王棟敏

（西安政治學(xué)院 西安 710068）

1 引言

隨著工業(yè)技術(shù)的不斷發(fā)展發(fā)展，螺紋作為最重要的連接件之一，國(guó)內(nèi)外市場(chǎng)對(duì)螺紋的需求量明顯提高，對(duì)精度的要求也越來(lái)越高。其中，精度是保證螺紋連接可靠地重要衡量參數(shù)之一。傳統(tǒng)的螺紋檢測(cè)方法大多都是由校測(cè)員人工進(jìn)行，該測(cè)量過(guò)程存在精度低和時(shí)間長(zhǎng)、勞動(dòng)量大等問(wèn)題。隨著計(jì)算機(jī)數(shù)字圖像處理及視覺(jué)技術(shù)的深入發(fā)展，以計(jì)算機(jī)數(shù)字圖像處理為基礎(chǔ)的機(jī)器視覺(jué)檢測(cè)系統(tǒng)以其高精度、穩(wěn)定性較好等特點(diǎn)已被廣泛應(yīng)用于各種檢測(cè)應(yīng)用中。在國(guó)外，尤其是歐美發(fā)達(dá)國(guó)家，基于視覺(jué)的非接觸螺紋自動(dòng)檢測(cè)技術(shù)一直處于領(lǐng)先地位。法國(guó)學(xué)者Horaud.R［1］提出了基于圖像識(shí)別的螺紋參數(shù)自動(dòng)計(jì)算方法。通過(guò)該方法可以自動(dòng)獲得螺紋長(zhǎng)度、工程直徑、螺距等參數(shù)。Hunsicker，［2］提出了一種基于視覺(jué)系統(tǒng)和圖像矯正技術(shù)的高精度螺紋測(cè)量方法。其測(cè)量精度能達(dá)到0.005mm。但該方法對(duì)不可量化的參數(shù)沒(méi)有涉及。國(guó)內(nèi)對(duì)于基于視覺(jué)的螺紋非在線檢測(cè)也進(jìn)行了廣泛的研究，上海交通大學(xué)研制了一種基于計(jì)算機(jī)視覺(jué)的非接觸式螺紋檢測(cè)方法［3］。通過(guò)對(duì)比模板來(lái)判斷螺紋是否合格，只適用于普通螺紋的檢測(cè)。國(guó)防科技大學(xué)等一些研究機(jī)構(gòu)也進(jìn)行了關(guān)于非接觸式螺紋檢測(cè)技術(shù)的研究［4］。極大地推進(jìn)了我國(guó)計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展。本文針對(duì)傳統(tǒng)螺紋測(cè)量方法的測(cè)量效率低、成本高及易受人為因素影響等缺點(diǎn)，擬采用機(jī)器視覺(jué)的方法開發(fā)一個(gè)螺紋參數(shù)非接觸的測(cè)量系統(tǒng)，相比傳統(tǒng)螺紋測(cè)量方法而言，該測(cè)量系統(tǒng)具有高效率、低成本、適應(yīng)性較強(qiáng)的特點(diǎn)。

本文以COMS彩色數(shù)字?jǐn)z像機(jī)，最大分辨率為1280×1024，像機(jī)集成了圖像采集卡同時(shí)配備焦距為12mm的M1214-MP型鏡頭作為平臺(tái)，利用虛擬儀器和機(jī)器視覺(jué)技術(shù)對(duì)螺紋的幾何參數(shù)進(jìn)行測(cè)量，主要手段圖像采集、圖像處理技術(shù)對(duì)采集的螺紋圖像進(jìn)行了預(yù)處理、邊緣檢測(cè)、幾何量測(cè)量等，測(cè)得了螺紋大徑、小徑、中徑、螺距、牙型半角及牙高六個(gè)參數(shù)，通過(guò)實(shí)驗(yàn)給出了基于視覺(jué)的螺紋參數(shù)測(cè)量結(jié)果證明該方法的準(zhǔn)確性和有效性最后對(duì)測(cè)量誤差進(jìn)行了分析對(duì)比。設(shè)計(jì)并實(shí)現(xiàn)一個(gè)軟件型螺紋參數(shù)的非接觸測(cè)量系統(tǒng)。測(cè)量原理是，首先螺紋由夾持裝置固定并保持與光源的光軸垂直的位置，然由攝像頭采集螺紋圖像信息并成像到CCD上，最后由圖像采集卡對(duì)其進(jìn)行采集后送至計(jì)算機(jī)進(jìn)行分析計(jì)算，得到基本的測(cè)量參數(shù)。測(cè)量原理及螺紋特征參數(shù)測(cè)量軟件流程圖如下圖1、圖2所示。

