CN102116610B - 基于机器视觉的汽车配件尺寸在线自动检测方法及装置 - Google Patents

Abstract

本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，一种基于机器视觉的汽车配件尺寸在线自动检测方法及装置，为解决人工在线检测汽车配件尺寸劳动强度大及检测质量差的问题，利用工业相机对在自动化流水线运行的汽车配件拍摄的清晰完整的、无瑕疵的标准汽车配件图像作为标准图像模板存贮于计算机，根据用户要求设置汽车配件检测参量的精度范围，利用工业相机将实时拍摄的在线运行的汽车配件图像传输至计算机与标准图像模板进行对比处理，并计算配件尺寸，如配件精度低于设定要求，则由计算机启动报警，提示操作人员对次品进行处理，对汽车配件尺寸检测精度高、速度快，大大降低人工检测的劳动强度。

Description

基于机器视觉的汽车配件尺寸在线自动检测方法及装置

技术领域

本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，主要涉及在汽车配件生产现场，利用机器视觉系统对汽车配件尺寸进行在线检测方法及装置。

背景技术

在汽车配件自动化流水线的生产车间，需要对汽车配件的各种尺寸进行检测。目前，工厂生产中对配件尺寸的检测主要依靠人工测量的方法。由于自动化流水线每分钟生产多个零件，而每个零件需要对多个零件尺寸如配件长度、高度、圆的半径等进行检测，在两个零件生产间隔完成这些测量工作是几乎不可能完成的。因此，实际生产中，采用的是产品抽检的方法。该方法不能保证未抽检产品的合格率。而且，由于人工检测劳动强度大，人工长时间工作容易产生视觉疲劳，无法保证检测质量，因此也无法保证抽检产品出厂的合格率。而且生产效率和成品率较低，产品的一致性较差，同时操作人员劳动强度大，并且对其技能具有很高的要求。随着对产品性能、质量稳定性的要求和产量需求的不断提高，人工测量愈来愈难以适应。近年来，计算机视觉作为一种测量定位手段越来越引起人们的重视，它是综合运用图像处理、精密测量、以及模式识别、人工智能等技术的非接触检测方法。

在基于机器视觉的测量技术中，边缘检测的精度和准确度是图像测量的关键指标。经典的边缘检测算法是基于图像梯度的微分算子方法。这种算子需要对每一个像素进行计算，实际应用中常用小区域模板卷积来进行近似计算。经典的算子包括Roberts模板、Sobel模板Prewitt模板、Kirsch模板、Laplacian模板等。此类模板的典型特点是简单，方便，但抑制噪声的能力较弱。

近些年，随着智能优化技术的兴起，利用智能优化技术对图像进行边缘检测研究引起了人们很大的兴趣，出现了基于遗传算法、粒子群优化(简称PSO)等许多新的边缘检测方法，基于智能优化的边缘检测技术研究是现在边缘检测算法的主要研究方向。

粒子群优化算法是一种基于群体智能方法的演化计算技术，该算法最大的优势就是实现起来简单并且没有许多参数需要调整。目前，基于粒子群优化进行图像边缘检测的研究主要有张颖等研究的粒子群优化算法在柔性边缘检测方法选取中的应用，石振刚等提出的将粒子群算法与模糊聚类算法相结合并应用于图像边缘检测的方法，以解决后者的初值敏感性和易陷入局部极值这两大缺陷，聂笃宪等提出的应用粒子群优化算法对边缘检测模板系数进行优化的方法。然而，由于粒子群优化算法存在易早熟、局部搜索能力较差等缺点，影响了该算法在机器视觉和边缘检测中的广泛应用。

发明内容

本发明要解决的技术问题是：针对现有汽车配件尺寸人工检测劳动强度大及容易产生视觉疲劳、无法保证检测质量及产品出厂合格率低的问题，提供了一种基于机器视觉的汽车配件尺寸在线自动检测方法及装置，大大降低了工人的检测劳动强度，提高了配件产品检测的精确度，可以有效保证出厂产品的合格率。

