王庆海

（河南机电职业学院，郑州 451191）

基于HALCON的金刚石颗粒参数测量技术研究

王庆海

（河南机电职业学院，郑州 451191）

0 引言

金刚石颗粒生产出来之后需要按照国家标准或国际标准进行分级和选形，不同等级的金刚石具有不同的用途和经济价值，因此金刚石的分选（分级和选形）是金刚石整个生产过程中的重要环节。在进行金刚石分选时，需要测量纯净度、粒径、椭圆度、圆度、颜色等系列特征参数[1]，这些特征参数是金刚石质量对比的依据，也是金刚石分级和分选的基础。目前国际上使用的先进的金刚石图像和形貌检测仪器主要有两种，分别是德国制造的DiaInspect.OSM超硬磨料图像自动分析系统和由瑞士开发的Diashape电脑检测系统，它们能够快速地获得金刚石的各种特征参数，有效地确定金刚石的品级，但是这种设备价格昂贵，测量范围有限[2,3]。目前国内主要是使用光学显微镜放大20～100倍由人工测量特征参数的方法进行金刚石颗粒品级的鉴定，该方法检测效率低，鉴定结果的主观性大，不能适应金刚石行业发展的需要。随着计算机技术和数字图像处理技术的发展，国内不少研究者将机器视觉技术和数字图像处理技术应用于金刚石特征参数的测量中，实现了金刚石某一项特征参数的测量，如：史长琼等采用改进Canny算法实现了金刚石粒径的自动测量[4]；简丽娟等采用LabVIEW语言实现了金刚石晶体的面积、周长和粒径等尺寸参数测量[5]；李银华等用MATLAB在HIS色彩空间仿真实现了金刚石净度的自动检测[6]；江国学等采用MATLAB实现了金刚石颗粒数目、面积的测量[7]；张秀芳等利用MATLAB软件进行图像处理和相关数值计算，识别出金刚石磨粒的粒度[8]；但是这些研究与工程实际应用尚有一段距离。因此，金刚石颗粒特征参数的快速低成本测量技术的研究仍是金刚石行业目前迫切需要解决的问题。

本文采用机器视觉图像处理软件HALCON实现了金刚石颗粒的粒径、圆度、椭圆度、净度等特征参数的测量，粒径的测量精度可以达到亚像素级别。本文的研究为金刚石颗粒特征参数提供了高速、高精度的测量方法。

1 样品的采集

实验采用在Nikon Elicpse E200生物显微镜上拍摄的图像进行分析，实验样品是某公司制造的金刚石单晶体。样品图像采集时，显微镜目镜的放大倍数为4X，物镜的放大倍数为10X。由于金刚石晶体具有透明性及光线反射折射等作用，显微镜下方的光源使得图像的亮度不均匀，中间将出现一个白色区域，如图1(a)所示，影响特征参数的分析和测量。因此，为了增强图像的对比度，图像采集时，我们把金刚石颗粒放在白色滤光纸上进行检测，同时关闭显微镜下方的照明系统，在上方采用LED光源进行均匀照明，得到的图像如图1(b)所示。

图1 金刚石颗粒在不同光源照射下的图像

2 金刚石颗粒参数测量中的关键技术

采集图像后，本文采用HALCON图像处理软件进行金刚石颗粒特征参数的测量，测量流程图如图2所示。

图2 金刚石颗粒特征参数的测量流程图

2.1 图像分割

图像分割是由图像处理到图像分析的关键步骤，其目的是从图像中把目标区域和背景区域分开。图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中，基于阈值的分割方法是运算效率较高的方法，也是目前最为常用的方法，它包括全局阈值法（threshold）、动态阈值法（dyn_threshold）、自动阈值法（bin_threshold），等等。全局阈值法和动态阈值法都是“固定阈值法”，它们仅在物体的灰度值和背景的灰度值不变时效果较好，不适合物体自动化检测时的图像处理。自动阈值法不需要人工设置阈值，但是它应用在直方图中存在双峰的情况，且其输入是单通道图像才可能有较好的效果。

本文摄像机采集得到的图像是RGB三通道的彩色图像，需要先用decompose3算子将RGB图像分解成R（红色）、G（绿色）和 B（蓝色）三幅单通道图像，然后再用自动阈值算子bin_threshold对R通道图像（或G通道图像）进行图像分割处理。如图3所示的图像是对图1(b)所示图像的R通道图像的分割结果，可以看出，目标区域从背景区域中较好地分割出来，分割效果较好。

