摘要：为提高骨架密封圈外径尺寸和边缘缺陷的检测效率，降低检测人员的劳动强度和漏检率，研究一种基于机器视觉原理的检测装置，在分析密封圈质量要求的基础上对检测装置进行总体设计。依据密封圈的结构形状和尺寸精度要求，设计检测装置的硬件结构，光学系统的硬件主要包括Basler CCD相机、OPTO远心镜头、OPT照明光源等。采用白色LED光源的背光照明方式获取密封圈轮廓形状,利用CCD相机和远心镜头作为图像传感器采集密封圈图像轮廓特征。利用HexSight视觉软件对密封圈图像进行灰度化处理、噪声滤除和二值化处理等步骤，以完成图像处理和分析，通过质心提取和边缘角点提取等步骤完成检测。结果表明：该检测装置能准确判断密封圈的尺寸精度，检测精度可达0.23 mm；边缘缺陷能被准确识别，其识别率能达到检测要求。

　　关键词：骨架密封圈；机器视觉；CCD相机；图像处理

　　Design and Application of Skeleton Sealing Ring Detection Device based on Machine Vision

　　Abstract:In order to improve the detection efficiency of the outer diameter size and edge defects of the skeleton sealing ring,and reduce the labor intensity and missed detection rate of the detection personnel,a detection device based on the principle of machine vision is studied,and the overall design of the detection device is completed based on the analysis of the quality requirements of the sealing ring.According to the structural shape and dimensional accuracy requirements of the sealing ring,the hardware structure of the detection device is designed.The hardware of the optical system mainly includes Basler CCD cameras,OPTO lenses,OPT lighting sources and so on.The contour shape of the sealing ring is obtained by usingwhite LED light source backlight illumination method,and the image contour features of the sealing ring are collected by using a CCD camera and a high-definition lens as image sensors.The HexSight visual software is used to complete image processing and analysis through grayscale processing,noise filtering,and binarization of the seal ring image,and the detection is completed through centroid extraction and edge corner extraction.The results shows that by using the detection device,the dimensional accuracy of the sealing ring can be accurately judged with a detection accuracy of 0.23 mm,edge defects can be accurately identified,and the recognition rate can meet the detection requirements.

　　Key words:skeleton sealing ring;machine vision;CCD cameras;image processing

　　0引言

　　骨架密封圈安装在齿轮泵的旋转轴端，对液压油和润滑脂起密封作用[1]。在密封圈的生产制造过程中，尺寸精度和表面质量直接影响齿轮泵的传动性能。由于密封圈经常出现尺寸误差和表面瑕疵等缺陷，必须对高档密封圈进行逐个检测，以保证所有密封圈的尺寸精度和外观质量满足客户要求。以往的检测方式是由检测工人通过眼睛目测判断产品是否存在尺寸误差和缺陷。然而，人工检测的方法容易使检测人员产生视觉疲劳从而导致产品漏检率高、劳动强度大、检测效率低。随着企业生产技术水平的不断提高和密封圈产品种类与产量的扩大，采用传统人工目测检查的方法已经无法满足生产需求[2-3]。由于机器视觉技术的日趋成熟和图像处理能力的不断提升，将机器视觉技术应用到密封圈检测中已成为产品外观质量检测的主要趋势。机器视觉检测技术具有高效率、高精度、非接触、准确可靠和智能化的特点[4-6]，采用机器视觉方法来检测密封圈的尺寸误差和表面缺陷，可以有效提高密封圈的检测精度和检测效率，减轻检测人员的劳动强度和降低密封圈的生产成本[7-9]。因此，本文分析骨架密封圈的结构形状和精度要求，在尺寸误差和表面缺陷检测试验研究的基础上，提出骨架密封圈检测装置的总体设计方案，确定检测装置的硬件构成和软件模块的性能要求，并具体制定了检测装置中各硬件的选择方法。

　　1骨架密封圈质量要求

　　该零件是采用骨架冲压成型后注塑加工生产的，其结构如图1所示。骨架结构为单层，外径和内径分别为35、25 mm，密封圈端面有注塑模具编号。若出现密封圈毛刺等缺陷，检测人员可根据该成型零件的模具编号找处模具故障。

　　具体检测要求：

　　(1)检测软件能快速准确地采集密封圈图像，计算密封圈表面瑕疵等缺陷数量，并准确检测密封圈外径尺寸；

　　(2)能够检测出密封圈端面的数字编号；

　　(3)工件检测周期应小于1 s，以提高检测速度，实现高效生产；

　　(4)发现边缘毛刺缺陷时能发出自动报警信号。

　　2检测装置总体设计方案

　　根据非接触测量原理[10-11]和骨架密封圈零件的质量要求，利用CCD相机和远心镜头作为光电转换传感器采集骨架密封圈的轮廓图像。检测装置各部分的结构主要包括硬件和软件两部分，其中，硬件的组成必须包括工作平台、检测光源、图像采集部件、固定装置、计算机及软件检测系统；软件的组成必须包括零件的图像识别与处理、数据分析与统计等部分。

