基于改进SUSAN算法的卡钳排气螺钉参数辨识.docxVIP

基于改进SUSAN算法的卡钳排气螺钉参数辨识 螺钉作为连接结构、传递运动和承载压力的部件，在汽车零部件制造业的应用十分广泛[1-2]。卡钳排气螺钉，通常为M10螺钉，是汽车制动卡钳的重要零部件之一，其旋和性和紧密性影响着汽车制动系统密封性，进而会对汽车制动效果产生影响。因此，卡钳螺钉螺纹尺寸的精确测量，对汽车的行车制动安全性能十分重要。 目前，工业生产中对螺钉螺纹参数的测量仍多采用传统的人工逐一测量方式，如量规测量法、三针测量法和仪器测量法等常规方法，导致耗费时间长、人工成本高、精度低、测量效率低下、很难同时保证测量精度等问题。针对传统方法的不足，将非接触式测量技术运用到螺纹检测中，是近些年发展的主流趋势，尤其以机器视觉技术发展最为迅速[4-7]。 国内外对机器视觉技术都有一定的研究，国内将机器视觉技术应用于螺纹测量主要是基于传统方法实现的，因此效率不高，且测量准确性易受外界因素干扰。张智焕等对釆集的螺纹轮廓图像进行校正从而获得螺纹部分参数，然而得到的参数不全面，且没有考虑到光源和噪声的影响，容易引起误差。国外的研究大多侧重在螺纹的识别上，而鲜有关注外螺纹参数的测量研究。Ajay Pal Singh等提出了一套基于机器视觉的螺纹分类和识别系统，虽然对于螺纹的识别灵活准确，但这个系统并没有测量螺纹的具体参数，对于工业上的应用价值不高。 针对现有机器视觉对螺钉检测方法测量螺纹参数不全面、精度低、受干扰因素多等问题，本文提出一种基于机器视觉技术的图像处理系统。对获取到的M10螺纹原始图像进行兴趣域提取、二值化、边缘检测等处理，并先用SUSAN算法获得粗位角点，再利用Forstner算子进行精确定位确定角点坐标，从而得到M10螺钉的大径、中径、小径、螺距和牙型角等螺纹基本几何参数[10-12]。 1 图像处理 系统检测流程如图1所示，主要包括5个部分：利用角点密度的不同来自动提取兴趣域、运用边缘保持滤波实现图像效果增强、运用最大类间方差二值化法进行阈值分割、利用Canny算子实现图像边缘检测、将SUSAN算法与Forstner算子相结合的方法精确提取特征点提取。 1.1 图像预处理 1.1.1 兴趣域提取 提取兴趣域ROI（region of interest）之前，首先需要判定螺纹轴线是否与图像边界平行。对于不平行的情况，需要使用WarpAffine函数对图像进行几何变换，使得螺纹轴线与图像边界达到平行的程度。要实现螺纹參数的自动测量，需要剔除卡钳排气螺钉的非螺纹角点，这样就需要提取出感兴趣区域。由于卡钳排气螺钉的ROI区域的角点密度要远大于其他区域的角点密度，所以对卡钳排气螺钉原始图像进行角点检测。 由于卡钳排气螺钉的螺纹角点个数约为40个，为了提高ROI区域的角点密度，设置允许检测的最大角点数为100，两角点最小距离为3像素，邻域尺寸为1像素。同时为了有效过滤伪角点，设置特征等级为0.01，即当最小特征值角点小于特征等级×最大特征值角点时，最小特征值角点将被忽略。原始卡钳排气螺钉图像如图2（a）所示，沿水平方向的角点密度直方图2（b）所示，图2（c）是垂直方向的角点密度直方图，图2（d）是依据角点密度原理得到的卡钳排气螺钉ROI图像。 1.1.2 阈值分割 使用最大类间方差法可以使目标和背景被错分的概率降到最低。螺纹图像灰度直方图为单峰图像，大大降低了最大类间方差法对噪音和目标大小的敏感度。 对于螺纹图像，可以分为前景的卡钳排气螺钉和背景。记t为前景与背景的分割阈值，前景和背景点数概率分别为w0、w1，平均灰度分别为u0、u1，则采集图像的平均灰度为：u=w0·u0+w1+u1，从最小灰度值到最大灰度值遍历tmax，当tmax使得值g=w0·（u0-u）2+w1·（u1-u）2最大时，tmax即为最大类间方差分割的理想阈值。图3为分割效果图，图4为边缘检测图。 3 结束语 本文研发了一套基于机器视觉的汽车制动卡钳螺纹测量系统，提出结合SUSAN算法和Forstner算子的边缘角点精确定位方法，经实验结果表明此方法能较好地检测卡钳排气螺纹的各项几何参数，均满足螺距、大径、中径、小径的测量精度要求0.01 mm和牙型角的精度要求8′，并且测量准确率高达99.5%，显著提升螺纹在线检测的效率和精度。 对于图像处理和算法研究方面，仍需要进一步的改进和优化，提高测量的速度和精度。在误差分析方面，由于时间、实验条件和技术的限制，本文并没有具体对可能产生的误差原因进行分析。例如轴径偏差导致的误差、算法换算引入的误差、和光学系统导致的误差等，对于测量结果的误差补偿和校正，有待进一步计算论证。