基于改進Otsu算法的游標卡尺縫隙檢測

胡道松,邱鵬程,周靜,李波

(中國地質大學(武漢)機械與電子信息學院，湖北武漢 430074)

0 前言

企業生產中，縫隙的檢測是至關重要的一環。國內外已廣泛使用各種機器人，利用機器視覺代替人眼，對工業產品進行檢測和判斷，因而研究基于圖像的精度檢測算法是其關鍵所在。視覺檢測技術具有非接觸、定制化、速度快等優點。工業中視覺檢測技術的實現是通過合理的設計和整合，對采集到的圖像進行處理、計算后得到特征數據，同時做出判斷，以達到自動檢測的目的。

國內研究者針對不同環境下的縫隙特征檢測提出了眾多算法和方案。孫佳興等提出了基于區域生長的縫隙提取辦法，但是此法僅適用于豎直縫隙提取。霍夫直線檢測具有較強的魯棒性和較高的精度，但是運算復雜度較高。張國福和王呈基于改進霍夫直線檢測算法檢測電梯門的縫隙，提出了限角概率霍夫直線檢測法，與標準的霍夫直線檢測算法相比，效率和準確度均有所提高，但是該算法主要是基于先驗知識的判斷規則，適應范圍較窄。楊帆提出基于改進亞像素邊緣檢測算法，實現了對縫跡特征的提取。TAO等基于YOLO目標檢測模型和圖像處理，實現了復雜環境開關間隙的提取。Canny變換是常用的邊緣檢測算法，也常用于縫隙檢測。李超等人基于Canny變換提出了開關間隙的自動檢測算法。XU等提出了基于自適應小波閾值和數學形態學的間隙檢測算法。針對縫隙特征，還可以將圖像進行分割，實現對縫隙特征的提取。董含提出基于超像素的圖像分割方法，但是面對復雜環境，該方法計算量較大，無法達到實時檢測的目的。鞏祎明提出優化的CRF-RNN語義分割模型，該算法適用性較廣，但是該模型的泛化能力和精度取決于數據集的制作。

上述研究存在的主要問題就是針對游標卡尺表面紋理清晰時，卡爪縫隙特征提取的自動化程度不高，容易出現針對紋理的誤檢情況，對于縫隙的提取存在一定限制。

本文作者基于上述文獻的縫隙提取思想，并在考慮游標卡尺表面復雜紋理對算法的干擾情況下，為檢測卡爪縫隙，提出一種新的機器視覺檢測技術方案，并建立相應的實驗裝置。

1 改進自適應閾值

對卡爪縫隙進行檢測時，首先應對圖像進行邊緣檢測，提取出縫隙的邊緣信息。傳統Canny算法是常用的邊緣檢測算法，其流程包含圖像去噪、計算梯度幅值和方向、非極大值抑制、雙閾值檢測和邊緣連接，其檢測效果與閾值的選擇關聯很大。除人工設定閾值，Otsu算法被作為尋找最佳閾值的一種常用方法。Otsu算法首先選取一個閾值，將圖像分為前景和背景兩部分，并計算兩區域的類間方差。類間方差的值越大，代表前景和背景的區別越大，則閾值分割的效果越好。類間方差的定義如下：

=(-)+(-)

(1)

式中:為類間方差；、分別為像素為前景或背景區域的概率；、、分別為前景、背景和全局平均灰度值。

Otsu算法對直方圖為明顯雙峰的圖像效果較好，但是對于目標像素點較少的圖像，閾值會嚴重偏向于像素占比大、類內方差大的背景區域，導致圖像分割效果較差。對于游標卡尺圖像，卡爪縫隙對于整個卡爪來說相對占比較小，因此利用Otsu算法作為閾值進行Canny邊緣檢測的效果較差。本文作者基于實際工況，提出一種基于四叉樹理論的改進Otsu算法。該算法的核心在于，在圖像中前景和背景占比不同時，通過對圖像進行分割，并利用圖像的灰度級直方圖的二階矩來描述圖像紋理的復雜度；選擇復雜度大的區域作為候選區域，通過迭代找到前景和背景占比接近的區域，并以此區域進行閾值計算，最終得到最佳閾值。該算法公式如下：

(2)

式中:、分別表示分段區域的行數和列數；表示待分段圖像；=0,1,…,;、、、表示分割后的4塊區域;表示灰度二階矩的最大值；表示圖像灰度級直方圖的二階矩，用來描述圖像紋理的復雜度，計算公式如下：

