基于機(jī)器視覺(jué)的手機(jī)轉(zhuǎn)接口尺寸及管腳數(shù)量的測(cè)量

陳寶華，王 軍，張 皓,吳泉英

(1.蘇州科技大學(xué) 數(shù)理學(xué)院，江蘇 蘇州 215009；2.蘇州科技大學(xué)天平學(xué)院，江蘇 蘇州 215009)

基于機(jī)器視覺(jué)的手機(jī)轉(zhuǎn)接口尺寸及管腳數(shù)量的測(cè)量

陳寶華1,2，王 軍1,2，張 皓1,2,吳泉英1,2

(1.蘇州科技大學(xué) 數(shù)理學(xué)院，江蘇 蘇州 215009；2.蘇州科技大學(xué)天平學(xué)院，江蘇 蘇州 215009)

基于機(jī)器視覺(jué)原理實(shí)現(xiàn)對(duì)手機(jī)轉(zhuǎn)接口尺寸及管腳數(shù)量的非接觸式測(cè)量. 采用光源、遠(yuǎn)心鏡和CCD相機(jī)搭建檢測(cè)裝置，獲取手機(jī)轉(zhuǎn)接口的圖像數(shù)據(jù)，并利用圖像邊緣檢測(cè)技術(shù)實(shí)現(xiàn)特征輪廓的提取，獲得較為準(zhǔn)確的轉(zhuǎn)接口尺寸和管腳數(shù)量.

長(zhǎng)度測(cè)量；機(jī)器視覺(jué)；邊緣檢測(cè)

機(jī)器視覺(jué)是能自動(dòng)獲取1幅或多幅目標(biāo)物體圖像[1-2]，對(duì)所獲取圖像的各種特征量進(jìn)行處理、分析和測(cè)量，并對(duì)測(cè)量結(jié)果做出定性分析和定量解釋?zhuān)瑥亩玫接嘘P(guān)目標(biāo)物體的某種認(rèn)識(shí)并做出相應(yīng)決策的系統(tǒng)，具有非接觸、實(shí)時(shí)性、速度快、精度合適、現(xiàn)場(chǎng)抗干擾能力強(qiáng)等優(yōu)點(diǎn). 以生活中手機(jī)轉(zhuǎn)接口為例，基于機(jī)器視覺(jué)原理實(shí)現(xiàn)對(duì)手機(jī)轉(zhuǎn)接口尺寸及PIN數(shù)量的非接觸式測(cè)量. 實(shí)驗(yàn)涉及光源、遠(yuǎn)心鏡、CCD相機(jī)和圖像邊緣檢測(cè)技術(shù)，配合搭建的實(shí)驗(yàn)裝置，獲得畸變小、特征對(duì)比度明顯的手機(jī)轉(zhuǎn)接口圖像，運(yùn)用2種差分方法梯度法和羅伯茨(Roberts)算子成功提取尺寸邊緣及PIN特征，得出具體數(shù)據(jù). 此裝置易于實(shí)現(xiàn)，操作方便，可增加大學(xué)物理實(shí)驗(yàn)長(zhǎng)度的非接觸式測(cè)量方法，提高大學(xué)生的學(xué)習(xí)興趣，提升學(xué)生的動(dòng)手能力，并與現(xiàn)代工業(yè)自動(dòng)化接軌[3].

1 檢測(cè)系統(tǒng)工作原理

基于機(jī)器視覺(jué)的手機(jī)轉(zhuǎn)接口尺寸及PIN數(shù)量測(cè)量系統(tǒng)主要由光源、遠(yuǎn)心鏡、CCD相機(jī)和計(jì)算機(jī)構(gòu)成[4-5]，如圖1所示. 待測(cè)轉(zhuǎn)接口置于定焦遠(yuǎn)心鏡頭的工作距離處，同時(shí)光源以特定顏色、一定角度照亮轉(zhuǎn)接口表面，以此突出輪廓對(duì)比度；CCD相機(jī)獲得遠(yuǎn)心鏡所成轉(zhuǎn)接口的完整像，像盡量鋪滿(mǎn)相機(jī)的整個(gè)視場(chǎng). 圖像邊緣檢測(cè)技術(shù)：利用梯度法和羅伯茨(Roberts)算子提取圖像的邊緣特征，選擇合適的灰度閾值，排除其他信息的干擾，得出特征圖像像素?cái)?shù)據(jù). 經(jīng)過(guò)像素標(biāo)定，利用每個(gè)像素與實(shí)際長(zhǎng)度之間的關(guān)系，獲得轉(zhuǎn)接口的具體尺寸.

