基于机器视觉的非接触测量方案

基于机器视觉的非接触测量方案

1人工智能时代的机器视觉机械视觉研究是科学技术研究。机械视觉系统的主要目标是创建或恢复真实世界模型，并理解现实世界。机器视觉自起步发展到现在,已有几十年的历史。20世纪50年代开始研究二维图像的统计模式识别;60年代Roberts等开始进行三维机器视觉的研究;70年代,MIT人工智能实验室正式开设“机器视觉”课程;80年代,进入了全球性的研究热潮,机器视觉获得了蓬勃发展,新概念、新理论不断涌现。现在,机器视觉仍然是一个非常活跃的研究领域,与之相关的学科涉及图像处理、计算机图形学、模式识别、人工智能、人工神经元网络等。而在1990年以前,仅仅在大学和研究所中有一些研究图像处理和模式识别的实验室。20世纪90年代初,一些来自这些研究机构的工程师成立视觉公司开发了第一代图像处理产品,例如基于ISA总线的灰度级图像采集卡和一些简单的图像处理软件库。他们的产品在大学的实验室和一些工业场合得到了应用,人们能够做一些基本的图像处理和分析工作。1990~1998年为初级阶段,期间真正的机器视觉系统市场销售额微乎其微。1998~2002年为机器视觉概念引入期。2002年至今,为机器视觉发展期,中国机器视觉呈快速增长趋势。本文提出了一种基于机器视觉的非接触方案,力求把非接触测量手段与零件尺寸测量问题更有效地结合起来。2图像配准及运动估计超分辨率(SR)是根据图像序列和成像模型去除由成像系统造成的模糊(散焦模糊、运动模糊和非理想采样等)以及复原超出光学系统衍射极限之外的空间频率信息,为使图像获得更多的细节和信息,同时还能消除附加噪声以及由有限检测尺寸和光学元件产生的模糊。本文应用超分辨率图像重构方法来提高原始图像的分辨率,需要进行图像的插值、配准、重构3个步骤的工作。对一幅图像进行放大,实际是对空间域的二维离散信号进行处理,这个过程可以通过对原始图像的行信号以及其列信号做一维的离散信号处理来实现。一般情况下,在程序中进行双线性插值计算时,直接使用3次一阶线性插值即可,需要进行3次乘法和6次加减法运算。双线性插值放大产生的图像比最邻近插值产生的图像平滑,但当放大倍数增大时,放大后的图像也会出现明显的块状现象。因此,放大的倍数取为2倍。将图像中感兴趣的那些点准确或近似准确地对应起来的过程称为配准。图像配准可定位为两相邻图像在空间关于像素亮度值(灰度图像中表示为灰度值)的一种映射,即关于亮度值的一种几何坐标关系变换。本文采用基于块的方法,在空间域中利用图像的灰度值来度量2帧图像之间的运动,最优标准使用绝对和差值(SAD)DSA,第k帧和第l帧图像的DSA为式中gk(i,j)为第k帧图像中(i,j)位置的灰度值,dx,lrl,k和dl,ky,lr分别为x和y方向上的位移矢量。最后要求x和y方向上的绝对和差值为通过采样获得低分辨率(LR)图像序列gk(k=1,2,3,…);对获得的低分辨率图像进行双线性插值处理,使其分辨率提高1倍;选取1帧图像为参考帧,对其他图像进行运动估计,得到每1帧插值后的高分辨率(HR)图像相对于参考帧的运动矢量;比对这些运动矢量,选取合适的3帧图像;将参考帧的低分辨率图像与被选取的3帧图像所对应的低分辨率图像进行插值运算,重构出所需要的高分辨率图像,具体的插值操作如图1所示。3cancy算子边缘检测算子设计实验表明[7~10],对于具有较高信噪比的图像,最小二乘线性回归和空间矩亚像素定位算法对直线边缘检测均可达到亚像素级精度,并得到满意的结果。最小二乘线性回归亚像素定位精度约为0.1pixel,空间矩亚像素定位精度约为0.01pixel,而最小二乘线性回归亚像素定位算法的速度比空间矩亚像素定位算法的速度要快得多。