CN114494045B - 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 - Google Patents

Abstract

本发明提供了一种基于机器视觉的大型直齿轮几何参数测量系统及方法，该方法首先调整相机到合适的位置，使其能够清晰拍摄所需要的图片。然后对相机进行标定，得到相机的内参矩阵和畸变向量；对拍摄到的齿廓局部图像进行预处理，包括畸变矫正、图像滤波和阈值分割；再利用边缘提取算法提取齿廓边缘局部图像，并使用亚像素方法对边缘进一步精定位，得到亚像素边缘；然后利用角点提取算法提取齿廓关键角点，以此角点来确定齿廓亚像素中心；根据亚像素中心，获取像素坐标下齿轮齿根圆半径和齿顶圆半径；再通过像素当量标定，得到齿轮真实齿根圆半径和齿顶圆半径，由此计算得到齿轮的模数和分度圆半径，完成大型直齿轮几何参数的测量。本发明使大型直齿轮几何参数的测量自动化程度更高，可以实现从单目相机标定、图像处理、参数测量和计算一体化的功能，投入成本低，工程应用价值高。

Description

一种基于机器视觉的大型直齿轮几何参数测量系统及方法

技术领域

本发明涉及机器视觉测量领域，涉及一种直齿轮几何参数测量系统及方法，具体涉及一种基于机器视觉的大型直齿轮几何参数测量系统及方法。

背景技术

在智能制造背景下，齿轮的快速高精度测量是保证齿轮产品智能制造质量的关键。现有的齿轮测量设备大多是接触式测量，且测量设备大多针对的是中小模数直齿轮，对于大型直齿轮，尚没有非常方便的测量方法。随着机器视觉的快速发展，相关理论和产业应用日趋成熟，其在尺寸检测、缺陷检测和目标识别等领域应用广泛，齿轮视觉测量技术的研究也得到了深入开展。将机器视觉应用在大型直齿轮几何参数测量方面能够充分发挥机器视觉非接触和软测量的优势，在保证精度的前提下使测量系统具有较高的便捷性和广泛的适用性。

本发明涉及图像处理相关技术，主要有相机标定、图像预处理、图像边缘检测、图像边缘亚像素定位等。针对齿轮机器视觉测量而言，图像边缘检测技术是关键技术之一，其检测结果将会直接影响到齿轮参数测量的准确度和精度。图像边缘被定义为图像中像素灰度值不连续或者像素灰度值急剧变化的像素点集，图像边缘检测技术是用于识别图像边缘的数学方法。经典的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Laplace算子和Canny算子等，它们都是基于微分的边缘检测算法，容易受噪声影响产生伪边缘和不连续现象，不能满足齿轮高精度测量的要求。并且一般的边缘检测技术，检测到的都是像素级边缘，然而实际边缘点坐标通常在整数坐标像素点内的某一小数坐标位置处。如果只进行像素级边缘检测，那么只能定位到边缘的整数坐标位置，导致测量系统的测量精度有限。在齿轮视觉测量精度要求达到微米级的情况下，像素级边缘检测无法定位到齿轮实际齿廓，需要进一步提出亚像素边缘定位方法。

发明内容

有鉴于此，本发明提出一种基于机器视觉的大型直齿轮几何参数测量系统及方法。该方法首先调整相机到合适的位置，使其能够清晰拍摄所需要的图片。然后对相机进行标定，得到相机的内参矩阵和畸变向量；对拍摄到的齿廓局部图像进行预处理，包括畸变矫正、图像滤波和阈值分割；再利用边缘提取算法提取齿廓边缘局部图像，并使用亚像素方法对边缘进一步精定位，得到亚像素边缘；然后利用角点提取算法提取齿廓关键角点，以此角点来确定齿廓亚像素中心；根据亚像素中心，获取像素坐标下齿轮齿根圆半径和齿顶圆半径；再通过像素当量标定，得到齿轮真实齿根圆半径和齿顶圆半径，由此计算得到齿轮的模数和分度圆半径，完成大型直齿轮几何参数的测量。

为了实现上述目的，本发明采用的技术方案是：

一种基于机器视觉的大型直齿轮几何参数测量系统，其特征在于，包括CCD相机、双远心镜头、背光源和相机支撑架；相机支撑架通过磁力底座吸附在大型直齿轮上表面；CCD相机安装采用夹持固定的方式；背光源安装在齿廓边缘正下方，并在背光源上加装透明导光板，透明导光板和背光源使用四个平头螺母连接。

