Автоматизация контроля качества электрических кабелей с использованием машинного зрения

Введение

В настоящее время обрабатывающая промышленность предъявляет высокие требования к качеству электропроводки для автомобильной и бытовой техники. Цель состоит в повышении эффективности производства при сохранении высокого качества продукции. Однако повышение эффективности влечет за собой большие проблемы в отношении поддержания качества проводов и кабелей. Кабели в большинстве случаев обрабатываются на станках.

Оператор станка обычно выполняет задачи, которые включают в себя составление рабочей программы станка и только выборочный контроль ее результатов. Контроль всей продукции требует привлечения автоматизированного контроля качества производства, позволяющего проводить измерения на каждом из проводов. На основе такого контроля осуществляется операция по разделению продукции на группу продукции, изготовленной правильно, и негодную продукцию с дефектами. Производственный брак – это продукция, которая повреждена или не соответствует спецификации заказа и которая не должна поступить к получателю.

В статье представлена ​​система контроля качества, разработанная для завода по производству электрических кабелей, на котором были внедрены машины с повышенной производительностью. Готовая продукция выпускалась за цикл, составляющий всего несколько секунд. В результате внедрения столь производительных машин контроль продукции операторами стал невозможным из-за невозможности проведения измерений и выявления дефектов с такой производительностью.

Задача контроля качества включает в себя проверку провода, представленного на рисунке 1. Кабель представляет собой силовой ленточный кабель, содержащий 5 проводов. Каждая жила должна иметь диаметр 350 мкм. Машина используется для производства нескольких видов продукции. Например, система должна контролировать способ изоляции провода и длину неизолированного провода. Это изделие представлено на рисунке 1а.

На рисунке 1б показан другой тип продукции, изготовленной на том же станке. Возможно снять изоляцию с трех проводов кабеля и сместить ее на заданное расстояние. В обоих случаях во время снятия изоляции может произойти надрез или порез провода. В обоих случаях кабель должен быть признан дефектным и включен в группу производственных дефектов.

Анализ производственных дефектов, проведенный в процессе разработки технического задания на решение, позволил выделить следующие дефекты контролируемого изделия: отсутствие снятия изоляции, снятие с дефектной разделкой (неровная кромка реза), несоответствующая длина неизолированных проводов, надрез жил провода, обрыв жил, несоответствующая геометрия провода. Данные дефекты были определены для системы контроля в качестве ключевых параметров, позволяющих оценить качество производства кабельно-проводниковой продукции.

Рис. 1 Контролируемые электрические ленточные кабели: а) изображение из каталога дефектов, собранное на этапе исследования, б) изображение, полученное камерой на рабочем месте в производственных условиях

В статье представлено применение анализа изображений для выявления и оценки дефектов, образующихся на поверхностях [3], [5]. В представленной работе данные алгоритмы были использованы в задачах измерения для контроля качества продукции. Работа также основана на собственных реализациях систем машинного зрения [7], [8], [9].

Методы получения изображений

Для выполнения задачи автоматизированного контроля качества необходимо выбрать камеру и освещение, позволяющие получить изображение, на котором будут усилены исследуемые характеристики объекта. Аппаратная конфигурация включает подбор камер, объективов и соответствующего освещения.

В связи с характером измеряемых величин, а именно расстояний и взаимного расположения рёбер, было принято решение использовать монохромную камеру. Полученное изображение представлено матрицей элементов, соответствующих интенсивности света, падающего на неделимый фоточувствительный элемент матрицы камеры. Пиксельное представление представляет собой 8-битное значение, принимающее значения от 0 до 255.

В зависимости от того, какой признак необходимо выделить, освещение может быть реализовано с использованием различных техник [6]:

• подсветка – обеспечивает высокий контраст, метод лучше всего подходит для наблюдения за краями, но теряется информация о дефектах поверхности, на светлом фоне получается темный объект
• частичное светлое поле, освещение спереди объекта; изображение содержит свет, отраженный от объекта наблюдения; более низкая контрастность по сравнению с подсветкой сзади, но информация о состоянии поверхности сохраняется.

