Снижение погрешности микроскопических измерений сквозных отверстий за счет оптимизации коэффициента относительного смещения порога при адаптивной бинаризации изображения

Видео-измерительные микроскопы (ВИМ) широко применяются в научных исследованиях и на производстве для контроля геометрии объектов сложной формы, однако результаты измерений на них сильно зависят от условий освещения и параметров обработки изображений. В работе исследуется влияние уровня нижней подсветки на выбор оптимального значения коэффициента относительного смещения порога относительно локального фона для адаптивной бинаризации изображений при измерении сквозных отверстий. Данный параметр был оптимизирован по критерию минимизации отклонения измеренного диаметра от эталонных данных, полученных на координатно-измерительной машине (КИМ, Carl Zeiss). После реализации обработки получаемых от микроскопа изображений и расчетов параметров полученных профилей окружностей было показано, что оптимальное значение коэффициента относительного смещения порога демонстрирует близкую к линейной зависимость от уровня нижней подсветки (30–85 в условных единицах ВИМ). На основании полученных данных была предложена методика автоматизации выбора коэффициента относительного смещения порога, снижающая влияние оператора на результаты измерений. Материалы статьи могут быть использованы для повышения воспроизводимости и снижения погрешности измерений в промышленных системах автоматизированного оптического контроля геометрии готовых изделий.

1. Зуйков А.А., Шулепов А.В. Повышение точности измерения малогабаритных отверстий с помощью измерительного микроскопа на основе цифровой обработки изображения. Вопросы электромеханики. Труды ВНИИЭМ. 2012;127(2):45–48. 

2. Shimizu Y., Chen L.-Ch., Kim D.W., et al. An insight into optical metrology in manufacturing. Measurement Science and Technology. 2021;32(4):042003. https://doi.org/10.1088/1361-6501/abc578

3. Makhesana M.A., Bagga P.J., Patel K.M., et al. Comparative analysis of different machine vision algorithms for tool wear measurement during machining. Journal of Intelligent Manufacturing. 2025;36(7):4567–4591. https://doi.org/10.1007/s10845-024-02467-3

4. Otsu N. A threshold selection method from gray-level histograms. Automatica. 1975;11:23–27.

5. Bradley D., Roth G. Adaptive thresholding using the integral image. Journal of Graphics Tools. 2007;12(2):13–21. https://doi.org/10.1080/2151237X.2007.10129236

6. Burger W., Burge M.J. Principles of Digital Image Processing: Core Algorithms. London: Springer; 2009. 332 p.

7. Canny J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986;PAMI-8(6):679–698. https://doi.org/10.1109/TPAMI.1986.4767851

8. Illingworth J., Kittler J. The adaptive Hough transform. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1987;PAMI-9(5):690–698. https://doi.org/10.1109/TPAMI.1987.4767964

9. Montgomery D.C., Peck E.A., Vining G.G. Introduction to Linear Regression Analysis. Hoboken: John Wiley & Sons; 2022. 144 p.

10. Wang Y., Peng M., Cheng X. A subpixel localization method based on edge diffraction. In: Conference on Optical Design and Testing III, Beijing, China. SPIE; 2007. P. 607–610.