雙目立體視覺在動車車身關鍵尺寸檢測中的應用

高金剛，劉智勇，張 爽，侯岱雙，劉孝峰

(1.長春工程學院 機電工程學院，長春 130012； 2.長春工業大學 機械工程學院，長春 130012；3.中車長春軌道客車股份有限公司 工業規劃發展部，長春 130012)

0 引言

隨著我國交通運輸制造業的不斷發展，針對其尺寸大、檢測項目多、車型變化多等現場檢測實際情況，企業往往依靠傳統測量工具，如鋼直尺、卷尺、盤尺等，所造成的測量精度與綜合誤差很大，無法滿足對動車(China Railway High-speed, CRH)車身關鍵尺寸形位公差的檢測精度要求；而傳統固定式三坐標機測量系統、室內定位系統(indoor-Global Position System, i-GPS)檢測系統[1]、激光跟蹤儀[2]或關節測量臂[3]則由于測量范圍小或存在檢測盲區所限制，無法完成動車車身關鍵尺寸在線檢測。由于機器視覺等非接觸檢測技術的發展，國內學者專門研究了立體視覺理論并將該技術運用于大型物體的在線實時測量[3-6]，但是實際應用于大型工件的檢測時精度不高。

基于以上所存在的現場實際檢測難題，本文提出了利用多目立體視覺原理與立體空間球檢測技術相結合的檢測原理，來檢測動車車身關鍵尺寸，即可以通過構建多個雙目立體視覺檢測子站，完成對動車車身關鍵尺寸位置的捕捉與定位，利用激光跟蹤儀并結合相關算法，對各個檢測子站進行全局標定，進而通過已完成全局標定的各個子站采集實驗數據，利用點空間距離公式，求得所需測量的關鍵尺寸。

1 檢測系統系統設計

如圖1所示，當前大多數動車制造企業，在動車車身關鍵尺寸檢測上，往往依靠傳統的測量工具，如鋼直尺、卷尺、游標卡尺等，測量結果精度不佳。為了有效檢測動車車身，適應其尺寸大、車型變化多、檢測項目多等特點，提出了利用多目立體視覺原理與立體空間球檢測技術相結合的檢測原理。

圖1 動車車身關鍵尺寸現場檢測

如圖2所示，為動車車身關鍵尺寸檢測流程。通過建立多個檢測單元子站，來達到檢測精度要求及目的。

圖2 動車車身關鍵尺寸檢測流程

圖3為動車整體車身各個關鍵尺寸的測量機構示意圖，圖4為各個雙目雙目電荷耦合裝置(Charge Coupled Device, CCD)視覺測量子站、標靶板與激光跟蹤儀間關系，其具體檢測步驟如下：利用棋盤格標定板對固定于支架上的一組(2只)CCD相機進行內外參數標定，形成雙目CCD相機檢測子系統。雙目CCD相機檢測子系統同時拍攝位于公共有效視野內且在固定位置安裝有直徑為20 mm的3個高精度標準小鋼球的標靶板，則這3個小鋼球在雙目CCD相機檢測子系統坐標系下的球心空間坐標信息分別為：A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)該3點在雙目CCD相機檢測子系統坐標系下確定一個空間平面。再利用激光跟蹤儀上的直徑為20 mm的標靶球分別替換標靶板上的該3個點位置(A、B、C3點)，采集到該3個點相對應于激光跟蹤儀系統自身所建立的坐標系為世界坐標系的標靶球球心空間坐標信息分別為A(X1′,Y1′,Z1′)，B(X2′,Y2′,Z2′)，C(X3′,Y3′,Z3′)也同樣確定一個空間平面。利用雙目CCD相機檢測子系統所采集到小鋼球球心空間坐標信息和標靶球球心空間坐標信息，可以獲得任意雙目CCD相機檢測子系統與激光跟蹤儀系統自身所建立坐標系的世界坐標系的融合變換矩陣，見式(1)：

(1)

其中R變量可以通過改變標靶板的角度，采集若干組點的空間坐標信息來獲得。利用融合變換矩陣Hi將雙目CCD相機檢測子系統坐標系變換至世界坐標系中，同時將雙目CCD相機檢測子系統坐標系下所采集到的點的空間坐標信息通過融合變換矩陣Hi實時轉換到世界坐標系中。同理，利用多個雙目CCD相機檢測子系統采集獲取關鍵點空間坐標信息，通過相關距離坐標公式得到車身寬度、長度、對角線差、枕梁孔位置度、車身主梁等高、兩側門對角線差等測量模塊信息。如檢測車身輪廓寬度尺寸測量模塊，利用CCD相機1、CCD相機2所組成的第一檢測子系統以及CCD相機3、CCD相機4所組成的第二檢測子系統，分別利用這兩個檢測子系統采集并提取位于邊梁及端梁處的兩個特征點的空間坐標信息，該兩點空間坐標信息分別為A(X1,Y1,Z1) ，B(X2,Y2,Z2) ，該兩點將通過融合變換矩陣H1和H2實時轉換到世界坐標系中的空間坐標分別為 (X1′,Y1′,Z1′) ， (X2′,Y2′,Z2′)。

