SCI论文（www.lunwensci.com）：
摘要：为了研究光照强度变化对汽车油封尺寸检测系统测量精度的影响， 提出了一种针对光照强度的研究方法， 以采集高品质的 油封图像。通过对光强变化与图像灰度的理论分析， 推导边缘位置与图像梯度的关系。以理论分析为基础进行实验探究， 通过汽 车油封尺寸检测系统采集 10 幅不同光强下油封的局部图像， 绘制出在不同照度下局部图像的灰度值变化和梯度幅值变化曲线， 探 究光强变化对图像灰度和边缘位置的影响规律， 最终确定了系统最佳光照强度。通过自适应光强变化的动态边缘位置提取方法进 行补偿， 实验证明， 这种方法在一定范围内能够有效减小由光强变化造成的油封边缘位置移动， 提出的光照强度研究理论对提高 工业零部件尺寸的检测精度具有重要的指导意义。
关键词：汽车油封； 尺寸检测； 光照强度； 边缘位置； 自适应
Research on Light Intensity in Automobile Oil Seal Dimension Detection System
Yu Zhenglin1, 2， Xia Yang1， Hu Jing1
( 1. College of Mechanical and Electrical Engineering, Changchun University of Science and Technology, Changchun 130022, China;
2. Chongqing Research Institute, Changchun University of Science and Technology, Chongqing 401122, China)
Abstract: In order to study the influence of light intensity changes on the measurement accuracy of the automobile oil seal size inspection system, a research method for light intensity was proposed to collect high-quality oil seal images . Through the theoretical analysis of light intensity change and image gray level, the relationship between edge position and image gradient was derived . Based on theoretical analysis for
experimental exploration, collected 10 partial images of the oil seal under different light intensities through the automobile oil seal size detection system, drew the gray value change and gradient amplitude change curve of the partial image under different illuminance, and explored the influence of light intensity changes on the image gray level and edge position, finally determined the optimal light intensity of the system. The dynamic edge position extraction method with adaptive light intensity change was used to compensate . Experiments show that this method can effectively reduce the oil seal edge position movement caused by light intensity changes within a certain range . The light intensity research method provides strong support for improving the accuracy of the series of parts size detection .
