米乐M6官网登录正版下载·基于机器视觉的安全气囊检测系统介绍

　　利用图像处理与机器视觉技术开发了一套安全气囊检测系统，实现了对安全气囊生产过程某一工位处关键尺寸的亚像素测量。介绍了该检测系统的总体组成和主要工作流程; 分别介绍了该系统的软硬件设计; 并选取实际气囊对所开发的检测系统进行了可行性、有效性的验证。通过实验表明该系统的检测结果符合实际生产的要求。

　　21 世纪以来，汽车行业发展迅猛。安全气囊作为汽车的安全辅助工具，它的出现大大降低了死亡率，因而必须确保其尺寸精确，并能正常使用。对安全气囊传统的检 测方法主要是借助千分表、轮廓仪等工具进行人工抽检［1］。然而在长时间、大批量的工作模式下，工作人员由于身体条件、视觉疲劳等因素，造成产品误检率高，极大地 限制了生产效率和产品质量。

　　针对上述情况，开发了一套基于机器视觉的安全气囊检测系统，实现对安全气囊关键尺寸的亚像素测量。该系统具有非接触、实时、高精度、高效率的特点，可有效降低企业的人工成本，同时减少误检率和漏检率，提高企业的生产效率和经济效益。

　　待检测对象安全气囊的实物图如图 1 所示。对气囊进行检测主要是对其外轮廓尺寸大小和预缝线间距进行测量，具体要求如下: （1）对气囊外轮廓尺寸进行测量，测量误差范围为±0.5 mm。 （2） 对预缝线间距进行测量，测量误差范围为±0.5mm。 针对以上需求，设计并开发了一套基于机器视觉的气囊尺寸检 测系统。示例中的气囊外轮廓尺寸为 205.55mm，预缝线 待检测的安全气囊实物图

　　视觉检测系统主要由光源、相机、计算机、执行机构等部分组合而成［2］，如图 2 所示。其工作原理是: 照明光源发出平行光照射在检测工件上，工业相机采集图像，将光信号转换成图像数据传送给计算机，由计算机完成图像处理、分析和计算等，并将处理结果以信号的形式发送给执行机构，指导机器的运行。

　　硬件系统包含机械装置、图像采集子系统以及计算机等部分，其中图像采集子系统是整个硬件系统的核心模块，由光源、相机以及照明系统等复合而成，其任务是对工件进行图像数据采集［3］。对图像采集子系统的设计主要从相机和光源的选型、光照模式的设计等两个方面入手。根据检测工件的表面属性和几何外形，结合检测指标为外轮廓尺寸和预缝线间距测量，决定选用 MER－ 503－ 20GM / C－P 相机，选择线性LED条形光源，以垂直照射的方式进行照明，如图 3( a) 所示。

　　软件系统是基于 Window操作系统平台，依托 Visual Studio 2013 中 MFC 和开源图像处理库 OpenCV2．4．9 设计的 UI 界面，主要包括视频显示、图像结果显示、识别与测量及设备控制等功能模块，如图 3( b) 所示。图中左侧两个窗口分别为“视频显示窗口”和“图像结果显示窗口”；界面右侧从上到下依次是“串口通信窗口”、“设备控制窗 口”、“检测识别与测量窗口”以及“检测结果显示窗口”。

　　针对气囊的尺寸测量，采用基于灰度图像的边缘特征，通过滤波与增强，改善图像质量，锐化边缘细节，并通 过亚像素定位技术，提高边缘定位精度，最后通过对边缘 的直线拟合和直方图投影，进行尺寸测量，整个检测算法 流程如图 4 所示。

　　在进行图像采集和数据传输时，因受到图像传感器质量、环境光照等因素的影响，常常会引入无关的噪声，不利于后续图像识别。图 5 所示为采集图像的外轮廓和预缝线区域的局部图，可以看出图像含有大量的噪声点。

　　在图像处理中，主要运用图像滤波进行噪声点的去除。目前，常用的滤波方法有高斯滤波、均值滤波和中值 滤波等。采用上述 3 种滤波方法分别对工件图像进行处理，同时以峰值信噪比( PSNR)［4］作为质量评价指标，最终决定采用高斯滤波对图像进行去噪处理。

　　高斯滤波是一种广泛使用的线性平滑滤波器，主要思路是对整幅图像进行加权平均，从而消除噪声点的影响， 其具体操作是: 通过高斯核的离散化窗口滑窗卷积来实现，高斯核是一个奇数的大小高斯模板。

　　采用高斯滤波对采集图像进行噪声点的去除，效果如 图 6 所示，可以看到噪声点被平滑处理掉，图像质量得到明显改善。

　　经过高斯滤波之后的图像，噪声点被滤除，但是由于引入平均的效果，使得边缘细节变得模糊。为了抵消这种模糊的因素，应该增强图像的对比度。采用 Laplace 算子， 对图像边缘进行锐化处理。