　　检测装置的基本工作过程如图2所示。具体步骤为：(1)将密封圈置于工作平台之上；(2)照明光源的光束对准密封圈打光，呈现零件轮廓；(3)依据零件位置状况调整镜头与零件之间的距离；(4)相机工作启动，对零件采集图像信息，采集系统工作并进行处理；(5)检测软件依据零件的外内圆直径以及零件边缘毛刺缺陷等图像信息，对边界特征参数进行比较；(6)图像处理软件提取外径特征、表面缺陷等特征并依据设定的基本参数进行判断；(7)输出检测结果并显示合格与否的检测信息，当检测数据符合设定参数时判为合格，反之为不合格品，则发出声音报警信息。

　　3检测装置的硬件组成

　　检测装置总体设计中的各硬件组成和具体位置如图3所示，由矿物铸件底座、零件置放平台、远心镜头、CCD相机、相机调节机构、电脑主机、液晶显示器等组成。

　　(1)零件置放平台设计

　　零件置放平台有效行程为180 mm×180 mm。X轴和Y轴方向上的重复精度高于±0.01 mm，选配Renishaw光栅尺。为防止装置移动及检测过程中零件图像的飘移现象，并实现稳定可靠的连续检测，采用矿物铸件底座和机械固定方式。相机调节机构使用碳钢材料的支架和螺杆升降结构，安装在矿物铸件底座上，检测人员可以轻松操作机构来升降或调整相机位置。

　　(2)相机和镜头的选择

　　相机和镜头是机器视觉检测装置的核心部件。因密封圈的外径为35 mm，内径为25 mm，编号字体高度为2 mm，为采集密封圈各特征并确保图像读出的稳定性和可靠性，相机采用200万像素的德国某品牌的CCD工业相机，镜头采用单幅视场为71.3 mm×53.7 mm，旋转精度和平移精度分别为0.01°以及1/40亚像素的意大利某品牌的TCSM远心镜头。每圈转动2 mm的微调螺杆，通过手动方式上下升降调整Z轴位置，升降行程为120 mm。

　　(3)照明光源的设计

　　根据非接触检测要求，对照明光源进行设计，如图4所示。首先应分析被测密封圈的颜色、尺寸大小以及表面质量状况，然后合理选择与搭配合适的照明光源。本设计采用欧普特(OPT)的背光式发光二极管照明光源，光源为白色、电压24 VDC、功率5.1 W、波长465~475 nm，平行面光源照明板，其安装位置在零件置放平台上方位置。

　　4检测装置软件的设计

　　检测软件采用爱德普(Adept)的HexSight软件，利用Visual C++进行二次开发，软件的界面如图5所示。该软件可以实现检测过程的稳定性和可靠性以及被测密封圈视觉定位的准确性等性能，并可以方便进行标定、测量、预处理、定位、缺陷检测等。检测软件的主要性能：(1)保存多种密封圈模板文件；(2)能够在动态环境下无停顿抓图；(3)对非合格件进行声控报警提示；(4)检测过程可以实时监视；(5)检测件数量自动计数功能；(6)非合格件数据的保存。

　　5图像处理

　　5.1图像灰度化

　　图像灰度化[12]是将相机抓取的密封圈图像从三维空间内映射到一维空间之中，在RGB图中每个像素的颜色用这个三维空间内的某个点表征，另外，在Gray图中每个像素的颜色用直线R=G=B上的某个点表征。图像灰度化的方法有多种，本研究采用最大值法完成灰度化，即把三分量亮度的最大值当作灰度图像的灰度值，然后选取三分亮度R、G、B的最大值作为图形灰度化后的亮度值f，用式(1)表示。

　　5.2图像噪声滤除

　　在密封圈检测时，影响被抓取图像质量及最终尺寸和缺陷检测精度的主要是一些随机噪声，本文采用中值滤波的方法进行噪声滤除。中值滤波法是基于排序统计的非线性处理技术[13]，该方法可有效抑制随机噪声的非线性信号，即在一定范围内的像素值按照图像灰度值排序，取灰度值的中间值作为像素值，用于将某些差异较大的像素替换为与之周边类似的值，从而消除某些特殊孤立点，用式(2)表示。

　　5.3图像二值化处理

　　完成密封圈图像去噪处理后，为清晰呈现密封圈轮廓区域的特征信息，再对图像进行二值化处理。图像二值化处理是把灰度图像的像素范围从0到255转成为0与1(0表示与特征无关，1表示亮线特征)，将密封圈图像呈现出明显的黑白两色效果的过程[14]。经过二值化处理可使灰度图像转变为黑白两色的二值化图像，从而凸显出密封圈图像的边缘轮廓达到非常清晰的图像效果，而且二值化后的图像比较简单，数据量少，易于处理。图像二值化用式(3)表示。

　　6图像算法的实现

　　密封圈的外径尺寸和边缘缺陷的测量是以外径的质心为基准，由于密封圈图像是对称的，图像质心与圆心之间没有偏离。在图像算法方面首先进行图像质心提取，然后进行边缘凸出角点提取，采用MATLAB软件进行质心计算和角点计算。

