術實現了對單個圓環圖像器件的精密測量，但不能檢測其表面缺陷，并且該方法對于多同心圓圖像的檢測存在算法量大以及抗干擾能力差的問題。本文所提方法旨在從降低噪聲、增強抗干擾能力等方面提升對環形陶瓷金屬涂層缺陷的檢測能力。
1 環形陶瓷金屬涂層缺陷檢測算法
環形金屬涂層陶瓷如圖 1 所示。要利用機器視覺方法檢測涂層正面和反面的金屬涂層缺陷，必須先獲取正、反兩面的圖像。從任何一面來看，其圖像都包含 3 個同心圓，即裸露陶瓷內環、金屬涂層內環和外環。缺陷檢測的干擾主要來自陶瓷內環的背景、金屬涂層內環和外環背景及金屬涂層邊緣噪聲。
文獻[3]所提出的投影法聯合 Hough 變換可準確檢測環形陶瓷尺寸，但多重噪聲會嚴重干擾環形陶瓷金屬涂層缺陷檢測，降低同心圓定位準確度。利用文獻[3]的方法對環形金屬涂層陶瓷圖像進行水平方向投影時，由于掃描線上存在多個灰度突變的像素點，致使圓心定位發生偏差，如圖 2 所示。
為了最大限度避免金屬涂層在圖像中受到多重干擾，更加準確地進行缺陷檢測，本文采取分段處理、逐步優化的方法來獲取缺陷的位置。首先，剔除背景噪聲。運用 Canny 邊緣檢測及 Hough 變換檢測同心圓參數，通過計算 3 個同心圓的參數，濾除陶瓷內環背景、金屬涂層內環和外環背景，提取金屬涂層圖像; 然后，剔除邊緣噪聲。為簡化計算量，裁剪金屬涂層圓環最小外接矩形，對該區域進行徑向投影，結合閾值分割的方法濾除金屬涂層邊緣噪聲; 最后，缺陷判斷與定位。在濾除完噪聲的金屬涂層區域尋找連通域，計算連通域面積和周長大小，判斷其是否有缺陷，并做定位。
1. 1 提取環形金屬涂層區域并剔除背景噪聲
光照、現場環境等因素將影響環形金屬涂層陶瓷圖像的獲取過程。采集到的圖像存在噪聲，嚴重影響缺陷檢測的精度。這時可運用中值濾波方法濾除部分噪聲干擾。由于環形金屬涂層陶瓷圖像的特殊性，本文采用一種以圖像歸一化直方圖為基礎的對一維陣列進行計算的方法，在類間方差最大的情況下獲取圖像二值化的最佳閾值，以達到最佳分割效果。
在濾波和二值化結束后，通過 Canny 邊緣檢測，尋找三重同心圓輪廓。Hough 變換需要在 5 維空間尋找峰值，對于檢測多個同心圓，該方法計算量較大。本文采用 Hough 變換的方法快速檢測圓心和半徑參數。其原理為: 橢圓圓心是距離圓上任意一點最大距離最小的點，這個最小距離的最大值就是長半軸 α; 得到生成的兩個輪廓數組后，計算二維平面上所有的點和輪廓數組上的點的最大距離，距離最大的點即是橢圓的圓心 C( x0，y0 ) ; 最后設置閾值，超過閾值則進行擬合。
由于采集到的圖像尺寸較大且目標區域較小，導致圖像處理過程中計算耗時過長，浪費計算資源。因此，需對目標區域進行裁剪。在提取圓環型零件的整體輪廓之后，對整體環形區域進行最小外接矩形裁剪。此方法可以提高后續缺陷識別精度，加快識別速度。
由簡化 Hough 變換檢測的圓心和半徑參數可知，金屬環最大半徑為 r3，最小半徑( 裸露陶瓷最大半徑) 為 r2，裸露陶瓷環最小半徑為 r1。
圖 3 中，原點到 r1是陶瓷環環內背景; r1 ～ r2是裸露陶瓷區域; r2 ～ r3是金屬涂層區域，也就是要提取的目標區域。
由于現場采集圖像噪聲較大，無法確定環內和環外背景灰度值變換。因此，將 r2半徑所組成圓的區域進行掩膜，濾除裸露陶瓷區域和環內背景，得到金屬涂層區域和環外背景。通過比較灰度直方圖尋找目標區域和環外背景的邊界，將與環外背景灰度值相同的像素點 濾 除，從而對金屬涂層區域進行提 取，如 圖 4 所示。
1. 2 對金屬涂層區域徑向投影并剔除邊緣噪聲
提取出來的金屬涂層區域邊緣，仍然存在較大噪聲，不利于細小缺陷的識別。在圓環圖像中對其進行邊緣濾噪的難度較大且精度不高。
在圖 3 中，圓心是極點，r2和 r3所組成區域里的每個像素點，都有其特定的極坐標。將圓心當作直角坐標系下的原點，使 X 軸與極軸正半軸重合，滿足極坐標轉換為直角坐標的條件。
