Performing Precision Section Measurements of Aluminum Extrusion Profiles with Image Processing Technology

Abstract

In this study, profile cross-section measurements were made using non-contact measurement technology instead of contact measurements for quality control processes during production of aluminum extrusion profile manufacturers. Non-contact measurement techniques are in many ways more reliable than contact measurement methods. Non-contact measurement results are stable and do not vary depending on the person and the measuring device used. Due to incorrect measurements, production efficiency decreases, unnecessary time loss is experienced and operating cost increases. It is aimed to reduce these errors to minimum levels with non-contact measurements. A Canon EOS 400D Cmos camera was used to acquire the images and EFS 18-55mm as lens was used. Ring lighting, which is mostly preferred in image processing and measurement studies, was preferred as the lighting source. Thanks to this lighting source selection, homogeneous lighting is provided on the object to be imaged. A mechanical mechanism has been designed in order to perform a stable study regarding the subjects of camera-object distance being the same in all measurements, the positioning of the camera perpendicular to the object, and the equal light of the illumination source on the object. This mechanical mechanism is placed in a closed box to eliminate environmental lighting differences. After the images were acquired, filtering processes were performed and the noise in the image was removed. Then, edge determination processes were carried out with some operations. Edge lines are drawn using the contor feature. The desired cross sections were measured by doing some mathematical operations. It used reference objects whose dimensions are precisely known to perform pixel-mm conversions. The studies were carried out by working in the PyCharm application using the OpenCv library. After conducting the profile section measurements with non-contact measurement methods, the contact section measurement error margins and non-contact cross section measurement errors in literature studies were compared. The margin of error in the study is lower than the margin of error in contact measurement techniques performed with mechanical measuring devices.

Keywords

• Non-contact measurement
• Cross-section control
• Cross-section measurement
• Two-dimensional measurement
• Non-contact quality control

Alüminyum Ekstrüzyon Profillerinin Hassas Kesit Ölçümlerinin Görüntü İşleme Teknolojisi İle Gerçekleştirilmesi

Öz

Bu çalışmada, alüminyum ekstrüzyon profil üreticilerinin üretim sırasındaki kalite kontrol işlemleri için yapılan temaslı ölçümler yerine temassız ölçüm teknolojisi kullanılarak profil kesit ölçümleri yapılmıştır. Temassız ölçüm teknikleri bir çok yönüyle temaslı ölçüm yöntemlerinden daha güvenilirdirler. Temassız ölçüm sonuçları kişiye göre , kullanılan ölçü aletine göre değişiklik göstermeyip stabildir. Yanlış ölçümlerden dolayı üretim verimi düşmekte, gereksiz zaman kaybı yaşanmakta ve işletme maliyeti artmaktadır. Temassız ölçümlerle bu hataları minimum düşürmek hedeflenmiştir. Görüntüleri elde etmek için Canon EOS 400D Cmos kamera ve EFS 18-55 mm lens kullanılmıştır. Aydınlatma kaynağı olarak görüntü işleme ile ölçüm çalışmalarında çok tercih edilen ring aydınlatma tercih edilmiştir. Dikkat edilmesi gereken unsurların başında gelen kamera-nesne uzaklığının tüm ölçümlerde aynı olması, kameranın nesneye dik şekilde konumlandırılması, aydınlatma kaynağının cismin üzerine eşit ışık düşürmesi konuları ile ilgili stabil çalışmanın gerçekleştirilmesi için mekanik bir düzenek tasarlanmıştır. Çevresel aydınlatma farklılıklarını ortadan kaldırmak için bu mekanik düzenek kapalı bir kutu içerisini konulmuş. Görüntüler elde edildikten sonra filtreleme işlemleri gerçekleştirilip görüntüdeki gürültüler giderilmiştir. Ardından bir takım işlemlerle kenar belirleme işlemleri gerçekleştirilmiştir. Kontor özelliği kullanılarak kenar çizgileri çizdirilmiştir. Bazı matematiksel işlemler yapılarak istenilen kesitlerin ölçümleri gerçekleştirilmiştir. Piksel-mm dönüşümlerini gerçekleştirmek için ölçüleri kesin bilinen referans nesneler kullanmıştır. Çalışmalar OpenCv kütüphanesi kullanılarak PyCharm üzerinde gerçekleştirilmiştir.

