激光测距在表面缺陷检测中的应用
廖延娜 范坤
摘 要： 精密工件在生产和运输过程中其表面会产生缺陷，长度和深度达到一定值的缺陷会影响设备的运行。传统的缺陷检测只是检测缺陷并未考虑缺陷长度和深度因素，因此提出将激光测距应用于表面缺陷检测。首先用激光轮廓仪获得的距离数据重建工件表面图像，再利用数字图像处理相关理论及OpenCV计算机视觉技术提取重建图像中缺陷像素位置信息并与实际距离数据对应，进而计算出缺陷的参考长度和深度。经过大量重復试验，缺陷的参考长度和人工使用游标卡尺测量的长度误差小于0.1 mm，参考深度稳定，检测速度快，具有一定的应用价值。
关键词： 激光测距； 图像重建； 缺陷检测； OpenCV
中图分类号： TN98?34； TP391.9 文献标识码： A 文章编号： 1004?373X（2017）22?0145?04
Abstract： The defect may be produced on the surface of precision workpiece in production and transportation process， which will affect the operation of equipment when the length and depth of the defect reach a certain value. The traditional defect detection does not take into account the length and depth， so the laser range?finding is applied to the surface defect detection. The laser contourgraph is used to get the distance data to reconstruct the image of the workpiece surface. The correlation theory of digital image processing and OpenCV computer visual technology are adopted to extract the defect pixel′s location information in the reconstructed image. The location information is corresponded to the practical distance data to calculate the reference length and depth of the defect. The results of a large number of repeated experiments show that the error between the defect′s reference length and the length measured with vernier caliper is less than 0.1 mm， the reference depth is stable， and the laser range?finding has fast detection speed and a certain application value.
Keywords： laser range?finding； image reconstruction； defect detection； OpenCV
0 引 言
精密工件在工业设备中应用广泛，其质量的好坏关系到工业设备的安全运行。生产和运输过程中的诸多因素易使工件表面产生缺陷。缺陷的长度和深度达到一定值才会对工业设备运行产生危害。因此需要测量出缺陷长度和深度，作为分拣缺陷工件的依据。传统的检测方法是通过工人肉眼来检测工件表面是否有缺陷存在，再用游标卡尺测量缺陷的长度和深度。这种人工检测方法的缺点显而易见，对于较浅缺陷的深度无法有效测量，工作量大，效率低，易受检测人员主观因素影响，造成误检或漏检。如果操作不慎，还会对工件表面造成二次损害[1]。
目前，无损检测方法（超声检测、光电检测，机器视觉等）[2?3]在缺陷检测中广泛应用。文献[4]提出利用分段线性灰度算法对表面微小缺陷进行增强，再结合最大熵来实现对表面缺陷的自动分割，最后采用投影原理和二维联合统计算法完成对缺陷的快速提取和区域归类。文献[5]提出一种双图像传感器的表面全展开方法，在此基础上搭建系统实现表面缺陷检测。上述缺陷检测方案虽能检测出表面缺陷，但却没有给出缺陷长度和深度。因此将激光测距应用于工件表面缺陷检测，计算出缺陷参考长度和深度值为分拣提供依据。缺陷参考长度是指缺陷外接矩形对角线的长度，参考深度是指缺陷区域距离差矩阵的最大值。
1 激光测距
系统的硬件部分是由超高速激光轮廓仪、伺服电机、PLC、上位机组成，如图1所示。
上位机向轮廓仪和PLC发出指令。轮廓仪按照设定采样频率向待测工件表面发射平行激光束，下方的伺服电机在PLC的控制下带动待测工件先水平转动1周，轮廓仪将获得的1组距离数据传给上位机处理。左方的伺服电机将待测工件旋转固定角度继续重复上述步骤直至激光带覆盖整个待测工件表面。