由環狀圖轉為矩形狀圖之后，原圖中陶瓷環環內背景、裸露陶瓷部分以及陶瓷環外部背景已經被濾除。如圖5 所示，矩形狀圖上、下邊緣仍然有明顯的陰影部分，這些是圖7 中金屬涂層邊緣噪聲。運用 Otsu 算法( 大津法) 獲得全局最佳閾值 threshold，對圖5 進行二值化處理。
計算得到二值化圖像每行灰度值為 255 的點的個數，設 置 一 個 閾 值 ( 經 多 次 試 驗，取 該 圖 像 列 數 的 2 /3) ，當某行灰度值為 255 的點的個數小于該閾值時，將該行所有點的灰度值全部都置為零，否則置為 255。濾除灰度值全部為 255 的行，得到如圖 6 所示圖像。
1. 3 金屬涂層缺陷判斷與定位
得到去除陰影部分的矩形狀圖像后，再運用之前得到的最佳全局閾值 threshold，對圖 6 進行反二值化操作。在此基礎上，提出一種效率較高的缺陷識別算法: 尋找二值化圖像中連通區域，并得到連通區域的面積和周長。設置閾值，當二值化圖像中存在面積大于 0. 5 mm2 ，或者周長大于 1. 5 mm 的連通域時，判定該圓環存在缺損類缺陷，并標記缺陷位置。最后，計算得到缺陷大小和形狀，結果如圖 7 所示。通過標記方框的 4 個頂點可以對缺陷進行定位與追蹤。
本文來源于：《電子科技》為月刊，每月15日出版。主要刊登高等院校、科研院所、電子行業企事業單位等科研機構在電子技術應用、通信工程、計算機科學技術與應用、網絡安全及信息、光電子材料等領域最新的學術、技術論文、工程技術應用研究、教學實踐總結、行業綜述等稿件。
將缺陷標記后的圖像進行徑向投影反變換，還原到環形圖像。
2 環形陶瓷金屬涂層缺陷檢測系統
2. 1 環形陶瓷金屬涂層缺陷檢測系統設計
為了驗證本文所提出的缺陷檢測方法滿足企業對于環形金屬涂層陶瓷雙面檢測需求，并實現了零件進料、正反面拍照、自動化檢測以及剔除，本文通過圖形界面顯示并標識缺陷位置，設計了環形陶瓷金屬涂層缺陷檢測系統。系統總體結構如圖 8 所示。機械結構包括三級傳送裝置、翻面結構和剔除結構。其中 PLC ( Programmable Logic Controller) 負責控制三路步進電機速度和發出剔除信號。
2. 1. 1 三級傳送裝置設計
沿待檢測瓷環輸送方向依次安裝一級傳動帶、二級傳動帶和三級傳動帶。二級傳動帶的前端位于一級傳動帶的末端的下方，三級傳動帶的前端位于二級傳動帶的末端的下方，零件通過一級傳送帶進入檢測裝置，完成進料。從一級傳動帶輸送過來的待檢測零件在不翻面的情況下抵達二級傳動帶，二級傳動帶輸送過來的待檢測陶瓷環在翻面后抵達三級傳動帶。
2. 1. 2 翻面結構與剔除
為了保證零件翻面的準確率，在二級傳動帶的末端一側和三級傳動帶的前端上方設置輔助翻面結構。輔助翻面結構包括連成夾角的第一引導板和第二引導板。第一引導板的上端朝向二級傳動帶的末端，第一引導板的下端沿待檢測陶瓷環輸送方向向下傾斜; 第二引導板的上端沿待檢測陶瓷環輸送方向向上傾斜，第二引導板的下端沿相反于待檢測陶瓷環輸送方向的方向向下傾斜。
將正面不合格品通過氣嘴在二級、三級傳送帶間隙剔除。反面不合格品在三級傳送帶末端剔除。
2. 1. 3 三路步進電機同步差速運行控制
為了保證零件翻面的準確率，避免在圖像采集過程中有多個零件進入相機視野，需要設定三路步進電機同步差速運行，即可以獨立控制三路電機運行速度與方向。通過電機驅動器來驅動步進電機，利用 PLC 給電機驅動器發脈沖信號。計算機通過串口與 PLC 連接，搭載 Modbus 協議包，編寫上位機界面，實時調試脈沖頻率。同時，經過圖像檢測，計算機將不合格的零件信息告知 PLC。隨后 PLC 打開氣閥開關，將其剔除�？刂齐姍C轉速的上位機界面如圖 9 所示。
2. 1. 4 環形陶瓷金屬涂層缺陷檢測系統顯示界面
