杜欽生， 李丹丹,， 陳 浩， 李雄飛

(1. 長(zhǎng)春大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院， 吉林 長(zhǎng)春 130022；2. 蘇州深淺優(yōu)視智能科技有限公司， 江蘇 蘇州 215000；3. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 吉林 長(zhǎng)春 130012；4. 長(zhǎng)春大學(xué) 旅游學(xué)院 工學(xué)院， 吉林 長(zhǎng)春 130122)

1 引 言

電子連接器引腳是工業(yè)接插件的關(guān)鍵部位，在生產(chǎn)過程中會(huì)存在翹腳、歪腳、缺腳和斷腳等問題。引腳會(huì)直接決定產(chǎn)品的質(zhì)量，因此對(duì)其位置的檢測(cè)要求也非常嚴(yán)格。一方面，人工檢測(cè)速度慢，誤檢率高，勞動(dòng)力大[1]；另一方面，運(yùn)用機(jī)器視覺進(jìn)行質(zhì)量檢測(cè)，PIN針檢測(cè)均是基于硬件為2D相機(jī)、鏡頭加上光源在一定的工作距離對(duì)工件進(jìn)行拍攝[2-4]，得到的圖像為單通道灰度圖或三通道彩色圖，但像素值均是灰度值的2D平面圖，這種方法對(duì)硬件的選型及擺放需要精準(zhǔn)設(shè)置，且光照等外部因素會(huì)影響圖片質(zhì)量，最重要的是相機(jī)拍攝的空間物體投影到平面上會(huì)丟失很多關(guān)鍵信息，導(dǎo)致結(jié)果誤差較大。相比之下，三維點(diǎn)云數(shù)據(jù)增加了深度信息，具有非常靈活、強(qiáng)大的表示能力，因此在機(jī)器視覺領(lǐng)域的應(yīng)用越來越廣泛，成為近幾年來的研究熱點(diǎn)[5-6]。但由于相機(jī)拍攝角度、人為因素、物體表面自身遮擋等問題，在無序點(diǎn)云中存在大量噪點(diǎn)，包括體外飛點(diǎn)、離群成簇噪點(diǎn)、混雜的毛刺噪點(diǎn)等。目前國(guó)內(nèi)外學(xué)者提出了一些點(diǎn)云去噪和分割的方法[7]。袁華等通過將噪聲進(jìn)行分類，采用不同濾波算法對(duì)噪聲去除的方法，提高了計(jì)算效率且避免了細(xì)節(jié)失真[8]。王曉輝等通過直接計(jì)算曲率及法向距離將點(diǎn)云數(shù)據(jù)分成平滑區(qū)域和尖銳區(qū)域進(jìn)行去噪，可以說是按照點(diǎn)云的特征進(jìn)行分類去噪，但是點(diǎn)云數(shù)據(jù)越多其法向量計(jì)算時(shí)間越長(zhǎng)[9]。同樣，吳祿慎等通過對(duì)點(diǎn)云曲率的計(jì)算將點(diǎn)云分成不同區(qū)域，然后采用平均濾波和自適應(yīng)雙邊濾波算法去噪，但是在計(jì)算微分幾何信息時(shí)耗時(shí)長(zhǎng)，并且如果離群點(diǎn)很多時(shí)很難進(jìn)行分類，則會(huì)出現(xiàn)較大誤差[10]。

本文提出一種基于結(jié)構(gòu)光3D點(diǎn)云的PIN針針尖平面提取方式。通過結(jié)構(gòu)光及工業(yè)相機(jī)采集點(diǎn)云信息。由于在工業(yè)中采集的點(diǎn)云數(shù)據(jù)量非常多，但又只對(duì)工件的某一部分進(jìn)行提取處理，所以采用點(diǎn)云的特征進(jìn)行分類去噪并提取[11]。首先使用直通濾波去除大量非目標(biāo)點(diǎn)云。對(duì)目標(biāo)點(diǎn)云進(jìn)行粗提取，采用歐氏聚類分割算法，滿足工業(yè)上對(duì)速度性和準(zhǔn)確性的要求。對(duì)于電子連接器引腳在工業(yè)中的高精度需求，對(duì)分割后的點(diǎn)云進(jìn)行法矢量估算，并與基準(zhǔn)平面的法向量進(jìn)行對(duì)比，從而提高引腳重心的計(jì)算精度。該方法吸取了前人算法的優(yōu)點(diǎn)，且對(duì)無序點(diǎn)云和網(wǎng)格化后的點(diǎn)云均適用，既能測(cè)量PIN針針尖高度，又能通過該方法在保留PIN針針尖細(xì)節(jié)的同時(shí)去除了干擾的點(diǎn)云數(shù)據(jù)，滿足了在實(shí)際工業(yè)上電子連接器引腳檢測(cè)的準(zhǔn)確性、速度性、高精度的要求。

