童煒健 方錦樹 余漢泉

（佛山科學技術(shù)學院，廣東 佛山 528231）

0 引言

測量技術(shù)是現(xiàn)代化工業(yè)的基礎技術(shù)之一。作為工業(yè)發(fā)展的基礎，現(xiàn)代化測量技術(shù)是在現(xiàn)代化生產(chǎn)中保證產(chǎn)品質(zhì)量的關(guān)鍵。測量的精度和效率在一定程度上決定了制造業(yè)乃至科學技術(shù)發(fā)展的水平。

目前，一般通過游標卡尺、螺旋測微器以及三坐標測量等方式測量相關(guān)參數(shù)。一方面，這類測量方式都需要接觸零件表面，會導致零件表面出現(xiàn)一定程度的損傷，而基于機器視覺的測量具有非接觸性、非破壞性、精度高以及速度快等特點。另一方面，人員測量不可避免地會出現(xiàn)效率低、因疲勞而導致誤檢等現(xiàn)象，難以滿足如今制造業(yè)實行的實時、快速、在線和非接觸檢測的要求，而基于機器視覺的測量方法填補了人工檢測存在的缺陷。運用工業(yè)攝像頭和圖像處理方法對樣品的外觀尺寸（例如外形輪廓、孔徑、高度、面積以及角度等）進行非接觸式自動化測量是一種新興測量技術(shù)。該技術(shù)通過自動化測量和分析，擺脫因人工操作而產(chǎn)生誤差的影響，具有精度高、檢測范圍大以及檢測速度快的特點，可以滿足企業(yè)生產(chǎn)對實時在線檢測、長時間以及高精度重復工作的要求。

1 系統(tǒng)設計原理

測量裝置的功能價值需求包括以下3點：1） 項目裝置使用顯微攝像頭和動態(tài)掃描對拍攝的樣品圖片進行合成，具有智能、高精度、非接觸性、非破壞性、精度高以及速度快等特點。2） 項目裝置使用嵌入式系統(tǒng)代替PC端，大大降低了成本，具有較高的便攜性。3） 項目裝置具有控制調(diào)試手段，且成本較低，系統(tǒng)穩(wěn)定。

針對以上功能要求，該裝置的功能設計如下：以ARM開發(fā)板為核心平臺，與顯微攝像平臺構(gòu)成一體化功能設備。首先，由顯微攝像頭對待測樣品進行圖像采集。其次，由OpenCV圖像處理算法程序在核心板上對圖像包進行拼接整合，得出檢測數(shù)據(jù)。最后，將所得數(shù)據(jù)轉(zhuǎn)交操作系統(tǒng)平臺進行數(shù)據(jù)可視化，主要功能設計如圖1所示。

圖1 主要功能設計圖

嵌入式系統(tǒng)初始化后進入等待操作模式，操作者單擊屏幕開始操作，嵌入式系統(tǒng)利用移動載物臺和顯微攝像頭對被測物體進行掃描拍攝并儲存，圖像采集完成后對采集到的圖片進行拼接，使其組成1張能完整顯示被測物體的圖片，對樣品圖片進行分析計算，即可得出該樣品的具體參數(shù)并在屏幕上顯示。嵌入式系統(tǒng)初始化后，如果操作者長時間未進行操作，系統(tǒng)就將進入低功耗模式，關(guān)閉屏幕等耗電較大的模塊，等待操作者喚醒系統(tǒng)。主要功能流程如圖2所示。

圖2 精密智能測量流程圖

2 硬件設計原理

該測量裝置以嵌入式系統(tǒng)為主，是對攝像頭、顯示屏以及可移動載物臺等各個硬件模塊進行集成的功能一體化設備，其設計外觀如圖3所示。作為核心主控系統(tǒng)，ARM嵌入式系統(tǒng)對各個功能模塊進行連接控制，其具體的功能結(jié)構(gòu)框架如圖4所示。

圖3 裝置外觀設計圖

圖4 裝置總體結(jié)構(gòu)框架圖

2.1 主控系統(tǒng)

鑒于OpenCV可以在Linux、Windows、Android和macOS操作系統(tǒng)上運行，采用英偉達Jetson Nano嵌入式開發(fā)板作為上位機，Jetson Nano的CPU是四核ARM A57內(nèi)核，AI算力最高473GFLOPS，在性價比和主板性能等方面均符合計劃要求。同時，該開發(fā)板已搭載Ubuntu系統(tǒng)，安裝配置即可實現(xiàn)OpenCV和QT可視化界面的功能。通過在該開發(fā)板上植入運行基于QT所設計的用戶操作界面，使用戶可以在該操作界面實時操控及掌握檢測數(shù)據(jù)（替代PC端），在實現(xiàn)降低成本的同時，大大提高便攜性。

