浙江大学学报(工学版), 2020, 54(3): 557-565 doi: 10.3785/j.issn.1008-973X.2020.03.016

计算机技术与图像处理

采用结构光的大跨度销孔加工精度在线测量

李瑛,, 成芳,, 赵志林

Machining precision online measurement of large span pin hole using structured light

LI Ying,, CHENG Fang,, ZHAO Zhi-lin

通讯作者: 成芳,女,教授,博导. orcid.org/0000-0001-7293-9082. E-mail: fcheng@zju.edu.cn

收稿日期: 2019-01-22  

Received: 2019-01-22  

作者简介 About authors

李瑛(1993—),女,硕士生,从事机器视觉测量研究.orcid.org/0000-0002-5489-0921.E-mail:21613053@zju.edu.cn , E-mail:21613053@zju.edu.cn

摘要

设计采用十字线结构光的双相机视觉测量系统,构建由2个高精度工业相机、2个十字激光器和环形光源等组成的图像采集装置. 在传动箱加工现场获取端面销孔图像,提取图像感兴趣区域(ROI),采用双边滤波进行降噪预处理、二值化和边缘检测;基于改进方向模板法提取2个十字线结构光的中心线. 依据测量系统的设计原理分别测出2个销孔的孔径及其位置度. 结果表明:对于孔径,机器视觉在线测量装置与电子塞规的测量结果的偏差平均值为0.001 mm;对于孔组位置度,机器视觉在线测量装置与三坐标测量仪的测量结果的最大偏差为0.02 mm. 这表明机器视觉在线测量装置能满足加工精度要求和在线实时测量需求.

关键词: 改进方向模板法 ; 结构光 ; 大跨度 ; 加工精度 ; 在线测量 ; 机器视觉 ; 图像处理

Abstract

A two-cameras vision measurement system was designed using cross-hair structured light; an image acquisition device was constructed, which consisted of two high-precision industrial cameras, two cross lasers, and a ring light source. The image of the end pinhole at the transmission box processing site was obtained; the image region of interest (ROI) was extracted; bilateral filtering was used for noise reduction preprocessing, binarization and edge detection. The center lines of two cross structured light were extracted based on improved direction template method. According to the design principle of the measuring system, the diameter and position degree of two pin holes were measured, respectively. Results show that, for diameter of pin hole, the average deviation of the measurement results between the machine vision online measureement device and the electronic plug gauge is 0.001 mm; for hole set position degree, the maximum deviation of the measurement results between the machine vision online measuring device and the coordinate measuring device is 0.02 mm. The proposed machine vision online measuring device can meet the requirements of processing accuracy and online real-time measurement.

Keywords: improved direction template method ; structured light ; large span ; machining precision ; on-line measurement ; computer vision ; image processing

PDF (1255KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李瑛, 成芳, 赵志林. 采用结构光的大跨度销孔加工精度在线测量. 浙江大学学报(工学版)[J], 2020, 54(3): 557-565 doi:10.3785/j.issn.1008-973X.2020.03.016

LI Ying, CHENG Fang, ZHAO Zhi-lin. Machining precision online measurement of large span pin hole using structured light. Journal of Zhejiang University(Engineering Science)[J], 2020, 54(3): 557-565 doi:10.3785/j.issn.1008-973X.2020.03.016

拖拉机传动箱端面销孔是定位孔,是前、后箱紧密结合的关键,端面销孔加工精度对于保证拖拉机底盘质量和提高可靠性具有重要意义. 在传动箱生产制造过程中,机床夹具装夹力改变、刀具磨损、环境温度变化等会对传动箱销孔的孔径和相对位置产生影响. 目前,制造企业主要采用位置度量规、三坐标测量仪[1-2]测量孔组位置度,效率低且不能满足实时在线测量需求.

机器视觉测量技术具有再现性好、测量精度高、适用面广、灵活性好、非接触、测量效率高、成本低等优点,被广泛应用于各领域,为在线高精度测量提供支持[3-8]. 由于机器视觉的测量精度受相机视野影响很大,单相机大视野的图像测量精度受到限制,有必要设计采用结构光的双相机大跨度销孔加工精度测量系统,实现较大跨度的销孔位置度和孔径的加工精度测量.

结构光是由激光发生器经柱面镜发射形成的具有较大发射角的光线. 理论上,结构光照射到平面上形成具有一定宽度和能量的线条,在垂直于结构光平面的横截面上的光强呈高斯分布. 由于受外界环境干扰和工业相机采集的图像畸变等影响,实际获得的结构光并不完全服从高斯分布. 由于传动箱的材料特性和表面加工精度要求较高,传动箱端面亮度高,照射到传动箱端面的光线易受到强干扰,给结构光中心线的提取带来难度[9-12].