图3 对图1(b)进行图像处理的结果

2.2 亚像素边缘提取

由图3(a)可以看出，金刚石晶体投影面的各部分被分割成多个不连通的区域，需要将这些彼此分割开的区域合并为一个单一的连通区域，同时去掉一些干扰区域。为解决此问题，我们用区域形态学进行处理。首先用算子select_shape选择感兴趣的区域（Region Of Interesting，ROI），然后用边长为10的矩形结构元素对ROI进行膨胀操作，此时ROI将合并成一个单一连通区域，最后用算子reduce_domain将该单一连通区域与原始图像进行裁剪处理，裁剪出ROI图像，结果如图3(b)所示。此时，可以用算子threshold_sub_pix从该ROI图像中提取图像轮廓边缘，提取的边缘具有亚像素精度，结果如图3(c)所示。由图可以看出，得到的边缘比较清晰、完整。

2.3 XLD轮廓的处理

提取的亚像素边缘是由多个像素点组成的XLD（eXtended Line Descriptions）轮廓。由图3(c)可以看出，XLD轮廓中即有金刚石颗粒黄色透明区域的轮廓，也有不透明区域的外轮廓，同时还包括噪声、杂质等的轮廓，因此，XLD轮廓处理的第一步是用算子select_shape_xld选择出测量对象是黄色区域轮廓还是颗粒外轮廓。

XLD轮廓数据是由大量的轮廓边界点像素信息组成，我们对这些点的像素信息并不感兴趣，只对由这些像素点拟合成的几何图形及其特征参数感兴趣，因此XLD轮廓处理的第二步是用算子shape_trans_xld将XLD轮廓转换为凸包。图3(d)所示中的多边形是由图3(c)中的XLD轮廓转换的XLD凸包。

2.4 金刚石特征参数的测量

得到XLD凸包后，分别对XLD凸包进行分割和拟合，得到多边形的边长、面积等参数，便可实现金刚石特征参数的测量。

2.4.1 粒径的测量

2.4.2 圆度的测量

工业金刚石的圆度是用金刚石颗粒投影面的周长与金刚石投影面积相等之圆的周长之比表示。因此，圆度的测量需要计算金刚石颗粒投影面的周长和面积两个参数。

金刚石颗粒投影面周长的检测方法为：首先用算子segment_contours_xld将XLD凸包分割为线段轮廓，然后用算子select_contours_xld选择凸包中属于金刚石边缘的有效轮廓，并用算子f i t_line_contour_xld对有效轮廓采用tukey权重函数进行拟合，得到金刚石轮廓各边的拟合直线和各拟合直线的首尾端点坐标。将每条拟合直线的首尾端点坐标保存到数组中，最后用算子distance_pp计算出XLD多边形轮廓的各边边长，各边边长之和即为金刚石颗粒投影面的周长。

2.4.3 椭圆度的检测

金刚石晶体的短轴和长轴之比称之为椭圆度。用算子inner_circle对XLD凸包进行拟合得到其最大内切圆，该最大内切圆直径的大小即为金刚石晶体的短轴。用算子shape_trans_xld对XLD凸包进行拟合得到其最小外接圆，该最小外接圆直径即为即为金刚石晶体的短轴。

XLD凸包拟合的最大内切圆和最小外接圆如图4所示。

图4 XLD凸包的最大内切圆和最小外接圆

2.4.4 净度的测量

金刚石的净度由杂质投影面积与金刚石投影面积之百分比表示。杂质的颜色与金刚石晶体的颜色差异是识别金刚石净度的重要依据。用算子threshold分割出黄色透明区域中的杂质区域，然后用算子area_center计算杂质和XLD凸包的面积，二者之百分比为金刚石的净度。

2.4.5 透度和明亮度

用算子area_center测量出黄色区域的面积，该面积与XLD凸包的面积的百分比作为金刚石透光度度量指标，该指标表示了金刚石颗粒的成色，直观地表征了金刚石的质量。

