张海民，王雪梅，何 灏

(安徽信息工程学院 计算机与软件工程学院,安徽 芜湖 241000)

随着时代发展与科学技术的进步，我国制造业在短时间内取得了瞩目的成就.制造业技术的改进不仅推进了制造企业的自动化进程，而且利用机器视觉技术改进了传统人工检测方式，加快了产品的分类及定位[1].进而提高了制造企业的生产效率，减少了产品的制造成本，同时改善了员工的工作环境.目前制造企业面临着生产模式转变的挑战，原有的大批量、单一化的生产方式已经难以满足越来越多的小批量、个性化定制需求.现有的生产线自动化产品智能检测技术也难以适应多种类产品识别的需求[2].

目前已有相关研究尝试解决该问题，文献[3]针对板材柔性变形和背景平台光斑噪声问题，对柔性印刷电路板走线上凸起缺陷检测提出了检测方法.定义曲线形状因子，从预处理所得的走线边缘中提取候选凸起区域.计算所得候选区域最大能量弧与基于点分布模型所得凸起轮廓的平均形状之间的匹配分数，同时计算候选区域内最大能量区域灰度曲面与基于柱状体配准模型所得的凸起区域平均曲面间的匹配分数.将两个匹配分数融合形成复合判别因子，根据与预先设定阈值的数值关系甄别凸起缺陷.测试结果表明，该方法在抗柔性形变方面具有算法误率低、对板材背景噪声有较强的鲁棒性等优势，但检测的图像质量偏低.文献[4]提出了一种基于局部马尔科夫模式(LMP)的检测方案.设计LMP算法的基本模型，将预处理后FPC图像划分成大小均匀的区块.提取各区块内部线路区域的直方图特征并以此为依据选取种子点，同时为各种子点赋予其作为缺陷的初始概率，进而计算其LMP值，并通过LMP的数值大小识别其中的薄浆缺陷像素.实验结果显示，该方法对薄浆缺陷检测的图像质量高，但存在误差率偏大的问题.

针对上述传统方法存在的问题，提出一种基于机器视觉的缺陷检测技术，应用在柔性生产线中，利用一种改进的模板匹配方法对产品进行识别，通过构建的视觉检测平台获取具体参数，对多种类、个性化产品进行数据识别匹配，进而提高生产效率.

1 机器视觉概述

学界对于机器视觉的普遍定义是：“机器视觉是以光学装置与传感器作为主要元件，对现实生活中的场景进行自主接收与自动处理，实现信息的获取与机器人运动控制.”通过上述分析可知，机器视觉就是利用相关设备与软件，对摄像机采集到的场景图像进行处理与分析，将结果作为物体运行控制的基础.正因为机器视觉具有以上优势，在工业产品大批量生产的流水线中，利用其进行产品缺陷检测，才能够及时发现产品缺陷，提升产品的出厂质量.比较典型的例子是产品表面缺陷与清洁度检测、电路板线错误检测等.

图1 典型的视觉采集系统

机器视觉检测方法灵活性较高，不直接接触物体就能够实现产品检测，产品损伤小，且测量准确性好，检测速度快.机器视觉主要利用摄像机生成的图像对产品进行检测与分析，判断产品是否出现了质量问题，而且利用一台设备可以实现对多种产品的检测，在一定程度上节约了经济成本，提升生产企业的综合效益[4,5].

在产品检测过程中，利用图像处理软件对产品的参数在进行分析与判断，根据所采集图像的相关信息特征，输出相应的分析结果，实现了产品检测的自主性与智能性，提高了检测精度与检测效率，促进了产品质量监测技术的进一步发展.典型的机器视觉采集系统如图 1 所示.

2 基于机器视觉的柔性生产线汽车零件缺陷检测

在智能制造时代，汽车零件的生产模式对生产线的要求有了明显的改变，这种改变主要体现在对生产线的柔性要求方面，因此，本文基于智能制造时代的特点与要求，从汽车零件生产环境出发，将个性化生产作为前提，以混合流水车间的智能制造为根本目标，提高汽车零件的生产效率与产品出厂质量，以适应时代与经济发展的需要[6].