基于结构光进行测量时,结构光条纹的中心线提取准确度对测量精度有很大影响. 目前,针对结构光中心线提取的算法主要有细化算法[9]、法向量[13]、轮廓线多边形表示[14]、基于Hessian矩阵的Steger算法[15]、方向模板法[16]、骨架跟踪灰度加权法[17]、形态学处理方法[18-19]、相邻点线性插值法[20]、多变性分割技术[21]、采用多项式拟合提取亚像素中心线[22]等. 段瑞玲等[23]提出了结构光强符合高斯分布的情况下适用于光饱和时的结构光中心线提取方法. 特定情况下的结构光中心线提取方法不同,需要改进结构光中心提取算法. 目前适用于传动箱端面十字结构光的有效提取算法尚未见报道.

拖拉机传动箱端面销孔生产制造过程[1]的实际情况如下:平均8 min制造一台传动箱;桁架机械手基于传动箱底面的定位孔,把传动箱放置到传动装置上,放置误差小于视觉测量系统的景深,使得物距保持不变;传动箱到达检测工位时,保持静止. 因此测量过程中在静止工位采集图像. 为了准确测量传动箱端面2个跨度较大的销孔加工精度,本文设计采用结构光的双相机图像采集装置,提取感兴趣区域(region of interest, ROI),对销孔和结构光分别处理,提出改进算法用于提取传动箱端面上的结构光中心,实现销孔孔径和位置度的加工精度测量.

1. 销孔加工精度在线测量系统

1.1. 测量精度要求

传动箱端面销孔的尺寸和加工精度要求如图1所示,销孔直径为 $2 -\varPhi 15R8_{ - 0.050}^{ - 0.023}$ mm,相对位置度为330±0.03 mm和40±0.02 mm,因此测量精度最大误差为0.02 mm,才能满足加工精度要求. 若采用单个相机测量位置度,则测量视野过大,对硬件的要求过高,因此采用结构光设计机器视觉测量系统.

图 1

图 1   传动箱端面销孔尺寸和加工精度要求

Fig.1   Transmission box face pin hole size and machining accuracy requirement


1.2. 销孔加工精度测量系统硬件组成

图2所示,采用结构光的传动箱端面销孔加工精度在线测量系统的硬件部分由图像采集系统、照明系统、结构光系统、支架以及计算机等组成. 图像采集系统由工业高精度面阵相机、镜头等组成;照明系统由环形光源、光源控制器构成;结构光系统主要由十字激光器、电源等组成,在安装2个激光发射器时,分别在其固定板上的定位孔旋转微调,同时采用三坐标电子水平测量仪和直角规进行调节测试,保证2个激光器发射的结构光在传动箱端面上为水平和竖直.

图 2

图 2   传动箱端面销孔加工精度在线测量系统示意图

1-激光器标准固定板;2-十字激光器;3-水平位置调节支架;4-激光器固定板调节装置;5-竖直调节支架;6-光源位置调节机构;7-相机;8-环形光源;9-箱体上激光线;10-销孔;11-传动箱   Schematic diagram of online measurement system for machining precision for pin hole of transmission box


1.3. 销孔位置度测量原理

根据传动箱端面销孔加工精度测量需求,设计图像采集装置并确定销孔位置度测量原理. 设计标准固定板,固定2个激光器,2个激光器发射的结构光在端面上显示为矩形,且矩形的长和宽始终为 ${W_1}$${H_1}$,十字激光器发射的结构光在端面上的图像如图3中虚线所示. 采用工业相机采集销孔和结构光图像,图3右侧是2个工业相机的采集图像示意图,2个销孔之间的竖直位置度H、2个销孔之间的水平位置度 $W$和2个销孔直径 ${D_1}$${D_2}$计算公式分别如下:

图 3

图 3   销孔位置度测量原理图

1-销孔;2-相机采集视场图;3-结构光光条   Schematic diagram of pin hole position measurement


$\left. \begin{array}{l} H = {p_1}{h_1} + {p_2}{h_2} + {H_1},\\ W = {p_1}{w_1} + {p_2}{w_2} + {W_1},\\ {D_1} = {p_1}{d_1},\;{D_2} = {p_2}{d_2}. \end{array} \right\}$

式中: ${p_1}$为相机1的像素比, ${p_2}$为相机2的像素比,传动箱采用首检的方式,可以基于电子测量仪的测量值和视觉测量系统的测量结果求得 ${p_1}$${p_2}$;采用棋盘格标定板求得相机内参,完成畸变矫正; ${w_1}$${w_2}$分别为2个定位销孔的圆心到激光线的水平距离; ${h_1}$${h_2}$分别为2个定位销孔的圆心到激光线的竖直距离; ${d_1}$${d_2}$分别为图像中2个定位销孔的直径; ${H_1}$${W_1}$分别为十字激光器线在水平和竖直方向的距离,由于无法实际测量这2个距离,通过三坐标测量仪首检件的测量结果与视觉测量装置的测量结果建立等式求解. 由于激光器固定不动,十字激光器线在水平和竖直方向的距离不变,后续计算结合式(1)进行销孔加工质量的测量.

