چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 تشخیص عیوب ظاهری فیلتر روغن خودرو با استفاده از سیستم بینایی ماشین کیوان غزل باش دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه خیام Key1_gh@yahoo.com دکترعلی جبرئیلی عضو هیئت علمی دانشگاه خیام،دانشکده فنی مهندسی ،گروه کامپیوتر a_jebreili@yahoo.com چکیده: کنترل کیفیت یکی از ضروری ترین فاز ها برای تولید هر محصول است و زمانی که محصولی قصد صادرات داشته باشد این موضوع بسیار اهمیت پیدا می کند.در روش سنتی نیروی انسانی قبل از خروج قطعه از کارخانه اقدام به بازدید محصول می نمود تا از سالم بودن قطعه تولیدی اطمینان حاصل کند ولی در روش مدرن به کمک سیستم های بینایی ماشین این کار بدون دخالت نیروی انسانی قابل انجام است. فیلتر روغن خودرو یکی از قطعاتی است که در داخل کشور تولید می شود و گاها با صادرات این محصول روبرو هستیم.وجود یک سیستم بینایی ماشین که دقت و سرعت باالیی در تشیخیص ایرادات ظاهری این قطعه داشته باشد می تواند بسیار کارا باشد.هر فیلتر روغن از چندین قسمت تشکیل شده است که هر بخش آن باید مورد بررسی قرار بگیرد تا عیوب ظاهری آن شناسایی شود.چالشی که ما با آن روبرو هستم وجود سطح فلزی فیلتر روغن است که در ابتدا برای بدست آوردن تصویر مناسب از قطعه به عنوان ورودی به سیستم ،نور پردازی نیاز است و پس از آن اجرای گام به گام الگوریتم های بینایی ماشین می تواند با دقت و سرعت بیشتری عمل کنترل کیفیت را انجام دهند. واژگان كلیدي :کنترل کیفیت ،فیلتر روغن ،دایره ،بینایی ماشین ،تبدیل هاف چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 مقدمه: فیلتر روغن از سه قسمت اصلی تشکیل شده است .سطح فیلتر از چندین دایره تشکیل شده است که تو درتو بوده و شامل دایره مرکزی و دایره خارجی می باشد. با توجه به ماهیت دایره ای بودن فیلتر روغن ،باید دایره بودن خاص فیلتر مورد بررسی قرار گیرد بدین معنی که حالت قسمت های دایره مانند ظاهر فیزیکی فیلتر درست باشد و به بیضی تبدیل نشده باشد. قسمت مهم بعدی در فیلتر روغن ،سطح فلزی فیلتر است .این سطح فلزی ممکن است در حین تولید خش ،فرورفتگی و یا ضایعه ای بر روی آن ایجاد شود که جزو ایرادات وارده بر سطح است و باید شناسایی شده و رفع شوند. قسمت سوم فیلتر که باید مورد بررسی قرار گیرد سالمت رزوه میانی فیلتر روغن است که اگر دچار شکستگی و یا فرورفتگی باشد به طور کامل فیلتر را معیوب به حساب می آوریم و قابل استفاده نیست. با توجه به سطح فلزی فیلتر روغن ،تصویربرداری از آن بسیار مشکل است و نیاز به سیستم نورپردازی خاصی دارد که انعکاس نور از سطح فلزی فیلتر را به حداقل برساند ،یعنی تاحدامکان نویز را کاهش دهد. برای این منظور از نوع نورپردازی Dome Lightاستفاده می شود که باعث کاهش نویز می شود و در تصویر برداری هرچه بهتر موثر است. یکی از اهداف انجام این پروژه این است که قطعه تولیدی فیلتر روغن چه برای تولید داخلی و چه برای صادرات خارجی از کیفیت باالیی برخوردار باشد که این امر مستلزم داشتن سیستمی بسیار دقیق و سریع بر روی خط تولید برای یافتن قطعات معیوب می باشد که از عرضه فیلترهای روغن معیوب به بازار خودرو جلوگیری شود. روش تحقیق: با توجه به توضیحاتی که در مقدمه گفته شد در ادامه به شرح مراحل انجام کار می پردازیم. نورپردازی و حذف نویز: بسته به کاربری که داریم روش های نورپردازی در صنعت متفاوت خواهد بود .مولفه هایی که در انتخاب نوع نورپردازی موثر خواهند بود عبارتند از: -1صاف یا ناهموار بودن سطح -2مات یا شفاف بودن سطح چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 -3صاف یا منحنی بودن سطح -4ساکن یا متحرک بودن سطح با انتخاب درست نوع نورپردازی ومنبع نور مناسب و طراحی درست محیط به لحاظ شدت نور و طول موج و ....