2 面結(jié)構(gòu)光技術(shù)

三維測(cè)量技術(shù)中主動(dòng)式三維測(cè)量采用結(jié)構(gòu)照明方式，能快速、高精度地獲得物體表面三維信息，具有精度高、測(cè)量速度快、成本低等優(yōu)點(diǎn)，非常適合在光照不足、缺乏紋理的場(chǎng)景下使用。因此，本文采用結(jié)構(gòu)光技術(shù)獲取工件點(diǎn)云數(shù)據(jù)信息[12]。如圖1所示，結(jié)構(gòu)光由投影儀和相機(jī)兩部分組成。通過投影儀投射特定的光信號(hào)覆蓋到物體，然后利用相機(jī)收集物體信息[13]。面結(jié)構(gòu)光三維測(cè)量方法的基本原理是將計(jì)算機(jī)生成的已知相位的光柵條紋圖像投影到被測(cè)物體輪廓，從與投影方向成一定角度的方向觀測(cè)，因?yàn)槲矬w位置及外面深度差別，光柵條紋的相位發(fā)生變化。變形的光柵攜帶了物體的三維信息，通過解相和相位展開等技術(shù)，可得出相位信息，進(jìn)而利用三角法根據(jù)相位與物體空間坐標(biāo)的轉(zhuǎn)化關(guān)系求出物體的三維坐標(biāo)[14]。

圖1 結(jié)構(gòu)光三維測(cè)量原理Fig.1 Three dimensional measurement principle of structured light

3 PIN針針尖提取

3.1 PIN針針尖提取

3.1.1 直通濾波

點(diǎn)云中濾波方法有很多。實(shí)際應(yīng)用中電子連接器引腳在實(shí)際傳送帶進(jìn)行檢測(cè)時(shí)，放置的位置均是在同一平面(高度)下，因此引腳的針尖高低差距不大。基于這一特點(diǎn)，直通濾波可以很好地將坐標(biāo)系某一軸的大面積離群點(diǎn)去除，適合用于偏離主體點(diǎn)云比較遠(yuǎn)的離群點(diǎn)和非目標(biāo)點(diǎn)，達(dá)到粗處理的目的，非常簡(jiǎn)單實(shí)用[15]。其基本原理是對(duì)點(diǎn)云模型周圍的某點(diǎn)到三維掃描儀的距離與給定的閾值進(jìn)行比較，剔除不在給定閾值之內(nèi)的噪聲點(diǎn)云，保留在閾值之內(nèi)的模型點(diǎn)云。

給定散亂點(diǎn)云數(shù)據(jù)P={p1,p2,p3,…,pn}(共n個(gè)點(diǎn))，直接根據(jù)工件拍到的點(diǎn)云圖像信息確定在某一方向軸上進(jìn)行閾值選擇進(jìn)行閾值分割，設(shè)置保留的點(diǎn)云數(shù)據(jù)中點(diǎn)的坐標(biāo)在某方向軸的最小值dmin和最大值dmax。去除閾值范圍以外的冗余點(diǎn)，將目標(biāo)點(diǎn)云分割出來，從而去除背景點(diǎn)云。圖2為原始拍攝的電子連接器點(diǎn)云圖，圖中的顏色是按照總體點(diǎn)云數(shù)據(jù)的高度進(jìn)行渲染，從低到高依次為赤、橙、黃、綠、青、藍(lán)、紫，其中由藍(lán)至紫為PIN針的針尖部分。從圖中可以看出，PIN針針尖的點(diǎn)云在所有點(diǎn)云中面積較小，因此存在大量不同方向、不同位置的無價(jià)值點(diǎn)云及離群點(diǎn)云，且離群點(diǎn)云大小也不盡相同。圖3所示為閾值分割與直通濾波之后的點(diǎn)云圖，從圖中可以看出該濾波方法有效去除了電子連接器的底面點(diǎn)云，將PIN針的針尖點(diǎn)云提取出來。