2. 图像处理与结构光中心线提取

2.1. 图像预处理

在图像预处理之前,基于小孔成像和张正友相机标定原理进行畸变矫正. 首先安装视觉测量装置,物距、光圈等参数调节好后固定参数数值不变,然后多角度旋转棋盘格并采集图像,进行相机内外参数的标定和畸变矫正. 本研究中的传动箱材料为铸铁,在精加工后,端面较为光亮,当结构光照射到端面上时,采集的销孔和结构光图像出现较强的干扰噪声,预处理的目的是消除图像噪声并改善图像效果[24],为后续的边缘检测和结构光中心线精确提取作准备. 对在实际现场环境下采集的传动箱端面销孔图像进行滤波降噪,如图4所示为采集的原始图像.

图 4

图 4   在线测量系统采集到的传动箱端面销孔原始图像

Fig.4   Original image of transmission box face pin hole obtained using proposed online measurement system


滤波降噪算法有线性滤波降噪算法和非线性滤波降噪算法,线性滤波主要有均值滤波、高斯滤波、拉普拉斯滤波、盒子滤波等;非线性滤波主要有中值滤波、双边滤波等[10]. 线性滤波可以很好地平滑高斯噪声;非线性滤波可以在滤除噪声的同时有效保留边缘轮廓[24]. 其中,双边滤波的算法原理如下:

${\rm{BF}}[{I_p}] = \frac{1}{{{W_p}}}\sum\limits_{q \in s}^{} \left[{{G_{{\sigma _s}}}} \left( {\left\| {p - q} \right\|} \right){G_{{\sigma _r}}}\left( {\left| {{I_P} - {I_q}} \right|} \right){I_q}\right].$

式中: ${W_P} = \displaystyle\sum\limits_{q \in s} {{G_{{\sigma _s}}}\left( {\left\| {p - q} \right\|} \right)} {G_{{\sigma _r}}}\left( {\left| {{I_p} - {I_q}} \right|} \right)$,起归一化作用; ${G_{{\sigma _s}}}\left( {\left\| {p - q} \right\|} \right)$ 为空间域核函数, $s$为卷积定义域,即图像大小, ${G_{{\sigma _r}}}\left( {\left| {{I_p} - {I_q}} \right|} \right)$ 为像素值域核函数, ${\sigma _s}$为空间域高斯函数标准差, ${\sigma _r}$是像素值域高斯函数标准差, $p$$q$表示像素点位置, ${I_p}$${I_q}$为图像像素值.

通过式(2)可以看出,双边滤波同时考虑了空间域信息和像素域信息,在平坦区域,其像素值变化很小,对应的像素范围域权重值接近于1,空间域权重起主要作用,等价于高斯滤波;在边缘区域,像素值变化很大,像素域信息权重值变大,边缘信息被保留.

为了更加直观地显示双边滤波具有滤波降噪并保留边缘的效果,采用峰值信噪比(peak signal to noise ratio, PSNR)和均方误差(mean squared error, MSE)对比中值滤波、均值滤波、高斯滤波和双边滤波. PSNR是一种图像客观评价指标,基于对像素点间的误差评价图像质量,数值越大表示失真越小. MSE是滤波图与原图的均方误差,数值越小表示失真越小. 中值滤波、均值滤波、高斯滤波和双边滤波基于PSNR和MSE的对比结果如表1所示. 从表1可知,双边滤波的MES最小,PSNR最大,即双边滤波后的图像失真最小,即双边滤波能在很好地去除噪声干扰的同时保持边缘不被模糊,因此本文选用双边滤波对图像进行降噪处理,滤波后的图像如图5所示.

表 1   4种滤波算法的滤波效果对比

Tab.1  Filtering effect comparison of four filtering algorithms

算法 MSE PSNR
均值滤波 28.504 6 33.581 7
中值滤波 48.375 2 31.284 6
高斯滤波 22.150 7 34.676 9
双边滤波 11.357 5 37.578 0

新窗口打开| 下载CSV


图 5

图 5   采用双边滤波后得到的图像和原图的对比

Fig.5   Comparison between image obtained by bilateral filtering and original image


2.2. 感兴趣区域提取

提取感兴趣区域对提高测量速度和精度具有重要作用. 由于销孔与结构光的灰度值有较大差别,在进行二值化前,提取感兴趣区域销孔和结构光便于后文分别处理销孔和结构光. 硬件装置固定后,在视觉测量装置每次采集的图像中,销孔位置和结构光位置保持不变. 本文采用矩形框提取感兴趣区域,首先设置矩形框的起点和长、宽,矩形框的起点和长宽通过多次实验确定,实验中矩形框参数保持不变. 销孔和结构光的感兴趣区域提取结果如图6所示,包括水平结构光、销孔和竖直结构光. 水平结构光和竖直结构光的图像处理方法相同,后文主要针对销孔和竖直结构光作具体介绍.