2.1 基于机器视觉的汽车零件相机标定

为达到机器视觉检测的高准确率，首先要保障所采集图像的真实性与可靠性，但是，由于实际生产中所使用的相机质量参差不齐，会出现一定的失真问题[7].物体表面点存在于真实世界的坐标系中，该点成像平面坐标也有其对应位置.所以，为提高检测精度，必须对失真图像进行校正，因此要找出该点在两个坐标系中的位置关系，而这一点位置与相机成像的几何模型的参数有关，这些参数在进行现场测试与标定之后才会得到，所以为了不影响后续工作，必须要保证标定结果的准确性.在利用相机对实际产品进行拍照时，这个物体在成像世界就存在一个坐标，而该物体在实际中也会有一个坐标，因此要对这两个坐标的关系进行分析，这一过程叫作标定，也称之为求取投影矩阵.

在通常情况下，相机的主流成像模型为线性模型和非线性模型，在这之中线性成像模型的应用最为广泛，且操作灵活性高，因此，本文利用线性成像模型进行汽车零件相机标定.

将相机的坐标系设定为OrXrYrZr，其中Xr轴与OXY的成像坐标系中的X轴方向保持一致，Yr轴与OXY的成像坐标系中的Y轴方向保持一致，其中Zr轴位于机位光轴线上，如图2所示.

随机设定空间内的一点Q(Xc,Yc,Zc)，并连接Q点与中心点.Q点和中心点的连线与成像平面的公共点即为成像点P，是Q点在OXY坐标系上的成像点.

根据图2所示，依据相似三角形理论[8]，能够得到机位坐标与P点所在的成像平面坐标之间的关系，如公式(1)所示.根据公式(1)得到X和Y的数值，如公式(2)所示.机位坐标与成像平面坐标之间相互转换后，其转换关系为如公式(3)的矩阵形式.

(1)

(2)

(3)

公式(3)中，p为P点在OXY坐标系的坐标，其为1×3矩阵向量.

图2 基于机器视觉的相机标定示意图

2.2 柔性生产线汽车零件缺陷检测

2.2.1 零件图像噪声去除 首先进行汽车零件检测图像的去噪处理.

(1)利用高斯滤波方法[9]，消除相机标定后初始检测零件图像的高斯噪声，处理后的图像为Mi，

(4)

其中，Ni表示初始零件图像，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差.

(5)

(6)

假设θ(x,y)表示模块m与零件检测图像之间形成的平均梯度夹角数值，其计算方程式为

(7)

(3)对消除高斯噪声后的汽车零件图像进行归一化处理，得到

(8)

其中，h表示衰减系数，可以用于调整图像距离；ρ表示归一化因子.

(4)利用式(8)求解内容，可以获得检测图像的权值函数

(9)

将公式(9)代入下式，完成对汽车零件检测图像的去噪处理，得到最终检测图像IGNLM的表达式

(10)

2.2.2 基于多边轮廓特征模型的零件缺陷检测 在图像去噪处理后，构建汽车零件缺陷检测模型，模型的构建基于多边轮廓特征.提取汽车零件图像缺陷特征，以实现单帧汽车零件图像的高分辨率检测.

单帧汽车零件图像的多分量传递函数[10]

(11)

式中，oj表示模糊度系数，M表示规范常量，gi表示多边轮廓特征匹配系数.

通过图像特征的跟踪定位得到汽车零件图像的多尺度分解函数

(12)

式中，α为图像跟踪像素值，vT为跟踪频率，b(·)为连续映射函数.

采用相关近邻的特征权重分析方法，得到融合滤波相关系数

(13)

式中，ki为图像的区域激光跟踪识别分布场[11，12]，c为融合滤波系数，i为图像边缘像素点集，ai、ai-1分别为第i像素及第i-1像素的像素值.

根据滤波结果，采用超像素特征重构的方法，进行汽车零件图像的动态检测，得到多边轮廓特征检测频率

(14)

根据公式(14)，得到模板匹配的纹理分量

(15)

任意给定像素分布函数用B(u,v)描述，得到单帧汽车零件图像的多边轮廓特征检测模型为

(16)

式中，y为单帧汽车零件图像空间位置的分布阶数，Pm,n为单帧汽车零件图像以M×N分割成的子块.

