CN106204528A - 一种零件几何质量的尺寸检测方法 - Google Patents

Abstract

本发明提供的零件几何质量的尺寸检测方法，通过被测零件进行多角度拍摄，并对多幅图像进行拼接和处理，以克服大尺寸零件检测过程中相机视场不足的难题，对红外热传感仪和CCD相机拍摄的图像进行图像融合处理成一幅图像，处理后的图像中包含更为丰富的图像细节，有效消除制造现场混杂的图像噪声、振动影响，提高检测精度，通过提取融合后图像的边缘，得到被测零件边缘的几何参数坐标值，对几何参数坐标值进行计算得到被测零件的尺寸大小，该方法适用于检测大尺寸，不规则、复杂、动态生产的零件的尺寸，为我国制造业实现新型自动化精密检测提供理论支撑和技术保障，具有极为重要的理论和应用意义。

Description

一种零件几何质量的尺寸检测方法

技术领域

本发明涉及图像处理领域，尤其涉及零件几何质量的尺寸检测方法。

背景技术

图像处理是指用计算机对图像进行分析，以达到所需结果的技术，又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术的一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。现有的图像处理方法在机器视觉、人脸识别等非接触领域有着广泛应用。大都采用灰度特征将图像数据转化为若干组特征值，但灰度转化具有一定相关性，不利于图像识别精度提高。

目前不少企业都在大规模生产些大尺寸，不规则、复杂的零件，且在生产过程中，零件是动态的，在这些零件的生产过程中，往往需要对这些零件的边缘进行检测，从而得到零件的尺寸大小，来判断零件的尺寸是否符合生产要求。现有的对零件的生产过程中的边缘检测方法主要是通过相机对零件进行拍摄，然后通过拍摄的图像来识别图像的边缘，但是现有的图像处理主要用来代替人眼精度的识别和检测，应用在低速、静态场合，不能满足用于检测大尺寸，不规则、复杂、动态生产的零件的边缘的需求，因此，亟需提出一种零件几何质量的尺寸检测方法，能够用于检测大尺寸，不规则、复杂、动态生产的零件的尺寸大小，检测精度高。

发明内容

针对现有技术中存在的上述不足，本发明专利目的在于怎么提供一种零件几何质量的尺寸检测方法，能够用于检测大尺寸，不规则、复杂、动态生产的零件的尺寸，检测精度高。

为解决上述技术问题，实现发明目的，本发明采用的技术方案如下：

一种零件几何质量的尺寸检测方法，首先，分别用红外热传感仪和CCD相机对被测零件进行多角度拍摄，得到多幅红外图像和相机图像；然后，依次分别对红外图像和相机图像进行预处理，图像融合处理，边缘提取处理后，得到被测零件边缘的几何参数坐标值；其次利用标定板对几何参数坐标值进行坐标标定，将几何参数坐标值转换为被测零件空间平面实际坐标和几何参数值；最后通过对被测零件空间平面实际坐标和几何参数值进行计算，得到被测零件的尺寸大小。

进一步，所述对红外图像和相机图像进行预处理的步骤为：首先将红外图像和相机图像进行直方图均衡化处理；然后利用邻域均值滤波对图像进行降噪和平滑处理；最后采用微分梯度对图像进行图像增强处理，得到红外预处理图像和相机一次预处理图像，对相机一次预处理图像进行二次滤波得到相机预处理图像。

进一步，所述图像融合处理的步骤为：首先Matlab融合算法采用小波变换函数和二维离散小波逆变换函数确定小波基函数和小波分解层数，对红外预处理图像和相机预处理图像进行小波变换，得到各图像中的高频子带和低频子带；然后针对各图像中的高频子带和低频子带进行融合得到融合图像；低频子带采用区域加权平均法选择融合系数；高频子带以局部能量大小为依据，如果其对应像素局部能量差值大于设定的阈值时，采用局部能量极大准则选择高频子带的融合系数，如果其对应像素局部能量差值小于阈值时，采用加权平均确定高频子带的融合系数。

