基于動態角點定位的SD 卡位姿檢測方法*

李道偉 吳靜靜

（1.江南大學機械工程學院 無錫 214122）

（2.江蘇省食品先進制造裝備技術重點實驗室 無錫 214122）

1 引言

在SD 卡彩噴生產環節中，需要將SD 卡從料盤翻轉至金屬打印盤中，再在其卡面彩噴logo、型號、容量和性能參數等標識圖案。為了防止SD卡在翻轉的過程中被夾緊翻轉裝置壓傷或損壞，就必須確保SD 卡在料盤Pocket 中處于正確的位姿。目前，料盤內SD 卡的位姿是由人工目檢來完成，這種方式存在效率低、準確性易受主觀因素影響、容易造成視覺疲勞等缺點。但是，基于機器視覺的檢測技術可以克服上述缺點［1～4］，將其運用到SD 卡位姿檢測中，能夠很好地代替人工目檢，提高生產效率和穩定性。

隨著計算機技術的迅猛發展，基于機器視覺的檢測技術得到了廣泛的研究與應用。周小萌等［3］在利用定位塊進行機械定位的基礎上，通過對SD 卡表面的金手指進行特征分析，實現隨機姿態下SD 卡的形態識別，但是機械定位誤差和料盤制造尺寸公差會影響到SD卡位置檢測準確性。張磊等［4］提出了一種基于形狀匹配的零件位置檢測技術，將零件的兩段圓弧邊緣作為形狀匹配的模板進行目標搜索與定位，再使用兩段圓弧進行最小二乘擬合，最終得到目標零件兩個圓中心坐標，但是目標識別率不夠高。程希希等［5］通過創建的角點原型濾波核與圖像卷積得到角點相似度來剔除響應值較小的偽角點，并在此基礎上進行非極大值抑制，利用角點的方向特性提取角點并實現亞像素定位，但是在圖像過曝光的情況下存在一定的漏檢。

因此，為提高SD 卡彩噴生產環節的質量與效率，實現SD卡位姿的自動化檢測，本文設計了一種基于動態角點定位的SD 卡位姿檢測方法，先利用動態角點定位算法對Pocket區域進行定位，再采用基于粗定位的自適應閾值分割方法提取出SD卡輪廓，最終實現了具備魯棒性的SD卡位姿檢測。

2 SD卡位姿檢測模型

如圖1 所示為現有設備視覺檢測系統（下文簡稱原系統）采集的圖像，實際檢測流程中料盤是利用氣缸與定位塊實現機械定位，SD 卡在料盤中呈陣列排布，每個SD 卡都放在一個Pocket 內（見圖1中白線框標注）。

圖1 料盤內陣列排布的SD卡圖像

如圖2 所示，原系統中基于機械定位的SD 卡位姿檢測模型是利用4 個定位塊實現料盤在X、Y方向的定位，并確定固定參考坐標系原點O，通過SD卡左上角點P1相對于原點O的距離進行位姿檢測。但是該檢測模型十分依賴機械定位與料盤制造尺寸的精度，若機械定位或料盤制造尺寸出現誤差，圖像中料盤的位置就會偏移（Δx，Δy），如圖2中虛線框所示，而此時固定參考坐標系不變，這就會導致SD 卡左上角點P2相對于原點O 發生（Δx，Δy）的偏移，最終影響SD卡位姿檢測的準確性。

圖2 SD卡位姿檢測模型

為了解決原系統SD 卡位姿檢測模型中存在的問題，本文設計了如圖2 所示的基于動態角點定位的SD 卡位姿檢測模型。首先，針對角點定位時可能出現的異常情況，利用基于統計決策的動態角點定位算法對異常角點進行校正，實現Pocket區域的動態定位。然后，以動態角點定位得到的Pocket區域左上角點O1'、O2'作為SD 卡位姿檢測坐標系原點。最后，通過SD 卡左上角點P1'、P2'相對于坐標系原點O1'、O2'的距離進行位姿檢測，如圖2 所示。由于本文SD 卡位姿檢測模型是針對每個Pocket自身的角點建立參考坐標系進行比對，不依賴于機械定位與料盤制造尺寸的精度，因此大大提高了位姿檢測的準確性與魯棒性。

根據上面的分析，本文設計了如圖3 所示的算法流程。

圖3 本文算法流程圖

3 基于統計決策的動態角點定位

針對原系統中基于機械定位的SD 卡位姿檢測模型存在的問題，設計了基于動態角點定位的SD卡位姿檢測模型。為了解決可能出現的角點定位異常問題，本文設計了一種基于統計決策的動態角點定位算法，包括角點預定位方法與基于統計決策的異常角點校正方法，實現Pocket 區域的動態定位。

3.1 角點預定位

角點作為圖像穩定的稀疏特征，它包含圖像中的重要結構信息，往往被定義為圖像邊界曲線的曲率極大值點或者多個區域邊界交匯點。現有角點檢測算法［5～8］有很多種，本文根據實際測試效果，最終選擇基于邊緣輪廓的方法進行角點預定位。

