李健荣
广州广电计量检测股份有限公司东莞分公司 广东东莞523000
摘 要：零件在大规模生产中难免会产生缺陷，而目前对于精冲零件的缺陷检测绝大多数使用的是传统的人工抽样检测的方法，这种方法不仅效率低下，而且容易出错，不适宜现代智能化制造的发展要求。对于精冲零件的断面特征，主要包括塌角、光亮带、撕裂带和毛刺，我们希望得到的精冲零件能获得100%的光亮带但实际生产中很难得到全光亮带，断面上通常容易产生撕裂带，但只要撕裂带控制在一定的比例以下，不影响零件的使用要求，也可认为是合格产品，这样无疑增加了人工检测的难度。基于此，本文主要对机器视觉的汽车零件缺陷检测技术进行分析探讨。
关键词：机器视觉；缺陷检测；精密零件
一、零件外观图像数据平台的构建
作为机器视觉的基本数据，零件外观图像当前所面临的以数据量庞大、非结构化，解决缺陷特征的选取难等问题为主。总的来说，零件外观图像数据平台构建具有需要做好以下几方面的工作：
（1）API图像采集接口设计：此部分设计工作主要借助网络爬虫采集互联网图像来实现，并对所提取的特征部分进行详细的分析研究。
（2）缺陷分类器设计：此项设计工作的重点与难点是如何将分类器集成到 API中，并通过 API的实验平台开展相关的试验工作。
（3）持续收集数据：试验期间需要对数据进行持续收集，收集工作直至大数据以进行缺陷检测完成。
（4）Hadoop并行工具的使用：此工具的使用主要是为了解决海量图像数据问题。值得一提的是，作为一个基于批处理模型的软件框架，Hadoop可以有效对海量数据进行分布式处理。长期的实践应用中发现，这种处理工具有十分突出的优势，如数据处理效率高、处理方式多样等。可以帮助用户掌握分布式底层的具体细节。
基于 Hadoop分布式技术的精密零件缺陷检测数据平台架构见图 1，可以看出，其主要有四部分组成，即分布式集群，图像数据源、大数据平台、缺陷识别分类。
.png)
图 1 精密零件缺陷检测数据平台架构
1.1分布式集群由服务器组成，根据需要可以进行水平扩充。分布式集群部署了有等安全防护系统，包括防病毒、补丁分发、入侵检测等，同时部署日志采集和分析系统，实时监测硬件、操作系统等。
1.2图像数据源
图像数据源的来源主要有检测设备和互联网，其中的检测设备也是图像的主要来源。从精密零件制造商的角度出发，并与相关的制造厂加强合作，发布 API接口，这一接口集成了数据输入功能，能够方便设备制造商调用。除此之外，使用网络爬虫的数据采集方式来补充数据，从互联网上收集相关数据。
（1）图像的采集模块是整个系统运行的关键模块之一，完成零件运动过程中表面缺陷的采集工作，不稳定的图像采集质量会影响最后的检测效果。为获得良好的采集效果，除了保证良好的光源效果外，还需要设置合适的相机参数，如曝光时间、相机的打开和关闭时刻等。本系统中图像采集使用Labview中的NI模块对相机进行控制，控制参数主要有打开相机、配置相机参数、单次拍摄或连续拍摄、关闭相机等。相机在拍摄过程中，零件是在传送带上运动，为防止图像出现“拖影”现象，我们需设计较小的曝光时间。相机的增益表示CCD感光元件的感光速度，增益越大，感光能力越强，对曝光的时间需求越小。在实际使用过程中，增益越小，图像的细节表现得越充分，增益越大，图像亮度越大，但噪点也随之增多，图像质量会变差，增益参数的设置需综合考虑相机的参数和检测需求。