圖1 系統(tǒng)工作原理圖

2 參量選取及邊緣檢測(cè)

不同的待測(cè)物體，其光源、鏡頭及相機(jī)參量都不同. 根據(jù)物體需測(cè)的特征來(lái)選取光源，對(duì)于具體尺寸或PIN數(shù)量的測(cè)量可選擇背光式外加環(huán)光式. 本文的手機(jī)轉(zhuǎn)接口尺寸寬度大致為7 mm，要求測(cè)量精度達(dá)到0.05 mm，由此可選擇靶面尺寸、像素合適的相機(jī)及極限放大倍率一致的遠(yuǎn)心鏡頭. 相機(jī)像素精度選型，如下式：

μ=lx/Px,

(1)

其中,lx為水平方向上相機(jī)滿(mǎn)視場(chǎng)的實(shí)際尺寸，Px為水平方向上的總像素，μ為每個(gè)像素代表的實(shí)際大小. 遠(yuǎn)心鏡頭具有放大或縮小像、景深大和畸變小的特點(diǎn). 在工業(yè)測(cè)量中，為了提高測(cè)量精度，要求待測(cè)物體的像盡量鋪滿(mǎn)相機(jī)的滿(mǎn)視場(chǎng)，因此選擇合適的放大倍率鏡頭尤為重要. 一般來(lái)說(shuō)，極限放大倍率為

β=Dx/Lx,

(2)

其中,Lx為實(shí)際待測(cè)物體尺寸，Dx為CCD靶面尺寸. 在實(shí)際測(cè)量中，要求選擇鏡頭的放大倍率接近于極限放大倍率.

通常，圖像的特征區(qū)域位于灰度突變處，可以用灰度差分提取. 對(duì)于手機(jī)轉(zhuǎn)接口，其邊緣和8個(gè)PIN管腳的提取可同時(shí)運(yùn)用梯度法和羅伯茨算子法. 計(jì)算機(jī)讀取的圖像實(shí)際上是二維的離散型數(shù)集，通過(guò)推廣二維連續(xù)型求函數(shù)偏導(dǎo)的方法，求得圖像的偏導(dǎo)數(shù)，選取灰度的銳化，即梯度法[6-7]. 圖像中f(x,y)點(diǎn)的梯度方向?yàn)榛叶戎礷(x,y)在這點(diǎn)變化率最大的方向，模G(f(x,y))為灰度值f(x,y)的最大變化率，為

{[(f(x,y)-f(x+1,y)]2+

[f(x,y)-f(x,y+1)]2}1/2.

(3)

從式(3)中可以看出，梯度法求得的是圖像的垂直和水平梯度，但有時(shí)也需要對(duì)角線(xiàn)方向上的梯度，即Roberts算子：

{[f(x,y)-f(x+1,y+1)]2+

[f(x,y+1)-f(x+1,y)]2}1/2.

(4)

由于該算子檢測(cè)的邊緣圖像常需做細(xì)化處理，因此可結(jié)合梯度法，更加精確定位邊緣特征[8].

3 實(shí)驗(yàn)裝置

實(shí)驗(yàn)測(cè)量裝置如圖2所示，由下至上分別為手機(jī)轉(zhuǎn)接口、環(huán)形白光源、遠(yuǎn)心鏡頭及工業(yè)CCD相機(jī). 裝置置于簡(jiǎn)易鐵架臺(tái)上，底端與光學(xué)平臺(tái)固定，鏡頭及相機(jī)用鐵夾子鎖定. 其中轉(zhuǎn)接口實(shí)際尺寸為6.650 mm，鏡頭放大倍率為0.5×，工作距為100 mm，CCD規(guī)格為1/3英寸，像素1 280×980，并在測(cè)量之前以標(biāo)定板進(jìn)行實(shí)際標(biāo)定，消除畸變. 經(jīng)過(guò)計(jì)算，每個(gè)像素代表的實(shí)際尺寸為0.008 4 mm，滿(mǎn)足精度及視場(chǎng)要求. 圖3為手機(jī)轉(zhuǎn)接口. 圖4為成像圖，從圖4中可看出，轉(zhuǎn)接口的像輪廓較為清晰，中間8個(gè)PIN管腳對(duì)比度明顯，說(shuō)明光源亮度及位置正確. 轉(zhuǎn)接口像鋪滿(mǎn)相機(jī)的大半個(gè)視場(chǎng)，利于后續(xù)的精確檢測(cè).