3 实验结果与分析

图3 相机安装调试完示意图

为验证基于机器视觉的缺陷检测技术在柔性生产线中的应用效果，设计一次仿真实验，由于受到实验规模以及时间的限制，本次实验选择某高校的大型实验室作为实验环境，在室内完成实验样本的采集以及实验相关处理.在实验正式开始之前，需要对相机进行安装和调试.利用普通型号螺钉把相机固定在平面上，利用标尺保证相机的水平保持.相机的安装高度距地面为1.3 m，如图3.此高度有利于人工操作，也更有利于图像的采集.实验所用电源为12 V直流电源，将实验室电脑与相机进行联网.零件采集位置为相机的正下方，零件下方测垫有黑色橡胶垫，橡胶垫经检查属于平整胶垫，这是为了保证零件的水平方向与相机的水平方向一致.

为保证实验图像采集结果的质量，需解决实验室光线不均问题.本次实验采取配光处理，采用白色全新纸张遮挡相机和零件之间的位置，逐渐增加曝光时长，当得到质量较好的实验样本图像，即可停止曝光，取得满意图像.该方法有效避免了实验室光线或者零件本身反光导致的图像采集质量低问题.对比图4两个圆圈区域，上方圆圈曝光区域明显无法获得很好的样本图像.

3.1 不同方法样本缺陷检测效果对比

通过仿真实验，利用相机得到的3个汽车零部件样本图像，分别进行相机标定效果、汽车零件缺陷图像去噪效果以及零件缺陷检测效果3方面的对比.采用传统的柔性生产线缺陷检测方法作为实验对照，对比传统方法的实验结果和本文研究方法的实验结果，具体分析如下：

从图5和图6实验结果中可以看出，对于样本1的汽车环形零件，本文研究方法零件特征采集更为全面，关键特征更为突出，环形结构标定准确.样本2属于零件表面的裂痕缺陷，可以看出本研究方法图像对比度更适中，图像噪声更低，图像质量更高，说明本文研究方法采取的高斯滤波处理效果更优.图7输出的是零件样本3综合性缺陷检测，利用传统方法对其进行检测，其检测结果不连续，且出现了明显的信息缺失问题，主要特征不突出.相比之下，基于机器视觉的研究方法连续检测出整个缺陷，缺陷轮廓清晰，特征明显.通过这几个实验结果的对比，可证明基于机器视觉的缺陷检测技术在柔性生产线中的应用效果更好.

图4 配光示意图

图5 样本1相机标效果对比

图6 样本2零件缺陷图像去噪效果对比

图7 样本3缺陷检测效果对比

3.2 不同方法柔性生产线能耗对比

为进一步验证研究方法的应用性能，通过计算机模拟仿真实验，利用传统文献[2]方法、文献[3]方法和文献[4]方法作为对比组，研究方法为实验组，以汽车零件数量为实验自变量，待检测汽车零件数量为1 000 ～10 000个，在此范围内，柔性生产线的能耗变化情况，具体实验结果如下：

图8 不同方法下柔性生产线能耗对比

相比传统方法，基于机器视觉的研究方法不直接接触物体能够实现产品检测，产品损伤小，同时加快产品检测速度，提高检测效率，也能高效快速地识别柔性生产线中多种产品缺陷，能耗更低，实验结果如图8所示.在汽车零件数量高达10 000个时，其能耗为500 kW.而相同汽车零件数量情况下，传统方法的生产线能耗为550～700 kW，说明本研究方法具有更好的节能性能，应用前景好.

4 结束语

针对传统方法存在的图像质量差、误差率高问题，本文提出基于机器视觉的缺陷检测方法，引入机器视觉进行相机标定，提高汽车零件图像质量，构建单帧零件图像重建多边轮廓特征检测模型，完成汽车零件柔性生产线的缺陷检测.该方法改进了传统人工检测方式，灵活性高，测量准确性好，检测速度快.柔性生产线中产品种类繁多，提前将多种标准化产品输入检测系统，本方法更方便实现对多种产品的缺陷检测，在一定程度上节约了经济成本，提升生产企业的综合效益.