基于HALCON视觉系统的遗传算法特征参数选取方法

郭志龙 赵辉

摘  要：针对不同构建取向成型的3D打印试验件，将其作为图像识别及检测的本体，对比3D打印模型参数，通过HALCON视觉系统进行图像灰度化、图像增强及ROI选取等前期图像预处理，再针对不同类型的缺陷检测特征，采用基于遗传算法的特征参数选取方法。选择最优的亮度、对比度、伽马、锐度及照明等HALCON视觉系统参数并进行匹配检测，同时对该遗传算法进行改进处理，以验证改进后的匹配程度，取得了良好的产品缺陷检测效果。

关键词：3D打印;HALCON软件;视觉系统参数;预处理;遗传算法;最优;匹配度

中图分类号：TP273.4    文献标识码：    A文章编号：2096-4706（2021）07-0158-04

Feature Parameter Selection Method of Genetic Algorithm Based on

HALCON Vision System

GUO Zhilong，ZHAO Hui

（Lanzhou Petrochemical Polytechnic，Lanzhou  730060，China）

Abstract：Aiming at the 3D printing test pieces formed in different construction orientations，taking them as the ontology of image recognition and detection，compare the 3D printing model parameters，carry out early image preprocessing such as image graying，image enhancement and ROI selection through HALCON vision system，and then adopt the feature parameter selection method based on genetic algorithm for different types of defect detection features. Select HALCON vision system parameters such as the optimal brightness，contrast，gamma，sharpness and illumination for matching detection. At the same time，improve the genetic algorithm to verify the improved matching degree and achieve good product defect detection effect.

Keywords：3D printing;HALCON software;vision system parameter;preprocessing;genetic algorithm;optimal;matching degree

收稿日期：2021-03-12

課题项目：2018年度教育科学“十三五”规划高校与职业院校一般课题（GS〔2018〕GHB GZ050）

0  引  言

作为一种可在线化、个性化打印的快速成型技术，3D打印技术在近年来成为工业自动化及产品制造领域的研究热点。目前最常用的3D打印方法有熔融沉积成型技术（FDM）以及切片式成型技术等，打印成型方向可以选用站立式、侧立式、平躺式等不同方向。3D打印技术总体而言，具有成本低、自动化程度高、个性化定制等优点。但打印精度差，缺陷度高、成品率低、耗时长等缺点仍是困扰3D打印高效、快速发展的技术因素之一。因此，实现3D打印产品的缺陷检测显得迫在眉睫，是亟须解决的问题之一[1，2]。

而基于HALCON机器视觉成像的缺陷检测方法是现代制造业进行质量控制及检测的重要方法之一，将HALCON软件中的图像分析及处理算子运用到3D打印产品的缺陷检测中以执行或者辅助完成某些特定的缺陷检测任务，例如零部件表面的裂纹、凹坑、擦伤、缺陷等的检测[3-5]。而基于HALCON的机器视觉成像系统对外部干扰因素如光照、零件形状、零件材料和反射表面等的敏感度较高，基于对这些因素的综合考虑，在执行某些检测任务时对于机器视觉成像系统的参数选择就显得尤为重要。目前的常用方法是在系统安装调试的过程中通过大量的实验和经验方法获得一些较为可靠的经验参数。这种方法耗时量大，且匹配效果准确度不高。基于此，本文在对3D打印件进行图像匹配检测时运用基于HALCON视觉系统的遗传算法，得到一种可自动获取最优HALCON视觉系统参数并不断进行优化的方法，以实现3D打印不同构建取向成型件的缺陷检测。本文所使用的视觉系统软件HALCON是由德国MvTec生成的机器视觉软件[6]。

1  系统软硬件选型及构成

为了进行本系统图像检测的研究，搭建了3D打印及视觉图像检测的软硬件系统，并对该系统的视觉性能和稳定性能进行了研究，后将开发和优化的遗传算法应用于该视觉系统进行视觉参数的优化。本文所设计得系统包括：一个基于HALCON视觉软件集成的开发的遗传算法应用程序、一个铝合金框架搭建得物理视觉系统、一个3D打印系统和一个通信控制器。

