基于機器視覺的構件幾何信息檢測系統研究

摘 要：隨著現代制造業的飛速發展，工業生產中對鋼結構構件的尺寸精度要求越來越高，傳統的質量檢測方法一般都需要人工參與，工作效率低，成本高，測量精度不高，不符合高度自動化的要求。針對現有檢測手段存在的不足，提出一種基于機器視覺的非接觸式大尺寸構件結構幾何參數自動化檢測系統，便于形成數字化檢測結果，進行信息化管控。

關鍵詞：機器視覺；鋼結構產線；雙目立體視覺；畸變矯正

中圖分類號：TP391" " 文獻標志碼：A" " 文章編號：1671-0797（2025）04-0031-06

DOI：10.19514/j.cnki.cn32-1628/tm.2025.04.008

0" " 引言

建筑業作為我國的支柱產業之一，在國民經濟組成中占據重要地位。然而，隨著城市化進程的加速以及建筑工程的不斷發展，其逐漸暴露出資源消耗巨大、污染排放高、生產效率低、安全風險大、質量不達標等問題，與新發展理念和雙碳戰略的要求形成了明顯的矛盾。傳統建筑方式往往粗放施工，缺乏綠色理念和可持續性，不僅社會形象較差，而且會導致嚴重的污染和浪費，對施工過程的管理也會造成許多困難。為改變建筑業現狀，推動行業向更加可持續、高效的方向發展，必須進行生產方式上的革新。

近年來，國家和各省市相繼出臺了一系列相關政策推動預制裝配式建筑發展，如2020年住房和城鄉建設部等13部門聯合印發了《關于推動智能建造與建筑工業化協同發展的指導意見》。建筑工業化主要將建筑看作像汽車一樣的“工業產品”，其將建筑拆分為不同的“零件”（梁、板、柱等構件），通過工廠化制作生產，再在工廠內或現場拼裝成整體[1]，實現“像造汽車一樣建造房子”。

裝配式建筑主要包括預制裝配式混凝土結構、鋼結構、現代木結構建筑等，相對來說，鋼結構建筑具有自重輕、強度高、可回收、更穩定等特點[2]。但是傳統鋼結構存在材料選擇不當、強度計算不足導致結構的脆弱性和不穩定性，焊接工藝和質量控制不嚴導致焊縫質量不佳，施工結果易受現場施工管理、工人操作水平、材料使用和質量控制等方面影響，結構設計不合理或缺乏綜合考慮，導致整體結構受力不均、變形過大等問題。而提升鋼結構產品集成化程度這一研究方向可極大地避免與解決上述弊端。

在鋼結構模塊生產加工過程中，需要對鋼結構構件尺寸進行檢測。若想提升鋼結構產品集成化程度，則需對鋼結構尺寸檢測方式進行革新，以適配更高的檢測精度。傳統的檢測方式以人工檢測為主，不僅耗時耗力，并且無法產生數字化的檢測結果，無法對全流程生產進行信息化管控[3]。鑒于此，本文提出了一種基于機器視覺的非接觸式大尺寸構件結構幾何參數自動化檢測系統，通過模擬人眼視差的原理分析計算得知被測物體的三維信息（點云），經過分析點云獲得被測構件的尺寸信息。該檢測系統具有非接觸、高精度、高分辨率、數據獲取速度快、數字化程度高等優勢，可以在現場環境惡劣、人力無法到達的情況下獲取大量的被測目標數據，在實際應用中能夠彌補傳統測量方法的諸多不足。

1" " 機器視覺的原理

機器視覺是一種模仿人眼視覺系統的技術，通過使用相機和圖像處理算法來實現對圖像和視頻數據的解析，其原理基于光學、數字圖像處理和模式識別等領域的知識。機器視覺技術一般可以分為以下幾個關鍵步驟：

1）圖像采集：機器視覺系統首先通過相機或其他圖像采集設備獲取待處理的圖像或視頻數據。這些圖像數據可以是由自然光源照射的真實場景，也可以是由激光或光柵等特殊設備產生的結構化圖像。