Конфигурация измерительной станции представлена ​​на рисунке 2а. На рисунке 2б представлена ​​схема изделия, для которого разработана система технического зрения.

Рис. 2 Конфигурация измерительной станции (а) и схема испытуемого изделия (б).

Анализ с использованием разработанных алгоритмов возвращал результаты в пикселях. Для масштабирования результата в миллиметры необходимо знать разрешение изображения. Разрешение изображения определялось как расстояние между соседними пикселями в соответствующем направлении, оно определялось путем измерения поля зрения (FOV) собранной системы, а также знания разрешения сенсора камеры. Необходимо было рассчитать разрешение по строкам (ΔY), а также по столбцам (ΔX). Для выбранной камеры разрешение сенсора камеры составляло 1600:1200 пикселей. Для выбранной высоты, на которой работала камера, FOV позволял наблюдать поверхность размером 8,48 мм на 6,24 мм, на этой основе было рассчитано разрешение изображения по осям X и Y.

∆X = 8,48 мм / 1600 пикселей = 0,005 [мм/пиксель]

ΔY = 6,24 мм / 1200 пикселей = 0,005 [мм/пиксель]

Полученное с 2D-камеры изображение представляется в цифровом виде в виде матрицы, размер которой равен разрешению камеры. Последовательные строки матрицы соответствуют координате X в системе координат изображения, а столбцы — координате Y. Разрешение по осям X и Y составляет 0,005 [мм/пиксель], что обеспечивает около 40 000 точек измерения на 1 [мм²] поверхности контролируемого провода.

Рисунок 3. Примеры изображений, полученных в результате настройки системы технического зрения, показывающие дефектный элемент через согнутые провода (а) и частичное обрезание (б)

Измерения и результаты

Первым этапом анализа изделия является подготовка изображения к измерениям. На этом этапе изображение подвергается преобразованиям, позволяющим удалить шум, зафиксированный на изображении в процессе его получения. Для подготовленного изображения реализуются алгоритмы, позволяющие выделить и оценить форму изделия. Первым этапом является выделение контуров, описывающих контур изделия, и определение положения кабеля на изображении. В эксперименте использовался второй фильтр Lanser. Результатом его работы является изображение, отображающее контуры отдельных объектов и ориентацию полученных контуров. Изображение контуров, обнаруженных таким образом, представлено на рисунке 4.

Рисунок 4. Анализируемое изображение (а) и изображение направленных кромок после использования фильтра Лансера (б)

Первые два этапа работы второго фильтра Лансера сводятся к сглаживанию изображения и выявлению изменений интенсивности пикселей. Это осуществляется с помощью фильтра, состоящего из двух БИХ-фильтров. Применяемый фильтр выполняет следующие операции:

1. Расчет изменений градиента G_y(x, у) путем свертывания изображения с разделяемым 2D-фильтром f(x) g(у),
2. Расчет изменений градиента G_y(x, у) путем свертывания изображения с разделяемым 2D-фильтром g(x) f(у),
3. Расчет амплитуды и направления изменения градиента G_x(x, у) как длины и ориентации вектора [G_x(x, у), G_y(x, у)],

Целью операции сглаживания является предотвращение обнаружения границ в областях высокочастотных помех. Компоненты БИХ-фильтров можно записать с помощью дискретных уравнений:

Для фильтра Лансера коэффициенты в приведенных выше уравнениях принимают заданные значения для f(x):

для g(x):

Для дальнейшей обработки края результирующий градиент изменения интенсивности определяется как геометрическая сумма полученных значений:

где:

• G- результирующий градиент изменения интенсивности,
• G_x – градиент изменения интенсивности по оси x (вертикальный край),
• G_y – градиент изменения интенсивности по оси y (горизонтальные края).

Следующим этапом работы фильтра является компенсация искажений, возникающих в результате дискретизации используемого фильтра Дериша. Компенсация осуществляется путём деления полученных значений для направления φ на коэффициенты, являющиеся значениями функции V(φ).