1.1  硬件组成

工件打印系统的硬件主要由3D打印机、3D打印耗材及高温熔丝喷头等组成。视觉系统的设计由CCD工业相机、工业镜头、展台、铝合金框架、四个独立的漫射发光二极管灯、HALCON视觉图像处理软件等组成。发光二极管灯放置在展台内，从正面、右侧、左侧和顶部照亮各个部分，使用的相机是单色SD-U200相机，安装于铝合金框架上方从上向下观察零件。各部分硬件选型如表1所示。

1.2  软件的组成及通信实现

通过运用HALCON软件中开放了的2 000余个图像处理算子及其对应的源程序，只需要在HDevelop环境下调试HALCON源码编写遗传算法，后选取不同条件下的亮度值、对比度值、锐度值、伽马值等参数进行图像处理及匹配检测，或者按照特定检测对象，编写其他程序算法，处理得到图像处理所需结果。

为了在测试过程中控制和操作遗传算法参数，用C#语言生成一个图形用户界面以实现算法参数选择控制器和HALCON视觉系统之间的串行通信，后调用HALCON中集成的视觉软件应用程序HALCON.NET数据库进行相应图像处理。

为了确保在通信过程中数据没有丢失，以及便于识别外部输入错误，使用脚本文件记录软件应用程序和物理视觉系统之间的所有命令和响应。

2  遗传算法的开发及参数优化

在遗传算法开发之前，首先运用图像特征提取及处理的办法，进行图像灰度化及颜色增强，将原始图片进行预处理，突出图像中的一些重要的、感兴趣的特征，过滤掉少量不必要的信息，使得处理后的图像对比度明显增强，特征更加明显，以便于后期特征提取时更加精确[7-9]。灰度化处理按照HALCON中加权平均法函数rgb1_to_gray进行处理，这里不再详述。其次利用阈值分割的方法提取所获得的图片中各类缺陷对应的感兴趣区域ROI（Region of Interest），在3D打印件模型上，我们主要感兴趣的区域是存在气泡、凹坑、裂纹、表面缺陷等外表面部位。故根据缺陷检测需要提取不同的ROI，以尽量消除其余區域造成的误检，从而提高检测的准确性。

完成以上图像预处理步骤后，进行视觉系统的匹配检测，为了获得更好的性能参数，得到更好的匹配效果，本文拟选用可迭代的遗传算法进行参数的选择。需要选择的遗传算法图像参数包括投影照明高度定位、亮度、对比度、伽马和清晰度等。匹配完成后生成HALCON数据类型的XLD（边缘轮廓模型）等高线轮廓模型，并与实时图像匹配，以定位所需的缺陷对象或特征。然后根据面积和长度等特征来判断其是否为缺陷产品，并标记出缺陷区域。

在视觉系统进行图像匹配时，因考虑了遗传算法的收敛性以及其获得最佳HALCON视觉系统参数的能力，对运用遗传算法后得到的视觉系统进行性能分析，以确保所使用的视觉匹配算法能够满足可重复性和稳定性要求。从而获得准确的适应值，得到理想的图像匹配效果。

2.1  遗传算法的开发

用基因序列中的每个染色体表示一种可能的解决方案，即一个染色体对应一组视觉匹配参数。初始化状态下，用随机选择的参数值组成的染色体均匀地组成初始群体，由于硬件单色相机的规格和参数限制，需对图像参数进行限制，参数值从限制值之间随机选择，给出的限值如表2所示。

初始群里选取后，遗传算法进行下一步的迭代，这里规定每个染色体的每次突变和交叉繁殖的概率都是同时、统一进行的。为了获得每次遗传迭代后的合理解决方案，提出该遗传算法的适应度函数。该适应度函数用待识别区域中任意三个特征点的平方和的误差（SSE）表示，其函数关系式如式1所示。在使用每个染色体指定的视觉系统参数进行检查时，该适应度函数可结合每个待找到部分的百分数与已找到部分的百分数之间的数量误差关系，计算并返回SSE分数，SSE越接近于0，说明模型选择和拟合的更好，数据预测越成功。