می توان تصویر برداری درستی از قطعه صنعتی ( قطعه صنعتی در مورد موضوع ما فیلتر روغن خواهد بود)داشت.در قطعات صنعتی از نور پردازی سخت افزاری به صورت تابش نور قرمز و اعمال حذف نویز نرم افزاری به کمک دو الگوریتم میانه و میانگین استفاده می شود. لبه یابی: آشکارسازی لبه ) (Edge detectionمعموالا برای تشخیص لبه های یک شی از بین چندین شی مورد استفاده قرار می گیرد برای این کار از تابع ای به edgeاستفاده می شود .تغییرات فیزیکی به صورت تغییر رنگ و نام شدت روشنایی به صورت لبه و در سطح باینری در تصویر نمایان می شود . تبدیل فضای قطبی به کارتیزین : یکی از قابلیت هایی که تصاویر رینگ شکل دارند توانایی تبدیل شدن آنها به تصاویر مستطیلی است .این امکان به وسیله تبدیل مختصات قطبی به کارتیزین ) (Hao Shen,2012در تصاویر انجام می شود. شکل .1تبدیل فضای قطبی به کارتزین چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 X = x + r cos ϴ Y = y + r sin ϴ تشخیص دایره و میزان انحراف از معیار : با توجه به این که سطح فیلتر روغن از چندین دایره داخلی با قطر های متفاوت تشکیل شده است نیاز است تا الگوریتم هایی یافت شود تا بدین منظور مورد استفاده قرار گیرند .جهت تشخیص قطر دوایر بلبورینگ خودرو از روش تیدیل هاف ( )Hao Shen,2012و برای رابط های اتصال الکتریکی از روش )Te-Hsiu Sun,2010( LSCاستفاده شده است. استفاده از تابع هاف به دلیل سادگی بیشتر در پیاده سازی در بیشتر مقاالت مورد استفاده قرار می گیرد. تشخیص عیوب ظاهری سطحی : زمانی که از سطح فیلتر روغن صحبت میکنیم دو سطح مد نظر است .سطح رویه و سطح رزوه میانی که که الگوریتم هایی که در ادامه معرفی خواهند شد در مقاالتی مورد بررسی قرار گرفته اند. یکی از متد های مورد بحث استفاده از روش Blob Anlysingاست که به کمک روش ( Hao Shen,2012))Te-Hsiu Sun,2010( connect component labalingمورد استفاده قرار می گیرد. متد دیگری نام دارد. در یک جهت که به نام که مورد استفاده قرار می گیرد (Hao Shen,2012)vertical projection این روش دیدی از تصویر می دهد که حاصل آن جمع پیکسل ها از تصویر است .به طور مثال جمع پیکسل ها به صورت عمودی vertical projectionو جمع پیکسل ها که به صورت افقی که با نام چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 Horizental projectionشناخته می شود. شکل .2محورهای تصاویر برای تشخیص عیوب ظاهری از روش اتسو( )Xiao-cui Yuan,2015به کمک آستانه گیری می توان استفاده کرد که یکی از روش های مرسوم در تشخیص عیوب ظاهری در سطوح فلزی است .همچنین روش دیگری که برای تشخیص عیوب ظاهری در سطوح فلزی مورد بررسی قرار گرفته است روش Yih-( NGSAD )Chin,2009است که به کمک نمایش سه بعدی نقاط کاندید عیب در سطح ، عمل تشخیص انجام می شود. یافته ها در فاز پیاده سازی محصول شش قسمت از سطح فیلتر روغن مورد بررسی قرار خواهد گرفت که در تصویر زیر مشخص شده است. شکل .3نمایش اجزاء فیلتر روغن خودرو پایگاه داده: با توجه به اینکه این عنوان پروژه متعلق به یکی از کمپانی های سازنده فیلتر روغن است لیستی از عیوب ظاهری به همراه یک عدد فیلتر روغن برای خودرو های سبک در اختیار قرار گرفت. چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 نورپردازی کاربردی و صنعتی: در تصویر برداری از فیلتر روغن با توجه به اینکه سطح آن استیل است از تابش نور قرمز کمک گرفته شده است تا باعث کاهش نویز حاصل از محیط شود . شکل .4خروجی تصویربرداری از فیلتر با اعمال نورپردازی اعمال الگوریتم لبه یابی: اعمال الگوریتم لبه یابی کنی ( )Cannyبا توجه به اینکه نویز در تصویر اصلی کاهش پیدا کرده است ،الگوریتم لبه یابی به خوبی انجام شده است. شکل.5لبه یابی تصویر خروجی مرحله قبل چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 محاسبه انحراف از معیار برای دایره ها: محاسبه انحراف از معیار به وسیله دو الگوریتم انجام شده است .