如圖4 所示，考慮到三點定位具有更好的穩定性，本文對Pocket 右上、右下、左下3 個凸起直角的內角點進行預定位（Pocket 內邊緣直角頂點，簡稱內角點，如圖4中白色圓點所示）。

圖4 Pocket角點預定位

首先在提取的直角ROI（Region Of Interest，即感興趣區域）內（圖4 白線矩形區域），本文通過模板匹配［9］粗定位直線檢測ROI（圖4 黑線矩形區域），在匹配過程中采用差值平方和（Sum of Squares of Difference）作為相似度測量方法，該方法最佳匹配位置在結果為0 處，結果越大匹配相似度越差。差值平方和的計算公式如下：

式中：T(x，y)為模板圖像，I(x，y)為目標圖像。

如圖5（a）所示，通過模板匹配得到直線檢測ROI 后，首先選用中值濾波去除ROI 圖像中的干擾噪聲，再進一步提取ROI圖像中的直線特征［10］。由于直接使用Hough 變換無法準確提取ROI 圖像中的邊緣直線，且會出現較多的虛假直線。因此，本文首先利用具有較好邊緣定位能力和抗噪性能的Canny［11～12］算 子 檢 測ROI 圖 像中 凸起 直角 的內 邊緣，如圖5（b）所示；再結合Hough 變換［13］提取邊緣直線，如圖5（c）所示；最后根據內邊緣直線交點預定位角點位置，如圖5（d）所示。

圖5 直線提取檢測與角點預定位

3.2 基于統計決策的異常角點校正

為了預防角點預定位錯誤對Pocket 區域的動態定位造成影響，本文根據右上、右下、左下3 個角點p1（x1，y1）、p2（x2，y2）、p3（x3，y3）之間的相對距離判斷是否存在角點定位錯誤，相對距離的計算公式如下：

式中：dx1、dx2、dx3分別為3個角點在X方向的相對距離；dy1、dy2、dy3分別為3 個角點在Y 方向的相對距離。

如圖6 所示為基于統計決策的異常角點校正方法流程。

圖6 基于統計決策的異常角點校正方法流程圖本文方法

首先判定角點定位異常所屬的情況，再搜索距離當前Pocket 最近的無異常角點定位的Pocket 位置P '（m'，n'），并針對不同的情況對異常角點使用不同的方法進行校正。

如果當前Pocket 屬于單個角點坐標異常或另外2 個角點坐標同時異常的情況，則分別計算當前Pocket 與最近鄰Pocket 間3 個角點坐標的差值dx'1、dx'2、dx'3、dy'1、dy'2、dy'3，并根據坐標差值之間不同的大小關系，使用不同的基準角點坐標對異常角點進行校正。

如果當前Pocket 屬于3 個角點坐標均可能異常的情況，則直接使用最近鄰Pocket角點坐標對當前Pocket角點坐標進行校正。

如圖7 所示為本文方法在陣列圖像中實現的動態角點定位及Pocket區域定位結果圖。

圖7 基于動態角點定位得到的Pocket區域定位結果圖

4 基于粗定位的自適應閾值分割方法

在完成動態角點定位后，本文根據各Pocket左上角點坐標Loc（x，y）提取出Pocket ROI圖像dst（x，y），再進行SD 卡位姿檢測。由于傳統的圖像分割方法［14］很難有效地提取出SD 卡輪廓，本文設計一種基于灰度分布統計的自適應閾值分割方法［15～16］。

Step 1 使用固定閾值分割法對如圖8（a）所示的Pocket區域進行圖像分割，固定閾值分割法的數學描述為

圖8 SD卡粗定位與自適應閾值分割結果

式中：src(x，y)為原圖像中坐標(x，y)處像素點的灰度值，dst(x，y)為結果圖像中坐標(x，y)處像素點的灰度值，t?res? 為預設的固定分割閾值；

Step 2 采用差值平方和作為相似度測量方法，將制作的模板與二值化分割后的Pocket 區域圖像進行匹配，得到粗定位SD卡ROI，如圖8（b）所示；

Step 3 通過粗定位SD 卡ROI 圖像的灰度直方圖獲取灰度值分布情況，并對像素數達到預設閾值的灰度值進行統計，最終得到SD 卡灰度值區間（MinGray，MaxGray）；

Step 4 根據SD 卡表面的灰度值區間對Pocket區域進行自適應閾值分割，數學表達式如下：

式中：src(x，y)為原圖像中坐標(x，y)處像素點的灰度值，dst(x，y)為結果圖像中坐標(x，y)處像素點的灰度值，MinGray和MaxGray分別為統計得到的SD卡表面灰度值區間最小值、最大值。

如圖8（c）所示為采用自適應閾值分割方法得到的Pocket區域二值化結果圖。

5 SD卡位姿檢測

本文通過分析SD 卡在Pocket 中的相對位置Pos（x，y）以及SD 卡精定位ROI 圖像的灰度直方圖信息，對SD卡在Pocket中的位姿進行檢測。

5.1 SD卡位姿分析

如圖9 所示為SD 卡在料盤Pocket 中的位姿描述。

圖9 SD卡在Pocket中的位姿示意圖

5.2 SD卡位姿檢測

在SD 卡的彩噴生產環節中，SD 卡位姿主要分為3 類：1）正常位姿；2）少料，即Pocket 內沒有SD卡；3）偏移，包括SD 卡翹起搭在凸起直角上、在Pocket中旋轉等位姿。