进一步，所述被测零件边缘的几何参数坐标值是指图像亚像素边缘坐标；所述边缘提取处理的步骤为：首先利用数学形态学边缘检测方法确定融合图像的像素级边缘，得到像素级图像；然后假设像素级图像的重心移到坐标原点，将像素级图像的像素点映射到单位圆内，确立理想阶跃边缘模型；其次根据Otsu自适应阈值算法得到最优阶跃灰度阈值，假设采用的模板大小为N*N，计算像素级图像中各阶Zernike矩，由下式可得到图像亚像素边缘坐标；

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]+\frac{Nl}{2}\left[\begin{array}{c}cos\left(\mathrm{\φ}\right)\\ sin\left(\mathrm{\φ}\right)\end{array}\right]$

其中，式中(x_i,y_i)是像素级图像中边缘亚像素坐标值；(x,y)是理想阶跃边缘的原点坐标值；l为理想阶跃边缘模型圆心到边缘的垂直距离；φ是边缘垂线与x轴的夹角。

相比于现有技术，本发明具有如下优点：

本发明提供的零件几何质量的尺寸检测方法，通过被测零件进行多角度拍摄，并对多幅图像进行拼接和处理，以克服大尺寸零件检测过程中相机视场不足的难题，对红外热传感仪和CCD相机拍摄的图像进行图像融合处理成一幅图像，处理后的图像中包含更为丰富的图像细节，有效消除制造现场混杂的图像噪声、振动影响，提高检测精度，通过提取融合后图像的边缘，得到被测零件边缘的几何参数坐标值，对几何参数坐标值进行计算得到被测零件的尺寸大小，该方法适用于检测大尺寸，不规则、复杂、动态生产的零件的尺寸，为我国制造业实现新型自动化精密检测提供理论支撑和技术保障，具有极为重要的理论和应用意义。

具体实施方式

下面结合实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

一种零件几何质量的尺寸检测方法，首先，分别用红外热传感仪和CCD相机对被测零件进行多角度拍摄，得到多幅红外图像和相机图像；然后，依次分别对红外图像和相机图像进行预处理，图像融合处理，边缘提取处理后，得到被测零件边缘的几何参数坐标值；其次利用高精度标定板对几何参数坐标值进行坐标标定，将几何参数坐标值转换为被测零件空间平面实际坐标和几何参数值；最后通过对被测零件空间平面实际坐标和几何参数值进行计算，得到被测零件的尺寸大小。

具体实施时，可根据设计零件视觉图像的几何参数选择合适的精密运动实验台、运动实验台包括可移动CCD相机、镜头、光源、红外传感仪和采集卡。因制造现场环境既有灰尘，又有噪声、振动，而且光线复杂、明暗不定，CCD相机所拍图像分辨率虽高却适应环境差，存在很大不足，红外图像抗振动和干扰强但对比度低，因此红外图像和相机图像正好能够提互补图像信息，克服制造现场环境的影响。零件几何质量(主要是尺寸大小)的检测大部分为二维检测，其难点在于检测精度、速度以及对检测成本的控制，本发明方法除了采用高性价比的硬件外，还通过后续高效图像处理算法提供检测精度与速度。对于大尺寸的零件，将运动实验台的可移动相机和红外热传感仪拍摄多幅图像进行拼接、融合处理，对于复杂、不规则的零件需要检测零件深度或垂直面、曲线等几何参数时，可通过运动实验台多角度扫描、拍照，确定零件的点云数据，实现三维检测。因此，本检测方案能有效实现不规则、大尺寸、复杂零件的几何质量精密检测，通过图像融合克服环境影响，通过运动实验台克服立体视觉景深不足问题，具有很好的拓展性。

