基于機器視覺的復雜機械零部件尺寸測量技術

安曉英

摘要：對圖像進行信息采集，運用灰度化處理圖像信息將圖像的色彩和亮度轉換成灰度圖像所屬值，減少外界干擾。運用高值濾波器衰減圖像中的亮度變化較小的低頻區域來提升圖像輪廓，保留出圖像的邊緣細節。運用雙線性插值方法，計算得到最相近目標像素值，并進行詳細區分。通過對復雜機械零件幾何圖形參數檢測，計算對應的幾何參數，獲得零件不同外形的尺寸并標定，得到真實尺寸完成測量。測試結果表明，機油泵內外轉子輪廓尺寸測量精度均保持良好，可實現高精度測量，具有較好的應用效果。

關鍵詞：機器視覺；機械零部件；尺寸；測量技術

0? ?引言

將測量技術科學運用在工業生產中，有利于穩步提升生產效果，提高測量精度。近年來，基于機器視覺的復雜機械零部件尺寸測量技術，在工業生產測量與檢測中得到廣泛應用[1]。

分析零部件圖像時，通過應用圖像識別技術得到不同噪聲結果，并根據噪聲的類型進行有針對性的去噪，快速實現濾波，有助于得到精度較高的圖像。將復雜機械零部件圖像為測試載體，運用測量技術得到目標的處理信號，可獲得零部件的尺寸信息。在硬件設備中提取更為準確的機械零件圖像邊緣信息，有助于提升工業機械零件的尺寸檢測精度。

現階段的測量技術對于圖像邊緣的細化程度不高，傳統測量方法對于零部件的幾何測量精度影響較大，難以滿足工業要求目標，同時還存在人為干擾因素，使得測量結果難以達到預期。鑒于此，本文以復雜機械零部件尺寸測量技術為研究目標，運用機器視覺技術，結合實際情況進行實驗與分析。

1? ?零部件尺寸測量

1.1? ?復雜機械零件圖像預處理

1.1.1? ?圖像信息采集

首先對圖像進行信息采集，然后運用圖像采集卡技術對圖像信號進行傳輸[2]。通過攝像機拍攝零部件的具體圖像，運用I/O接口將圖像信息傳輸到采集卡中，將數字信息進行A/D轉換，進行數據解碼。通過灰度值進行像素取值，并將拍攝的光強度值形成對應矩陣，存儲在計算機中。

1.1.2? ?將圖像色彩和亮度轉換成灰度圖像所屬值

可運用RGB值將圖像進行灰度化處理，減少外界干擾。運用高值濾波器衰減圖像中的亮度變化較小的低頻區域，對圖像邊界亮度低、振幅較小的區域進行調節，以此來提升圖像輪廓。

設定灰度圖像為g（x，y），運用圖像二道化技術，確定操作對象的閾值為?（x，y）。定義最小平方值為起點，對其進行灰度直方圖推算，確定其灰度值閾值后，將圖像進行劃分。

設定圖像的整體像素為F，灰度級有e級，獲取灰度值為u的圖像元素個數為yu，得到不同灰度級中的概率。將其應用在圖像劃分中，得到兩組圖像[3]。設定目標圖像為A，背景為B。則目標和背景中的灰度級概率計算公式為：

（1）

式中：A=（0，1，...，t），B=（t+1，...，n-1）。

計算目標的平均灰度值和背景的值，得到整個圖像的平均灰度值，然后計算出對應的方差值。將上述計算結果進行整合，得到最大方差值即為劃分目標和背景的閾值。

1.1.3? ?圖像預處理方法

在一幅圖像中，不同灰度級別像素的分布反映聚類的組成情況，當圖像的信噪比較小時，在圖像劃分時容易產生較大誤差[4]。將像素點的灰度值，結合相鄰點的分布情況繪制成直方圖，通過直方圖可得到聚類的個數。這樣就能夠得到像素灰度值的分布信息、附近鄰域的值。