Key words: car oil seal; dimensional inspection; light intensity; edge position; adaptive
0 引言
汽车油封是一种重要的精密零件， 生产时极易形成 尺寸误差而造成漏油的现象[1-2]。传统的检测方法为人工 检测， 由于人工检测的主观性强且效率低， 使得检测误 差及不确定性较大[3-4]。为了提高零件的检测效率和精 度， 众多专家学者开始以机器视觉技术为基础， 应用于 零件的高精度尺寸检测[5]。基于机器视觉的零件检测过 程中， 采集的原始图像品质决定了零件检测的效率与精 度， 恰当的光照强度使采集到的油封图像边缘更具有真 实性， 因此合理的光照强度是系统图像检测的关键。
朱华庆[6] 为了提高零件尺寸检测的精度， 增强待测 部位及零件图像特征边缘的对比度， 提高了图像处理后 续工作的效率， 但并未系统的探究光强变化对待测零件图像灰度值和边缘的影响。罗子明等[7] 通过探究边缘位 置与光强及阈值的关系， 提出了自适应光强变化的动态 阈值边缘检测方法， 但未对边缘检测中使用的像素梯度 进行研究。为了方便快捷地采集出高品质的油封图像并 提取出更具有真实性的油封边缘， 本文将以光强变化和 图像灰度的理论分析为基础， 对图像的梯度变化与边缘 位置进行推导， 通过实验探究光照强度的变化对汽车油 封图像灰度和边缘的影响规律， 并对由光强变化造成的 汽车油封尺寸检测系统测量误差进行有效补偿， 以获取 完整且高质量的油封图像。
1 理论分析与推导
1.1 图像灰度与光强变化的理论分析
CCD 相机内有光线敏感的元器件， 当入射光射向像元时， 不断吸收并转化为一定量的电荷， 最终存储在光 电探测器内[8]。随着平均照度和光照时间的乘积的增加， 累积的电荷数也随之增大， 因此认为像元的电荷量正比于光照强度在时间下的积分。则根据以上理论， 可推出 理想情况下像元(j,k) 的电荷量为：
式中： Qin(j,k)为像元(j, k )的电荷量； η (j,k)为光电转换效 率； δ 为电子的带电荷量； S (j,k) 为像元的面积； h 为普 朗克常数； v 为光线照射频率； t 为光照时间； Ee 为像 元(j, k )吸收的光照强度。
实际工况下， 曝光时间 t 很小， 这里认为像元(j, k ) 所吸收的光照强度 Ee 在 t 下的积分是一个固定值， 所以 由上式可看出Qin(j,k)与曝光时间 t 之间呈线性关系。令转 换系数k0 = η(j,k)δS (j,k)hν， 即像元(j, k )的电荷量可表示为：
Qin(j,k) = k0 Ee t ( 2)
由 CCD 的工作原理可知， 光生电荷最终转化成数字信号输出， 则理想条件下图像灰度值 I 为：
I = k 1 Qin = k 1 k0 Ee t = k2 Ee t ( 3)
式中： k1 为电荷输出的系数； k2 为 k1 和 k0 的乘积。
由于 CCD 传感器在输出灰度值前将电荷信号放大， 将放大增益设为 ka， 则定义式 (3) 中 k2 = kakb， kb 为 AD 转换时模拟电路增益乘以光电转换系数的值， 根据系统 不同 kb 值不同， 成像系统一旦确定则 kb 值为固定值。用 Er 表示定义物理量相对的照度， 则：
Er = kb Ee ( 4)
实际情况下的灰度值 I1 为：
I1 = ka kb Ee t = ka Er t ( 5)
针对本油封视觉检测系统而言， 时间 t 和增益 ka 不 变， 则灰度值 I1 = kEr， 即在一定范围内， 灰度值随着光 照强度的增加而增大。
1.2 亚像素边缘位置的提取
汽车油封高精度尺寸检测的核心问题是对油封边缘 的位置有效特征的提取， 特征提取质量的高低直接影响 最后的检测精度。本文对边缘位置的提取方法是采用相 应软件算法对图像计算像素点和灰度值， 然后采用插值 法求取亚像素边缘坐标。
像素级边缘点的确定是首要任务。首先利用 Sobel算 子模板与图像 P进行卷积运算， 分别求出 x 方向梯度 Gx、y 方向梯度 Gy：
Gx = dx ⋅ P = [f (x + 1,y - 1) + 2f (x + 1,y) +f (x + 1,y + 1) ]
