基于机器视觉的手机孔组尺寸检测系统研究

张 震, 崔江红, 刘海鹏, 杨 雷, 刘俊杰, 朱徐辉

(1. 中原工学院 机电学院,河南 郑州 450007；2.帝费自动化工程技术上海有限公司，上海 200000)

近年来，随着机器视觉技术在国内的推广应用，自动化视觉检测技术得到了飞速发展。秦皇岛的“无人水饺工厂”用视觉检测技术对水饺半成品和成品进行质量检测和不良品剔除，上海洋山港的无人驾驶自动引导车(AGV)也采用视觉检测技术进行路线计算和修正。

目前，数码产品的更新换代十分迅速，尤其是手机，其市场需求量非常之大。在手机的生产过程中，对其各部位关键尺寸的检测十分重要，手机内外壳长宽、侧面孔组尺寸、按键尺寸等都是必须检测的项目，且要求的精度很高。在手机工厂通常采用的高度规和三坐标测量仪中，前者精度较低，而后者检测时间较长，因此只能安排品质管理人员对手机进行抽样检测[1]。针对手机外壳侧面孔组尺寸的测量，本文开发了相应的机器视觉检测系统。

1 手机孔组尺寸视觉检测系统

1.1 手机孔组尺寸要求

被检测的手机外壳如图1所示。图2所示为电源键对应孔的具体尺寸。在图2中，卡槽孔长为(10.30±0.05)mm ，孔宽为(2.16±0.05)mm。

注：A为手机侧面电源键对应的孔位。图1 被检测的手机外壳

图2 手机侧面电源键对应孔的尺寸

1.2 检测系统的结构流程

本文设计的基于机器视觉检测系统由光源、光学成像系统、图像捕捉系统、图像采集系统、图像处理模块五大部分组成。光源对手机外壳打光后由相机进行采图，图像处理设备对图像进行处理分析，并根据分析结果判断手机外壳产品是不好的(NG)还是好的(OK)。整个检测系统的结构流程如图3所示。

图3 检测系统的结构流程

1.3 检测系统的结构选型

作为检测对象的手机壳体为金属制品，表面反光较严重，用一般打光方式无法采集到高质量的图像。因此，本文采用前向照明方式，且设计了环形灯光。

整个检测系统对图像无特殊要求，其图像采集设备选用物美价廉的基恩士工业用CV-H500M面阵CCD相机和11.5 mm的定焦CA-LMA1镜头。

图像采集卡选用基恩士的 XG-8000L图像系统控制器。同一公司的控制器和CCD有完美的兼容性。工作时先由CCD等设备获取目标，然后由图像采集卡把模拟图像转换成数字图像并传送到PC机中[2-3]。

软件平台采用Halcon和Visual Studio,系统开发环境为VC++。检测系统的结构选型如表1所示。

表1 检测系统的结构选型

注：各结构件的选型数量均为1。

2 检测原理及算法流程

2.1 视觉检测算法的实现

手机尺寸检测主要是手机外壳的加工尺寸检测，这些尺寸的精度会直接影响后续加工质量。如果加工尺寸精度不达标，后续装配出来的将是废品。因此，手机外壳加工尺寸的检测对手机装配影响很大[4-5]。

本文的研究对象主要是手机的侧面孔组尺寸。手机外壳侧面孔组尺寸有很多，包括电源键、音量键和静音键等对应孔的长度和宽度。这些尺寸的精度将决定后续小件组装的成功与否。这里以电源键孔位的测量为例，对手机孔组尺寸视觉检测系统进行讨论。生产中通过实时检测这些孔组尺寸，可及时发现制程问题，提出生产技术改善方案，以减少次品数量，降低生产成本，提高生产效率[6-7]。

视觉检测算法的图像处理过程如图4所示。

图4 视觉检测算法的图像处理过程

2.2 图像滤波

准确检测孔组尺寸，需要一张清晰的手机孔位图像。这就需要对原始图像进行滤波处理。相邻像素均值滤波、相邻像素中值滤波和高斯滤波是处理图像最常用的几种滤波方式[8-9]。车间环境产生的干扰大多数是噪声干扰以及电子脉冲干扰，而去除这些干扰最有效的方法就是中值滤波。中值滤波是一种非线性平滑滤波算法，它将每个像素点的灰度值设置为其相邻像素点的中值，最大程度去除噪声，有效地保留了图像的边缘像素信息，而边缘像素信息对于基于机器视觉的手机孔组尺寸检测至关重要[10]。

在Halcon软件平台上使用median_image (Image, ImageMedian,‘circle’,7,‘mirrored’)算子对原始图像进行滤波处理。其中：Image 为原始图像(见图5)；ImageMedian为中值滤波后图像(见图6)。通过滤波，图像上下边缘黑色区域的白色噪点得到平滑处理，减少了这些噪点在测量环节对检测结果的干扰。