對圖像的二維灰度直方圖進行降維投影，可得到較為精確的聚類中心點坐標。通過應用濾波技術將圖像中的脈沖噪聲進行消除，保留出圖像的邊緣細節，即完成對于圖像的預處理。

1.2? ?幾何尺寸測量與機器視覺技術標定

1.2.1? ?獲得圖像定位點信息

在空間坐標中，可對圖像亮度進行數字化處理。設定實數矩陣K，將圖像進行預處理后代入矩陣K中，對其進行運算，便可準確獲得圖像定位點信息[5]。

1.2.2? ?亞像素邊緣標記

運用微分算法進行邊緣檢測時，存在噪聲缺陷。運用曲面結合方式，用曲面的梯度代替點位，去除噪聲即可進行精準的邊緣檢測。

通過中心計算公式，將光學成像后的空間中物體灰度值，通過聚變得到邊緣數據。該數據符合高斯分布規律，計算窗口中的不同邊緣梯度，可得到二次曲線的最大最小值，將其標記為亞像素邊緣。機油泵內外轉子亞像素輪廓如圖1所示。

1.2.3? ?獲取邊緣和最近像素

運用雙線性插值方法，計算得到最鄰近目標像素的數據，并對像素進行詳細區分。運用邊緣檢測方式得到邊緣和最近像素，并對其進行處理[6]。

通過分析攝像機的物理模型，可得到圖像中每一個點的圖像位置與空間物體表面某點的三維關系，設r-X、Y、Z為攝像機坐標系，原點為ro。零部件E在三維坐標系中，其三維坐標表示為的三維坐標為（Xq、Yq、Zq），圖像坐標系中任意成像點w的圖像坐標為（Xw、Yw、Zw），單位為像素數。設定焦距為p，工業攝像機CCD攝像機的焦距為1，將w為理想圖像坐標，則根據坐標之間存在的關系可以得到內部成像參數矩陣。

按照攝像機的擺放位置不同，統一設定標定坐標系，并根據轉化關系，得到攝像機在坐標系中的平移和旋轉變換位置。在視覺技術檢測過程中，將傳輸到計算機中的圖像進行數字處理，根據像素的大小得到圖像邊緣位置信息。

為得到零部件的實際尺寸大小，需要計算兩者之間的對應關系。將物體尺寸設定為S，將其放置在被測目標位置中。將圖像進行預處理后，為消除鏡頭畸變引起的誤差，在不同位置進行多次測量，并計算其平均值為測量值。

1.2.4? ?零部件的真實尺寸計算

獲得零件的邊緣線后，零部件的真實尺寸可以通過直線端點值，計算出直線段所占有的像素個數。設定在圖像空間直線段的兩個端點分別為和，由兩點距離公式該線段所占有的像素個數，計算公式為：

（2）

式中：N為線段所占有的像素個數。根據像素個數，得到不同像素的真實尺寸，計算得到被測物體的實際尺寸I的公式為：

I=kN? ? ? ? ? ? ? ? ? ? （3）

式中：k為標定系數；N為CCD線段像素個數。對于圓尺寸測量時，運用Hough算法，將圓心坐標設定為（cx，cy），半徑為r，得到真實圓的尺寸半徑公式為：

R=kr? ? ? ? ? ? ? ? ? ? （4）

對復雜機械零件幾何圖形參數進行檢測，運用變換算法對直線和圓進行檢測，計算對應的幾何參數，獲得零件不同外形的尺寸。通過標定方法獲得復雜零部件尺寸的真實值，即完成測量。

2? ?實例分析

為了測試本文方法的實用性和準確性，在上述實驗環境中，設置10個實驗小組進行驗證實驗。通過提取機油泵的外轉子輪廓，測量距離中心所得數據，運用最小二乘法擬合得到中心距測量數值。

將公稱尺寸設定為19.25mm。提取機油泵內轉子數字圖像輪廓，設定基準孔的圓度公差值，運用最小二乘法對圓進行擬合。

2.1? ?實驗準備

在測試前，選擇夏松pc84-5型機油泵油散熱器芯子（6K125F）進行實驗。運用LED作為照明光源，并使用ARC Camera系列可變焦距、一體化光學攝像機CCD進行拍攝。

通過收取光電傳感器的信號觸發，進行機械零部件圖像采集，以提取零件的信息特征。對圖像進行預處理，以提升圖像采集時的質量。傳遞圖像數字信息，并采取量化和還原的方式將得到后的圖像進行存儲。