圖3 檢測系統示意圖

圖4 雙目CCD相機、標靶板與激光跟蹤儀間關系

圖5為動車車身關鍵尺寸測量的示意圖，包括車身寬度、長度、對角線差測量，枕梁孔位置度測量(長度、寬度和對角線差等)，車身主梁等高值及兩側門口對角線差測量等。

圖5 動車車身關鍵尺寸測量

2 雙目立體視覺標定技術

空間球心檢測提取是基于雙目立體視覺實現的。雙目立體視覺是利用了空間前方交匯三角法實現測量的，即通過雙目CCD相機所構成的圖像平面及目標待測物之間構成一個空間三角形。通過標定板進行CCD相機離線標定，獲取兩個CCD相機內外參數以及兩者之間的空間位姿關系，進而根據球心檢測數學模型，推導出目標物體球心的空間坐標位置。

2.1 空間球檢測模型

在空間雙目立體視覺的三維測量原理基礎上[7-8]，本系統著重構建一個球心檢測數學分析模型，如圖6所示，設左側CCD相機O-xyz位于世界坐標系原點，且沒有發生旋轉，圖像坐標系為O1-X1Y1，有效焦距為f1；右側CCD相機坐標系為Or-XrYrZr，圖像坐標系為Or-XrYr，有效焦距為fr，根據左右CCD相機所標定的內外參數，結合相關算法，便可以求出立體空間球體的球心坐標[9]。

只要確定了空間球球心位置及對應的半徑，球體空間位置就可以唯一確定了。雙目立體視覺系統中，球面在雙目CCD像面上的投影，根據上面原理，可分別確定兩個視錐曲面。

如圖6所示，兩個視錐主軸n、n′的交匯點，構成了球心Pc。設雙目CCD相機之間的相對位移為(R，T)，則有：

(4)

(5)

式(5)的解為:

(6)

(7)

式(7)為在第1個視點下球心的坐標。根據上面的推導過程，可知球半徑的表達式為：

(8)

經式(7)、(8)聯立，可得到空間球心位置和半徑，便可唯一確定空間球面的位置[10]。

圖6 立體球心檢測數學模型

2.2 立體空間球檢測

立體空間球檢測步驟包括了雙目立體視覺標定及目標圖像球心獲取等步驟，具體如下：

如圖7所示，本實驗采用兩臺大恒MER-040-60UM/UC型號的工業CCD相機及自制標靶板來進行空間球心坐標的提取。首先分別利用雙目CCD對100 mm×100 mm的標定板進行拍攝，如圖8所示，至少需要拍攝15組不同位姿的標定板圖片，通過相機畸變矯正及相應的圖像處理，利用HALCON雙目標定程序處理，可得到如表1所示的標定結果。

圖7 雙目標定架結構

圖8 CCD標定板圖像

在完成對雙目CCD相機參數標定之后，在雙目視野允許范圍以內的任意位置放置三個標靶球，如圖9所示，采集多組標靶球圖片。為了避免背景陰影區域及人為因素對本實驗結果造成干擾，需將標靶球噴上白漆，借助黑色背景，計算機將自動采集相關圖像，使得捕捉到的圖片沒有陰影區域，便于后期圖像處理。如圖9所示，通過拍攝若干組球圖像，利用空間球檢測模型，可以有效獲取關鍵點球心的三維坐標，如表2所示，進而可以求得球心之間距離，即可以通過立體空間球檢測技術，在動車車身關鍵尺寸檢測中獲取目標點的三維空間坐標，并通過各個子站之間構建全局標定模型，進而求得各個位置度的結果值，實現對動車車身關鍵尺寸的檢測。

圖9 標定球圖像獲取

相機參數左側Left右側Right焦距f/mm0.021190.020190扭曲系數K/mm-2-165.60100-371.973000中心點x坐標cx/mm372.84500357.295000中心點y坐標cy/mm228.27600254.116000x向兩像素間距sx/mm1.478071.482230y向兩像素間距sy/mm1.480001.480000

3 誤差補償分析

3.1 神經網絡誤差補償模型

小波神經網絡，是一種采用小波基函數為神經元的前饋網絡模型，它與常用的徑向基核函數(Radial Basis Function, RBF)神經網絡及BP(Back Propagation)神經網絡模型相比，在溫差補償方面，具備了收斂精度可控、收斂速度快、結構可設計等特點。而建立基于小波分析的三層神經網絡，即存在單隱含層的小波神經網絡模型，可實現對任意復雜非線性函數問題的有效補償，使得結果更逼近于目標值。具體模型構建思路如下：

