于苏洋，闫子龙，姜春英，袁睿斌，张 渝

(1.沈阳航空航天大学 机电工程学院，沈阳 110136；2.上海航天化工应用研究所，湖州 313002)

0 引言

对于小型战术导弹，为提高发动机的装填密度和推力，常在药柱中埋入银丝，以提高药柱的燃速[1]。在内埋银丝后，为了增大燃面，缩短燃面爬升坡段，需要在药柱端面上沿银丝方向钻盲孔[2]。当盲孔内残留有较大药屑时将会导致点火瞬间由于燃烧不均匀使得药柱的结构完整性受到破坏而发生爆炸[3]。所以，对药柱盲孔进行孔内质量检测对导弹的稳定性与可靠性具有关键性的作用。

传统的孔内质量检测方法为对各个孔打光后人工进行观察，效率低且引入了人为因素，使得孔内质量检测的一致性较差，严重影响了药柱整形加工的效率，采用机器视觉的计算机处理方法进行盲孔质量检测，能较好的克服人为因素的影响，并大大提高检测效率。

本文根据药柱盲孔内图片的特征，提出了一种孔内质量检测算法，首先通过自适应阈值分割提取出图像的感兴趣区域，在该区域内进行图像局部模糊度计算得到残留药屑的粗略轮廓，然后进行图像闭运算得到清晰的残留药屑形状，最后计算最大内切圆半径进行量化评分。

1 药柱盲孔质量检测视觉系统

药柱整形自动化生产系统中，药柱盲孔质量检测视觉系统如图1所示，包括工业相机、定焦镜头、同轴光源、工控机。其中，视觉硬件系统的关键之一是光源的选取，由于盲孔较深，采用普通光源不能照到孔的底部，而同轴光源使得物体反射后的光线与成像光轴处于同一个轴线上，由图1中的光路可以看到，选用同轴光源能够清晰取得盲孔内图片，便于后续算法的处理[4]。

图1 盲孔质量检测视觉系统

2 盲孔质量检测算法

孔内无大块药屑时，相机采到的盲孔图片见图2(a)；有大块药屑时，相机采到的盲孔图片见图2(b)。下文算法针对图2(b)进行处理。

(a)No drug debris (b)Drug debris

从图2可看到，当孔内有残留大块药屑时，将会出现局部失焦情况，根据该特征，本文提出了一种基于模糊度计算与形态学闭运算处理的孔内质量检测算法。首先，对图片进行自适应阈值分割提取出图像的感兴趣区域，在感兴趣区域内根据有药屑时的局部失焦特征进行图像局部模糊度计算得到药屑的粗略形状，然后进行图像闭运算得到清晰的药屑轮廓，最后通过提取最大内切圆进行量化评分。检测算法的整体流程如图3所示。

图3 盲孔质量检测流程图

2.1 自适应阈值分割设定感兴趣区域

由于图片中盲孔的位置为待处理图像的感兴趣区域，所以通过提取感兴趣区域可以加快处理速度[5]。设定盲孔内部为目标区域，盲孔外部为背景区域，图像的灰度直方图如图4所示，可以看到图像的目标区域与背景区域有较好的区分度，所以采用全局阈值分割法进行自适应阈值分割[6]。

图4 盲孔图像的灰度直方图

自适应阈值分割设定感兴趣区域步骤如下：

(1)选取图像灰度值的中值Tm作为初始阈值如式(1)所示：

Tn=Tm(n=0)

(1)

(2)通过阈值Tn将图像分割为两部分：目标区域W1，由灰度值小于等于Tn的像素组成，背景区域W2，由大于Tn的像素组成。

(3)计算W1与W2中所有像素的平均灰度值μ1和μ2，新的阈值由式(2)可得：

(2)

(4)重复步骤(2)与步骤(3)进行n次迭代后直到连续迭代阈值的差值ΔT小于预设值σ得到最终的分割阈值Tn，其中，σ决定着算法的运算次数和阈值分割的准确性。针对现有工件工艺特征，通过多次实验，选取σ小于0.01作为终止条件时，可较快速准确的分割得到盲孔轮廓。

(5)得到分割阈值后，通过式(3)对图片进行阈值分割，得到二值图，如图5(a)所示[7]。

(3)

