史正倩，宋志峰，林富生，余聯(lián)慶

(1.武漢紡織大學(xué)機(jī)械工程與自動化學(xué)院，湖北武漢 430200；2.三維紡織湖北省工程研究中心，湖北武漢 430200；3.湖北省數(shù)字化紡織裝備重點實驗室，湖北武漢 430200)

0 前言

在現(xiàn)代工業(yè)物品搬運中，AGV小車不需要駕駛員控制，能夠沿規(guī)定導(dǎo)引路徑行駛，因而廣受歡迎，發(fā)展迅速。目前，大多數(shù)AGV小車通過磁條導(dǎo)航、慣性導(dǎo)航、視覺導(dǎo)航定位。考慮適用性及成本等原因，目前多數(shù)學(xué)者對以視覺為主的導(dǎo)航方法進(jìn)行研究。

工業(yè)上，多采用Halcon機(jī)器視覺軟件，基于形狀模板匹配的方法得到相應(yīng)信息。為提高AGV小車運行的效率，學(xué)者們對模板匹配進(jìn)行了一系列探索研究。宋瑩瑩等利用Canny算法和曲線凸性得到邊界關(guān)鍵點，進(jìn)行關(guān)鍵點匹配，但受光照影響大，匹配結(jié)果不穩(wěn)定。孫秀娟提出了基于高斯尺度空間的模板匹配算法，與傳統(tǒng)模板匹配算法比，消耗時間減少了90%，但匹配時間仍需200～300多毫秒。劉金保采用Sobel算法得到邊緣信息，對搜索策略進(jìn)行改進(jìn)，提高了定位的準(zhǔn)確性，但對較小的旋轉(zhuǎn)角度檢測不敏感。

本文作者提出一種基于Halcon的AGV十字色帶糾位方法，對十字色帶特征標(biāo)志進(jìn)行XLD輪廓匹配，實時糾偏AGV小車，提高由地面、電機(jī)誤差造成AGV小車偏離的糾位準(zhǔn)確度。經(jīng)過實驗與分析，該方法不僅能成功獲取位置信息，而且匹配速度快、準(zhǔn)確率高，具有很強(qiáng)的抗干擾性和魯棒性。

1 AGV糾位系統(tǒng)

1.1 系統(tǒng)結(jié)構(gòu)

如圖1所示，AGV糾位系統(tǒng)主要由光源、鏡頭、相機(jī)、步進(jìn)電機(jī)及其驅(qū)動器、工控機(jī)組成。相機(jī)鏡頭與地面平行，AGV小車運行時，相機(jī)每隔2 s采集一次圖像傳輸給工控機(jī)。AGV糾位系統(tǒng)所用相機(jī)為SY003-V01，工控機(jī)為STX-N61_I521E，程序開發(fā)環(huán)境為Visual Studio 2015，操作平臺為Windows 7， Halcon聯(lián)合C#編程對采集圖像進(jìn)行信息處理，PLC接收相關(guān)信息并對步進(jìn)電機(jī)進(jìn)行閉環(huán)運動控制，起到糾位作用。

圖1 AGV小車系統(tǒng)

1.2 圖像處理軟件系統(tǒng)

圖像處理軟件系統(tǒng)基于由德國MVtec公司開發(fā)的機(jī)器視覺軟件Halcon進(jìn)行編程開發(fā)。圖像處理軟件系統(tǒng)主要分為4個模塊：模板生成模塊、圖像采集模塊、圖像檢測模塊、數(shù)據(jù)交互模塊。圖2所示為視覺糾位的流程。

圖2 視覺糾位流程

2 圖像處理

2.1 圖像預(yù)處理

此系統(tǒng)采用200萬像素、120°無畸變攝像頭采集圖像，將AGV小車擺正，單次采集一張色帶圖像。如圖3所示，采集到的色帶圖像往往會存在陰影、畸變等缺陷。因此，在形狀匹配前要進(jìn)行預(yù)處理。

圖3 采集的模板圖像

2.1.1 圖像校正

采集的模板圖像與理想模板存在角度偏差，為減少由此導(dǎo)致的誤差，對圖像進(jìn)行校正。使用rotate_image算子，將圖像上的每個點在二維平面上繞該圖像中心點(,)逆時針旋轉(zhuǎn)。

