本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及零件幾何質(zhì)量的尺寸檢測方法。
背景技術(shù)：
：圖像處理是指用計算機對圖像進(jìn)行分析，以達(dá)到所需結(jié)果的技術(shù)，又稱影像處理。圖像處理一般指數(shù)字圖像處理。數(shù)字圖像是指用工業(yè)相機、攝像機、掃描儀等設(shè)備經(jīng)過拍攝得到的一個大的二維數(shù)組，該數(shù)組的元素稱為像素，其值稱為灰度值。圖像處理技術(shù)的一般包括圖像壓縮，增強和復(fù)原，匹配、描述和識別3個部分?，F(xiàn)有的圖像處理方法在機器視覺、人臉識別等非接觸領(lǐng)域有著廣泛應(yīng)用。大都采用灰度特征將圖像數(shù)據(jù)轉(zhuǎn)化為若干組特征值，但灰度轉(zhuǎn)化具有一定相關(guān)性，不利于圖像識別精度提高。目前不少企業(yè)都在大規(guī)模生產(chǎn)些大尺寸，不規(guī)則、復(fù)雜的零件，且在生產(chǎn)過程中，零件是動態(tài)的，在這些零件的生產(chǎn)過程中，往往需要對這些零件的邊緣進(jìn)行檢測，從而得到零件的尺寸大小，來判斷零件的尺寸是否符合生產(chǎn)要求?，F(xiàn)有的對零件的生產(chǎn)過程中的邊緣檢測方法主要是通過相機對零件進(jìn)行拍攝，然后通過拍攝的圖像來識別圖像的邊緣，但是現(xiàn)有的圖像處理主要用來代替人眼精度的識別和檢測，應(yīng)用在低速、靜態(tài)場合，不能滿足用于檢測大尺寸，不規(guī)則、復(fù)雜、動態(tài)生產(chǎn)的零件的邊緣的需求，因此，亟需提出一種零件幾何質(zhì)量的尺寸檢測方法，能夠用于檢測大尺寸，不規(guī)則、復(fù)雜、動態(tài)生產(chǎn)的零件的尺寸大小，檢測精度高。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)中存在的上述不足，本發(fā)明專利目的在于怎么提供一種零件幾何質(zhì)量的尺寸檢測方法，能夠用于檢測大尺寸，不規(guī)則、復(fù)雜、動態(tài)生產(chǎn)的零件的尺寸，檢測精度高。為解決上述技術(shù)問題，實現(xiàn)發(fā)明目的，本發(fā)明采用的技術(shù)方案如下：一種零件幾何質(zhì)量的尺寸檢測方法，首先，分別用紅外熱傳感儀和CCD相機對被測零件進(jìn)行多角度拍攝，得到多幅紅外圖像和相機圖像；然后，依次分別對紅外圖像和相機圖像進(jìn)行預(yù)處理，圖像融合處理，邊緣提取處理后，得到被測零件邊緣的幾何參數(shù)坐標(biāo)值；其次利用標(biāo)定板對幾何參數(shù)坐標(biāo)值進(jìn)行坐標(biāo)標(biāo)定，將幾何參數(shù)坐標(biāo)值轉(zhuǎn)換為被測零件空間平面實際坐標(biāo)和幾何參數(shù)值；最后通過對被測零件空間平面實際坐標(biāo)和幾何參數(shù)值進(jìn)行計算，得到被測零件的尺寸大小。進(jìn)一步，所述對紅外圖像和相機圖像進(jìn)行預(yù)處理的步驟為：首先將紅外圖像和相機圖像進(jìn)行直方圖均衡化處理；然后利用鄰域均值濾波對圖像進(jìn)行降噪和平滑處理；最后采用微分梯度對圖像進(jìn)行圖像增強處理，得到紅外預(yù)處理圖像和相機一次預(yù)處理圖像，對相機一次預(yù)處理圖像進(jìn)行二次濾波得到相機預(yù)處理圖像。