圖1 測(cè)量原理圖

根據(jù)本文算法要求，設(shè)計(jì)如下所示的測(cè)量系統(tǒng)軟件流程圖；本文軟件部分的實(shí)現(xiàn)采樣Visual C++6.0來(lái)實(shí)現(xiàn)，主要過(guò)程包括：圖像采集、圖像處理、圖像分析、結(jié)果輸出等。

圖2 螺紋特征參數(shù)測(cè)量軟件流程圖

2 圖像預(yù)處理

螺紋參數(shù)測(cè)量軟件主要包括圖像預(yù)處理［5］、邊緣檢測(cè)以及參數(shù)計(jì)算三方面的內(nèi)容，其中圖像預(yù)處理包括濾波、增強(qiáng)等。圖像預(yù)處理是圖像測(cè)量的基礎(chǔ)。要通過(guò)圖像測(cè)量來(lái)測(cè)量出螺紋參數(shù)，關(guān)鍵的一步就是圖像預(yù)處理。圖像預(yù)處理可以降低噪聲和失真程度以利于后續(xù)的處理，因此，圖像預(yù)處理是圖像特征提取之前的必要步驟。

2.1 圖像濾波

在成像、數(shù)字化以及傳輸?shù)冗^(guò)程中難免會(huì)受到各種噪聲干擾。因此，必須進(jìn)行濾波處理，盡量消除噪聲的干擾，使圖像平滑。圖像平滑的方法視其噪聲本身的特性而定。圖像平滑方法有多種，如均值濾波、中值濾波、邊界保持類平滑濾波及頻域?yàn)V波等。本對(duì)比分析了均值、中值、高斯、邊緣保持濾波［6］的濾波效果，如圖3所示。由于局部平均法和中值濾波法在消除噪聲的同時(shí)，都不可避免地帶來(lái)平均化的缺憾?；诖朔N因素考慮，本文采用了一種既可保持邊緣又可以平滑噪聲的邊緣保持濾波方法，皆在追求既完美的濾波又不破壞螺紋邊緣的細(xì)節(jié)。

圖3 濾波效果圖

2.2 圖像增強(qiáng)

圖像增強(qiáng)的目的就是突出采集到的圖像的重要信息，同時(shí)將不重要的內(nèi)容進(jìn)行抑制，從而達(dá)到改善圖像質(zhì)量的目的。圖像增強(qiáng)的方法有多種，梯度法、高斯-拉普拉斯算法、sobel算子法、直方圖法等，通過(guò)分析對(duì)比最終選用最適合螺紋參數(shù)分析的高斯-拉普拉斯圖像邊緣增強(qiáng)算法。增強(qiáng)效果圖如下圖4所示：拉普拉斯算子［7］是二階微分算子，高斯函數(shù)表達(dá)式如式（1）所示。

在式（1）中，σ是尺度參數(shù)，該算法是將高斯函數(shù)與圖像函數(shù) f(x，y)進(jìn)行卷積運(yùn)算，即可達(dá)到圖像增強(qiáng)的目的，具體表達(dá)式如式（2）所示。

圖像中邊緣點(diǎn)一般是圖像中灰度值變化比較大的地方，為了避免計(jì)算的復(fù)雜性，一般都采用最低階各向同性的二階微分算子零交叉點(diǎn)作為圖像的邊緣點(diǎn)，，即用式（3）的零交叉作為圖像邊緣點(diǎn)，式（4）就是高斯濾波器。

該算法的優(yōu)點(diǎn)是能夠有效消除因?yàn)樘荻纫浑A微分算子會(huì)在較大范圍內(nèi)形成梯度值，差分的結(jié)果不適于精確地定位。然而，二階差分算子的過(guò)零特性，可以使邊緣增強(qiáng)后精確定位。