SSE=（100%-Part1Score）2+（100%-Part2Score）2

+（100%-Part3Score）2                                 （1）

由于遗传算法可保持遗传多样性且具有良好的局部搜索能力，使用优胜劣汰和线性排列两种选择方法进行迭代以产生最优解，即最优参数。为保证总体评估效果的优越性，建立一个最优群落数据库，在每个种群迭代过程中将最优个体取出来储存到最优群落数据库中再进行比较和分析。关于运行时间T，规定T的截止时间为算法满足特定条件为止的时间。算法停止的条件包括：（1）达到了期望时间;（2）获得了最优解;（3）算法停止。

若在选定的迭代次数内适应度函数趋于平稳，则认为得到最优解。如果适应度函数在50次迭代中保持不变，则算法自动停止。

2.2  视觉系统性能选择

视觉系统的影响因素主要有照明环境和相机分辨率（图像参数）。照明环境会影响图像捕获时的对比度，照明环境引起的变化会影响整个视觉检查过程;本试验系统所选用的像素到毫米级分辨率的相机会影响系统的可重复性和稳定性。使用一个3D打印的产品作为参考对象，与其理想的3D参考模型进行匹配，后利用该系统进行目标识别，并使用数值统计方法对结果进行分析。图1为搭建的3D模型打印平台。

测试过程中使用环形LED高亮光源，该LED阵列成圆锥状以斜角照射在被测物表面，产生均匀的漫射照明。测试流程分4个步骤：（1）在选取的特征匹配点上分别用低范围、中范围和高范围照射光源进行图像检测参数测试。这些测试参数见表二;（2）对一个3D打印试件的每次试验进行50次，要求参数均无变化;（3）每个测试点每次测试返回50个模型分数;（4）对结果进行统计分析。

对于ROI区域三个点的测试，进行以下统计分析：首先计算每个测试点的样本平均值和标准偏差，然后计算自由度为31，后得到关于样本平均值x的正态分布xi如由式（2）表示：

xi=±tv，p×Sx                             （2）

方差为0.15时，规格上限（USL）和规格下限（LSL）由式（3）和（4）计算得出，因环境照明的变化以及所使用的相机像素的限制，认为该上下限制范围有效。

USL=+（×15/100）                    （3）

LSL=-（×15/100）                    （4）

由式（3）和式（4）的计算结果，根据一种用于提高过程质量和最小化过程变化的行业策略，即六西格玛原理得出过程能力值：

Cp=                               （5）

当过程能力等于或大于1时，可认为该系统是可重复的且稳定的。由式（5）得出每个测试的每个部分的结果如表3所示。

从表3来看，由于散射和噪音的存在，低视距的处理能力值小于1。而远视距的散射会降低系统在物体和背景之间建立清晰对比度的能力，得到的对比度值也会降低。锐度值降低会导致图像不清晰，导致检测过程中获得零件边界的难度升高。综合来看，中视距和远视距测试的处理能力大于1（满足检测要求），产生了令人满意的结果。

由于样本的變化受到随机误差和样本数据大小的影响，可利用样本均值获得真实均值和真实标准差的更好估计值。在静态条件下，从特征点取十个模型分数的样本，后根据式（6）计算重复该过程的次数，从而将随机误差的估计值降低到可接受的水平。

N≈                               （6）

其中，P为置信百分比，tv，p置为置信百分比下的学习变量，是Sx为标准偏差的平均值，d为期望的单侧置信区间。

由于单侧区间的可接受水平为0.005，根据式（7）可得到样本的值，其中样本的标准偏差计算为0.005 693 966 3，则样本数为：

N≈=7.25       （7）

因此，只需要8个样本就满足条件，图5显示了8个样本的正态分布函数，这8个样本均可获得更好的真实均值和标准差估计。

用式（2）至（5）的平均数据分析方法可得出标准偏差为0.013 466（当置信百分比为95%时），尽管某些未知参数的变化仍会导致系统的可重复性及稳定性发生变化，但总体而言，通过以上测试可以看出平均值的标准偏差较低，视觉系统产生了令人满意的结果。

2.3  遗传算法的性能和优化

不同的控制参数会导致解空间产生不同的繁殖和迭代能力，其会影响选择条件和遗传多样性。因此，将遗传算法应用于视觉系统进行视觉系统参数优化之前，需要对遗传算法进行参数优化。具体通过手动及自动改变遗传算法的独立参数并观察应用于视觉系统时的效果来测试，每个测试的性能由其计算运行时间和SSE值来评定。针对每个确定的测试条件和适应度函数，设置初始时静态视觉系统参数为：亮度值为-5，对比度值为7，锐度值为0，伽马值为102，所有灯光采用漫反射的均匀照明。所有测试结果如表4所示。

