基于機器視覺的無人機旋翼移印缺陷檢測研究

陳銳鴻，宋 建

（1.廣州城市理工學院 機械工程學院，廣州 510800；2.華南理工大學 廣東省高分子先進制造技術及裝備重點實驗室，廣州 510640；3.華南理工大學 聚合物加工工程教育部重點實驗室，廣州 510640）

0 引言

移印，屬于特種印刷方式之一。它能夠在不規則異形對象表面上印刷文字、圖形和圖像，現在正成為一種重要的特種印刷。例如，手機表面的文字和圖案就是采用這種印刷方式，還有計算機鍵盤、儀器、儀表等很多電子產品的表面印刷，都以移印完成。

移印技術和網版印刷技術作為主要的裝飾方式更是得到超常的發展。隨著自動化生產技術的升級換代，視覺檢測越來越多運用于生產線上，當前國內外對于絲印缺陷[1-2]的研究開展得比較早，文獻[1]通過計算邊緣以及擬合直線對硅太陽能電池絲印的破損進行檢測，由于旋翼的形狀是曲面，且采用的是移印的方式，它與絲印的檢測明顯不同，而目前對于移印的缺陷檢測開展不是很多。

無人機的旋翼是其飛行的關鍵部件，操作者需要及時觀察各個旋翼的工作狀態，因此旋翼印上了利于觀察的標識，以便操作者通過標識觀察無人機飛行中旋翼狀態。標識采用當前較為環保的移印方式印在旋翼上，旋翼外觀如圖1所示。

圖1 無人機旋翼外觀圖

旋翼在生產過程中，注塑機注塑完成后流入到移印環節，然后烘干，外觀檢測。本文針對于無人機旋翼移印標識缺陷進行分析，使用機器視覺檢測與圖像分析技術相結合，將圖案不合格的旋翼挑選出來，現有的生產方式是采用人工挑選的方法，存在諸多弊端：挑選難度大，較小的缺陷無法挑選出來，對人員的要求高，檢測標準無法統一。

采用機器視覺檢測具有以下特點：1）缺陷種類檢測多；2）正常對接現在的生產流程，在生產環節即可進行分揀，并及時提出對移印設備的預警，及時止損；3）檢測過程標準統一，漏檢率低；4）減輕了勞動人員的工作強度，提高了檢測的效率[3]。

旋翼移印的缺陷種類大致有漏印、多印、錯印、少印，其中涂料過少導致圖層過薄，印油過多導致的圖層過厚或者出現印油疊加的印油漬點，屬于漏印、多印中比較特殊的情況。錯印則是在移印過程中由于旋翼旋轉的位置不在模具里面，印的位置與預期不一致。

1 機器視覺檢測平臺的搭建

視覺平臺主要由工業相機、光源、工控機、及視覺定位支架構成。對于移印缺陷的檢測，根據旋翼的形狀選擇合適的光源[4]。根據旋翼的形狀，搭建的光源與相機布局如圖2所示。

圖2 檢測平臺示意圖

圖3 相機參數成像圖

1.1 光源的選型

視覺檢測系統中圖像的清晰度是核心[5]，選擇合適的光源能夠保證圖像有足夠的像素質量，能夠簡化算法提高系統穩定性，一幅圖像像素過低會在一開始就覆蓋掉很多重要的特征點；出現陰影則會引起邊緣誤判；圖像不均勻則會導致閾值選擇困難。條形光源是由LED燈珠排布成長條形。多用于單邊或多邊以一定角度照射物體。突出物體的邊緣特征，照射角度與安裝距離有很大的調整空間，可以根據實際供需情況進行相應的調整。適用較大結構被測物。主要應用于縫隙檢測[5]，表面缺陷檢測，印刷檢測，輪廓檢測等等主要區別輪廓的工件。采用60mm的條形光源，角度方面90°～180°內可調，距離方面對向方向0～20mm可調，左右光源亮度方面0～255可調節。由于機翼平面有一定的光滑度，機翼自身為黑色，圖層顏色為白色，具有很強的辨識度，所以該工件的光源亮度應在50～200內可調。

1.2 相機和控制器選型

相機的選型對于其對于采集的圖像質量影響很大,考慮本系統的可行性、穩定性以及其實用價值，本次采用的相機型號為巴斯勒（Basler）工業相機，類型為線陣相機，可以保證極高的2D精度和超高的清晰度，配合其專業的計算機圖傳網卡[6-7]，保證在60幀圖像質量下也能也較高的圖像傳輸速率[8]。系統器件參數一覽表如表1所示。

表1 視覺系統器件參數一覽表

2 軟件及算法設計

基于圖像分析缺陷檢測系統的設計首先將圖像分析和圖層檢測技術進行簡要概括，在應用中所使用的圖像處理主要有：灰度化、直方圖，BOOL分析、平滑圖像、圖像分割、連通域處理、邊緣檢測等。前期的主要處理是通過連通域的檢測，合格工件和不合格工件的面積差距是最明顯的特征區別，通過對連通域的區分，計算出特征區域的面積[9]。本文主要采用閾值分割方法，將圖層進行分割，加以二維直方圖進行信息修正，修復邊緣的平滑度，在檢測階段將噪點祛除[10-11]。對于選定區域，判斷區域的中心點，在檢測過程中，除了對于連通面積的判斷對比，還要對中心點進行判斷，進行再定位，最終判斷出測試工件和樣本工件之間的相似度，判斷其是否符合要求。