2 图像重建算法
为了检测待测工件表面缺陷并得到缺陷的参考长度和深度值，需要将激光轮廓仪采集到的各组距离数分别重建成图像。
2.1 一组距离数据
超高速激光轮廓仪内建[x]轴和[z]轴。如图2所示，[x]轴和轮廓仪基准轴线重合。[TL]到[TH]上均等分布着[k]个采样点，轮廓仪发射1次平行激光束到待测工件表面将得到[p1，p2，…，pk]共[k]个距离数据。当下方伺服电机转动时，激光轮廓仪按照设定的采样频率继续发射平行激光束到待测工件表面，上位机得到光带扫过工件表面位置的距离数据。若工件赤道周长为[c]毫米，下方伺服电机转速为[r]毫米/秒，激光轮廓仪采样频率为[f]赫兹，则待测工件完成一周转动后，上位机得到
2.2 图像重建
3 缺陷检测
3.1 图像预处理
重建图像的过程中难免引入噪声，因此首先对重建的图像进行平滑处理。邻域平均法即用一片图像区域的各个像素的均值来代替原图像中的各个像素值。设原始图像为[f（x，y）]，卷积核为[G（i，j）]，卷积核的大小为3×3，处理后的图像为[g（x，y）]，如图5（b）所示。
3.2 边缘检测及形態学梯度处理
去噪后的图像经过边缘检测可得到缺陷的边缘信息。Canny算子检测边缘时具有低错误率，高定位性和最小响应等优点[7]， 但需要设置高低阈值且这两个阈值的设定直接影响重建图像缺陷部分边缘检测的效果。由于重建图像具有前景亮背景暗的特点，因此采用最大类间方差算法[8]计算出前景和背景的分割阈值并将此阈值及其一半分别作为高，低门限值。图5（c）为实验环境下应用上述算法效果图。
Canny边缘检测算子检出的边缘是分立的，不连续的。为了准确提取缺陷区域的轮廓，需要对边缘进行形态学梯度处理。形态学梯度用来保留物体的边缘轮廓[9]，它先分别对图像进行膨胀和腐蚀操作，最终的图像是膨胀图与腐蚀图之差，数学表达式为：
3.3 缺陷参考长度和深度计算
为了计算缺陷的参考长度和深度，需在重建图像中提取缺陷轮廓并标定连通域[10]。通过OpenCV中的findcontours函数对缺陷区域轮廓进行提取，drawcontours函数把提取的轮廓用随机颜色的线绘制出来。使用boundingRect函数计算提取轮廓的外接矩形 ，rectangle函数将轮廓外接矩形绘制在重建图像中。
上述过程可得到缺陷区域外接矩形的像素位置信息。若重建图像缺陷区域外接矩形左上角和右下角像素坐标分别为[（x1，y1）]，[（x2，y2）]。根据坐标信息计算出外接矩形的长宽所占的像素个数。若长的方向上每个像素代表的实际长度为[l1]，宽的方向上每个像素代表的实际长度为[l2]。[l1]由轮廓仪基准轴线上单位长度决定，[l2]由伺服电机转速和激光轮廓仪的采样频率决定。设定电机转速为[r]毫米/秒，超高速激光轮廓仪采样频率为[f]赫兹。则：
4 实验结果及分析
为了得到参考长度，深度和人工测量值的误差，准备1 000个工件，并在每个工件上制造1处缺陷并进行检测。
实验中上位机处理器采用英特尔酷睿i5双核，频率为2.5 GHz，内存8 GB。工件的直径[c]=180 mm，激光轮廓仪型号为基恩士Lj?V7060，采样频率设定为1 000 Hz，单线采样点[k]=800，[TL]=-8，[TH]=8。[th]=1，[tl]=0，[d1]=255，[d2]=255[wi]，[d3]=0，[l1=0.02]，[l2=0.06]。下方伺服电机转速[r]=60 mm/s时，经过统计1 000个工件中有998个参考长度和实测值误差小于0.1 mm，其余2个误差小于0.2 mm。当下方伺服电机转速设置为120 mm/s，180 mm/s时参考长度和深度值保持稳定，误差情况基本不变。图5（e）是随机抽取的一个工件连通域标定图。其缺陷区域的像素位置信息为：[x1=249]，[y1=1 753]，[x2=605]，[y2=1 850]。代入上述参数得出参考长度[l=9.914 85] mm，参考深度[d=0.294 35]mm。使用游标卡尺多次测量待检工件缺陷区域的长度，计算出长度平均值为9.89 mm。人眼由于无法可靠判断缺陷区域何处深度最大，且缺陷较浅，故使用游标卡尺无法对深度进行有效测量。长度误差小于0.1 mm，满足设计要求。
通过和上位机计算的缺陷区域长度比较，上位机计算的缺陷区域长度长一些。一方面游标卡尺测量工件表面缺陷长度时，表面上是有弧度的，因此人工测量的长度是偏小的；另一方面系统设计中对重建图像进行了形态学梯度处理使得缺陷部分有了轻微的扩展，上位机得到的长度长一些。伺服电机转速为60 mm/s下，一组距离数据重建图像和检出缺陷的平均时间为80 ms，远小于得到每组数据电机转动时间，可满足检测时效要求。
5 结 论
激光测距应用于工件表面缺陷检测中可得到缺陷区域的参考长度和深度值。根据参考长度和深度来分拣缺陷工件可将对设备运行有危害的工件分离出去，同时保留有缺陷但参考长度和深度小于设定值的工件，避免了浪费。在实际分拣场景中具有一定的应用价值。
参考文献
[1] 李春颖.机器视觉在钢球表面缺陷检测中的应用[J].计算机与现代化，2005（10）：63?65.