در ابتدا یک الگوریتم تجربی را بررسی می کنیم و بعد به سراغ الگوریتم هاف خواهیم رفت. فلوچارت.1مراحل تشخیص انحراف از معیار دوایر موجود در فیلتر الگوریتم تجربی: در این روش میزان انحراف از دایره بودن به همراه شعاع و قطر هر دایره از تصویر باینری مشخص می شود . - 1تصویر فیلتر روغن پس از اعمال نور قرمز جهت کاهش نویز ،در تصویر نهایی از سطح فیلتر روغن حاصل می شود. - 2اعمال الگوریتم لبه یابی :جهت شناسایی دایره ها در تصویر از تکنیک لبه یابی در تصویر استفاده می شود .اعمال الگوریتم لبه یابی کنی باعث میشود تمامی دایره ها به صورت تصویر باینری مشخص شود. - 3پیمایش تصویر باینری در راستای افقی :جهت شناسایی خط حاصل از دایره ها نیاز است تمامی پیکسل ها را در راستای افقی پیمایش کنیم تا به اولین پیکسل 1برسیم .بعد از آن پیکسل وسط آن ناحیه مشخص می شود .در این شکل تمامی دایره ها در یک راستا قرار دارند و با پیمایش عمودی همان ستون میتوانیم دیگر دایره ها را شناسایی کنیم. - 4پیمایش تصویر در راستای عمودی :بعد از پیمایش تصویر در راستای افقی نیاز است در راستای عمودی نیز عمل پیمایش را همانند پیمایش افقی انجام دهیم. چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 -5محاسبه ارتفاع هر دایره ،پس از مشخص کردن نقاط هر دایره در راستای عمودی و افقی نیاز داریم تعداد پیکسل های هر ناحیه با اختالف بین آنها بدست آید. شکل .6محاسبه ارتفاع هر دایره در فیلتر تبدیل هاف دایره ای: یکی دیگر از الگوریتم های مورد بررسی ،الگوریتم تبدیل هاف دایره ای) (D. J. Kerbyson,1995است که جهت تشخیص دایره در تصویر مورد استفاده قرار می گیرد. چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 شکل .7هاف دایره ای و خروجی اعمال آن روی تصویر فیلتر روغن خودرو جدول .1مقایسه اعداد به دست آمده برای شعاع هر دایره بر اساس الگ وری شعاع بر اساس مکان قرارگیری شعاع بر اساس تم الگوریتم تجربی(افقی / دایره الگوریتم هاف های عمودی) مخت لف دایره خارجی 344 - 345 174*2 = 344 162*2 = 324 324 - 326 دایره نوار آب بندی 132*2 = 264 262 - 262 دایره سطح فلزی 40*2 = 80 82 - 84 دایره مرکزی شناسایی خط و خش در سطح فلزی فیلتر روغن: فلوچارت .2مراحل تشخیص خط و خش روی سطح فیلتر چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 -1تصویری از فیلتر روغن :به عنوان ورودی این قسمت از یک تصویر از قبل گرفته شده استفاده می کنیم. -2تبدیل فضای قطبی به کارتیزین :با اعمال تبدیل فضای دایره ای یا به عبارتی تبدیل فضای قطبی به کارتزین یا خطی ) (Hao Shen,2012می توانیم دید بهتری نسبت به عکس به دست بیاوریم و با اعمال روش زیر ایراد و عیوب سطحی مانند خط و خش را شناسایی کنیم . -3با اعمال یک دستور شرطی پیکسل هایی که از یک سطح بیشتر باشند می بایست به عنوان پیکسل یا ناحیه کاندید عیب شناسایی شود. -4پس از تبدیل تصویر دایره ای به خطی قادر خواهیم بود آن را به تصویر باینری تبدیل کنیم .