-[f (x - 1,y - 1) + 2f (x - 1,y) +f (x - 1,y + 1) ] (6)
Gy = dy ⋅ P = [f (x - 1,y - 1) + 2f (x,y - 1) +f (x + 1,y - 1) ]
-[f (x - 1,y + 1) + 2f (x,y + 1) +f (x + 1,y + 1) ] (7)
将 Gx 和 Gy 合成为该像素点梯度 G：
G = ( | Gx | + | Gy |)/4
将 T1 、T2 设为上下临界值， 规定选择边缘点标准 为： 当 G < T1 时， 忽略该像素点； 当 T1 < G < T2 且与大 于临界值的像素点相连， 保留该点； 当 G > T2 时， 认为 该点为边缘点。
设求出的边缘点坐标为(j,k)， 则梯度值为G(j,k)。 在梯度图像矩阵中， 以G(j,k) 为中心， 分别向左右方向 取点 G (j + 1,k) 和G(j - 1,k)， 对点求梯度值。令j - 1、 j、j + 1为 xi， 梯度图像梯度值为yi， 将 xi 、yi 代入二次插 值多项式φ(x) 中， 为：
φ (x) =
( 9)
i = 0
i = 0,
j ≠
i xi -
x
令 dx = 0。同理， 在该点上下方向各取一点为 G (j,k + 1) 和G(j,k - 1)， 重复上述步骤， 即可求出(j,k) 的亚像素坐标(X, Y )：
X = j +
Y = k +
( 10)
2 光照强度的研究分析
2.1 光强变化对图像灰度的影响
为探究本系统在不同光强条件下对采集的油封图像 灰度的影响， 本文通过调节背光灯源亮度， 即在不同光 强下油封同一局部位置图像， 大小为 75 × 80， 共采集 10 幅图像。不同光强下的油封局部图像如图 1所示。由图 可知， 在光强为 5 lux、8 lux 和 10 lux 的条件下， 由于油 封图像与背景之间的对比度差异较小， 导致油封边缘轮 廓特征不清晰， 所获取图像背景明显存在阴影； 在增大 光源的亮度后图像灰度值增大， 随之对比度增高， 可直
图 1 不同光强下汽车油封局部图像
Fig.1 Local image of automobile oil seal under different light intensity
观清晰地分辨出边缘轮廓， 如图中 12 lux 、 16 lux 、21 lux 和 28 lux 光强下图像； 随着光强的逐步增加， 油封边 缘位置明显曝光， 如图中 36 lux 、42 lux 和 51 lux 光强下 油封局部图像所示。
为了研究光强变化如何影响图像灰度值， 首先将图 1 中获取的油封局部图像进行像素划分， 定义左侧第一 列像素为第一列； 然后对其每一列像素灰度值进行取平 均计算。绘制在不同光照强度条件下油封局部图像的灰 度值变化曲线时， 图像每列像素的总体灰度值水平可以 用图像灰度值均值所代表， 如图 2 所示。由图可知， 图像在同像素点位置灰度值随着光强的增加而增大， 而且增加的趋势大体相同。随着光强的不断增加， 最终使得 灰度值为 255的像素点所占比例增大， 由此可知油封的边缘位置渐渐向图像中心靠拢， 最终可以达到边缘失真 的地步。通过观察曲线的变化， 同时结合边缘与像素灰 度值变化的关系， 可以推断出油封边缘位置大致在 10~ 20 、60~70 列区域内。
图 2 不同光强下油封局部图像灰度值变化曲线
Fig.2 Gray value change Curve of oil seal local image under different light intensity
2.2 光强变化对边缘位置的影响
本文通过亚像素插值的方法提取边缘位置后发现， 边缘位置与像素点的梯度变化有直接的联系， 且检测到 的边缘位置与设定的上下临界值有很大的关系[9]。即研 究的光强变化对亚像素边缘位置的影响， 可以视为像素 点梯度幅值在不同光强下的变化情况。同理， 将图 1 中 所获取的油封局部图像进行像素划分， 分别计算每幅图 像中每列像素点的梯度幅值平均值。绘制在不同光强下油 封局部图像中每列像素的梯度幅值变化曲线时，每列像素 的梯度大小用图像的梯度幅值的均值来代表， 如图 3 所 示。由图可知， 光强为 5 lux、8 lux 和 10 lux 的条件下采集 的图像梯度幅值的峰值较小； 随着光强的逐步增加， 图 像梯度幅值的峰值也逐渐增大， 当光强增加到 16 lux 和 21 lux 时， 图像梯度幅值峰值的距离相对减少。当光强 处于 36 lux 、42 lux 和 51 lux 时， 图像梯度幅值有所减小。