用算子intensity计算黄色区域的灰度平均值，该值是金刚石颗粒明亮度的评定指标。

3 实验结果和分析

为了验证本文所述方法的普适性，对一些金刚石颗粒样品进行了验证测量，表1是其中几个典型样品的测量结果。拍摄前对图像采集系统进行了标定和坐标系的转换，图像大小为768pixel×576pixel。每个样品的计算机处理时间为160ms左右。

在表1中，代号一栏是人工进行金刚石分选时给出的标号，其中字母“D”代表大单晶，第一位数字表示净度的等级，第二位数字表示形状的分级，第三、四位数字表示其粒度的大小，第五、六位数字表示其厚度大小。

由表1可以看出：1）图像分析得到的XLD轮廓较好地反映了金刚石的形状，可以根据XLD轮廓的边数和各边边长的比例关系进行形状分类，如果为正方形则为1类，接近正方形为2类，多边形为3类。2）可以快速、准确地测量出金刚石颗粒粒径大小，测量的精度可以达到亚像素级别。经过多次实验表明，测量结果稳健可靠。3）在进行金刚石净度分级时，目前大多采用经验定性地进行判断，结果不可靠。本文将杂质投影面积与金刚石投影面积之百分比定量地测量出了金刚石颗粒的净度，并依此作为净度分级的依据，方法科学、直观。4）简单方便地测量出了圆度、椭圆度、透度、灰度等参数值，为有效地确定金刚石的品级提供了科学依据。

表1 金刚石颗粒样品及其测量结果

4 结论

金刚石特征参数是金刚石质量对比的依据。本文基于机器视觉技术研究了金刚石颗粒特征参数的自动测量方法，给出了采用机器视觉图像处理软件HALCON进行图像分析的关键步骤和方法，实现了粒径、椭圆度、圆度、净度、形状等特征参数的快速、准确测量，为有效地确定金刚石的品级提供了依据。对一些金刚石颗粒样品进行验证测量，结果表明，采用本文所述方法，可以简单而快速地获得金刚石的各种特征参数，测量的精度可以达到亚像素级别，测量结果与人工检验结果相吻合。本文的研究为金刚石颗粒自动分选系统的搭建提供了技术支撑。

[1]GB/T 16554-2010,钻石分级[S],中华人民共和国国家质量监督检验检疫总局,2010.

[2]梁存,高海玲,张瑞芳,张华,王秦生,SCB金刚石磨料图像分析[J],超硬材料工程,2009,21(1):20-23.

[3]向震泽,H.Schmid,陈伟恩,林清民,金刚石形貌电脑检测系统的研究与应用[A],第四届郑州国际超硬材料及制品研讨会论文集[C],2003:217-221.

[4]史长琼,傅明,边缘检测在金刚石评测系统中的应用[J].计算机应用与软件,2005,22(9):39-41.

[5]简丽娟,基于图像分析的金刚石颗粒检测[D],四川大学,2005.

[6]李银华,路新惠,钟彦征,计算机视觉在金刚石净度检测中的应用研究[J].金刚石与磨料磨具工程,2009,169(1):67-70.

[7]江国学,池王华,李海连,基于MATLAB图像处理的金刚石微粉颗粒参数测量[J].制造业自动化,2015,37(2):67-70.

[8]张秀芳,于爱兵,贾大为,邹峰.应用数字图像识别法检测金刚石磨粒的形状与粒度[J].金刚石与磨料磨具工程,2007,157(1):47-49.

[9]唐存印,章兼植.金刚石粒径和每克拉颗粒数的研究[J].金刚石与磨料磨具工程,2002,4(130):32-35.

Research on measurement technology of diamond parameters based on HALCON

WANG Qing-hai

基于机器视觉技术研究了金刚石颗粒特征参数的自动测量方法，给出了采用机器视觉图像处理软件HALCON测量粒径、圆度、椭圆度、净度、形状等特征参数的关键步骤。最后对一些金刚石颗粒样品进行了实例测量，结果表明，采用文章所述方法，可以简单快速地获得金刚石的各种特征参数，粒径的测量精度可以达到亚像素级别，测量结果稳健可靠。

金刚石颗粒；参数测量；机器视觉；HALCON

王庆海（1971 -），男，河南睢县人，副教授，硕士，研究方向为精密测试技术。

TP23

A

1009-0134(2015)07(下)-0056-04

10.3969/j.issn.1009-0134.2015.07(下).18

2015-04-06

河南省教育厅自然科学研究计划项目（2010B460020）