一种基于机器视觉的大型直齿轮几何参数测量方法，其特征在于，包括如下步骤：

步骤1：首先调整相机支撑架到合适的位置，底座固定在齿轮表面并装夹相机。调节相机焦距和光圈，并调节相机增益，使相机能够清晰地拍摄到齿轮表面，然后对相机进行标定，得到单目相机的内参和外参；

步骤2：调节背光源至合适亮度，使用CCD相机采集齿廓边缘局部图像，并对采集到的图像进行预处理，包括畸变矫正、图像滤波、阈值分割，其算法和过程的具体实现基于OpenCV；

OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上；

步骤3：利用目标图像边缘提取算法提取齿轮齿廓，并使用亚像素边缘定位算法进一步对齿廓边缘精确定位，其算法和过程的具体实现基于OpenCV；

步骤4：利用角点提取算法提取相邻两个齿的齿顶角点共四个，利用对应位置角点连线作出两条中垂线，以两条中垂线的交点作为齿廓中心亚像素坐标(X₀,Y₀)。

步骤5：对于提取得到的齿廓局部边缘亚像素坐标(x,y)，计算齿廓边缘上每个亚像素点到齿轮圆心坐标(X₀,Y₀)的距离d(i)，其中i＝1,2,3,…,N；取最小的距离值为齿根圆半径R′_f，取最大的距离值为齿顶圆半径R′_a，此处长度均为像素长度；

步骤6：使用棋盘格标定板进行像素当量标定，基于Hough直线检测得到单个棋盘格对应的像素长度，再由单个棋盘格的真实长度计算像素当量k_i，测量多次并取像素当量平均值为k；

步骤7：根据像素当量平均值k，由R′_f和R′_a计算得到齿根圆和齿顶圆的真实长度R_f和R_a，由此计算得到齿轮模数m，并由已知的齿轮齿数Z计算得到齿轮分度圆半径R_d；

所述步骤2中，所述畸变矫正过程通过调用OpenCV中的undistort()函数完成；输入所述步骤1中求出的相机内参、畸变向量等参数，对相机采集的齿廓局部边缘图像进行畸变矫正，输出畸变矫正后的图像；

所述图像滤波具体包括先对图像先进行高斯滤波，再进行中值滤波：高斯滤波的核系数根据卷积核大小取对应二维高斯分布的值，卷积核大小为n×n，其中n为奇数。

所述阈值分割采用二值化的方法。其中二值化的阈值采用最大类间方差法(OTSU)自动确定。

所述步骤3中，所述目标图像边缘提取算法为一种组合式的形态学方法，该方法提取边缘的具体步骤如下：

S3.1：对预处理后的二值图先采用形态学开运算，即先对图像进行腐蚀操作，再对腐蚀后的图像进行膨胀操作。从而去除离散噪声点的同时平滑二值图像边缘。其算法执行式如下所示：

S3.2：再利用腐蚀型梯度算子提取齿轮图像的单像素边缘，其算法执行式如下所示：

所述亚像素边缘定位算法是基于改进插值法的亚像素边缘检测算法。设边缘点像素坐标为p₀(x_i,y_i)，沿着边缘像素点的梯度方向进行插值，M₀为边缘点P₀的梯度幅值，边缘点P₀的梯度方向θ上相邻两像素点P_-1和P₁的梯度幅值分别为M_-1和M₁，本发明采用的亚像素插值计算公式如下所示：