该方法通过被测零件进行多角度拍摄，并对多幅图像进行拼接和处理，以克服大尺寸零件检测过程中相机视场不足的难题，对红外热传感仪和CCD相机拍摄的图像进行图像融合处理成一幅图像，处理后的图像中包含更为丰富的图像细节，有效消除制造现场混杂的图像噪声、振动影响，提高检测精度，通过提取融合后图像的边缘，得到被测零件边缘的几何参数坐标值，对几何参数坐标值进行计算得到被测零件的尺寸大小，该方法适用于检测大尺寸，不规则、复杂、动态生产的零件的尺寸，为我国制造业实现新型自动化精密检测提供理论支撑和技术保障，具有极为重要的理论和应用意义。

为保证图像融合的质量，需要对采集到的红外图像和相机图像分别进行预处理，突出有用信息，减少图像融合计算量。常用预处理技术包括灰度分布统计、均值、中值滤波等。鉴于精密检测的高精度，所述对红外图像和相机图像进行预处理的步骤为：首先将红外图像和相机图像进行直方图均衡化处理；然后利用邻域均值滤波对图像进行降噪和平滑处理；最后采用微分梯度对图像进行图像增强处理，得到红外预处理图像和相机一次预处理图像，对相机一次预处理图像进行二次滤波得到相机预处理图像。

图像融合是本发明的关键技术之一，常用的图像融合方法有线性加权融合、金字塔模型、小波变换等，小波变换相较其它融合方法有明显优势。但小波变换分解图像数据时存在方向性不足，以及最佳小波基函数选择、最佳小波分解层设置、融合规则匹配性等难题。本发明通过前期对二维小波进行过研究，发现不可分小波能克服可分小波的不足，可构造同时具有正交性、紧支撑和对称性的小波滤波器组，在图像融合时不会产生像素冗余和移位。因此所述图像融合处理的步骤为：首先Matlab融合算法采用小波变换函数dwt2和二维离散小波逆变换函数idwt2确定小波基函数和小波分解层数，小波基函数包括有图像近似系数、水平细节系数、垂直细节系数、对角细节系数；小波基分解层数一般为3-5层；对红外预处理图像和相机预处理图像进行小波变换，得到各图像中的高频子带和低频子带；然后针对各图像中的高频子带和低频子带进行融合得到融合图像；

低频子带采用区域加权平均法选择融合系数，算法如下：

①设红外图像为A,相机图像为B，对A和B分别进行小波分解，获得融合后的低频信号量C_A，C_B；

②用区域加权平均法计算融合后的低频系数C_F，即

C_F＝w_AC_A+w_BC_B

其中，w_A,w_B为权系数，w_A+w_B＝1；如果图像A的贡献大，则取w_A＞w_B；反之则取w_A＜w_B。

高频子带以局部能量大小为依据，如果其对应像素局部能量差值大于设定的阈值时，采用局部能量极大准则选择高频子带的融合系数，如果其对应像素局部能量差值小于阈值时，采用加权平均确定高频子带的融合系数，这样可以清晰保留图像细节信息，克服传统小波融合的不足，算法如下：

1)计算红外图像与相机图像经过小波分解之后的高频分量的区域能量区域中值和匹配度

$E_{k,j}^i(x,y)=\underset{m\∈M,n\∈N}{\Σ}{\[D_{k,j}^i(x+m,y+n)\]}^2;$

其中，表示第k个图像的小波分解系数。当i＝1，2，3时，则表示水平、垂直、对角线方向的小波分解系数。

${\mathrm{MED}}_J^i(x,y)=\underset{m\∈M,n\∈N}{\Σ}\frac{D_{k,j}^i(x+m,y+n)}{M\×N};$

${\mathrm{Match}}_J^i(x,y)=\underset{m\∈M,n\∈N}{\Σ}2\frac{\[D_{A,J}^i(x+m,y+n)\]\[D_{B,J}^i(x+m,y+n\]}{E_{A,J}^i(x,y)+E_{B,J}^i(x,y)};$

其中，(x,y)为图像中像素点坐标，m，n为系数，为高频系数矩阵中以(x,y)为中心，大小为M*N的区域能量，融合区域尺寸一般为3*3，5*5，7*7，9*9的矩形区域。分别为图像A，B在(x+m,y+n)位置处的第J层小波分解系数；分别为图像A，B以(x,y)为中心的区域能量。

