摘 要：本文開發了適應在線檢測需要的軸承外徑機器視覺檢測系統。簡明、精確的標定方法和高效精確的圖像處理算法（如空間矩亞像素邊緣定位算法）使系統達到了較高的檢測精度。檢測結果表明,系統具有非接觸、速度快、精度高、現場抗干擾能力強等優點。 關鍵字：軸承;機器視覺;圖像處理 Abstract: A machine vision system for bearing outer diameter inspection was developed to meet the requirement of online inspection. Higher inspection precision was obtained due to the introduction of simple and precise calibration method along with effective and accurate image-processing algorithm（ex. Spatial moment sub-pixel edge location algorithm）. The experiment results show that the system has many advantages such as non-touching, high speed, higher precision and strong anti-jamming etc. Key words: Bearing, Machine Vision, Image Processing 1 引言 　　機器視覺檢測一般是指使用視覺系統確定一個產品對于給定的一組標準要求的偏差過程[1]。視覺檢測技術具有非接觸、速度快、精度合適、現場抗干擾能力強等突出的優點,能很好地滿足現代制造業的需求。在1984年，西歐的工業視覺系統的銷售總額達到589萬美元，到1989年達到近4320萬美元;在美國，1994年的視覺系統銷售總額達到6000萬美元，而到1996年近7億美元[2]。目前全球整個機器視覺市場總量已經有60至70億美元,并且正在按照每年8.8%增長[3]。隨著制造業的發展, 視覺檢測技術顯示出廣闊的應用前景。 　　精密軸承外徑是軸承的重要檢測參數之一。為提高軸承產品檔次,增加產品附加值,準確測量軸承外徑參數,是控制軸承產品質量必不可少的步驟。在生產實際中，一般使用游標卡尺, 千分尺和三坐標測量機（CMM）等儀器來測量。這些測量手段都只適合于離線人工接觸檢測，其檢測精度與準確率往往與操作者的經驗和工作態度有關。這些方法不但成本高，而且效率低下，不適合在線100%檢測。為了適應軸承制造業生產批量大、質量要求嚴格、檢測任務繁重的特點,以及自動化流水線作業、實現產品“零廢品率”檢測目標的要求,本文采用基于計算機的視覺檢測和圖象處理技術,設計了一個基于機器視覺的軸承外徑檢測系統。 2 檢測系統的構成： 　　典型的視覺系統一般包括圖像采集系統、圖像處理部分、通信和I/O部分以及輸入輸出和執行機構等。圖像采集系統一般由光源、鏡頭、攝像機、圖像采集卡等組成。圖像處理部分包括圖像處理硬件和圖像處理軟件。 　　本視覺檢測系統的硬件選用： 　?。?）光源的選用: 光源對目標成像的質量影響很大，它直接影響輸入數據的質量和至少30%的應用效果。本系統采用容易獲得，價格低，并且便于操作白幟燈作為光源，照明系統采用背向照明。背向照明是被測物放在光源和攝像機之間，它的優點是能獲得高對比度的圖像。 　　（2）圖像采集卡的選用:本系統采用的是天敏10MOONS SDK2000高品質PCI視頻卡。顯示分辨率可達640×480、24位真彩色。動態捕捉影像以靜態圖像方式存盤，提供BMP，JPG等多種存盤格式。 　　（3）攝像機的選用：攝像機根據其圖像傳感器來分有CCD相機和CMOS相機兩種。CMOS目前在除噪及靈敏度方面仍遜于CCD。