許楠楠+劉纏牢

摘要：

基于機(jī)器視覺技術(shù)，采用平行光投影獲取光學(xué)元件輪廓圖像，通過行掃描提取目標(biāo)，使用最小二乘線性回歸邊緣檢測(cè)方法，將直線邊緣定位精度達(dá)到亞像素級(jí)別，使測(cè)量精度達(dá)到微米級(jí)。實(shí)驗(yàn)結(jié)果表明，采用機(jī)器視覺的非接觸測(cè)量方法可以實(shí)現(xiàn)對(duì)光學(xué)元件外徑的快速準(zhǔn)確測(cè)量。

關(guān)鍵詞：

機(jī)器視覺； 目標(biāo)提?。?亞像素邊緣檢測(cè)

中圖分類號(hào)： TN 274文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.1005-5630.2016.04.003

Based on machine vision technology，we use the parallel light projection to obtain optical element contour image.By line scan to extract target，we use the least squares linear regression edge detection method and achieve the linear edge location accuracy to sub-pixel level so that measurement precision can reach micron level.The experimental results show that the machine vision method of non-contact measurement can achieve fast and accurate measurement of the optical element diameter.

Keywords：

machine vision； target extraction； sub-pixel edge detection

引言

現(xiàn)代科學(xué)技術(shù)中，對(duì)光學(xué)元件的檢測(cè)主要包括基本量測(cè)量、材料特性測(cè)量、光學(xué)系統(tǒng)特性及像質(zhì)檢測(cè)[1]。其中最基礎(chǔ)的是對(duì)元件基本量的測(cè)量，對(duì)透鏡來說即是對(duì)幾何尺寸、光學(xué)表面質(zhì)量的測(cè)量，其中光學(xué)面因其制造工藝的復(fù)雜性，易引起加工誤差，從而備受人們關(guān)注，相繼研究出較多檢測(cè)方法[2-3]。相對(duì)而言，對(duì)非光學(xué)面的測(cè)量關(guān)注度較少，如直徑、厚度等，還處于手動(dòng)接觸式測(cè)量階段，如游標(biāo)卡尺，千分尺等，這些檢測(cè)方法需耗費(fèi)大量勞動(dòng)力，速度也慢，已不滿足現(xiàn)代工業(yè)的要求。近年來，基于機(jī)器視覺的測(cè)量技術(shù)已經(jīng)在國(guó)外得到了廣泛的應(yīng)用[4-5]，其相對(duì)于接觸式測(cè)量，有以下幾個(gè)優(yōu)點(diǎn)：（1） 排除接觸測(cè)量對(duì)物體表面的損傷；（2） 測(cè)量可以連續(xù)進(jìn)行，無需停止目標(biāo)移動(dòng)；（3） 因?yàn)槭菙?shù)字圖像處理，計(jì)算機(jī)識(shí)別，排除了人為因素的影響。

因此本文應(yīng)用機(jī)器視覺技術(shù)搭建了一套完整的光學(xué)元件測(cè)量系統(tǒng)，重點(diǎn)介紹了系統(tǒng)的軟硬件結(jié)構(gòu)，結(jié)合行掃描的目標(biāo)提取方法以及亞像素邊緣檢測(cè)，對(duì)光學(xué)元件的基本參數(shù)進(jìn)行了快速準(zhǔn)確的測(cè)量。

1機(jī)器視覺測(cè)量系統(tǒng)設(shè)計(jì)

本系統(tǒng)的組成分為兩部分：硬件系統(tǒng)和軟件系統(tǒng)。硬件系統(tǒng)主要完成圖像采集，使用攝像機(jī)及配套的圖像數(shù)據(jù)采集系統(tǒng)，采集能夠反映光學(xué)元件特征的圖像。如圖1所示，光源背光照射物體，經(jīng)光學(xué)系統(tǒng)成像于面陣相機(jī)的光敏面上，圖像采集卡接收從攝像機(jī)中輸入的模擬電信號(hào)，通過A/D轉(zhuǎn)換為數(shù)字信號(hào)，經(jīng)USB接口傳入計(jì)算機(jī)，計(jì)算機(jī)通過軟件對(duì)采集的圖像數(shù)據(jù)進(jìn)行處理，從而能快速、精確地計(jì)算出該光學(xué)元件的尺寸，并將結(jié)果顯示出來。