其中w为插值点间距，(x,y)是边缘点亚像素坐标。

所述步骤4中，角点提取算法采用自上到下的多层金字塔方法来求取图像中具有尺度不变性的Harris角点特征，其具体步骤如下所示：

S4.1：建立高斯金字塔，并提取各层的Harris角点；

S4.2：对第k层的每个特征点P_jk(x,y)，在k-1层构建一个半径为r，中心为(2x,2y)的圆形搜索窗口；

S4.3：搜索圆形窗口中的特征点，找到与P_jk(x,y)的Harris角点响应值h最接近的一个作为对应点；

S4.4：将各层的对应点连接起来，最底层的对应点就是具有尺度不变性的Harris角点。

所述步骤6中，像素当量计算公式如下所示：

其中，l_i表示单个棋盘格真实长度，p_i表示单个棋盘格像素长度。

所述步骤7中，齿根圆和齿顶圆半径的真实长度计算公式如下所示：

R_f＝k×R′_f，R_a＝k×R′_a

齿轮模数计算m计算公式如下所示：

齿轮分度圆半径R_d计算公式如下所示：

与现有技术相比，本发明的有益效果是：

本发明充分考虑了现有大型直齿轮参数测量过程中存在的便捷性不够、效率不高和成本较高等问题，提出的基于机器视觉的大型直齿轮几何参数视觉测量系统及方法，基于提取出的局部边缘图像，通过单目相机标定、图像预处理、图像特征提取和像素当量标定等方法，方便地测算出相关几何参数。本发明有效的降低了成本，自动化程度较高，具有较强的适用性和便捷性。

附图说明

图1为本发明方法实施例中所述的流程示意图；

图2为本发明方法实施例中所述的棋盘格标定板；

图3为本发明方法实施例中所述的组合式的形态学方法提取得到的局部齿廓边缘；

图4为本发明方法实施例中所述的基于插值法的亚像素边缘定位算法定位得到的亚像素边缘点；

图5为本发明方法实施例中所述的角点提取算法提取到的相邻两个齿四个齿顶角点；

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明提供一种基于机器视觉的大型直齿轮几何参数测量系统，包括CCD相机、双远心镜头、背光源和相机支撑架；相机支撑架通过磁力底座吸附在大型直齿轮上表面；CCD相机安装采用夹持固定的方式；背光源安装在齿轮边缘正下方，并在背光源上加装透明导光板，透明导光板和背光源使用四个平头螺母连接。

下面以某一大型直齿轮视觉测量为例对本发明进行举例说明。

请参阅图1，本发明实施例提供的一种基于机器视觉的大型直齿轮几何参数测量方法的流程示意图，包括如下步骤：

步骤1、首先调整相机支撑架到合适的位置，底座固定在齿轮表面并装夹相机。调节相机焦距和光圈，并调节相机增益，使相机能够清晰地拍摄到齿轮表面，然后对相机进行标定，得到单目相机的内参矩阵和畸变向量。

单目相机标定的具体步骤如下：

步骤1.1、在齿轮上表面放置棋盘格，此处棋盘格规格选择为12×9，每个棋盘格边长为10mm。

步骤1.2、改变棋盘格标定板的位姿和角度，使用单目相机对棋盘格标定板进行多次拍照，此处拍摄16张图片。

步骤1.3、打开MATLAB标定工具箱，选择单目相机标定模块，载入步骤1.2中单目相机采集得到的16张棋盘格标定板图片进行标定。对误差较大的图像剔除并重新标定，直到误差满足标定需求。通过标定，得到相机内部参数矩阵M及其畸变向量(k₁,k₂,p₁,p₂,k₃)。

步骤2：调节背光源至合适亮度，使用CCD相机采集齿廓边缘局部图像，并对采集到的图像进行预处理，包括畸变矫正、图像滤波、阈值分割，其算法和过程的具体实现基于OpenCV。

a特别地，本实施例中，所述畸变矫正过程通过调用OpenCV中的undistort()函数完成；输入所述步骤1中求出的相机内参、畸变向量等参数，对相机采集的齿廓局部边缘图像进行畸变矫正，输出畸变矫正后的图像。

b特别地，本实施例中，用到的图像滤波所述图像滤波具体包括先对图像先进行高斯滤波，再进行中值滤波：高斯滤波的核系数根据卷积核大小取对应二维高斯分布的值，卷积核大小为n×n，其中n为奇数，这里卷积核大小选取为7×7。

c特别地，本实施例中，阈值分割采用二值化的方法。其中二值化的阈值采用最大类间方差法(OTSU)自动确定。

d本实施例中，通过上述步骤a至步骤c中采用的图像处理算法和过程得到预处理后的齿轮局部边缘图像；

步骤3、利用目标图像边缘提取算法提取齿轮齿廓，并使用亚像素边缘定位算法进一步对齿廓边缘精确定位，其算法和过程的具体实现基于OpenCV。

a特别地，本实施例中，目标图像边缘提取算法为一种组合式的形态学方法，该方法提取边缘的具体步骤共有两步：

1)对预处理后的二值图先采用形态学开运算，即先对图像进行腐蚀操作，再对腐蚀后的图像进行膨胀操作。从而去除离散噪声点的同时平滑二值图像边缘。其算法执行式如下所示：

2)再利用腐蚀型梯度算子提取齿轮图像的单像素边缘，其算法执行式如下所示：

b特别地，本实施例中，亚像素边缘定位算法是基于改进插值法的亚像素边缘定位算法。设边缘点像素坐标为p₀(x_i,y_i)，沿着边缘像素点的梯度方向进行插值，M₀为边缘点P₀的梯度幅值，边缘点P₀的梯度方向θ上相邻两像素点P_-1和P₁的梯度幅值分别为M_-1和M₁，本发明采用的亚像素插值计算公式如下所示：