本系統采用的是天敏10MOONS CCD鏡頭。最高分辨率達756×576像素、24位真彩色。 3 本系統檢測原理及過程： 　　在測量視場一定的條件下，提高光測系統測量精度最直接的方法就是提高CCD攝像機的分辨率，即增加像素點陣數。然而這種提高硬件分辨率的代價是相當昂貴的和有限制的。本系統不是通過提高硬件分辨率的方法來提高測量精度，而是研究和開發具有更高精度的邊緣提取算法，即亞像素算法。其直徑檢測過程如下: 3.1目標圖象的獲取: 　　將被測工件、光源、CCD攝像機穩定地固定在工作臺上,且相互間的距離可進行調整。整個系統工作之前,需通過調整被測工件和CCD像敏面之間的位置關系以及鏡頭的焦距以保證被測工件在CCD上清晰成像。且被測工件的中軸線與CCD像敏面平行。 CCD攝像機輸出的是標準的PAL制視頻信號,而計算機只能對數字信號進行處理,因此系統通過圖像采集卡對視頻信號（模擬信號）進行濾波、A/D轉換,并將結果保存在內存中。微機中的應用軟件（10Moons SDK-2000 視頻捕捉 5.0）讀取數字信號并保存為圖像文件（BMP格式文件）。本實驗中獲取的圖像如下圖1。該圖像屬性為720×576像素，24位真彩色。 3.2圖像的預處理: 　　檢測圖像的預處理包括檢測圖像的濾波去噪，彩色圖像轉換為灰度圖像等。圖像產生噪聲的原因主要是采樣、量化、傳輸以及圖像采集過程中環境的擾動，其中主要是加性噪聲與脈沖噪聲或者椒鹽噪聲[4]。 　　在計算機視覺檢測技術的實現過程中，由于檢測速度和算法實現難易等方面的要求，往往需要將彩色圖像轉換為灰度圖像來處理。本文在常用的灰度化算法的基礎上，分析了彩色檢測圖像的特點，并研究了一種計算簡單，在視覺上能夠把背景和對象物的灰度明顯區分開，而且能夠把灰度圖像中的物體和背景的灰度級分開便于后續計算機處理的灰度化算法。本實驗中經灰度化處理后的圖像見圖2。 　　檢測圖像的平滑技術是指一類能夠平滑加性、脈沖等噪聲，以降低噪聲對圖像的影響。常用的平滑技術有線性平滑濾波、非線性濾波和數學形態學濾波等。本文采用的是非線性濾波中最具代表性的中值濾波器。主要原因是因為它對于某些特定的隨機噪聲有很好的濾除效果，而且它比同樣尺寸的線性平滑濾波器處理圖像時要少得多的模糊作用。本文采用使用了 模板對檢測圖像進行了中值濾波處理，處理后的圖像見圖3。處理結果表明，中值濾波能基本上消除圖象中的噪聲，從而為后繼處理提供了“干凈“的圖象。 3.3邊緣跟蹤： 　　邊緣檢測在圖像處理、計算機視覺和模式識別中是一個關鍵問題。常用的邊緣檢測有Sobel、Prewitt、Laplacian和LoG算子。Sobel、Prewitt算子能提供好的精確邊緣信息，但它們同時也會檢測出許多偽邊緣，邊緣定位精度不高。在實際處理圖像時，一般不直接使用Laplacian算子，因為它對噪聲十分敏感，Laplacian處理圖像會產生雙邊緣的幅度，因而造圖像分割的困難;而且由于Laplacian算子為各向同性算子，因而不能夠檢測邊緣的方向。 　　本文選用LoG算子作為整像素級邊緣定位函數是因為它對被檢測圖像同時具有濾噪和檢測邊緣的功能。本實驗中經LoG算子邊緣跟蹤后的圖像見圖4。 3.4二值化： 　　在機械零件的計算機視覺檢測圖像處理中，圖像的二值化是進行零件的模式識別，幾何參數的數據處理等的前提條件。二值圖像是指整幅圖像只有黑白二值的圖像。圖像二值化可看作是一種圖像的壓縮。在大多情況下，這種壓縮過程中會丟失圖像的某些細節信息。因此，在二值化過程中，我們應該盡量減少與實際應用相關的圖像細節的損失。在本節的研究中，圖像目標的邊緣區域是圖像處理中的最重要信息，即在二值化過程中，要保證目標邊緣信息盡量保留。在本文中，從二值化的準確性和處理速度的折中考慮，給出了一種以圖像加權標準差作閾值并結合梯度和拉普拉斯邊緣檢測的圖像二值化處理方法。本實驗中經二值化處理后的圖像見圖5。 