3.2 产品部件几何尺寸测量

##### [学习视频](https://b23.tv/IR9zNbv)

##### 学习目标：
- 理解机器视觉在几何尺寸测量中的基本原理，包括像素标定与边缘检测等核心概念。
- 掌握搭建尺寸测量系统所需的硬件选择方法，能够针对测量精度要求配置相机和镜头。
- 学习编写图像标定和测量的代码，实现对工件长度、孔径等尺寸的自动测量。

##### 任务成果：
- 能够完成视觉测量系统的标定步骤，获得像素与实际单位的转换系数。
- 使用边缘提取算法测量零件关键尺寸，并计算是否在公差范围内，输出判定结果。
- 归纳影响测量精度的因素（如成像畸变、像素分辨率、光照条件等），提出提高测量准确度的改进方案。

#### 3.2.1 场景破解

在工业生产中，精密零件的几何尺寸（如长、宽、高以及孔径）是否符合设计规格，是质量控制的关键之一。现在让我们来看一个典型场景——使用机器视觉对精密零件的长宽高和孔径进行测量。通过视觉检测系统，我们可以实现对零件尺寸的非接触快速测量，大幅提高效率和一致性。

![](/media/202505/OIP_1747362209.jpeg)

</center>

尺寸测量的核心挑战在于如何获取清晰、准确反映零件边缘的图像，并将图像中的像素距离转换为实际长度单位（毫米）。为此，我们需要解决拍摄中的对焦和光照问题，确保照片中零件边缘清晰可见；还需要引入"像素标定"，即确定图像中每个像素代表实际多长距离。只有完成标定，我们才能把像素测量值换算成实际毫米尺寸，判断零件是否在公差范围内。

```mermaid
flowchart LR
    A[待测零件] --> B[图像采集]
    B --> C[像素标定]
    C --> D{边缘提取}
    D -->|成功| E[尺寸计算]
    D -->|失败| F[调整光学参数]
    E --> G{尺寸判定}
    G -->|合格| H[通过检验]
    G -->|超出公差| I[标记不良]
```
<center>
  
![](/media/202505/mermaid_20250520_b624a1_1747714038.png)
</center>

![](/media/202505/下载%20(1)_1747362220.jpeg)

</center>

在上述流程中，首先对待测零件进行图像采集。如果采集的图像清晰，进入边缘提取环节；若边缘无法成功提取，则需要调整相机焦距、光照角度等光学参数重新拍摄。成功提取零件边缘后，我们利用标定得到的像素比例关系，将图像中的像素距离转换为实际毫米，并计算出零件的各项尺寸。最后，将测量结果与规格公差进行比较，判断零件尺寸是否合格，合格则通过，不合格则标记为不良品。

为了更直观地理解这一过程，我们可以将其类比为生活中的照片测量。想象你要测量一本书的宽度，却只能通过照片来估计。你可以在书旁边放一把刻度清晰的尺子一起拍照，这相当于提供了标定参考。拍照时要对焦准确、光线充足，以确保照片中书的边缘和尺子的刻度都清晰可辨。接着，你数一数书在照片中跨越了多少刻度（像素距离），结合尺子的实际刻度长度（像素与毫米的比值），换算出书的真实宽度，并判断是否符合你的预期。

```mermaid
flowchart LR
    X[书本 + 尺子] --> Y[拍照获取图像]
    Y --> Z{刻度清晰?}
    Z -->|是| M[测量像素长度]
    Z -->|否| N[调整拍摄重来]
    M --> O[换算实际尺寸]
    O --> P{符合预期?}
    P -->|是| Q[尺寸正确]
    P -->|否| R[需要重新调整]
```
<center>
  
![](/media/202505/mermaid_20250520_9575b5_1747714138.png)
</center>

<图片: 照片测量类比流程图>

通过这个比喻可以看出，无论是工业视觉测量还是日常照片测量，核心都是：**获取清晰有参考的图像**，然后**根据参考进行测量换算**。掌握了这两个要点，就为实现精密零件的视觉尺寸测量打下了基础。

