摘要

利用圖像處理與機器視覺技術開發了一套安全氣囊檢測系統，實現了對安全氣囊生產過程某一工位處關鍵尺寸的亞像素測量。介紹了該檢測系統的總體組成和主要工作流程; 分別介紹了該系統的軟硬件設計; 并選取實際氣囊對所開發的檢測系統進行了可行性、有效性的驗證。通過實驗表明該系統的檢測結果符合實際生產的要求。

21 世紀以來，汽車行業發展迅猛。安全氣囊作為汽車的安全輔助工具，它的出現大大降低了死亡率，因而必須確保其尺寸精確，并能正常使用。對安全氣囊傳統的檢 測方法主要是借助千分表、輪廓儀等工具進行人工抽檢［1］。然而在長時間、大批量的工作模式下，工作人員由于身體條件、視覺疲勞等因素，造成產品誤檢率高，極大地 限制了生產效率和產品質量。

針對上述情況，開發了一套基于機器視覺的安全氣囊檢測系統，實現對安全氣囊關鍵尺寸的亞像素測量。該系統具有非接觸、實時、高精度、高效率的特點，可有效降低企業的人工成本，同時減少誤檢率和漏檢率，提高企業的生產效率和經濟效益。

1

視覺檢測系統設計

1.1 尺寸測量技術要求

待檢測對象安全氣囊的實物圖如圖 1 所示。對氣囊進行檢測主要是對其外輪廓尺寸大小和預縫線間距進行測量，具體要求如下: （1）對氣囊外輪廓尺寸進行測量，測量誤差范圍為±0.5 mm。 （2） 對預縫線間距進行測量，測量誤差范圍為±0.5mm。 針對以上需求，設計并開發了一套基于機器視覺的氣囊尺寸檢 測系統。示例中的氣囊外輪廓尺寸為 205.55mm，預縫線間距為 140.16 mm。

圖 1 待檢測的安全氣囊實物圖

1.2 系統的工作原理

視覺檢測系統主要由光源、相機、計算機、執行機構等部分組合而成［2］，如圖 2 所示。其工作原理是: 照明光源發出平行光照射在檢測工件上，工業相機采集圖像，將光信號轉換成圖像數據傳送給計算機，由計算機完成圖像處理、分析和計算等，并將處理結果以信號的形式發送給執行機構，指導機器的運行。

1.3 系統的結構設計

該視覺系統的結構設計主要從硬件系統和軟件系統兩方面展開。

圖 2 視覺檢測系統的原理圖

硬件系統包含機械裝置、圖像采集子系統以及計算機等部分，其中圖像采集子系統是整個硬件系統的核心模塊，由光源、相機以及照明系統等復合而成，其任務是對工件進行圖像數據采集［3］。對圖像采集子系統的設計主要從相機和光源的選型、光照模式的設計等兩個方面入手。根據檢測工件的表面屬性和幾何外形，結合檢測指標為外輪廓尺寸和預縫線間距測量，決定選用 MER－ 503－ 20GM / C－P 相機，選擇線性 LED 條形光源，以垂直照射的方式進行照明，如圖 3( a) 所示。

軟件系統是基于 Window 操作系統平臺，依托 Visual Studio 2013 中 MFC 和開源圖像處理庫 OpenCV2．4．9 設計的 UI 界面，主要包括視頻顯示、圖像結果顯示、識別與測量及設備控制等功能模塊，如圖 3( b) 所示。圖中左側兩個窗口分別為“視頻顯示窗口”和“圖像結果顯示窗口”；界面右側從上到下依次是“串口通信窗口”、“設備控制窗 口”、“檢測識別與測量窗口”以及“檢測結果顯示窗口”。

圖 3 檢測系統的結構設計

2

檢測原理與算法實現

針對氣囊的尺寸測量，采用基于灰度圖像的邊緣特征，通過濾波與增強，改善圖像質量，銳化邊緣細節，并通 過亞像素定位技術，提高邊緣定位精度，最后通過對邊緣 的直線擬合和直方圖投影，進行尺寸測量，整個檢測算法 流程如圖 4 所示。

圖 4 氣囊尺寸測量算法流程圖

2.1 圖像濾波

在進行圖像采集和數據傳輸時，因受到圖像傳感器質量、環境光照等因素的影響，常常會引入無關的噪聲，不利于后續圖像識別。圖 5 所示為采集圖像的外輪廓和預縫線區域的局部圖，可以看出圖像含有大量的噪聲點。