（2）图像处理，相机将拍摄的零件图片传递给计算机，计算机再进行图像处理，来判断零件是否合格。常见的图像处理技术包括图像分割、图像滤波、图像二值化等。首先相机拍照，然后计算机进行预处理，对可疑零件进行后处理，最后判断零件是否合格。零件在大批量生产过程中难免会出现缺陷，但大部分零件是合格的，如果对生产的所有零件都进行整套的检测流程，必然会影响检测效率。本系统首先进行预处理流程来剔除大部分合格的零件，对有可疑目标的零件再进行后处理流程，最终判断零件是否合格。
1.3经由使用算法引擎提取图像特征的方法才能实现建立大数据平台的目的，从而整体样本的统计模型也可以建立实现目标。在用算法引擎提取图像特征的过程中，评价我们所提取出来的特征的好坏情况及优劣情况是必不可少的。这个过程的实现，首先需要实现自主选择关于特征的主分量，接下来分析并且研究有关特征的相关性，以上步骤缺一不可，全部完成后才能得到一种最优的选择特征的方式方法。掌握了这些要点之后，才能通过以上方式方法和途径建立统计模型的大数据平台。在这个基于统计学模型的大数据平台下，对案例进行建模，从而进行缺陷分类算法的设计。在此我们需要用到一个可以进行分布式存储、分布式计算、分布式数据库、分布式应用程序协调、分布式分析等功能的实用工具，即 Hadoop 工具。使用 Hadoop 工具对数据进行分析处理，可以达到事半功倍的效果。
1.4算法引擎不仅可以达到提取图像特征的目的，还可以进行零件的外观缺陷识别。在上一步中，我们使用算法引擎提取图像特征的方法从而实现了建立大数据平台，而大数据样本库就存在于大数据平台中。识别零件的外观缺陷的方法就是：建立大数据样本库的映像样本库，在映像样本库中放入通过算法提取的零件外观缺陷特征，将二者进行比对，找出所有不同之处，这些不同之处就是需要识别出来的可能的外观缺陷类型。
二、基于大数据的零件缺陷视觉检测平台
针对汽车精密零件缺陷检测，搭建基于大数据的零件缺陷视觉检测平台，此平台在软件上集成了 API；硬件方面以 CCD 相机、LED 光源、零件放置台及计算机等为主。在 LED 光源下，CCD 相机能够将零件外观图像采集到主控计算机中，形成二维阵列，也就是所说的原始图像；原始图像二维阵列的预处理重点借助图像处理及分析单元；利用相关特征提取算法，对图像缺陷特征进行分割提取。输入到外观检测数据平台中，一边检测一边搜集图像，将缺陷特征发送至服务器生成分析表格或日志。
.png)
图2 基于大数据的外观缺陷视觉检测平台
三、实验结果与分析
本文使用常用的精冲零件—汽车变速器换挡拨叉为例进行试验，使Labview作为软件平台进行试验，并结合MATLAB计算撕裂带高度及其面积。预处理之后，对于表面有可疑目标而无法判断的零件，需进行后处理流程。后处理流程首先对图像进行二值化，把图像的背景与目标分离出来，本文结合图像的灰度直方图确定阈值范围，二值化后零件表面的缺陷从背景中分离了出来，效果比较理想。二值化后，就可以利用粒子分析功能来计算表面缺陷的特征，如缺陷面积、位置、撕裂带最大垂直高度等。将这些数据做统计分析，对实际生产具有很好的指导意义。
四、结束语
本文以汽车上常用的精冲零件为例，将机器视觉技术应用在精冲零件断面缺陷检测技术上，设计了整个机器视觉系统的工作流程，通过对零件图像的采集和处理，计算出拨叉的高度和断面缺陷撕裂带面积和最大垂直高度，进而能判断零件是否合格，实验证明取得了良好的效果，并且本系统具有很好的柔性化程度，可以应用在各种不同的生产线上，对实现精冲成形智能化制造具有重要意义。
参考文献
[1]基于机器视觉的汽车车身零部件表面划痕检测的研究[D].范伟.南京理工大学2016
[2]计算机视觉检测技术的发展及应用研究[J].薛峰，郭萍.通信电源技术.2016(06)
[3]基于机器视觉的精密零件高精度测量与自动化装配系统的软件及实验研究[D].焦亮.华南理工大学2016