《多类型汽车摇窗机导轨图像识别检测系统》由会员分享，可在线阅读，更多相关《多类型汽车摇窗机导轨图像识别检测系统（6页珍藏版）》请在金锄头文库上搜索。
1、多类型汽车摇窗机导轨图像识别检测系统 邢栋 谈士力 上海大学机电工程与自动化学院 摘 要： 本文介绍了一种在柔性化装配产线中, 对多种汽车摇窗机导轨类型进行图像匹配识别的方法。针对导轨不规则的外形特征, 提出了基于灰度值的图像匹配方案, 并运用归一化互相关系数法, 计算两幅图像的匹配相似度, 从而完成图像类型的辨别检测。本检测系统基本 Lab VIEW 软件实施。关键词： 汽车摇窗机导轨; 图像匹配; 归一化互相关系数; LabVIEW; 作者简介：邢栋, 男, 硕士。工作单位:上海大学机电工程与自动化学院。作者简介：谈士力, 上海大学机电工程与自动化学院 (上海 200072) 。收稿日期：
2、2017-04-26Image Recognition System for Multi Type Vehicle Window RailXing Dong Tan Shili Received： 2017-04-261 引言随着汽车产业的快速发展, 和人们对汽车需求量的不断提高, 越来越多的车型出现在市面上。汽车摇窗机作为汽车门板内必备的零部件之一, 其款式与需求量也在不断增加。这就使得摇窗机装配生产线的柔性化程度必须进行提高来适应这一现状。然而目前摇窗机自动化装配线的柔性化程度一直处于较低水平, 其原因是在摇窗机导轨装配工序中, 对多类型导轨同时上料过程中的导轨类型识别检测能力较差, 以至
3、于在后续装配过程出错较多, 严重影响产线的生产率与准确率。因此本文将针对这一现象, 对多类型导轨识别检测问题进行详细的研究与分析。2 图像匹配的方法选择分析图像匹配是机器视觉系统常用到的一种图像类型识别方法, 主要可分为基于特征元素的图像匹配与基于灰度值的图像匹配。基于特征元素的图像匹配是指根据待测物体上某些显著的特点, 如边线形状, 孔大小位置等, 通过这些显著的特征来与标准的图像模板进行匹配识别。这种方法主要在检测目标的特征元素较为明显, 易于识别时应用, 不适合外轮廓边缘过于曲折或者表面形状杂乱无章的目标检测。基于灰度的图像匹配是指通过检测当前工件与标准模板在同一特征区域的灰度一致性,
4、来判断两幅图像是否一样。基于灰度的图像匹配识别精度较高, 对待测物体表面及轮廓形状特点不做过高要求, 但缺点是容易受到外界光线造成的灰度值波动的影响, 并且需要严格的位置限定, 如果检测工件与标准模板的放置位置不同, 则易造成较大的误差, 除此之外由于检测的像素点较多, 计算机处理量大, 运行时间慢。图 1 为本次待识别的一组摇窗机导轨, 从图中可以看出:导轨的特征元素有两处, 分别是导轨的边缘轮廓与导轨中心圆孔。此次导轨的轮廓边缘为一些列无规律的复杂曲线, 匹配难度较大, 且每根导轨的中心圆孔直径相同, 其圆心在特征匹配区域内的坐标位置从图上看出, 也没有明显区别, 故综合考虑分析, 选用基
5、于灰度值的图像匹配法。图 1 下载原图本次视觉检测的具体方案是采用基于导轨轮廓的灰度值匹配, 采用基于导轨边缘轮廓的灰度值匹配, 能够简化匹配计算过程, 且边缘提取后的图像灰度值受光照变化的影响较小。此外由于导轨在产线中上料检测过程受定位夹具的定位限制, 故每次 CCD 相机对同一类导轨都严格的在固定位置进行拍照提取, 所以此次检测将不会因为导轨位置变动而使检测结果误差较大。而且本次导轨在产线中为间隙性上料以配合后续装配动作, 故对匹配分析的时间要求不高, 综合上述三种情况, 都满足了采用基于灰度值匹配的条件。3 图像预处理进行图像匹配前, 首先要对 CCD 相机获取的导轨图像进行预处理, 进
6、行预处理的目的是为了得到清晰的导轨轮廓, 方便下一步的图像匹配。图 2 为本次研究采用 CCD 照相机获得的某一型号导轨, 并以此为例, 对本文所采取的图像预处理方法进行介绍:图 2 下载原图本次研究将按照图 3 步骤进行导轨图像边缘轮廓的提取:图 3 下载原图其中, 本次研究采用直方图均衡化进行图像对比度增强处理;采用边缘保持滤波法除去图像采集过程中杂糅的干扰噪声;采用大津分割法将导轨图像与背景图像进行分割;最后运用 Canny 算子, 提取出导轨的边缘轮廓。提取导轨轮廓的效果如图 4 所示。图 4 下载原图4 图像匹配方案实施4.1 图像匹配算法分析本次研究采取的识别算法基于是灰度值的图像
7、匹配法, 即将导轨的标准模板移动到当前所采集到的待识别导轨的图像匹配区域, 通过比较两副图像在匹配区域内的灰度值的相似度来判断彼此是否匹配。现对相似度 (S) 做如下定义:设图像匹配区域为 , 导轨标准模板的灰度函数为 f (x, y) , 待检测导轨图像的灰度函数为 m (x+u, y+v) , 其中, 因为模板采集时拍照位置与当前待测导轨图像拍照位置两次均受定位夹具的固定, 故 u, v 可忽略不计, 即 m (x, y) , (x, y) 。相似度 (S) 在匹配区域的每一像素点都有:其中 (x, y) , 式 (1) 是一种抽象化的相似度概念, 是一种定性分析, 下面给出几种具体化的相