實(shí)驗(yàn)中，使用平行光管產(chǎn)生背景光；由于普通鏡頭在進(jìn)行尺寸測(cè)量時(shí)會(huì)有畸變大、物距不同放大倍率不同等問題，因此選用遠(yuǎn)心鏡頭GCO-230206，雙方（物方、像方）遠(yuǎn)心設(shè)計(jì)，放大倍率為0.24×，工作距離為72 mm，光學(xué)畸變小于0.2%，可有效解決普通鏡頭存在的問題，獲取更好的像質(zhì)。采用單色面陣相機(jī)MER-500-7UM，分辨率為2 592×1 944，靶面大小為1/2.5英寸（1英寸=2.54 cm），USB 3.0數(shù)據(jù)線與PC相連，配合相應(yīng)驅(qū)動(dòng)軟件使用。根據(jù)鏡頭及相機(jī)的參數(shù)，可確定出此測(cè)量系統(tǒng)的視場(chǎng)范圍約為23.75 mm×17.87 mm。

軟件部分主要完成圖像處理和尺寸測(cè)量。如圖2 所示，對(duì)獲取圖像的處理包括：圖像預(yù)處理、特征提取、邊緣檢測(cè)、尺寸計(jì)算等模塊。

2.1目標(biāo)提取方法選擇

視覺系統(tǒng)中的一個(gè)重要問題就是從圖像中識(shí)別代表物體的區(qū)域（或子圖像），最簡(jiǎn)單的方法是背景減法[6]，利用當(dāng)前圖像與背景圖像的差分來檢測(cè)目標(biāo)區(qū)域，它能提供最完全的特征數(shù)據(jù)；但它對(duì)周圍環(huán)境引起的變化比較敏感，如何將這些變化標(biāo)記為背景還在研究中。還有一種是閾值分割法[7]，利用圖像中要提取的目標(biāo)物體與背景在灰度特性上的差異，從而把圖像視為具有不同灰度等級(jí)的兩類區(qū)域的組合。本實(shí)驗(yàn)所得圖像背景中包含了兩個(gè)灰度等級(jí)，無法提取出目標(biāo)物。

在檢測(cè)目標(biāo)位置時(shí)，會(huì)用到一種垂直投影法[8]，即將僅含目標(biāo)物的二值圖像投影于橫縱兩個(gè)方向上，根據(jù)投影上非零點(diǎn)的位置，確定目標(biāo)物的位置。該方法是在能單獨(dú)顯示目標(biāo)物的前提下進(jìn)行，一般應(yīng)用于背景較大，目標(biāo)較小的情況。本文將投影法與輪廓跟蹤的思想相結(jié)合，提出了一種基于行掃描的目標(biāo)提取方法，通過掃描的方式找出物體的輪廓，根據(jù)輪廓的一些特征，判斷是否為目標(biāo)物。結(jié)合本實(shí)驗(yàn)圖像，先去除了不與目標(biāo)相連通的干擾，而后根據(jù)圖3所示流程，獲取目標(biāo)物。

2.2圖像傾斜的影響

在實(shí)驗(yàn)過程中發(fā)現(xiàn)，由于裝夾、振動(dòng)等原因，拍攝到的目標(biāo)物會(huì)傾斜，如圖4所示，這會(huì)產(chǎn)生以下幾方面影響：

