基于機(jī)器視覺(jué)的三角形精密工件尺寸檢測(cè)

胡銀風(fēng)，江 晟，宋 德

（長(zhǎng)春理工大學(xué)物理學(xué)院，長(zhǎng)春 130022）

0 引言

近年來(lái)，先進(jìn)制造技術(shù)的發(fā)展日新月異，高精度、快速、高質(zhì)量的工件檢測(cè)技術(shù)已成為發(fā)展先進(jìn)制造至關(guān)重要的一個(gè)環(huán)節(jié)，伴隨著電子、光學(xué)和計(jì)算機(jī)科學(xué)技術(shù)的不斷成熟，機(jī)器視覺(jué)在精密工件檢測(cè)技術(shù)中得到了飛速發(fā)展［1-2］。

在圖像處理過(guò)程中，邊緣檢測(cè)是最重要的環(huán)節(jié)之一，邊緣能最直接地反映物體輪廓信息，因此可以通過(guò)圖像邊緣信息計(jì)算工件的尺寸。邊緣提取常用的方法如運(yùn)用一階差分的Krisch算子、Sobel 算子、Canny 算子等，以及二階微分算子Laplace［3-4］。為了能夠得到平滑且較為完整的圖像邊緣，羅朝陽(yáng)等［5］提出利用數(shù)學(xué)方法中形態(tài)學(xué)處理方法提取圖像邊緣，但是該方法對(duì)噪聲很敏感且檢測(cè)過(guò)程中容易出現(xiàn)偽邊緣。包從望等［6］提出改進(jìn)Canny 邊緣檢測(cè)方法，運(yùn)用3*3 有限差分方法并結(jié)合OTSU 的自適應(yīng)閾值提升算法的抗噪能力。曹義親等［7］提出將改進(jìn)后的LSD 直線(xiàn)檢測(cè)應(yīng)用到鋼軌表面邊界檢測(cè)中，提升了圖像的信噪比和檢測(cè)精度。蘇少輝等［8］利用雙目相機(jī)結(jié)合改進(jìn)Hough 變換檢測(cè)大尺度下矩形工件，重復(fù)定位誤差小于0.05mm。

針對(duì)三角形工件測(cè)量精度不高的問(wèn)題，本文首先利用改進(jìn)Canny算子檢測(cè)圖像邊緣并結(jié)合改進(jìn)Hough 變換提取圖像直線(xiàn)像素，然后設(shè)置直線(xiàn)像素點(diǎn)到所屬直線(xiàn)的距離閾值排除非直線(xiàn)點(diǎn)信息，最終通過(guò)最小二乘法擬合剩余直線(xiàn)像素點(diǎn)提高檢測(cè)精度。

1 尺寸檢測(cè)算法流程

算法流程如圖1所示。

圖1 算法流程

1.1 圖像預(yù)處理

由于圖像采集受到環(huán)境光照和相機(jī)內(nèi)部硬件的影響，導(dǎo)致在數(shù)字化過(guò)程中和數(shù)據(jù)傳輸中會(huì)產(chǎn)生噪聲，而降低了圖像分辨率并對(duì)圖像邊緣像素檢測(cè)造成誤差，影響精密工件的檢測(cè)精度。因此，首先對(duì)采集到的圖像進(jìn)行預(yù)處理。目前常用的圖像預(yù)處理方法有高斯濾波、中值濾波、維納濾波、均值濾波、雙邊濾波［9］等。由于高斯濾波是對(duì)同一距離的像素進(jìn)行同一尺度濾波計(jì)算而沒(méi)有考慮空間像素的差異，導(dǎo)致邊緣出現(xiàn)模糊的情況，從而降低了工件測(cè)量尺寸。中值濾波則采用鄰域像素取中值的方式代替中心像素點(diǎn)去除圖像中的噪聲，該方法僅對(duì)椒鹽噪聲有較好的處理效果。雙邊濾波則較高斯濾波考慮了像素點(diǎn)的空間信息與值域信息，該方法對(duì)將要進(jìn)行濾波的像素區(qū)域先做分割與分類(lèi)處理，再對(duì)不同所屬區(qū)域類(lèi)別的像素計(jì)算不同權(quán)重，最后進(jìn)行鄰域加權(quán)求和處理，從而達(dá)到很好地保留邊緣并去除噪聲的效果。雙邊濾波結(jié)果H如公式（1）所示：

其中Gr，Gs，Wq如公式（2）～（4）所示：

其中，Im為輸入圖像，In為輸出圖像，m代表目標(biāo)像素，n代表任意像素，σr表示值域標(biāo)準(zhǔn)差，σs表示空間域標(biāo)準(zhǔn)差，Gr，Gs表示值域信息和空間域信息，Wq表示窗口內(nèi)值域權(quán)重和。原圖和濾波效果分別如圖2 和如圖3所示。

圖2 原圖

圖3 濾波后圖像

1.2 邊緣檢測(cè)