2.2 攝像頭

攝像頭使用Linux系統(tǒng)UVC協(xié)議免驅(qū)工業(yè)顯微攝像頭，無需安裝驅(qū)動即可在嵌入式系統(tǒng)中使用，且攝像頭具有無畸變矯正算法，大大降低了拍攝帶來的誤差。采用機器視覺方法實現(xiàn)大尺度樣品的精細測度測量存在1組矛盾，即量程和精度要求之間的相互矛盾關(guān)系。如果采用廣角攝像頭實現(xiàn)大量程的測量，就意味測量精度會降低，而采用顯微攝像頭實現(xiàn)精密尺度測量，其量程范圍會變小。為了解決這一矛盾，該項目提出采用動態(tài)掃描顯微攝像頭的方法，既利用顯微攝像頭實現(xiàn)精密尺度測量的功能，又利用動態(tài)掃描方法來實現(xiàn)大尺度樣品全景測量的功能。

2.3 可移動載物臺

動態(tài)掃描的難點在于軌跡運動速度及范圍，進行精準測量的目標物往往很小，那么就需要準確的移動定位以及移動時間，否則動態(tài)掃描就會出現(xiàn)圖像無法拼接的問題。該測量裝置通過利用對載物臺的可編程控制，可以把控掃描移動速度及距離。

可移動載物臺由STM32F1微控制器、3個DM420YS驅(qū)動器以及3個28微型步進電機直線滑臺組成，滑臺主體如圖5所示。對STM32F1進行C語言編程，控制其高級控制定時器TIM1～3通道向3個驅(qū)動器分別輸出3路特定占空比的PWM斬波恒流，從而實現(xiàn)通過3個驅(qū)動器對滑臺步進電機進行驅(qū)動的目標，滑臺因此得以在平面矩形內(nèi)移動，可由驅(qū)動器的撥碼開關(guān)調(diào)節(jié)細分數(shù)、對STM32F1定時器預分頻器進行編程控制以及C語言延時函數(shù)等方式實現(xiàn)精準控制滑臺移動速度及距離的功能。而STM32F1微控制器又通過USB串口與上位機主控系統(tǒng)進行連接，以實現(xiàn)數(shù)據(jù)通信，通過特定字符串命令實現(xiàn)主控系統(tǒng)實時控制載物平臺的功能。

圖5 滑臺結(jié)構(gòu)圖

2.4 顯示屏

為了呈現(xiàn)拍攝到的物體圖像和物體數(shù)據(jù)，特搭配10.1寸電容觸摸屏，單擊屏幕上即可完成對物體的采集、計算和數(shù)據(jù)顯示等操作。

3 圖像處理核心模塊簡述

作為該測量裝置關(guān)鍵的測量應用部分，核心圖像處理核心模塊主要分為圖像拼接模塊、圖像預處理模塊、圖像Canny邊緣檢測模塊以及圖像輪廓描繪和計算模塊。

在進行測量時，把被測物體放置在平移臺上，使用符合該試驗的顯微攝像頭進行拍攝，再使用載物臺移動物體并進行掃描拍攝，將得到的多張待測樣品圖例上傳圖像拼接模塊，由其利用特征信息對拍攝樣品進行處理，就可以獲得1張完整的待測樣品成型圖。但是這張成型的待測樣品圖例尚存在圖像背景因素和自身因素等干擾，并不能達到實際測量的要求，須經(jīng)圖像預處理模塊進行灰度化轉(zhuǎn)化和形態(tài)學處理后方可消除大部分無關(guān)因素的干擾。在此基礎上，將圖例傳給圖像Canny邊緣檢測模塊，以檢測明顯的待測樣品圖例的邊緣輪廓并自動在顯示屏上顯示，為測量者展示直觀的測量結(jié)果。最終待測樣品圖例將自動交付給圖像輪廓描繪和計算模塊，在Canny邊緣檢測圖和原圖上進行明顯的輪廓描繪，并計算符合實際測量要求的數(shù)據(jù)。

3.1 圖像拼接模塊

在實際開發(fā)中，圖像拼接技術(shù)一般包括5個部分：圖像特征的尋找和匹配、攝像機的校準、圖像的變形、曝光補償以及圖像融合，實現(xiàn)過程非常煩瑣。為了適應實際工業(yè)的開發(fā)、應用，該文主要把圖像拼接技術(shù)簡化為特征點的提取、圖像的配準以及圖像的融合3個部分，并采用OpenCV中的一個新模塊Stitching來對整體進行圖像拼接，它所有的相關(guān)函數(shù)都封裝在Stitcher類中。封裝的Stitcher類底層可以實現(xiàn)使用魯棒性的加速穩(wěn)健特征（SRUF）算法對圖像進行特征點提取的功能，同時使用隨機抽樣一致（RANCAC）算法進行圖像配準、融合，可以提高實際的開發(fā)效率。