式中f(m,n)为像素坐标系下(m,n)处阈值分割后的像素值；g(m,n)为像素坐标系下(m,n)处原图像的像素值。

(6)由于图片中盲孔内为感兴趣区域，取二值图中盲孔的外切矩形(图5(b))所对应的原图范围作为感兴趣区域，如图5(c)所示。

2.经营者要形成“加大经济管理与科研投入”的管理认识。企业意识到开展经济管理的必要性，这极为难得。特别是要在重视科研的基础上，将各种科技活动与经济发展进行结合。使用经济管理理念，其最理想的目标就是让企业的投资最低，但是收益最大。所以，在知识经济时代，企业在开展经济管理活动时，必须提高对经济管理的价值认识，对经营活动进行动态调整。目前很多企业的经营者缺乏必要的时代意识，忽略了知识经济的大环境要求，因此，整个企业的发展水平始终没有得到提升。

(a)Threshold segmentation

(b)Enclosing rectangle (c)Region of interest

2.2 图片局部模糊度计算

提取出图片中的感兴趣区域后，需要在图片中确定感兴趣区域中的盲孔范围内是否有残留的大块药屑。分析图片特征，当盲孔内有残留大块药屑时，图片中将会因为局部失焦出现局部模糊。对于图片中清晰的部分，灰度值变化剧烈；而对于图片中局部失焦的部分，灰度值变化平缓。图片局部方差可反映图片的灰度值变化程度，所以将图片局部方差作为图片的局部模糊度，如式(4)所示[8-9]。

(4)

式中μ、δ、M×N分别为灰度值的均值、图片局部模糊度、窗口的大小。

通过滑动窗口遍历图片计算感兴趣区域中各个位置的局部模糊度，生成局部模糊度图片，如图6所示。通过图6可观察到残留药屑的形状及不同的窗口大小得到的模糊度图片。由图6(a)可观察到，当窗口选择过小时，图片中干扰过多，不利于后续分析；由图6(c)可知，当窗口选择过大时，残留药屑的尺寸将会减小。当矩形窗口边长位于区间[15,25](单位为像素，文中后续算法中单位均为像素)内时，残留药屑的信息能够被较好的保留，本文选择21×21的窗口遍历图片得到局部模糊度图片，如图6(b)所示。

(a)11×11 (b)21×21 (c)31×31

2.3 图像形态学闭运算处理

图像的形态学处理可保持图像的基本形状特征，消除不相干的结构。因此，分析图片特征，图片中的干扰对于其周围区域较为分散，采用形态学闭运算对其处理(先膨胀后腐蚀)，可以进一步清除局部模糊度图片中的较多干扰，得到清晰的残留药屑轮廓[10-11]。

2.3.1 图像形态学膨胀

图像形态学膨胀即为扩展图片中的亮区域。膨胀过程如式(5)所示，即将滑动窗口内的最大值作为该位置的像素值。

f′(m,n)=max(g(x,y)|(x,y)∈D)

(5)

式中f′(m,n)为像素坐标系下(m,n)处形态学膨胀后的像素值；g(x,y)为像素坐标系下滑动窗口(x,y)处在局部模糊度图中对应的像素值；D为滑动窗口内坐标的集合。

(a)Small window (b)Big window (c)Appropriate window

2.3.2 图像形态学腐蚀

图像形态学腐蚀即为扩展图片中的暗区域，腐蚀过程如式(6)所示，即将滑动窗口内的最小值作为该范围的像素值。

f″(m,n)=min[g′(x,y)|(x,y)∈D]

(6)

式中f″(m,n)为像素坐标系下(m,n)处形态学腐蚀后的像素值；g′(x,y)为像素坐标系下滑动窗口(x,y)处在图像膨胀图中对应的像素值；D为滑动窗口内坐标的集合。

对图片进行形态学膨胀后，残留药屑的形状被部分消除，通过对图片进行形态学腐蚀可以恢复残留药屑的形状，形态学腐蚀后的图片如图8所示，当窗口尺寸过大时，将会受到盲孔外部区域的影响使得盲孔整体向内收缩如图8(b)所示，通过多次实验得到矩形窗口边长在小于40时有较好的效果，本文取矩形窗口边长为17，处理后得到的图片如图8(a)所示，从图中可以看到通过图像闭运算所得到清晰的残留药屑形状，便于后续算法进行量化分析。