將檢測過程中所有信息通過圖形界面顯示。顯示內容包括: 兩個相機連接情況、正反面檢測結果信息以及正反面圖像檢測結果。結果顯示界面如圖 10 所示。
2. 2 系統工作流程
系統總體工作流程如圖 11 所示。
系統上電后，對各組成部分進行初始化，設置相機為觸發拍照模式，曝光 500 ms，將環形金屬涂層陶瓷送入一級傳送裝置，加速后進入二級傳送裝置。1 號相機對其正面進行取圖，并由計算機進行處理分析。若樣品存在缺陷，則控制氣嘴進行吹氣剔除; 若樣品合格，則通過翻面機構進入三級傳送裝置，通過 2 號相機對其反面進行拍照，將不合格品剔除，保留合格品。最后，保留相關缺陷信息，以便為生產廠家提供產品優化數據。
3 實驗結果及分析
3. 1 表面缺陷檢測實驗
將總數 N = 40 個環形金屬涂層陶瓷樣品以隨機位置放置在工業相機下靜態取圖檢測。實驗分為 6 組進行，每組包含不同數量的缺陷品，且缺陷面積大于 0. 5 mm × 0. 5 mm。各組實際缺陷品數量分別為 20、 26、30、33、35、36 個，缺陷檢測結果如表 1 所示。
由于樣品位置擺放的隨機性，缺陷對光線的反射情況不同，導致在成像過程中缺陷處的灰度值不同，定位同心圓輪廓不準確。因此，該方法對環形陶瓷金屬涂層缺損類缺陷識別存在誤差，檢測成功率為 98% 。
3. 2 環形器件翻面實驗
為了驗證所設計系統在運行過程中環形金屬涂層陶瓷翻面的準確性，將總數 M = 300 個環形金屬涂層陶瓷以隨機位置放入一級傳送帶。伴隨一級傳送帶轉動，樣品進入二級傳送帶，系統對其正面進行缺陷識別。樣品經過輔助翻面裝置進入三級傳送帶，系統對其反面進行缺陷識別。實驗示意圖如圖 12 所示。
一級傳送帶的設定工作速度為 2 cm·s - 1 ; 二級傳送帶的設定初始速度 v = 2. 5 cm·s - 1 ; 二、三級傳送帶對應的傳動輪直徑 d = 2 cm，二、三級傳送帶的高度差 h = 3 cm。為了使得樣品翻面率達到 99% ，通過改變二級傳送帶初始速度 v 尋求其最佳閾值范圍。實驗結果如表 2 所示。
由于機械加工存在工藝誤差，以及步進電機有丟步現象，所以多級傳送帶在運行過程中會存在卡頓，使零件翻面失敗。在對 300 個樣品進行 8 組翻面實驗中，有 20 次翻面不成功。實驗結果顯示，當二級傳送帶初始速度 v = 3 ～ 5. 5 cm·s - 1 時，翻面成功率達到 99% 。
4 結束語
本文針對環形陶瓷金屬涂層缺陷在機器視覺檢測中特殊的成像，提出一種分段處理、逐步優化的方法。該方法通過濾除背景噪聲、邊緣噪聲，實現了對金屬涂層缺損類缺陷的識別。為了驗證算法的準確性，本文設計了檢測系統，并利用該系統解決了環形陶瓷金屬涂層自動化檢測、準確翻面、跟蹤剔除等問題。隨后，本文分別對缺陷檢測精度和翻面成功率進行探究性實驗。結果顯示，金屬涂層缺陷檢測正確率為 98% ，零件翻面成功率為 99% 。目前，該檢測系統已經在某陶瓷廠投入使用。——論文作者：馬 鼎1，2 ，吳定祥3 ，唐立軍1，2
參考文獻
[1] 李軍，程健. 復雜背景圖像下基于邊緣點校驗的圓檢測方法[J]. 計算機工程，2018，44( 3) : 259 - 263. Li Jun，Cheng Jian. Circle detection method based on edge point verification applied to complex background image[J]. Computer Engineering，2018，44( 3) : 259 - 263.