邊緣檢測(cè)本質(zhì)上是加強(qiáng)輪廓像素，而邊緣是圖像灰度值變化最大的位置，因此通過(guò)計(jì)算梯度可以實(shí)現(xiàn)邊緣檢測(cè)。Canny 邊緣檢測(cè)［10-11］方法則能較好地判定邊緣位置。Canny邊緣檢測(cè)分為四步：

第一步：對(duì)輸入圖像進(jìn)行高斯去噪。由于高斯噪聲對(duì)邊緣產(chǎn)生模糊效果，因此在進(jìn)行邊緣檢測(cè)之前運(yùn)用雙邊濾波改進(jìn)Canny邊緣檢測(cè)。

第二步：計(jì)算圖像梯度和幅值。運(yùn)用改進(jìn)八方向Sobel 算子［12］進(jìn)行邊緣檢測(cè)。G0、G45、G90、G135、G180、G225、G270、G315分別表示八個(gè)方向角，因此計(jì)算梯度及梯度幅度值如公式（5）～（7）所示：

其中i，j表示圖像像素坐標(biāo)。

第三步：非極大值抑制。在得到圖像中每一點(diǎn)的梯度幅值和方向后，根據(jù)所計(jì)算信息去除所有非邊緣點(diǎn)，細(xì)化邊緣。

第四步：雙閾值確定邊緣位置。通過(guò)設(shè)置一個(gè)高閾值與低閾值，從而防止將偽邊緣信息判定為邊緣。

由于Canny檢測(cè)算法閾值由人工設(shè)定，本文采用OTSU 自適應(yīng)閾值分割改進(jìn)Canny 需要人工標(biāo)注閾值的問(wèn)題。該算法事先假定閾值threshold能將像素分為兩類(lèi)，并計(jì)算劃分為兩類(lèi)像素的均值M1和M2，以及圖像全局均值MT，并計(jì)算被分為兩類(lèi)像素的概率P1和P2，從而計(jì)算類(lèi)間方差：

式（8）出現(xiàn)最大化的灰度級(jí)就是所計(jì)算的自適應(yīng)閾值。最終圖像邊緣檢測(cè)結(jié)果如圖4 所示。從圖4（a）中可見(jiàn)工件表面出現(xiàn)少許非邊緣信息，這將影響直線(xiàn)段信息的判斷情況，經(jīng)過(guò)自適應(yīng)閾值后，最終改進(jìn)結(jié)果如圖4（b）所示，較好地排除了非邊緣點(diǎn)信息，提高了后續(xù)直線(xiàn)檢測(cè)的準(zhǔn)確性。

圖4 Canny檢測(cè)對(duì)比圖

1.3 直線(xiàn)檢測(cè)

Hough變換直線(xiàn)檢測(cè)為現(xiàn)如今最有效的直線(xiàn)檢測(cè)方法，該方法在1962 年由Paul Hough 首次提出。Hough變換運(yùn)用直角坐標(biāo)到極坐標(biāo)的映射關(guān)系找到在極坐標(biāo)中出現(xiàn)峰值的點(diǎn)，從而判斷出直線(xiàn)信息。

然而當(dāng)直線(xiàn)相對(duì)于圖像水平軸存在較大角度時(shí)，像素點(diǎn)會(huì)出現(xiàn)巨大的錯(cuò)位現(xiàn)象，這將導(dǎo)致同一條直線(xiàn)會(huì)檢測(cè)出多條直線(xiàn)或是檢測(cè)不出直線(xiàn)的現(xiàn)象，影響直線(xiàn)長(zhǎng)度尺寸標(biāo)定。因此，本文根據(jù)邊緣點(diǎn)位置在像素點(diǎn)八鄰域周?chē)M(jìn)行像素填充，進(jìn)而擴(kuò)大同一條直線(xiàn)像素點(diǎn)的檢測(cè)范圍。最終改進(jìn)圖像邊緣如圖6所示，與圖5所示的原直線(xiàn)邊緣相比，其邊緣像素得到擴(kuò)充，直線(xiàn)像素更加平緩。在圖6 邊緣圖像基礎(chǔ)上通過(guò)Hough 變換進(jìn)行直線(xiàn)檢測(cè)，未改進(jìn)邊緣圖像直線(xiàn)檢測(cè)如圖7（a）所示，該圖中存在一條直線(xiàn)多段檢測(cè)與直線(xiàn)漏檢問(wèn)題，圖7（b）為改進(jìn)后邊緣圖像直線(xiàn)檢測(cè)結(jié)果，通過(guò)實(shí)驗(yàn)證明該方法很好地解決了Hough直線(xiàn)檢測(cè)中漏檢或多檢的問(wèn)題。

圖5 原直線(xiàn)邊緣圖像

圖6 改進(jìn)后直線(xiàn)邊緣圖像

圖7 直線(xiàn)檢測(cè)圖像

1.4 尺寸檢測(cè)