#### 3.2.2 系统搭建

##### （1）硬件配置

要搭建一个尺寸测量的视觉系统，我们需要根据测量精度要求选择合适的硬件。首先，相机的分辨率需要足够高，以确保小尺寸差异也能体现在像素层面；镜头方面，尽量选择畸变小的定焦镜头（若要求极高精度，可考虑远心镜头，以减少视差影响）。光源则应提供均匀、稳定的照明。例如，针对平面零件的外形尺寸测量，可以使用**背光源**获得零件清晰的轮廓；对于带孔的零件，也可以采用背光使孔呈现黑色轮廓，方便测量直径。此外，在反光较强的金属零件上测量尺寸时，可考虑使用偏振片滤镜减少眩光对边缘检测的干扰。

在本项目中，我们的测量对象为一个中等大小的精密零件，包含若干通孔。经过讨论，我们拟定如下硬件方案：

1. **工业相机**：500万像素黑白相机，确保测量精度（每像素约对应0.01mm）。
2. **镜头**：25mm定焦镜头，畸变小，视野覆盖整个零件。
3. **光源**：高亮度LED背光源，在零件下方提供轮廓照明；同时顶部辅以环形光，避免零件表面反光影响边缘提取。
4. **滤镜**：在镜头前安装偏振滤光片（若零件表面反光明显，旋转偏振片角度以减弱高光区域）。
5. **安装平台**：铝合金框架固定相机与光源，保持相机光轴垂直于零件表面，减少透视畸变。

![](/media/202505/OIP%20(1)_1747362240.jpeg)

</center>

##### （2）设备调试步骤

硬件搭建完成后，我们按照以下步骤进行设备调试和图像采集：

1. **相机安装与对焦**：将相机固定在支架上方，使镜头光轴正对待测零件。调整相机高度和镜头焦距，使相机视野刚好覆盖整个零件并保证图像清晰。可借助对焦辅助工具或观察图像清晰度，直到零件边缘锐利分明。
   <图片: 零件对焦清晰示例图>
2. **光源调整**：开启背光源，使零件呈现黑色轮廓、背景高亮的图像效果；调节背光亮度，保证零件轮廓清晰且无过曝。然后打开环形顶光，微调角度和强度，让零件表面基本均匀受光但不过度影响边缘轮廓的对比度。如果有偏振片，缓慢旋转滤镜，观察图像上高光区域亮度变化，直到反光减少到最低。
   <图片: 背光与环形光组合照明效果图>
3. **像素标定**：在镜头和光源调整完成后，在视野中放入一个**已知尺寸**的标定物（例如一把刻度尺或标准长度块规）。采集一张带有标定物的图像，使用软件测量标定物在图像中的像素长度，并将其与实际物理长度对比计算出"毫米/像素"的换算比例。例如，如果尺子上10mm对应图像上1000像素，那么每像素代表0.01mm。记录此标定结果，作为后续尺寸计算的依据。

<center>
   <图片: 标定尺拍摄及像素标定示意图>
     
![](/media/202505/OIP%20(2)_1747362248.jpeg)

</center>   
5. **测试拍摄**：移除标定物，放置实际待测零件。采集测试图像并检查质量：

* 零件完整地出现在画面中，边缘清晰。
   * 背景光照均匀，无明显明暗不均。
   * 没有显著反光或阴影干扰测量区域。
   * 图像分辨率和对比度足以看清孔洞等细节。
     如果发现问题（如边缘模糊或局部过暗），可适当重新调整对焦或光源，然后再次采集图像。
   <图片: 高质量测试图像示例>
6. **安全检查**：确认设备布线和光源温度安全无误后，锁定相机和光源的位置，为批量测量做好准备。
7. **批量采集**：在上述参数固定的前提下，编写或使用相机采集程序，批量拍摄多张零件图像，以验证系统稳定性。若每张图像的清晰度和亮度一致，则说明硬件调试达标，可以进入软件测量阶段。
   