圖4 增強(qiáng)效果圖

3 螺紋參數(shù)的測(cè)量

3.1 螺紋圖像邊緣提取

螺紋參數(shù)測(cè)量的關(guān)鍵在于螺紋邊緣輪廓的提取，即邊緣檢測(cè)［8］。圖像的邊緣是圖像的最基本特征信息。邊緣點(diǎn)是指圖像中周圍像素灰度有階躍變化的像素點(diǎn)。結(jié)合本文的設(shè)計(jì)思路，對(duì)幾種經(jīng)典的邊緣檢測(cè)算法進(jìn)行了驗(yàn)證，如Roberts、Sobel、Prewitt、Canndy，最終采用抗噪聲能力強(qiáng)、信噪比較高的Canndy算子進(jìn)行螺紋邊緣檢測(cè)：在算法進(jìn)行邊緣提取之前，首先采用高斯函數(shù)對(duì)圖像進(jìn)行平滑［9］：

式中σ為濾波器參數(shù)。平滑后的圖像為

其中 I(i，j)為原始圖像，H(i，j;σ)為二位變換函數(shù)。S[i，j]使用2x2的一階偏導(dǎo)有限差分來(lái)計(jì)算x與y偏導(dǎo)的兩個(gè)陣列 P[i，j]與Q[i，j]

幅值和方向角用直角坐標(biāo)系到極坐標(biāo)的轉(zhuǎn)化公式來(lái)計(jì)算

邊緣檢測(cè)圖如圖5所示。

圖5 邊緣檢測(cè)效果圖

基于視覺(jué)的螺紋參數(shù)檢測(cè)算法，必須要通過(guò)圖像處理來(lái)獲得螺紋邊緣線上的特征點(diǎn)。本文使用Harris算子對(duì)螺紋邊緣線上的特征點(diǎn)進(jìn)行提取。Harris算子在進(jìn)行角點(diǎn)提取之前首先通過(guò)計(jì)算圖像中像素的平均梯度值，其梯度矩陣為

其中I(x，y)為圖像中坐標(biāo)點(diǎn)(x，y)的灰度值，如果該點(diǎn)對(duì)應(yīng)的梯度矩陣的兩個(gè)值較大，那么該點(diǎn)附近的一個(gè)微小移動(dòng)將導(dǎo)致灰度值得巨變，則說(shuō)明該點(diǎn)為一個(gè)角點(diǎn)。采用Harris算子提取特征點(diǎn)的圖像如圖所示，從圖中可以看出Harris算子能很好地提取螺紋邊緣特征點(diǎn)，為后續(xù)參數(shù)檢查提供了良好的基礎(chǔ)。

圖6 Harris算子特征點(diǎn)檢測(cè)圖

3.2 螺紋參數(shù)測(cè)量

在準(zhǔn)確獲得圖像邊緣特征點(diǎn)后，就可根據(jù)螺紋參數(shù)計(jì)算方法用圖像處理的方法來(lái)測(cè)量螺紋參數(shù)［10］。本文中主要測(cè)得了螺紋大徑、中徑、小徑、螺距、牙型半角及牙高六個(gè)參數(shù)。

圖7 螺紋參數(shù)測(cè)量示意圖

如圖所示，P1和P2為螺紋牙型上連續(xù)相鄰的兩個(gè)波峰點(diǎn)；和為螺紋牙型上相鄰兩個(gè)波谷點(diǎn)；α為螺紋牙型角；設(shè) P1和 P2的坐標(biāo)為P1(x1，y1)，P2(x2，y2)，則螺紋的螺距：

由于螺紋中徑平行于螺紋軸線，故該式可簡(jiǎn)化為

大徑是指與外螺紋牙頂或內(nèi)螺紋牙頂相重合的假想圓柱面的直徑。螺紋的大徑可表示為點(diǎn)P到直線P1P2的距離；直線P1P2的直線方程可表示為

則螺紋的大徑可表示為：

當(dāng)螺紋的螺距與螺紋軸線平行時(shí)，上式可簡(jiǎn)化為

小徑是指與外螺紋牙底或內(nèi)螺紋牙頂相重合的假想圓柱面的直徑。同理螺紋小徑可描述為P'到的距離：

進(jìn)一步簡(jiǎn)化該式，螺紋小徑可表示為

牙型半角是指螺紋牙型上牙側(cè)或者下牙側(cè)與螺紋軸線的垂線之間的夾角。從圖中可以看出α為螺紋的牙型角，則牙型半角為α 2。牙高即螺紋的牙型高度，是指牙頂?shù)窖赖字g垂直于螺紋軸線方向的距離。圖示中P′P0為螺紋牙高。