[2] 李健康，黃建斌，劉涵，等. 基于機器視覺的電連接器殼體表面質 量 實 現[J]. 電 子 科 技，2017，30 ( 3 ) : 146 - 148，152. Li Jiankang，Huang Jianbin，Liu Han，et al. Research for surface quality of electric connector shell based on machine vision[J]. Electronic Science and Technology，2017，30( 3) : 146 - 148，152.
[3] 楊凱斌，吳定祥，龔金成，等. 圓環陶瓷檢測算法研究[J].中國陶瓷，2017，53( 3) : 39 - 44.Yang Kaibin，Wu Dingxiang，Gong Jincheng，et al. Research on detection algorithm of ceramic ring[J]. China Ceramics， 2017，53( 3) : 39 - 44.
[4] 劉歡，唐曌堃. 基于計算機視覺的易碎產品包裝檢測系統設計[J]. 自動化與儀器儀表，2019( 12) : 30 - 33. Liu Huan，Tang Zhaokun. Design of fragile product packaging inspection system based on computer vision[J]. Automation & Instrumentation，2019( 12) : 30 - 33.
[5] 章佳佳，楊振超，周律. 基于 MATLAB 圖像處理的果核分揀系統[J]. 電子科技，2017，30( 9) : 50 - 52. Zhang Jiajia，Yang Zhenchao，Zhou Lü. The cores sorting system research using image processing based on MATLAB[J]. Electronic Science and Technology，2017，30( 9) : 50 - 52.
[6] 黃遠民，易銘，楊曼，等. 基于機器視覺的板材表面缺陷自動檢測方法研究[J]. 人工智能與機器人研究，2019，8 ( 3) : 109 - 117. Huang Yuanmin，Yi Ming，Yang Man，et al. Research on automatic detection method of plate surface defects based on machine vision[J]. Artificial Intelligence and Robotics Research，2019，8( 3) : 109 - 117.
[7] 楊凱斌，唐立軍，劉曉春，等. 基于紋理公因子的異源圖像配準方法[J]. 計算機工程，2016，42( 11) : 233 - 237. Yang Kaibin，Tang Lijun，Liu Xiaochun，et al. Different source image registration method based on texture common factor[J]. Computer Engineering，2016，42( 11) : 233 - 237.
[8] 陳浩，譚檢成，李明鑫，等. 基于 ARM + FPGA 的微小陶瓷管缺陷檢測系統設計[J]. 計算機測量與控制，2018，26 ( 3) : 39 - 42. Chen Hao，Tan Jiancheng，Li Mingxin，et al. Design of micro ceramic tube defect detection system based on ARM + FPGA [J]. Computer Measurement & Control，2018，26 ( 3 ) : 39 - 42.
SCISSCIAHCI