图 3 不同光强下油封局部图像梯度幅值变化曲线
Fig. 3 Gradient amplitude change curve of oil seal local image under different light intensity
通过观察在不同光强条件下， 油封局部图像、像素 点的灰度值和梯度幅值变化曲线， 发现当光强过亮或过 暗都不利于油封的尺寸测量， 并且在 12 lux 、16 lux 、21 lux 和 28 lux 光强条件下的灰度变化几乎相同， 梯度幅值 的峰值也在同一区域， 其中光强 16 lux 的梯度幅值峰值 最大， 故认为光强 16 lux 为油封边缘测量的最佳光照。 由图 4 所示， 随着光强的逐渐增加， 油封外径亚像素级 边缘位置逐渐向内部收缩， 油封内径亚像素级边缘位置 逐渐外扩张， 且图 3 中梯度幅值最值位置与亚像素级边 缘位置基本相同， 故可以验证像素点的梯度幅值与亚像 素级边缘位置的关系。
( a ) 油封外径 (b) 油封内径
图 4 不同光强下的亚像素级边缘位置
Fig.4 Position of sub-pixel edge under different light intensity
为了探究光强变化与亚像素级边缘位置的关系， 分 别对油封外内径进行拟合， 得到拟合函数：
Y = 14.99X- 1.076 + 63.99 ( 11 )
Y = - 26.84X- 1.38 + 16.45 ( 12 )
式中： X 为光强照度数； Y为边缘位置。
3 自适应光强变化的动态边缘提取方法
3.1 方法
为了减小在一定范围内由光强变化对汽车油封测量 结果产生的影响， 即光强变化对边缘位置的影响， 以光 强 16 lux 时的亚像素级边缘位置 Y0 为基准位置， 采用自 适应光强变化的动态边缘位置提取方法进行补偿[10]。
针对油封外径的自适应光强变化的动态边缘位置提方 法 如 图 5 ( a ) 所 示， 补 偿 量 为： Δh 1 = | Y - Y0 | = | 14.99X - 0.758 9 |， 其步骤如下所述。
(1) 在肉眼不能清晰分辨背景亮暗的情况下提取某一光强下 Sobel 亚像素边缘， 获取边缘点坐标(ji , ki )。
(2) 各边缘点法线方向的计算使用中心差分的计算方法。当 ki - 1 ≠ ki + 1 时， α 1 = arctan (-
)， α 1 =(- π/2, π/2)； 当 ki - 1 = ki + 1 时， α 1 = ±π/2。其中第 1 个边 缘点采用向后差分， 最后 1 个边缘点采用向前差分。
(3) 沿法线方向两侧补偿 Δh 1， 得到补偿后的边缘 点坐标 (ji ', ki ')， (ji '' , ki '' )。
同理， 针 对 油 封 内 径 如 图 5 (b) 所 示， 补 偿 量为 ： Δh2 = | Y - Y0 | = | 0.584 9 - 26.84X |， 其 中 ， α 2 =arctan (
)， α 2 = (- π/2, π/2)； 当 kj - 1 = kj + 1 时 ,α 2 = ±π/2， 补偿后的边缘点坐标 (jj ', kj ')和 (jj '' , kj '' )。
( a ) 油封外径 (b) 油封内径
图 5 自适应光强变化的动态边缘提取方法
Fig. 5 Dynamic edge extraction method based on adaptive light intensity change
3.2 实验验证
经 实 验 标 定， 测 量 系 统 的 像 素 当 量 为 每 像 素 16.6 μm。为验证上述方法能否有效补偿由光强变化引 起的边缘位置变化， 随机选取 5 个规格为 38 mm×52 mm× 7 mm 的汽车油封进行尺寸检测实验验证， 结果如表 1~2 所示。在光强为 12 lux 、 16 lux 、21 lux 和 28 lux 的条件 下， 首先分别测量 5 个油封的内外径尺寸像素值 10 次，并取平均值作为补偿前测量值； 然后利用文中所叙述的 自适应光强变化边缘位置提取方法分别测量 5 个油封的 内外径尺寸像素值 10 次， 并取平均值作为补偿后测量 值。由表中可以看出， 随着背光源强度的增加， 5 个汽 车油封的外径测量值逐渐减小， 内径的测量值逐渐增加， 且以光照强度 16 lux 为基准， 内外径测量误差向两侧逐 渐增大， 误差变化规律基本不变。