2）圖像預處理：采集到的圖像往往包含了一定的噪聲、畸變和干擾。圖像預處理階段主要對圖像進行去噪、增強和矯正等處理，以提高后續處理的準確性和穩定性。常用的圖像預處理技術包括濾波、直方圖均衡化、幾何矯正等。

3）特征提取：特征提取是機器視覺技術的核心步驟，其目標是從圖像或視頻數據中提取出具有代表性的特征信息。特征可以是邊緣、角點、紋理、顏色等圖像中的局部結構或全局特征。常用的特征提取算法包括邊緣檢測、角點檢測、尺度不變特征變換（Scale-invariant feature transform，SIFT）等。

4）特征匹配：在特征提取后，機器視覺系統會對提取到的特征進行匹配。特征匹配的目標是將同一物體在不同圖像或視頻幀中的特征進行關聯，從而實現目標物體的識別、跟蹤和測量等應用。常見的特征匹配算法包括描述子匹配、基于模板匹配的相關濾波等。

5）物體識別與分類：根據特征匹配的結果，機器視覺系統可以進行物體的識別和分類。這一步驟可以通過訓練機器學習模型，如支持向量機（SVM）、卷積神經網絡（CNN）等，來實現對不同類別物體的自動識別和分類。

6）目標跟蹤和定位：在視頻處理中，機器視覺常常需要對目標進行跟蹤和定位。通過分析連續幀圖像中的物體變化，采用卡爾曼濾波等相關濾波跟蹤算法，可以實現對目標物體在圖像序列中的軌跡跟蹤和位置估計。

7）決策與反饋：最后，機器視覺系統根據對圖像或視頻數據的分析結果進行決策和反饋。根據具體的應用場景，機器視覺可以輸出圖像報警、控制執行器、完成自主導航等操作。

總體而言，機器視覺技術涉及圖像采集、圖像預處理、特征提取、特征匹配、物體識別與分類、目標跟蹤和定位、決策與反饋等步驟。通過這些步驟的組合與優化，機器視覺系統可以實現對圖像和視頻數據的全面解析與理解，從而實現各種應用，如自動檢測、目標跟蹤、人臉識別、無人駕駛等。

2" " 機器視覺幾何信息檢測系統概述

本文所述幾何信息檢測系統通過利用經過標定的工業相機采集鋼結構預制件圖像信息，通過圖像處理模塊對圖像進行畸變矯正及點云分割等獲取圖像特征，進而獲取被測物體幾何參數信息，并呈現于人機交互界面，達到數字化信息管控的目的，如圖1所示。

系統的基本原理是光沿直線傳播。如圖2所示，地物與照片形成了相似三角形，由此可以建立起相框平面坐標系與地物空間三維坐標系的聯系，從而建立相應的方程，通過獲取照片解算出物體的真實坐標。

其中相機成像模型是一種數學模型，用于描述相機將三維空間中的物體映射到二維圖像上的過程，包括世界坐標系、相機坐標系、圖像坐標系與像素坐標系之間的轉換，如圖3所示，其中物理坐標系（x，y）與像素坐標系（u，v）位于同一平面。

可以通過旋轉矩陣R與平移矩陣T表示世界坐標系與相機坐標系的轉換關系：

式中：H1、H2分別為內參與外參矩陣。

3" " 檢測系統硬件設計

工業相機在機器視覺系統中扮演著至關重要的角色，它的作用和重要性主要體現在以下幾個方面。

1）圖像獲取與轉換：工業相機作為機器視覺系統中的“眼睛”，負責捕捉目標物體的圖像，將光信號轉化為電信號。這一過程至關重要，因為圖像的質量直接影響到后續圖像處理和分析的準確性。采用工業相機可以確保圖像的穩定性和高分辨率，這對于進行精確測量和識別必不可少。

2）適應性與靈活性：工業相機具有多種分類標準，如按照芯片類型（CCD或CMOS）、傳感器結構特性（線陣或面陣）、掃描方式（隔行或逐行）、分辨率大小、輸出信號方式（模擬或數字）等進行劃分。這種多樣性使得工業相機能夠適應各種不同的應用場景，無論是高速運動物體的檢測，還是對靜態物體的高精度測量，工業相機都能提供相應解決方案。

