摘要：本文设计的基于CCD工业相机的机器视觉技术能够实现对机械精密工件进行高质量的自动检测。该系统采用高精度的CCD工业相机作为图像采集部件，使系统能够较好地实现实时高精度自动检测。并对制作的样机进行测试，最后对未来的发展方向进行了展望。
关键词：CCD；工业相机；LED光源；图像处理；特征提取；缺陷检测
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2018）15-0105-02
一、引言
随着精密机械行业相关衍生的产品产量的增长以及国际化市场对产品质量要求的不断提高，以往通过人工目检来检测产品外观缺陷的方式已远远不能满足市场和高端的需求。机器视觉以其高效、科学的检测方式被广泛应用于产品外观缺陷检测中。本课题设计的基于CCD工业相机的机器视觉技术能够实现对机械精密工件进行高质量的自动检测。该系统采用高精度的CCD工业相机作为图像采集部件，使系统能够较好地实现实时高精度自动检测。
二、系统的硬件设计
本系统的硬件部分包括工业CCD相机、照明光源和机械部分，本课题主要研究的就是工业相机的选择、照明光源的选择和设计等。
1.CCD传感器。对于精密机械行业来说，要想使用图像传感器来获取可以使用的缺陷检测图像，必须使用工业级的图像传感器。目前使用最多的图像传感器有CCD和CMOS两种，在工业摄像机中，CCD的使用最为广泛。CCD是电荷耦合器件的缩写，这种器件是以电荷作为信号，而其他大多数传感器是以电流或电压作为信号的。有线阵和面阵两种形式的CCD，它由光敏元、移位寄存器、电荷转移栅等组成，可以把光信号转换成电脉冲信号，每个脉冲只反映一个光敏元的受光情况，其中脉冲的幅度高低反映了此光敏元受到的光照强弱，输出脉冲的顺序可以反映光敏元的位置，这样就能够获取图像。从本质上来说，CCD传感器实现的是电荷的存储与电荷的转移。因此CCD的主要问题就是电荷的产生、存储、传输和检测。
2.工业CCD相机。本系统的CCD相机采用德国映美精公司（The Imaging Source）符合IEEE 1394B标准的工业高清相机来获取高分辨率的图像，如图1所示。The Imaging Source IEEE 1394b相机搭载高分辨率和高灵敏度的CCD感光元件，提供高质量的图像和高数据传输速度，使其非常适合于工业自动化等各样高精度的应用领域。IEEE 1394b相机具有高达120fps和低于5微秒的触发延迟，使用千兆以太网接口，具有分辨率高、精度高、噪声低等优良性能。
3.照明系统。照明系统在光学测量和计算机图像获取中具有重要的意义。其中一个比较重要的作用就是用来突出图像目标与背景的对比度。一个好的照明系统，最重要的就是照明光源的选择，特别是高精度的光学测量系统和光学图像的缺陷检测等，必须要有好的照明设备。因此，是否能够正确的选取合适的光源，会影响整个计算机图像处理系统对缺陷检测的效果。目前，在机器视觉中应用最多的是光源主要有两种：LED光源和闪频光源。LED光源采用的是发光二极管（LED），它具有低功耗、效率高、寿命长的优点，可连续使用10万小时，比普通白炽灯泡长100倍，是一种可回收无污染的绿色光源。LED光源的诸多优点使其在精密光学测量领域应用十分广泛，因此本设计采用的是LED光源。
确定光源后，还要根据机器视觉系统的特点选取恰当的照明方式。针对系统的特点和测量的对象，在进行了各种理论计算和实践后，发现前向照明方式比较适合本项目的设计。所谓前向照明，就是将光源置于工业相机和测量对象的前面，运用光在物体表面上的反射原理，能够将检测对象的表面缺陷和重要细节显现出来。
3.系统的软件设计。在设计好硬件部分以后，我们还需要对通过CCD相机获取的图像进行相关的处理，才能得到检测结果。这样，我们就必须设计能够实现这种功能的软件，借助计算机来处理图像。软件处理的过程包括图像的预处理、图像分割、特征提取和缺陷分类等步骤。根据处理的步骤可以将软件设计成几个模块：图像预处理模块、缺陷分割模块、特征提取模块和缺陷分类模块。软件的流程设计如下图所示：
（1）图像预处理。由于各种干扰因素的存在，必须要对CCD传感器检测到的图像进行预处理。图像滤波是消除干扰的重要方法，图像处理中常用的滤波方法包括中值滤波、均值滤波、高斯平滑、维纳滤波和自适应滤波等。图像增强可以用来解决图像模糊和降质等问题，在对计算机图像进行处理之前往往也需要对原始图像进行增强处理。
（2）图像分割。在精密机械部件的缺陷检测中，主要就是检测齿轮等关键部位的表面缺陷并分类。图像分割的目的，就是要将找到缺陷在图像中的部位，将其与其他部分分割开来，为后续处理打下基础。图像分割的方法有很多，包括区域检测法、边缘检测等方法。
（3）特征提取。是指使用计算机提取图像的特征信息，确定图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。提取的特征往往包括边缘、角、区域和脊等特征。特征提取的目的，是为了能对图像的缺陷进行分类。
（4）缺陷分类。图像分类是模式识别的基本概念，在提取到特征以后，就可以对缺陷进行分类了。分类的准确度依赖于分类器的选择。常用在精密机械部件的缺陷识别的方法有人工神经网络、聚类、随机森林等。
四、总结与展望
本课题以精密机械部件的缺陷检测为研究对象，采用先进的计算机图像处理技術设计出实用性很强的计算机自动检测系统。系统的硬件设计主要包括图像的采集、照明光源的选择和照明系统的设计等；系统的软件设计主要是对图像处理算法的设计和缺陷分类器的设计。通过硬件和软件系统的协作，完成缺陷检测和分类的所有工作，达到精密机械设备缺陷的自动检测和处理的基本要求。
本课题设计的精密机械缺陷检测系统还不够完美，软件和硬件还需要进行优化达到更好的效果，因此，本课题设计的基于机器视觉的精密机械部件缺陷检测技术可以从以下方向进行改进和发展：第一，针对硬件系统的图像传感器的选择、照明光源的选择和设计进行改进；第二，设计出鲁棒性强、检测效率高、算法速度快的检测算法。这些将是我们下一步改进的研究方向。
参考文献：
[1]徐科，周鹏，杨朝霖.基于光度立体学的金属板带表面微小缺陷在线检测方法[J].机械工程学报.机械工程学报，2013，（4）：24-29.
[2]杨威，毛霆，张云，周华民.注射制品表面缺陷在线检测与自动识别[J].模具工业，2013，39（7）：7-12.
[3]梁硼.X射线焊缝图像缺陷自动提取与识别技术研究[D].南京：航天航空大学，2012.
[4]周正干，杜圆媛.航空发动机叶片X射线数字图像分析的一种新方法[J].中国机械工程，2006，17（21）：2270-2273.
[5]方黎勇.基于ICT切片图像的零件内部缺陷三维重构关键技术研究[D].成都：西南交通大学，2009.
[6]徐科，杨朝霖，周鹏.热轧带钢表面缺陷在线检测的方法与工业应用[J].机械工程学报，2009，（4）：111-114，124.
[7]关新平，赵立兴，唐英干.图像去噪混合滤波方法[J].中国图像图形学报，2005，（3）：332-337.
推荐访问： 部件 缺陷 精密机械 外观 视觉