根据实验结果， 所使用的自适应光强变化的动态边 缘提取方法对随机选取的 5 个汽车油封进行测量， 从补 偿结果来看， 该方法可以证明在一定范围内够有效减小 和补偿由光源强度变化造成的边缘位置移动， 即可以降 低由于光照强度对汽车油封尺寸检测系统测量精度的影响
4 结束语
(1) 本文对 CCD 电荷量与光强的关系进行研究， 并以光强变化和图像灰度的理论分析为基础， 通过理论推 导和实验验证的方法研究油封图像的梯度变化与边缘位置。确定了光强变化对油封内外径边缘位置的影响规律， 并且确定了最佳光强为 16 lux。
(2) 根据图像梯度幅值及边缘位置的变化规律， 使用自适应光强变化的动态边缘位置提取方法， 在光强 12 lux、16 lux、21 lux 和 28 lux条件下， 对随机选取的的汽车油封进行测量， 然后分别再进行补偿测量。从补偿结果来看， 该方法可以降低在适当范围内光照强度对汽车油封尺寸检测的影响。
(3) 由于本文所使用的照度计精度不够， 对确定光强产生一定的影响， 进而影响实验结果。通过本文研究 发现， 光强的精度是实验的准确性的一个重要指标， 如果能够实现进一步细分， 将大大提高其准确性。
参考文献：
[1] 李斌 . 现代橡胶产品检测技术研究[J]. 科技经济导刊,2019,27 (21):55.
[2] 戚金业 . 汽轮机油封漏油原因分析及处理[J]. 装备维修技术, 2020(1):96-97.
[3] 王 帅 旗 , 丁 少 春 , 杨 万 里 , 等 . 一 种 汽 车 的 骨 架 油 封 :CN206309936U[P].2017-07-07.
[4] QiulinHou, Jie Sun, Panling Huang. A novel algorithm for tool wear online inspection based on machine vision[J]. Machine De ‐ sign, 2019, 101(9): 167-175.
[5] 宋春华,彭泫知 .机器视觉研究与发展综述[J]. 装备制造技术, 2019(6): 213-216.
[6] 朱华庆 .基于机器视觉的密封橡胶圈检测的研究[D].合肥:合 肥工业大学,2013.
[7] 罗子明,方素平,周海明,等 .影像测量中的光源自适应控制系统研究[J].制造技术与机床, 2008(10): 140-144.
[8] 杜文华,郭小刚,曾志强,等 . 自适应光强变化的动态边缘位置 提取方法[J]. 包装工程,2018, 39(3): 162-166.
[9] 赵文辉,赵萍,段振云,等 .微米级机器视觉系统中随机误差与 系统误差的研究[J]. 组合机床与自动化加工技术, 2013(9): 108-110.
[10] XIAOH, LIM, GAO X, et al. Design and Implementation of High Power LED Machine Vision Lighting System[C]// SPIE/ COS Photonics Asia, 2014.
[11] 刘洁,贺振东,吴彰良,等 .基于机器视觉的油封缺陷在线检测 系统研究[J].仪表技术与传感器, 2016(5):48-50.
[12] 于丽杰 ,李德胜 ,董南萍 . 视觉检测中的光照强度优化研 究 [J].计算机工程与应用,2012,48(17) :178-183.
[13] 吴彰良,孙长库,刘洁 . 基于图像处理的油封缺陷自动检测分 类识别方法[J].仪器仪表学报,2013,34(5) :1093-1099.
[14] 吴彰良,孙长库,刘洁 . 基于支持向量机的油封缺陷图像检测 方法[J].光电工程,2012,39(3) :41-45.
[15] 刘春,江伟荣,吕淑琴 . 密封橡胶圈缺陷检测算法的研究[J]. 电 子测量与仪器学报,2011,25(5) :438-442.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论！文代发表等服务支撑，请锁定SCI论文网
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/45941.html