圖 5 原始圖像

在圖像處理中，主要運用圖像濾波進行噪聲點的去除。目前，常用的濾波方法有高斯濾波、均值濾波和中值 濾波等。采用上述 3 種濾波方法分別對工件圖像進行處理，同時以峰值信噪比( PSNR)［4］作為質量評價指標，最終決定采用高斯濾波對圖像進行去噪處理。

高斯濾波是一種廣泛使用的線性平滑濾波器，主要思路是對整幅圖像進行加權平均，從而消除噪聲點的影響， 其具體操作是: 通過高斯核的離散化窗口滑窗卷積來實現，高斯核是一個奇數的大小高斯模板。

高斯模板中的各個參數主要通過二維高斯函數計算給出，其具體公式如下:

式中 δ 表示標準差。標準差 δ 越小，表示濾波平滑效果越不明顯。

采用高斯濾波對采集圖像進行噪聲點的去除，效果如 圖 6 所示，可以看到噪聲點被平滑處理掉，圖像質量得到明顯改善。

圖6 高斯濾波后的圖像

2.2 圖像增強

經過高斯濾波之后的圖像，噪聲點被濾除，但是由于引入平均的效果，使得邊緣細節變得模糊。為了抵消這種模糊的因素，應該增強圖像的對比度。采用 Laplace 算子， 對圖像邊緣進行銳化處理。

Laplace 算子是一種各向同性的二階微分算子［5］，而圖像的邊緣灰度是階躍變化的，在數學上表示為其二階導數過零點，故可利用 Laplace 算子對進行圖像銳化，可以有效地定位邊緣點，并通過加強邊緣的灰度值，使圖像的對 比度增強，同時使邊緣細節得到提升。

如圖 7 所示，經過 Laplace 算子增強后，可以發現圖像的對比度得到了提高，預縫線和外輪邊緣也更加清晰，有利于后續圖像邊緣的檢測。

圖7 Laplace 圖像增強后的效果

2.3 邊緣檢測

圖像邊緣指的是其周圍像素灰度急劇變化的那些像 素的集合，它主要存在于目標、背景與區域之間，對圖像進 行邊緣檢測是圖像識別的重要步驟［6］。采用亞像素技術 對像素級邊緣進行精細再分，提高了圖像的分辨率，具體 實現過程如下:

（1）粗定位階段，以像素為單位，進行傳統的邊緣檢測;

（2）精定位階段，采用圖像處理算法，實現像素精細劃分。在粗定位階段，傳統的像素級邊緣檢測算子主要有:

Roberts 算子、Prewitt 算子、Sobel 算子、Log 算子、Canny 算子等［7］。從定位精度和邊緣細節兩方面，對比上述檢測算子的檢測效果，如圖 8 所示，可以發現 Roberts 算子、Prewitt 算子、Sobel 算子檢測結果相似，能夠準確定位邊緣，但是邊緣細節模糊，而 Canny 算子檢測效果最佳，定位精度高，邊緣連續性強，故在粗定位階段采用 Canny 算子進行邊緣檢測。

在精定位階段，采用基于 Zernike 矩的亞像素邊緣檢測算法，并對階躍閾值的選擇進行改進，利用 Otsu 法( 大津法) 確定最佳分割閾值 T 作為階躍閾值，對檢測邊緣進行精確定位。

改進的 Zernike 矩邊緣檢測算法具體步驟如下。步驟 1: 計算 Zernike 矩的 Z00、Z11、Z20;

步驟2: 根據公式( 2) ，計算出Φ的值;

Φ= tan-1( Im［Z11］/Re［Z11］) ( 2)

步驟3: 利用Zernike 矩的旋轉不變性，求得Z'00、Z'11、Z'20;

步驟5: 利用Otsu 法確定最佳分割閾值作為階躍閾值 T; 步驟 6: 取距離閾值 δ，若滿足條件 k ≥T 且 h≤δ，則該像素點即為邊緣點。

通過 Otsu 法確定最佳分割閾值 T = 86，并設置距離閾值 δ 為一個像素單位，進行亞像素邊緣檢測，如圖 9 所示。可以看出采用改進的 Zernike 矩邊緣檢測算法提取的圖像邊緣無毛刺，且連續性更強，為后續的高精度尺寸測量提供了保證。