3）圖像傳輸與信號處理：工業相機不僅采集圖像，還負責圖像的傳輸。現代工業相機通常配備多種輸出接口，如USB、1394a/1394b、GigE、Camera Link等，這些接口確保了圖像數據能夠高效、穩定地傳輸到圖像處理系統中。信號處理能力也是工業相機的重要特性，特別是對于數字相機，內置的A/D轉換器能夠將圖像信號數字化，減少傳輸過程中的噪聲和衰減。

4）性能優勢：與傳統民用相機相比，工業相機具有更高的圖像穩定性、更快的傳輸速度和更強的抗干擾能力。工業相機通常采用高質量的圖像傳感器，如CCD或CMOS，它們具有高靈敏度、高信噪比等特點，能夠捕捉到微弱的信號。此外，工業相機還具有高幀率和高分辨率，能夠滿足高速和高精度的視覺檢測需求。

5）集成與兼容性：工業相機可以與多種圖像采集卡和采集系統兼容，使得整個機器視覺系統能夠高效集成。例如，工業相機與特定的采集卡接口匹配，可以確保圖像信號的正確傳輸和處理。此外，工業相機還可以與其他傳感器、執行機構等配合使用，共同構建一個完整的機器視覺解決方案。

綜上所述，工業相機是機器視覺系統的核心組件之一，它不僅負責圖像的獲取，還影響到圖像處理與分析的精度和效率。因此，選擇合適的工業相機對于實現高質量的視覺檢測至關重要。

本系統選用30臺大恒MER2-2000-6GMC型工業相機搭配8 mm定焦鏡頭組成圖像采集矩陣并計算生成高精度點云數據。大恒MER2-2000-6GMC型工業相機具有2 000萬像素的分辨率，具體為5 496（H）×

3 672（V），能夠捕捉到高清晰度的圖像，滿足在鋼結構產線中對于鋼箱尺寸高精度檢測的需求，并且幀率可達5.8 fps，能夠實現快速、連續的圖像采集，適用于高速檢測場景。其次，大恒工業相機內部采取的特殊感光芯片能夠提供高質量的圖像信號。

圖像采集矩陣分布示意圖如圖5所示，測量物體范圍可擴展為12 m×4 m×5 m，滿足工廠對大尺寸鋼結構構件的自動化檢測需求。

構件圖像采集多相機矩陣系統可以實現多視角覆蓋，提供更廣泛的視野覆蓋，多個攝像頭可以同時捕捉多個視角的信息，從而獲得更全面的場景信息；并且系統可以靈活配置重疊和非重疊的攝像頭組合，確保在各種復雜環境中都能提供準確的視覺信息，提高檢測系統的精確度。

多個攝像頭可以保證互補信息，減少單個攝像頭的視線盲區，提高系統魯棒性。通過多視點特征匹配，可以更準確地估計三維點的位置，從而提高SLAM（Simultaneous Localization and Mapping，同時定位與地圖構建）系統的精度。并且經過多攝像頭系統的數據融合，可以更有效地最小化重投影誤差，提高鋼箱構件幾何信息的準確性。

多攝像頭系統可以利用捆綁調整技術，優化所有攝像頭的數據，從而提高姿態和鋼箱構件尺寸的估計精度，并通過跨多個攝像頭的特征匹配，減少冗余特征，降低計算復雜度，提高系統的實時處理能力。并且多攝像頭系統的構建還可以適應工廠的復雜生產環境，適應不同的生產與檢測需求，滿足不同鋼箱尺寸的精確檢測。

4" " 檢測系統軟件設計

系統軟件計算流程如圖6所示。

系統軟件流程主要包括相機畸變矯正、目標測量流程、模型支流程與測量支流程四個部分。工業相機獲取圖像后，經過畸變矯正部分，將拍攝圖片轉變為無畸變圖像，并通過興趣點分析及匹配形成點云數據，經過點云分割處理后生成構件三維mesh模型，并貼入紋理，完成測量工作。其中模型支流程主要內容為在系統通過興趣點分析及匹配形成點云數據，并經過點云加密后生成三維mesh模型，并為三維模型貼入紋理，使其呈現出鋼箱原始圖像。