Anahtar Kelimeler

• temassız ölçüm
• kesit kontrol
• kesit ölçümü
• iki boyutlu ölçme
• temassız kalite kontrol ölçümleri

References

1. Ilunga, J. C. M., & Mpoyi, D. K. (2019). Contrôle dimensionnel des pièces mécaniques sans contact basé sur la transformation Hough dans le traitement d'image. International Journal of Innovation and Applied Studies, 26(2), 426-432.
2. Li, Y. F., Han, X. X., & Li, S. Y. (2015, October). Non-contact dimension measurement of mechanical parts based on image processing. In 2015 8th International Congress on Image and Signal Processing (CISP) (pp. 974-978). IEEE.
3. Zhao, Z., Wu, D., & Zhang, L. (2018). Research on Measurement of Mechanical Parts Based on Vision. MS&E, 394(3), 032083.
4. Sofu, M. M., Er, O., Kayacan, M. C., & Cetişli, B. (2013). Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti. Gıda Teknolojileri Elektronik Dergisi, 8(1), 12-25.
5. Sabliov, C. M., Boldor, D., Keener, K. M., & Farkas, B. E. (2002). Image processing method to determine surface area and volume of axi-symmetric agricultural products. International Journal of Food Properties, 5(3), 641-653.
6. CÖMERT, O., HEKİM, M., & Kemal, A. D. E. M. (2017). Weight and Diameter Estimation Using Image Processing and Machine Learning Techniques on Apple Images. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(3), 147-154.
7. Osmanoğlu, U. Ö., Mutlu, F., Gürsoy, H., & ŞANLISOY, S. (2016). Görüntü işleme ve analizinin tıpta kullanımı ve bir uygulama. Osmangazi Tıp Dergisi, 41(1), 6-16.
8. Derganc, J., Likar, B., & Pernuš, F. (2003). A machine vision system for measuring the eccentricity of bearings. Computers in industry, 50(1), 103-111.

9. Salloom, M. Y. (2016). MACHINE VISION APPLICATION IN MANUFACTURING: INSPECTION OF DIMENSIONS. Iraqi journal of mechanical and material engineering, 16(3), 268-284.
10. Karunamoorthy, B., & Ramprabu, J. A Novel Method Of real Time Cloth Size Measurement Algorithm Based On Fpga Platform.
11. Ural, Ö., & Vural, T. (2020). Measurement Control of Ready-Made Garments with Image Analysis Methods. Journal of Textile & Apparel/Tekstil ve Konfeksiyon, 30(1).
12. Akdoğan, M. (2018). Karmaşık şekilli mamullerin görüntü işleme teknikleri kullanılarak gerçek zamanlı boyut kontrolü (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
13. Jawad, Huda M.& Husain, Tahseen. (2017). Measuring Object Dimensions and its Distances Based on Image Processing Technique by Analysis the Image Using Sony Camera.
14. GÜNEŞ, H., BURMABIYIK, A., KELEŞ, S., & AKDAŞ, D. GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI.
15. Li, B. (2018). Research on geometric dimension measurement system of shaft parts based on machine vision. EURASIP Journal on Image and Video Processing, 2018(1), 101.
16. Zhang, T., Luo, Y., Wang, X., & Wang, M. (2010, December). Machine vision technology for measurement of miniature parts in narrow space using borescope. In 2010 International Conference on Digital Manufacturing & Automation (Vol. 1, pp. 904-907). IEEE.
17. ÖZTÜRK, F., BAŞ, M. H., & KILIÇ, S. (2013). Malzemelerde Sünekliğin Görüntü İşleme Yöntemiyle Ölçülmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 2(2), 34-42.
18. Shetty, S. J. (2019). Vision-based inspection system employing computer vision & neural networks for detection of fractures in manufactured components. arXiv preprint arXiv:1901.08864.
19. Baygin, M., Karakose, M., Sarimaden, A., & Erhan, A. K. I. N. (2017, September). Machine vision based defect detection approach using image processing. In 2017 international artificial intelligence and data processing symposium (IDAP) (pp. 1-5). Ieee.
20. Baharatti Priya, Sudha. Image Processing Based Fault Detection and Isolation for Mechanical Components. International Journal of Engineering and Advanced Technology (IJEAT), 2019, 8.6S.