　　6.1质心提取

　　在提取密封圈图像质心时，用式(4)所示的几何图像的质心公式确定质心点。密封圈图像的点坐标为(xi，yi)，由于计算的是密封圈的图像质心，将mi设为1，即质心横坐标(纵坐标)等于各二值化为1的各点横坐标(纵坐标)的累计值除以各点数总和。运用MAT⁃LAB将图像中各个二值化等于1的像素点采用公式(4)算得密封圈质心点坐标，然后导出图像(图6)。

　　6.2角点提取

　　角点提取是对密封圈边缘凸出缺陷进行提取，这些角点是在外径边缘凸出的点。角点作为重要的图像特征，有助于分析和理解外径边缘图像特征信息[15]。本研究采用Harris角点检测算法提取图像外径边缘凸出点，采用公式(5)算得密封圈角点坐标，然后导出图像(图7)。

　　7检测结果

　　骨架密封圈行业标准HG/T3880-2006规定了外径精度为0.4 mm和产品缺陷要求，从批量生产出的骨产品中，任意抽取2批样品进行检测内容为产品外径精度、边缘凸出缺陷值和数量的检测试验，每批10个样品，并记录检测数据。

　　当照明光源将轮廓尺寸清晰地突现时，控制器触发CCD相机抓图，检测软件自动检测密封圈外径尺寸、表面瑕疵数和编号。密封圈外径边缘和缺陷等特征及检测结果显示在电脑屏幕上，如图8所示。检测结果表明，密封圈外径精度检测的平均值为0.23 mm，符合标准要求。

　　在缺陷和模具编号检测时，密封圈缺陷数的图像信息如图9所示。由图可知，检测到外径边缘凸出位置，凸出尺寸在检测精度范围之内，说明密封圈表面符合要求。图10所示为密封圈表面的模具号信息，编号能正确读出，说明模具编号位置处的信息能正确判断。

　　8结束语

　　依据骨架密封圈国家标准和产品质量要求，设计了一种机器视觉检测装置，主要对密封圈外径、外圈缺陷和表面上的模具编号进行检测。采用光学非接触式的检测方法，密封圈检测精度达到0.23 mm。此外，该方法可大大降低检测人员的视觉疲劳和劳动强度，可靠实用。总结如下：

　　(1)CCD相机的像素直接影响密封圈外圈缺陷的检测速度；当被测零件的形状及尺寸等参数存在较大的差异性时，应充分考虑尺寸较小零件的参数以及外观形状等结构特点；

　　(2)光源照明方式直接影响图像的采集质量和检测准确性，在设计照明形式、光源布置位置、照射方向与角度等方面时，需要依据检测对象的结构形状、表面质量、尺寸精度而定；

　　(3)为了降低检测装置成本和提高操作使用的便利性，应充分考虑检测系统的硬件构成，当更换检测对象时，检测装置应具有通用性。

       [1]HG/T3880-2006,耐正负压内包骨架旋转轴唇形密封圈[S].

　　[2]赛迪.中国工业机器视觉产发展白皮书[J].机器人产业,2020(6):76-95.

　　[3]张涛,刘玉婷,杨亚宁,等.基于机器视觉的表面缺陷检测研究综述[J].科学技术与工程,2020,20(35):14366-14376.

　　[4]姜阔胜,王济广,卢丽子.基于机器视觉的金属垫片表面缺陷检测[J].邵阳学院学报,2022,19(3):42-48.

　　[5]杜培玉,金永.基于机器视觉的双凸透镜缺陷检测研究[J].国外电子测量技术,2022,41(8):91-96.

　　[6]张丽芝,吴敏,巨永锋.机器视觉在产品表面缺陷检测中的应用研究[J].电子世界,2021(1):198-199.

　　[7]钟飞,赵子丹,黄露.基于机器视觉的编织袋表面缺陷检测系统设计与实现[J].包装工程,2022,43(13):247-256.

　　[8]汪军.基于机器视觉的外螺纹表面缺陷检测技术[J].光源与照明,2021(8):71-72.

　　[9]项新建,王乐乐,曾航明.基于机器视觉的推力轴承垫圈缺陷检测系统研究[J].中国测试,2021,47(2):133-139.

　　[10]徐伟锋,刘山.基于机器视觉的接头组件表面缺陷检测系统研究[J].机床与液压,2020,48(16):72-77.

　　[11]张辉,余厚云,李克斌.基于机械臂的涡轮壳零件表面质量视觉检测[J].计算机与现代化,2020,41(7):121-126.

　　[12]郑剑斌,郑力新,朱建清.一种基于灰度的快速模板匹配方法[J].现代计算机,2018(26):52-56.

　　[13]杨雷,唐瑞尹,王兴朝.中值滤波在噪声图像匹配中的应用[J].现代计算机,2021(17):135-139.

　　[14]段锁林,朱方,严翔.多窗口图像二值化算法研究[J].计算机工程与应用,2017,53(17):212-217.

　　[15]李冰,吕进来,郝晓丽.基于模板边缘的自适应Harris角点检测算法[J].现代电子技术,2019,42(11):40-44.