8、似度数学表达式, 对相似度进行定量分析:式中:n 是 区域内的像素点个数, 为放大系数, 主要作用是为了改善因边缘像素点在总匹配区域占的比例较少而带来的识别辨识度不高, 灵敏性差等问题。式 (2) 表示了匹配区域内像素点灰度值差绝对值和的平均值, 式 (3) 表示了匹配区域内像素点灰度值差值平方和的平均值。如计算得到的 S1、S 2的值为 0, 则表示待识别导轨与标准模板完全匹配, 否则, 其值越大, 说明两者差异性越大。上述两种方法计算效率很高, 因为对每个像素点只需进行两个操作即可。上述两个表达式虽然计算简单, 但无法从数值上直观的判断是否匹配, 即匹配判断的阙值难以确定。为了克服这一现象
9、, 提高识别的精确性, 本文引入一种新的判别算法, 即归一化互相关系数法, 该算法的核心思想是判断两个量是否呈现出线性相关关系, 如果呈现出严格的线性相关关系, 即可判定为匹配, 除此之外, 该方法还能消除因线性光照强度的变化引起的轮廓边缘像素灰度值的波动, 该方法的表达式为:式中:ncc 为互相关系数, 表征两个量的相关程度; f是标准模板的像素灰度平均值, 其具体算法为: f是标准模板的像素灰度方差, 其具体算法为: m是待识别导轨图像在匹配区的像素灰度平均值, 其具体算法为: m是待识别导轨图像咋匹配去的像素灰度方差, 其具体算法为:归一化互相关系数法的核心思想是通过检测标准模板与待测导
10、轨图像的相关程度来判断是否匹配, ncc 的取值在 01 之间, 且 ncc 的值越接近 1, 两者匹配度越高。当 ncc 为 1 时, 表征标准模板与待测导轨图像呈现出严格的线性相关关系, 也即完全匹配, 具体表现形式为:4.2 匹配阙值分析与实验结果本文导轨图像差异仅在边缘处呈现, 而边缘轮廓占整体图像区域权重较少, 致使任意两幅图像的线性相关度都略高。为了确定本次试验的匹配阙值, 本次研究进行了 20 轮试验, 取 20 根导轨进行 6 个标准导轨模板的一次匹配, 采集得到匹配时的 20 个相似度, 其中 ncc 最小值为 0.986。同时记录了图像不匹配时的 100 个 ncc 值,
11、其中最大为 0.953。故本次研究将相似度判定阙值暂定为0.98, 即 ncc0.98 判定为成功匹配, 否则判定为不匹配。在进行试验时, 也进行了匹配时间的统计, 120 次匹配, 平均每次匹配时间为 1.217s, 满足生产节拍要求。阙值确定完成之后, 本文又对该检测系统进行了约 500 次试验, 有 3 件输出不合格品, 无法识别。经查证有 2 件确属不合格品, 导轨制造外形属残次品;1 件为匹配相似度均低于阙值 0.98, 误认为均不匹配, 也即阙值设定不合理。综合分析实验结果基本满足自动化产线的生产要求。本文以检测系统在 Lab VIEW 软件实际运行过程的其中两步为例进行说明, 具
12、体如图 5, 图 6 所示:图 5 下载原图在图 5 中可以看出, 待识别导轨与三号模板配对时, 相似度为 0.931, 低于0.98, 故判定为不匹配导轨, 匹配指示灯不亮起;在图 6 中待匹配导轨与 5 号模板进行配对时, 相似度为 0.991, 故判定为匹配导轨, 匹配指示灯亮起。之所以匹配度没有达到 1, 是因为待测导轨边缘提取过程中, 导轨表面有一些由污渍引起的杂乱的亮点, 引起的与标准模板无法完全匹配。但亮点占总图像像素值的比例极少, 并不影响本次试验的结果。图 6 下载原图5 图像检测系统通讯本次用于获取导轨图像的 CCD 相机与 Lab VIEW 上位机软件的通讯采用 Lab
13、VIEW 自带的传输控制协议 TCP 函数, 该 VI 子模板函数带有 6 个 I/O 接口, 每个接口地址所输入输出内容如图 7 所示:图 7 下载原图根据上述函数内容, 本文将 CCD 相机的 IP 地址与 TCP 地址口相连, 远程端口输入口设成 3000, 超时毫秒口设置为 2500ms, 最后成功完成通讯, 视觉系统能够稳定运行。6 结论本文通过对待测汽车摇窗机导轨外形的分析, 确定了基于灰度值的图像匹配方案。并运用归一化互相关系数法计算得到两幅图像的匹配相似度, 以此为基础, 判断两幅图像是否为匹配关系, 从而完成导轨类型的识别检测。整套检测系统基于 La VIEW 执行, 实验结果证明了上述方案的可行性。参考文献1余文勇, 石惠.机器视觉自动检测技术M.北京:化学工业出版社, 2013.1216. 2邓小峰.基于机器视觉的零件识别和测量系统研究D.南京航空航天大学, 2014. 3Carsten Steger, Markus Urich, Christian Wiedemann.机器视觉与算法应用M.北京:清华大学出版社, 2008.5218. 4岂兴明, 田京京, 朱洪岐.Lab VIEW 入门与实战开发 100 例M.北京:电子工业出版社, 2014.1396.