(a)Appropriate window (b)Big window

2.4 最大内切圆生成

对图片进行闭运算处理后得到残留药屑的清晰形状，需要对其进行量化分析。采用最大内切圆法对图片进行处理，得到的内切圆大小能够较好地反映出孔内药屑残留的情况。生成最大内切圆的步骤如下[12]：

(1)阈值分割生成二值图。对于闭运算后的图片，残留药屑轮廓清晰的显示出来。由于盲孔内无药屑的部分为最大灰度值255，因此取阈值为255，通过式(3)进行阈值分割，得到二值图如图9(a)所示。

(2)获取盲孔轮廓。由于盲孔在二值图中为最大轮廓，则可通过边界追踪算法找出步骤(1)得到的二值图中的各个轮廓[13]，进行比较得到最大的轮廓即为盲孔轮廓，设该轮廓的点集为Ω。

(3)计算盲孔内部点到盲孔轮廓的距离。当圆与盲孔轮廓内切时，圆的半径即为圆心到盲孔轮廓距离的最小值。设盲孔内部点的点集为r，计算盲孔内部各点到盲孔轮廓的最小距离如式(7)所示：

(7)

式中dmin为盲孔内部点到盲孔轮廓的最小距离；xΩ、yΩ分别为盲孔轮廓上的横纵坐标值；xr、yr分别为盲孔内部点的横纵坐标值。

(4)最大内切圆求取。重复步骤(3)，遍历盲孔内部点，当盲孔内部点到盲孔轮廓的最小距离最大时，即找到最大内切圆，该点即为最大内切圆的圆心，该距离即为最大内切圆的半径，如式(8)所示。将找到的最大内切圆在二值图与闭运算图中表示出来，如图9(b)与图9(c)所示。

R=max(dmin)

(8)

式中R为最大内切圆的半径。

(a)Binary image (b)Binary graph (c)Closed graph

2.5 量化评分

无残留药屑时得到的最大内切圆在闭运算图中表示如图10所示，对比图9(c)可以观察到，当盲孔内无大块药屑残留时，最大内切圆在一定范围内浮动如图10所示；当盲孔内有大块残留药屑时，最大内切圆较小如图9(c)所示。因此，可以选用盲孔内最大内切圆的大小作为量化评价盲孔内较大药屑残留情况的判断标准。

图10 无残留药屑时最大内切圆

通过30次采图实验分析，得到最大内切圆半径的统计曲线图如图11所示，可观察到无残留药屑时最大内切圆半径在区间(530,570)内浮动。选取区间最小值作为量化评分的阈值s，当最大内切圆半径小于s/2时，说明残留药屑的尺寸大于盲孔的一半，此时通过分值变化判断药屑尺寸的变化趋势已无意义，所以设定内切圆半径小于等于s/2时均为基础分值40，当最大内切圆半径位于区间(s/2,s)时可根据药屑尺寸变化计算分值，评分标准如式(9)所示，当分值不为100时说明孔内有残留大块药屑。

图11 无残留药屑时最大内切圆半径统计曲线图

(9)

3 实验验证

为了验证本文所提出的盲孔质量检测算法的稳定性与可靠性，进行了对人为加入药屑的多个盲孔进行质量检测评分的实测验证。

各个孔的质量检测评分如表1所示，通过观察表1所得的评分数据可知，对同一个孔进行定量加药屑时，其分值变化随着药屑尺寸的增大逐渐减小，说明盲孔检测算法对孔内残留药屑的检测具有较好的可靠性；同时，对不同的孔检测结果也有相同的趋势，说明该算法具有较好的稳定性。

表1 各个孔质量检测评分

4 结论

本文针对药柱盲孔残留药屑的自动质量检测需求，提出了基于模糊度计算与形态学闭运算处理的视觉处理算法，并提出利用评分标准判断有无药屑与药屑残留多少的量化评价方法，具有较好的适用性与可靠性。相比于人工检测，该方法效率高且一致性好，当盲孔内有较大残留药屑时，能够准确的对其进行量化评分，满足自动化批量生产的需求。