首页 > 论文范文 > 工程工业论文 > 重工业论文 > 汽车工业 > 基于图像配准的车架缺陷检测与识别方法研究

基于图像配准的车架缺陷检测与识别方法研究

2024-06-17 80 上传者：管理员

摘要：针对流水线上底盘车架外形缺陷检测和识别存在效率低、准确度不高、劳动强度大的缺点，提出一种基于图像配准的车架缺陷检测与识别方法。获取标准图像，通过最大类间方差法与形态学等操作建立形状匹配模板。在线采集待测车架图像，利用形状模板匹配算法查找待测车架图像在标准图像中的位置与旋转角度，对待测车架图像进行配准，使其与标准车架图像处于同一空间位置关系。通过逻辑异或把待测目标图像与标准库图像进行匹配运算，采用形态学算法去除系统中干扰缺陷杂质。RGB分量滤波后，进行图像重叠并调整透明度，从而得到缺陷图。研究结果表明，该方法可有效提取车架外形特征，进而得到过铆、漏铆、多孔、少孔等多种外形缺陷，其检测速度快，具有较好的鲁棒性。

关键词：
Matlab
图像配准
形状模板匹配
缺陷检测
车架
加入收藏

车架为汽车主要的承载结构，在快节奏流水线上经常会因人为因素出现过铆、漏铆、少孔、多孔等问题，甚至出现滥用螺栓组合的方式，导致底盘或整车无法装配等严重后果，从而直接影响生产节拍。车架完成装配后，大多采用人工检测等方式，其准确率及效率通常比较低，且只能定性判断车架是否合格，质量难以保证。随着机器视觉技术的发展，因其易于实现、安装维护方便、检测速度快、准确率高、价格便宜等优点越来越多的应用于工业现场。

机器视觉技术使用摄像机代替人眼，并广泛应用于工业制造、精密测量、车辆航空等领域，可以克服人工检测方式的不足，有效提高产品质量和自动化程度。目前车架主要缺陷包括铆接时过铆、漏铆，冲孔时少孔、多孔，螺栓连接时漏装或多装，以及划痕、压痕等。目前基于机器视觉技术对于上述车架缺陷的检测研究较少，黄柳倩[1]运用形态学操作与低通滤波图像求差的方法得到平面类冲压件的外形缺陷与表面缺陷；陈海永等[2]采用Hu不变矩轮廓匹配和面积匹配算法检测得到异形冲压件的外形轮廓缺陷；徐信[3]利用HALCON软件，基于机器视觉结合图像处理算法解决工件曲面缺陷问题；李永敬等[4]通过形状模板匹配方法检测工件缺失、变形和毛刺等多种外形缺陷；王立群等[5]在卷积神经网络基础上提出深度卷积神经网络分类模型模糊图片数据集，在车辆零件缺陷检测中具有一定的适用性；陆玉凯等[6]提出改进YOLOv7算法针对微小漆面缺陷的检测，检测精度可达88.9%；胡涛等[7]采用基于轮廓特征的配准方法得到印制电路板的轮廓缺陷。上述方法均可得到零件表面缺陷和轮廓缺陷。本文基于图像配准的方法提出一种车架缺陷检测与识别方法，该方法可准确获取待测车架的形状缺陷（过铆、漏铆、螺栓错装等），检测速度快且准确性高。

1、图像预处理

由于车架目标图像的采集均在汽车生产线运行过程中实时获取，目标车架图像中存在较多的干扰信息、无关信息、杂质信息、失真信息等，因此可通过图像预处理方法[8]消除上述类型信息，增强目标图像的可读性，进一步为后续图像深度分析前期准备。

1.1 目标图像灰度处理

为便于后续图像处理，加快运算速度，通常需要将RGB图像转变为单通道的灰度图。在彩色图转成灰度图处理中采用加权平均值法[8]。根据人眼对三原色敏感程度计算权值，可根据式（1）计算选取：

1.2 目标图像滤波

由于周围环境的影响，如电子设备电磁干扰、图像传输速率、光照变化、温度变化等，在图像的获取方面会受到各种噪声的影响，因此有必要对所获取的目标车架图像进行滤波去噪[9,10]。常用的均值滤波会模糊边缘信息，图像失真情况严重，将直接影响后续缺陷检测与识别。高斯滤波对高斯噪声效果较好，但车架图像噪声主要为椒盐噪声，高斯滤波不适用，且高斯滤波计算量较大，运算时间较长。中值滤波是一种非线性滤波，能在保留图像细节和边缘信息的基础之上，较好地滤除掉椒盐噪声、斑点噪声。因此，本文主要采用中值滤波对车架图像进行降噪处理。

通过目标图像像素点灰度值的中值更换其灰度值的中值滤波方法对目标图像进行处理，根据灰度值异于中值原理实现差异化滤波的效果。滤波后目标像素点灰度值采用g(i,j)函数表示，滤波前目标像素点灰度值采用f(i,j)函数表示，如式（2）所示：