где компоненты уравнения задаются как:

Нормализация амплитуд позволяет корректно выделять границы контролируемого объекта. Полученные границы могут иметь ширину в несколько пикселей. Такое представление отражает область, в которой находится граница. Для более точного определения местоположения границы необходимо преобразовать обнаруженные границы в линию шириной в один пиксель, которая является границей перехода между областями с существенно различной интенсивностью.

Последний этап работы второго фильтра Лансера — выбор значимых контуров, т. е. тех, которые описывают относительно большие изменения интенсивности между исследуемыми объектами и фоном. Контуры, созданные в результате шума или нерелевантные из-за малого значения изменения интенсивности, игнорируются в результате пороговой обработки гистерезиса. Назначаются два значения градиента: минимальное и максимальное.

Пиксели со значениями больше максимального классифицируются как образующие значимый контур, пиксели со значениями меньше минимального опускаются, им присваивается значение интенсивности 0. Пиксели с интенсивностью в указанном диапазоне классифицируются как значимые компоненты контура, только если они соседствуют с пикселями со значениями выше максимального порога. В противном случае им также присваивается значение 0. Пиксели с ненулевым значением определяют обнаруженные контуры, для которых амплитуда и направление градиента передаются как результат выполнения фильтра [1], [4].

Одним из результатов выделения границ является изображение, пиксели которого хранят не значение амплитуды градиента, а направление существующих границ. Информация, содержащаяся в таком изображении, облегчает распознавание отдельных распознанных границ.

На рисунке 5 показана механика работы оператора в случае ввода изображения, содержащего белый круг с интенсивностью 255 на чёрном фоне с интенсивностью 0 (рисунок 5а). Выходное изображение (рисунок 5б) содержит направленные границы, полученные в результате обработки изображения (рисунок 5а) фильтром Лансера. Значение границы увеличивается против часовой стрелки, начиная с положительной части оси X.

Рисунок 5. Пример обработки направленных краев: а) исходное изображение, б) начальное изображение

Следующим шагом было определение левого и правого края провода путём пороговой обработки изображения направленных рёбер. На основе приведённого примера были определены значения, соответствующие переходу от высокой интенсивности к низкой для правого края и от низкой к высокой для левого. Задание пределов пороговой обработки позволило выделить искомые края, как показано на рисунке 6.

Рисунок 6. Изображения, показывающие результат операции направленного порогового сканирования изображения края для левого края (а) и правого края тестируемого провода (б)

Пороговая операция извлекает только рёбра с заданной ориентацией, не учитывая их длину и амплитуду в понимании амплитуды градиента [2]. Чёткие контуры, соответствующие рёбрам проволоки, были получены после использования скелетона и фильтрации рёбер, полученных из отражений от поверхности проволоки. Полученные рёбра показаны на рисунке 7.

Рисунок 7. Изображение, показывающее найденные края проволоки с увеличением.

Отбор изготавливаемых изделий требует проверки правильности процесса снятия изоляции. Это действие, при котором возможно повреждение медных проводов, изменение их ориентации и формы. Требованием к правильности снятия изоляции является получение прямого и неповрежденного провода. Проверка этого условия проводится для каждого провода, и несоответствие требованиям влечет за собой признание изделия бракованным.

Каждый провод обрабатывается для обнаружения боковых рёбер на основе фильтра рёбер. Следующим шагом анализа полученных рёбер является генерация многоугольника, описывающего контур с заданной максимальной погрешностью, которая является расстоянием кривой от аппроксимированного контура. Использовался алгоритм Рамера-Дугласа-Пейкера. Алгоритм, основанный на кривой, состоящей из секций, находит похожую кривую, состоящую из меньшего количества точек.

Разность между кривыми определяется как наибольшее расстояние между исходной и результирующей кривыми, определяемое как метрика Хаусдорфа. При превышении значения метрики выбирается следующая точка исходной кривой и процедура проверки значения метрики повторяется. Множество точек, принадлежащих результирующей кривой, является подмножеством точек, принадлежащих исходной кривой. Сгенерированный многоугольник используется для деления исследуемого контура. Контур делится в точках, принадлежащих множеству, определяющему многоугольник.