進(jìn)一步，所述圖像融合處理的步驟為：首先Matlab融合算法采用小波變換函數(shù)和二維離散小波逆變換函數(shù)確定小波基函數(shù)和小波分解層數(shù)，對紅外預(yù)處理圖像和相機預(yù)處理圖像進(jìn)行小波變換，得到各圖像中的高頻子帶和低頻子帶；然后針對各圖像中的高頻子帶和低頻子帶進(jìn)行融合得到融合圖像；低頻子帶采用區(qū)域加權(quán)平均法選擇融合系數(shù)；高頻子帶以局部能量大小為依據(jù)，如果其對應(yīng)像素局部能量差值大于設(shè)定的閾值時，采用局部能量極大準(zhǔn)則選擇高頻子帶的融合系數(shù)，如果其對應(yīng)像素局部能量差值小于閾值時，采用加權(quán)平均確定高頻子帶的融合系數(shù)。進(jìn)一步，所述被測零件邊緣的幾何參數(shù)坐標(biāo)值是指圖像亞像素邊緣坐標(biāo)；所述邊緣提取處理的步驟為：首先利用數(shù)學(xué)形態(tài)學(xué)邊緣檢測方法確定融合圖像的像素級邊緣，得到像素級圖像；然后假設(shè)像素級圖像的重心移到坐標(biāo)原點，將像素級圖像的像素點映射到單位圓內(nèi)，確立理想階躍邊緣模型；其次根據(jù)Otsu自適應(yīng)閾值算法得到最優(yōu)階躍灰度閾值，假設(shè)采用的模板大小為N*N，計算像素級圖像中各階Zernike矩，由下式可得到圖像亞像素邊緣坐標(biāo)；xiyi=xy+Nl2cos(φ)sin(φ)]]>其中，式中(xi,yi)是像素級圖像中邊緣亞像素坐標(biāo)值；(x,y)是理想階躍邊緣的原點坐標(biāo)值；l為理想階躍邊緣模型圓心到邊緣的垂直距離；φ是邊緣垂線與x軸的夾角。相比于現(xiàn)有技術(shù)，本發(fā)明具有如下優(yōu)點：本發(fā)明提供的零件幾何質(zhì)量的尺寸檢測方法，通過被測零件進(jìn)行多角度拍攝，并對多幅圖像進(jìn)行拼接和處理，以克服大尺寸零件檢測過程中相機視場不足的難題，對紅外熱傳感儀和CCD相機拍攝的圖像進(jìn)行圖像融合處理成一幅圖像，處理后的圖像中包含更為豐富的圖像細(xì)節(jié)，有效消除制造現(xiàn)場混雜的圖像噪聲、振動影響，提高檢測精度，通過提取融合后圖像的邊緣，得到被測零件邊緣的幾何參數(shù)坐標(biāo)值，對幾何參數(shù)坐標(biāo)值進(jìn)行計算得到被測零件的尺寸大小，該方法適用于檢測大尺寸，不規(guī)則、復(fù)雜、動態(tài)生產(chǎn)的零件的尺寸，為我國制造業(yè)實現(xiàn)新型自動化精密檢測提供理論支撐和技術(shù)保障，具有極為重要的理論和應(yīng)用意義。具體實施方式下面結(jié)合實施例對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。實施例：一種零件幾何質(zhì)量的尺寸檢測方法，首先，分別用紅外熱傳感儀和CCD相機對被測零件進(jìn)行多角度拍攝，得到多幅紅外圖像和相機圖像；然后，依次分別對紅外圖像和相機圖像進(jìn)行預(yù)處理，圖像融合處理，邊緣提取處理后，得到被測零件邊緣的幾何參數(shù)坐標(biāo)值；其次利用高精度標(biāo)定板對幾何參數(shù)坐標(biāo)值進(jìn)行坐標(biāo)標(biāo)定，將幾何參數(shù)坐標(biāo)值轉(zhuǎn)換為被測零件空間平面實際坐標(biāo)和幾何參數(shù)值；最后通過對被測零件空間平面實際坐標(biāo)和幾何參數(shù)值進(jìn)行計算，得到被測零件的尺寸大小。具體實施時，可根據(jù)設(shè)計零件視覺圖像的幾何參數(shù)選擇合適的精密運動實驗臺、運動實驗臺包括可移動CCD相機、鏡頭、光源、紅外傳感儀和采集卡。