例如，對待測樣品進行掃描采樣，采樣4張圖（如圖6所示），利用上述的圖像拼接技術(shù)準確識別這4張圖片的像素特征點，然后將各張圖片兩兩之間進行對比，選取相近的像素點進行拼接，最終可以獲得1張拼接成功的圖像，如圖7所示。由此可見，利用提取像素點進行圖像拼接的方式可以有效保證待測樣品輪廓的完整度。

圖6 樣品采樣圖

3.2 圖像預處理模塊

雖然對拍攝出來的多張圖片進行正確拼接后能得到的1張完整的拼接圖，但是它仍然包括與測量目標無關(guān)的信息，因此，為了凸顯測量目標信息，必須對圖像進行預處理。

3.2.1 圖像的灰度圖轉(zhuǎn)化

在圖像處理中，由于顯微攝像頭拍攝的圖像是彩色圖像，圖像的邊緣明顯存在部分微黃的色彩，這會對目標信息有很大的干擾，因此往往需要對圖像進行圖像灰度化，就是把彩色圖像轉(zhuǎn)化為灰度圖像。

彩色圖像通常包括3個分量（R、G和B），圖像灰度化就是使彩色圖像的R、G和B相等的過程，使圖像的每個像素介于黑色與白色之間的多級色彩深度中，當灰度值越大時，像素點越亮，反之則越暗。而圖像的灰度化值最小為0（黑色），最大值為255（白色）。

在圖像灰度化處理的過程中，往往涉及RGB顏色空間的轉(zhuǎn)換。需要根據(jù)實際需求將其顏色空間轉(zhuǎn)換為灰度圖像、二值圖像、HSV和HSI等顏色（其中，HSV為六角模型，由色度（Hue）、飽和度（Saturation）和明度（Value）共同組成，HSI為色彩空間，由色調(diào)(Hue)、色飽和度(Saturation)和亮度 (Intensity或Brightness)組成）。因此，該文主要采用OpenCV中的cvtColor()函數(shù)來實現(xiàn)轉(zhuǎn)換的過程。

OpenCV中的cvtColor()函數(shù)的原函數(shù)類型是cvtColor（src， code[， dst[，dstCn]]）。其中，src為輸入需要進行顏色空間轉(zhuǎn)換的圖像；dst為輸出轉(zhuǎn)換的圖像；code為轉(zhuǎn)換的代碼或標識；dstCn為目標圖像通道數(shù)，當其值為0時，就由src和code決定（其中，src為要輸入的源圖像參數(shù)，code為要輸入的圖像標識參數(shù)）。該文選擇COLOR_BGR2GRAY通道，可以將圖7中的成型色彩圖轉(zhuǎn)化為圖8的灰度圖。圖7與圖8相比，圖8的色彩變成了單一的灰色，明顯降低了其他色彩的干擾。

圖7 拼接成型圖

圖8 目標圖像灰度圖

3.2.2 圖像的形態(tài)學處理

當?shù)玫交叶葓D時，會發(fā)現(xiàn)目標圖像的邊緣總會是有凹凸不平的細小部分，甚至經(jīng)過灰度化后，目標圖像邊緣出現(xiàn)了其他無關(guān)且緊挨邊緣的細微突起點（如圖9所示），這些突起或存在邊緣周邊的點給邊緣的精確測量造成了不必要的影響，而使用形態(tài)學處理方式進行腐蝕和膨脹操作可以降低無關(guān)信息的影響。

圖9 圖像邊緣的像素點

在進行目標圖像的形態(tài)學處理前，需要對灰度化過的圖像進行圖像二值化閾值處理，減少圖像的無關(guān)數(shù)據(jù)，呈現(xiàn)明顯的黑白效果并凸顯目標的輪廓。該文對圖像的二值化閾值處理主要采用OpenCV技術(shù)中的threshold()函數(shù)，它的函數(shù)原型是threshold（src，dst，thresh，maxval，type），通過設定thresh閾值（0和255）、type通道類型（THRESH_BINARY_INV | THRESH_OTSU）來獲得目標圖像的二值化圖。