2.3 图像增强

原始图像经过滤波处理后，边缘像素和细节信息被过滤，图像变得模糊不清，为此需要设法增强图像的对比度[11]。

图5 手机孔位原始图像

图6 中值滤波后的手机孔位图像

在Halcon软件平台上使用emphasize (ImageMedian, ImageEmphasize, 300, 300, 7)算子，可对中值滤波后图像进行增强处理。在该算子中，ImageMedian为中值滤波后的输入图像，ImageEmphasize为增强后的输出图像，300×300为矩阵模板，7为增强系数。增强后手机孔位的图像效果如图7所示。图像增强的主要目的在于将图像的灰度对比度变大，使图像的边缘清晰突出，为下一步的边缘检测提供条件。

图7 增强后手机孔位的图像效果

2.4 测量区域检测

对图像增强处理后，要检测卡槽的长和宽，就需要找到卡槽的边缘，因此需要进行边缘信息提取。在Halcon软件中使用edges_image (ImageEmphasize, ImaAmp, ImaDir, ‘canny’, 1, ‘nms’, 60, 200)算子，对处理后图像进行阈值分割，便可得到卡槽的边缘信息。

卡槽宽度检测程序如下：

Row :=1 063

Column :=1 254

Phi := 90

Length1 := 420

Length2 := 100

gen_rectangle2 (Rectangle, Row, Column, Phi+8.95, Length1, Length2)

gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height, ‘nearest_neighbor’, MeasureHandle)

measure_pairs (Image, MeasureHandle, 1, 30, ‘all’, ‘all’, RowEdgeFirst2, ColumnEdgeFirst2, AmplitudeFirst2, RowEdgeSecond2, ColumnEdgeSecond2, AmplitudeSecond2, IntraDistance2, InterDistance2)

通过gen_ measure_rectangle2算子建立测量目标，即ROI(region of interest)区域。对图像进行边缘信息提取和阈值分割后，得到明确的卡槽边缘信息，然后利用测量算子measure_ pairs便可计算出各个边缘点之间的距离。其中InterDistance2为需要检测的卡槽宽度。卡槽宽度检测效果如图8所示。同理可测得手机外壳侧面电源键孔位卡槽长度。

3 检测结果分析

根据以上步骤准确测出手机外壳侧面电源键孔位卡槽的长度和宽度，通过相机标定，可以知道该检测系统中像素(pixel)与长度单位(mm)间的换算关系，即200/3 580≈0.055 87(mm/pixel)。经过换算，可以得到确切的测量尺寸。为验证系统的检测稳定性和尺寸偏差，本文对某样品进行了多次测量。测量结果如表2所示。

图8 卡槽宽度检测效果

表2 手机孔组尺寸的测量结果 mm

从表2可看出，该手机外壳尺寸测量系统具有良好的稳定性，能够满足企业的测量误差要求(孔长为10.30 mm，孔宽为2.16 mm)，具有可行性和一定的使用价值。

4 结 语

根据手机外壳尺寸的检测要求设计了一种基于机器视觉算法的手机外壳尺寸检测系统。对测量结果分析可知，该系统测量误差小，检测速度快，不仅能够满足工厂生产过程中的检测需求，若配合运动控制系统，还可实现对该检测系统的自动化操作，大大提高生产效率。

参考文献：

[1] 刘胜利.基于工业视觉的轴承尺寸在线检测技术[D].西安：西安工业大学，2014.

[2] 姚峰林.数字图像处理及在工程中的应用[M].北京：北京理工大学出版社，2014:68-71.

[3] 崔明,顾启民,黄霞.基于机器视觉的轴承滚动体缺陷检测算法研究[J].组合机床与自动化加工技术，2015(11):74-78.

[4] 傅骏.基于机器视觉的汽车换热器尺寸测量及外观检测系统设计[D].南京：南京理工大学，2014:2-23.

[5] 柯国梁.基于机器视觉的密封圈尺寸在线检测系统的设计[D].苏州：苏州大学，2014:4-8.

[6] 顾勇,何明昕.基于机器视觉的啤酒瓶检测系统研究[J].计算机工程与设计,2012,33(1):248-253.

[7] 朱先锋,潘洪军.基于Halcon的硒鼓缺陷检测与一维尺寸测量[J].吉林大学学报(信息科学版),2014,32(3):308-315.

[8] 周江,任锟,帅英琦，等.基于机器视觉的磁钢片缺陷检测研究[J].机电工程,2014,31(12):1541-1546.

[9] 唐飞.机器视觉圆钢坯轮廓与裂纹测量[D].成都：电子科技大学，2014.

[10] 刘国阳.基于机器视觉的微小零件尺寸测量技术研究[D].哈尔滨：哈尔滨工业大学，2014.

[11] 陈文达,白瑞林,吉峰,等.基于机器视觉的轴承防尘盖表面缺陷检测[J].计算机工程与应用,2014,50(6): 250-254.