Этот критерий позволяет разделить контур, аппроксимация которого состоит более чем из двух точек, что является результатом анализа изогнутого провода. На рисунке 8а показаны контуры анализируемой проволоки. На рисунке 8б показан результат аппроксимации полигона алгоритмом Рамера-Дугласа-Пейкера, на котором видна преломленная кривая, полученная в месте наибольшего изгиба. На рисунке 8в показан результат деления контуров в точках преломления. Выполнение деления равносильно обнаружению изогнутой проволоки, что позволяет отнести исследуемый объект к категории изготовленных некорректно.

Рисунок 8. Изображения, демонстрирующие этапы анализа изогнутой проволоки.

Критерии правильности имеют последовательную структуру, то есть невыполнение хотя бы одного из условий означает признание провода неисправным, а всего кабеля – производственным браком.

Последний критерий, проверяемый алгоритмом, – проверка наличия сужений проводника. Это условие одновременно проверяет, находится ли диаметр провода в допустимых пределах. Контроль этого параметра важен из-за негативного влияния уменьшения диаметра, которое приводит к увеличению сопротивления провода, а следовательно, количества выделяемого тепла и более быстрому износу элемента.

Минимальный диаметр проверяется путем вычисления минимального расстояния между левым и правым контурами провода. Для сокращения времени выполнения алгоритма он был ограничен режимом измерения, проверяющим расстояние между каждой парой точек входных контуров без учета линий между точками контура. Затем из назначенного набора элементов определяется минимальное значение, что приводит к получению значения минимального диаметра. Следующим шагом было сравнение полученного результата с предполагаемыми предельными значениями.

Рисунок 9. Изображение, показывающее результаты анализа, созданные для отображения оператору машины.

Полученные результаты по тестируемому кабелю передаются через систему ввода-вывода на исполнительный механизм, который в случае обнаружения повреждения исключает элемент из дальнейшей обработки. Кроме того, информация о выявленных неисправностях отображается на дисплее оператора, что позволяет ему своевременно отреагировать на повторную неисправность.

Выводы

Внедрение системы технического зрения для задачи оценки исправности электрических кабелей позволило существенно повысить эффективность технологического процесса за счёт сокращения времени на выполнение одного измерения. Также следует обратить внимание на повышение точности оценки по отношению к ранее использовавшемуся производственному работнику.

Использование методов, основанных на выделении и обработке контуров, в задаче контроля качества обеспечивает большую точность и позволяет осуществлять непрерывный контроль каждого изделия в процессе производства. Основным недостатком данного метода является повышенная потребность в вычислительной мощности из-за расчётов с субпиксельной точностью.

Литература

1. Deriche , “Using Canny’s Criteria to Derive a Recursively Implemented Optimal Edge Detector, ” International Journal of Computer Vision 1, 167-187 (1987)
2. Hornberg , [Handbook of Machine Vision] Wiley-VCH , Darmstadt (2006)
3. Hosseininia S. J., Khalili K., Emam S. M., “Flexible Automation in Porcelain Edge Polishing Using Machine Vision, ” Procedia Technology 22, 562 – 569 (2016)
4. Lanser , Wolfgang E., “A Modification of Deriche’s Approach to Edge Detection, ” 11th International Conference on Pattern Recognition, (1992)
5. Nerakae P., Uangpairoj P., Chamniprasart K., “Using machine vision for flexible automatic assembly system, ” Procedia Computer Science 96, 428 – 435 (2016)
6. Semeniuta , Dransfeld S., Martinsen K., Falkman P., “Towards increased intelligence and automatic improvement in industrial vision systems, ” Procedia CIRP 67, 256 – 261 ( 2018 )
7. Sioma A., “Assessment of wood surface defects based on 3D image analysis, ” Wood Research 60, 339–350 (2015)
8. Sioma A., [3D Vision Systems in the automatization of quality production control] PIB Biblioteka Problemów Budowy I Eksploatacji Maszyn, Radom (2016)
9. Socha J., Sioma A., “Automation of annual tree increment measurement using vision system, ” Drewno 59, 19- 30 (2016)