图 6

图 6   销孔和结构光图像的感兴趣区域提取

Fig.6   Extraction for region of interest of pin hole and structured light image


2.3. 图像二值化

为精确提取结构光中心线和销孔边缘,对图像进行二值化处理,使图像的背景和前景分开,设图像的灰度值函数 $f\left( x \right)$ 的灰度值为 $\left[ {{f_1},{f_2}} \right]$,设定合适的阈值T,通过判断销孔图像灰度值与阈值的大小关系,求得二值化图像. 设二值化图像灰度值为 $g\left( x \right)$,则有

$g\left( x \right) = \left\{ {\begin{array}{*{20}{c}} 0,&{f\left( x \right) < T}; \\ {255},&{f\left( x \right) \geqslant T} . \end{array}} \right.$

通过计算图像的灰度直方图选择合适的阈值T,如图6所示为图像的灰度直方图,根据灰度直方图双峰之间地数值,选择感兴趣区域水平结构光和竖直结构光的阈值T=200,选择销孔阈值T=30. 结构光和销孔的灰度直方图和二值化处理结果如图7所示.

图 7

图 7   销孔和结构光图像的直方图与二值化图(反色图像)

Fig.7   Histogram and binarization images of pin hole and structured light image (anti-color image)


2.4. Canny边缘检测

边缘检测是机器视觉测量中的重要步骤,边缘检测的精度直接影响测量精度,其实质是提取图像和背景之间的交界线[25]. 边缘检测应尽可能地降低错误率,避免虚假边缘,同时应尽可能地降低对同一边缘的多次响应. 本文选用Canny边缘检测算法[26],该算法可以有效避免虚假边缘,边缘定位准确,主要包括以下步骤:1)使用高斯滤波器滤除噪声,平滑图像;2)计算图像中每个像素点的梯度强度和方向;3)采用非极大值抑制,消除边缘检测带来的杂散响应;4)采用双阈值检测真实和潜在边缘;5)通过抑制孤立的弱边缘完成最终的边缘检测. 拖拉机传动箱端面销孔加工精度测量主要包括测量圆直径、提取圆心和测量圆心到结构光的中心线距离. 采用Canny算法提取的销孔边缘如图8所示.

图 8

图 8   采用Canny算法得到的销孔边缘检测效果图 (反色图像)

Fig.8   Pin hole edge detection renderings with Canny algorithm (anti-color image)


2.5. 特征提取

2.5.1. 霍夫线变换

霍夫线变换是图像处理领域检测直线、曲线的特征提取技术,其把笛卡尔坐标系中的点转换到极坐标系,通过计算累计结果的局部最大值得到符合特定形状的集合并将其作为最终结果.

一条直线在图像二维空间中可用2个变量表示,在笛卡尔坐标系中用斜率和截距表示,在极坐标系中用极径γ和极角θ表示,霍夫线变换极坐标表示如下:

$ y = { - \frac{{\cos \theta }}{{\sin \theta }}} x + {\frac{\gamma }{{\sin \theta }}} . $

将式(4)简化为 $\gamma= x\cos \theta + y\sin \theta $,即每一对 $\left( {{\gamma _\theta },\theta } \right)$表示一条通过点 $\left( {{x_0},{y_0}} \right)$的直线. 对于给定点 $\left( {{x_0},{y_0}} \right)$,可以在极坐标系中,绘制出所有通过该点的直线,得到一条正弦曲线. 若在极坐标系中,2条曲线交于一点,则说明其在直角坐标系中通过同一条直线. 霍夫线变换即是通过寻找交于一点的曲线数目来检测直线,在极坐标系中,越多的曲线交于一点,说明经过该点的直线越多.

2.5.2. 霍夫梯度法

在笛卡尔坐标系中,圆用圆心 $\left( {a,b} \right)$和半径r表示,圆方程为 ${(x - a)^2} + {(y - b)^2} = {r^2}$;在极坐标系中,圆用极径 $\gamma $和极角 $\theta $表示如下:

$a = x - \gamma \cos \theta ,$

$b = y - \gamma \sin \theta. $

即在笛卡尔坐标中,由圆心坐标、圆半径所确定的一个圆在极坐标系中用一个点表示,故遍历所有点,采用投票方式对图中任意3个点确定的候选圆投票,得票最多的点即为所求圆的3个参数. 通过上述分析可知,3个参数确定的极坐标是三维空间曲面,计算量很大.

霍夫梯度法把圆的提取分为两步:1)检测圆心,圆心是其所在圆周法线的交点,原理和霍夫线变换相同,在第2.5.1节有介绍;2)分析圆心到任意点的距离,计算相同距离的点的累加和,确定一个阈值,当点的累加和大于该阈值时,这些点构成的形状即为所求圆. 霍夫梯度法可以进一步去除边缘的干扰区域,提取销孔边缘,结果如图9所示. 由霍夫梯度算法原理知,采用霍夫梯度算法可以较快和准确地提取销孔的圆心坐标和半径. 结合前文测量公式(式(1))求得销孔的加工质量.