正常位姿的SD 卡在Pocket 中的坐標范圍為(x0± Δx，y0±Δy)，(x0，y0)為SD 卡在Pocket 內正中位置時的坐標，Δx為SD卡左右邊緣到凸起直角內壁的距離，Δy為SD卡上下邊緣到凸起直角內壁的距離，如圖10所示。

圖10 Pocket中SD卡正中位置示意圖

首先，針對SD 卡少料的位姿檢測，本文通過對SD 卡精定位ROI 圖像（如圖9 所示）進行灰度直方圖分析，統計ROI 圖像中灰度值不在SD 卡表面灰度分布區間內的像素個數（即屬于料盤本體的像素個數）：如果該像素個數超出預設的最大閾值，即可判定ROI 內沒有SD 卡，即Pocket 內少料；否則，再進行SD 卡偏移的位姿檢測。根據SD 卡在Pocket中的精定位坐標，判斷其是否超出預設的坐標范圍(x0±Δx，y0±Δy)：如果超出，則SD 卡位姿為偏移；否則，再判斷SD卡的旋轉角度是否超出預設閾值：如果超出，則SD 卡位姿仍為偏移；否則，SD 卡位姿正常。

6 試驗設計與分析

為了驗證本文所提出的方法對SD 卡位姿檢測的有效性，對設備實際采集的圖像中共4800 顆SD卡進行試驗。試驗環境為Intel（R）Core（TM）i7-6700 CPU、8G 內存的PC 機，Win10 操作系統。開發環境為：Visual Studio 2015，OpenCV庫函數。

6.1 動態角點定位精度試驗

為了驗證本文動態角點定位算法的精度與魯棒性，隨機選取25幅圖像，對如圖11（a）所示的8*8陣列排布的圖像對角線上16 個位置的Pocket 右下角點進行定位誤差統計，即本文算法定位到的角點坐標與實際角點坐標在X、Y方向上的像素點距離，本文取兩者較大值作為該角點的定位誤差。

圖11 動態角點定位結果與誤差統計

由圖11（b）可知，25 幅圖像中共400 個位置的Pocket 右下角點的定位誤差在兩個像素（0.06mm）以內，而判定SD 卡偏移量允許誤差是0.5mm。因此，本文提出的動態角點定位算法具有較高的精度與魯棒性，滿足實際檢測需求。

6.2 SD卡圖像分割對比試驗

為了驗證本文自適應閾值分割算法對SD 卡圖像分割的有效性，本文設計了如下試驗。分別使用固定閾值分割算法、經典OTSU 算法、本文自適應閾值分割算法，對SD卡圖像進行分割，分割效果如圖12所示。

圖12 SD卡圖像分割對比試驗結果圖

由圖12（b）可以看出，對于凸起直角內壁的灰度值與SD 卡表面灰度值接近的情況，固定閾值分割算法很難將兩者分割開；由圖12（c）可以看出，對于SD卡邊緣存在陰影干擾的情況，OTSU算法容易將背景干擾作為前景進行分割提取，使得SD 卡的輪廓信息更為模糊；由圖12（d）可以看出，本文自適應閾值分割算法可以將SD卡與背景更好地分割開，邊緣輪廓清晰，效果更好。

6.3 SD卡位姿檢測試驗

為了驗證本文SD 卡位姿檢測方法的有效性與魯棒性，對設備實際采集的圖像中共4800 顆SD 卡進行了位姿檢測，檢測結果統計如表1 所示，部分位姿檢測結果如圖13 所示。對于實際采集圖像中總計4800 顆SD 卡，本文方法正確檢測的數量為4796，檢測準確率為99.917%，平均每幅圖像檢測耗時0.47s。因此，本文提出的SD 卡位姿檢測方法在滿足檢測速度要求的前提下，保證了較高的準確率與魯棒性。

表1 位姿檢測方法試驗結果

圖13 SD卡位姿檢測結果圖

7 結語

本文提出了一種基于動態角點定位的SD 卡位姿檢測方法，對SD 卡在料盤Pocket 中的位姿進行實時檢測。通過定位Pocket 右上、右下、左下3 個凸起直角的內角點，并對定位異常的角點進行校正，實現Pocket 區域的動態定位；再利用自適應閾值分割算法，得到邊緣輪廓清晰的SD卡二值圖像；通過分析SD 卡在Pocket 中的相對位置以及SD 卡精定位ROI 的灰度直方圖信息，實現SD 卡位姿檢測。最后，通過對設備實際采集的圖像中共4800顆SD 卡進行位姿檢測試驗，驗證了本文方法在滿足檢測速度要求的同時，能夠保證較高的準確率與魯棒性，提高了實際生產效率。