　　Laplace 算子是一种各向同性的二阶微分算子［5］，而图像的边缘灰度是阶跃变化的，在数学上表示为其二阶导数过零点，故可利用 Laplace 算子对进行图像锐化，可以有效地定位边缘点，并通过加强边缘的灰度值，使图像的对 比度增强，同时使边缘细节得到提升。

　　如图 7 所示，经过 Laplace 算子增强后，可以发现图像的对比度得到了提高，预缝线和外轮边缘也更加清晰，有利于后续图像边缘的检测。

　　图像边缘指的是其周围像素灰度急剧变化的那些像 素的集合，它主要存在于目标、背景与区域之间，对图像进 行边缘检测是图像识别的重要步骤［6］。采用亚像素技术 对像素级边缘进行精细再分，提高了图像的分辨率，具体 实现过程如下:

　　（2）精定位阶段，采用图像处理算法，实现像素精细划分。在粗定位阶段，传统的像素级边缘检测算子主要有:

　　Roberts 算子、Prewitt 算子、Sobel 算子、Log 算子、Canny 算子等［7］。从定位精度和边缘细节两方面，对比上述检测算子的检测效果，如图 8 所示，可以发现 Roberts 算子、Prewitt 算子、Sobel 算子检测结果相似，能够准确定位边缘，但是边缘细节模糊，而 Canny 算子检测效果最佳，定位精度高，边缘连续性强，故在粗定位阶段采用 Canny 算子进行边缘检测。

　　在精定位阶段，采用基于 Zernike 矩的亚像素边缘检测算法，并对阶跃阈值的选择进行改进，利用 Otsu 法( 大津法) 确定最佳分割阈值 T 作为阶跃阈值，对检测边缘进行精确定位。

　　步骤5: 利用Otsu 法确定最佳分割阈值作为阶跃阈值 T; 步骤 6: 取距离阈值 δ，若满足条件 k ≥T 且 h≤δ，则该像素点即为边缘点。

　　通过 Otsu 法确定最佳分割阈值 T = 86，并设置距离阈值 δ 为一个像素单位，进行亚像素边缘检测，如图 9 所示。可以看出采用改进的 Zernike 矩边缘检测算法提取的图像边缘刺，且连续性更强，为后续的高精度尺寸测量提供了保证。

　　通过对气囊的边缘图像进行分析，发现外轮廓具有波 浪形边缘，而预缝线边缘具有明显的倾斜角度，并且含有 线头边缘，对测量产生极大的干扰，针对以上问题，分别提 出了基于直线拟合和直方图投影的测量算法，检测效果如 图 10 所示。

　　对于外轮廓的尺寸测量，其核心步骤在于对轮廓的拟 合，最小二乘法是最常见的直线拟合方法，其具体步骤如下。

　　步骤 1: 采集图像上、下边缘，采用最小二乘法拟合基准直线) ，将上边缘 x 坐标均值作为 x0，根据直线方程获取中心点位置;

　　首先对工件的边缘图像进行轮廓提取，同时获得每个轮廓的最小外接矩形，再依据面积和长宽比等几何特征， 定位预缝线，并记录其左上角顶点坐标，如图 10 所示。

　　对定位出的预缝线区域，进行直方图投影，其具体步骤是: 首先遍历 ROI 区域 R1 和 R2，统计区域内非 0 值像素的个数 Ni，以行数为横坐标，Ni 为纵坐标，绘制直方图，并记录直方图最大值所在位置行数，计为 I1max 和 I2max，如图 11 所示。结合 ROI 区域的位置坐标，作差即可求得预缝线 预缝线、实验结果与分析

　　对本视觉系统进行重复性测量实验，即将气囊在相机视野中任意位置摆放 10 次，采用检测系统对气囊进行尺寸测量，并计算其测量均值和标准差，测量结果如表 1 所示。

　　通过表 1 可知，外轮廓测量均值为 205.55 mm，其标准偏差为 0.0317 mm，预缝线 mm，标准偏差均在± 0.05 mm 之间，满足了生产实际的精度要求。同时为了更加直观体现，绘制其检测结果折线 零件检测结果折线 可知虽然该系统测得的数据整体比较理想， 测量结果基本在测量均值附近，但是也有个别数据会产生波动，出现这种情况，主要有以下几个方面原因:

　　环境误差。受到环境光照的影响，使得被测工件的边缘亮度和阴影产生变化，这将导致在边缘提取时产生 一定的误差。

　　算法误差。对外轮廓进行直线拟合时，由于轮廓具有波浪形边缘，使得拟合出的结果会存在一定的误差。

　　根据安全气囊安全尺寸的检测要求，开发了一套视觉检测系统，该系统采用改进的Zernike 矩的亚像素边缘算法，实现边缘的精确定位，提高了测量精度。针对工件两个不同的测量指。