[2] 陈世利，常文爽，靳世久.汽轮机轮缘超声相控阵检测中缺陷方向识别[J].纳米技术与精密工程，2013（4）：328?333.
[3] 刘泽，王嵬，王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报，2010（11）：1012?1017.
[4] 刘青，张晓晖，黄军勤.基于机器视觉的钢球表面缺陷快速提取算法[J].激光杂志，2014（9）：58?61.
[5] 孙虹，王仲，付鲁华，等.一种新型钢球表面检测方法的分析与系统实现[J].机械科学与技术，2016（1）：118?121.
[6] 韦玉科，陈玉，田洪金.基于计算机视觉的焊点缺陷检测系统的设计[J].测控技术，2015（1）：138?141.
[7] 毛星云，冷雪飞.OpenCV3编程入门[M].北京：电子工业出版社，2014.
[8] 张志强，宋海生.应用Otsu改进Canny算子的图像边缘检测方法[J].计算机与数字工程，2014（1）：122?128.
[9] 冈萨雷斯.数字图像处理[M].2版.北京：电子工业出版社，2007：445?451.
[10] 冯海文，牛连强，刘晓明.高效的一遍扫描式连通区域标记算法[J].计算机工程与应用，2014（23）：31?35.
[11] 代丽男，韩格欣，薄纯娟.基于OpenCV的一种手势识别方法[J].物联网技术，2015，5（6）：25?27.
[12] 谌湘倩，马绍惠，须文波.基于有序子集加速拆分算法的三维CT图像重建[J].现代电子技术，2016，39（6）：104?107.
摘 要： 精密工件在生产和运输过程中其表面会产生缺陷，长度和深度达到一定值的缺陷会影响设备的运行。传统的缺陷检测只是检测缺陷并未考虑缺陷长度和深度因素，因此提出将激光测距应用于表面缺陷检测。首先用激光轮廓仪获得的距离数据重建工件表面图像，再利用数字图像处理相关理论及OpenCV计算机视觉技术提取重建图像中缺陷像素位置信息并与实际距离数据对应，进而计算出缺陷的参考长度和深度。经过大量重復试验，缺陷的参考长度和人工使用游标卡尺测量的长度误差小于0.1 mm，参考深度稳定，检测速度快，具有一定的应用价值。
关键词： 激光测距； 图像重建； 缺陷检测； OpenCV
中图分类号： TN98?34； TP391.9 文献标识码： A 文章编号： 1004?373X（2017）22?0145?04
Abstract： The defect may be produced on the surface of precision workpiece in production and transportation process， which will affect the operation of equipment when the length and depth of the defect reach a certain value. The traditional defect detection does not take into account the length and depth， so the laser range?finding is applied to the surface defect detection. The laser contourgraph is used to get the distance data to reconstruct the image of the workpiece surface. The correlation theory of digital image processing and OpenCV computer visual technology are adopted to extract the defect pixel′s location information in the reconstructed image. The location information is corresponded to the practical distance data to calculate the reference length and depth of the defect. The results of a large number of repeated experiments show that the error between the defect′s reference length and the length measured with vernier caliper is less than 0.1 mm， the reference depth is stable， and the laser range?finding has fast detection speed and a certain application value.
