黄永华 林振衡 宋骆林

摘 要：针对刹车蹄块片质量无损检测系统中参考点建立需求，提出在复杂轮廓边缘中安装孔定位检测方法。该方法首先对刹车蹄块片侧面图像进行多方向Canny边缘提取，采用带辨向梯度Hough变换改进算法，实现对候选圆的粗定位;然后对候选圆边缘区域进行提取，采用最小平方误差拟合法进行候选圆精确定位和测量;最后依据圆完整度信息实现对安装孔的识别筛选。实验表明：该方法能够较准确地识别出安装孔，与其真实边缘之间误差小，取得良好的检测效果。

关键词：安装孔;定位;梯度;Hough变换

中图分类号：TP391.4

文献标识码： A

刹车蹄块是摩托车、电动车鼓刹制动系统的重要组成部件，应用机器视觉技术开展刹车蹄块片外观缺陷检测和尺寸测量，实现刹车蹄块片质量无损检测自动化，减轻质检人员的工作强度，提高出厂检验效率，具有重要的意义。刹车蹄块由两个蹄块片组成，每个蹄块片内又均含有两个用于安装弹簧钩的圆形安装孔，两蹄块片相对，经弹簧拉紧形成完整蹄块。安装孔是刹车蹄块片结构外形的重要特征，其是刹车蹄块片铝铸件上的两个圆形通孔，可为检测系统建立参考点、流水线上刹车蹄块片姿态定位、测量和缺陷定位起到重要的参考作用，因此开展刹车蹄块片内圆孔检测具有重要的意义。目前圆检测法大体可分为非Hough变换法[1]和Hough变换法两大类，Hough变换是圆检测的有效工具。经典Hough变换在三维参数空间内映射投票，所需内存、计算量大。目前已经提出各种改进方法：陈珂等人以线段为投票主体进行概率Hough变换[2-3];Akihiko T等人采用随机抽取边缘点的方式进行圆检测[4-6];周封等人利用圆半径、圆心边界曲线形状等几何信息减少Hough 变换映射维数，减少无效累积[7-9]; Yuan B D等人通过功率直方图的峰值来检测候选圆[10]。针对刹车蹄块片的检测需求，本文提出在复杂轮廓边缘中，一种基于带辨向梯度Hough变换的安装孔定位检测法。

1 刹车蹄块片侧面图像采集

在刹车蹄块片流水线上设置外观缺陷检测和尺寸测量采集系统，将蹄块片有序、依次送入检测工位。为便于后续处理工作，选择与刹车蹄块片颜色对比度反差较大的黑色哑光传送带，同时为避免局部反光现象的产生，选择光照均匀度较好的球积分光源，调节合适的光照度、工业相机曝光度，对焦后获取目标图像。刹车蹄块片的铝合金铸件外形近似半圆弧状，其侧面外观凹凸不平且具有多种轮廓形状。获取图像轮廓边缘的对比、清晰度直接关系到后续检测的难度和效果，在校调各设备参数后，取得图像如图1所示。

2 刹车蹄块片侧面图像预处理

2.1 脉冲状噪声抑制

2.2 刹车蹄块片轮廓边缘提取

边缘是图像灰度级显著变化的区域，是图像的重要特征[11]。黑色哑光传送带与刹车蹄块片之间的边界，刹车蹄块铝合金铸件内凹凸不平轮廓区域，在球积分光源的照射下，形成较好的灰度对比度。Canny算法在边缘检测时具有较好的准确性、连续性和单边缘特性，其主要由梯度模值计算、非最大值抑制、进行边缘点连接的滞后阈值处理等主要步骤组成[12]。传统的Canny算法中仅使用噪声抑制能力较好的垂直、水平方向Sobel算子进行边缘梯度检测，如图3（a） （b）所示。但刹车蹄块片的摩擦皮、铝合金铸件内轮廓、安装孔等多为圆弧状边缘，考虑到各向同性、多方向边缘检测需求，本文在检测时增加了45度、-45度两个对角线方向检测算子，如图3（c）（d）所示，以提高多方向边缘检测能力，减少Canny算法边缘提取的不连续现象。

7 结论

本文依据灰度梯度等多方面信息，提出采用带

辨向梯度Hough变换的改进算法实现候选圆粗定位和基于候选圆边缘区域提取和精确定位的两步定位法，再依据圆完整度进行安装孔识别筛选。实验表明：该方法在复杂轮廓边缘下能较好地实现刹车蹄块片安装孔定位检测，定位圆心较为准确与实际边缘误差小，具有较好的应用价值。

参考文献：

[1]CHEN T C， CHUNG K L. An efficient randomized for detecting circle[J].Computer Vision and Image Understanding，2001，83（2）：172-191.

[2]CHEN K，WU J P. One dimensional voting scheme for circle and arc detection[J]. Journal of the Optical Society of America，A，2014，31（12）：2593-2602.

[3]陈珂，吴建平，李金祥，等. 一维概率Hough变换的实时鲁棒多圆检测方法[J].计算机辅助设计与图形学学报，2015，27（10）： 1832-1841.

[4]AKIHIKO T， ATSUSHI I. The randomized Hough transform based method for great circle detection on sphere[J].Pattern Recognition Letters，2007，28（10）：1186-1192.

[5]CHIU S H， LIAW J J， LIN K H. A fast randomized hough transform for circle/circular arc recognition[J].International Journal of Pattern Recognition and Artificial Intelligence，2010，24（3）：457-474.

[6]陳树越，李建森，黄萍，等. 基于采样约束的随机Hough变换圆检测算法[J].计算机工程，2017，43（10）：259-263.

[7]毛顺兵. Hough变换和轮廓匹配相结合的瞳孔精确检测算法[J].计算机应用，2016，36（5）：1415-1420.

[8]叶峰，陈灿杰，赖乙宗，等. 基于有序Hough变换的快速圆检测算法[J].光学精密工程，2014，22（4）：1105-1111.

[9]陈小艳，王强，李柏林. 改进的Hough变换检测圆方法[J].计算机系统应用，2015，24（8）：197-201.

[10]YUAN B D， LIU M. Power histogram for circle detection on images[J]. Pattern Recognition，2015，48（10）：3268-3280.

[11]张红霞，王灿，刘鑫，等. 图像边缘检测算法研究新进展[J]. 2018，54（14）： 11-18.

[12]尼克松. 特征提取与图像处理[M].北京：电子工业出版社，2010.

[13]蔡佳，黄攀峰，张彬. 基于梯度的区域生长和距离直方图的快速圆检测方法[J].光学学报，2015，3（3）：0315001：1-10.

[14]WANG Y F， CHEN G X. Application of gradient based hough transform to the detection of corrosion pits in optical images[J].Applied Surface Science.2016，366：9-18.

[15]YU H C，WANG T. Vision based technique for circle detection and measurement using lookup table and bitwise center accumulator[J]. Journal of the Optical Society of America，A，2017，34（3）：415-423.

（责任编辑：于慧梅）