圖9 改進的Zernike 矩邊緣檢測效果圖

2.4 尺寸測量

通過對氣囊的邊緣圖像進行分析，發現外輪廓具有波 浪形邊緣，而預縫線邊緣具有明顯的傾斜角度，并且含有 線頭邊緣，對測量產生極大的干擾，針對以上問題，分別提 出了基于直線擬合和直方圖投影的測量算法，檢測效果如 圖 10 所示。

圖 10 氣囊尺寸測量效果圖

1）直線擬合測量算法

對于外輪廓的尺寸測量，其核心步驟在于對輪廓的擬 合，最小二乘法是最常見的直線擬合方法，其具體步驟如下。

步驟 1: 采集圖像上、下邊緣，采用最小二乘法擬合基準直線 L1 和 L2;

步驟 2: 計算中心點( x0，y0) ，將上邊緣 x 坐標均值作為 x0，根據直線 L2方程獲取中心點位置;

步驟 3: 利用該中心點的基準直線 L1的距離，進行測距。

2）直方圖投影算法

首先對工件的邊緣圖像進行輪廓提取，同時獲得每個輪廓的最小外接矩形，再依據面積和長寬比等幾何特征， 定位預縫線檢測區域 R1和 R2，并記錄其左上角頂點坐標，如圖 10 所示。

對定位出的預縫線區域，進行直方圖投影，其具體步驟是: 首先遍歷 ROI 區域 R1和 R2，統計區域內非 0 值像素的個數 Ni，以行數為橫坐標，Ni 為縱坐標，繪制直方圖，并記錄直方圖最大值所在位置行數，計為 I1max 和 I2max，如圖 11 所示。結合 ROI 區域的位置坐標，作差即可求得預縫線間距。

圖11 預縫線像素直方圖

3

實驗結果與分析

對本視覺系統進行重復性測量實驗，即將氣囊在相機視野中任意位置擺放 10 次，采用檢測系統對氣囊進行尺寸測量，并計算其測量均值和標準差，測量結果如表 1 所示。

通過表 1 可知，外輪廓測量均值為 205.55 mm，其標準偏差為 0.0317 mm，預縫線間距測量均值為 140.15 mm，標準偏差為 0.023 5 mm，標準偏差均在± 0.05 mm 之間，滿足了生產實際的精度要求。同時為了更加直觀體現，繪制其檢測結果折線圖如圖 12 所示。

圖12 零件檢測結果折線圖

由圖 12 可知雖然該系統測得的數據整體比較理想， 測量結果基本在測量均值附近，但是也有個別數據會產生波動，出現這種情況，主要有以下幾個方面原因:

鏡頭誤差。由于鏡頭制造工藝的限制，使得鏡頭存在畸變，在光學成像時產生一定的誤差。

環境誤差。受到環境光照的影響，使得被測工件的邊緣亮度和陰影產生變化，這將導致在邊緣提取時產生 一定的誤差。

算法誤差。對外輪廓進行直線擬合時，由于輪廓具有波浪形邊緣，使得擬合出的結果會存在一定的誤差。

4

結論

根據安全氣囊安全尺寸的檢測要求，開發了一套視覺檢測系統，該系統采用改進的Zernike 矩的亞像素邊緣算法，實現邊緣的精確定位，提高了測量精度。針對工件兩個不同的測量指標，分別提出了基于直線擬合的點測距和基于直方圖投影測距的測量方法。在實例驗證下， 檢測精度符合工業生產要求，有效地提高了生產效率和產品質量。

參考文獻

［1］ 季瑩． 安全氣囊的技術現狀與發展趨勢［J］． 汽車與配件，2012( 10) : 34-37．

［2］ WESLEY E，SNYDER，HARIONG Qi． Machine vision［M］． Camb: Cambridge University Press，2005．

［3］ 章煒． 機器視覺技術發展及其工業應用［J］． 紅外技術，2006，27( 2) : 11-16．

［4］ 劉國陽． 基于機器視覺的微小零件尺寸測量技術研究［D］．哈爾濱: 哈爾濱工業大學，2014．

［5］ 周文舉． 基于機器視覺的在線高速檢測與精確控制研究與應用［D］． 上海: 上海大學，2013．

［6］ 左敦穩． 視覺技術在智能機械加工中的應用研究［J］． 機械制造與自動化，2018，47( 6) : 1-6．

［7］ 汪田． 基于機器視覺的油泵殼體尺寸測量系統［D］． 杭州: 浙江大學，2018．

責任編輯：xj

原文標題：基于機器視覺的安全氣囊檢測系統研究

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。