车辆轮毂直径和圆度的图像法检测

李晓斌

(山西农业大学 工学院，山西 太谷 030801)



车辆轮毂直径和圆度的图像法检测

李晓斌

(山西农业大学 工学院，山西 太谷 030801)

摘要：[目的]直径和圆度作为车辆轮毂的基本参数，对车辆行驶的平顺性和安全性有重要影响。研究轮毂尺寸在线测量技术，可以为工厂化轮毂生产及尺寸检测提供高效、准确的方法。[方法]以上海大众桑塔纳轿车轮毂为研究对象，以Matlab图像处理为技术手段，采集自然光状态下车辆轮毂图像，通过灰度化、二值化处理，从原始图像中初步提取出车辆轮毂，再利用imclearborder、bwareaopen等函数对图像进行相应后处理，得到边缘锐利、清晰、平滑、完整的轮毂二值图像，为精确测量轮毂尺寸提供保证。经标定后，利用regionprops函数可以准确计算出轮毂直径及圆度值。[结果]检测结果表明，轮毂直径测量的相对误差为0.6%，圆度为2.47 mm，检测精度较高，检测结果可靠。[结论]该研究一方面为轮毂尺寸在线测量提供一种准确性好、精度高的方法，另一方面，也可为解决类似图像处理问题提供参考和依据。

关键词：轮毂直径； 圆度； 图像处理； 检测

轮毂作为车辆底盘行驶系统的重要工作部件，其尺寸及精度直接影响车辆行驶的安全性、平顺性和轮胎的使用寿命。目前在工厂化生产中，轮毂尺寸检测主要由人工完成，难以满足流水线快速检测的要求，且检测精度难以保证，检测误差大。因此，探索一种精度高、速度快、自动化程度高且操作简单的轮毂尺寸在线测量技术十分必要。

周长明[1]针对国产铝合金轮毂，运用图像检测技术对轮毂安装孔分布等参数进行了高精度检测，并提出了一种自动识别算法。许昊等[2]针对传统检测方法费时费力且误判率高的缺点，设计了弹簧外形视觉检测流程，并使用Labview软件开发了检测程序，可实现毛刺识别，尺寸测量，不合格产品筛选等功能。经验证，该方案可以满足弹簧内径尺寸的高精度检测。王善巍[3]根据气门各尺寸参数测量的精度要求，利用机器视觉技术及HALCON软件对发动机气门相关参数进行了亚像素级测量，检测结果满足精度要求。

本文以轿车轮毂为研究对象，以Matlab图像处理为基本手段，采集车辆轮毂图像，通过灰度化、二值化、去除孤立小目标、去除与边界连通的对象等处理，得到边界锐利、平滑的轮毂二值图像，经标定后，再利用regionprops函数准确计算轮毂直径及圆度值。该研究运用Matlab(R2015a)图像处理技术，建立一种轮毂尺寸快速、准确的在线监测方法，提高在线检测效率和准确性。

1图像采集

使用索尼DSC-RX100型数码相机(ExmorCMOS，其尺寸为13.2mm×8.8mm)采集上海大众桑塔纳汽车轮毂图像，如图1所示。为便于后续标定，在图像采集时，设定相机与轮毂的距离为1.5m。

图1　桑塔纳轿车轮毂原始图像Fig.1　Original image of wheel hub of Santana

2图像处理

图像处理的目的就是能成功识别并准确提取目标区域，以保证结果的准确性和精确性。因此，有必要对采集的轮毂原始图像进行灰度化、二值化和去除孤立的小目标等处理，保证得到边缘清晰、锐利的轮毂图像，以实现其直径和圆度的图像法测量[4]。

2.1图像灰度直方图

图像灰度直方图可以形象的刻画并统计原始图像各像素的亮度在灰阶范围内的频数分布状况，为评价图像整体亮度及二值化图像时阈值的选择提供指导和依据。轮毂原始图像的灰度直方图如图2所示。由图2可以看出，原图像整体亮度较低，且集中在80附近。

图2　灰度直方图Fig.2　Grey level histogram

2.2图像二值化处理

由于原始图像为RGB彩色图像，其颜色信息对轮毂直径及圆度测量无用，故使用自动阈值分割法(graythresh选项)[5～8]将原始RGB图像变为二值图像，如图3所示。