因此,在精度要求不是太高的情况下,采用最小二乘线性回归直线边缘亚像素定位算法不但可以获得满意的定位精度,而且可以大大提高定位速度。在不要求速度的情况下,可以采用空间矩亚像素定位算法来获取较高的定位精度。本文使用最小二乘线性回归把二维的边缘拟合降为一维边缘定位,从而使直线边缘定位达到亚像素级精度的算法。在线性滤波边缘检测方法中,Canny最优算子最具代表性,也是检测阶跃型边缘效果较好的算子之一,它比其他算子的去噪能力都要强。其实质是用高斯滤波器来对图像滤波,以去除图像中的噪声。首先,选用Canny算子作为整像素级边缘定位函数,进行整像素级边缘提取;然后,使用最小二乘线性回归再进行边缘亚像素定位。Canny算子边缘检测算法的实现,对滤波后图像中每个像素计算其梯度大小和方向,可采用以下2×2大小的模板作为对x方向和y方向偏微分的一阶近似由此得到梯度大小和方向分别为接下来对梯度进行非极大抑制,通过抑制梯度方向上所有非屋脊峰值的幅值来细化边缘。最后进行双阈值分割,选定两个梯度阈值,高阈值通常为低阈值的2~3倍,先从边缘点集合中去除梯度值小于高阈值的像素点,得边缘点集合F,再处理梯度介于高低阈值之间的像素点集合M。若M中一点在F中有邻点,则将该点加入F,最终得到的就是边缘点集合。一幅高信噪比的图像经边缘提取后,得到一包含边缘像素点的向量组Ei={E1,E2,…,En},对机械零件的直线边缘进行回归处理。由于检测的零件是精度较高的磨削加工出来的,其边缘可以近似看成直线,是满足精度要求的。而且,检测图像经过精心设计,所取图像中的目标与背景亮度对比度较高,通过第一步处理得到的边缘向量组中就包含了所有的整像素精度的边缘点。因此,直接对Ei进行线性回归,不但有较高的定位精度,而且又有较快的计算速度。如果Ei中包含有太多的噪声,则直接对Ei进行线性回归,回归出的直线可能会偏离真实的边缘位置,产生较大的误差,此时则不宜直接回归。当模型确定之后,主要工作就是参数的估计问题。采用最小二乘线性回归估计直线系数α,记对(6)式求它的函数最小值即为点α:。由于Q(α)为α的非负定的二次型,令Q(α)关于α的一阶偏导等于0,就可以求出α的最小二乘估计将(7)式方程组整理成关于参数α的正规方程组则(7)式可用矩阵表示为由此,可以解出线性参数的最小二乘估计为如果边缘点满足正态分布,线性参数的最小二乘估计是无偏估计。由(9)式求得线性估计的参数,从而得到回归的直线,所求直线就是通过边缘像素点的亚像素位置。当参加估计的点越多,回归精度越高,噪声的影响就越小。4实验结果的测量精度分析对工件的尺寸进行测量,只需要标定出图像中两像素点对应的实际物理距离即可。因此,通过实验的办法,利用优化技术回归出一个标定图像中两像素间对应的实际物理距离的方程,把相机的一些外部和内部参数都系数化到方程中。根据测量需要,设回归方程式中Y表示两像素点之间对应的实际物理距离,b1为拍摄时的物距(单位为mm),b2为图片中像素点距离中心像素的距离(单位为pixel)。自变量x1,x2,…,xm和随机变量Y的n组观测值(x1t,x2t,…,xmtyt)(t=1,2,…,n),使得函数取得最小值的为系数b0,b1,…,bm的最小二乘估计,令式中a=1.89042,b=0.46801,c=.000740。所以L=100mm,N=1.00,2.00pixel,式中L为进行测量时相机镜头到被测量工件的实际距离,N为图片中像素点距离图片中心像素的距离。为了检测标定结果的精度,选定了两块标准量块进行实验验证,量块的尺寸分别为(25±0.00040)mm,(50±0.00040)mm。