圖2 電子連接器原始點(diǎn)云圖Fig.2 Points cloud chart of electronic connector

圖3 直通濾波后點(diǎn)云圖Fig.3 Points cloud chart after straight through filtering

3.1.2 歐氏距離聚類分割

從圖3的點(diǎn)云圖可以看出，閾值分割與直通濾波可以高效地過濾掉閾值之外的非目標(biāo)點(diǎn)云，但無法濾除在閾值之內(nèi)的散亂噪點(diǎn)。圖4為圖3旋轉(zhuǎn)放大后某一區(qū)域內(nèi)的點(diǎn)云圖，可以看出針尖上存在大量噪點(diǎn)，且閾值分割無法精準(zhǔn)得到PIN針的針尖點(diǎn)云。點(diǎn)云分割可以劃分出多個(gè)點(diǎn)云子集，保證每塊點(diǎn)云子集的屬性相同或者相近[16]?；跉W式距離的聚類分割是利用量化的方式來定義每個(gè)樣本的相似程度[17-18]，從而去掉散亂點(diǎn)云噪點(diǎn)。在實(shí)際工業(yè)中，3D相機(jī)拍攝在同一位置下同一個(gè)物體且物體不發(fā)生形變條件下，點(diǎn)云圖片也會(huì)發(fā)生細(xì)微差異，點(diǎn)云數(shù)據(jù)中的噪點(diǎn)也會(huì)時(shí)有時(shí)無或發(fā)生位置的改變，且引腳針尖的點(diǎn)云數(shù)據(jù)與噪點(diǎn)相比，距離是有效的差異因素，因此采用歐式距離聚類分割算法去除噪點(diǎn)。

圖4 直通濾波后點(diǎn)云存在的噪點(diǎn)Fig.4 Noise points existing in the point cloud after through filtering

在歐式距離聚類分割中，對(duì)于散亂點(diǎn)云的按序查找，本文選擇采用 KD-tree法。KD樹是基于二叉樹可以實(shí)現(xiàn)多維數(shù)據(jù)的組織和儲(chǔ)存的一種結(jié)構(gòu)形式。KD樹每一個(gè)節(jié)點(diǎn)都可以劃分為兩個(gè)空間，直至節(jié)點(diǎn)中包含的數(shù)據(jù)少于設(shè)定值[19]。

本文中的歐氏距離聚類分割可以同時(shí)去除目標(biāo)點(diǎn)云附近的背景點(diǎn)云及目標(biāo)點(diǎn)云周圍的散亂噪點(diǎn)，從而準(zhǔn)確地找到針尖點(diǎn)云。按照點(diǎn)與點(diǎn)之間的間隔作為判斷是否為同一類點(diǎn)云的指標(biāo)。針對(duì)點(diǎn)云數(shù)據(jù)剩下的Q個(gè)點(diǎn)，需要定義距離閾值t，小于閾值的點(diǎn)放在同一簇中，大于閾值的點(diǎn)則不放進(jìn)該簇中[20]。則每?jī)蓚€(gè)點(diǎn)之間的間隔d的計(jì)算公式為：

(1)

其中(xi,yi,zi)、(xj,yj,zj)的i,j∈n，是任意兩點(diǎn)在該工件坐標(biāo)系的下標(biāo)。

除此之外，在歐氏聚類分割中，增加一個(gè)判斷是否屬于同一局內(nèi)點(diǎn)的指標(biāo)，即簇內(nèi)點(diǎn)的數(shù)量。電子連接器每個(gè)引腳的針尖外觀、面積都接近一致大小，因此每一簇內(nèi)的點(diǎn)云數(shù)量都在某一數(shù)值上下范圍跳動(dòng)，因此根據(jù)該指標(biāo)可以判斷該類點(diǎn)云是否為針尖點(diǎn)云。根據(jù)面積可以設(shè)定針尖點(diǎn)數(shù)量的閾值范圍，即最小值nmin與最大值nmax。在這個(gè)閾值范圍內(nèi)則保留該類點(diǎn)云，否則，過濾掉該類點(diǎn)云。歐式距離聚類分割的詳細(xì)算法流程：