由于直線(xiàn)段邊緣出現(xiàn)毛刺或缺陷等問(wèn)題，導(dǎo)致最終檢測(cè)出的直線(xiàn)像素點(diǎn)無(wú)法滿(mǎn)足真實(shí)直線(xiàn)段數(shù)據(jù)的要求，因此在得到直線(xiàn)像素點(diǎn)后通過(guò)最小二乘法擬合所有屬于同一條直線(xiàn)像素點(diǎn)信息，提高檢測(cè)精度。

由于在邊緣檢測(cè)中增加了八鄰域連通區(qū)間像素?cái)U(kuò)充，這將導(dǎo)致存在一些非直線(xiàn)點(diǎn)像素位置被計(jì)入該條直線(xiàn)，因此需要計(jì)算直線(xiàn)所屬像素點(diǎn)到其直線(xiàn)距離，并設(shè)置閾值，當(dāng)距離數(shù)值大于閾值則判定為非直線(xiàn)點(diǎn)像素，且不計(jì)入最小二乘法擬合，從而提高擬合精度。

直線(xiàn)點(diǎn)擬合方程由公式（9）所示：

其中，（xi,yi）表示直線(xiàn)像素點(diǎn)位置，a，b表示待擬合直線(xiàn)參數(shù)。最終通過(guò)計(jì)算待求參數(shù)偏導(dǎo)數(shù)得出最佳參數(shù)估計(jì)值：

針對(duì)三角形直線(xiàn)區(qū)域線(xiàn)段長(zhǎng)度標(biāo)定，需計(jì)算每條直線(xiàn)與其他直線(xiàn)的交點(diǎn)，從而判斷三角形區(qū)域三個(gè)頂點(diǎn)位置，進(jìn)而計(jì)算各個(gè)點(diǎn)的歐式距離，如公式（12）所示，其中i= 1,2,3;j= 1,2,3分別表示不同直線(xiàn)段編號(hào)。最終計(jì)算結(jié)果Di表示每段直線(xiàn)標(biāo)定長(zhǎng)度。最終檢測(cè)結(jié)果如圖8所示。圖8中A、B、C分別表示三角形檢測(cè)交點(diǎn)。

圖8 直線(xiàn)交點(diǎn)檢測(cè)圖像

2 結(jié)果與結(jié)論

測(cè)試相機(jī)選用?？低?00萬(wàn)像素工業(yè)面陣工業(yè)相機(jī)型號(hào)：MV-CS060-10GM/C，傳感器型號(hào)：Sony IMX178，像元尺寸：2.4μm*2.4μm，分辨率：3072*2048。

拍攝鏡頭選用DTCM110-36，0.2 倍雙側(cè)遠(yuǎn)心鏡頭。

實(shí)驗(yàn)測(cè)試設(shè)備選用處理器：Intel（R）Core（TM）i5-10210U CPU @ 1.60GHz，內(nèi)存：16.00 GB（2133 MHz），顯卡：NVIDIA GeForce MX250。

本文將圖8 中AC、AB、BC段作為尺寸標(biāo)定直線(xiàn)，BC段加工尺寸為5 mm，AB與AC尺寸為5.6 mm。在測(cè)量中通過(guò)對(duì)該圖像進(jìn)行旋轉(zhuǎn)、重復(fù)拍攝等方法進(jìn)行了10 次測(cè)量，得到最終標(biāo)定尺寸誤差。直線(xiàn)長(zhǎng)度平均誤差達(dá)到0.0021 mm，-0.0013 mm和0.0027mm，最大誤差小于0.007mm，10 次檢測(cè)時(shí)間共計(jì)21.45 s，平均檢測(cè)時(shí)間為2.145 s。有部分測(cè)量誤差數(shù)據(jù)較大或較小，該類(lèi)數(shù)據(jù)可能是拍攝過(guò)程中光照和拍攝原因?qū)D像質(zhì)量產(chǎn)生了影響。

表1 直線(xiàn)和圓形工件測(cè)量結(jié)果單位：mm

3 結(jié)語(yǔ)

為更精確地檢測(cè)三角工件長(zhǎng)度尺寸，提出基于改進(jìn)Canny 邊緣檢測(cè)和改進(jìn)Hough 直線(xiàn)檢測(cè)算法，依據(jù)仿真實(shí)驗(yàn)表明：

（1）結(jié)合OTSU 的自適應(yīng)閾值分割方法和八方向Sobel 算子計(jì)算梯度改進(jìn)Canny 邊緣檢測(cè)，提升了邊緣檢測(cè)精度；

（2）運(yùn)用Hough 變換檢測(cè)三角直線(xiàn)區(qū)域，并采用八連通區(qū)域增加直線(xiàn)邊緣像素，提高了直線(xiàn)判斷準(zhǔn)確性，最終通過(guò)歐氏距離判斷屬于每一條直線(xiàn)的邊緣像素點(diǎn)，利用最小二乘法擬合該類(lèi)邊緣點(diǎn)提高了工件尺寸檢測(cè)精度。