پس از اعمال دستور تبدیل تصویر باینری نقاطی ک دارای پیکسل های روشنتر باشند ،پیکسل روشن یا 1خواهند شد و پیکسل های تیره به 0تبدیل می شوند. -5پس از باینری کردن تصویر ،آن پیکسل هایی که 7پیکسل مجاور آن ها پیکسل یک داشته باشند بیشترین احتمال وقوع عیب را دارند. شکل .8نمایش وجود ایراد موجود بر روی سطح فیلتر تصویر باال اعمال الگوریتم قطبی به کارتیزین را برای سطح فیلتر روغن نمایش می دهد و تصویر بعدی پس از اعمال الگوریتم تشخیص عیب ناحیه کاندید عیب ظاهری مشخص شده است. تشخیص عیوب در سطح رزوه میانی فیلتر روغن : چهارمین کنفرانس بین المللی مطالعات نوین در علوم کامپیوتر و فناوری اسفند ماه 1396 اطالعات International Conference new study on Computer and it Febrruary 2017 رزوه میانی فیلتر روغن با توجه به فرم ظاهری که دارد یکی از حساسترین قسمت های فیلتر روغن است .وجود شکستگی در فیلتر میانی می تواند یکی از اصلی ترین ایرادات ظاهری و فنی فیلتر روغن باشد. در این مرحله از روش vertical projectionکه حاصل جمع پیکسل های افقی و عمودی تصویر است استفاده می شود. - 1تصویر برداری از رزوه میانی می بایست از دو سمت رزوه باشد .به وسیله دو دوربین در دو سمت فیلتر از درون رزوه تصویر برداری میشود. -2ارائه یک روش نمایش تصویر به صورت آماری که vertical projectionنام دارد .در این پروژه از این الگوریتم استفاده می شود. شکل .9نمایش تشخیص عیوب موجود در رزوه تصویر فوق از سطح رزوه میانی فیلتر روغن گرفته شده است .ایرادات سطحی فیلتر روغن مانند شکستگی به وسیله الگوریتم vertical Projection بدست آمده است. بحث و نتیجه گیری: بحث های گفته شده در باال به این نکته اشاره دارند که سیستم های بینایی ماشین بر پایه هوش مصنوعی به کمک انسان ها آمده اند تا بتوانند مسائل سنتی را به شکل ساده تر و مدرن تر حل کنند. چهارمین کنفرانس بین المللی 1396 اسفند ماه مطالعات نوین در علوم کامپیوتر و فناوری اطالعات Febrruary 2017 International Conference new study on Computer and it حوزه صنعت یکی از پنجره هایی است که به روی بینایی ماشین باز شده است تا عمل کنترل کیفیت قطعات صنعتی قبل از خروج از محل ساخت با توجه به این که تا به حال پژوهشی بر روی عیوب.انجام شود الگوریتم های استفاده شده در، ظاهری فیلتر روغن انجام نشده بود قطعات مشابه مانند بلورینگ خودرو و یا سطوح استوانه ای و فلزی در این پژوهش سعی بر آن شد تا با بیان.مورد بررسی قرار گرفت الگوریتم هایی ساده و کارا به بهترین جواب برای حل مسئله پیش رو .دست یافت :منابع Xiao-cui Yuan a, Lu-shen Wu a,∗, Qingjin Peng(2015), An improved Otsu method using the weighted object variance for defect detection. Applied Surface Science 349 (2015) 472–484 Te-Hisiu Sun, Chun-Chieh Tseng,Min-Sheng Chen. Electic Contact inspection using machine Vision.Image and Vision Computer 28 (2010)890-901 Hao Shen ⇑, Shuxiao Li, Duoyu Gu, Hongxing Chang. Bearing defect inspection based on machine vision. Measurement 45 (2012) 719–733 Yih-Chih Chiou , Wei-Chen Li. Flaw detection of cylinrrical surfaces in PU-paching by using machine vision technique Walter Gander ,Gene H. Golub, Rolf Strebel. Least-Squares Fitting of Circles and Ellipses Anne Kaspers. Blob Detection. Biomedical Image Sciences Image Sciences Institute UMC Utrecht Nirbhar Neogi, Dusmanta K Mohanta and Pranab K Dutta(2014). Review of vision-based steel surface inspection systems. Neogi et al. EURASIP Journal on Image and Video Processing 2014, 2014:50 B.Suvdaa, J. Ahn, and J. Ko. Steel Surface Defects Detection and Classification. C. Robertson and R. B. Fisher(2001). Shape Recovery and Analysis of Large Screw Threads. 0-7695-0984-3/01 $10.00 0 2001 IEEE D. J. Kerbyson; T. J. Atherton. Fifth International Conference on Image Processing and its Applications, 1995