图3　二值化图像Fig.3　Binary image

2.3去除与边界连通的对象

由图3可以看出，轮毂部分提取结果较理想，黑色的轮胎和车身部分又直接与图像边界连通但轮毂并未与图像边界直接相连，故可用imclearborder函数[9]将这些无关部分整体去除，结果如图4所示。

严格意义上讲，甲状腺结节性病变从其发病特点上区分，可分为两类。第一类，单发性结节；第二类，多发性结节。在临床诊断治疗领域，需要密切关注的是病变性的结节特征。具体来看，包括结节的大小、部位、质地、功能等。如上所述，甲状腺结节病变主要呈现为单发性和多发性，包括有增生性、肿瘤性、胶体性、囊性、甲状腺炎性等。总之，在临床治疗尤其是早期控制阶段，对不同类型的甲状腺结节性病变予以对应的治疗措施是非常关键的。正如开篇所言，B超检查诊断的临床意义巨大。

图4　二值化图像Fig.4　Binary image

2.4去除孤立的小目标

由图4可以看出，轮毂周围存在无关的白色条状区域，这些干扰区域应当去除，否则会影响轮毂直径和圆度计算。利用bwareaopen函数[10]可有效去除图4中的干扰区域，而只保留轮毂部分。从而得到适合直径和圆度值测量的理想图像，如图5所示。

图5　二值化图像Fig.5　Binary image

2.5孔洞填充

图5较清晰的提取到轮毂部分。对于轮毂直径和圆度测量而言，其内部辐板等都属于无用部分，可用imfill函数[11]对该部分进行填充，其调用格式为：

g=imfill(f, ’holes’)

图6为进行孔洞填充后的轮毂图像。

图6　经孔洞填充后的轮毂二值图像Fig.6　Binary image of hub by imfill function processing

3轮毂直径及圆度测量

3.1Regionprops函数

D=regionprops(L,properties)

其中，变量properties是一个用逗号分隔的字符串列表。本研究则利用“BoundingBox”对轮毂直径和圆度值进行计算。即：

D=regionprops(L,“BoundingBox”)

运算结果D为[ul_cornerwidthx_widthy_width] 1×4向量。其中，x_width和y_width分别为我们所关心的目标区域(轮毂)最小外接矩形的长和宽。

3.2轮毂直径计算

首先用bwlabel函数对图6所示图像进行标记，再运用Regionprops函数和BoundingBox选项计算轮毂直径。经MATLAB(R2015a)软件计算得到该轮毂的直径为1468(D1，x_width)和1449(D2，y_width)像素。为了能更客观的测量轮毂直径，将被测图像旋转(imrotate函数)一定角度(30°)后得到一个新的被测图像，再对其进行直接测量。结果如表1所示。

表1轮毂直径图像法测量结果

Table1Themeasurementresultsofhubdiameterbyimageprocessingmethod

旋转角度/°Rotateangle直径D1/像素DiameterD1直径D2/像素DiameterD2014681449301463145560145414651201455146315014651454

计算表1中所有直径的平均值，得到该轮毂的图像法测量结果为1 459像素。若将该值转换为实际长度值，需进行图像标定，即计算出图上1像素代表的实际长度值[12]。以200mm(m1)标准直径圆板为参照物，采用与轮毂相同的拍摄条件采集图像，并用相同的图像处理算法进行计算，得到该圆板的图像尺寸为771像素(m2)，则图上1像素代表的实际长度为0.259 4mm。因此，该被测轮毂实际直径应为378.5mm。又由于该轮毂实际直径为381.0mm，容易算得检测结果的相对误差为0.6%，检测精度较高。

3.3圆度计算

可用表1中测得的最大直径Dmax与最小直径Dmin的差值来计算轮毂外圆圆度：

(1)

因为Dmax=1 468，Dmin=1 449，故轮毂的圆度为2.47mm。

为验证轮毂直径图像法检测的可行性和准确性，分别采集马自达6和福特福克斯两款车轮毂图像，运用本文所述图像处理方法分别对其进行轮毂直径的测量。结果表明，直径测量的相对误差分别为0.52%和0.35%。由此可见，运用图像法对车辆轮毂直径和圆度值进行测量准确性较好，与相关硬件设施配套使用可用于轮毂尺寸在线测量。

4结论和讨论

随着我国经济社会的不断发展，汽车的使用需求不断扩大。仅2016年3月，我国汽车产销分别完成252.1万辆和244万辆，汽车产销环比和同比均呈增长，其中同比增幅高于去年同期，这使得轮毂的大规模生产和快速检测变得越来越重要。本文利用MATLAB图像处理技术，实现了汽车轮毂外圆直径和圆度的快速、精确测量。在图像预处理、图像分割、图像后处理和图上测量等方面均进行了详细阐述，并得出了以下几方面结论：

