Area based diameter measurement algorithm for ındustrial machine vision applications

Abstract

Measurements of serial production workpieces in the industry are performed by camera-controlled systems thanks to the advantage of speed. The measurement success of camera systems largely depends on the measurement algorithm and ambient conditions. Area-based approaches are not preferred in industrial machine vision applications due to the undesired environmental conditions. In this paper, an area-based diameter measurement algorithm that can be used in industrial machine vision applications is proposed. The success of the proposed method is demonstrated based on the sub-computation metric. In the proposed method, firstly, the noise on the obtained image is cleaned according to the connected component analysis. Then, the inner and outer diameters of the largest component are determined according to the area calculation. In the designed experimental setup, a back lighting illumination has been preferred. According to 3 different positioning types in the field of view of the camera, a total of 40 stamps of 4 types were measured 20 times with 3 different lenses. According to the test results, it has been observed that the position of the part on the field of view greatly affects the repeatability measurements. Also, sub-computation metric (C) is measured 2 in random positioning. This value increases up to 5 in the limited positioning that meets the industrial conditions. Tests have shown that the proposed method can measure the diameters of workpieces with precise tolerances in an industrial setting.

Keywords

• Image Processing
• Diameter Measurement
• Camera
• O-ring
• Sensitivity

Endüstriyel makine görmesi uygulamalarında kullanılabilecek alan tabanlı çap ölçüm algoritması

Öz

Pul tipli seri üretim parçalarının çap kontrollerinde hız avantajı sayesinde kameralı sistemler tercih edilmektedir. Bu sistemlerin başarısı kullanılan görüntü işleme algoritmasına ve ortam şartlarına bağlıdır. Ortam şartlarının elverişli olmaması sebebiyle alan tabanlı yaklaşımlar endüstriyel makine görmesi uygulamalarında tercih edilmemektedir. Bu makalede endüstriyel makine görmesi uygulamalarında kullanılabilecek sanayi şartlarına dayanıklı alan tabanlı bir çap ölçüm algoritması önerilmiştir. Önerilen yöntemin başarısı, alt hesaplama metriği baz alınarak gösterilmiştir. Önerilen yöntemde ilk olarak elde edilen görüntünün üzerindeki gürültüler bağlı bileşen analizine göre temizlenir. Ardından elde edilen en büyük bileşenden iç ve dış bölgeler belirlenerek çaplar alan hesabına göre bulunur. Tasarlanan deney düzeneğinde lensleri değişebilen bir kameranın alt tarafına yüzeysel bir aydınlatma cihazı yerleştirilmiştir. Kameranın görüş alanında 3 farklı konumlama tipine göre toplamda 4 türden 40 adet pul, 3 farklı lens ile 20’şer defa ölçülmüştür. Deney sonuçlarına göre parçanın kamera altındaki konumunun tekrarlanabilirlik ölçümlerine büyük ölçüde etki ettiği gözlemlenmiştir. Rastgele konumlamada alt hesaplama metriğinin (C) 2 olduğu gözlemlenmiştir. Endüstriyel şartları sağlayan sınırlı konumlamada ise bu değerin 5’e kadar çıktığı tespit edilmiştir. Yapılan testler, önerilen yöntemin hassas toleransa sahip iş parçalarının çaplarının endüstriyel ortamda ölçülebileceğini göstermiştir.

