基于Halcon的AGV糾位系統研究

史正倩，宋志峰，林富生，余聯慶

(1.武漢紡織大學機械工程與自動化學院，湖北武漢 430200；2.三維紡織湖北省工程研究中心，湖北武漢 430200；3.湖北省數字化紡織裝備重點實驗室，湖北武漢 430200)

0 前言

在現代工業物品搬運中，AGV小車不需要駕駛員控制，能夠沿規定導引路徑行駛，因而廣受歡迎，發展迅速。目前，大多數AGV小車通過磁條導航、慣性導航、視覺導航定位。考慮適用性及成本等原因，目前多數學者對以視覺為主的導航方法進行研究。

工業上，多采用Halcon機器視覺軟件，基于形狀模板匹配的方法得到相應信息。為提高AGV小車運行的效率，學者們對模板匹配進行了一系列探索研究。宋瑩瑩等利用Canny算法和曲線凸性得到邊界關鍵點，進行關鍵點匹配，但受光照影響大，匹配結果不穩定。孫秀娟提出了基于高斯尺度空間的模板匹配算法，與傳統模板匹配算法比，消耗時間減少了90%，但匹配時間仍需200～300多毫秒。劉金保采用Sobel算法得到邊緣信息，對搜索策略進行改進，提高了定位的準確性，但對較小的旋轉角度檢測不敏感。

本文作者提出一種基于Halcon的AGV十字色帶糾位方法，對十字色帶特征標志進行XLD輪廓匹配，實時糾偏AGV小車，提高由地面、電機誤差造成AGV小車偏離的糾位準確度。經過實驗與分析，該方法不僅能成功獲取位置信息，而且匹配速度快、準確率高，具有很強的抗干擾性和魯棒性。

1 AGV糾位系統

1.1 系統結構

如圖1所示，AGV糾位系統主要由光源、鏡頭、相機、步進電機及其驅動器、工控機組成。相機鏡頭與地面平行，AGV小車運行時，相機每隔2 s采集一次圖像傳輸給工控機。AGV糾位系統所用相機為SY003-V01，工控機為STX-N61_I521E，程序開發環境為Visual Studio 2015，操作平臺為Windows 7， Halcon聯合C#編程對采集圖像進行信息處理，PLC接收相關信息并對步進電機進行閉環運動控制，起到糾位作用。

圖1 AGV小車系統

1.2 圖像處理軟件系統

圖像處理軟件系統基于由德國MVtec公司開發的機器視覺軟件Halcon進行編程開發。圖像處理軟件系統主要分為4個模塊：模板生成模塊、圖像采集模塊、圖像檢測模塊、數據交互模塊。圖2所示為視覺糾位的流程。

圖2 視覺糾位流程

2 圖像處理

2.1 圖像預處理

此系統采用200萬像素、120°無畸變攝像頭采集圖像，將AGV小車擺正，單次采集一張色帶圖像。如圖3所示，采集到的色帶圖像往往會存在陰影、畸變等缺陷。因此，在形狀匹配前要進行預處理。

圖3 采集的模板圖像

2.1.1 圖像校正

采集的模板圖像與理想模板存在角度偏差，為減少由此導致的誤差，對圖像進行校正。使用rotate_image算子，將圖像上的每個點在二維平面上繞該圖像中心點(,)逆時針旋轉。

將坐標軸上的原點平移到點，得到平移矩陣:

(1)

再旋轉,得到旋轉矩陣:

(2)

將坐標軸移回原位，得到平移矩陣：

(3)

最終得到校正矩陣：

=××

(4)

模板圖像上任意一點繞中心點旋轉后坐標為

=×

(5)

2.1.2 圖像增強

采用基于XLD輪廓形狀的模型進行匹配，對圖像邊緣細節要求較高。圖3所示的采集圖像存在大面積陰影，且邊緣模糊不清，對后續描述點的提取有很大干擾。為此，使用emphasize算子對校正后的圖像進行圖像增強，消除部分干擾。

要使像素點之間灰度值差異大，有效消除部分噪聲，在一定范圍內，內核要盡可能大。因此，當圖像大小為×時，創建一個大小為(4)×(4)的內核，得到新的像素值：

=(-)×+

(6)

其中:為內核的平均像素；為原像素；為影響因子。

圖4所示為圖像預處理后的效果，解決了拍攝畸變、光照不均的問題，為形狀描述做準備。

圖4 圖像預處理效果

2.2 XLD輪廓模板匹配

傳統形狀匹配通過繪制ROI或者灰度值提取得模板形狀，獲取的形狀描述不準確，會造成檢測準確度低。此次檢測目標主要是獲得十字色帶中心點像素坐標及其旋轉角度，因而對匹配精度要求較高。為提高匹配精度與速度，以亞像素精度提取實例，采用XLD輪廓匹配法。