圖2 實(shí)驗(yàn)裝置

圖3 轉(zhuǎn)接口

圖4 成像圖

為測(cè)量轉(zhuǎn)接口水平方向上的尺寸，需要選定測(cè)量區(qū)域，如圖5(a)所示. 利用梯度法對(duì)整個(gè)圖像進(jìn)行梯度銳化，提取特征邊緣. 首先設(shè)定閾值為2，梯度值大于2的像素點(diǎn)為黑色，其余為白色. 從圖5(b)中可看出，梯度銳化后，轉(zhuǎn)接口圖像的邊緣及上部8個(gè)PIN管腳與周?chē)谋尘盎叶戎祵?duì)比尤為強(qiáng)烈，效果很好，但同時(shí)周?chē)渤霈F(xiàn)噪點(diǎn). 圖5(c)為邊緣區(qū)域的灰度圖，從圖中可直接看出2個(gè)分界處的像素灰度值突變明顯，兩側(cè)部分較為平緩，中心部分突出，經(jīng)算法提取，之間的像素寬度為798. 因此，根據(jù)標(biāo)定的像素寬度，得出轉(zhuǎn)接口水平尺寸6.699 mm，相比于原始數(shù)據(jù)6.650 mm，偏差0.049 mm. 圖5(d)為邊緣選取后的圖像，其中綠色劃線(xiàn)為轉(zhuǎn)接口邊緣.

(a)邊緣區(qū)域

(b)梯度法銳化

(c)邊緣灰度圖

(d)邊緣提取 圖5 邊緣尺寸處理圖

接下來(lái)選定另一待測(cè)區(qū)域，測(cè)PIN管腳的數(shù)量. 同樣進(jìn)行梯度銳化，從圖6(b)中可看出銳化后的圖像存在很多雜散灰度干擾，中心處尤為明顯，并且輪廓不清晰，影響判別. 圖6(c)為中心灰度圖，通過(guò)擬合才能獲得8個(gè)主要峰值，周?chē)肼曒^多，灰度值分布不均勻，因此需要進(jìn)一步處理. 如圖6(d)所示，選用Roberts算子對(duì)銳化后的圖像重新提取特征，閾值為1，以對(duì)角線(xiàn)方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣，過(guò)濾噪點(diǎn). Roberts算子銳化后，PIN管腳的邊緣尤為清晰，對(duì)比度明顯. 進(jìn)一步過(guò)濾面積較小的斑點(diǎn)，可獲得PIN管腳的數(shù)量為8個(gè)，用矩形框顯現(xiàn)出來(lái)，如圖6(e)所示.

為減少誤差，提高檢測(cè)精度，接下來(lái)拍取10幅圖像進(jìn)行測(cè)量，以平均值作為實(shí)際測(cè)量尺寸，見(jiàn)表1. 從表1可看出，隨著測(cè)量次數(shù)的增多，平均測(cè)量尺寸與實(shí)際尺寸越發(fā)接近，相對(duì)偏差在0.02%左右. 但第5次測(cè)量結(jié)果6.566 mm和第7次測(cè)量結(jié)果6.728 mm與實(shí)際尺寸6.650 mm偏差較大，最大相對(duì)偏差達(dá)到1.2%，其原因可能在于兩方面：一是震動(dòng)引起拍攝角度的變化，導(dǎo)致測(cè)量的像素寬度出現(xiàn)誤差；二是相機(jī)對(duì)焦時(shí)，出現(xiàn)曝光延遲，采集圖像的對(duì)比度低于或高于其他圖像，計(jì)算出的像素寬度有偏差. 而對(duì)于PIN腳數(shù)量的檢測(cè)則極為精確，正確率高達(dá)100%，原因可能在于2種梯度算法的完美結(jié)合，邊緣提取準(zhǔn)確率高，或者是測(cè)量的要求不同，前者需測(cè)像素寬度，后者測(cè)量個(gè)數(shù)，精度要求不高.

(a)中心區(qū)域選取

(c)中心灰度圖

(d)Roberts銳化

(e)結(jié)果顯示圖6 圖像處理圖

表1 平均測(cè)量數(shù)據(jù)

上述圖像處理基于Matlab實(shí)現(xiàn)，較好地完成手機(jī)轉(zhuǎn)接口特征的測(cè)量. 在實(shí)際操作中，測(cè)量值與理論值可能存在較大誤差，原因如下：第一，光學(xué)平臺(tái)不穩(wěn)定，震動(dòng)過(guò)大，圖像采集模糊；第二，光源的選擇和入射位置不精確或錯(cuò)誤，采集圖像的特征對(duì)比度不明顯，特征提取的閾值不同，相同的程序不能運(yùn)用，影響計(jì)算機(jī)讀數(shù)；第三，鏡頭相機(jī)的選型不當(dāng)影響待測(cè)物體成像. 還有待測(cè)物體擺放位置等. 解決這些問(wèn)題的關(guān)鍵是各部分元件的選型及其之間配合準(zhǔn)確，加強(qiáng)外界環(huán)境的穩(wěn)定性，選擇合適的程序進(jìn)行處理，等等.