（1） 實(shí)際掃描的邊界距離D2大于真實(shí)邊界距離D1；

（2） 不能完全獲取目標(biāo)區(qū)域，且傾角越大，實(shí)際獲取的目標(biāo)區(qū)域H越??；

（3） 后續(xù)邊緣檢測(cè)中會(huì)產(chǎn)生干擾邊緣線。

因此需對(duì)圖像進(jìn)行傾斜校正，通常采用Radon變換[9]，即圖像在某一指定角度射線方向上投影的變換方法，如圖5所示。二維圖像f（x，y）的投影是其在某一方向上的線積分，可以沿任意角度計(jì)算圖像投影，即任意角度都存在圖像的Radon變換，如式（1）所示。

我們知道，一條直線沿它的法線方向投影所得的投影線最長(zhǎng)，而沿其平行方向投影最短。對(duì)二值圖像而言，某方向上積分（即點(diǎn)個(gè)數(shù)）很大則表明該方向上有較強(qiáng)的線性，也就是存在線段。Radon變換矩陣中的這些峰值的列坐標(biāo)θ就是與原始圖像中直線垂直的傾斜角度，所以圖像中直線的傾角為90°-θ。

3邊緣檢測(cè)

3.1邊緣檢測(cè)概述

邊緣是圖像最基本的特征，反映了圖像灰度的不連續(xù)性。邊緣存在于圖像中的物體與背景、物體與物體之間，即不同灰度值的相鄰區(qū)域之間，包括了目標(biāo)物體邊界的三個(gè)主要信息：邊緣強(qiáng)度，邊緣方向和邊緣法線方向。邊緣檢測(cè)技術(shù)正是利用背景與物體之間存在的某種圖像特性上的差異來實(shí)現(xiàn)的，包括顏色、灰度或紋理特征等。在灰度圖像中，邊緣位置有一特質(zhì)，即像素的灰度值有很大的變化，那么我們就可以通過考察其一階導(dǎo)數(shù)出現(xiàn)最大值的位置，以及二階導(dǎo)數(shù)出現(xiàn)零交叉點(diǎn)的位置，即可判斷邊緣像素的位置[10]。

3.2亞像素邊緣檢測(cè)

在長(zhǎng)期對(duì)圖像邊緣檢測(cè)的研究中，不斷涌現(xiàn)出許多圖像邊緣檢測(cè)的方法，隨著工業(yè)檢測(cè)技術(shù)的飛速發(fā)展，對(duì)檢測(cè)精度的需求也越來越高，邊緣檢測(cè)也從像素級(jí)提高到亞像素級(jí)。其中最小二乘線性回歸亞像素定位方法[11]，檢測(cè)速度快，精度可達(dá)0.1個(gè)像素，常用于零件尺寸的檢測(cè)中。它是在像素級(jí)邊緣檢測(cè)的基礎(chǔ)上，對(duì)邊緣像素點(diǎn)進(jìn)行最小二乘線性回歸，得到亞像素定位。對(duì)于包含邊緣像素的向量組Ei={E1，E2，…，En}，采用最小二乘線性回歸估計(jì)直線系數(shù)α，即

如果邊緣點(diǎn)滿足正態(tài)分布，線性參數(shù)的最小二乘估計(jì)是無偏估計(jì)。由式（6）求得線性估計(jì)的參數(shù)，從而得到回歸的直線，所求直線就是通過邊緣像素點(diǎn)的亞像素位置。當(dāng)參加估計(jì)的點(diǎn)越多，回歸精度越高，噪聲的影響就越小。

4外徑計(jì)算及結(jié)果分析

本文以一凹透鏡為待測(cè)件，其外徑為測(cè)量目標(biāo)，使用上述測(cè)量系統(tǒng)，在MATLAB 7.1平臺(tái)上，完成測(cè)量實(shí)驗(yàn)，所得處理結(jié)果如圖6所示。