从表4可以看出，最佳控制参数选择100的种群规模、淘汰选择方法和20%的突变率时产生了较小的SSE值和较短的计算运行时间。因此当遗传算法应用于视觉系统时，选择以上的最优遗传算法参数可获得最优的HALCON视觉系统参数。

选择以上参数后，使用3D打印模型为参考对象，生成3D打印模型轮廓，返回SSE值以及每个零件的匹配分数，测试该遗传算法获得最佳视觉系统参数的能力。获得的优化视觉系统参数包括亮度值26、对比度值5、伽马值134、锐度值0和光数3（仅顶部光）。可以看出，相比于手动调节参数，将遗传算法应用于HALCON视觉系统产生了最佳的特征点匹配率及SSE值，视觉系统优化结果如表5所示。

3  遗传算法的应用

可以看出，选用遗传算法应用于视觉系统进行视觉系统参数优化后，大大节省了参数选择时间，且相比较于传统的试错法，其选择的参数匹配度更好、精确度更好，可极大的改善产品表面缺陷检测的效果。同时，利用HALCON视觉系统中开放的源码可进行遗传算法参数的优化，该检测方法可针对不同行业及应用领域，进行专业化的检测，如陶瓷表面裂纹检测、动车组制动闸片缺陷检测、动车组轮对咯伤、擦伤等缺陷检测等等，均有广阔的应用前景。

4  结  论

将遗传算法应用于HALCON视觉系统产生了最佳的视觉系统参数。这项研究的重要性在于，HALCON视觉系统参数的选择可以从一个改进的遗传算法中获得，而不是传统的试错等方法。通过实施参数优化后的遗传算法，可提高视觉系统的稳定性能和可重复性;通过调整遗传算法的适应度函数，可将优化的遗传算法应用于其他视觉系统检查领域。

参考文献：

[1] KUANG Z P，DAI G M，WAN R J，et al. Osteogenic and antibacterial dual functions of a novel levofloxacin loaded mesoporous silica microspheres/nano-hydroxyapatite/polyurethane composite scaffold [J].Genes & Diseases，2019（2）：193-202.

[2] 徐影，吕毅，王建波，等.深冷处理对3D打印ABS高分子材料组织性能的影响 [J].矿冶工程，2020，40（4）：142-144.

[3] 汪成龙，黄余凤，陈铭泉，等.基于halcon的字符缺陷检测系统 [J].制造业自动化，2018，40（9）：38-41.

[4] 舒奇，黄家才.基于Halcon的机器人手眼标定方法研究 [J].南京工程学院学报（自然科学版），2019，17（1）：45-49.

[5] 田春林，陈李博，马国庆，等.基于Halcon的工业机器人手眼标定方法研究 [J].制造业自动化，2018，40（3）：16-18+ 46

[6] ZAVRTANIK V，KRISTAN M，SK?AJ D. Reconstruction by inpainting for visual anomaly detection [J].Pattern Recognition，2020，112（2）：107706.

[7] LIU C，ZHOU A M，ZHANG G X. Automatic clustering method based on evolutionary optimization [J].IET Computer Vision，2013，7（4）：258-271.

[8] CHAOUCH I，DRISS O B，GHEDIRA K. Applied Intelligence;Studies from University of Manouba Provide New Data on Applied Intelligence（A novel dynamic assignment rule for the distributed job shop scheduling problem using a hybrid ant-based algorithm） [J].Journal of Robotics & Machine Learning，2018（49）：1903-1924

[9] KRUSE J，CONNOR A M，MARKS S.An Interactive Multi-Agent System for Game Design [J].The Computer Games Journal，2021（10）：41-63.

作者簡介：郭志龙（1989.07—），男，汉族，甘肃天水人，工程师，硕士研究生，研究方向：多智能体协作控制、设备故障检测与诊断;赵辉（1990.09—），女，汉族，甘肃金昌人，助教，硕士研究生，研究方向：汽车智能化制造、物联网系统及新能源汽车应用技术。