<center>
   <图片: 批量采集图像序列示例>

![](/media/202505/下载%20(2)_1747362255.jpeg)

</center>

完成上述步骤后，我们应该已经获得了一组高质量的零件图像，以及相应的像素标定系数。接下来，我们将把视觉信号转化为可分析的数字信息，进入软件算法的实现部分。

##### （3）软件开发与算法实现

在软件层面，我们需要编写算法读取图像并计算尺寸。主要流程为：**图像预处理 → 边缘提取 → 尺寸计算 → 结果输出**。  
我们可以利用OpenCV库来完成大部分工作。例如，使用Canny算子进行边缘检测，结合霍夫变换检测直线和圆以提取零件的边界和孔径，然后根据像素标定系数计算实际尺寸。下面给出了一个核心函数`measure_dimensions()`的示例代码，实现对输入图像的尺寸测量：

```python
import cv2
import numpy as np

def measure_dimensions(image_path, mm_per_pixel):
    """
    读取图像，提取零件轮廓和关键尺寸，并转换为实际毫米值。
    参数:
        image_path: 图像文件路径。
        mm_per_pixel: 每个像素对应的毫米长度(标定所得)。
    返回:
        dimensions: 包含测量结果的字典，例如{"width_mm": ..., "height_mm": ..., "hole_diameter_mm": ...}。
    """
    # 1. 读取图像并转换为灰度
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 2. 图像预处理：模糊去噪和二值化
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    _, binary = cv2.threshold(blurred, 128, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    <图片: 零件图像二值化效果图>
    # 3. 边缘提取：使用Canny算法
    edges = cv2.Canny(binary, 50, 150)
    <图片: Canny边缘检测效果图>
    # 4. 轮廓查找：找到所有轮廓
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    dimensions = {}
    if contours:
        # 假设最大轮廓为零件外边框
        main_contour = max(contours, key=cv2.contourArea)
        x, y, w, h = cv2.boundingRect(main_contour)
        # 计算长和宽（像素），转换为毫米
        dimensions["width_mm"] = round(w * mm_per_pixel, 3)
        dimensions["height_mm"] = round(h * mm_per_pixel, 3)
        # 寻找圆形孔的轮廓（假设孔比外形轮廓小）
        hole_contours = [cnt for cnt in contours if cnt is not main_contour]
        hole_diams = []
        for cnt in hole_contours:
            ((cx, cy), radius) = cv2.minEnclosingCircle(cnt)
            diameter_px = radius * 2
            hole_diams.append(round(diameter_px * mm_per_pixel, 3))
        if hole_diams:
            # 记录平均孔径或列表
            dimensions["hole_diameter_mm"] = hole_diams if len(hole_diams) > 1 else hole_diams[0]
    # 5. 返回测量结果
    return dimensions

# 示例使用
result = measure_dimensions("part_sample.jpg", mm_per_pixel=0.01)
print("测量结果:", result)
<图片: part_sample.jpg 示例 (用于尺寸测量)>
<图片: 零件尺寸自动测量与标注结果图>
```

![](/media/202505/OIP%20(5)_1747362293.jpeg)

![](/media/202505/OIP%20(6)_1747362297.jpeg)

</center>

上述代码首先对输入图像进行灰度转换和模糊，以降低噪声，然后用自适应阈值将图像二值化，使零件呈黑色、背景为白色（通过`THRESH_BINARY_INV`取反实现背光轮廓的正确呈现）。接着使用Canny算法获取边缘，再通过`findContours`获取轮廓列表。我们选取面积最大的轮廓作为零件的外边界，并用`boundingRect`简易计算零件的轴对齐边界框，从而得到零件的宽度和高度（像素）。乘以标定的毫米每像素系数，即可得到实际尺寸。同样，对于内部的孔，我们遍历其他较小轮廓，利用`minEnclosingCircle`求出每个轮廓的外接圆直径（像素），再换算成孔径毫米值。最后将结果组织成字典返回。

