基于机器视觉的定子表面缺陷检测系统研究∗

戴斌宇，吴静静∗

(1.江南大学机械工程学院，江苏 无锡214122；2.江苏省食品先进制造装备技术重点实验室，江苏 无锡214122)

发动机定子是汽车上的一个重要零件，它由粉末冶金材料制造而成。在加工过程中，定子表面易留下磕伤、划伤、砂眼、缺料等缺陷，而这些缺陷分布的位置较随机，在工件的端面和齿面都有一定概率出现。目前市场上普遍以人工目检的方式来对定子表面进行缺陷检测，这种方式存在效率低，准确率易受主观因素影响，易造成视觉疲劳等缺点。基于机器视觉的检测技术可以克服这一缺点[1]，将其运用到定子外观缺陷检测的研究中，能够很好的代替人工，提高检测效率和稳定性。

目前，机器视觉技术在工业在线检测[2]、测量[3-4]的应用逐渐广泛，国内外的许多研究人员也对此进行了大量研究。李丹[1]等提出基于机器视觉的柔性包装袋缺陷检测的方法，对产品整体外形和内部印刷缺陷实时检测，但是该算法的运用对象是柔性包装袋，并非金属工件。王义文[6]等通过重绘圆形轮廓外接矩形，获取感兴趣区域，再利用图像差分法实现钢球表面缺陷的特征提取，但是钢球的结构形状相对定子工件较为简单。

因此，为提高定子工件外观缺陷检测的精度和效率，实现定子工件外观的自动化检测，针对定子图像中背景复杂、内部干扰较多的特点，本文利用机器视觉设计了一套缺陷检测系统。

1 系统整体方案

硬件系统和软件系统共同构成一个机器视觉检测系统[7]。硬件系统中包含光源、相机、镜头、移载装置和夹具，而软件系统中主要包含图像采集算法和图像处理算法。本文将分别对视觉检测系统的硬件和软件设计进行论述。

定子工件如图1所示，定子表面分为上端面、下端面、上齿面、下齿面以及齿顶面。定子工件表面存在磕伤、划伤、砂眼、缺料等缺陷，缺陷的种类繁多，且分布于工件表面的任意位置，因此需要对整个工件进行外观缺陷检测。为了提高检测效率，并且考虑到各表面检测时光源照射会存在相互干涉，本文设计出一套多工位、多工件同时检测装置完成定子表面图像采集。

图1 定子工件示意图

本文以定子上端面的外观缺陷检测为例，介绍软件系统的工作原理。根据图像特点，针对图像中背景复杂、干扰较多的问题，利用最小二乘法[8]提取圆形ROI，将背景与感兴趣区域分离，并且使用一种基于连通域特征组合方法[9]，快速抑制固有字符和槽孔干扰；最后针对边缘缺陷难以检测的问题，提出一种基于轮廓拓扑结构分析的掩模生成算法，并将掩模与待检图像差分[10-11]提取工件表面缺陷特征，从而实现对定子的外观检测。

2 硬件系统设计

在设计硬件系统时，需要对相机、镜头和光源进行选型，除了考虑相机视野、检测精度等问题，还需要考虑相机景深的问题，用以提高现场环境下的检测效率[12]。根据实际工件端面外圆直径为81 mm，齿顶高9 mm，要求检测缺陷最小尺寸为0.5 mm×0.5 mm，选择Basler面阵相机acA2440-20gm，线性扫描相机 ral4096-24gm，面阵相机配套选用Computer MACRO 10X工业镜头，端面选择蓝色环形光照明，齿面选择高亮线性光源照明。

在采集各表面图像时，为了避免图像质量受到其他表面照射光源光线的影响，并且考虑到提高检测的效率，设计分工位、多个工件同时检测的方式，对定子各表面进行图像采集和检测。为增强缺陷与工件的对比度，本文设计通过面阵相机对端面进行多次旋转采集图像；考虑定子工件呈圆柱状的结构特征，上齿面存在一定圆弧，本文设计通过线性扫描相机对工件进行齿面图像采集，工件图像采集系统如图2所示。

图2 图像采集系统

系统分为上端面检测工位，齿面检测工位和下端面检测工位，依次进行图像采集并处理，实现对整个定子工件的外观缺陷检测，系统工作流程如图3所示。

图3 硬件系统工作流程

Step 1 在上端面检测工位，由PLC控制电机带动No.1工件转动，多次拍摄完成上端面图像采集，工业计算机实时处理图像，并反馈结果给PLC；

Step 2 上端面检测完成后，移载No.1工件至齿面检测工位。PLC控制伺服电机转动，旋转工件，并且发送脉冲触发线性扫描相机，完成上下齿面和齿顶面的图像采集，工业计算机实时处理图像，并反馈结果给PLC。与此同时，No.2工件开始上端面外观检测；