(1)輸入點(diǎn)云數(shù)據(jù)P，創(chuàng)建一個(gè)KD-tree數(shù)據(jù)結(jié)構(gòu)。

(2)隨機(jī)選取P中一個(gè)點(diǎn)pi進(jìn)行近鄰搜索，計(jì)算pi與搜索到的每一個(gè)點(diǎn)的距離，將小于距離閾值點(diǎn)保留在類N中。

(3)對(duì)N中的每一個(gè)點(diǎn)Ni進(jìn)行近鄰搜索，同樣判斷搜索到的每個(gè)點(diǎn)到Ni的距離，如果符合要求則放入N中。直到N沒有新的點(diǎn)加入為止，完成搜索進(jìn)程。將N中一簇聚類加入點(diǎn)云索引T中，重置N。

(4)遍歷P中所有點(diǎn)，重復(fù)(2)、(3)操作。

(5)設(shè)置一個(gè)聚類需要的最小點(diǎn)數(shù)目m1和最大點(diǎn)數(shù)目m2。

(6)迭代訪問點(diǎn)云索引T，保留點(diǎn)數(shù)在m1與m2之前的點(diǎn)云子集，完成聚類分割。

歐氏距離聚類分割后的點(diǎn)云圖如圖5所示，從圖中可以看出該算法過濾掉了圖3中存在的離群點(diǎn)及引腳中小的稀疏噪點(diǎn)，有效地去除了非目標(biāo)點(diǎn)云并準(zhǔn)確提取了PIN針的針尖。圖6為圖5旋轉(zhuǎn)放大后某一區(qū)域內(nèi)的點(diǎn)云圖。從圖6可以看出，分割后的目標(biāo)點(diǎn)云雖被準(zhǔn)確地提取出來，但在針尖上存在少量上下浮動(dòng)的噪點(diǎn)，且實(shí)物中該P(yáng)IN針的針尖為平面，上下浮動(dòng)的噪點(diǎn)對(duì)針尖測(cè)量的精確性存在一定程度的影響。

圖5 歐氏聚類分割后點(diǎn)云圖Fig .5 Points cloud chart after Euclidean distance clustering segmentation

圖6 歐氏聚類分割后點(diǎn)云側(cè)視圖Fig.6 Points cloud side view after Euclidean distance clustering segmentation

3.2 針尖平面濾波

法向量估計(jì)是點(diǎn)云處理的重要屬性之一。點(diǎn)云中每一點(diǎn)的法向量夾角及曲率值均不隨物體的運(yùn)動(dòng)而改變，具有剛體運(yùn)動(dòng)不變性。且法向量計(jì)算可以使點(diǎn)云既保持特征又能平滑區(qū)域。由于引腳中心提取的準(zhǔn)確性非常高，否則就會(huì)對(duì)精度造成損失，又因?yàn)榫垲惙指詈蟮狞c(diǎn)云數(shù)量并不是十分龐大，所以采用法向量估計(jì)對(duì)分割后仍然具有上下浮動(dòng)噪點(diǎn)的針尖點(diǎn)云(圖6)進(jìn)行細(xì)化處理。

目前已有的點(diǎn)云法向量估計(jì)方法可以分為3種類型：基于局部表面擬合的方法[21]、基于Delaunay/Voronoi的方法和基于魯棒統(tǒng)計(jì)的方法[22-23]，根據(jù)實(shí)驗(yàn)結(jié)果及電子連接器引腳的特點(diǎn)，本文采用文獻(xiàn)[24]提供的方法結(jié)合實(shí)際情況計(jì)算引腳點(diǎn)云的法向量。