4 系統(tǒng)標(biāo)定

在圖像中，目標(biāo)物體的幾何參數(shù)是用圖像的像素?cái)?shù)來(lái)表示的因此，要獲得目標(biāo)物體的實(shí)際尺寸，必須將像素值轉(zhuǎn)換成物理值，即進(jìn)行系統(tǒng)標(biāo)定。系統(tǒng)標(biāo)定是指計(jì)算出圖像中的一個(gè)像素代表被測(cè)物多大的物理尺寸。本文采用標(biāo)準(zhǔn)件法進(jìn)行標(biāo)定，具體是保持被測(cè)標(biāo)準(zhǔn)件與被測(cè)螺紋在同等條件下，測(cè)出標(biāo)準(zhǔn)長(zhǎng)度M在圖像上占據(jù)的像素個(gè)數(shù)N，計(jì)算出標(biāo)定系數(shù)。本文中，為了測(cè)量結(jié)果的精確性，采用對(duì)不同參數(shù)用不同的標(biāo)準(zhǔn)來(lái)標(biāo)定，具體為：對(duì)大徑、小徑、中徑采用2mm的標(biāo)準(zhǔn)量塊作為標(biāo)定基準(zhǔn)，獲得標(biāo)定系數(shù)K1，而螺距以及牙高采用萬(wàn)工顯的米字線背景的標(biāo)準(zhǔn)間距（本文選用0.3mm標(biāo)準(zhǔn)間距）作為標(biāo)定基準(zhǔn)獲得標(biāo)定系數(shù)K2，如下：標(biāo)定系數(shù)K1：K1=2mm/24.19pixel=0.0827mm/pixel標(biāo)定系數(shù)K2：K2=0.3mm/71.08pixel=0.00422 mm/pixel

5 實(shí)驗(yàn)結(jié)果與分析

本文以COMS彩色數(shù)字?jǐn)z像機(jī)，最大分辨率為1280×1024，像機(jī)集成了圖像采集卡同時(shí)配備焦距為12mm的M1214-MP型鏡頭作為平臺(tái)。并充分利用計(jì)算機(jī)的PCI總線功能，可是將采集到的圖像存儲(chǔ)到計(jì)算機(jī)中。

實(shí)驗(yàn)時(shí)，將被測(cè)螺紋放在安裝好的的測(cè)量平臺(tái)上，利用平行光作為照明光源。首先調(diào)整CCD攝像頭的的焦距和光圈，使得在目鏡視野內(nèi)以及計(jì)算機(jī)的圖像采集界面上得到螺紋的清晰物象，此時(shí)保存圖像，最后利用編制的圖像處理和測(cè)量軟件對(duì)螺紋參數(shù)進(jìn)行測(cè)量，得到測(cè)量結(jié)果。最后，將圖像測(cè)量結(jié)果與直接在顯微鏡上測(cè)量螺紋所得到的結(jié)果進(jìn)行對(duì)比和分析。本文分別采用人工測(cè)量和圖像測(cè)量方法對(duì)M16*1.5的螺紋工件進(jìn)行測(cè)量，主要測(cè)量參數(shù)結(jié)果如表1所示。

表1中所示人工測(cè)量值指使用萬(wàn)能工具顯微鏡測(cè)的測(cè)量值，人工測(cè)量值1和2分別為兩組測(cè)量數(shù)據(jù)。表中大徑、螺距及牙型半角是螺紋工件理論參數(shù)，中徑、小徑、牙高是依據(jù)大徑和螺距的理論值由經(jīng)驗(yàn)公式并計(jì)算出來(lái)的。由誤差欄可看出，測(cè)得數(shù)據(jù)精度可以達(dá)到0.01mm，但有些參數(shù)的測(cè)量誤差還是相對(duì)較大，比如螺距的測(cè)量。通過(guò)對(duì)比人工測(cè)量數(shù)據(jù)，由于受到實(shí)驗(yàn)環(huán)境的影響本文測(cè)得的結(jié)果在誤差范圍內(nèi)。