因制造現(xiàn)場環(huán)境既有灰塵，又有噪聲、振動，而且光線復(fù)雜、明暗不定，CCD相機所拍圖像分辨率雖高卻適應(yīng)環(huán)境差，存在很大不足，紅外圖像抗振動和干擾強但對比度低，因此紅外圖像和相機圖像正好能夠提互補圖像信息，克服制造現(xiàn)場環(huán)境的影響。零件幾何質(zhì)量(主要是尺寸大小)的檢測大部分為二維檢測，其難點在于檢測精度、速度以及對檢測成本的控制，本發(fā)明方法除了采用高性價比的硬件外，還通過后續(xù)高效圖像處理算法提供檢測精度與速度。對于大尺寸的零件，將運動實驗臺的可移動相機和紅外熱傳感儀拍攝多幅圖像進(jìn)行拼接、融合處理，對于復(fù)雜、不規(guī)則的零件需要檢測零件深度或垂直面、曲線等幾何參數(shù)時，可通過運動實驗臺多角度掃描、拍照，確定零件的點云數(shù)據(jù)，實現(xiàn)三維檢測。因此，本檢測方案能有效實現(xiàn)不規(guī)則、大尺寸、復(fù)雜零件的幾何質(zhì)量精密檢測，通過圖像融合克服環(huán)境影響，通過運動實驗臺克服立體視覺景深不足問題，具有很好的拓展性。該方法通過被測零件進(jìn)行多角度拍攝，并對多幅圖像進(jìn)行拼接和處理，以克服大尺寸零件檢測過程中相機視場不足的難題，對紅外熱傳感儀和CCD相機拍攝的圖像進(jìn)行圖像融合處理成一幅圖像，處理后的圖像中包含更為豐富的圖像細(xì)節(jié)，有效消除制造現(xiàn)場混雜的圖像噪聲、振動影響，提高檢測精度，通過提取融合后圖像的邊緣，得到被測零件邊緣的幾何參數(shù)坐標(biāo)值，對幾何參數(shù)坐標(biāo)值進(jìn)行計算得到被測零件的尺寸大小，該方法適用于檢測大尺寸，不規(guī)則、復(fù)雜、動態(tài)生產(chǎn)的零件的尺寸，為我國制造業(yè)實現(xiàn)新型自動化精密檢測提供理論支撐和技術(shù)保障，具有極為重要的理論和應(yīng)用意義。為保證圖像融合的質(zhì)量，需要對采集到的紅外圖像和相機圖像分別進(jìn)行預(yù)處理，突出有用信息，減少圖像融合計算量。常用預(yù)處理技術(shù)包括灰度分布統(tǒng)計、均值、中值濾波等。鑒于精密檢測的高精度，所述對紅外圖像和相機圖像進(jìn)行預(yù)處理的步驟為：首先將紅外圖像和相機圖像進(jìn)行直方圖均衡化處理；然后利用鄰域均值濾波對圖像進(jìn)行降噪和平滑處理；最后采用微分梯度對圖像進(jìn)行圖像增強處理，得到紅外預(yù)處理圖像和相機一次預(yù)處理圖像，對相機一次預(yù)處理圖像進(jìn)行二次濾波得到相機預(yù)處理圖像。圖像融合是本發(fā)明的關(guān)鍵技術(shù)之一，常用的圖像融合方法有線性加權(quán)融合、金字塔模型、小波變換等，小波變換相較其它融合方法有明顯優(yōu)勢。但小波變換分解圖像數(shù)據(jù)時存在方向性不足，以及最佳小波基函數(shù)選擇、最佳小波分解層設(shè)置、融合規(guī)則匹配性等難題。本發(fā)明通過前期對二維小波進(jìn)行過研究，發(fā)現(xiàn)不可分小波能克服可分小波的不足，可構(gòu)造同時具有正交性、緊支撐和對稱性的小波濾波器組，在圖像融合時不會產(chǎn)生像素冗余和移位。因此所述圖像融合處理的步驟為：首先Matlab融合算法采用小波變換函數(shù)dwt2和二維離散小波逆變換函數(shù)idwt2確定小波基函數(shù)和小波分解層數(shù)，小波基函數(shù)包括有圖像近似系數(shù)、水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)、對角細(xì)節(jié)系數(shù)；小波基分解層數(shù)一般為3-5層；對紅外預(yù)處理圖像和相機預(yù)處理圖像進(jìn)行小波變換，得到各圖像中的高頻子帶和低頻子帶；然后針對各圖像中的高頻子帶和低頻子帶進(jìn)行融合得到融合圖像；低頻子帶采用區(qū)域加權(quán)平均法選擇融合系數(shù)，算法如下：①設(shè)紅外圖像為A,相機圖像為B，對A和B分別進(jìn)行小波分解，獲得融合后的低頻信號量CA，CB；②用區(qū)域加權(quán)平均法計算融合后的低頻系數(shù)CF，即CF＝wACA+wBCB其中，wA,wB為權(quán)系數(shù)，wA+wB＝1；如果圖像A的貢獻(xiàn)大，則取wA＞wB；反之則取wA＜wB。