英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
机器视觉技术在小零件几何尺寸测量中的应用
Bin Li
摘要
本文设计了一种基于机器视觉的小零件尺寸在线检测系统，并对图像处理、图像配准与拼接、边缘检测、子像素定位分析、图像特征识别与聚类、基于图像所涉及的小零件尺寸检测等关键技术进行了研究。首先，根据算法的实际应用和特点，选择基于特征的SIFT算法完成图像配准，并对图像边缘检测算法和数据处理方法进行了探讨。直方图均均衡化改善了拼接图像的灰度分布，提高了图像的对比度。采用中值噪声滤波算法完成图像降噪。对伪边缘进行滤波，得到单像素边缘，并采用最小二乘法对缺失边缘像素进行补偿，减小测量误差。得到了一个精确的图像配准变换矩阵。然后采用加权平均融合算法完成图像融合。实验结果表明，该图像拼接算法准确有效，系统的测量精度满足性能要求。
关键词:机器视觉，小零件，边缘检测，图像特征识别
1介绍
随着科学技术的发展，传统的手工检测技术已经无法满足现代要求，机器视觉检测技术在工业领域的推广应用具有高精度、低成本优势。机器视觉的基本原理[1]是对计算机视觉系统获得的被测目标图像进行分析，以获得所需的测量信息，并根据先验知识确定被测目标是否符合规范。机器视觉包括捕捉数字视频、使用能够检测和分析特定对象和感兴趣的模式的算法[2]，包括硬件的设计与选择、图像拼接与预处理算法、图像边缘检测算法研究、数据处理方法等。
随着科学技术的发展,传统的手工测试技术已无法满足这种需求, 机器视觉检测技术以其高精度、低成本的优势在工业推广和应用领域中得到了广泛的应用，作为机器视觉检测技术的一个简要介绍，以无纺布口罩的工厂为例,Chen阐述了机器视觉检测技术的应用[3]。Carlos Calderon-Cordova提出了一种基于计算机视觉的棋盘游戏设计体系结构和程序[4]。Chen等人提出了机器视觉技术在农业领域的应用现状[5]。Morison等描述了一门高级本科课程的发展过程，该课程介绍了机器视觉和图像处理算法以及实现主题[6]。Choi和Kim提出了基于计算机视觉的结构安全检测系统的设计[7]。
小零件几何尺寸的检测包括几何尺寸、表面光洁度、表面纹理和表面缺陷。目前，对小零件的检测主要是机器视觉检测，机器视觉检测技术在这些方面得到了广泛的应用。
Pavim将传感器与数据相结合，建立了一个灵活的小批量生产检测系统[8]。Jin等人提出了一种利用计算机视觉技术检测小陶瓷管缺陷的方法[9]，利用计算机和计算机视觉、机电等技术开发了一个自动检测系统，并实现了小陶瓷管的自动检测和分类。Bohm和Jech使用红色LED作为光源，用一个小型散射光传感器扫描表面[10]。检测到散射光的强度分布取决于反射表面的地形。该系统可以检测到典型宽度为1mu;m、深度为40的高光泽金属板上的划痕。该系统可以检测到典型宽度为1mu;m、深度为40nm的高光泽金属板上的划痕。Kawasue和Komatsu提出了一种带有两个激光器和一个CCD摄像头的用于管道检测的移动机器人[11]。移动机器人可以重建污水管道的三维形状。由于移动机器人相对于管道轴线的倾斜度表示为两个圆形条纹之间的变形，因此无论机器人的倾斜度如何，都可以准确测量污水管道的形状。Li等人将机器视觉技术应用于铁路轨道的检测和状态监测自动化[12]。提出了一种多视频流捕获的成像设置框架，用于检测重要的轨道组件，如底板、钉子、锚杆和连杆螺栓等，用于缺陷识别，如凸起尖刺，缺陷严重程度分析和时间条件分析，以及长期预测评估。组件检测的平均检出率初步达到了98.2%，假阳性率为1.57%，假阴性率为1.78%。他和Wang利用基于离散余弦变换(DCT)的增强方法[13]，开发了一种改进的用于皮革表面实时检测的小缺陷检测算法。实验结果表明，提出的小缺陷检测方法可以达到94%的小缺陷检出率。