本发明解决其技术问题所采用的技术方案是：一种基于机器视觉的汽车配件尺寸在线自动检测方法，方法为：

(1)根据对汽车配件尺寸的精度要求，设置拍摄清晰汽车配件图像的摄像机参数；

(2)利用工业摄像机以及由外部触发信号控制所述摄像机拍摄在线运行汽车配件图像传至计算机；

(3)设置待检测汽车配件标准尺寸，根据要求设置检测参量的精度；

(4)选择清晰完整的标准汽车配件图像作为标准图像进行图像算法处理，提取图像边缘，计算汽车配件参量；图像模板存贮于计算机，每个汽车配件存贮一幅标准图像模板；

(5)由外部触发信号控制摄像机，实时拍摄自动化流水线上汽车配件的图像，并将拍摄的图像传输至计算机供检测；

(6)计算机对接收到的实时拍摄汽车配件图像进行图像算法处理，提取图像边缘，计算汽车配件参量；

(7)通过计算所得汽车配件参量与(3)中设置的汽车配件标准尺寸比较，根据要求设置的检测参量精度，在检测参量精度范围之内的为合格产品，在检测参量精度范围之外的为次品，由计算机提示进行次品处理。

在基于机器视觉的测量技术中，边缘检测的精度和准确度是图像测量的关键指标。针对经典的边缘检测算法存在精度低，抗噪能力弱等缺点，本发明提出采用粒子群优化进行边缘检测的方法。针对粒子群优化算法存在易早熟、局部搜索能力较差等缺点。本发明提出了基于混沌变异的量子粒子群优化(简称CMQPSO)算法进行图像边缘检测的方法，该方法将量子门变异技术融入到量子粒子群优化算法当中，利用量子非门实现粒子搜索方向的变异以避免早熟收敛。并在此基础上，提出将混沌搜索融入到变异量子粒子群优化算法当中，利用混沌搜索的随机性、遍历性来提高算法在局部区域的细搜能力，来进行精密测量，提高测量的精度。

进一步，所述的(4)中的图像算法处理为基于混沌变异量子粒子群优化进行图像算法处理，并计算配件参量，具体为

(4a)对实时拍摄的汽车配件图像进行灰度化操作；

(4b)对图像进行3*3均值滤波；

(4c)利用混沌变异量子粒子群优化算法白适应搜索阈值，并以此作为边缘检测算子的门限值；

(4d)对灰度图像进行二值化处理；

(4e)基于混沌变异量子粒子群优化算法设计Sobel算子模板设计；

(4f)基于Sobel算子进行边缘检测；

(4g)零件参量测量；

(4h)最优阈值和Sobel算子保存。

其中(4c)参照(4e)的算法，Sobel算子模板具有如下的运算形式：

其中e(n)代表了边缘特征，w_j代表了模板的不同权重，x_j代表了图像的灰度值。图像的边缘检测问题可以转化为边缘检测滤波器系数x_j的寻优问题，基于混沌变异量子粒子群优化算法进行最优Sobel算子设计的主要步骤如下：

●初始化边缘模板系数，在允许的范围[0，255]内随即设置初始化粒子群；

●用模板对标准测试图像进行检测，并与理想边缘比较，根据式(1)确定适用值；

●根据要求，大部分粒子按量子粒子群算法更新粒子的位置和速度；部分粒子按量子非门进行变异更新；

●确定全局最优粒子和个体最优粒子，对全局最优粒子进行混沌搜索。

●检查终止条件，输出最佳模板系数，算法结束，否则回到第二步。

进一步，所述的(6)中的图像算法处理为基于混沌变异量子粒子群优化进行图像算法处理，并计算配件参量，具体为

(6a)对实时拍摄汽车配件的图像进行灰度化操作；

(6b)对图像进行3*3均值滤波；

(6c)利用4(c)确定的最优阈值对灰度图像进行二值化处理；

(6d)利用4(e)确定的最优Sobel算子进行边缘检测；

(6e)基于标准零件定位，进行零件参量计算。

一种基于机器视觉的汽车配件尺寸在线自动检测装置，具有位于汽车配件生产线上方的摄像机、连接在摄像机上的计算机，计算机上连接有具有不合格产品进行报警的报警装置，摄像机上连接有安装在汽车配件生产线上控制摄像机的光电开关和位于汽车配件生产线上方与光电开关配套使用的的光源。当有汽车配件经过时，由于感应装置的感应控制摄像机进行拍摄，然后将拍摄的图像传于计算机进行计算，合格则通过，不合格启动报警装置进行处理。

本发明的有益效果是：本发明的基于机器视觉的汽车配件尺寸在线自动检测方法及装置，采用机器视觉系统对汽车配件进行在线检测，取代人工抽检，如有次品出现，则通过人机界面在计算机中提示，并进行报警，操作工据此进行次品处理，大大降低工人的检测劳动强度；提高了生产效率和产品合格率。本发明可根据用户要求设置所述检测参量的精度范围，既能达到用户要求，又能有效提高检测速度。另外，为克服经典图像处理技术存在的缺点，本发明提出了基于粒子群优化算法进行图像处理的方法，针对粒子群优化算法存在易早熟、局部搜索能力较差等缺点。本发明提出了基于混沌变异的量子粒子群优化(简称CMQPSO)算法进行图像边缘检测的方法，该方法将量子门变异技术融入到量子粒子群优化算法当中，利用量子非门实现粒子搜索方向的变异以避免早熟收敛。并在此基础上，将混沌搜索融入该改进算法，利用混沌搜索的随机性、遍历性来提高算法在局部区域的细搜能力，实现精密计算。这些技术，大大提高了测量的精度。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是自动检测装置的结构示意图；