2.2.1 圖像特征提取

利用高斯導數構造新的函數(,)，用圖片像素值(,)和(,)求卷積，得出濾波后圖像(,)。

這里高斯函數為

療效標準及結果：所根據的是MMSE。病人醫治前后的分數值的差和病人醫治前的積分值的比值。大于0.2說明病情很大的好轉，小于0.2則是有了好轉，小于0.12的病情沒有變化。如果是負數那么病人的病情沒有變好反而是變壞了。

(7)

其中：為高斯濾波系數，控制著和方向平滑程度。越小，高斯濾波頻帶越窄，卷積運算量越小，平滑程度也越弱，更精細的特征會被檢測到；反之越大，噪聲和紋理抑制能力越強，大的邊緣特征會被檢測到。因此，根據實際圖像選取值為3。

由高斯導數創建的新的函數(,)為

(8)

將新建函數與原圖像進行卷積，得到濾波后的圖像(,)：

(,)=(,)?(,)

(9)

設一閾值加以判斷，當卷積后得到的像素灰度值小于閾值時，輸出像素最終灰度值′(,)為0；反之，輸出像素最終灰度值為255。然后再將圖像翻轉，實現邊緣提取：

(10)

創建ROI，選取模板匹配主要特征，將得到的ROI區域轉化為框架，進而將框架轉換成XLD輪廓，輪廓提取成功。圖5所示為經過創建的新濾波器濾波后的圖像及其提取的XLD輪廓模板。

圖5 XLD輪廓模板

2.2.2 中心點提取

一般通過ROI繪制區域或者繪制兩區域得到的交集，獲取中心點像素坐標。但手動繪制ROI誤差較大，故通過XLD輪廓求中心點。

首先將XLD輪廓轉化為4個不連貫的子區域A、B、C、D，再以長寬都為200像素的矩形結構擴展這4個子區域，使其兩兩相交都有交集，得新的子區域A′、B′、C ′、D ′，以及它們的交集區域E，如圖6所示。最后，利用算子area_center就可準確求得模板圖像中心點，坐標為(540.037,1 028.030)像素。

圖6 輪廓交集

2.2.3 形狀相似度計算

通過圖5創建可縮放模板，縮放范圍為05～15，旋轉范圍為-45°～45°，讀取待檢測圖像，通過計算形狀相似度對目標圖形進行尋找。模板圖像上有像素點=(,),=1,2,…,。

根據高斯導數濾波可得模板圖像、方向梯度、，從而計算出檢測圖像上點(,)處相似度度量：

(,)=

(11)

任意像素點相似度度量值必須大于給定的閾值t，若小于閾值則停止計算，同時開始下一像素點的匹配。符合的點越多，匹配準確度越高。

(12)

S

(13)

其中：g為貪婪度，貪婪值為0～1，貪婪度越大，匹配時間越短；S為匹配到每個實例完整度的最小分數，分數為0～1，分數越小，匹配難度小。考慮到實際圖像的復雜程度及檢測速度與準確度，經反復驗證得到最合適g值為0.7、S值為0.5。

3 實驗結果分析

圖像檢測實驗數據準確度直接影響糾位效果，為驗證此系統的高速準確性，在搜索旋轉范圍為-45°～45°、圖像縮放比例為05～15、貪婪度為07、匹配最小分數為05的條件下，進行100次實驗。

在100次實驗中隨機抽取兩組小車在行駛時采集圖像的檢測結果，如圖7所示。可知：模板輪廓與實例邊緣輪廓較為貼近，用于糾位的角度和中心點坐標也較為準確，糾位的準確度較高。

圖7 模板匹配結果

記錄實驗100次的數據,得到相應的匹配準確率和匹配時間。每10組隨機抽取一組，共抽取10組，如表1所示。

表1 模板匹配結果

將數據進行整理，結果如表2、表3所示。可知：輪廓匹配最低準確率為9529，最高準確率高達9884，最低準確率與最高準確率之間相差355；輪廓匹配最短時間為2840、最長時間為3279，兩者之間相差439。由此可見，匹配的準確度和匹配時間都比較穩定。因而在實際應用中，基于輪廓匹配具有優勢，其準確率高、匹配時間短、魯棒性高，適用于糾位系統。

表2 XLD模板匹配檢測準確率 單位:%

表3 XLD模板匹配檢測時間 單位：ms

4 結語

為提高小車基于色帶視覺導航的性能，本文作者運用機器視覺軟件，將基于輪廓的形狀模板匹配方法應用于糾位系統。該方法有效剔除了圖像中的雜點，解決光照不均問題，并利用高斯導數得到了合適的邊界輪廓，進行基于輪廓的形狀模板匹配，提高了檢測的快速性與準確性。結果表明：所提出的輪廓模板匹配檢測結果平均準確率為9693，最高與最低準確率相差355；平均消耗時間為2988,最長與最短時間相差439。該方法不僅提高了糾位系統的可靠性和魯棒性，也為小車以其他特征標志糾位導航提供了參考。