其中w为插值点间距，(x,y)是边缘点亚像素坐标。

步骤4、利用角点提取算法提取相邻两个齿的齿顶角点共四个，如图4所示，四个角点分别为A1、B1、A2、B2，作A1、A2中垂线L1，作B1、B2中垂线L2，以中垂线L1、L2的交点作为齿廓中心亚像素坐标(X₀,Y₀)。

a特别地，本实施例中，角点提取算法采用自上到下的多层金字塔方法来求取图像中具有尺度不变性的Harris角点特征，其具体步骤共有四步：

1)建立高斯金字塔，并提取各层的Harris角点；

2)对第k层的每个特征点P_jk(x,y)，在k-1层构建一个半径为r，中心为(2x,2y)的圆形搜索窗口；

3)搜索圆形窗口中的特征点，找到与P_jk(x,y)的Harris角点响应值h最接近的一个作为对应点；

4)将各层的对应点连接起来，最底层的对应点就是具有尺度不变性的Harris角点。

步骤5、对于提取得到的齿廓局部边缘亚像素坐标(x,y)，计算齿廓边缘上每个亚像素点到齿轮圆心坐标(X₀,Y₀)的距离d(i)，其中i＝1,2,3,…,N；取最小的距离值为齿根圆半径R′_f，取最大的距离值为齿顶圆半径R′_a，此处长度均为像素长度；

步骤6、使用棋盘格标定板进行像素当量标定，基于Hough直线检测得到单个棋盘格对应的像素长度，再由单个棋盘格的真实长度计算像素当量k_i，测量多次并取像素当量平均值为k；

a特别地，本实施例中，像素当量计算公式如下所示：

其中，l_i表示单个棋盘格真实长度，p_i表示单个棋盘格像素长度。此处选择棋盘格标定板规格为12×9，单个棋盘格真实长度为10mm。

步骤7、根据像素当量k，由R′_f和R′_a计算得到齿根圆和齿顶圆的真实长度R_f和R_a，由此计算得到齿轮模数m，并由已知的齿轮齿数Z计算得到齿轮分度圆半径R_d；

a特别地，本实施例中，齿根圆和齿顶圆半径的真实长度计算公式如下所示：

R_f＝k×R′_f，R_a＝k×R′_a

齿轮模数计算m计算公式如下所示：

齿轮分度圆半径R_d计算公式如下所示：

本发明方法主要创新点是：

1)在机器视觉测量领域内公开了一种新型的大型直齿轮几何参数测量系统与方法；

2)针对大型直齿轮拍摄时，相机视野有限，只能拍摄局部图像的情况，基于齿廓局部边缘完成视觉测量，使该视觉测量系统具有更广泛的适用性；

3)在齿轮中心提取方面，创造性地使用图像处理中角点提取算法来提取关键角点，并以此确定齿廓中心；

4)在传统边缘提取基础上，改进基于插值法的亚像素边缘定位算法，使边缘点的定位精度更加精确，从而提高测量系统测量精度；

5)实现了从相机标定、图像预处理、图像处理、测量数据获取与计算智能一体化的功能，具有良好的抗噪性，自动化程度较高。能够在满足大型齿轮几何参数测量精度要求的前提下，达到低投入、高产能的目标。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为发明的优选例，并不用来限制本发明，在不脱离本发明新型精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于机器视觉的大型直齿轮几何参数测量系统，其特征在于，包括CCD相机、双远心镜头、背光源和相机支撑架；相机支撑架通过磁力底座吸附在大型直齿轮上表面；CCD相机采用夹持固定的安装方式；背光源安装在齿廓边缘正下方，并在背光源上加装透明导光板，透明导光板和背光源使用四个平头螺母连接；