图2是汽车配件的一个结构示意图；

图3是图2待测参量示意图；

图4是自动检测工艺步骤图；

图5是标准汽车配件图像处理算法流程图；

图6是待测汽车配件图像处理算法流程图。

图中1、汽车配件生产线，2、摄像机，3、计算机，4、报警装置，51、光电开关，52、光源，6、汽车配件。

具体实施方式

现在结合附图和优选实施例对本发明作进一步的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示一种基于机器视觉的汽车配件尺寸在线自动检测装置，具有位于汽车配件生产线1上方的摄像机2、连接在摄像机2上的计算机3，计算机3上连接有具有不合格产品进行报警的报警装置4，摄像机2上连接有安装在汽车配件生产线1上控制摄像机2的光电开关51和位于汽车配件生产线1上方与光电开关51配套使用的的光源52。

图2是汽车配件的一个结构示意图；图3是图2待测参量示意图；图4是自动检测工艺步骤图；图5是标准汽车配件图像处理算法流程图；图6是待测汽车配件图像处理算法流程图。

具体实施过程为：

1.将北京大恒图像设备公司的型号为DH-HV1303UC的彩色摄像机2，固定在汽车配件自动化流水线正上方1.6m处，摄像机2使用日本Computar M0814-MP镜头，光圈调到最大值，增益(其决定图像的反差效果)调为8；触发模式选1(外触发)，采用白色30W大功率LED面光源52，正上方照射，以便能比较稳定地拍摄到清晰的汽车配件图像，并显示在计算机3屏幕上。

2.对每个标准图像设置检测点位置并设定标准尺寸，按客户要求设置汽车各配件的精度要求，如配件的长度、宽度、圆的半径的相对误差均应该小于等于0.25％等，如超出要求精度，则判定为不合格产品或次品。

3.采用扩散反射型的欧姆龙光电开关51，型号为E3JK-DS30M。由光电开关51启动外部触发与控制信号，启动摄相机拍摄自动化流水线上运行的汽车配件图像6，由操作人员选择标准产品的清晰完整的汽车配件图像作为标准图像，对标准图像进行图像算法处理，提取图像边缘，计算汽车配件参量；每个汽车配件均存贮一幅标准图像模板于计算机3中。对标准图像进行图像算法处理的步骤如下：

(3a)对实时拍摄汽车配件的图像进行灰度化操作；

(3b)对图像进行3*3均值滤波；

(3c)利用混沌变异量子粒子群优化算法自适应搜索最优阈值，并以此作为边缘检测算子的门限值；

(3d)对灰度图像进行二值化处理；

(3e)基于混沌变异量子粒子群优化算法设计最优Sobel算子模板设计；

(3f)基于最优Sobel算子进行边缘检测；

(3g)零件参量计算；

(3h)最优阈值和Sobel算子保存。

其中(3c)参照(3e)的算法，Sobel算子模板具有如下的运算形式：

$e\left(n\right)=\underset{j=1}{\overset{\mathrm{\β}}{\mathrm{\Σ}}}{w}_j\left(n\right)x_j\left(n\right)---\left(1\right)$

其中，e(n)代表了边缘特征，w_j代表了模板的不同权重，x_j代表了图像的灰度值。这样，图像的边缘检测问题可以转化为边缘检测滤波器系数x_j的寻优问题。可总结基于混沌变异量子粒子群优化算法进行最优Sobel算子设计的主要步骤如下：

●初始化边缘模板系数，在允许的范围[0，255]内随即设置初始化粒子群；

●用模板对标准测试图像进行检测，并与理想边缘比较，根据式(1)确定适用值；

●根据要求，大部分粒子按量子粒子群算法更新粒子的位置和速度；部分粒子按量子非门进行变异更新；

●确定全局最优粒子和个体最优粒子，对全局最优粒子进行混沌搜索。

检查终止条件，输出最佳模板系数，算法结束，否则回到第二步。

4.由光电开关51启动外部触发信号控制所述拍摄相机，实时拍摄自动化流水线上在线运行汽车配件的图像，并按下述步骤对实时拍摄的图像进行处理：

(4a)对实时拍摄汽车配件的图像进行灰度化操作；

(4b)对图像进行3*3均值滤波；

(4c)利用3(c)确定的最优阈值对灰度图像进行二值化处理；

(4d)利用3(e)确定的最优Sobel算子进行边缘检测；

(4e)基于标准零件定位，进行零件参量计算。

5.如有检测参量超出设定参量精度范围之外，则由计算机3启动报警装置4，计算机通过人机交互界面进行提示，提示操作人员进行汽车配件次品处理，转第4步继续拍摄，否则直接转第4步继续拍摄。