工業CCD相機型號為MB-DLW35K，數量為2套。采集卡一塊，雙目支架一套，標定板一套。圖像分析與處理的軟件為MATLAB。相機的安裝以鏡頭中心線為基線，當光軸為基線的夾角為45°時可獲得較好拍攝效果。

2.2? ?測試與分析

利用多項式計算零件邊緣數據，獲取某機油泵零部件的圖像信息，得到圖像亞像素邊緣輪廓。運用Ramer算法將其分段，測量機油泵內外轉子的精度。提取機油泵外轉子數字圖像輪廓，得到不同圓弧段圖像。

2.2.1? ?測試結果對比

運用本文方法的小組為小組1，其他小組運用傳統方法。將測量的機油泵外轉子內輪廓的測量數據進行記錄，并計算相對比公稱尺寸的誤差值，結果如表1所示。將測量的機械泵內轉子數據結果記錄，并計算其尺寸偏差值，得到的結果如表2所示。

由測試結果可知，小組1的機油泵外轉子內輪廓尺寸測量精度保持良好，實驗結果與公稱結果相同，而其他小組的實驗結果均存在尺寸偏差。由此說明，應用本文方法能夠表現出良好的測量結果。同時，機油泵內轉子的測量結果也較為準確。運用本文方法進行測量的精度滿足預期目標要求。

2.2.2? ?可行性驗證

為了進一步驗證本文方法的可行性，將復雜機械零部件尺寸測量結果精密度作為實驗指標。

復雜機械零部件尺寸測量結果的精密度指的是測量結果的準確程度。通常使用標準偏差或方差等統計學方法，來表征測量結果的精密度。測量結果的精密度越高，說明測量方法越可靠，測量誤差越小。

本文主要通過標準偏差來反應測量結果精密度，計算公式如下：

（4）

式中：Xi數據與平均值的差的平方和；n表示數據個數；μ表示數據的平均值。

通過公式（4）計算得到的結果如表3所示。由表3中的數據可知，本文方法在多次測試中，標準偏差均低于傳統方法，其最低值僅為1.09，由此可知本文方法的測試結果更加準確、可靠。

綜上所述，通過基于機器視覺的檢測，能夠精準獲得復雜機械零部件的圖像。通過提取亞像素邊緣來進行尺寸測量，可提供準確的檢測數據，有利于增強工作效率，減少因誤差大而造成的問題。將本文方法應用在復雜機械零件中可實現高精度測量，具有較好的應用效果。

3? ?結束語

本文從機器視覺入手，深入研究了復雜機械零部件測量問題，探究了基于機器視覺的復雜機械零部件尺寸測量技術。測試結果表明，采用文中的測量技術，機油泵內外轉子輪廓尺寸測量精度均保持良好，可實現高精度測量，具有較好的應用效果。但方法中還存在一些不足之處，例如對測試樣本的選材單一，計算方法尚未全面優化，引入的變形指標數據存在更新不及時等。今后應完善計算，總結采集圖像中因遇到噪聲等原因對于精度變化的影響，對于其他原因影響也要及時做出研究和記錄。

參考文獻

[1] 杜麗峰，周正，王天琪.基于機器視覺的鋁合金輪轂尺寸測

量[J].機械設計，2022，39（S2）：193-198.

[2] 胡民泉，李登華，喬金明，等輝.基于機器視覺的量水堰堰

上水頭自動量測技術[J].水電能源科學，2022，40（5）：194-

197+177.

[3] 賈國邦，宋麗麗，曹博文，等.基于機器視覺的微小孔零件

尺寸檢測研究[J].工具技術，2021，55（7）：105-109.

[4] 李執，閆坤，傅琪，等.基于機器視覺的金屬工件尺寸測量

[J].儀表技術與傳感器，2022（3）：92-97.

[5] 陳怡然，廖寧，劉超.基于機器視覺的圓形零件尺寸參數測

量[J].工具技術，2022，56（3）：109-113.

[6] 李陽，陳家新，鄭旭棟，等.基于機器視覺的紡紗錠子三維

振動檢測技術[J].東華大學學報（自然科學版），2022，48（5）：

101-107.