图 9

图 9   采用霍夫梯度法得到的销孔边缘检测效果图 (反色图像)

Fig.9   Pin hole edge detection renderings with Hough gradient algorithm (anti-color image)


2.6. 结构光中心线提取

采集的结构光图像存在光条间断、受外界干扰较大等问题,采用常规形态学细化算法[27]提取速度快,但提取的中心线容易出现毛刺. 常规的方向模板法易受噪声影响,且计算量大. 针对本文采集的结构光是水平结构光和竖直结构光,提出改进方向模板法提取结构光中心线,提高提取效率和精度. 改进方向模板法在提取水平结构光和竖直结构光中心线时的提取原理相同,因此后文针对竖直结构光介绍改进方向模板法.

提取竖直结构光中心线,设图像大小为M×N,某个像素的坐标为 $\left( {i,j} \right)$,该点灰度为 $I\left( {i,j} \right)$:

1)某行 $i$,对该行上的像素点从图像左边缘( $j = 4$)递增,求 ${A_{{\rm{ L}}}}\left( {i,j} \right)$;对该行上的像素点从图像右边缘( $j = N - 4$)递减,求 ${A_{{\rm{ R}}}}\left( {i,j} \right)$,其计算公式与 ${A_{{\rm{ L}}}}\left( {i,j} \right)$相同.

2)判断 ${A_{{\rm{ L}}}}(i,j) \geqslant {A_{{\rm{ L}}}}(i,j - 1)$是否成立,若成立,继续计算 ${A_{{\rm{ L}}}}(i,j + 1)$;若不成立,计算该行 ${A_{{\rm{ L}}}}(i,j + 1)$${A_{{\rm{ L}}}}(i,j + 2)$${A_{{\rm{ L}}}}(i,j + 3)$${A_{{\rm{ L}}}}(i,j + 4)$,判断 ${A_{{\rm{ L}}}}(i,j - 1)$是否为4个数值中的最小值,如是,点 $(i,{j_{\rm{L}}} - 1)$为该行左边缘,保留该像素点;若否,则继续计算,直至找到该行符合条件的像素点.

3)判断 ${A_{{\rm{ R}}}}(i,j) \geqslant {A_{{\rm{ R}}}}(i,j - 1)$是否成立,若成立,继续计算 ${A_{{\rm{ R}}}}(i,j - 2)$;若不成立,计算该行 ${A_{{\rm{ R}}}}(i,j - 2)$${A_{{\rm{ R}}}}(i,j - 3)$${A_{{\rm{ R}}}}(i,j - 4)$${A_{{\rm{ R}}}}(i,j - 5)$,判断 ${A_{{\rm{ R}}}}(i,j - 1)$是否为4个数值中的最小值,如是,点 $(i,{j_{\rm{R}}} - 1)$的像素值为该行右边缘,保留该像素点;若否,则继续计算,直至找到该行符合条件的像素点.

4)通过2)和3)的计算,该行结构光中心线坐标即为 $\left[ {i,\left( {{j_{\rm{L}}} + {j_{\rm{R}}}} \right){\rm{/2}} - 1} \right]$.

5)若出现结构光断裂情况,则该行结构中心线坐标与上一行同列,行加1;

6)对所有行重复上述操作,直至求出所有行的中心点;

7)所有行计算结束,采用霍夫线变换,求出结构光中心线,霍夫线变换采用概率投票方式,有效避免噪声干扰.

本研究在特定的应用场景中,针对水平结构光和竖直结构光,提出改进方向模板法,快速准确提取水平和竖直结构光中心线.

对比本文提出的改进方向模板算法和常用的形态学细化算法提取结构光中心线,结果如图10所示. 可以看出,由于受噪声干扰,采用形态学细化算法不能精确提取结构光中心线,如图10(a)所示;改进方向模板算法可以较好地提取出结构光中心线,如图10(b)所示.

图 10

图 10   采用形态学细化算法与改进方向模板算法的中心线提取结果对比 (反色图像)

Fig.10   Contrast of centerline exteraction results using morphological refinement algorithm and improved direction template algorithm (anti-color image)


3. 实验验证与测量结果

在拖拉机传动箱加工车间,现场环境下进行试验验证,如图11所示为采用装置和所提方法对实际箱体端面的2个销孔加工精度在线测量.

图 11

图 11   传动箱加工现场端面销孔加工精度在线测量

Fig.11   Transmission box processing site online measurement


传动箱端面销孔加工精度要求如图1所示,根据拖拉机传动箱生产现场的首检要求,在线获取某批次首检件的加工箱体图像,采用所提算法对采集的图像分析处理,结构光中心线和销孔边缘的提取结果均为单像素且无间断点,如图12所示. 为验证测量装置满足加工精度要求,即测量偏差小于0.02 mm,将采用机器视觉在线测量系统的测量结果与三坐标测量仪的测量结果进行对比,结果如表2所示,对应的系统在线测量结果与三坐标测量仪测量结果的偏差分别为0.001、0.002、0.011、0.020.