Keywords： laser range?finding； image reconstruction； defect detection； OpenCV
0 引 言
精密工件在工业设备中应用广泛，其质量的好坏关系到工业设备的安全运行。生产和运输过程中的诸多因素易使工件表面产生缺陷。缺陷的长度和深度达到一定值才会对工业设备运行产生危害。因此需要测量出缺陷长度和深度，作为分拣缺陷工件的依据。传统的检测方法是通过工人肉眼来检测工件表面是否有缺陷存在，再用游标卡尺测量缺陷的长度和深度。这种人工检测方法的缺点显而易见，对于较浅缺陷的深度无法有效测量，工作量大，效率低，易受检测人员主观因素影响，造成误检或漏检。如果操作不慎，还会对工件表面造成二次损害[1]。
目前，无损检测方法（超声检测、光电检测，机器视觉等）[2?3]在缺陷检测中广泛应用。文献[4]提出利用分段线性灰度算法对表面微小缺陷进行增强，再结合最大熵来实现对表面缺陷的自动分割，最后采用投影原理和二维联合统计算法完成对缺陷的快速提取和区域归类。文献[5]提出一种双图像传感器的表面全展开方法，在此基础上搭建系统实现表面缺陷检测。上述缺陷检测方案虽能检测出表面缺陷，但却没有给出缺陷长度和深度。因此将激光测距应用于工件表面缺陷检测，计算出缺陷参考长度和深度值为分拣提供依据。缺陷参考长度是指缺陷外接矩形对角线的长度，参考深度是指缺陷区域距离差矩阵的最大值。
1 激光测距
系统的硬件部分是由超高速激光轮廓仪、伺服电机、PLC、上位机组成，如图1所示。
上位机向轮廓仪和PLC发出指令。轮廓仪按照设定采样频率向待测工件表面发射平行激光束，下方的伺服电机在PLC的控制下带动待测工件先水平转动1周，轮廓仪将获得的1组距离数据传给上位机处理。左方的伺服电机将待测工件旋转固定角度继续重复上述步骤直至激光带覆盖整个待测工件表面。
2 图像重建算法
为了检测待测工件表面缺陷并得到缺陷的参考长度和深度值，需要将激光轮廓仪采集到的各组距离数分别重建成图像。
2.1 一组距离数据
超高速激光轮廓仪内建[x]轴和[z]轴。如图2所示，[x]轴和轮廓仪基准轴线重合。[TL]到[TH]上均等分布着[k]个采样点，轮廓仪发射1次平行激光束到待测工件表面将得到[p1，p2，…，pk]共[k]个距离数据。当下方伺服电机转动时，激光轮廓仪按照设定的采样频率继续发射平行激光束到待测工件表面，上位机得到光带扫过工件表面位置的距离数据。若工件赤道周长为[c]毫米，下方伺服电机转速为[r]毫米/秒，激光轮廓仪采样频率为[f]赫兹，则待测工件完成一周转动后，上位机得到
2.2 图像重建
3 缺陷检测
3.1 图像预处理
重建图像的过程中难免引入噪声，因此首先对重建的图像进行平滑处理。邻域平均法即用一片图像区域的各个像素的均值来代替原图像中的各个像素值。设原始图像为[f（x，y）]，卷积核为[G（i，j）]，卷积核的大小为3×3，处理后的图像为[g（x，y）]，如图5（b）所示。
3.2 边缘检测及形態学梯度处理
去噪后的图像经过边缘检测可得到缺陷的边缘信息。Canny算子检测边缘时具有低错误率，高定位性和最小响应等优点[7]， 但需要设置高低阈值且这两个阈值的设定直接影响重建图像缺陷部分边缘检测的效果。由于重建图像具有前景亮背景暗的特点，因此采用最大类间方差算法[8]计算出前景和背景的分割阈值并将此阈值及其一半分别作为高，低门限值。图5（c）为实验环境下应用上述算法效果图。
Canny边缘检测算子检出的边缘是分立的，不连续的。为了准确提取缺陷区域的轮廓，需要对边缘进行形态学梯度处理。形态学梯度用来保留物体的边缘轮廓[9]，它先分别对图像进行膨胀和腐蚀操作，最终的图像是膨胀图与腐蚀图之差，数学表达式为：
3.3 缺陷参考长度和深度计算
为了计算缺陷的参考长度和深度，需在重建图像中提取缺陷轮廓并标定连通域[10]。通过OpenCV中的findcontours函数对缺陷区域轮廓进行提取，drawcontours函数把提取的轮廓用随机颜色的线绘制出来。使用boundingRect函数计算提取轮廓的外接矩形 ，rectangle函数将轮廓外接矩形绘制在重建图像中。
