基于圖像處理的型坯直徑非接觸測量方法研究設(shè)計

1 引言

擠出吹塑成型是一種生產(chǎn)塑料容器的加工過程，型坯的成型是擠出吹塑中一個相當(dāng)重要的階段。型坯成型對吹塑制品的性能與成本均有很大影響，若能在這個階段在線檢測出型坯吹脹前的尺寸，則可用最少的原料消耗獲得所要求的制品性能。目前，國內(nèi)外較先進(jìn)的型坯壁厚的控制也只是根據(jù)型坯在長度方向上的位置查表得出厚度設(shè)定值，然后用PLC等設(shè)備進(jìn)行(開環(huán))程序控制，并不能形成閉環(huán)控制，而且要經(jīng)過不斷地嘗試才能獲得滿意的設(shè)定值。為了實現(xiàn)型坯壁厚的閉環(huán)控制，就必須對型坯的直徑分布和壁厚分布進(jìn)行在線測量，這是目前尚未很好解決的問題。本文針對型坯直徑分布的在線檢測問題，通過攝像機直接拍攝型坯輪廓圖像，運用數(shù)字圖像處理技術(shù)對采集到的圖像進(jìn)行處理和分析，實時提取目標(biāo)的幾何特征，即型坯的直徑分布，實現(xiàn)型坯直徑的實時在線檢測。這將為實現(xiàn)擠出吹塑成型加工過程質(zhì)量的實時閉環(huán)控制提供條件。

2 測量機構(gòu)的設(shè)計與安裝

擠出吹塑成型中擠出機使原料熔融，并從機頭擠出型坯，圖1是現(xiàn)場拍攝的機頭及擠出型坯圖像。由于型坯溫度高達(dá)200℃左右，且型坯是熔融狀態(tài)，采用接觸式測量是幾乎不可能的。然而，擠出型坯是半透明管狀的并且外輪廓清晰可辨。因此，本文提出基于圖像處理技術(shù)的非接觸測量方法。

選擇合適的照明方案是數(shù)字圖像處理的關(guān)鍵步驟。如果光源配置恰到好處，攝像機就能夠拍攝到對比度高、背景與目標(biāo)物體容易區(qū)分的圖像，這對下一步的圖像處理將起到事半功倍的作用。從圖1可以看出，型坯背后是擠出機并且擠出型坯是半透明管狀，這決定了不適合采用背部光源照明，因為型坯的透光性使獲得的圖像對比度不高，不利于圖像的處理。需要說明的是，為了更容易區(qū)分目標(biāo)物體與背景，實驗中使用黑色材料做為背景。

本文采用正面散射光照明方式。散射光照射物體正面，光線比較柔和，沒有方向性，對型坯表面能減少強光，光源的安裝易于實現(xiàn);但是部分邊緣可能產(chǎn)生模糊。光源和攝像機的安裝位置如圖2所示，攝像機安裝于左右光源的中間，能夠拍攝到的型坯長度大約為250ram。

相應(yīng)硬件設(shè)備的選擇設(shè)計如下：

1)光源：采用日光燈做為光源，得到的效果較為滿意。如果要獲得更好的效果，可采用LED平面光源，但是將加大運行成本。

2)光學(xué)鏡頭：采用6倍變焦鏡頭。其技術(shù)指標(biāo)為：視角是31.3～5.5。、焦距是8.5～51mm、光圈是F1.2～16C。

3)CCD 攝像機：采用臺灣Mintron的MS-2821C黑白工業(yè)攝像機。分辨率是795(H)×596(v)，CCD尺寸為l/2英寸，最小照度為 0.02Lux/ F1.2。在型坯輪廓圖像的處理中，拍攝的型坯長度約為250mm，最長直徑約為45mm。由于CCD攝像機的水平像素為795，可得 250mm/795≈0.31447mm/像素，所以長度為45mm的直徑大約用143個像素來表示。假如有一個像素的測量誤差，直徑的誤差將為1 /143≈0.7%?？梢姡瑘D像分辨率是制約檢測精度的關(guān)鍵因素，選擇高分辨率的圖像采集設(shè)備則是提高測量精度的有效途徑。

4)圖像采集卡：采用基于PCI總線的OK系列圖像采集卡，OK系列圖像采集卡由于采用了高精度Gen Lock技術(shù)和線性箝位技術(shù)，所采集的圖像點陣位置精度高，A/D轉(zhuǎn)換后的數(shù)字視頻信號誤差小，采樣點的抖動不大于3ns，高檔卡可達(dá)ins，傳輸速度最高可達(dá)132MHz。由于采用了匹配式的高速傳輸方式，加上完善的軟硬件中斷處理，在向內(nèi)存采集圖像的同時，CPU可以獨立做其它圖像處理工作，這種圖像采集與CPU圖像處理的分享總線技術(shù)為并行圖像處理提供了技術(shù)基礎(chǔ)，使CPU獲得了大量的時間用于處理。

由于通過高速PCI總線可實現(xiàn)直接采集圖像到VGA顯存或主機系統(tǒng)內(nèi)存，而不必像傳統(tǒng)AT總線的采集卡必須自帶幀存。這不僅可以使圖像直接采集到VGA，實現(xiàn)單屏工作方式，而且可以利用PC機內(nèi)存的可擴(kuò)展性，實現(xiàn)所需數(shù)量的序列圖像逐幀連續(xù)采集，進(jìn)行序列圖像處理分析。此外，由于圖像可直接采集到主機內(nèi)存，圖像處理可直接在內(nèi)存中進(jìn)行，因此圖像處理的速度隨CPU速度的不斷提高而得到提高，因而使得對主機內(nèi)存的圖像進(jìn)行并行實時處理成為可能。