表 2   机器视觉在线测量系统与三坐标测量仪的销孔加工质量测量结果对比

Tab.2  Comparison of measurement results of pin hole maching quality using machine vision online measurement system and three-coordinates measuring machine

mm
测量方法 D1 D2 W H
视觉测量系统 14.957 14.972 40.019 329.988
三坐标测量仪 14.958 14.970 40.008 330.008

新窗口打开| 下载CSV


图 12

图 12   结构光中心线和销孔边缘提取效果图 (反色图像)

Fig.12   Structure light center line and pin hole edge extraction effect diagram (anti-color image)


为证明所提算法和测量原理满足加工精度要求,可以用于传动箱端面销孔加工质量的在线实时测量需求,进行多批次多个箱体的在线实时测量,分别测出2个销孔的孔径及其位置度加工精度. 将传动箱端面销孔孔径的测量结果与测量精度为0.001 mm的电子塞规的孔径测量结果对比,如表3所示. 其中, ${\delta_1}$为系统在线测量结果与电子塞规测量结果的测量偏差. 由表3可知,视觉测量装置的孔径测量结果与电子塞规孔径的测量结果的平均测量偏差为0.001 mm,满足孔径的测量精度要求和在线实时测量需求.

表 3   机器视觉在线测量系统与电子塞规的销孔直径测量结果对比

Tab.3  Comparison of pin hole diameter measurement results using machine vision online measurement system and electronic plug gauge

mm
箱体编号 视觉测量 电子塞规 ${\delta_1}$
3026181128001 14.963 14.964 0.001
3026181128002 14.960 14.961 0.001
3026181128003 14.967 14.965 0.002
3026181128004 14.970 14.970 0
3026181129001 14.963 14.963 0
3026181129002 14.961 14.960 0.001
3026181129003 14.970 14.965 0.005
3026181129004 14.967 14.966 0.001

新窗口打开| 下载CSV


为验证所提改进算法提取到的结构光中心线的精度满足传动箱端面销孔位置度的测量需求,对传动箱端面销孔位置度进行多次测量. 生产车间一般采用首检检测的方式测量位置度,批次内多数箱体没有其端面销孔位置度的三坐标测量数据,在此列出机器视觉在线测量系统对某批次的位置度测量结果,如表4所示,根据工艺要求可知,传动箱端面销孔竖直位置度为330±0.03 mm和40±0.02 mm,测量结果均在误差允许范围内,与该批次加工精度均合格的现场实际结果相一致.

表 4   机器视觉在线测量系统的位置度测量结果

Tab.4  Measurement results for positional degree of machine vision online measurement system

mm
箱体编号 H W
3026181128001 40.019 329.988
3026181128002 39.982 330.000
3026181128003 40.011 329.980
3026181128004 40.008 329.979
3026181129001 40.011 329.971
3026181129002 39.986 330.021
3026181129003 39.993 329.988
3026181129004 39.989 330.017

新窗口打开| 下载CSV


为验证本文机器视觉在线测量系统稳定性,对同一箱体进行多次重复性测量,测量结果如表5所示. 其中, $\delta_2 $为系统多次重复性测量结果与电子塞规测量结果的测量偏差. 由表5可知:与电子塞规测量结果对比,视觉测量装置的孔径在线测量结果的平均值为14.964 mm,多次重复性测量标准差为0.001 mm,即机器视觉测量系统具有较高的测量稳定性和测量精度. 受双视场图像测量的误差累计影响,位置度测量精度虽然低于孔径测量精度,仍满足其加工精度的在线实时测量要求.

表 5   机器视觉在线测量系统的孔径重复性测量结果

Tab.5  Repeatability measurement of pinhole of machine vision online measurement system

mm
测量次数 D1 $\delta_2 $ 测量次数 D1 $\delta_2 $
 注:电子塞规对箱体编号为3026181129001的孔径的测量结果为14.963 mm.
1 14.963 0 5 14.963 0
2 14.963 0 6 14.964 0.001
3 14.963 0 7 14.965 0.002
4 14.964 0.001 8 14.964 0

新窗口打开| 下载CSV


4. 结 语

本研究采用结构光设计传动箱端面销孔加工精度在线测量装置,提出的基于改进方向模板法的结构光中心线提取算法能有效提取水平结构光中心线和竖直结构光中心线. 利用本文机器视觉测量装置测量销孔孔径,其测量结果与电子塞规的测量偏差平均值为0.001 mm,重复性测量标准差为0.001 mm;销孔位置度的测量结果满足精度误差为0.02 mm的要求. 实验结果表明,本文设计的基于十字结构光的双相机的机器视觉测量系统具有较高稳定性,能满足传动箱端面销孔测量对精度和稳定性的要求.