根據設計實驗，在不同時間、不同溫度及光照條件下，連續利用雙目視覺，采集百余組實驗樣本，通過控制相關環境影響變量，來達到實驗數據樣本的采集目的；而后將這百余組樣本數據作為神經網絡的輸入值，經過模型自身的學習訓練，整理出適用于本實驗的神經網絡模型，即基于小波分析的神經網絡模型。其模型原理如圖10所示，其中m、n、l分別是對應的輸入層、隱含層、輸出層的節點個數。xi為輸入層的第i(i=1,2,…,m)個輸入樣本，yq為輸出層的第q(q=1,2,…,l)個輸出值，wqj為隱含層節點第j個與輸出層節點第q個(j=1,2,…,n)之間關系的權值，同樣的vji為輸入層節點第i個與隱含層節點第j個之間關系的權值，aj和bj則對應于第j個隱含層小波元的伸縮尺度及平移尺度。

小波神經網絡的輸入輸出間關系，如式(9)[11-13]所示：

(9)

圖10 小波神經網絡模型結構

為了進一步驗證模型現場實際使用時的適應性及魯棒性，通過對連續若干天時間內，同一個地方不同時刻相同溫度下(25℃)進行數據采集，求取該溫度下的兩個球(球1，球2)之間的立體空間距離，將其平均值設定為目標值，即此溫度下的兩點之間的距離為46.866 mm。所有測得的實際值，均應通過神經網絡誤差補償模型，向目標值逼近。

3.2 神經網絡誤差補償分析

為了驗證本文所提出的算法的合理性及可行性，以及論證基于小波分析的神經網絡誤差補償模型的穩定性及效果，設計了實驗進行驗證，為此隨機抽取若干組不同溫度下所測得的雙目立體視覺下的值與三坐標測量機下所測得的值，通過神經網絡誤差補償模型，進一步降低由于環境變化所帶來的影響。將實驗影響因素溫度、時間、補償前的兩球心距離作為神經網絡的輸入變量，輸入量為補償后的兩球心之間的距離。其溫度誤差補償曲線見圖11，具體的基于小波分析的神經網絡誤差補償結果對比見表2。

圖11 溫度誤差補償數據線

如圖11所示，數據線1為數據原始線，數據線2為理論線，數據線3為補償后的線，根據數據線結果可以分析，原始線較理想化線而言，偏差很大，穩定性低，而基于溫度的誤差補償模型，則使得結果更偏向于理想化狀態下的數據。在表2中，通過三坐標機測得的兩球之間的數據為46.866 mm，以此作為標準數據；在不同的時間和溫度下，測得的兩球之間的距離差值為0.22 mm，這些是由于機構溫差變形等系統誤差引起的，不可避免。本文中通過基于小波分析的神經網絡建立的誤差補償模型，可以有效地對立體空間球心之間的三維距離進行誤差補償，從表2中可看出補償后距離差值為0.073 8 mm，補償后距離的精度小于0.05 mm，使得本文的技術方法更貼近現場實際測量要求，增強了現場環境適應性。

表2 基于小波神經網絡誤差補償結果對比

4 結語

提出了大型動車車身關鍵尺寸的測量方案，利用雙目立體視覺進行實驗圖像采集，其次經過一系列圖像處理及兩次標定，建立了各個測量子站，同時利用激光跟蹤儀及相關算法，完成對各個CCD相機子站的全局標定；各個測量子站利用立體空間球檢測技術，對局部關鍵尺寸進行測量；同時構建了基于小波分析的神經網絡溫度誤差補償模型，使空間距離補償后的精度能達到0.05 mm。將本方法與三坐標測量機測得的數據對比驗證，該技術方法具有良好的現場適應性，同時通過基于小波分析的神經網絡誤差補償分析，提高了測量系統的精確度。

[12] 金靖,張忠鋼,王崢,等.基于RBF神經網絡的數字閉環光纖陀螺溫度誤差補償[J].光學精密工程,2008,16(2):235-240.(JIN J, ZHANG Z G, WANG Z, et al. Temperature error compensation for digital closed-loop fiber optic gyroscope based on RBF neural network [J]. Optics and Precision Engineering, 2008, 16(2): 235-240.)

[13] 孟彥京,汪寧,佟明,等.小波神經網絡在壓力傳感器溫度補償中的應用[J].陜西科技大學學報(自然科學版),2009,27(2):84-87.(MENG Y J, WANG N, TONG M, et al. Application of wavelet neural network in temperature compensation of pressure sensors [J]. Journal of Shaanxi University of Science and Technology (Natural Science Edition), 2009, 27(2): 84-87.)