Anahtar Kelimeler

• Görüntü İşleme
• Çap Ölçümü
• Kamera
• Pul
• Hassasiyet

References

1. E.N. Malamas, E.G. Petrakis, M. Zervakis, L. Petit, andJ. D. Legat, A survey on industrial vision systems, applications and tools. Image and vision computing, 21(2), 171-188, 2003. https://doi.org/10.1016/S0262-8856(02)00152-X
2. F. Öztürk, M. H. Baş, and S. Kılıç Malzemelerde sünekliğin görüntü işleme yöntemiyle ölçülmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 2(2), 34-42, 2013. https://doi.org/10.28948/ng umuh.239380
3. H. Bal, Kamera ile görüntü işleme teknikleriyle malzeme tane büyüklüğü analizi. Yüksek Lisans Tezi. Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye, 2006.
4. D. K. Moru, and D. Borro, A machine vision algorithm for quality control inspection of gears. The International Journal of Advanced Manufacturing Technology, 106(1), 2020. https://doi.org/10.1007/s0 0170-019-04426-2
5. G. Wei, and Q. Tan, Measurement of shaft diameters by machine vision. Applied optics, 50(19), 3246-3253, 2011. https://doi.org/10.1364/AO.50.003246
6. M. Eldessouki, S. Ibrahim, and J. Militky, A dynamic and robust image processing based method for measuring the yarn diameter and its variation. Textile Research Journal, 84(18), 1948-1960, 2014. https://doi .org/10.1177/0040517514530032
7. Q. Chunyang, Z. Liping, and L. Tao, Study on inner diameter measurement of cannon barrel based on image processing. First International Conference on Instrumentation, Measurement, Computer, Communi cation and Control pp. 280-282, 2011. IEEE. https://doi.org/10.1109/IMCCC.2011.77
8. R.B. Bayram ve E. Yılmaz, Gömülü sistem tabanlı bir hatalı ürün tespit sistemi. Uludağ University Journal of The Faculty of Engineering, 24(1), 391-400, 2019. https://doi.org/10.17482/uumfd.525696

9. A.R. Telepatil and S. A. Patil, Parameter estimation of metal blooms using image processing techniques. International Journal of Innovative Research in Science, Engineering and Technology, 2, 3500-3507, 2013.
10. O. Cömert, M. Hekim, and A.D.E.M. Kemal, Weight and Diameter Estimation Using Image Processing and Machine Learning Techniques on Apple Images. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(3), 147-154, 2017. https://doi.org/10.29137 /umagd.350588
11. S. Abd Kadhum, T.H. Obaida, and H.N. Zugair, Image Processing Techniques for Measuring Diameter Tomato Vegetable Using MATLAB Applications. Asian Journal of Information Technology, 18(1), 28-36, 2019. https://doi.org/10.36478/ajit.2019.28.36
12. M. Heydari, R. Amirfattahi, B. Nazari, and A. Bastani, Iron ore green pellet diameter measurement by using of image processing techniques. 21st Iranian Conference on Electrical Engineering (ICEE) pp. 1-6, 2013. https://doi.org/10.1109/IranianCEE.2013.6599563
13. J.H. Shim, and T.H. Nam, Machine vision based automatic measurement algorithm of concentricity for large size mechanical parts. In Journal of Physics: Conference Series (Vol. 806, No. 1, p. 012002). 2017. https://doi.org/10.1088/1742-6596/806/1/012002
14. Q. Tan, Y. Kou, J. Miao, S. Liu, and B. Chai, A Model of Diameter Measurement Based on the Machine Vision. Symmetry, 13(2), 187, 2021. https://doi.org /10.3390/sym13020187
15. H. Haibing, X. Zheng, J. Yin, and Y. Wang, Research on O-ring Dimension Measurement Algorithm Based on Cubic Spline Interpolation. Applied Sciences, 11(8), 3716, 2021. https://doi.org/10.3390/app11083716
16. X. Xie, S. Ge, M. Xie, F. Hu, and N. Jiang, An improved industrial sub-pixel edge detection algorithm based on coarse and precise location. Journal of Ambient Intelligence and Humanized Computing, 11(5), 2061-2070, 2020. https://doi.org/10.1007/s126 52-019-01232-2
17. X. Yan, G. Jing, M. Cao, C. Zhang, Y. Liu, and X. Wang, Research of Sub-Pixel Inner Diameter Measurement of Workpiece Based on OpenCV. International Conference on Robots & Intelligent System (ICRIS) pp. 370-373, 2018. https://doi.org /10.1109/ICRIS.2018.00098
18. Haibing H, Zheng X, Yin J, Wang Y, Research on O-ring Dimension Measurement Algorithm Based on Cubic Spline Interpolation. Applied Sciences 11.8 2021. https://doi.org/10.3390/app11083716
19. W. Liu, X. Yang, H. Sun, X. Yang, X. Yu and H. Gao, A novel subpixel circle detection method based on the blurred edge model. IEEE Transactions on Instrumentation and Measurement 71 pp.1-11 2021. https://doi.org/10.1109/TIM.2021.3130924