本文方法中，分割后的點(diǎn)云數(shù)據(jù)P={p1,p2,p3,…,ps}(共s個(gè)點(diǎn))，點(diǎn)集中任意點(diǎn)pi的最近k鄰域可表示為N(pi)。通過在pi及其k鄰域上采用加權(quán)最小二乘擬合來定義一個(gè)平面P，該平面近似為局部切平面。對(duì)每個(gè)點(diǎn)的所有相鄰點(diǎn)添加高斯(Gaussian)權(quán)重函數(shù)，即式(2)中的θ(·)。這意味著距離點(diǎn)對(duì)法向量估計(jì)結(jié)果會(huì)產(chǎn)生不同的影響，從而可以得到較好的結(jié)果：

(2)

其中n為平面P的法向量，d為P到坐標(biāo)原點(diǎn)的距離。同時(shí)法向量n需要滿足‖n‖2=1，θ(·)為高斯權(quán)函數(shù)，此處的加權(quán)函數(shù)以p中當(dāng)前點(diǎn)與其k鄰域上的點(diǎn)的距離作為參考，其中pii為pi的k鄰域上任一點(diǎn)(j∈N(pi))，pi為點(diǎn)云數(shù)據(jù)p中任一點(diǎn)(i∈s)。

電子連接器引腳的底座作為檢測(cè)時(shí)的基準(zhǔn)，通過在基準(zhǔn)底座上擬合一個(gè)平面P2來去除引腳點(diǎn)云的噪點(diǎn)。基準(zhǔn)平面的擬合采取穩(wěn)定性高、速度快的最小二乘法。

擬合平面P2表示為：

(3)

其中n2為平面P2的法向量，d2為P2到坐標(biāo)原點(diǎn)的距離。

法向量濾波的最后一步是測(cè)量P2的法向量與P的法向量的夾角α。對(duì)夾角設(shè)置閾值，在閾值內(nèi)的點(diǎn)則保留，閾值之外的點(diǎn)則判定為噪點(diǎn)，進(jìn)行剔除。圖7為法向量濾波后的點(diǎn)云圖，從圖中可以看出法向量濾波并沒有改變針尖形體特征，也沒有將目標(biāo)點(diǎn)過多的濾除造成失真的情況。圖8是圖7經(jīng)過放大旋轉(zhuǎn)后其中一個(gè)引腳針尖的點(diǎn)云圖。從圖中可以看出，該算法將針尖平面緊密相連的上下范圍跳動(dòng)的點(diǎn)也可以很好地去除，從而得到近似在同一平面的點(diǎn)云數(shù)據(jù)，避免噪點(diǎn)數(shù)據(jù)的干擾，對(duì)下一步針尖中心點(diǎn)的提取更加準(zhǔn)確穩(wěn)定。

圖7 法向量濾波后的點(diǎn)云圖Fig.7 Points cloud chart after normal vector filtering

圖8 單個(gè)引腳針尖平面點(diǎn)云Fig.8 Single pin tip plane point cloud

4 實(shí)驗(yàn)結(jié)果與分析

4.1 不同工件去噪?yún)?shù)設(shè)置及結(jié)果分析

為了驗(yàn)證本文算法的準(zhǔn)確性，實(shí)驗(yàn)采用工業(yè)上常用的電子連接器引腳進(jìn)行中心點(diǎn)提取，通過dpt 3D相機(jī)進(jìn)行拍攝，操作是在主頻2.90 GHz，8 GB內(nèi)存，Window10操作系統(tǒng)環(huán)境下，利用VS2017實(shí)現(xiàn)。表1為4種工件進(jìn)行引腳針尖提取的最優(yōu)參數(shù)設(shè)置。

表1 多個(gè)工件引腳針尖提取的最優(yōu)參數(shù)設(shè)置Tab.1 Optimal parameter setting for multiple workpiece pin tip extraction

其中直通濾波的參數(shù)：d為方向軸的選擇，dmin為坐標(biāo)范圍最小值，dmax為坐標(biāo)范圍最大值；歐氏聚類分割的參數(shù)：t為點(diǎn)距離閾值，nmax為針尖最大點(diǎn)數(shù)目，nmin為針尖最小點(diǎn)數(shù)目;法向量濾波的參數(shù)：α為法向量余弦角。