(3)

式中:表示灰度;()表示相應的直方圖;表示不同灰度級的數量；表示的均值。

圖1所示為本文作者改進的自適應閾值在目標像素點較少時Canny邊緣檢測算法的影響。

圖1 傳統Otsu算法和文中方法對比

由圖(a)(c)可以看出，因為縫隙在圖像中的占比較小，導致直方圖只顯示一個波峰，因此其閾值結果偏向于波峰(背景)。由圖(e)可知：利用此閾值，會導致邊緣信息檢測不完全，會對邊緣的提取和最終的擬合造成影響。圖(b)所示為文中方法的結果。文中方法主要利用四叉樹理論，將圖像進行分段，并計算每段圖像灰度級直方圖的二階矩，其值越大，則代表縫隙在該段占比越多。由此，選擇該區域為目標區域，并不斷迭代上述過程，找到最終的目標區域R。圖(d)為圖(b)中目標區域R的灰度直方圖，該直方圖具有2個較明顯的波峰，計算的閾值(紅線位置)較好地分割了前景和背景。由圖(f)可知：該閾值很好地保留了縫隙的邊緣信息，有利于進行后續的縫隙提取和擬合。

2 卡爪縫隙寬度檢測算法

由于卡爪表面并不光滑，考慮可能存在的劃痕或其他加工痕跡，攝像單元采集到的圖像是一種混有噪聲的縫隙圖像。算法設計的基本思想如下：

(1)預處理

相機捕獲到的是RGB圖像，需要將采集到的圖像進行灰度化，以提高計算速度，同時保留圖像的梯度信息。

=++

(4)

其中:表示最終的灰度；、、分別表示對應像素點的R、G、B值；、、表示R、G、B分別對應的權重，常取0.299、0.587、0.114。

對圖形進行降采樣和濾波處理，完成圖像的降噪。文中采用高斯濾波器進行處理。

(2)邊緣檢測

對待預處理圖像進行處理，得到邊緣骨架信息。處理步驟如下：

步驟1，對圖像進行改進自適應閾值計算，得到最佳閾值；

步驟2,對圖像模糊處理后，利用該閾值進行Canny邊緣檢測，得到圖像的邊緣信息，如圖2(a)所示;

步驟3,因為Canny變換得到的邊緣信息并不連貫，因此利用形態學閉操作，將邊緣圖像信息連貫起來，如圖2(b)所示;

步驟4,利用細化算法，將得到的邊緣直線進行細化，保留一個像素寬度，降低后續的運算復雜度，如圖2(c)所示。

(3)邊緣特征提取

細化算法之后的圖像，依舊保留著大量的紋理信息，如圖2(c)所示,所以需要對邊緣特征進行提取。根據視覺特征，縫隙邊緣應當在圖像中占據主要地位，即在圖像中，邊緣的空間跨度最大。因此，對像素點進行聚類，即遍歷所有的像素點，若像素值為0，則進行八連通域的檢測，確定像素點周圍是否存在已標記類的像素點，若僅存在一個已標記像素點，則將當前像素點標記為該類；若存在多個已標記點，且屬于不同類，則將該點和該點連接的所有類劃分為同一個新類；若不存在，則將該標記點定義為新類。

圖2 邊緣檢測示意

最終得到位置信息的聚類結果，即類{,,，…,}。聚類結果如圖3所示。

圖3 聚類結果 圖4 類提取結果

通過視覺特征，對空間跨度大于平均跨度的類進行提取：

(5)

式中:表示各個類;()表示類的空間跨度。

如圖4所示，通過對類的空間跨度進行分析，得到初步的提取結果。相較于圖2，噪聲被很好地去除。但是由于文中是根據位置信息進行的聚類，在加工過程中會出現紋理與邊緣重合，簡單的聚類無法很好地將這種紋理排除。因此，針對這種情況，本文作者設計了基于先驗的邊緣信息二次提取流程。

基于先驗的邊緣信息二次提取流程對類提取后的圖像進行運算，如圖5、圖6所示。從端點坐標開始標記，首先進行四連通域檢測，尋找下一個標記點坐標，若存在則標記，不存在則進行八連通域檢測，若存在則標記，若不存在則視為結束端點。每隔20個像素點標記一個先驗點，得到先驗點集{,,，…，}。若出現分叉點情況，即進行連通域檢測時標記點存在數目大于1時，如圖7所示，將先驗點集{,,，…，}到檢測點的向量作為該直線的方向向量集，從檢測點到多個標記點、的向量為檢測向量。通過計算方向向量集與檢測向量之間的夾角，并根據投票法，即每個方向向量與檢測向量計算后，取較小值對應的檢測向量，投票數加一。取投票數最多的檢測向量為方向向量，確定下一標記點的坐標位置，并進行標記。最終得到去除分叉的縫隙邊緣標記點集{(,),(,),(,)，…，(,)}。