需要注意的是，以上算法假定零件在图像中与相机视角正交且没有明显旋转（宽高轴与图像边框对齐）。如果零件有角度偏转，我们可以改用`minAreaRect`获取最小外接矩形，以获得旋转情况下的长宽。此外，为了提高孔径测量的准确性，可以采用霍夫圆检测（`cv2.HoughCircles`）进行圆形检测，这在孔边缘模糊时可能更稳健。实际工程中，还可以通过亚像素边缘检测等高级技巧进一步提升测量精度。

#### 3.2.3 技能图谱

```mermaid
mindmap
  root((几何尺寸测量技能))
    (设备操作技能)
      [相机高分辨率选型]
      [镜头焦距与畸变控制]
      [光源均匀照明布置]
      [标定板/尺的使用]
    (图像处理技能)
      [阈值分割与二值化]
      [边缘提取（Canny算法）]
      [轮廓与形状分析]
      [霍夫直线/圆检测]
    (Python编程技能)
      [OpenCV图像读取与处理]
      [像素距离计算方法]
      [尺寸换算与单位转换]
      [结果数据记录与输出]
```
<center>
  
![](/media/202505/mermaid_20250520_844bae_1747715073.png)
</center>

<图片: 几何尺寸测量技能图谱>

上述技能图谱展示了完成尺寸测量所需的关键能力节点。在设备操作方面，要求我们能够合理**选择并调试相机和光学元件**，包括选择合适分辨率的相机、匹配低畸变镜头，以及设计均匀的照明方案。同时，我们需要掌握标定工具的使用方法，为视觉测量建立尺度基准。在图像处理方面，需要运用**阈值分割**将目标从背景中提取、使用**Canny算子**进行边缘检测、利用轮廓分析或霍夫变换提取感兴趣的几何形状（如直线边缘或圆孔）。最后，Python编程技能则保证我们能将上述算法融会贯通——使用OpenCV等库读取和处理图像，编写代码计算像素距离并换算实际尺寸，妥善组织测量结果数据并输出，为后续的判定或存储做好准备。

#### 3.2.4 典型应用

* **轴承零件外径与厚度测量**

* 利用背光成像获取轴承套圈的清晰轮廓。通过边缘检测获得外径轮廓，计算直径像素值，再根据标定系数换算出实际外径尺寸。
  * 对于厚度（高度）的检测，可结合双相机或激光传感器实现，此处主要关注平面内尺寸。
  * 典型应用于轴承套件生产中对套圈直径、公差进行100%在线测量，精度可达0.01mm。

* **冲压板材孔径和间距测量**

* 采用顶部环形光配合背光，既保证板材外形轮廓清晰，又使冲压孔内部不出现强反光。通过霍夫圆检测找到多个孔的像素直径，并计算孔中心位置坐标。
  * 进一步计算相邻孔中心之间的像素距离，以评估孔间距是否符合设计图纸要求，再换算成实际距离。
  * 广泛用于汽车钣金件、机械冲压件的孔位尺寸在线检查，替代人工抽检，提高效率。

* **电子连接器引脚间距测量**

* 放大镜头下获取连接器引脚的正面图像，利用高亮同轴光照明减少引脚阴影。通过图像二值化和形态学处理分离各引脚，然后计算相邻引脚边缘之间的像素距离。
  * 转换为实际间距，判断是否在允差范围内，可及时发现引脚弯曲、偏移等装配问题。
  * 常见于PCB板上排针、IC引脚的自动化检验，保障电子元件封装的一致性。

> 思考与练习：
>
> 1. 如果一个零件上有多个孔需要同时测量孔径，该如何在软件算法上实现对所有孔洞的尺寸识别？可以尝试设计遍历轮廓或基于形状特征分类的方法。
> 2. 当待测工件并非平放正对相机，而是有一定倾斜或旋转时，该如何处理才能保证测量准确？提示：可考虑引入图像校正（如透视变换）或在标定时包含角度因素。

3.2 产品部件几何尺寸测量

AI问答

输入

运行

输出