袁正 穆平安

摘 要：为了实现对发动机热端总成安装情况的实时监测，避免在生产过程中出现不合格的产品，以CCT15发动机热端总成为研究对象，重点研究其中各内孔螺纹是否缺失的机器视觉判断实现方法，设计了一种将采样约束与相关像素近圆分布选择并用的改进随机Hough圆检测方法，提高了热端总成整体图像中螺孔及凸焊螺母等目标区域的定位可靠性。将检测出的圆个数与标准零件中需要安装的个数进行对比，从而判断内孔螺纹是否漏装、少装。实验结果表明，该方法能准确并且快速检测出发动机热端总成的螺纹缺失情况，具有较高应用价值。

关键词：缺陷检测;机器视觉;发动机热端总成;Hough变换圆检测算法

DOI：10. 11907/rjdk. 192538 开放科学（资源服务）标识码（OSID）：

中图分类号：TP301文献标识码：A 文章编号：1672-7800（2020）008-0024-06

Abstract： In order to realize real-time monitoring of engine hot-end assembly installation and avoid unqualified products in the production process. In this paper， the hot end of CCT15 engine is taken as the research object， and the realization method of machine vision judgment on whether the threads of each inner hole are missing is studied. An improved random Hough circle detection method which combines sampling constraints with the selection of near-circle distribution of relevant pixels is designed to improve the positioning reliability of target areas such as holes and convex welded nuts in the whole image of the hot end assembly. We compare the number of circles detected with the number of standard parts that need to be installed， so as to judge whether the inner hole threads are missing and less installed. The experimental results show that the method can detect the thread missing of engine hot end assembly accurately and quickly， and has great application significance.

Key Words： defect detection; machine vision; engine hot end assembly; Hough circle detection  algorithm

0 引言

发动机热端总成是发动机十分重要的部件，其工作环境受高温和振动等因素影响，对性能及质量要求较高[1]。在生产过程中对热端总成实施逐一检测十分重要，由此可以尽早发现问题，以免不合格的产品进入整车装配引起严重后果。对于发动机热端总成零件检测，传统方法是由人工完成检测，工人用眼睛观察发动机热端总成表面各部分是否存在缺陷（固定螺栓处防松垫片是否漏装、凸焊螺母及螺孔是否漏螺纹等）[2]。但是，人工检测方法会受制于人的疲劳局限，在人员配备上必须留有充分余地。如果能够实现不依赖于人眼观察的自动检测，可以在满足生产现场质量监控要求的基础上，显著降低人员劳动强度，提高生产效率。

随着计算机技术的发展，加上图像采集越来越便捷，机器视觉技术的应用场景也越来越广泛[4-6]。在工业检测方面，机器视觉代替人眼观察，可以显著降低人员劳动强度，减少人员配备成本。进一步，还可以实时进行生产质量数据监测，减少次品生产，提高产品品质，确保产品质量稳定性[7-10]。对于圆形零配件检测，往往采用具有较高鲁棒性的Hough变换算法[11-14]。然而Hough变换算法在检测圆形结构时具有较高复杂度，导致该算法并不能够直接应用于工业实时检测中。因此，近年来，学者们提出了一些改进的Hough变换算法[15-16]，如随机Hough变换算法等[17-19]，该算法较好地降低了Hough变换的空间复杂度和时间复杂度，但是仍会造成过多的无效累积[20-21]。

针对随机Hough变换圆检测算法存在的不足，本文设计了一种基于采样约束及相关像素近圆分布选择的改进随机Hough圆检测算法。从减少无效累积的方向出發，将约束采样空间和减少计算量两方面结合并用，对随机Hough变换圆检测算法作进一步优化。通过实验验证，该算法能够准确快速地将热端总成表面的螺孔及凸焊螺母目标区域定位出来。

1 圆检测算法及改进

1.1 传统Hough变换圆检测算法

传统Hough变换圆检测算法[20-21]的原理是利用点与线之间的对偶关系，将图像空间经Hough变换映射到参数空间后，原图中的点[（xi，yi）] 对应参数空间中一个三维直立圆锥，而原图中圆上的点对应到参数空间中的圆锥一定交于一点[（a0，b0，r0）]，一旦确定这一交点坐标，则可确定原图中圆的圆心坐标[（a0，b0）]和半径[r0]，如图1所示。这样就将圆检测问题转化为寻找参数空间角点的问题。