圖5 縫隙特征提取流程

圖6 標記流程示意(黃色為已標記點；紅色為待標記點；黑色為未標記點)

圖7 基于先驗的分叉點判斷方法示意

(4)直線擬合

利用最小二乘法對標記點集進行擬合計算，得到最終的邊緣直線。并計算縫隙的寬度值：

(6)

式中:、分別為兩條邊緣直線對應的直線點集中任意隨機點到另一條直線的距離；為標定系數。

3 實驗與算法分析

3.1 實驗設計

如圖8所示，待檢測物體置于實驗臺上，考慮成像素質，由環形光源補光，圖像經遠心鏡頭拍攝后傳輸到計算機中。當攝像視場中出現縫隙圖像時，計算機會實時顯示縫隙所在位置。

圖8 實驗裝置示意

為驗證文中算法的實際效果，采用相同的圖像進行算法對比。文中實驗的硬件環境：CPU Intel(R)Core(TM)i5-6300HQ；內存為8 GB；64位Windows10操作系統，軟件實施平臺為Visual Studio 2017。測試圖像為游標卡尺外測量卡爪縫隙圖像，圖像分辨率為3 072像素×2 048像素。

3.2 實驗結果

由圖9可以看出：測試圖像紋理清晰，對縫隙檢測產生較大的干擾，檢測算法需具有更強的魯棒性。目前常見的直線檢測算法為霍夫直線檢測，以文獻[7]的方法和最常用的漸進概率式霍夫變化(PPHT)為對照樣本，對文中算法進行性能測試。

圖9 測試圖像

3種算法的測試結果如圖10所示。由圖10(a)可知：文獻[7]中算法在縫隙角度已知且不變的情況下，可以較好地剔除紋理信息，擬合邊緣直線效果較好，但是當縫隙的角度未知時，會出現無法檢測出縫隙的情況。由圖10(b)可知：PPHT算法對縫隙檢測較為完整，對于紋理信息，由于閾值的選擇不同和拍攝環境等影響，對縫隙檢測的魯棒性不強，同時，也存在擬合精度的問題。由圖10(c)可知：文中算法對縫隙邊緣進行了很好的提取和擬合，同時完成了對紋理信息的剔除，該算法具有更好的魯棒性。

圖10 算法測試結果

針對檢測精度，對每個測試圖像均測試5次，結果分別如表1和表2所示。文中檢測方法的平均相對誤差為0.002 4 mm，平均相對誤差率為0.433 1%，平均相對誤差和平均相對誤差率均較小，證明文中檢測方法有效、準確。

表1 測試圖像1人工檢測與文中檢測結果對比

表2 測試圖像2人工檢測與文中檢測結果對比

圖11所示為3種算法針對測試圖像的運行耗時結果。對于圖9(a)，文中算法和文獻[7]中方法的耗時接近，但優于PPHT算法。而針對圖9(b)，文中算法耗時優于兩者。總體而言，文中算法對比文獻[7]算法和PPHT算法，在時間消耗上，提升了15%左右。同時對具有復雜紋理環境中的縫隙邊緣提取準確率達到了100%，可以有效地保證在工業檢測中應對紋理噪聲較多的情況。

圖11 算法耗時測試結果

4 結束語

本文作者針對紋理清晰的游標卡尺的卡爪縫隙，提出使用視覺檢測的方法來檢測卡爪縫隙寬度。根據工況，基于四叉樹理論，提出了改進自適應閾值算法，解決了當目標像素點占比較少時Otsu算法效果較差的問題。根據卡爪縫隙在圖像中的空間跨度進行分析、聚類，實現了對卡爪縫隙的精確提取，并建立了相應的實驗裝置進行實驗。結果表明：該算法可以實現對縫隙邊緣的精確自動提取和檢測，同時單張圖片的檢測時間約為400 ms，滿足工業實時檢測的要求；該方法有一定的通用性，同樣可應用于其他工業產品裝配縫隙的在線檢測識別。研究結果為其他在線檢測系統的檢測方法設計提供了思路。