基于机器视觉的分度夹具转角误差测量*

王宸龙，李蓓智，杨建国

(东华大学 机械工程学院，上海　201600)



基于机器视觉的分度夹具转角误差测量*

王宸龙，李蓓智，杨建国

(东华大学 机械工程学院，上海201600)

摘要：提出了一种利用机器视觉技术对分度夹具转角定位误差进行检测的方法。用CCD 相机分别获取分度夹具上同一条棱边在各个工位上的图像，并通过数字图像处理技术计算该棱边在不同工位之间所成的夹角，从而得出分度夹具转角定位误差和重复定位误差的测量。该方法相比传统检测方法，其检测方法更为简单、高效，可以实现分度转角误差的快速检测。

关键词：分度夹具；误差检测；机器视觉；图像处理；亚像素边缘

0引言

挠性接头是动力调谐陀螺仪的核心元件,其性能的好坏直接影响整个陀螺仪的精度和寿命[1]。由于挠性接头的细颈孔在圆周上呈90°均布[2]，任意圆孔角度误差不大于3′。在加工挠性接头过程中，采用的是四工位分度夹具，其具有转位迅速、主动寻位、弹性定位的优点。但受限于其机构特点，为其转角误差定位测量带来了诸多不便。目前使用的方法是分别在夹具两个相邻面上安装测头，检测夹具在转位之后在垂直于各个面的位移，通过外接仪表读取位移量，然后再根据一系列计算得出转角定位误差。该方法测量效率较低，计算过程复杂，同时又受到测量位置的影响。

本文提出了一种基于机器视觉的夹具转角定位误差的非接触式测量方法。利用 CCD 相机获取分度夹具同一条棱边在各个工位的图像，通过数字图像处理技术，计算得出夹具的转角定位误差以及重复定位误差。

1分度夹具转位误差测量方法概述

通过视觉测量设备分别拍摄分度夹具指定棱边(图1所示，以下简称参照棱边)在各个工位的图像，并对图像进行预处理，提取其亚像素点，利用最小二乘算法进行拟合直线。由于视觉设备在整个获取夹具参照棱边图像过程中，只是平动，并未进行旋转，因此，相邻工位上参照棱边的拟合直线所成的夹角，即为夹具实际的转位角度，与理论转角值进行对比，得出夹具的转角误差。其相关计算流程如图2所示。

图1　分度夹具图

图2　图像处理及其计算流程

2图像处理技术

2.1图像预处理

视觉测量图像预处理主要包括彩色图像灰度化和滤波去噪[3]。目前，灰度图像处理己存在多种算法，并且因其只研究图像的亮度信息，在很大程度上缩短了处理时间。所以，一般情况下，首先将采集的彩色图像进行灰度化处理，转化成灰度图像[4]。由于要测量物体轮廓边缘的几何信息，所以图像边缘信息提取的好坏就显得尤为关键。一般物体和背景具有较大的对比度，反映在图像上就是物体和背景的灰度差别较大，图像直方图将呈现较为明显的双峰型[5]。因此系统采用阈值法即可较好的实现图像分割。

2.2特征提取

在机器视觉检测领域，物体特征提取大部分是指对定位精度要求关系最密切的零件边缘的识别提取，即边缘提取[6]。被检测零件常有边缘包括圆、圆弧、多边形、直线、角点等，在灰度图像中，边缘是指周围像素灰度值有阶跃或屋顶变化的像素集合，反映了图像灰度的不连续性[7]。图像的轮廓具有幅度和方向两个特性，沿轮廓方向的像素变化比较平缓，而垂直于轮廓方向的像素变化比较剧烈。实际图像中的边缘往往是多种目标边缘的组合，所以在实际检测中是存在一定难度的[8]。

经典的边缘提取方法是考察图像每个像素在某个邻域内的灰度变化，利用边缘邻近一阶或二阶导数变化规律进行边缘检测,这种方法称为边缘检测算子法[9]。常用的边缘检测算子有一阶微分算子(Roberts、Sobel、Prewitt、Krish等)、二阶微分算子(Laplacian、Marr-Hildret等)，这些算子都是通过模板或图像卷积来实现提取，计算简单,但常常会损失较多的边缘信息，尤其是对含有噪声的图像边缘检测效果更差[10]。基于最优化算法的Canny边缘检测算子采用高斯滤波器对图像进行平滑处理，再对平滑后的图像计算其梯度的幅值和方向并进行非极大值抑制；最后检测和连接边缘，具有信噪比大和检测精度高的优点，在检测领域得到了较为广泛的运用[11]。