根据以上相关像素近圆分布选择方法，能够直接判断相关点是否符合圆的特性，减少随机Hough变换圆检测时的无效累积问题。

（3）合并采用几何特性约束与相关像素分布选择的改进方法。上述（1）和（2）分别在定位准确率及减少无效累积方面具有明显效果，若合并采用改进随机Hough变换圆检测算法，效果则更为突出。

改进后的算法流程如图3所示。

并用几何特性约束与相关像素分布选择算法能够极大减少其它非感兴趣区域的干扰，既能降低圆检测时的无效累积，又能提高检测准确率，从而提高热端总成整体图像中目标区域的提取效率。

2 检测系统方案设计

2.1 系统总体构成

基于机器视觉的CCT15发动机热端总成缺陷监测系统主要由硬件系统和软件系统构成。硬件系统主要实现图像的采集和传输功能，结构设计通常较为固定，一般采用通用性强、市场量大、技术性能好且性价比高的零部件，但对于每个零件具体参数的选取要根据具体应用环境及应用目标决定。

CCT15发动机热端总成螺纹缺失检测系统最为重要的是软件部分设计，主要实现采集图像分析和缺陷检测功能，软件系统主要包括图像处理和缺陷检测算法。综合硬件环境及软件设计，本文基于热端总成缺陷检测系统总体框架设计如图4所示。

在合适的光源等图像采集环境下，通过摄像机获取待检测图像并传输至计算机进行处理，利用设计的图像处理及缺陷检测软件算法对待测图像进行处理，得到检测结果并输出。

2.2 硬件系统设计

工业生产现场CCT15发动机热端总成的工件检测环境如图5（a）所示，总成工件周围的结构件是实施几何要素位置度、轮廓度的检测装置。将总成工件周围结构件翻转后的检测环境如图5（b）所示，热端总成工件上部的诸螺纹孔即可通过悬在上方的摄像装置观察和拍摄图像。根据工业现场情况，在实验室采用的热端总成图像采集装置构成如图5（c）所示。

检测装置硬件主要由光源、工业相机、计算机等部分组成。一般而言，硬件部分配置应尽可能高档，但也应同时考虑性价比，根据实际需要确定。在本次实验中，选用碗状LED光源及CCD工业相机。

2.3 软件部分规划

软件部分主要是对获取的目标图像进行数据处理和分析，图6为本文检测方案软件部分的整体结构。

本文检测方案的软件构成主要包括图像预处理、目标区域定位及缺陷检测等部分。图像预处理部分，对采集的图像进行图像灰度化、图像滤波等预处理，使图像目标信息更加突出，噪声影响更小，便于后续图像处理;目标区域定位部分，依据改进的随机Hough圆检测算法，对热端总成图像中待检测螺孔及凸焊螺母等目标区域进行定位提取，与标准零件的螺纹个数进行对比，从而判别各目标区域孔内螺纹是否缺失。

3 实验结果及分析

为验证并用几何特性约束与相关像素分布选择算法的实际效果，对采集的CCT15发动机热端总成图像进行了实验验证。

根据本文算法，利用随机Hough变换圆检测算法检测CCT15发动机热端零件时，将累积阈值[N]设置为10，循环次数阈值[kmax]设置为10 000，验证真圆的阈值[Cmin]设置为[0.5×πr]，改进Hough变换检测算法中的采样限制阈值[σ]为100。

利用改进的随机Hough变换圆检测算法对热端总成图像进行处理，并画出检测到的圆，实验结果实例如图7所示。

图7中，标记1、2、3分别为螺孔及凸焊螺母处的圆检测结果，从检测结果可以看出，并用几何特性约束与相关像素分布选择算法能够准确定位热端总成图像中螺孔及凸焊螺母区域。

为比较改进前后效果，针对采集的10次热端总成图像，先后用典型的随机Hough变换圆检测算法、并用几何特性约束与相关像素分布选择的随机Hough算法对热端总成中螺孔和凸焊螺母进行检测，实验结果如表1-表3所示。

表1-表3列举了改进前后算法得出的螺孔及凸焊螺母所在圆形轮廓的圆心和半径信息，然后与人工标定结果作对比，求出圆心偏差和半径误差，其中圆心偏差指通过算法检测的圆心位置与人工标定的圓心位置之间的欧式距离，半径误差指通过算法检测的圆半径与人工标定的圆半径之差。

由表1-表3可知，改进的Hough变换圆检测算法在圆心偏差和半径误差方面都明显小于随机Hough变换圆检测算法，检测结果更加准确，误差更小，能够满足工业检测要求。