Step 3 齿面检测完成后，移载No.1工件至下端面检测工位。PLC控制机械手转动工件，多次拍摄完成下端面图像采集，工业计算机实时处理图像，并反馈结果给PLC。与此同时，No.2工件开始齿面外观检测，No.3工件开始上端面外观检测。

3 软件系统设计

由硬件系统采集到的定子工件图像如图4所示。由图可以看出，感兴趣区域外部存在托盘、夹具和齿面区域等干扰；同时，其内部还存在字符、槽孔以及凹坑等干扰。针对这些问题，本软件系统设计了一套定子表面缺陷检测算法。

图4 定子工件表面图像及干扰图像

本文将对端面图像检测算法展开介绍。对于采集到的图像，首先选用中值滤波去除图像中的椒盐噪声，同时为提高处理速度，对二值图像进行缩放；再利用最小二乘法，将目标检测区域与背景分离，提取圆形ROI；然后对ROI内连通域进行分析，根据组合特征抑制工件上的固有干扰；最后基于轮廓拓扑结构分析生成掩模，缩放还原后与待检图像作差，对差异图作斑块分析判断缺陷，算法流程如图5所示。

图5 软件算法流程图

3.1 ROI提取

端面工位图像中，除了端面感兴趣区域，还包含夹具、托盘和齿面部位等背景区域，需要将这些背景区域进行抑制，保留目标端面区域。由于加工工艺等原因，图像中会出现端面和齿面过渡区域灰度值较高的情况，依靠通用的连通域面积特征提取ROI的方法很难将两者分离。本文利用图像端面区域呈圆形的特点，使用最小二乘法获取端面内、外圆的圆心和半径，并基于此提出一种圆形ROI提取算法，准确提取端面感兴趣区域。

对于定子端面二值图像，首先利用先验知识，初步选定工件旋转中心坐标(A0，B0)和端面外圆半径R0，在距离假定中心(R0-ΔR，R0＋ΔR)范围内提取端面外圆轮廓上的点坐标(xi，yi)，并代入下式:

当F(a，b，c)取最小值时，可得定子工件旋转中心坐标(A，B)，工件外圆环半径R，其中

同理获取端面内圆环半径r，并利用拟合结果画圆制作掩模；最后对原图像和掩模图像进行“与”操作，以获取端面感兴趣区域图像。

3.2 干扰抑制

除了背景的干扰，感兴趣区域内部还有一些来自工件本身的干扰，如端面部位的固有字符、槽孔，齿面部位的固有凹坑，如图4(c)所示。这些内部干扰的形状固定，且相对旋转中心的距离也固定，因此本文提出一种基于连通域特征组合的算法，抑制感兴趣区域内部的干扰。

Step 1 对上一步获取的端面感兴趣区域图像进行连通域搜索，首先根据面积特征对感兴趣区域进行填充，然后搜索ROI内部连通域，并计算连通域的最小外接矩形；

Step 2 连通域最小外接矩形的特征如下:

①形状特征:最小外接矩形的宽W0、高H0、宽高比 K0，即:

②位置特征:最小外接矩形中心(X0，Y0)相对旋转中心(A，B)的距离 R0，即:

式中:Wmax为宽度上限，Wmin为宽度下限；Kmax为宽高比上限，Kmin为宽高比下限；Rmax为连通域外接矩形中心到旋转中心距离上限，Rmin为距离下限。

上述步骤即可得到字符与槽孔区域，填充该连通域，即完成干扰抑制，得到图像M0(x，y)。

3.3 基于轮廓拓扑结构分析的掩模生成算法

常用于检测缺陷的方法是基于形态学处理来实现的，将经过开闭运算后的图像作差，并对差异图作斑块分析以判断缺陷。本文要求检测的缺陷类型有边缘磕碰和缺料，这两类缺陷会导致目标轮廓存在非凸性区域，使用上述方法很难检测出这类缺陷，因此本文提出一种基于轮廓拓扑结构分析的掩模生成算法，算法流程如图6所示，操作流程如下:

Step 1 读取预处理后的图像M0(x，y)，提取目标轮廓 C0(x，y)；

Step 2 第一次拓扑转换。先对C0(x，y)进行轮廓膨胀，对轮廓各点沿其法线向外膨胀n1个像素，以填充尺度较大的非凸性轮廓；然后提取轮廓C1(x，y)，对其进行轮廓内缩，对轮廓各点沿其法线向内收缩n1个像素，以逼近理想轮廓；