3夹具转角定位误差检测

3.1实验设备及仪器

实验测试的硬件平台如图3：Navitar2X远心镜头，AVT F201B 200万像素的相机，像元尺寸为4.4μm，LED光源。

图3　实验硬件平台图

3.2图像获取过程

该分度夹具总共四个工位，90°/工位，分别命名为A(0°)、B(90°)、C(180°)、D(270°)。分度夹具在初始工位A时，调整焦距，完成对焦，采集参照棱边图像；将夹具转位至工位B，移动镜头寻找参照棱边，完成对焦，并采集其图像；同上，依次完成C、D工位分度及图片采集。夹具共连续分度40次，共采集40张图片。

3.3图像处理过程

对采集到的图像进行预处理之后，利用自适应Canny算子进行边缘检测，图像中目标物体得到了粗定位，精确到了一个像素精度，但真实图像的边缘位置不一定位于整数像素出处[8]。实际上，图像边缘位于像素点的任何位置，因此整像素级别的检测误差最大可达到0.5个像素[9]。常见的亚像素定位算法主要有拟合法、插值法和矩法等。该测量系统选择较为常用的拟合法，根据获得的边缘模型，通过拟合图像的灰度等级来获取亚像素边缘的精确位置。把从A、B、C、D四个工位上提取的参照棱边亚像素点轮廓，利用图像合成技术合成到一张图片中(图4所示)。可知，任意两条轮廓间的夹角即为此工位上夹具的实际转位角度。

图4　夹具各工位参照棱边轮廓合成图像

3.4检测结果计算与分析

由上述合成的参照轮廓图像，拟合直线特征，计算相邻两条边夹角，从而得出夹具的实际转角θ，与理论转角进行对比，从而夹具转角误差：

Eθ=θ-θ0

(1)

经公式(1)计算，得出夹具转角定位误差，其测量结果如表1所示。

表1　分度夹具转角定位误差测量结果(单位：分)

实验结果表明，使用本文测量方法和图像处理技术，相较于传统接触测量方法，能够更高效、高精度的测量分度夹具转角定位误差。

4结论

(1)利用机器视觉技术对分度夹具转角误差进行检测，该测量方法较为简单、高效。

(2)若夹具上方无棱边特征的测量，可以选择圆弧特征或制作直线特征，因此该方法对一般夹具转位误差测量都适用。

(3)易于模块化集成。该检测方法，主要是图像处理算法以及程序编制，对于获取的图像通过图像处理算法程序即可测得转角定位误差，无需人工进行记录与分析计算。

[参考文献]

[1] 刘春节，万德安.一体式挠性接头及其制造技术[J].宇航学报，2007，28(2):475-478.

[2] 刘春节.动力调谐陀螺仪一体式挠性支承[D].上海：同济大学，2006.

[3] 杨建国，肖蓉，李蓓智，等.基于机器视觉的刀具磨损检测技术[J].东华大学学报(自然科学版)，2012，38(5):505-508,518.

[4] 王冲冲.基于高精度计算机视觉的刀具磨损在位检测[D].上海:东华大学，2014.

[5] 张舞杰，杨义禄，李迪，等.自动影像测量系统关键算法[J].光学精密工程，2007，15(2):294-301.

[6] 尚绪强.基于虚拟仪器和机器视觉的零件测量技术[D].济南:山东大学，2008.

[7] 张艳群，孟凡荣.MATLAB在图像边缘检测中的应用[J].计算机应用研究，2004(6):144-146.

[8] 夏瑞雪.影像在位测量关键技术研究[D].合肥:合肥工业大学，2012.

[9] 张美静.亚像素边缘检测技术研究[D].沈阳:沈阳理工大学，2013.

[10] 徐小军，邵英，郭尚芬.边缘检测算子及其在火焰图像中的应用[J].微计算机信息，2008，24(2-3):313-314,279.

[11] 薛丽霞，李涛，王佐成.一种自适应的Canny边缘检测算法[J].计算机应用研究，2010，27(9):3588-3590.

(编辑赵蓉)

Angle Error Measurement of Square Indexing Fixture Based on Machine Vision

WANG Chen-long, LI Bei-zhi, YANG Jian-guo

(College of Mechanical Engineering, Donghua University, Shanghai 201600, China)

Abstract：We present a method of detecting the angle positioning error for indexing fixture by machine vision technology. Using a CCD camera, respectively for indexing fixture on the same edge image in each station, and through the digital image processing techniques to calculate the edge into the angle between in different location, calculated the degree angle to the fixture positioning error and repeated positioning error of measurement. This method is compared with the traditional detection method, it’s more simple and efficient, can realize rapid indexing angle error detection.

Key words：indexing fixture; error detection; machine vision; image processing; sub-pixel edge

文章编号：1001-2265(2016)05-0094-02

DOI:10.13462/j.cnki.mmtamt.2016.05.025

收稿日期：2015-07-03

*基金项目：国家863高技术研究发展计划项目(2012AA041309)

作者简介：王宸龙(1990—)，男，河南周口人，东华大学硕士研究生，研究方向为机器视觉检测、图像处理，(E-mail)327524623@qq.com。

中图分类号：TH161;TG506

文献标识码：A