2)确定预设的阈值Thr，0.5<Thr<1；

3)比较匹配度和阈值；

如果匹配度小于阈值时，则融合后的高频系数由下面公式计算确定：

$F_J^i(x,y)=\left\{\begin{array}{ccc}{D}_{A,J}^i(x,y)& if& E_{A,J}^i(x,y)\&GreaterEqual;E_{B,J}^i(x,y)\\ D_{B,J}^i(x,y)& if& E_{A,J}^i(x,y)<E_{B,J}^i(x,y)\end{array}\right.;$

如果匹配度大于阈值时，则融合后的高频系数由下面公式计算确定：

其中分别为图像A，B的区域中值。

图像分割是零件几何参数测量的基础，边缘提取的精度决定实际几何参数的测量精度。显然以像素精度的传统边缘检测算法不能满足要求，而亚像素精度算法如样条插值等计算量大、效率低。Zernike矩的边缘检测效率高，只需3个Zernike矩就可计算4个参数，计算速度快，但难点在于需要人工反复调节阈值，影响精度。本发明将采取Zernike矩快速算法与Otsu自适应阈值分割相结合，快速提取零件图像的亚像素边缘。所述被测零件边缘的几何参数坐标值是指图像亚像素边缘坐标；所述边缘提取处理的步骤为：首先利用数学形态学边缘检测方法确定融合图像的像素级边缘，得到像素级图像；然后假设像素级图像的重心移到坐标原点，将像素级图像的像素点映射到单位圆内，确立理想阶跃边缘模型；其次根据Otsu自适应阈值算法得到最优阶跃灰度阈值，假设采用的模板大小为N*N，计算像素级图像中各阶Zernike矩，由下式可得到图像亚像素边缘坐标；

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]+\frac{Nl}{2}\left[\begin{array}{c}cos\left(\mathrm{\&phi;}\right)\\ sin\left(\mathrm{\&phi;}\right)\end{array}\right];$

其中，式中(x_i,y_i)是像素级图像中边缘亚像素坐标值；(x,y)是理想阶跃边缘的原点坐标值；l为理想阶跃边缘模型圆心到边缘的垂直距离；φ是边缘垂线与x轴的夹角。

无论是不规则零件还是规则零件，其几何参数均由直线、曲线、圆、椭圆、弧度、平面、曲面组成。曲面通过可移动视觉可转化成平面与线。为将零件几何质量检测具体化，本实施例拟选取汽车、摩托车发动机的精密曲轴和精密齿轮(这两种典型精密零件为发动机核心零部件，几何精度要求高，并且包含直线、曲线、椭圆、弧度等典型特征)为具体研究对象。其几何参数分别为，曲轴：曲轴颈(曲轴销)长度、直径、偏心、曲轴柄宽度、油孔位置与尺寸；齿轮：齿顶(根)高、齿距、齿槽宽、顶隙、分度圆(基圆、齿顶圆、齿根圆)直径、啮合角。只要测量其中一到两个几何参数值(如曲轴：直径、长度，齿轮：齿高、齿距、分度圆直径)，根据零件的数学模型即可得到其它几何参数值。为此，拟将上述两种零件的亚像素边缘图像的感兴趣区域(ROI)进行参数拟合，求解亚像素坐标值。即采用数学形态学定位零件图像边缘，利用Zernike矩和Otsu自适应阈值分割提取图像亚像素边缘，运用最小二乘法确定几何参数坐标，

然后利用高精度固定棋盘格(尺寸1mm*1mm，误差1μm)作为标定板进行坐标标定，将几何参数坐标值转换为零件空间平面实际坐标和几何参数值，根据误差标准，判定零件几何质量，具体步骤为：