將坐標(biāo)軸上的原點平移到點，得到平移矩陣:

(1)

再旋轉(zhuǎn),得到旋轉(zhuǎn)矩陣:

(2)

將坐標(biāo)軸移回原位，得到平移矩陣：

(3)

最終得到校正矩陣：

=××

(4)

模板圖像上任意一點繞中心點旋轉(zhuǎn)后坐標(biāo)為

=×

(5)

2.1.2 圖像增強(qiáng)

采用基于XLD輪廓形狀的模型進(jìn)行匹配，對圖像邊緣細(xì)節(jié)要求較高。圖3所示的采集圖像存在大面積陰影，且邊緣模糊不清，對后續(xù)描述點的提取有很大干擾。為此，使用emphasize算子對校正后的圖像進(jìn)行圖像增強(qiáng)，消除部分干擾。

要使像素點之間灰度值差異大，有效消除部分噪聲，在一定范圍內(nèi)，內(nèi)核要盡可能大。因此，當(dāng)圖像大小為×?xí)r，創(chuàng)建一個大小為(4)×(4)的內(nèi)核，得到新的像素值：

=(-)×+

(6)

其中:為內(nèi)核的平均像素；為原像素；為影響因子。

圖4所示為圖像預(yù)處理后的效果，解決了拍攝畸變、光照不均的問題，為形狀描述做準(zhǔn)備。

圖4 圖像預(yù)處理效果

2.2 XLD輪廓模板匹配

傳統(tǒng)形狀匹配通過繪制ROI或者灰度值提取得模板形狀，獲取的形狀描述不準(zhǔn)確，會造成檢測準(zhǔn)確度低。此次檢測目標(biāo)主要是獲得十字色帶中心點像素坐標(biāo)及其旋轉(zhuǎn)角度，因而對匹配精度要求較高。為提高匹配精度與速度，以亞像素精度提取實例，采用XLD輪廓匹配法。

2.2.1 圖像特征提取

利用高斯導(dǎo)數(shù)構(gòu)造新的函數(shù)(,)，用圖片像素值(,)和(,)求卷積，得出濾波后圖像(,)。

這里高斯函數(shù)為

療效標(biāo)準(zhǔn)及結(jié)果：所根據(jù)的是MMSE。病人醫(yī)治前后的分?jǐn)?shù)值的差和病人醫(yī)治前的積分值的比值。大于0.2說明病情很大的好轉(zhuǎn)，小于0.2則是有了好轉(zhuǎn)，小于0.12的病情沒有變化。如果是負(fù)數(shù)那么病人的病情沒有變好反而是變壞了。

(7)

其中：為高斯濾波系數(shù)，控制著和方向平滑程度。越小，高斯濾波頻帶越窄，卷積運算量越小，平滑程度也越弱，更精細(xì)的特征會被檢測到；反之越大，噪聲和紋理抑制能力越強(qiáng)，大的邊緣特征會被檢測到。因此，根據(jù)實際圖像選取值為3。

由高斯導(dǎo)數(shù)創(chuàng)建的新的函數(shù)(,)為

(8)

將新建函數(shù)與原圖像進(jìn)行卷積，得到濾波后的圖像(,)：

(,)=(,)?(,)

(9)

設(shè)一閾值加以判斷，當(dāng)卷積后得到的像素灰度值小于閾值時，輸出像素最終灰度值′(,)為0；反之，輸出像素最終灰度值為255。然后再將圖像翻轉(zhuǎn)，實現(xiàn)邊緣提?。?/p>

(10)

創(chuàng)建ROI，選取模板匹配主要特征，將得到的ROI區(qū)域轉(zhuǎn)化為框架，進(jìn)而將框架轉(zhuǎn)換成XLD輪廓，輪廓提取成功。圖5所示為經(jīng)過創(chuàng)建的新濾波器濾波后的圖像及其提取的XLD輪廓模板。

圖5 XLD輪廓模板

2.2.2 中心點提取

一般通過ROI繪制區(qū)域或者繪制兩區(qū)域得到的交集，獲取中心點像素坐標(biāo)。但手動繪制ROI誤差較大，故通過XLD輪廓求中心點。

首先將XLD輪廓轉(zhuǎn)化為4個不連貫的子區(qū)域A、B、C、D，再以長寬都為200像素的矩形結(jié)構(gòu)擴(kuò)展這4個子區(qū)域，使其兩兩相交都有交集，得新的子區(qū)域A′、B′、C ′、D ′，以及它們的交集區(qū)域E，如圖6所示。最后，利用算子area_center就可準(zhǔn)確求得模板圖像中心點，坐標(biāo)為(540.037,1 028.030)像素。