3.5亞像素邊緣定位： 　　一般情況下，亞像素算法的精度是通過仿真的方法來檢驗的，即在圖像中仿真制作若干已知精確位置的目標，然后用相應亞像素算法進行目標定位，最后根據統計原理計算出算法的精度。本系統采用的是高精度的空間矩邊緣亞像素定位算法。 [align=center] 圖1:原始真彩色圖像 圖2:灰度化處理后圖像 圖3:3×3中值濾波后的圖像 圖4: LoG算子進行邊緣跟蹤 圖5: 二值化處理后的圖像[/align] 3.6直徑計算： 　　首先計算直徑方向上的目標的像素數量，通過式（1-1）計算直徑D：D=N×dx （1-1）,其中， 為直徑方向上的像素數;dx為物面分辨率，即一個像素水平方向上的尺寸。本系統采用的直徑檢測方法能夠檢測到軸承的各個截面上的直徑值，這樣才能夠準確判斷該軸承的尺寸情況。下面5.2中的檢測結果共列出了軸承18組各截面上的直徑值及其它參數。 4 本文的標定方法： 　　目前常用的標定方法可分為傳統的攝像機標定方法和攝像機自標定方法。本文研究的是機械零件參數的檢測問題，檢測精度要求較高，檢測系統中的攝像機與零件的相當位置一般是保持不變的，所以攝像機標定方法選擇了傳統的標定方法。 　　本文選擇標準的軸承作為標定參照物。所謂標準的軸承是指用戶單位提供他們生產的合格產品，事先知道它的外徑。本文視覺檢測系統中標定使用的光源、CCD和計算機等與檢測系統中所用的光源、CCD和計算機均是一樣的;而且標定參照物，也就是標準的軸承所放置的位置（與光源的相對位置以及與CCD的相對位置）與檢測系統中的被檢測軸承的檢測位置也是一樣的。這種標定方法具有標定精度高，標定過程簡單，成本低，容易實現的特點，因為標定過程不需要計算攝像機的13個內外部參數，只需要計算出攝像機的物面分辨率dx（dx=D/N,其中，D為標定參照物直徑，N為目標在水平方向上兩邊緣間的像素數），而且使用的標定物為檢測物本身，保證了檢測物的檢測面上各位置的光學參數與標定得到的參數是一致的。 5 測量結果分析與結論： 　　本系統采用Visual C++.Net開發了一套測量軸承外徑的圖像處理軟件[5][6]。主要功能包括：圖像的打開與保存、濾波去噪、邊緣檢測與跟蹤、灰度化、邊緣亞像素定位、軸承外徑檢測等。經過上述過程的處理后，測得軸承外徑結果如下： 5.1標定結果： 5.2測量結果： 　　據以上測量結果可知，對于實際外徑為47.800mm的軸承，測得的外徑值為47.804+0.052/-0.039mm。平均直徑的離散度為0.091mm?？梢姡疚难芯康妮S承外徑機器視覺檢測系統達到了較高的檢測精度。實現對軸承外徑的非接觸、在線實時測量和實現現代企業對產品100%檢測的目標,提高了檢測效率和精度。 參考文獻： 　　[1] B.G.Batchelor and D.W.Braggins. Commercial vision systems in computer vision [J]. Theory and Industrial Applications,1992:405-452 　　[2] Braggins,D.W. Image processing for industrial applications in Europe [J]. Proceedings of the 5th International Conference on Robot Vision and Sensory Control,1990:13～23. 　　[3] 劉兆妮,雷振山,蒙　麗,侯榮濤. 應用機器視覺技術的齒輪測量方法 [J]. 工具技術,2004,38（9）:133～135. 　　[4] 岡薩雷斯. 數字圖像處理（第二版） [M]. 北京：電子工業出版社，2003. 　　[5] 鐘光志,盧君,劉偉榮 Visual C++.NET數字圖像處理實例與解析 [M].北京:清華大學出版社,2003. 　　[6] 楊敏.基于機器視覺的發動機氣門桿直徑及圓度檢測研究 [D].華南理工大學圖書管：資料室，2004.