首先找到要求的具体位置,根据上面回归出来的公式进行像素点标定结果的具体计算,然后累加出两边缘间对应的量块测量距离,如表1所示。利用优化回归建立模型进行标定,操作简便、标定精度较高,避免了现有标定过程的烦琐。5边缘检测及精度标定由于对图像进行了超分辨率重构,因此标定的公式(19)就不再适用,需要对其进行相应的修改。由于重构后的图像大小为原始图像的2,因此标定公式可以表示成因为y=2Y,则然后代入式(20)得到此处的N为重构后的像素位置。将a=1.89042,b=0.46801,c=0.00740代入(21)式,得到修正后的标定公式为对一根轴进行图像采集,然后通过运动估计选取4幅符合要求的低分辨率图像,如图2所示。经过简单的二次插值之后得到的图像如图3(a)所示,经过重构之后的图像如图3(b)所示。通过对比,可以明显地发现经过超分辨率重构之后的图像要比经过简单插值之后的图像更加清晰,效果更好。用重构后的图像进行边缘检测以及计算将得到更高精度的结果。从采集到的图像中截取一段需要的轴轮廓图,如图4所示。从图中可以看到轴的两个边界的真实情况。通过编制的程序把采集的原始图像变成灰度图像,然后显示出其对应的灰度数据。其中数据值大的部分表示亮区域,数据值小的部分表示暗区域。从数据分布可以得出,横坐标中从最大值到最小值之间的这段表示边缘所在区域。这样,只是大致地定位了边缘区域,接着需要利用最小二乘线性回归亚像素边缘检测方法对边缘进行高精度的检测与定位。零件直径的测量原理,如图5所示。先计算出B点的标定值,由于工件的半径R为图中线段OB的长度,也就是AB段各像素点间对应的实际距离的累加。根据标定公式的线性性质以及图中A点到B点的几何关系,可以知道由A点到B点之间像素点的标定值为单调递增的关系。所以在这些数据点之间一定能找到一个合适的点,用该点的标定值乘以AB段的像素个数即为R。假设一个实数φ,且0<φ<1。上述要找的点便可以表示为由此得到由于(25)式中只有R和φ为未知数,其中R为所求,因此给定一个φ的初始值便可以计算出一个初始的R值。但是,该R值并非最终的结果,需要对其进行不断地修正,直至达到要求。求得一个初始的R值后,便可以计算出A点到B点之间各点的标定值,然后进行累加得到下一个R值。如果该相邻两R值之差小于一个足够小的ε,则该R值便是最终结果,如果不小于ε,则通过(24)式求出一个新的φ值,再通过该φ值求出下一个R值,这样循环下去直至找到最终的结果R为止(在此取定ε=0.001mm)。用于计算第n个和n+1个点对应的标定值以及该点距离相机的距离的表达式为式中n=N,n=1,2,3,…。通过上述过程的计算便得到了最后的测量结果,其与初始测量值的精度对比情况如表2所示。忽略畸变的影响,按照小孔成像,有关系式:像元尺寸/实际长度=焦距/物距,即当物距为焦距的0.6倍左右可达到测量结果中给出的精度0.006mm左右。结果表明图像测量的精度是稳定的,而且该测量适用于微小尺寸的测量,在测量时可在镜头前安装放大镜等可起到放大作用的相关观察设备。6测量精度分析受测量硬件技术和成本的限制,拍摄的零件图像清晰度往往不能满足尺寸测量的要求。为了提高零件图像的清晰度,满足尺寸测量精度的要求,提出根据超分辨率图像重构理论,利用拍摄的零件图像信息,通过重构获得清晰的图像,准确确定零件边缘在图像中的位置和提高测量精度。通过实验数据的对比,发现利用该系统进行中小尺寸的轴类零件测量的精度比较高。(12)式为正规方程组,整理得引入矩阵由于于是,正规方程组可以写成矩阵形式如果矩阵XX′可逆,则正规方程组有唯一解Y对x1,x2,…,xm的多元线性回归方程为于是有根据以上原理,