上述过程可得到缺陷区域外接矩形的像素位置信息。若重建图像缺陷区域外接矩形左上角和右下角像素坐标分别为[（x1，y1）]，[（x2，y2）]。根据坐标信息计算出外接矩形的长宽所占的像素个数。若长的方向上每个像素代表的实际长度为[l1]，宽的方向上每个像素代表的实际长度为[l2]。[l1]由轮廓仪基准轴线上单位长度决定，[l2]由伺服电机转速和激光轮廓仪的采样频率决定。设定电机转速为[r]毫米/秒，超高速激光轮廓仪采样频率为[f]赫兹。则：
4 实验结果及分析
为了得到参考长度，深度和人工测量值的误差，准备1 000个工件，并在每个工件上制造1处缺陷并进行检测。
实验中上位机处理器采用英特尔酷睿i5双核，频率为2.5 GHz，内存8 GB。工件的直径[c]=180 mm，激光轮廓仪型号为基恩士Lj?V7060，采样频率设定为1 000 Hz，单线采样点[k]=800，[TL]=-8，[TH]=8。[th]=1，[tl]=0，[d1]=255，[d2]=255[wi]，[d3]=0，[l1=0.02]，[l2=0.06]。下方伺服电机转速[r]=60 mm/s时，经过统计1 000个工件中有998个参考长度和实测值误差小于0.1 mm，其余2个误差小于0.2 mm。当下方伺服电机转速设置为120 mm/s，180 mm/s时参考长度和深度值保持稳定，误差情况基本不变。图5（e）是随机抽取的一个工件连通域标定图。其缺陷区域的像素位置信息为：[x1=249]，[y1=1 753]，[x2=605]，[y2=1 850]。代入上述参数得出参考长度[l=9.914 85] mm，参考深度[d=0.294 35]mm。使用游标卡尺多次测量待检工件缺陷区域的长度，计算出长度平均值为9.89 mm。人眼由于无法可靠判断缺陷区域何处深度最大，且缺陷较浅，故使用游标卡尺无法对深度进行有效测量。长度误差小于0.1 mm，满足设计要求。
通过和上位机计算的缺陷区域长度比较，上位机计算的缺陷区域长度长一些。一方面游标卡尺测量工件表面缺陷长度时，表面上是有弧度的，因此人工测量的长度是偏小的；另一方面系统设计中对重建图像进行了形态学梯度处理使得缺陷部分有了轻微的扩展，上位机得到的长度长一些。伺服电机转速为60 mm/s下，一组距离数据重建图像和检出缺陷的平均时间为80 ms，远小于得到每组数据电机转动时间，可满足检测时效要求。
5 结 论
激光测距应用于工件表面缺陷检测中可得到缺陷区域的参考长度和深度值。根据参考长度和深度来分拣缺陷工件可将对设备运行有危害的工件分离出去，同时保留有缺陷但参考长度和深度小于设定值的工件，避免了浪费。在实际分拣场景中具有一定的应用价值。
参考文献
[1] 李春颖.机器视觉在钢球表面缺陷检测中的应用[J].计算机与现代化，2005（10）：63?65.
[2] 陈世利，常文爽，靳世久.汽轮机轮缘超声相控阵检测中缺陷方向识别[J].纳米技术与精密工程，2013（4）：328?333.
[3] 刘泽，王嵬，王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报，2010（11）：1012?1017.
[4] 刘青，张晓晖，黄军勤.基于机器视觉的钢球表面缺陷快速提取算法[J].激光杂志，2014（9）：58?61.
[5] 孙虹，王仲，付鲁华，等.一种新型钢球表面检测方法的分析与系统实现[J].机械科学与技术，2016（1）：118?121.
[6] 韦玉科，陈玉，田洪金.基于计算机视觉的焊点缺陷检测系统的设计[J].测控技术，2015（1）：138?141.
[7] 毛星云，冷雪飞.OpenCV3编程入门[M].北京：电子工业出版社，2014.
[8] 张志强，宋海生.应用Otsu改进Canny算子的图像边缘检测方法[J].计算机与数字工程，2014（1）：122?128.
[9] 冈萨雷斯.数字图像处理[M].2版.北京：电子工业出版社，2007：445?451.
[10] 冯海文，牛连强，刘晓明.高效的一遍扫描式连通区域标记算法[J].计算机工程与应用，2014（23）：31?35.
[11] 代丽男，韩格欣，薄纯娟.基于OpenCV的一种手势识别方法[J].物联网技术，2015，5（6）：25?27.
[12] 谌湘倩，马绍惠，须文波.基于有序子集加速拆分算法的三维CT图像重建[J].现代电子技术，2016，39（6）：104?107.