圖6 輪廓交集

2.2.3 形狀相似度計算

通過圖5創(chuàng)建可縮放模板，縮放范圍為05～15，旋轉(zhuǎn)范圍為-45°～45°，讀取待檢測圖像，通過計算形狀相似度對目標(biāo)圖形進(jìn)行尋找。模板圖像上有像素點=(,),=1,2,…,。

根據(jù)高斯導(dǎo)數(shù)濾波可得模板圖像、方向梯度、，從而計算出檢測圖像上點(,)處相似度度量：

(,)=

(11)

任意像素點相似度度量值必須大于給定的閾值t，若小于閾值則停止計算，同時開始下一像素點的匹配。符合的點越多，匹配準(zhǔn)確度越高。

(12)

S

(13)

其中：g為貪婪度，貪婪值為0～1，貪婪度越大，匹配時間越短；S為匹配到每個實例完整度的最小分?jǐn)?shù)，分?jǐn)?shù)為0～1，分?jǐn)?shù)越小，匹配難度小。考慮到實際圖像的復(fù)雜程度及檢測速度與準(zhǔn)確度，經(jīng)反復(fù)驗證得到最合適g值為0.7、S值為0.5。

3 實驗結(jié)果分析

圖像檢測實驗數(shù)據(jù)準(zhǔn)確度直接影響糾位效果，為驗證此系統(tǒng)的高速準(zhǔn)確性，在搜索旋轉(zhuǎn)范圍為-45°～45°、圖像縮放比例為05～15、貪婪度為07、匹配最小分?jǐn)?shù)為05的條件下，進(jìn)行100次實驗。

在100次實驗中隨機(jī)抽取兩組小車在行駛時采集圖像的檢測結(jié)果，如圖7所示?？芍耗０遢喞c實例邊緣輪廓較為貼近，用于糾位的角度和中心點坐標(biāo)也較為準(zhǔn)確，糾位的準(zhǔn)確度較高。

圖7 模板匹配結(jié)果

記錄實驗100次的數(shù)據(jù),得到相應(yīng)的匹配準(zhǔn)確率和匹配時間。每10組隨機(jī)抽取一組，共抽取10組，如表1所示。

表1 模板匹配結(jié)果

將數(shù)據(jù)進(jìn)行整理，結(jié)果如表2、表3所示?？芍狠喞ヅ渥畹蜏?zhǔn)確率為9529，最高準(zhǔn)確率高達(dá)9884，最低準(zhǔn)確率與最高準(zhǔn)確率之間相差355；輪廓匹配最短時間為2840、最長時間為3279，兩者之間相差439。由此可見，匹配的準(zhǔn)確度和匹配時間都比較穩(wěn)定。因而在實際應(yīng)用中，基于輪廓匹配具有優(yōu)勢，其準(zhǔn)確率高、匹配時間短、魯棒性高，適用于糾位系統(tǒng)。

表2 XLD模板匹配檢測準(zhǔn)確率 單位:%

表3 XLD模板匹配檢測時間 單位：ms

4 結(jié)語

為提高小車基于色帶視覺導(dǎo)航的性能，本文作者運用機(jī)器視覺軟件，將基于輪廓的形狀模板匹配方法應(yīng)用于糾位系統(tǒng)。該方法有效剔除了圖像中的雜點，解決光照不均問題，并利用高斯導(dǎo)數(shù)得到了合適的邊界輪廓，進(jìn)行基于輪廓的形狀模板匹配，提高了檢測的快速性與準(zhǔn)確性。結(jié)果表明：所提出的輪廓模板匹配檢測結(jié)果平均準(zhǔn)確率為9693，最高與最低準(zhǔn)確率相差355；平均消耗時間為2988,最長與最短時間相差439。該方法不僅提高了糾位系統(tǒng)的可靠性和魯棒性，也為小車以其他特征標(biāo)志糾位導(dǎo)航提供了參考。