本文设计的基于十字结构光的双相机的机器视觉测量装置针对传动箱端面2个销孔位置度的测量,该测量装置也可以推广到多个孔的位置度测量. 本文所提方法针对竖直结构光和水平结构光提取中心线,对于其他形式结构光的中心线提取,需作进一步的改进和完善.

参考文献

张明海

三坐标测量机在拖拉机制造业的应用

[J]. 南方农机, 2017, 48 (24): 64- 68

DOI:10.3969/j.issn.1672-3872.2017.24.050      [本文引用: 2]

ZHANG Ming-hai

Application of coordinate measuring machine in tractor manufacturing industry

[J]. South Agricultural Machinery, 2017, 48 (24): 64- 68

DOI:10.3969/j.issn.1672-3872.2017.24.050      [本文引用: 2]

冯乾新, 梁瑞丽

孔组位置度量规的设计

[J]. 工具技术, 2015, 49 (1): 87- 90

DOI:10.3969/j.issn.1000-7008.2015.01.024      [本文引用: 1]

FENG Qian-xin, LIANG Rui-li

Design of hole set position gauge

[J]. Tool Engineering, 2015, 49 (1): 87- 90

DOI:10.3969/j.issn.1000-7008.2015.01.024      [本文引用: 1]

张亚伟, 王冬, 陈度, 等

大型收获机械发动机孔组位置度误差在线检测方法

[J]. 农业机械学报, 2017, 48 (Suppl. 1): 71- 78

[本文引用: 1]

ZHANG Ya-wei, WANG Dong, CHEN Du

online method for large-scale harvester engine punch combination position accuracy measurement

[J]. Journal of Agricultural Machinery, 2017, 48 (Suppl. 1): 71- 78

[本文引用: 1]

杨永奎. 基于机器视觉的液力变矩器焊缝三维检测技术研究_杨永奎[D]. 西安: 长安大学, 2017.

YANG Yong-kui. Research on three-dimensional inspection technology of weld of hydraulic torque converter based on machine vision[D]. Xi'an: Chang'an University, 2017.

LI Y, LI Y F, WANG Q L, et al

Measurement and defect detection of the weld bead based on online vision inspection

[J]. IEEE Transactions on Instru- mentation and Measurement, 2010, 59 (7): 1841- 1849

DOI:10.1109/TIM.2009.2028222     

陈炳权, 刘宏立, 孟凡斌

数字图像处理技术的现状及其发展方向

[J]. 吉首大学学报: 自然科学版, 2009, 30 (1): 63- 70

CHEN Bing-quan, LIU Hong-li, MENG Fan-bin

Digital image processing technology and its develop- ment direction

[J]. Journal of Jishou University: Natural Science Edition, 2009, 30 (1): 63- 70

GADELMAWLA E S

Computer vision algorithms for measurement and inspection of external screw threads

[J]. Measurement, 2017, 100 (3): 36- 49

YANG S R, LIU M, YIN S B, et al. An improved method for location of concentric circles in vision measurement [J]. Measurement, 2017, 100(3): 243-251.

[本文引用: 1]

孙博文, 朱志明, 郭吉昌, 等

基于激光结构光的视觉传感器的图像处理技术研究应用及展望

[J]. 焊接, 2018, 543 (9): 10- 14

[本文引用: 2]

SUN Bo-wen, ZHU Zhi-ming, GUO Ji-chang

Application and prospect of image processing techno-logy for vision sensor based on laser structured light

[J]. Welding and Joining, 2018, 543 (9): 10- 14

[本文引用: 2]

王滔. 基于结构光的焊缝跟踪伺服系统设计与研究[D]. 杭州: 浙江大学, 2017.

[本文引用: 1]

WANG Tao. Design and research of weld seam tracking servo system based on structure light [D]. Hangzhou: Zhejiang University, 2017.

[本文引用: 1]

汪小涵, 赵杰

基于线结构光视觉技术的工件尺寸三维测量系统研究

[J]. 中国管理信息化, 2017, 20 (23): 178- 182

WANG Xiao-han, ZHAO Jie

Reseach on 3D measuring system of workpiece dimension based on linear structured light vision technology

[J]. China Management Informationization, 2017, 20 (23): 178- 182

SUN Q C, CHEN J, LI C J

A robust method to extract a laser stripe centre based on grey level moment

[J]. Optics and Lasers in Engineering, 2015, 67: 122- 127

DOI:10.1016/j.optlaseng.2014.11.007      [本文引用: 1]

MAO Q Z, CUI H, HU Q W, et al

A rigorous fastener inspection approach for high-speed railway from structured light sensors

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 143: 249- 267

DOI:10.1016/j.isprsjprs.2017.11.007      [本文引用: 1]

田庆国, 葛宝臻, 李云鹏, 等

利用轮廓线多边形表示实时提取光带中心线

[J]. 光学精密工程, 2012, 20 (6): 1357- 1364

[本文引用: 1]