判断产品尺寸是否在合格范围内，如合格精度要求是0.25％，则当配件的长、宽、和配件中的圆半径相对误差均小于0.25％时，作为合格产品送入下一工序装配；若任一尺寸超出范围，则通过报警装置的声光电报警，提示操作人员将其作为不合格产品直接剔除。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于机器视觉的汽车配件尺寸在线自动检测方法，其特征在于：其方法为

(1)利用工业摄像机以及由外部触发信号控制所述摄像机拍摄在线运行汽车配件图像传至计算机；

(2)根据对汽车配件尺寸的精度要求，设置拍摄清晰汽车配件图像的摄像机参数；

(3)设置待检测汽车配件标准尺寸，根据要求设置检测参量的精度；

(4)选择清晰完整的标准汽车配件图像作为标准图像进行图像算法处理，提取图像边缘，计算标准汽车配件参量；图像模板存贮于计算机，每个汽车配件存贮一幅标准图像模板；

(5)由外部触发信号控制摄像机，实时拍摄自动化流水线上汽车配件的图像，并将拍摄的图像传输至计算机供检测；

(6)计算机对接收到的实时拍摄的汽车配件图像进行图像算法处理，提取图像边缘，计算汽车配件参量；

(7)通过计算所得汽车配件参量与(3)中设置的汽车配件标准尺寸比较，根据设置的检测参量精度，在检测参量精度范围之内的为合格产品，在检测参量精度范围之外的为次品，由计算机提示进行次品处理；

所述的(4)中的图像算法处理为基于混沌变异量子粒子群优化进行图像算法处理，并计算标准汽车配件参量，具体为：

(4a)对实时拍摄的标准汽车配件图像进行灰度化操作；

(4b)对图像进行3*3均值滤波；

(4c)利用混沌变异量子粒子群优化算法自适应搜索阈值，并以此作为边缘检测算子的门限值； 

(4d)对灰度图像进行二次化处理；

(4e)基于混沌变异量子粒子群优化算法设计Sobel算子模板设计；

(4f)基于Sobel算子进行边缘检测；

(4g)标准汽车配件参量计算；

(4h)最优阈值和Sobel算子保存；

其中(4c)参照(4e)的算法，Sobel算子模板具有如下的运算形式：

式(1)中e(n)代表了边缘特征，w_j代表了模板的不同权重，x_j代表了图像的灰度值， 图像的边缘检测问题可以转化为边缘检测滤波器系数x_j的寻优问题，基于混沌变异量子粒子群优化算法进行最优Sobel算子设计的主要步骤如下：

●初始化边缘模板系数，在允许的范围[0，255]内随即设置初始化粒子群；

●用模板对标准测试图像进行检测，并与理想边缘比较，根据式(1)确定适用值；

●根据要求，大部分粒子按量子粒子群算法更新粒子的位置和速度；部分粒子按量子非门进行变异更新；

●确定全局最优粒子和个体最优粒子，对全局最优粒子进行混沌搜索；

●检查终止条件，输出最佳模板系数，算法结束，否则回到第二步；

所述的(6)中的图像算法处理为基于混沌变异量子粒子群优化进行图像算法处理，具体为：

(6a)对实时拍摄汽车配件的图像进行灰度化操作； 

(6b)对图像进行3*3均值滤波；

(6c)利用4(c)确定的最优阈值对灰度图像进行二值化处理；

(6d)利用4(e)确定的最优Sobel算子进行边缘检测；

(6e)基于标准汽车配件定位，进行汽车配件参量计算。

2.一种用于权利要求1方法的检测装置，其特征在于：具有位于汽车配件生产线(1)上方的摄像机(2)、连接在摄像机(2)上的计算机(3)，计算机(3)上连接有具有不合格产品进行报警的报警装置(4)，摄像机(2)上连接有安装在汽车配件生产线(1)上控制摄像机(2)的光电开关(51)和位于汽车配件生产线(1)上方与光电开关(51)配套使用的的光源(52)。 

Images