式中，z为像素模板。

1.3 二值化处理

通过将灰度化后的图像与选取的像素阈值对比，大于像素阈值设置为黑色255，反之为白色0的图像二值化处理方法[8]，即中值滤波后的灰度图像转换为黑白图像，为后续图像异或处理做好铺垫。

使用最大类间方差法自适应寻找最佳设定阈值。最大类间方差法遍历整个图像灰度级，通过像素阈值判断分割图像为两部分，并计算两部分像素值最大方差来确定最佳阈值。类间方差计算如式（3）所示：

式中，g为两灰度值之间的类间方差，当g取最大值时，此时的阈值即为最佳阈值；ω0、ω1为分割两者像素点数与整幅图像的占比；μ0、μ1为分割两者图像平均灰度。

形态学操作方式是在二值化后的图像基础上建立的，可以有效去除目标对象的细小分支，对其孤立黑点有效填充，去除孤立亮点，提取二进制图像轮廓，得到预处理完成后的图像。

提取待测图像与标准图像，并进行灰度处理、中值滤波和二值化处理之后，结果如图1和图2所示。

图1 待测原始车架图像预处理结果

图2 待测标准车架图像预处理结果

2、图像配准

2.1 归一化互相关模板匹配

结合形状模板匹配算法，采用滑窗法通过图像模板遍历整幅图像，结合旋转、平移、缩放等变换方式，对模板图像与待测图像进行配准评估，寻找相关性系数（范围[0,1]）最大的位置，即配准最佳的位置。若相关性系数越大，即待测图像与模板图越相似。为消除光照等影响因素，优化形状模板匹配算法，进行归一化相关模板匹配计算，基本流程如下：

1）根据流水线实际工况，确定车架最大偏移量±θ和旋转梯度t;

2）选择车架标准图像某一特定区域子图像作为模板图像f(m,n)，选择待测车架图像为被搜索图像g(M,N);

3）将标准图像f(m,n)叠放在被搜索图像g(M,N)上并进行平移，g(M,N)上重叠部分图像作为其子图像gij;

4）结合式（4）进行模板图像与子图像gij的相似性分析：

5）将其归一化，得到模板匹配互相关系数，如式（5）所示：

6）求得的匹配互相关系数值越大，则相关性越强。遍历整幅图像，找到最大系数值对应位置集合：MAX{R(i,j)}，对应旋转角度即为修正角度。

图3 归一化互相关模板匹配处理结果

标准、待测车架二值化图像经过归一化互相关模板匹配之后结果如图3所示，可以看出，经过图像处理之后，采集图像与标准图像基本能够匹配，为进一步形态学处理做好准备。

2.2 形态学处理

经过归一化互相关模板匹配，对调整后的标准、待测二值化图像进行异或操作，凸显像素异常点。为降低误差影响，对异或后的图像进行形态学运算方法处理。通过腐蚀操作除去重影和不构成缺陷的微小差异，通过膨胀处理还原真实缺陷的特征。采用先腐蚀后膨胀的开运算方法，平滑边界，断开狭窄连接，消除图像中细小噪声。

对修正后的图像进行开运算处理后结果如图4所示，经图4转换后的RGB图像仍然存在瑕疵，但目标测试部位已经测试出来，仅需要去除目标物之外的干扰因素。

图4 修正后图像开运算处理结果

为去除目标物之外的干扰因素，可从像素角度进行消除，因此需要做进一步处理。设计基本思路为：首先，计算总体图像像素；其次，提取RGB图像中R分量，并设置合适阈值；然后，对整幅图像进行遍历操作，小于设定阈值的设置为绿色；最后，将处理后的RGB图像与标准原始图像进行匹配，即得到缺陷图（见图5），根据图5可知，车架中存在缺陷的铆点可准确判断出来，且判断结果不受铆点顺序及位置的影响，非缺陷点正常未标记，与实际车架缺陷完全匹配，检测结果准确。

图5 检测缺陷图

3、结论

在本文研究中，提出一种基于机器视觉的底盘车架缺陷检测和识别的方法：

1）对待测目标车架图像灰度化、滤波及二值化处理，采用形态学算法实现图像的预处理；

2）结合归一化互相关模板匹配算法对标准、待测二值图像进行处理，得到模板图像以及修正后的标准、待测图像；

3）结合开运算方法对图像做进一步处理，将处理后的图像转换为伪彩色图像；

4）对伪彩色图像红分量进行滤波，并调整透明度，重叠到标准图像中并标记显示。

实验结果表明，该方法可有效提取车架外形特征，进而得到过铆、漏铆、多孔、少孔等多种外形缺陷，其检测速度快，检测准确性高，具有较好的鲁棒性。

参考文献:

[1]黄柳倩.基于机器视觉的冲压件缺陷检测系统研究[D].广州:广东工业大学,2012.

[2]陈海永,李泽楠,孙鹤旭,等.异形冲压件轮廓视觉检测系统设计[J].光学精密工程,2016,24(10):229-236.

[3]徐信.冲压件表面缺陷图像检测系统的研究与开发[D].广州:广东工业大学,2016.