圖2與圖7為工件1原始點(diǎn)云圖及提取的針尖平面點(diǎn)云圖，圖9～圖14為另外3種工件的點(diǎn)云圖。其中圖9、圖11、圖13為3種工件原始點(diǎn)云圖，圖10、圖12、圖14是采用本文算法根據(jù)表1的參數(shù)提取的對(duì)應(yīng)的針尖平面點(diǎn)云圖。工件1～4形狀不同，引腳位置不同、列數(shù)不同、大小不同、個(gè)數(shù)不同，但均能準(zhǔn)確提取引腳針尖平面的點(diǎn)云，濾除背景點(diǎn)云，剔除引腳針尖周圍的細(xì)小噪點(diǎn)及針尖上的小范圍的干擾點(diǎn)，從而對(duì)引腳的高度測(cè)量提供了準(zhǔn)確的前提條件，說明本文算法具有普適性。

圖9 工件2原始點(diǎn)圖Fig.9 Original point cloud of Workpiece 2

圖10 工件2針尖平面圖Fig.10 Pinpoint plane of Workpiece 2

圖11 工件3原始點(diǎn)云圖Fig.11 Original point cloud map of Workpiece 3

圖12 工件3針尖平面圖Fig.12 Pinpoint plane of Workpiece 3

圖13 工件4原始點(diǎn)云圖Fig.13 Original point cloud of Workpiece 4

圖14 工件4針尖平面圖Fig.14 Pinpoint plane of Workpiece 4

4.2 平面度檢測(cè)

分別計(jì)算每個(gè)工件的每個(gè)引腳針尖平面的平面度。計(jì)算得到的引腳針尖平面的所有點(diǎn)數(shù)據(jù)與基準(zhǔn)面的距離，將最大值與最小值做減法即為一張圖所有引腳針尖的平面度。與原始圖像每個(gè)引腳針尖平面的平面度進(jìn)行對(duì)比，原始圖像計(jì)算平面度步驟如下：經(jīng)過直通濾波與聚類分割后，計(jì)算引腳針尖平面所有點(diǎn)到基準(zhǔn)面的距離，將得到的最大值與最小值做減法，得到原始圖像針尖平面度。對(duì)比結(jié)果如表2所示。

表2 本文算法計(jì)算的針尖平面度與原始圖像的針尖平面度對(duì)比

根據(jù)表中數(shù)據(jù)得出，本文算法平面度約是原始圖像計(jì)算的針尖平面度的0.5倍，相較于原始圖像，本文算法得到的針尖平面點(diǎn)云數(shù)據(jù)更平整，無效噪點(diǎn)更少，體現(xiàn)了法向量濾波在引腳針尖檢測(cè)的重要性，因此本文算法在提取引腳針尖平面上的點(diǎn)云數(shù)據(jù)具有很好的準(zhǔn)確性。

4.3 高度測(cè)量

對(duì)工件1進(jìn)行PIN針的高度測(cè)量。由于通過3D測(cè)量可直接得到PIN針的三維坐標(biāo)點(diǎn)，因此工件1采用本文算法提取的針尖點(diǎn)云計(jì)算每根針尖的中心點(diǎn)坐標(biāo)c(x,y,z)，計(jì)算公式為式(4)，再根據(jù)式(5)計(jì)算中心點(diǎn)到基準(zhǔn)面的距離即為PIN針的高度H。

(4)

(5)

其中(xi,yi,zi)為工件1提取到的k個(gè)針尖點(diǎn)坐標(biāo)(i∈k)。a、b、c、d為通過公式(3)得到的基準(zhǔn)平面的系數(shù)。

重復(fù)實(shí)驗(yàn)10次，圖15為工件1中引腳高度測(cè)量的10次統(tǒng)計(jì)結(jié)果。工件的標(biāo)準(zhǔn)值為2.5(±0.05) mm，從圖15可以看出，所有針尖高度均在真值以內(nèi)，表3為圖15中19根引腳測(cè)量10次得到的每根引腳的最大值、最小值、差值、標(biāo)準(zhǔn)差。從表中得知，引腳的最大值與最小值之間的差值在0.003 mm以內(nèi)，說明本文算法可實(shí)現(xiàn)的精度在±0.005 mm以內(nèi)，準(zhǔn)確性較強(qiáng)；同時(shí)標(biāo)準(zhǔn)差在0.001以內(nèi)，說明本文算法的穩(wěn)定性強(qiáng)。因此，本文算法對(duì)PIN針針尖提取結(jié)果準(zhǔn)確有效且魯棒性強(qiáng)。