4.1" " 相機畸變矯正

由于在實際拍攝過程中存在裝配誤差和透視失真等原因，理想成像與實際成像會存在誤差，造成圖像畸變。所以需要通過拍攝標定板照片解算出相機畸變參數，再通過畸變參數將拍攝照片轉換為基本無畸變的圖像，提高檢測精度。

相機畸變矯正的意義在于確保圖像的準確性和一致性，尤其是對于多相機系統來說，由于相機數量的增多，每臺相機都會出現圖像畸變的情況，導致誤差疊加，降低圖像的整體質量，影響檢測精度。畸變矯正可以確保各個相機捕獲的圖像具有相同的幾何特性，有助于減少不同視角之間的不一致，方便進行數據融合和分析，提高檢測的精準度。

在特征匹配和目標檢測等應用中，畸變矯正還可以提高特征點的檢測準確性和匹配成功率。矯正后的圖像可以提供更準確的邊緣和形狀信息，有助于提高圖像分割和目標識別的性能。

同時，在鋼結構自動化產線中，畸變矯正有助于確保檢測系統的準確性，提高生產效率和產品質量。并且由于減少了人工因素的干預，其還可以提高工廠整體自動化生產水平，實現自動化標定與校準。計算公式如下：

式中：xdt、ydt為畸變后像素坐標；x、y為理想坐標；p1、p2為切向畸變參數；r2=x2+y2。

4.2" " 目標測量流程

系統采用尺度不變特征變換（SIFT）算法[4]進行圖像特征提取，在不同的尺度空間上查找關鍵點。SIFT算法可分為以下四個步驟：

1）尺度空間極值檢測：搜索所有尺度上的圖像位置。通過高斯微分函數來識別潛在的對于尺度和旋轉不變的興趣點。

2）關鍵點定位：在每個候選的位置上，通過一個擬合精細的模型來確定位置和尺度。關鍵點的選擇依據為它們的穩定程度。

3）方向確定：基于圖像局部的梯度方向，分配給每個關鍵點位置一個或多個方向。后面所有對圖像數據的操作都相對于關鍵點的方向、尺度和位置進行變換，從而提供對于這些變換的不變性。

4）關鍵點描述：在每個關鍵點周圍的鄰域內，在選定的尺度上測量圖像局部的梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。

特征提取會選取出局部特征點極大值以及它們的描述算子，之后通過最近鄰匹配（Nearest neighbor search，NNS）算法，對特征提取中生成的描述算子進行搜索匹配，尋找篩選到最可能的匹配點對（即同名相對，真實空間中同一個點在不同照片上的點組成的集合）。

對于所有照片逐對進行興趣點分析匹配，找出所有可信的同名相對，每一個同名相對都可以同相機的外方位元素共同組建一個共線方程組，可求解同名相對空間點的相對空間坐標，也就是空間前方交匯。示意圖如圖7所示。

在實際使用過程中，測量誤差且方程數過多會導致未知數個數冗余，分別求解會產生一定的矛盾，為了平衡解算矛盾、提高解算精度和整體模型穩定性，對所有方程統一使用光束平差法（Bundle Adjustment，BA）優化重投影誤差。光束平差法可以通過優化相機位姿和三維點坐標來減小重投影誤差，在每次迭代過程中，會根據當前的誤差計算梯度，并沿著梯度的反方向更新相機的位姿和三維點的坐標，重復進行直至重投影誤差達到一個可接受的水平或達到預設的迭代次數。由此可以計算出一部分空間點的三維坐標，這些空間點的集合稱之為空間稀疏點云。通過逐像素計算圖像中每一個像素點對應的三維點，得到場景物體表面密集的三維點云，完成點云加密。

4.3" " 測量支流程

由于生成的三維點云數據過于繁雜冗余，需要采取點云分割技術將復雜的三維點云數據分解成更小、更易于處理的部分，從而提高測量的精度和效率。通過點云分割可以幫助將點云中的不同部分分類為具有特定語義標簽的區域，更加容易地提取點云中的關鍵特征，如邊緣、平面和曲面等，簡化后續的處理流程，減少需要處理的數據量，從而降低計算復雜度，提高處理速度。并且，在工業產線中，分割和識別點云中的不同部分，有助于檢測制造過程中的缺陷，如表面裂紋、凹陷等，確保產品質量。