本文所采用的圖像采集卡是OK-C80M。它是基于PCI總線，多路復(fù)合視頻輸入的實時采集卡。OK-C80M是可32位彩色格式采集和8位黑白格式采集的彩色黑白兩用采集卡，且Metoer兼容。 OK-C80M適用于圖像處理、工業(yè)監(jiān)控和多媒體的壓縮、處理等研究開發(fā)和工程應(yīng)用領(lǐng)域。

3 型坯直徑測量的實現(xiàn)

3.1 圖像采集與處理

1)安裝圖像檢測設(shè)備。調(diào)整CCD攝像機與型坯之間的距離;保證CCD攝像機位于水平位置上，使得CCD芯片垂直方向上的列像素與型坯軸線共面，這樣可以減少計算型坯外徑像素數(shù)的誤差。

2)圖像的采集。攝像機輸出的模擬視頻信號連接到計算機PCI插槽上的圖像采集卡，設(shè)置圖像采集卡參數(shù)，用軟件拍攝型坯圖像，并存儲到計算機內(nèi)存或硬盤里面，作為下一步的圖像處理使用。

3)圖像預(yù)處理。對采集到的型坯圖像進(jìn)行平滑處理，盡可能消除噪聲的干擾，改善圖像質(zhì)量，減少噪聲對測量精度的影響。

4)邊緣提取和圖像分割。對平滑后的圖像運用邊緣檢測算子或灰度閾值分割法提取型坯外輪廓的邊緣圖像。

5)邊緣曲線的跟蹤和連接。由邊緣提取所得到邊緣圖像含有干擾小線段，為了檢測出有用的目標(biāo)邊緣曲線，需對型坯邊緣曲線進(jìn)行跟蹤和連接，

去除干擾小線段。

6) 型坯直徑的檢測。對最終得到的型坯外輪廓邊緣圖像自下向上行掃描，得到型坯左邊緣點坐標(biāo)為，右邊緣點坐標(biāo)為，則通過簡單計算可以得到型坯直徑分布。

3.2 型坯直徑的檢測方法

型坯直徑的測量是通過對型坯輪廓圖像的邊緣檢測來實現(xiàn)的。邊緣檢測有兩種基本方法：一種是采用邊緣檢測算子進(jìn)行邊緣提取，另一種是采用灰度閾值分割法進(jìn)行邊緣提取。從Roberts算子、 Sobel算子、LoG算子、Canny算子和灰度閾值分割法所得到的檢測結(jié)果可知，灰度閾值分割方法其算法效率高、檢測結(jié)果較好，最適合于型坯輪廓邊緣的檢測。

由型坯輪廓邊緣二值圖像求取型坯直徑很容易實現(xiàn)的。假設(shè)擠出的型坯其軸線是垂直于水平面的，某一小段型坯的直徑可以看成是水平直線與輪廓邊緣的兩個交點之間的距離。實現(xiàn)方法為：

1)按行掃描邊緣二值圖像，若該行像素點灰度值全為0，則檢測下一行，否則執(zhí)行下一步。

2)若檢測到某像素點灰度值為255，則判斷其右邊像素點灰度值是否為255。若是，則跳過該行不檢測，繼續(xù)檢測下一行;否則，執(zhí)行下一步。

3)已經(jīng)檢測到左邊緣點的坐標(biāo)，繼續(xù)該行的檢測，掃描右邊緣點。如果檢測到，則計算兩邊緣點問的距離并保存，繼續(xù)檢測下一行;否則直接繼續(xù)檢測下一行。

圖3是對邊緣二值圖像進(jìn)行直徑檢測的結(jié)果，檢測的點間隔為10個像素，型坯長度約為630個像素。其中，圖3(a)是對灰度閾值分割法得到的邊緣輪廓進(jìn)行處理的結(jié)果，圖3(b)是對Canny算子檢測到的邊緣輪廓進(jìn)行處理的結(jié)果。兩種算法得到的直徑分布基本一致。

4 結(jié)論

通過攝像機直接拍攝型坯輪廓圖像，運用數(shù)字圖像處理技術(shù)對采集到的圖像進(jìn)行處理和分析，實時提取目標(biāo)的幾何特征，即型坯的直徑分布，可實現(xiàn)型坯直徑的實時在線檢測。但其測量精度會受一些條件的影響，如圖像采集設(shè)備的分辨率、光線環(huán)境及干擾等。本文針對型坯直徑分布的在線檢測問題進(jìn)行了討論，它將為實現(xiàn)擠出吹塑成型加工過程質(zhì)量的實時監(jiān)控和閉環(huán)控制提供可能。

參考文獻(xiàn)

[1] R.W. Diraddo and A. Garcia - Rejon. Noncontact Measurement of Parison Thickness Profiles Affected by Swell and Sag in Continuous Extrusion Blow Molding [J]. Polymer Engineering and Science. 1992, 32(19) : 1401～1410.

[2] R.W. Diraddo and A. Garcia - Rejon. On - Line Prediction of Final Part Dimensions in Blow Molding: A Neural Network Computing Approach [J]. Polymer Engineering and Science. 1993, 33(11): 653-664.

[3] P.L. Swan and M. R. Kamal. Optical On - line Measurement of the Thickness Distribution of Blow Molding Parisons[J]. Polymer Engineering and Science. 1996, 36(7) : 985-992.

[4] R.W. Diraddo, W. I. Patterson, and M. R. Kamal. On