应用所述基于机器视觉的大型直齿轮几何参数测量系统的测量方法，包括如下步骤：

步骤1：首先调整相机支撑架到合适的位置，底座固定在齿轮表面并装夹相机；调节相机焦距和光圈，并调节相机增益，使相机能够清晰地拍摄到齿轮表面，然后对相机进行标定，得到单目相机的内参矩阵和畸变向量；

步骤2：调节背光源至合适亮度，使用CCD相机采集齿廓边缘局部图像，并对采集到的图像进行预处理，包括畸变矫正、图像滤波、阈值分割；

步骤3：利用目标图像边缘提取算法提取齿轮齿廓，并使用亚像素边缘定位算法进一步对齿廓边缘精确定位；

步骤4：利用角点提取算法提取相邻两个齿的齿顶角点共四个，利用对应位置角点连线作出两条中垂线，以两条中垂线的交点作为齿廓中心亚像素坐标(X₀,Y₀)；

步骤5：对于提取得到的齿廓局部边缘亚像素坐标(x,y)，计算齿廓边缘上每个亚像素点到齿轮圆心坐标(X₀,Y₀)的距离d(c)，其中c＝1,2,3,…,N，取最小的距离值为齿根圆半径R'_f，取最大的距离值为齿顶圆半径R'_a，此处长度均为像素长度；

步骤6：使用棋盘格标定板进行像素当量标定，基于Hough直线检测得到单个棋盘格对应的像素长度，再由单个棋盘格的真实长度计算像素当量，测量多次并取像素当量平均值为u；

步骤7：根据像素当量平均值u，由R'_f和R'_a计算得到齿根圆和齿顶圆的真实长度R_f和R_a，由此计算得到齿轮模数m，并由已知的齿轮齿数Z计算得到齿轮分度圆半径R_d；

所述步骤2中，所述畸变矫正过程通过调用OpenCV中的undistort()函数完成；输入所述步骤1中求出的相机内参、畸变向量参数，对相机采集的齿廓局部边缘图像进行畸变矫正，输出畸变矫正后的图像；

所述图像滤波具体包括先对图像先进行高斯滤波，再进行中值滤波：高斯滤波的核系数根据卷积核大小取对应二维高斯分布的值，卷积核大小为n×n，其中n为奇数；

所述阈值分割采用二值化的方法；其中二值化的阈值采用最大类间方差法自动确定；

所述步骤3中，所述目标图像边缘提取算法为一种组合式的形态学方法，该方法提取边缘的具体步骤如下：

S3.1：对预处理后的二值图先采用形态学开运算，即先对图像进行腐蚀操作，再对腐蚀后的图像进行膨胀操作；从而在去除离散噪声点的同时平滑二值图像边缘；其算法执行式如下所示：

S3.2：再利用腐蚀型梯度算子提取齿轮图像的单像素边缘，其算法执行式如下所示：

所述亚像素边缘定位算法是基于改进插值法的亚像素边缘检测算法；设边缘点像素坐标为p₀(x_t,y_t)，沿着边缘像素点的梯度方向进行插值，M₀为边缘点P₀的梯度幅值，边缘点P₀的梯度方向θ上相邻两像素点P_-1和P₁的梯度幅值分别为M_-1和M₁，采用的亚像素插值计算公式如下所示：

其中w为插值点间距，(x,y)是边缘点亚像素坐标；

所述步骤4中，所述角点提取算法采用自上到下的多层金字塔方法来求取图像中具有尺度不变性的Harris角点特征，其具体步骤如下所示：

S4.1：建立高斯金字塔，并提取各层的Harris角点；

S4.2：对第k层的每个特征点Q_jk(x,y)，在k-1层构建一个半径为r，中心为(2x,2y)的圆形搜索窗口；

S4.3：搜索圆形窗口中的特征点，找到与Q_jk(x,y)的Harris角点响应值h最接近的一个作为对应点；

S4.4：将各层的对应点连接起来，最底层的对应点就是具有尺度不变性的Harris角点；

所述步骤6中，像素当量计算公式如下所示：

其中，u为像素当量平均值，u_i为第i次测量得到的像素当量，S为测量次数，l_i表示单个棋盘格真实长度，p_i表示单个棋盘格像素长度；

所述步骤7中，齿根圆和齿顶圆半径的真实长度计算公式如下所示：

R_f＝u×R′_f；R_a＝u×R′_a；

齿轮模数m计算公式如下所示：

齿轮分度圆半径R_d计算公式如下所示：