TIAN Qing-guo, GE Bao-zhen, LI Yun-peng

Real-time extraction of light stripe central line based on contour polygonal representation

[J]. Optics and Precision Engineering, 2012, 20 (6): 1357- 1364

[本文引用: 1]

南方, 李大华, 高强, 等

改进Steger算法的自适应光条纹中心提取

[J]. 激光杂志, 2018, 39 (1): 85- 88

[本文引用: 1]

NAN Fang, LI Da-hua, GAO Qiang

Implementation of adaptive light stripe center extraction of improved Steger algorithm

[J]. Laster Journal, 2018, 39 (1): 85- 88

[本文引用: 1]

王泽浩, 张中炜

自适应方向模板线结构光条纹中心提取方法

[J]. 激光杂志, 2017, 38 (1): 60- 64

[本文引用: 1]

WANG Ze-hao, ZHANG Zhong-wei

Adaptive direction template method to extract the center of structured light

[J]. Laser Journal, 2017, 38 (1): 60- 64

[本文引用: 1]

胡改玲, 周翔, 杨涛, 等

光刀自适应灰度加权亚像素中心精确提取

[J]. 西安交通大学学报, 2018, 52 (5): 21- 28

[本文引用: 1]

HU Gai-ling, ZHOU Xiang, YANG Tao

Sub-pixel centerline extraction based on light stripe adaptive grayscale weighting

[J]. Journal of Xi'an Jiaotong University, 2018, 52 (5): 21- 28

[本文引用: 1]

CUI Z Y, ZHANG H

A study on contour extraction method in computer vision measurement technology

[J]. Computer Modelline and New Technologies, 2013, 17 (5B): 88- 91

[本文引用: 1]

MOONS T, VAN GOOL L, PROESMANS M, et al

Affine reconstruction from perspective image pairs with a relative object-camera translation in between

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996, 18 (1): 77- 83

DOI:10.1109/34.476015      [本文引用: 1]

徐蕾, 彭月平, 贺科宁

基于改进双边滤波与随机共振的图像去噪算法研究

[J]. 激光杂志, 2018, 39 (8): 142- 148

[本文引用: 1]

XU Lei, PENG Yue-ping, HE Ke-ning

Resarch on image denoising algorithm based on improved bilateral filtering and stochastic resonance

[J]. Laser Journal, 2018, 39 (8): 142- 148

[本文引用: 1]

TIAN Q G, ZHANG X Y, MA Q, et al

Utilizing polygon segmentation technique to extract and optimize light stripe centerline in line-structured laser 3D scanner

[J]. Pattern Recognition, 2016, 55: 100- 113

DOI:10.1016/j.patcog.2016.02.008      [本文引用: 1]

WANG Y Z, GENG B L, LONG Chao

Contour extraction of a laser stripe located on a microscope image from a stereo light microscope

[J]. Microscopy Research and Technique, 2019, 82 (3): 260- 271

DOI:10.1002/jemt.v82.3      [本文引用: 1]

段瑞玲, 李庆祥, 李玉和

图像边缘检测方法研究综述

[J]. 光学技术, 2005, 31 (3): 95- 99

[本文引用: 1]

DUAN Rui-ling, LI Qing-xiang, LI Yu-he

Summary of image edge detection

[J]. Optical Techinque, 2005, 31 (3): 95- 99

[本文引用: 1]

赵军

焊缝结构光图像处理与特征提取方法

[J]. 西安交通大学学报, 2013, 47 (1): 114- 119

DOI:10.3969/j.issn.1008-245X.2013.01.017      [本文引用: 2]

ZHAO Jun

Image processing and feature extraction for structured light images of welded seam

[J]. Journal of Xi'an Jiaotong University, 2013, 47 (1): 114- 119

DOI:10.3969/j.issn.1008-245X.2013.01.017      [本文引用: 2]

何雯. 精确提取光饱和与物体边缘线结构光条纹中心的方法研究[D]. 陕西: 西北农林科技大学, 2018.

[本文引用: 1]

HE Wen. Research on the extraction Accuracy of laser stripe center in light saturation and at the edge of the object [D]. Shanxi: Northwest A&F University, 2018.

[本文引用: 1]

BAO P, ZHANG L WU X L

Canny edge detection enhancement by scale multiplication

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27 (9): 1481- 1485

[本文引用: 1]

刘枝梅, 邓文怡, 娄小平

结构光测量系统中光条中心的提取算法

[J]. 北京机械工业学院学报, 2009, 24 (1): 42- 45

DOI:10.3969/j.issn.1674-6864.2009.01.011      [本文引用: 1]

LIU Zhi-mei, DENG Wen-yi, LOU Xiao-ping

Extraction algorithm of light stripes center in the measurement of structured light

[J]. Journal of Beijing Institute of Machinery, 2009, 24 (1): 42- 45

DOI:10.3969/j.issn.1674-6864.2009.01.011      [本文引用: 1]

/