表1 人工測(cè)量與圖像測(cè)量值的比較

6 結(jié)語(yǔ)

本文主要研究了基于視覺(jué)圖像處理的方法來(lái)測(cè)量螺紋參數(shù)，主要針對(duì)于普通外螺紋來(lái)進(jìn)行。克服了傳統(tǒng)的接觸式螺紋測(cè)量的精度較低和耗時(shí)較長(zhǎng)的缺點(diǎn)，并可以實(shí)現(xiàn)參數(shù)的自動(dòng)測(cè)量。由精度分析中可以看出，本文開發(fā)的軟件型螺紋參數(shù)非接觸測(cè)量系統(tǒng)可以完成螺紋參數(shù)的測(cè)量，并且達(dá)到一定的精度。通過(guò)實(shí)踐檢測(cè)證明：該方法測(cè)試效率高、一次能檢測(cè)多項(xiàng)螺紋參數(shù)，檢測(cè)效果良好基本能夠滿足實(shí)際生產(chǎn)的需要。

［1］Horaud.R，Adrian E.Rafteryb.Accurate and efficient curve detection in images：the importance sampling Hough transform ［J］.Pattern Recognition，2002，35（2） ：1421-1431.

［2］Hunsicker Montiel，Alberto S.Aguado，Mark S.Nixon．Im?proving the Hough Transform gathering process for the af?fine transmations［J］.Pattern Recognition Letters，2001，22（5）：959-969

［3］李國(guó)正，裴仁清，袁慶豐，等.基于機(jī)器視覺(jué)的螺紋檢驗(yàn)儀軟件的研制［J］.上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2000，6（4）：307-310.LI Guozheng，PEI Renqing，YUAN Qingfeng，et al.De?velopment of the software of screw sampler based on ma?chine vision［J］.Journal of Shanghai University（Natural Science），2000，6（4）：307-310.

［4］魯昌華，徐勝海，劉春.數(shù)字圖像處理技術(shù)在PCB板檢測(cè)中的應(yīng)用［J］.儀器儀表學(xué)報(bào)，2001，22（4）：426-429.LU Changhuai，XU Shenhai，LIU Chun.Application of dig?ital image process in the detection of printed circuit board［J］.Chinese Journal of Scientific Instrument，2001，22（4）：426-429.

［5］AGNèS D.，Lionel M.，Jean M．Edge Detection by Helm?holtz Pri nciple［J］.Journal of Mathematical Imaging and Vision，2001，14（2）：271-284.

［6］宋志剛，王龍山，陳向偉.利用數(shù)字圖像處理技術(shù)檢測(cè)錐螺紋［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2004，34（4）：248-251.SONG Zhigang，WANG Longshan，CHEN Xiangwei.De?tection of conical thread with digital image processing tech?nology［J］.Journal of Jilin University Engineering and Technology Edition，2004，34（4）：248-251.

［7］Benoit L，Rousseau D，étienne Belin，et al.Simulation of image acquisition in machine vision dedicated to seedling elongation to validate image processing root segmentation algorithms［J］.Computers&Electronics in Agriculture，2014，104（2）：84-92.

［8］王世峰，趙馨，佟首峰，等.基于激光位移檢測(cè)技術(shù)的螺紋檢測(cè)儀研制［J］.儀器儀表學(xué)報(bào).2007，28（4）：755-759.WANG Shifeng，ZHAO Xin，TONG Shoufeng，et al.De?velopment of screw thread detector based on laser probing displacement technique［J］.Chinese Journal of Scientific Instrument，2007，28（4）：755-759.

［9］H.I·.?elik，L.C.Dülger&M.Topalbekiro?lu.Development of a machine vision system：real-time fabric defect detec?tion and classification with neural networks［J］.Journal of the Textile Institute，2014，105（6）：575-585.

［10］Yao B，Hagras H，Alhaddad M J，et al.A fuzzy log?ic-based system for the automation of human behavior recognition using machine vision in intelligent environ?ments［J］.Soft Computing，2015，19（2）：499-506.