①将棋盘格固定在工作台上，调整工作台使得标定板与相机平行，相机光轴垂直标定板且经过标定板中心，调节标定板距离，选取合适位置作为参考面；

②参考模板，结合像素尺寸计算棋盘格图像尺寸，求解图像尺寸与实际尺寸的缩放比例，记作d₁；

③沿相机光轴移动棋盘格ΔZ，计算每个棋盘格尺寸，求解图像尺寸和实际尺寸的缩放比例d₂；

④根据下面公式计算相机有效焦距f；

f＝ΔZ/(d₁-d₂)；

⑤循环执行步骤③-④，直至求解整个景深范围内平均有效焦距，执行步骤⑥；

⑥根据平均有效焦距和几何投影模型，对棋盘格特征点(角点)重实际投影，最后通过与直接获取的特征点像素位置的比较优化主点位置，确定像素值(坐标)与尺寸(坐标)之间的关系。为验证零件几何质量图像精密检测理论，需要设计视觉检测软件系统原型，验证和修正所建立的理论体系，应用于实践。本实施例将在Visual Studio环境中采用C++语言设计界面，调用NI Vision软件处理包。对于图像融合算法、亚像素边缘提取，则采用Matlab仿真实现，用C++调用Matlab中设计的程序代码，完成原型系统设计，通过代码重组和模块化思想，使系统原型检测功能随几何参数变化而迅速重组，具有良好拓展性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种零件几何质量的尺寸检测方法，其特征在于，首先，分别用红外热传感仪和CCD相机对被测零件进行多角度拍摄，得到多幅红外图像和相机图像；然后，依次分别对红外图像和相机图像进行预处理，图像融合处理，边缘提取处理后，得到被测零件边缘的几何参数坐标值；其次利用标定板对几何参数坐标值进行坐标标定，将几何参数坐标值转换为被测零件空间平面实际坐标和几何参数值；最后通过对被测零件空间平面实际坐标和几何参数值进行计算，得到被测零件的尺寸大小。

2.如权利要求1所述的零件几何质量的尺寸检测方法，其特征在于，所述对红外图像和相机图像进行预处理的步骤为：首先将红外图像和相机图像进行直方图均衡化处理；然后利用邻域均值滤波对图像进行降噪和平滑处理；最后采用微分梯度对图像进行图像增强处理，得到红外预处理图像和相机一次预处理图像，对相机一次预处理图像进行二次滤波得到相机预处理图像。

3.如权利要求1所述的零件几何质量的尺寸检测方法，其特征在于，所述图像融合处理的步骤为：首先Matlab融合算法采用小波变换函数和二维离散小波逆变换函数确定小波基函数和小波分解层数，对红外预处理图像和相机预处理图像进行小波变换，得到各图像中的高频子带和低频子带；然后针对各图像中的高频子带和低频子带进行融合得到融合图像；低频子带采用区域加权平均法选择融合系数；高频子带以局部能量大小为依据，如果其对应像素局部能量差值大于设定的阈值时，采用局部能量极大准则选择高频子带的融合系数，如果其对应像素局部能量差值小于阈值时，采用加权平均确定高频子带的融合系数。

4.如权利要求1所述的零件几何质量的尺寸检测方法，其特征在于，所述被测零件边缘的几何参数坐标值是指图像亚像素边缘坐标；所述边缘提取处理的步骤为：首先利用数学形态学边缘检测方法确定融合图像的像素级边缘，得到像素级图像；然后假设像素级图像的重心移到坐标原点，将像素级图像的像素点映射到单位圆内，确立理想阶跃边缘模型；其次根据Otsu自适应阈值算法得到最优阶跃灰度阈值，假设采用的模板大小为N*N，计算像素级图像中各阶Zernike矩，由下式可得到图像亚像素边缘坐标；

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]+\frac{Nl}{2}\left[\begin{array}{c}cos\left(\mathrm{\&phi;}\right)\\ sin\left(\mathrm{\&phi;}\right)\end{array}\right]$

其中，式中(x_i,y_i)是像素级图像中边缘亚像素坐标值；(x,y)是理想阶跃边缘的原点坐标值；l为理想阶跃边缘模型圆心到边缘的垂直距离；φ是边缘垂线与x轴的夹角。