李天晖
宁波蓝圣智能科技有限公司
摘要:机器视觉是一门跨越多门学科的前沿研究课题。视觉是生物亿万年进化的结晶,一代代科学家、工程师在模拟视觉的道路上倾注了无数心血,经过数十年的研究,人类终于窥探到了神奇视觉的一角。冰箱上的启动器在生产中常出现字符不合格、表面污渍、外壳破损、顶盖缺失、铁片弯折以及铁片缺失黄铜等缺陷。文章研究的方法能够对启动器复杂多样的缺陷进行检测,且成本较低、检测率较高以及降低误检率,对工业零件的外观检测有很好的实用推广价值。
关键词:机器视觉;启动器;外观缺陷;缺陷检测
引言
启动器是冰箱上一个必不可少的器件。在生产过程中存在一些典型缺陷,如字符错印漏印、表面污渍、外壳破损、铁片弯折以及铁片缺失黄铜等,这些缺陷严重影响冰箱的质量和安全使用。因此,在生产过程中对启动器进行缺陷检测显得至关重要。目前,生产车间里主要通过人工目视法对其进行外观缺陷检测,这就使得企业劳动力生产成本提高,加之这种检测方法受工人主观因素影响,长时间容易疲劳以及检测效率低。然而机器视觉具有可重复性、长期性和高速性等特点,因此可利用机器视觉来对启动器进行智能化检测。基于视觉系统对工件外观缺陷的检测已取得了很多成果。
1启动器缺陷检测流程
为了兼顾相机的视场和每一轮的检测效率,确定一次检测8个工件,由于每一轮要分别检测6个面的信息,因此确定分别在3个位置对顶面、底面以及侧面进行检测,在对侧面进行检测的位置只需让机械装置(工件放置台)旋转3次即能对4个侧面进行检测,且每个检测位置都固定有相机和光源,在检测系统搭建完毕后,上位机与下位机之间通过串口通信,使得PLC控制器控制机械装置每一轮抓取8个工件并有序的移动到不同检测位置,每移动一个检测位置或旋转一个面时上位机实时控制摄像头获取工件不同面的图像信息并实时处理,待所有面都检测完成后,上位机将不合格工件的数据发送给下位机,进而控制PLC控制器的机械臂将合格与不合格的工件分别放置到指定位置(工件丢弃箱)。
2机器视觉的基本原理
一个完整的机械视觉流程包括图像采集、图像处理和图像分析3部分。
2.1图像采集
传统的工业电荷藕合器件图像传感器(ChargeCoupledDevice,CCD)相机是将相当数量的CCD排成阵列,如:512×480,640×480,800×600,1024×768等等,称作解析度,决定了最后成像的清晰度。光线通过镜头聚焦投射到CCD阵列上,每个CCD单元根据自身接收到的光线强度发生光电效应,电信号再通过模数转换得到一个数字量。这个数字量被称为灰度或者灰阶。最后计算机根据设定好的算法还原出图像。近几年用互补金属氧化物半导体(ComplementaryMetal-Oxide-Semiconductor,CMOS)组成阵列的CMOS相机发展迅速。与CCD阵列集成在半导体单晶材料上不同,CMOS是集成在被称为金属氧化物的半导体材料上的。CCD工业生产的技术难度大成本高,被索尼、松下等大公司垄断,而CMOS生产成本和难度都较低。同时CMOS相机还有抗辐射、低功耗、高集成等优点,在克服噪音较大和感光灵敏度较差等不足后,取代CCD相机是大势所趋。
2.2图像处理
狭义的图像处理是指利用计算机强大的计算能力,对采集到的海量数字信号进行转换、压缩等操作。传统的预处理包括滤去噪声、均衡直方图、矫正畸变等。广义的图像处理甚至包括了图像分析的过程,涵盖了识别、增强、对比、依托人工智能进行“理解”等。
2.3图像分析
图像分析是当今机器视觉研究的热点领域,涌现了众多算法和框架。这也是一个跨越多学科的课题,图像分析方法的进步同样也帮助人们理解人类视觉的原理。其中人工智能可视化、三维重建、虚拟现实是图像分析的几个研究的重点。随着智能化、信息化时代的到来,人工智能和大数据的运用势必成为图像分析研究的主要方向。本文将以自动驾驶技术中涉及的动态图像理解为例介绍两种典型的图像分析方法。
3启动器特征向量的提取
特征分析是为了得到可以有效识别缺陷的分类信息。图像有很多类型的特征,例如:颜色特征、几何特征、灰度值及纹理等。无功耗启动器存在的型缺陷大致包括以下几种:表面污渍、外壳破损、顶盖缺失、铁片划伤、铁片弯折、字符漏印、字符位置错误以及引脚缺失黄铜等。通过典型缺陷提取各种缺陷的典型特征参数并建立模型,从而针对不同缺陷使用不同的模型对其进行检测。
3.1基于灰度特征的检测
在对顶面进行检测时,若启动器为顶盖缺失,对其进行一遍字符定位检测会浪费时间,由于顶盖缺失在图像上体现为灰暗,因此对字符进行定位检测之前先通过灰度均值判断其是否为顶盖缺失。
3.2基于位置特征的缺陷检测
首先通过定位检测,即通过提取特征点进而对铁片位置以及各个字符区域进行定位,。当铁片倾角大于某个值则判作铁片弯折,针对字符信息,后面的小节再对定位到的字符区域进行基于面积特征的检测。
3.3基于面积特征的缺陷检测
侧面检测主要通过模板匹配、灰度差分以及连通域面积分析,保留面积在阈值范围内的连通块,对图1中的3种典型缺陷进行处理,图像处理结果如图12所示。根据质量要求,对不同缺陷进行检测时设定不同的面积阈值,当超过相应阈值则判为不合格产品。
数据表明,通过缩小检测区域后再检测,误检率从0.50%降到了0.17%。
结语
无功耗启动器为六面体,外观复杂,型号多样,导致缺陷类型也复杂多样,结合生产实际量化检测精度标准,构建了基于机器视觉的无功耗启动器外观缺陷检测系统,通过实验表明:提出的通过模板匹配、灰度差分以及结合形态学的方法,提取基于颜色空间、灰度均值、位置以及面积等特征向量,对顶面、侧面不同的缺陷类型进行检测具有很好的准确度。采用该算法对无功耗启动器进行缺陷检测,对各种典型缺陷的检测率达到99.5%以上,准确率较高,检测过程中造成误检的主要原因是对铁片进行检测时背景图像的影响,本文通过缩小检测区域后检测,误检率从0.50%降低到0.17%,大大降低了误检率。该检测算法对工业零件以及注塑制品的在线检测具有很好的实用推广价值。
参考文献:
[1]胡佳成,陆枫,陈爱军,等.ABS齿圈环形表面缺陷检测方法[J].电子测量与仪器学报,2017,31(3):408-414.
[2]段铮昱,文生平.基于机器视觉的电子产品外观表面缺陷检测方法研究[J].计算机测量与控制,2014,22(4):1009-1011.
[3]董然,师卫.基于边缘检测和形态学处理车牌定位[J].机械工程与自动化,2010(6):45-47.
论文作者:李天晖
论文发表刊物:《防护工程》2018年第18期
论文发表时间:2018/11/5
标签:缺陷论文; 启动器论文; 铁片论文; 图像论文; 视觉论文; 工件论文; 特征论文; 《防护工程》2018年第18期论文;