Step 3 第二次拓扑转换。提取第一次拓扑转换后的轮廓C2(x，y)，再对该轮廓进行膨胀操作，对轮廓各点沿其法线向外膨胀n2个像素，再次填充可能存在的非凸性轮廓；然后提取轮廓C3(x，y)，对其进行轮廓内缩，对轮廓各点沿其法线向内收缩n2个像素，以得到近似理想轮廓；

Step 4 掩模图像生成。提取第二次拓扑转换后的轮廓，即本文想要的近似理想轮廓C(x，y)，并基于此轮廓填充目标区域生成掩模图像M1(x，y)。

图6 掩模生成算法流程图

经上述操作得到的掩模图像M1(x，y)的轮廓与理想轮廓近似，即可对M1(x，y)进行缩放还原得到理想掩模图像M(x，y)；再将掩模图像M(x，y)与原图进行“与”操作获取待检图像I(x，y)；最后利用图像差分法，将待检图像I(x，y)与掩模图像M(x，y)作差，得到差异图像R0(x，y):

定义阈值T0，对差异图像进行灰度阈值分割，得到端面二值图像R(x，y)，再对R(x，y)进行连通域搜索及分析即可判断工件表面有无缺陷。

4 试验设计与分析

为了验证本文所提出的方法对冶金制品表面缺陷检测的有效性，采用设备实际运行采集到的80幅端面图像、30幅齿面图像进行试验。端面图像大小为2 448×2 048，齿面图像大小为 2 500×7 900。 试验环境为:Intel(R)Core(TM)i7-4790CPU，8G内存PC机，Win10操作系统，开发环境为Visual Studio 2010，OpenCV 库函数。

4.1 ROI提取对比试验

为验证最小二乘拟合圆算法对圆形ROI提取的有效性和精度，本文设计了如下试验。分别将基于面积特征的ROI提取算法、基于霍夫变换的ROI提取算法、基于最小二乘拟合的ROI提取算法进行对比，得到的效果如图7所示，图7(d)中，①为基于霍夫变换绘制的端面外圆轮廓线，②为基于最小二乘拟合法绘制的端面外圆轮廓线。

图7 ROI提取对比试验图像

由图7(a)可以看出，对于端面和齿面过渡区域灰度值较高的情况，基于面积特征提取ROI的方法很难将两者分割开；由图7(b)可以看出，基于霍夫变换提取到的ROI图像中除了端面区域，还有部分的齿面区域；由图7(c)、7(d)可以看出，基于最小二乘拟合法的圆形ROI提取算法更精确，提取到的ROI图像中没有齿面区域干扰。

4.2 性能分析试验

为验证本文提出缺陷检测方法的有效性，将该算法应用于实际检测时采集到的工件图像。各类缺陷的检测效果如图8所示。

为验证本文提出缺陷检测方法的实时性和精度，本文设计了如下试验。分别使用基于形态学的缺陷检测算法和本文提出的缺陷检测算法，对采集到的80幅端面图像，30幅齿面图像进行比对试验。得到两类算法的运行时间对比折线图，如图9所示；以及得到了两种算法的缺陷检出率，如表1所示。

图8 部分检测结果样本图像

图9 缺陷检测算法运行时间对比图

表1 缺陷检测统计结果

试验结果表明，在端面检测工位中，本文提出的缺陷检测方法平均运行时间为924 ms，形态学检测方法的平均运行时间是901 ms，两种方法的处理时间相近；但是在齿面检测工位中，本文提出的缺陷检测方法平均运行时间为1 479 ms，形态学检测方法的平均运行时间是1 984 ms，前者远低于后者；根据表1显示的数据可知，运用本文提出的算法进行检测的缺陷检出率达到了99.09%，远高于运用形态学算法的81.82%。本文算法满足实际需求，即本文提出的缺陷检测方法既保证较高的检测精度，也提高了检测效率。

4 结论

本文提出一种基于机器视觉的定子表面缺陷检测方法，对产品的外观进行实时缺陷检测。根据图像的形状、运动特点，提取感兴趣检测区域；再利用干扰的位置和形状固定的特点，设计填充方法抑制干扰；最后使用差分法完成缺陷检测。最后，通过对形态学缺陷检测方法进行对比实验，验证本文方法在提高了检测效率的同时，能够保证较高的检测精度，基本满足生产需求。