基于机器视觉的机械零件尺寸在线检测系统设计与误差补偿

一、在线检测系统总体设计

（一）硬件系统设计

1.成像单元：

工业相机：是系统的“眼睛”。在线检测通常选用面阵 CCD 或 CMOS相机。选型需考虑分辨率（根据视场和精度要求计算）、帧率（满足生产线节拍）、传感器尺寸、像元大小等。对于高速运动物体，需选用全局快门相机以避免拖影。工业镜头：是相机的“晶状体”。其选型至关重要，需综合考虑焦距（决定工作距离和视场大小）、景深（确保整个测量区域清晰）、光圈（控制进光量和景深）以及畸变控制能力。远心镜头能有效消除透视误差，特别适用于高精度尺寸测量。

2.照明系统：

照明是机器视觉的“灵魂”，其目标是增强目标特征、抑制背景干扰、克服环境光影响。合理的打光方案能极大简化后续图像处理算法的复杂度。常用方案有：前向照明（背光）：工件置于光源和相机之间，产生高对比度的轮廓图像，非常适合测量外形尺寸和位置。后向照明（正面光）：光源与相机同侧，用于凸显表面特征，如划痕、字符、几何形状等。具体可采用环形光、条形光、穹顶光等以适应不同表面特性（如反光、凹凸）。

3.机械结构与执行机构：

包括精密光学平台、相机和镜头的固定与调整装置（多维调节架）、传送装置（流水线、伺服滑台）、触发传感器（光电传感器、编码器用于精准抓拍）以及分拣机构（如气缸、机器人，用于剔除不良品）。

4.计算与控制单元：

工业计算机（IPC）：是系统的“大脑”，负责运行图像处理软件、执行检测逻辑、输出控制信号。需具备强大的计算能力和多IO 接口。PLC/运动控制卡：与IPC 协同，负责控制生产线节拍、触发相机、驱动执行机构。

（二）软件系统设计

图像采集模块：通过相机 SDK 控制相机参数（曝光、增益等）并采集图像。图像预处理模块：包括滤波（高斯滤波、中值滤波去噪）、图像增强（对比度拉伸、直方图均衡化）、二值化、形态学操作等，旨在提升图像质量，突出测量特征。图像分析模块：核心测量模块。采用边缘检测算法（如Canny 算子、Sobel 算子）提取零件轮廓，再通过亚像素插值算法（如灰度重心法、拟合法）将边缘定位精度提升至像素的 1/10 甚至 1/100。最后基于几何模型（如圆拟合、直线拟合）计算所需的尺寸（如直径、角度、距离）。通信与控制模块：将测量结果与预设公差进行比对，判断 OK/NG，并通过 IO 卡或串口/网口将结果发送给 PLC，控制分拣机构动作。同时，将数据记录并上传至数据库。人机交互界面：提供参数设置、实时显示、数据查询、报警提示等功能。

二、系统误差分析与补偿策略

（一）主要误差来源分析

1.相机镜头误差：

光学畸变：主要包括径向畸变（桶形、枕形）和切向畸变。这是由镜头制造缺陷引起的，导致图像点偏离其理想位置，是系统性的主要误差源。透视误差：普通镜头存在的“近大远小”现象。当相机光轴与测量平面不垂直时，会引入显著的测量误差。

2.相机标定误差：

相机标定是确定相机内参（焦距、主点坐标、畸变系数）和外参（相机与世界坐标系的相对位置）的过程。标定算法的精度和标定板的制造精度直接决定后续所有测量的精度。

3.照明与环境误差：

光照不均匀会导致边缘提取位置偏移；环境光变化（如日光灯、窗户自然光）会干扰打光稳定性；工件表面反光或暗沉会影响图像对比度。

4.图像处理算法误差：

像素量化误差：图像由离散像素组成，边缘位置最初只能定位到整数像素级。亚像素算法误差：尽管亚像素算法提高了精度，但其本身也存在理论模型误差，在不同边缘特征下性能不同。

（二）误差补偿与校正策略

1.高精度相机标定——补偿畸变与透视误差

采用张正友标定法等成熟算法，使用高精度（如陶瓷）棋盘格或圆点标定板。标定过程需覆盖相机的整个测量视场和景深范围，以获取准确的相机内参（尤其是畸变系数 k1，k2，k3，p1，p2）和外参。在测量时，利用标定得到的参数对采集到的原始图像进行畸变校正，消除镜头畸变的影响。对于透视误差，通过标定建立图像像素坐标与世界坐标（毫米）的精确映射关系（单应性矩阵），从而实现从 2D 图像到 3D 空间的精确尺寸换算。

2.优化硬件配置与照明方案——抑制环境干扰

针对透视误差，优先选用远心镜头，其特有的平行光路特性可从根本上消除透视误差，保证在不同景深下测量尺寸的一致性。设计封闭的遮光防护结构，隔离环境杂散光。采用稳定性好、亮度可调的 LED 光源，并配备恒流驱动电源以保证发光稳定性。针对不同工件表面，反复试验确定最佳的打光角度和方式，确保特征边缘清晰、对比度高。

3.软件算法优化——提升边缘定位精度在图像预处理阶段，采用合适的滤波算法抑制噪声，同时保留边缘细节。

核心是采用亚像素边缘检测算法。例如，利用 Spline 插值、高斯拟合或矩方法对边缘附近的灰度分布进行建模，将边缘定位精度提升到亚像素级别。这是提高系统精度的最关键软件手段。采用鲁棒的几何拟合算法（如最小二乘法、RANSAC 算法）对离散的边缘点进行直线、圆等几何要素拟合，减少噪声点对拟合结果的影响。

4.建立温度补偿模型（可选）

对于极高精度的应用，需考虑温度变化对镜头焦距、机械结构的影响。可通过温度传感器监测环境温度，并建立温度-误差的补偿模型，在软件中进行实时补偿。

结语：

综上所述，本文系统地设计了基于机器视觉的机械零件尺寸在线检测系统，涵盖了硬件选型、软件模块搭建以及完整的误差分析与补偿策略。实践证明，通过精心的硬件选型（如远心镜头的使用）、高精度的相机标定、先进的亚像素处理算法以及基于标准件的系统级补偿，能够有效克服多种误差源的影响，构建出满足工业现场高精度、高速度要求的在线检测系统。未来，随着技术的发展，此类系统将呈现以下趋势：1）与人工智能（AI）深度融合，利用深度学习技术处理更复杂的缺陷检测和分类任务；2）集成3D 视觉技术，实现三维尺寸的在线测量；3）进一步与工业物联网（IIoT）平台集成，实现预测性质量控制和全生命周期管理，为智能制造提供更强大的数据支撑。

参考文献：

[1]曾鹏，张志刚，尹小娟，等.基于机器视觉技术的激光焊机支撑块零件测绘的研究[J].湖南工业职业技术学院学报，2024，24（03）：1-8+12.DOI：10.13787/j.cnki.43-1374/z.2024.03.001.

[2]岳公霞.基于机器视觉的机械零件制造质量智能检测系统设计[J].中国机械，2024，（11）：55-58.