OpenCV中有為圖像的形態(tài)學變換提供了簡單、快捷的函數(shù)。該文采取最基本的2種形態(tài)學處理方式：腐蝕（Erosin）和膨脹（Dilation）。

在進行目標圖像形態(tài)學操作前，需要獲取類似于卷積和濾波對圖像進行操作的卷積核的結(jié)構(gòu)化元素，因此采用OpenCV中的getStructuringElement()獲取特定形狀、大小的結(jié)構(gòu)元素，函數(shù)原型為getStructuringElement（int shape， Size esize， Point anchor = Point（-1， -1））。當結(jié)構(gòu)元素大小定義的一個像素核矩陣接近一定上限時，能過濾圖9中目標圖像的上邊緣的細小素點就會增多；繼而使用morphologyEx()函數(shù)對圖9的目標圖像分別進行先腐蝕后膨脹的開操作試驗方法或先膨脹后腐蝕的閉操作實驗方法。經(jīng)過實際的運算測量，該文決定采用效果較好的閉操作，如圖10所示。而通過前后對比可知，圖10過濾了圖9中邊緣外的無關(guān)像素點后，圖像的輪廓邊緣更清晰、明了且更易處理。

圖10 閉操作處理圖

3.3 圖像Canny邊緣檢測模塊

在目標圖像經(jīng)歷過形態(tài)學處理后，圖像的無關(guān)信息已大大減少，此時便可采用Canny邊緣技術(shù)檢測目標圖像中較為明顯的像素點的組合，并整合成一定的圖像結(jié)構(gòu)信息，以對圖像邊緣檢測進行預處理，得到最好的檢測效果，如圖11所示。

圖11 Canny邊緣輪廓圖

但是在使用OpenCV中的Canny()函數(shù)進行邊緣檢測時，圖像邊緣非常容易受到噪聲的干擾，因此為了避免檢測到錯誤的邊緣信息，通常需要對圖像進行濾波，以去除噪聲[1]。而經(jīng)過實際測試發(fā)現(xiàn)，GaussianBlur()高斯濾波函數(shù)的去噪聲效果更好。同時，使用Canny()函數(shù)時可通過設置一個臨界值來剔除存在邊緣圖像內(nèi)的因噪聲而產(chǎn)生的虛邊緣。OpenCV中Canny()函數(shù)原型如下：Canny（image，threshold1，threshold2，[apertureSize[，L2gradient]]）。

3.4 圖像輪廓描繪和計算模塊

經(jīng)過上述的各種圖像處理操作，便可以利用目標圖像的結(jié)構(gòu)信息描繪輪廓和計算。該文主要采用OpenCV中的findContours()函數(shù)尋找輪廓邊緣，用contours數(shù)組來保存圖像數(shù)據(jù)信息，從而對輪廓的外邊緣和內(nèi)邊緣進行取舍以及對邊緣輪廓進行相關(guān)計算。并采用drawContours()函數(shù)對目標圖像的邊緣進行描繪[2]，以獲取目標圖像的輪廓成型圖。例如該文中的圖12，在完成Canny邊緣檢測的基礎上，描繪Canny檢測邊緣的結(jié)果，便可以直接、清晰地觀察黑白效果下物體的邊緣輪廓?？梢愿鶕?jù)Canny圖上描繪的結(jié)果在原圖上選取drawContours()函數(shù)對原樣品拼接合成圖上進行輪廓描繪，原圖描繪的結(jié)果如圖13所示。

圖12 Canny邊緣輪廓描繪圖

計算時，仔細觀察圖13中的圖像輪廓可以發(fā)現(xiàn)，它并不是平滑整齊的，而是存在不規(guī)則的曲線。因此，需要采用數(shù)學上的坐標軸和格林公式對曲線和曲面進行精確計算。如圖14所示（源碼示例），創(chuàng)建1個專門存儲圖像像素點的容器和1個存放像素點指向方向的容器，利用OpenCV中所封裝的具有計算曲面周長和面積功能的arcLength()函數(shù)和contourArea()函數(shù)擬合像素點，從而可以求出圖像周長長度和面積數(shù)據(jù)。由此可見，該文計算處理過程對實際物體的不規(guī)則輪廓計算有一定意義。

圖13 原圖輪廓描繪圖

圖14 arcLength()和contourArea()的使用過程

4 結(jié)語

隨著工業(yè)現(xiàn)代化的進一步發(fā)展，精密零部件對精度的要求也越來越高，樣品大尺度范圍的高精度尺度精密測量具有廣泛的科研和工業(yè)應用場景，例如陶瓷、玻璃和金屬等板件的缺陷檢測、尺度測量，機械構(gòu)件的尺度精密測量及其缺陷檢測等。