汽车连杆是发动机的关键部件之一,小头与活塞通过活塞销连接,大头与曲轴连接,燃烧室内的混合气体压缩后,经点火燃烧后急剧膨胀,以很大的力传给曲轴,推动曲轴旋转,曲轴又带动活塞压缩气缸中的气体^{[ 1]}。我国汽车工业每年汽车连杆的需求量约为1亿支,市场份额非常巨大。汽车连杆是发动机的关键零部件,其加工制造精度直接影响发动机性能,连杆裂解技术是近几年新出现的汽车连杆加工技术,能够非常好地满足汽车连杆加工精度要求。汽车连杆裂解技术通过在连杆大头的孔壁加工裂解槽,在该处形成应力集中,施加垂直断裂面的横向载荷进行裂解,从而可以在变形很微小的情况下在缺口处进行规则断裂,形成犬牙交错式的断裂面,实现连杆体与连杆盖的无屑断裂剖分^{[ 2]}。汽车连杆裂解技术与传统连杆加工技术相比,具有高效、节能、生产成本低、提高抗载荷和抗剪切能力、提高连杆体与连杆盖的装配精度、提高汽车发动机的整体装配精度等优点。满足技术规格要求的裂解槽是汽车连杆成功裂解的前提条件。目前我国汽车产业还是以人工方法对连杆裂解槽进行检测,不仅费时费力而且效率低,易造成漏检和误检,对于汽车连杆这种批量生产的工件,检测速度已经无法适应生产加工速度,急需要一种自动化的检测方法解决这一问题^{[ 3]}。针对汽车连杆裂解槽的在线检测问题,本文提出一种视觉检测方法,通过视觉成像技术、图像处理技术和自动控制技术等实现汽车连杆裂解槽的在线检测和识别。

视觉检测技术就是综合电子器件来代替人眼实现测量、识别和判断等功能,通过图像采集装置将被测目标转换成图像信号,根据获得的图像信息(如颜色、亮度及分布等)提取被测目标的特征值,通过计算对检测目标进行检测识别^{[ 4, 5]}。

本文所研究的汽车连杆裂解槽视觉检测系统主要由光源、光源控制器、CCD摄像机、可编程逻辑控制器PLC、图像采集卡及工控机等构成,如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 检测系统结构原理图Fig.1 Structure schematic diagram of detection system

检测系统进行检测时,PLC接收系统发来的检测信号,控制光源控制器按照要求开启光源照亮检测目标——汽车连杆裂解槽,控制CCD像机进行曝光采集目标图像,对目标图像进行滤波、背景分离、边缘提取和特征识别,根据获得的检测信息判断检测的汽车连杆上是否已加工满足裂解要求的裂解槽,给出检测结果。

在所获取的图像中,由于目标裂解槽处于暗区部分而其他为明区部分。因此,在对图像进行分析识别处理之前,需要对采集的图像进行滤波和去噪声处理,增强检测目标与背景图像的对比度,滤除孤立的噪声点,为后续检测识别提供高质量的图像。

同态滤波技术是一种灰度变换与频率过滤相结合的图像处理技术,以图像照度或反射频率作为频域处理基础,通过压缩图像亮度范围和增强图像对比度提高图像质量^{[ 6]}。一幅图像 f( x, y)可以用它的照明分量 i( x, y)与反射分量 r( x, y)的乘积来表示,即:

进行对数运算将乘性分量变换为加性分量,即:

对式(2)两边取傅立叶变换,则有:

式中: F( u, v)、 I 和 R 分别对应 f 、 i 和 r 的傅立叶变换。

选取滤波函数 H( u, v)对 F( u, v)进行滤波,得:

对式(4)进行傅立叶逆变换,变换到空间域,得:

由于 h_f 是原始图像 f( x, y)的对数,因此只需进行指数运算便可得到增强后的图像 g( x, y)。

由于小波变换在空域和频域都具有良好的局部性,因此采用小波分解方法进行同态滤波。

对于高频部分,其传递函数为:

式中: γ₁和 γ₂是修正因子; j是分解级数;2 ^j是分辨率; k_c是截止系数;对水平细节分量: w_h=0, w_v=0;对垂直细节分量: w_h=1, w_v=0;对对角细节分量: w_h=1, w_v=1。