(1)运用自动阈值法对采集到的轮毂图像进行二值化处理，分割结果理想。

(2)通过边界对象抑制、删除小面积对象和孔洞填充等处理，得到了完整、清晰、唯一的轮毂轮廓图像。

(3)使用regionprops函数和BoundingBox描绘子测量了轮毂直径和圆度值，并根据标定结果计算出被测轮毂实际直径和圆度值。

(4)检测结果表明，轮毂尺寸测量的相对误差为0.6%，检测精度较高，检测结果可靠。

除直径和圆度外，影响轮毂使用性能的参数还有轮毂宽度、孔位参数、偏距、螺孔直径、中心孔等，在轮毂生产和检测过程中对这些参数的测量也非常重要。在后续工作中，应继续研究和编制相应的Matlab程序，以实现对上述参数的在线、精确测量。

综上所述，Matlab图像测量技术，一方面为轮毂尺寸在线测量提供一种准确性好、精度高的方法，另一方面，也可为解决类似图像分割及处理问题提供参考和依据。

参考文献

[1]周长明. 基于CCD的轮毂安装孔形位参数测量[D]. 杭州：浙江大学，2007.

[2]许昊，范详，魏文杰，等. 基于机器视觉的弹簧内径尺寸检测研究[J]. 机电产品开发与创新，2016，29(1)：78-79.

[3]王善巍. 基于机器视觉的气门几何参数测量研究[D]. 哈尔滨：哈尔滨工业大学，2015.

[4]章毓晋. 图象工程[M]. 北京：清华大学出版社，2000： 212-220.

[5]邓罗虹. 基于线阵CCD的机器视觉测量系统的研究[D].兰州：兰州大学，2014.

[6]李晓斌. 汽油机火花塞间隙图像法测量[J]. 山西农业大学学报(自然科学版)，2015，35(6)：664-667.

[7]李晓斌. 运用图像处理技术在线监测真空冻干果蔬含水率[D].太谷：山西农业大学，2013.

[8]陈秉陶. 汽油发动机点火系统火花塞间隙击穿电压有效检测技术实践[J]. 装备制造技术，2013(10)：198-199.

[9]秦襄培.MATLAB图像处理与界面编程宝典[M]. 北京：电子工业出版社，2009： 362-500.

[10]冈萨雷斯著，阮秋琦译.数字图像处理(MATLAB版)[M]. 北京：电子工业出版社，2006： 180-300.

[11]姚敏. 数字图像处理[M]. 北京：机械工业出版社，2006：121-160.

[12]KlausHS，MartinL.Stepwisecalibrationoffocusedplenopticcameras[J].ComputerVisionandImageUnderstanding，2016，145(4)：140-147.

(编辑：马荣博)

Measuringofthediameterandcirculardegreeofhubbasedonimageprocessingmethod

LiXiaobin

(College of Engineering， Shanxi Agricultural University， Taigu 030801， China)

Abstract:[Objective]As the basic parameters of the vehicle hub, diameter and circular degree have an important influence on the ride comfort and safety. The on-line measuring technology of Hub size could provide an efficient and accurate method for production and measurement of hub. [Methods]Shanghai Volkswagen Santana car wheel as the research object, Matlab image processing for the technical means to collect the vehicle wheels image under natural light state, the vehicle hub image was extracted after grayscale and binary processing from the original image, imclearborder and bwareaopen functions were used to obtain a sharp, clear, smooth, full hub binary image. After calibrating, regionprops function was used to accurately calculate the hub diameter and circular degree. [Results] The results showed that the relative error of hub size measured was 0.6%, and circular degree was 2.47 mm, it had a higher precision and the result was reliable. [Conclusion]The research on the one hand to provide an accurate, high precision method for online measurement of hub size, on the other hand, can also provide reference and basis for solving similar image processing problems.

Key words:Hub diameter； Circular degree； Image processing； Measurement

收稿日期：2015-04-13 修回日期：2016-04-26

作者简介：李晓斌(1983-)，男(汉)，山西平定人，讲师，博士，研究方向：机器视觉和图像处理技术及应用

基金项目：山西农业大学科技创新基金(2014004)

中图分类号：TP391

文献标识码：A

文章编号：1671-8151(2016)07-0529-04