2.1 系統的搭建

通過光源、相機以及鏡頭的類型選擇，系統采用奧普特（OPT）視覺設備，采用配用的相機和鏡頭，PC或筆記本電腦作為控制端，采用OPT視覺開發軟件SCI軟件或OpenCV語言做圖像處理。

圖像處理的過程中，使用OpenCV作為基礎算法庫，結合C語言和Jscript腳本作為輔助語言[9]。通過對于現有基礎庫進行調整，對于工件的特定需求進行算法編寫，例如連通域效果的改進，對于整體算法的封裝使用，使得編寫過程中減少底層代碼的使用，使用SCI圖形化操作調用算法進行交互式處理，系統框架流程如圖4中所示。

圖4 系統框架流程圖

圖5 圖像處理算法流程

2.2 算法的選用與設計

由于采用工業相機采集圖像，保證圖像的清晰度，但是另一方面圖像的占用空間會很大主要特征明顯，但由于過于清晰，次要噪點也會更加清晰[12]，在處理時，明顯的噪點會直接影響到檢測的直接結果，所以在圖像采集時，需要對圖像進行平滑處理，過濾影響不大的噪點。

圖像處理的開始是導入圖像信息，首先將采集的圖像進行灰度處理，灰度過程中使用加權平均值，獲得一張含有亮度的灰度化圖像，然后進行閾值分割，也是建立在單通道的灰度圖像上的，這是圖像處理中最基礎的一步。

令rk，k=0,1,2,…,L-1表示一幅L級灰度數字圖像f的非歸一化直方圖定義為：

式中，nk是f中灰度為rk的像素的數量。f的歸一化直方圖定義為：

式中，M和N分別是圖像的行數和列數。對于k的所有值，p(rk)的和總是1。

如圖6所示，左圖是經過打光處理的彩色圖，右圖為不經過處理的黑白圖，可以很清晰的看到左圖處理可以看到圖層的周邊的噪點，還可以看到旋翼標識自身的表面特征，有較多磨砂類型的凹凸特征，在處理過程中會存在一定的影響，底部統一進行了遮光處理，保證相機的視野內部只有工件特征，精確結果。

圖6 圖像灰度處理

圖7中可以看出，圖像本身有許多噪聲干擾，邊緣像素進行淡化處理非常必要，由于每一個工件的特征信息都不相同，所以前期要選擇盡可能多的工件進行設置，比較多種濾波的處理結果，對于濾波的內核進行大小的調整，觀察圖像結果。

圖7 圖像不同濾波處理的效果圖

綜合以上幾種濾波處理，高斯濾波的處理結果和原圖無明顯差距，中值濾波處理了一些噪點，均值濾波雖然將噪點全部處理完畢但是整體圖像的清晰度不足，特征點模糊，所以綜合來看，該工件的平滑處理，使用中值濾波比較合適，通過調整測試像素周圍鄰域像素集中的中值，去除大部分的椒鹽噪聲和斑塊噪聲[13]。

2.2.1 連通域處理

通過中值濾波基本處理了圖像的內部噪點，在對灰度圖像進行二值化處理，使用Otsu算法計算圖像的數值，然后在對圖像的黑白區域進行分割，為獲取二值圖像提取工件的缺陷信息作鋪墊[14]，對連通域的處理可以進行判別出工件的缺陷與否，系統的處理流程如圖8所示。

對于算子的選用，根據旋翼的特性本文采用對比方法進行效果分析。

1）使用Roberts算子，可以從圖9中看出，該算子的檢測結果相對明顯，整體上可以反映圖層的輪廓邊緣，但是邊緣的清晰度較低，細化特征比較明顯，容易在后續的處理中容易被處理掉一些重要的特征。

圖9 Robert 算法處理

2）Sobel算子和Laplace算子的檢測結果，相對于Robert算子來說，兩者算法的邊緣細節增多，但無法嚴格區分主體與背景，背景的噪點也被當做邊緣處理了，但整體的圖層輪廓基本符合要求，清晰度和邊緣寬度都很明顯。

3）Canny的檢測結果，圖像邊緣現象明顯，輪廓清晰?？梢酝ㄟ^閾值調整，避免出現冗雜的邊緣信息，檢測過程中受噪聲感染微弱，能檢測到真正的比邊緣信息，但是檢測的細節過多，還是存在由于細節邊緣導致檢測失真的情況，可以通過不斷調整閾值，調節邊緣輸出效果。

通過幾種不同算法的處理，對于原始圖像處理后的平滑圖像進行在處理，對于灰度圖像進行閾值分割，選取最佳像素中值，進行輪廓的提取。由幾種算法的對比圖可得：經典的邊緣檢測都可以檢測到標識圖層的輪廓和邊緣。