4 結(jié)束語(yǔ)

基于機(jī)器視覺(jué)原理實(shí)現(xiàn)對(duì)手機(jī)轉(zhuǎn)接口尺寸及PIN數(shù)量的測(cè)量，利用光源、遠(yuǎn)心鏡、CCD相機(jī)和圖像邊緣檢測(cè)技術(shù)，配合搭建的實(shí)驗(yàn)裝置，運(yùn)用2種差分方法梯度法和羅伯茨(Roberts)算子成功提取尺寸邊緣及PIN特征. 實(shí)驗(yàn)過(guò)程涉及光學(xué)成像知識(shí)、圖像處理方法等. 此裝置易于實(shí)現(xiàn)，操作方便，能夠多次測(cè)量求平均. 相比于傳統(tǒng)的長(zhǎng)度測(cè)量實(shí)驗(yàn)，此方法涉及的領(lǐng)域較寬，動(dòng)手能力要求更高，知識(shí)更為豐富，并且可與其他實(shí)驗(yàn)相結(jié)合，例如牛頓環(huán)和邁克耳孫干涉儀實(shí)驗(yàn)，以相機(jī)采集環(huán)狀條紋圖像，直接讀數(shù)和判別，拓寬領(lǐng)域，與現(xiàn)代工業(yè)自動(dòng)化接軌.

[1] Bogue R W. Machine vision theory, algorithms, practicalities [J]. Assembly Automation, 2005,25(3):58.

[2] Lahajnar F, Bernard R, Pernu? F, et al. Machine vision system for inspecting electric plates [J]. Computers in Industry, 2002,47(1):113-122.

[3] 王建中,黃林,唐一文. 基于LabVIEW機(jī)器視覺(jué)的邁克耳孫干涉儀實(shí)驗(yàn)[J]. 物理實(shí)驗(yàn), 2014，34(11):40-42.

[4] 雷良育,周曉軍,潘明清. 基于機(jī)器視覺(jué)的軸承內(nèi)外徑尺寸檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2005,36(3):131-134.

[5] 董玉廷. 機(jī)器視覺(jué)中工件輪廓精確提取方法的研究[D]. 重慶：重慶大學(xué),2013.

[6] 曹建秋,王華清,藍(lán)章禮. 一種動(dòng)態(tài)梯度算法圖像二值化邊緣提取[J]. 計(jì)算機(jī)與信息技術(shù), 2009(9):106-108.

[7] 馬宇飛. 基于梯度算子的圖像邊緣檢測(cè)算法研究[D]. 西安：西安電子科技大學(xué),2012.

[8] 王方超,張旻,宮麗美. 改進(jìn)的Roberts圖像邊緣檢測(cè)算法[J]. 探測(cè)與控制學(xué)報(bào),2016,38(2):88-92.

[責(zé)任編輯：任德香]

Measuring the size and the number of pins of mobile phone interface based on machine vision

CHEN Bao-hua1,2, WANG Jun1,2, ZHANG Hao1,2, WU Quan-ying1,2

(1. School of Mathematics and Physics， Suzhou University of Science and Technology, Suzhou 215009, China;2. Tianping College of Suzhou University of Science and Technology, Suzhou 215009, China)

A non-contact measurement method based on machine vision theory was proposed to realize the measurement of the size and the number of pins of mobile phone interface. A simple experimental apparatus was set up, which contained light source, telecentric lens and CCD camera. The image of the mobile phone interface was collected, the contour was extracted using edge detection technology. The accurate interface size and number of pins were obtained.

length measurment; machine vision; edge detection

2017-03-30；修改日期：2017-04-17

蘇州科技大學(xué)天平學(xué)院教育教學(xué)改革研究重點(diǎn)項(xiàng)目(No.2015TJGA-04)；江蘇省教育廳教學(xué)改革研究立項(xiàng)重點(diǎn)項(xiàng)目(No.2015JSJG058)；蘇州科技學(xué)院校級(jí)重點(diǎn)專(zhuān)業(yè)應(yīng)用物理學(xué)專(zhuān)業(yè)建設(shè)項(xiàng)目(No.2013ZYXZ-08);研究生科研創(chuàng)新計(jì)劃項(xiàng)目(No.KYLX15_1313)

陳寶華(1990-)，男，江蘇泰州人，蘇州科技大學(xué)數(shù)理學(xué)院實(shí)驗(yàn)師，碩士，從事光學(xué)設(shè)計(jì)與圖像信息處理方面的研究.

王 軍(1981-)，男，山東濟(jì)寧人，蘇州科技大學(xué)數(shù)理學(xué)院副教授，博士，主要從事物理實(shí)驗(yàn)教學(xué)和光學(xué)測(cè)量方面的研究.

TP242.62;TB921

A

1005-4642(2017)08-0006-04