对于低频部分,其传递函数为:

式中: x为低频率小波系数, m为小波系数的平均值, k(0 <k<1)是对比度调节因子,用于调节图像亮度的不均匀性。

检测系统采用日本SONY公司的XCD-SX90黑白CCD像机,镜头采用COMPUTAR公司的M7528-MP 75 mm定焦镜头,系统所采集的原始图像如图2所示。通过基于小波分析的同态滤波技术对所采集的原始图像进行滤波处理,进行同态滤波时所选用参数如下: γ₁ =2 .3, γ₂ =1 .4, k_c=1 /8, k=0 .5。图3为对原始图像进行同态滤波技术处理后的图像。图4为采用自适应阈值的Canny边缘检测方法处理后的图像。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 原始图像Fig.2 Original image

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 同态滤波后的图像Fig.3 Image by homomorphic filter

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 经边缘检测后的图像Fig.4 Image by edge detection

特征识别中,汽车连杆上标准裂解槽的圆形度 C=0 .63 ±0 .02,扁度 e=4 .14 ±0 .05。

为检验本文方法对汽车连杆裂解槽的检测效果,随机抽取50个待胀断连杆进行检测,检测结果如表1所示。

表1

Table 1

表1(Table 1)

表1 裂解槽特征的统计结果 Table 1 Statistical results of fracture splitting groove features 编号 C e 结果 编号 C e 结果 1 0.61 4.13 合格 2 0.64 4.14 合格 3 0.66 4.16 合格 4 0.61 4.15 合格 5 0.65 4.12 合格 6 0.65 4.13 合格 7 0.26 1.18 不合格 8 0.61 4.14 合格 9 0.62 4.10 合格 10 0.63 4.15 合格 11 0.65 4.15 合格 12 0.64 4.15 合格 13 0.65 4.13 合格 14 0.18 1.23 不合格 15 0.62 4.15 合格 16 0.61 4.14 合格 17 0.61 4.17 合格 18 0.63 4.15 合格 19 0.62 4.11 合格 20 0.62 4.11 合格 21 0.61 4.12 合格 22 0.61 4.15 合格 23 0.64 4.15 合格 24 0.62 4.17 合格 25 0.62 4.14 合格 26 0.64 4.13 合格 27 0.63 4.15 合格 28 0.12 1.22 不合格 29 0.63 4.13 合格 30 0.61 4.11 合格 31 0.62 4.11 合格 32 0.63 4.14 合格 33 0.64 4.14 合格 34 0.63 4.12 合格 35 0.62 4.14 合格 36 0.63 4.14 合格 37 0.61 4.10 合格 38 0.65 4.14 合格 39 0.63 4.16 合格 40 0.61 4.11 合格 41 0.62 4.14 合格 42 0.65 4.14 合格 43 0.62 4.13 合格 44 0.63 4.14 合格 45 0.63 4.12 合格 46 0.64 4.17 合格 47 0.64 4.12 合格 48 0.63 4.17 合格 49 0.63 4.15 合格 50 0.61 4.14 合格

表1 裂解槽特征的统计结果 Table 1 Statistical results of fracture splitting groove features

表1中的检测结果表明,符合裂解要求的裂解槽图像的圆形度和扁度均分布在一个较窄的区域范围,因此可以根据圆形度和扁度准确地判定裂解槽是否存在及是否符合裂解要求。不符合裂解要求的目标图像的圆形度很小,扁度接近1,说明检测目标形状复杂,最大长度与宽度接近,符合斑点和杂质等形状特征(见图5)。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 经边缘检测后不合格连杆的图像Fig.5 Image of failure rod by edge detection

对一种基于机器视觉的汽车连杆裂解槽检测技术进行了研究。首先,通过基于小波分析的同态滤波技术对CCD像机获取的目标图像进行滤波处理;然后,通过一种自适应阈值的Canny算子边缘检测方法提取检测目标边缘信息,最后通过求取检测目标的特征参数即圆形度和扁度来识别和判断裂解槽是否存在及是否符合裂解加工要求。实验结果表明:本文检测方法能够快速、准确地对汽车连杆裂解槽进行检测判断,可有效避免人工检测带来的误判及漏检情况,具有高的检测精度和检测效率,并且具有很高的可靠性和重复性。