2.2.2 特征提取

Blob分析是一種對閉合目標形狀進行分析處理的基本方法，Blob算法的核心思想是在一塊區域內，把出現“灰度突變”的范圍找出來[15]。對于檢測的圖像，整體范圍的像素點構成一張二維數據網，圖上的檢測特征為數據圖中的區域點，Blob的算法就是要把這些區域找出來，并確定其大小、形狀，中心、重心、面積等可輸出數據的算法，把所有的像素點作為檢測范圍，當系統內部的光源打到工件上面，工件上的缺陷像素和周圍像素會形成相對明顯的反差，在檢測中就可以將反差較大的區域劃范為一個部分，特征提取效果如圖10所示。

圖10 特征提取

2.2.3 相機的標定

標定是實現準確測量和獲取準確位置信息的基礎，其主要作用是建立圖像像素尺寸與實際尺寸的關系、以及建立圖像坐標系與世界坐標系的映射關系。使用標定板標定待檢測工件，通過建立標定無已知的點與其圖像之間的對應，利用算法在2D平面內獲取相機的模型，檢測精度高維護簡單，外加工業相機的高清晰度，可以保證其精度。

本次標定板采用30×30mm的標定板，如圖11所示，內置的實心原點等半徑、等間距，左右點之間1mm，將工件和標定板同時放在同一個相機視野內，通過點位標定，求取標定板上任意兩點的像素距離，點的實際距離，就可以求取像素當量。

圖11 像素當量

使用圖像處理中的找圓形處理，找到任意兩點（本次采用的間距的10mm，方便計算），通過算法計算，最終求得像素當量，如圖12所示。

圖12 像素當量計算

圖13 標準工件檢測

通過像素當量的計算，可以結合之前的工件處理，對于已檢測到的像素面積，通過像素當量，求得實際面積，就可以直觀的觀察到工件的具體缺陷了。

由以上算法和像素當量的綜合計算，求比出各種缺陷工件之間的連通域關系，從而進一步判斷出工件的缺陷形式以及缺陷程度，通過設置閾值判定檢測結果。

3 實驗測試

經過以上的算法設計，在測試階段，將已知工件劃分為合格工件、缺漏印、多印三個部分，特征識別采用Blob分析和直方圖統計，Blob分析根據灰度、紋理、彩色等圖像特征相似像素點的連通性，進行特征分析，計算工件表面涂層的連通域面積，通過對比與樣本工件的數據，求取差值，計算測試數據的缺陷概率，從而判斷移印質量。

通過對于實驗樣本數據的分析，可以在視覺方向上觀察到的工件的待檢測面積和缺陷面積的像素數據和實際數據，以及判斷工件待檢測區域的缺陷程度，做出相應的缺陷判斷，如圖14所示，達到了預期目標。

圖14 缺陷檢測及識別結果

3.1 實驗數據分析

由于工件自身存在一定的弧度，受到光源影響和傳送過程中晃動的影響，會產生一些微畸變，在一定程度上會影響到相機的檢測數據，對于工件進行一個數據可行性分析可有效地避免畸變的影響。

通過使用棋盤格對工件進行多次數標定，測量像素當量下，相機所測量的尺寸和棋盤格的實際尺寸的線性關系，判斷相機畸變的良率，最終得出實驗結論。

通過分析圖15中的80組數據，分別是從1PU-5PU（PU：單位像素進行測量）從數據分析的曲線波動來看，相機的1PU 和5PU的測試距離出現波動較大，這是桶型和枕頭畸變的結果，相機圖像的中心或者圖像的邊緣會出現較大的像素浮動。

圖15 相機的視野畸變

3.2 實驗結果分析

通過對于整體的數據分析，1PU、5PU的數據波動在PU±0.036的數值之間波動，2PU、3PU、4PU數值在±0.026的數值之間波動，屬于可接受畸變的范圍。通過對于整體數據進行數據的可想性分析，可以進一步判斷數據的未來走向是屬于線性還是非線性的。

線性可行性分析，通過對于25組檢測數據和線性回歸σ的值進行線性偏移的研究，從數據中可以得出結論，數據的整體走向線性百分率低于1%，整體數據不會存在線性變化，檢測過程中數據只會在基于標準值進行上下浮動，并不影響最終的檢測結果。

3.3 分揀系統

系統搭建完成后，能夠快速地將旋翼的缺陷識別出來。識別出來的結果通過計算機的串口發送中心位置及產品結果信息，通過工業機器人實現快速分揀。

4 結語

工業相機及光源的選擇對移印標識的缺陷檢測非常重要，旋翼的弧形在成像時容易造成視野的畸變，通過對像素的標定，能夠有效地減少畸變造成的影響。本文對于移印標識的檢測系統搭建，運用Blob算法和特征提取，能夠快速地分辨出漏印、多印等不良產品。通過對實驗室的數據分析，準確率較高，能夠通過軟件將缺陷產品識別出來，通過串口通訊與工業機器人配合能夠有效地分揀出缺陷產品，減少了人力成本，提高了生產效率，降低了缺陷品流入市場的風險。系統的搭建模型及應用算法設計可以為其他的缺陷檢測提供參考，在機器換人的制造業轉型中應用廣泛。