點云分割部分采用隨機抽樣一致性算法（Random sample consensus，RANSAC）從一系列包含有離異值的數據中計算出數學模型參數。通過隨機抽樣一致算法可以有效地識別點云中的平面、圓柱體等幾何結構，提高分割的準確性和魯棒性。在過濾掉細碎噪聲平面后，構建三相交平面空間方程，計算出各交點坐標與交點之間的距離，并通過實際測量與計算值之間的比例構建比例參數，將計算距離轉換為實際距離。

利用mesh建模技術創建和編輯多邊形組成的網格結構，用來準確高效地描述物體的形狀、紋理和表面屬性。生成三維mesh模型后，通過格網的角點所對應的照片坐標獲取對應的實際顏色，當獲取到多個顏色時，依據最佳實現原則進行選擇[5]，完成對mesh模型的紋理貼入。

5" " 總結與展望

近年來，裝配式建筑因其施工速度快、綠色環保等優勢，受到了越來越多客戶的青睞。因此，預制構件是否合格成為關系人民生命財產安全的一件大事，其中預制構件的尺寸就是重要的一項，其直接關系到拼裝進度和安全，于是如何更快、精度更高地檢核預制構件的尺寸，就成了業內人士亟待解決的問題之一。

基于此，本文設計了基于機器視覺的非接觸式大尺寸構件結構幾何參數自動化檢測系統，彌補了傳統測量方式的不足，可以實現對鋼結構預制構件的自動化檢測，并生成數字化結果，實現全流程生產的信息化管控。

構建基于機器視覺的構件幾何信息檢測系統在鋼結構生產線中意義非常重大。機器視覺系統能夠提供高分辨率的圖像，從而實現對鋼結構構件的精確測量和檢測。這可以大大提高檢測的精度，確保構件的幾何尺寸和形狀符合設計要求，并且可以實現實時采集和分析數據，使得檢測過程更加高效，從而大大減少傳統人工檢測的時間和成本，有助于企業降本增效。

通過自動化檢測的技術手段，可以減少人為因素對于鋼箱尺寸檢測的影響，并且機器視覺系統可以自動記錄和分析數據，減少人工重復檢查的工作量，提高工作效率。

就生產質量與安全性來說，機器視覺系統可以檢測出構件表面的裂紋、凹陷、氣孔等缺陷，確保構件的完整性和安全性。并且未來結合BIM技術，機器視覺系統可以指導智能焊接機器人進行高效、精確的焊接操作。同時，雙機器人協調作業可以提高生產效率，提供生產冗余，確保生產過程的連續性和穩定性。

總體來說，構建基于機器視覺的構件幾何信息檢測系統在鋼結構生產線中具有重要意義。它不僅提高了檢測的精度和效率，減少了人為錯誤，保障了生產質量和安全性，還提升了生產自動化水平，能夠支持遠程監控和維護，促進技術創新和應用。這些優勢將使機器視覺技術在鋼結構生產和檢測中發揮越來越重要的作用。

[參考文獻]

[1] 費廣清.鋼結構模塊化建筑創新實踐分析[J].安徽建筑，2024，31（6）：60-61.

[2] 侯兆新，劉曉剛.鋼結構建筑產業化關鍵技術與示范[J].建筑鋼結構進展，2021，23（10）：1-11.

[3] 柴子怡.基于計算機視覺的鋼構件尺寸測量應用研究[J].建筑施工，2024，46（2）：186-189.

[4] MISTRY D，BANERJEE A.Comparison of feature detec-

tion and matching approaches：SIFT and SURF[J].GRD Journals-Global Research and Development Journal for Engineering，2017，2（4）：7-13.

[5] JANG G R，SHIN Y D，YOON J，et al.Real-time Polygon Generation and Texture Mapping for Tele-operation

using 3D Point Cloud Data[J].Journal of Institute of Control，Robotics and Systems，2013，19（10）：928-935.

收稿日期：2024-10-29

作者簡介：譚華泰（1984—），男，廣東化州人，工程師，研究方向：機械機構。