圖15 工件1中19根引腳高度測(cè)量10次統(tǒng)計(jì)圖Fig.15 Statistical diagram of 19 pin height measurements for 10 times in workpiece 1

表3 工件1中19根引腳測(cè)量10次統(tǒng)計(jì)表

續(xù) 表

4.4 與現(xiàn)有方案對(duì)比

采用500萬像素2D相機(jī)，25 mm景深的鏡頭，光源為平行背光，曝光時(shí)間為1 000 ms對(duì)工件3進(jìn)行采圖(圖16)，并根據(jù)近幾年研究的基于機(jī)器視覺技術(shù)的文獻(xiàn)[4]計(jì)算PIN針的高度。首先使用3×3的中值濾波對(duì)圖像進(jìn)行去噪處理，梯度銳化法清晰2D圖像輪廓，Qtsu算法進(jìn)行閾值分割，然后使用Canny算子進(jìn)行邊緣檢測(cè)，Harris算子進(jìn)行角點(diǎn)檢測(cè)及最小二乘法進(jìn)行直線擬合，從而通過簡(jiǎn)單的數(shù)學(xué)運(yùn)算公式對(duì)2D圖像進(jìn)行引腳高度的測(cè)量。

圖16 工件3側(cè)面灰度圖Fig.16 Gray-scale images of workpiece 3 sides

表4為根據(jù)現(xiàn)有2D相機(jī)拍攝方案與本文方案測(cè)得的針尖高度進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，圖17為表3、4數(shù)據(jù)折線圖。通過精度為1 μm的螺旋測(cè)微器檢測(cè)針尖距離基準(zhǔn)面的標(biāo)準(zhǔn)高度為(6.000±0.005)mm，通過表3和圖17可知，本文算法更接近真值，更準(zhǔn)確，且在范圍內(nèi)高度值跳動(dòng)小，魯棒性較好。表5為本文算法與現(xiàn)有算法的運(yùn)行時(shí)間測(cè)試，由在相同電腦上(未使用GPU)的測(cè)試結(jié)果可知，本文算法效率更高，時(shí)間更快。

表4 工件3的PIN針高度測(cè)量結(jié)果Tab.4 Height measurements of ten pins in different directions (mm)

圖17 不同方法計(jì)算針尖高度統(tǒng)計(jì)圖Fig.17 Statistic chart of tip height was calculated by different methods

表5 PIN針檢測(cè)運(yùn)行時(shí)間Tab.5 Run time of pins (ms)

5 結(jié) 論

在工業(yè)生產(chǎn)中對(duì)PIN針的檢測(cè)精度要求越來越高，本文采用結(jié)構(gòu)光技術(shù)對(duì)PIN針的針尖平面在三維空間中進(jìn)行提取。根據(jù)點(diǎn)云數(shù)據(jù)存在毛刺現(xiàn)象、孔洞、離群點(diǎn)及大量不同類型的噪點(diǎn)等問題，首先利用幾何特性和直通濾波進(jìn)行點(diǎn)云粗提取，快速準(zhǔn)確地行定位目標(biāo)點(diǎn)云并去除大量非目標(biāo)點(diǎn)云及離群點(diǎn)。然后使用歐氏距離聚類分割算法，采用對(duì)點(diǎn)云數(shù)量進(jìn)行范圍限制及歐式距離閾值設(shè)置的方式對(duì)目標(biāo)點(diǎn)云進(jìn)行分割，穩(wěn)定有效地去除目標(biāo)點(diǎn)云附近的小范圍噪點(diǎn)，更精細(xì)化地提取PIN針針尖。最后通過對(duì)目標(biāo)點(diǎn)云法向量與基準(zhǔn)面法向量夾角的判斷方法篩選符合閾值夾角的針尖點(diǎn)云，有效且精確地去除目標(biāo)點(diǎn)云內(nèi)不平整的噪點(diǎn)，對(duì)針尖點(diǎn)云數(shù)據(jù)的提取更加準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明，本文算法的標(biāo)準(zhǔn)差在0.001以內(nèi)，比現(xiàn)有方案精度高，魯棒性好，用時(shí)提高了122.6 ms。