高頻子帶以局部能量大小為依據(jù)，如果其對應(yīng)像素局部能量差值大于設(shè)定的閾值時，采用局部能量極大準(zhǔn)則選擇高頻子帶的融合系數(shù)，如果其對應(yīng)像素局部能量差值小于閾值時，采用加權(quán)平均確定高頻子帶的融合系數(shù)，這樣可以清晰保留圖像細(xì)節(jié)信息，克服傳統(tǒng)小波融合的不足，算法如下：1)計算紅外圖像與相機圖像經(jīng)過小波分解之后的高頻分量的區(qū)域能量區(qū)域中值和匹配度Ek,ji(x,y)=Σm∈M,n∈N[Dk,ji(x+m,y+n)]2;]]>其中，表示第k個圖像的小波分解系數(shù)。當(dāng)i＝1，2，3時，則表示水平、垂直、對角線方向的小波分解系數(shù)。MEDJi(x,y)=Σm∈M,n∈NDk,ji(x+m,y+n)M×N;]]>MatchJi(x,y)=Σm∈M,n∈N2[DA,Ji(x+m,y+n)][DB,Ji(x+m,y+n]EA,Ji(x,y)+EB,Ji(x,y);]]>其中，(x,y)為圖像中像素點坐標(biāo)，m，n為系數(shù)，為高頻系數(shù)矩陣中以(x,y)為中心，大小為M*N的區(qū)域能量，融合區(qū)域尺寸一般為3*3，5*5，7*7，9*9的矩形區(qū)域。分別為圖像A，B在(x+m,y+n)位置處的第J層小波分解系數(shù)；分別為圖像A，B以(x,y)為中心的區(qū)域能量。2)確定預(yù)設(shè)的閾值Thr，0.5<Thr<1；3)比較匹配度和閾值；如果匹配度小于閾值時，則融合后的高頻系數(shù)由下面公式計算確定：FJi(x,y)=DA,Ji(x,y)ifEA,Ji(x,y)≥EB,Ji(x,y)DB,Ji(x,y)ifEA,Ji(x,y)<EB,Ji(x,y);]]>如果匹配度大于閾值時，則融合后的高頻系數(shù)由下面公式計算確定：其中分別為圖像A，B的區(qū)域中值。圖像分割是零件幾何參數(shù)測量的基礎(chǔ)，邊緣提取的精度決定實際幾何參數(shù)的測量精度。顯然以像素精度的傳統(tǒng)邊緣檢測算法不能滿足要求，而亞像素精度算法如樣條插值等計算量大、效率低。Zernike矩的邊緣檢測效率高，只需3個Zernike矩就可計算4個參數(shù)，計算速度快，但難點在于需要人工反復(fù)調(diào)節(jié)閾值，影響精度。本發(fā)明將采取Zernike矩快速算法與Otsu自適應(yīng)閾值分割相結(jié)合，快速提取零件圖像的亞像素邊緣。所述被測零件邊緣的幾何參數(shù)坐標(biāo)值是指圖像亞像素邊緣坐標(biāo)；所述邊緣提取處理的步驟為：首先利用數(shù)學(xué)形態(tài)學(xué)邊緣檢測方法確定融合圖像的像素級邊緣，得到像素級圖像；然后假設(shè)像素級圖像的重心移到坐標(biāo)原點，將像素級圖像的像素點映射到單位圓內(nèi)，確立理想階躍邊緣模型；其次根據(jù)Otsu自適應(yīng)閾值算法得到最優(yōu)階躍灰度閾值，假設(shè)采用的模板大小為N*N，計算像素級圖像中各階Zernike矩，由下式可得到圖像亞像素邊緣坐標(biāo)；xiyi=xy+Nl2cos(φ)sin(φ);]]>其中，式中(xi,yi)是像素級圖像中邊緣亞像素坐標(biāo)值；(x,y)是理想階躍邊緣的原點坐標(biāo)值；l為理想階躍邊緣模型圓心到邊緣的垂直距離；φ是邊緣垂線與x軸的夾角。