4 结语

本文针对工业生产过程中对于发动机热端总成安装情况的实施检测问题，提出了一种基于采样约束及相关像素近圆分布选择并用的改进随机Hough变换的圆检测方法，避免了其它算法在检测过程中形成较多无效累积、检测速度慢、性能较低等缺点。实验结果表明，该方法能够准确高效地对生产设备中圆形零件的安装情况进行检测，判断配件是否缺失，具有较强的抗干扰能力，并且可以在复杂的生产环境下工作，因此对工业生产中的实时监测有较高的应用价值。

但同时，本文所提算法也一些不足，有继续探索的空间：①改进的随机Hough变换算法在实际工业场景中依然不能达到100%的准确率，尚需通过继续研究加以改进;②当生产现场具有电弧焊时，在硬件配置和软件算法上可以继续探寻克服环境亮度变化噪声带来不利影响的措施;③尝试将螺纹螺孔的检测方法推广到热端总成上其它要素的检测中，以实现全要素检测。

参考文献：

[1] 李相旺，黄凤琴，张志明，等. 某增压发动机排气热端耐久性分析与优化[J]. 汽车工程， 2017，39（10）：1130-1135.

[2] 厉晓飞. 基于机器视觉的汽车零件缺陷检测技术研究[D]. 武汉：武汉理工大学，2012.

[3] 余晓明，朱涛，孙霖. 基于图像的精密零件缺陷检测技术[J]. 计算机仿真，2012，29（3）：273-276.

[4] 胥磊. 机器视觉技术的发展现状与展望[J]. 设备管理与维修，2016（9）：7-9.

[5] 周爽，刘赟. 机器视觉市场前景分析[J]. 现代商业，2017（24）：32-33.

[6] 段峰，王耀南，雷晓峰，等. 机器视觉技术及其应用综述[J]. 自动化博览，2002，19（3）：59-61.

[7] 张宇，黄亚博，焦建彬. 一种基于机器视觉的圆形零件检测技术[J]. 计算机工程，2008（19）：185-186，202.

[8] 卢益民，罗志勇. 钢带表面缺陷检测信息实时处理方法的研究[J].  华中科技大学学报（自然科学版），1994（11）：109-113.

[9] SENTHILNATHAN R，NANDHINI M，RANJANI R，et al. Vision based orientation invariant measurement of metric screw thread parameters[C].  Trends in Industrial Measurement and Automation （TIMA）， 2017：1-5.

[10] 梁学军，洪迈生，贾文焕. 螺纹紧固件的自动检测技术[J]. 计量技术，2000（2）：14-17.

[11] LYU P， WEI G H， CUI W. Short-range multitarget motion parameter estimation method based on hough transform[J]. Chinese Journal of Electronics，2019，28：344-348.

[12] GOSHIN Y V， KOTOV A P. Parallel implementation of a multi-view image segmentation algorithm using the hough transform[J]. Computer Optics，  2017，41（4）：588-591.

[13] 孙方敏，乔艳涛，孙祥国. 基于Hough变换圆检测算法的改进[J]，机械工程师，2016（10）：29-31.

[14] 段黎明， 汪威，张霞. 改进的Hough变换实现圆检测[J].  计算机集成制造系统，2013，19（9）：2148-2152.

[15] 陈昊，马钺，陈帅. 改进的基于随机Hough变换的头部区域检测算法[J]. 测控技术，2016，35（6）：112-116.

[16] 龚立熊，黄敏，贾文焕. 基于改进Hough变换的圆形零件尺寸测量研究[J]. 现代制造工程，2014（2）：98-102.

[17] 徐培智，徐贵力，黄鑫. 基于随机Hough变换的人头检测[J]. 计算机工程，2012，38（1）：199-200.

[18] 周封，杨超，王晨光. 基于随机Hough变换的复杂条件下圆检测和数目标识[J]. 儀器仪表学报，2013，34（3）：622-628.

[19] KALVLAINEN H， HIRVONEN P.An extension to the randomized Hough Transform exploiting onnectivity[J]. Pattern Recognition Letters，1997，19（1）：77-85.

[20] LEAVERS V F. The Dynamic generalized Hough transform： its relationship to the probabilistic Hough transforms and an application to the concurrent detection of circles and ellipses[J]. CVGIP：Image Understanding， 1992， 56（3）;381-398.

[21] KIRYATI N，ELDAR Y，BRUCKSTEIN A M. A probabilistic Hough transforms[J]. Pattern Recognition， 1991，24（4）： 303-316.

（责任编辑：孙 娟）