待測(cè)件外徑真值通過三坐標(biāo)測(cè)量機(jī)測(cè)得為15.065 0 mm，實(shí)際測(cè)量結(jié)果如表1所示。

由表1可見，像素級(jí)邊緣檢測(cè)的誤差為幾十個(gè)微米，而最小二乘線性回歸亞像素定位方法的誤差只有幾個(gè)微米，大大提高了測(cè)量精度。此外試驗(yàn)中還分別對(duì)外徑為23.375 0 mm和3.764 2 mm的透鏡進(jìn)行測(cè)量，其結(jié)果分別為23.372 5 mm和3.763 6 mm，說明只要待測(cè)件大小在視場(chǎng)范圍內(nèi)，精度都可達(dá)到微米級(jí)。同時(shí)，因物體大小越接近視場(chǎng)范圍，對(duì)其放置位置的要求就越高，因此在工業(yè)應(yīng)用中，待測(cè)件外徑應(yīng)不超過20 mm。

5結(jié)論

機(jī)器視覺技術(shù)以其精度高，速度快等特點(diǎn)，廣泛應(yīng)用于工業(yè)生產(chǎn)過程中，針對(duì)不同目標(biāo)物，能快速準(zhǔn)確提取出有效信息，是保證檢測(cè)系統(tǒng)精度和速度的前提。本文基于機(jī)器視覺檢測(cè)技術(shù)，在實(shí)驗(yàn)室條件下，對(duì)光學(xué)元件的外徑進(jìn)行了實(shí)際測(cè)量。檢測(cè)結(jié)果表明，行掃描的目標(biāo)提取方法能很好地提取有效信息，采用亞像素邊緣定位的檢測(cè)方法，將系統(tǒng)檢測(cè)精度提高到微米級(jí)，說明該檢測(cè)系統(tǒng)可對(duì)光學(xué)元件的外徑實(shí)現(xiàn)高精度在線測(cè)量，這對(duì)實(shí)現(xiàn)光學(xué)元件基本尺寸的在線測(cè)量具有重要意義。

參考文獻(xiàn)：

[1]徐德衍，王青，高志山，等.現(xiàn)行光學(xué)元件檢測(cè)與國(guó)際標(biāo)準(zhǔn)[M].北京：科學(xué)出版社，2009.

[2]WANG F J，XIAO W，PAN F，et al.Curvature measurement of optical surface using digital holography[J].Optics and Lasers in Engineering，2011，49（7）：903-906.

[3]YANG Y Y，LU C H，LIANG J，et al.Microscopic dark-field scattering imaging and digitalization evaluation system of defects on optical devices precision surface[J].Acta Optica Sinica，2007，27（6）：1031-1038.

[4]劉曙光，劉明遠(yuǎn)，何鉞.機(jī)器視覺及其應(yīng)用[J].河北科技大學(xué)學(xué)報(bào)，2000，21（4）：11-15，26.

[5]KAZANSKIY N L，POPOV S B.Machine vision system for singularity detection in monitoring the long process[J].Optical Memory and Neural Networks，2010，19（1）：23-30.

[6]孫東衛(wèi)，朱程輝.基于Radon變換的傾斜車牌圖像角度檢測(cè)與校正[J].微計(jì)算機(jī)應(yīng)用，2008，29（2）：18-21.

[7]陳龍.輔助視覺中的圖像處理關(guān)鍵技術(shù)研究[D].西安：西安電子科技大學(xué)，2013.

[8]繆鑫.簡(jiǎn)單背景圖像中的目標(biāo)提取技術(shù)研究[J].科協(xié)論壇（下半月），2009（7）：32-33.

[9]鄒星.車牌識(shí)別中的圖像提取和分割算法[J].重慶工學(xué)院學(xué)報(bào)（自然科學(xué)版），2009，23（8）：19-23，28.

[10]吳曦.基于MATLAB的圖像邊緣檢測(cè)算法的研究和實(shí)現(xiàn)[D].長(zhǎng)春：吉林大學(xué)，2014.