無論是不規(guī)則零件還是規(guī)則零件，其幾何參數(shù)均由直線、曲線、圓、橢圓、弧度、平面、曲面組成。曲面通過可移動視覺可轉(zhuǎn)化成平面與線。為將零件幾何質(zhì)量檢測具體化，本實施例擬選取汽車、摩托車發(fā)動機的精密曲軸和精密齒輪(這兩種典型精密零件為發(fā)動機核心零部件，幾何精度要求高，并且包含直線、曲線、橢圓、弧度等典型特征)為具體研究對象。其幾何參數(shù)分別為，曲軸：曲軸頸(曲軸銷)長度、直徑、偏心、曲軸柄寬度、油孔位置與尺寸；齒輪：齒頂(根)高、齒距、齒槽寬、頂隙、分度圓(基圓、齒頂圓、齒根圓)直徑、嚙合角。只要測量其中一到兩個幾何參數(shù)值(如曲軸：直徑、長度，齒輪：齒高、齒距、分度圓直徑)，根據(jù)零件的數(shù)學(xué)模型即可得到其它幾何參數(shù)值。為此，擬將上述兩種零件的亞像素邊緣圖像的感興趣區(qū)域(ROI)進(jìn)行參數(shù)擬合，求解亞像素坐標(biāo)值。即采用數(shù)學(xué)形態(tài)學(xué)定位零件圖像邊緣，利用Zernike矩和Otsu自適應(yīng)閾值分割提取圖像亞像素邊緣，運用最小二乘法確定幾何參數(shù)坐標(biāo)，然后利用高精度固定棋盤格(尺寸1mm*1mm，誤差1μm)作為標(biāo)定板進(jìn)行坐標(biāo)標(biāo)定，將幾何參數(shù)坐標(biāo)值轉(zhuǎn)換為零件空間平面實際坐標(biāo)和幾何參數(shù)值，根據(jù)誤差標(biāo)準(zhǔn)，判定零件幾何質(zhì)量，具體步驟為：①將棋盤格固定在工作臺上，調(diào)整工作臺使得標(biāo)定板與相機平行，相機光軸垂直標(biāo)定板且經(jīng)過標(biāo)定板中心，調(diào)節(jié)標(biāo)定板距離，選取合適位置作為參考面；②參考模板，結(jié)合像素尺寸計算棋盤格圖像尺寸，求解圖像尺寸與實際尺寸的縮放比例，記作d1；③沿相機光軸移動棋盤格ΔZ，計算每個棋盤格尺寸，求解圖像尺寸和實際尺寸的縮放比例d2；④根據(jù)下面公式計算相機有效焦距f；f＝ΔZ/(d1-d2)；⑤循環(huán)執(zhí)行步驟③-④，直至求解整個景深范圍內(nèi)平均有效焦距，執(zhí)行步驟⑥；⑥根據(jù)平均有效焦距和幾何投影模型，對棋盤格特征點(角點)重實際投影，最后通過與直接獲取的特征點像素位置的比較優(yōu)化主點位置，確定像素值(坐標(biāo))與尺寸(坐標(biāo))之間的關(guān)系。為驗證零件幾何質(zhì)量圖像精密檢測理論，需要設(shè)計視覺檢測軟件系統(tǒng)原型，驗證和修正所建立的理論體系，應(yīng)用于實踐。本實施例將在VisualStudio環(huán)境中采用C++語言設(shè)計界面，調(diào)用NIVision軟件處理包。對于圖像融合算法、亞像素邊緣提取，則采用Matlab仿真實現(xiàn)，用C++調(diào)用Matlab中設(shè)計的程序代碼，完成原型系統(tǒng)設(shè)計，通過代碼重組和模塊化思想，使系統(tǒng)原型檢測功能隨幾何參數(shù)變化而迅速重組，具有良好拓展性。最后說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實施例對本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。當(dāng)前第1頁1 2 3