随着工业检测精度要求的不断提高，机器视觉识别中的基本像素级精度已经不能满足实际测量的要求，因此需要一种更加精确的边缘提取算法[14,15]，即亚像素算法[16]。亚像素算法[17]通常需要先用经典算法找到边缘像素[18]的位置，然后用周围像素[18]的灰度值作为辅助信息进行判断，使用插值、拟合等方法[19–21]将边缘定位在更精确的位置。
本文在讨论精度、抗噪声能力和常用亚像素定位算法 [22-24]计算的基础上，提出了一种改进的最小二乘细分法[25-27]对直线亚像素拟合[28-30]。本文以三个标准螺母作为测量数据, 主要采用基于Canny算子的二项修正前插值法和二项修正后插值法，对试样内圆进行亚像元定位，提取亚像元坐标，并用最小二乘法拟合圆直径，计算出的亚像素值的误差为0.0314，改进的亚像素算法的误差为0.0108。三个测量值为3.392，机器视觉识别技术的平均值为3.403。相比之下，改进后的亚像素值提高了定位精度和运算速度。
2提出方法
小零件尺寸检测的关键是视觉技术，包括图像采集、图像边缘检测和亚像素定位、图像拼接、尺寸估计。
2.1图像采集
人眼能看到的视觉图像是连续的，计算机只能处理离散的数据，因此视觉检测系统必须将连续图像的功能转换成离散的数据集，这个过程称为图像的数字化。图像数字化是在计算机中生成一维矩阵的过程。数字化过程包括一个步骤:扫描、采样和量化。
图像采集实际上是将被测物体的视觉图像和内在特征转化为一系列可由计算机处理的离散数据。根据矩形扫描网格扫描图像的结果是生成与图像对应的一维整数矩阵。矩阵中每个元素(像素)的位置由扫描顺序决定，每个像素的灰度值由生成并量化的样本决定，以给出每个像素灰度值的整数表示。因此，图像采集的结果就是将自然连续图像数字化，最终得到数字图像。它通常有两种常见的表示形式。
- 灰度图像的数组表示
假设连续图像f(x,y)以相等的时间间隔采样并排列在一个Mtimes;N数组(通常平方Ntimes;N), 则图像数组中的每个元素都是称为像素（pix el）的离散值。在数字图像处理中，一般假设数组N和灰度级都是2的整数幂，如式（1）所示。
（1）
- 二值图像表示
图像的二值化是指整个图像呈现出清晰的黑白效果。256亮度级灰度图像通过适当的阈值进行选择，以获得仍能反映图像整体和局部特征的二值化图像。如果某一特定对象内部灰度值一致，且该对象与其他级别灰度值处于一致背景中，我们可以使用阈值法得到比较分割效果。当物体与背景之间的差异没有在灰度值中得到反映时，可以将该差异特征转化为灰度差异，然后采用阈值选取技术对图像进行分割。该图像通过动态调整阈值来实现二值化，可以动态观察分割后图像的具体结果。
在数字图像处理中，为了减少计算量，灰度图像往往被转换成二进制图像处理。所谓的二值图像是指图像有两个灰度等级(只有黑白两种)，即像素灰度级为1或0。
2.2图像边缘检测
机械零件的视觉测量系统一般是在精心设计和可控的环境下进行的。被测部分获得的图像目标与背景对比度较大，信噪比较高。边缘检测算子对高信噪比图像进行边缘检测，得到单像素边缘点。大多数机械零件的边缘由直线和圆弧组成。线性参数通常由最小二乘线性回归法确定，最小二乘线性回归法是最常用的线边缘亚像素检测方法。拟合方法中的最小二乘线性回归法可以一次性计算边缘图像直线部分的边界，定位速度快。直线的边缘点可以看作是一组向量的集合，通过最小二乘直线拟合可以准确定位边缘向量。
设线性回归方程为:
（2）
式（2）中，a0和a1为回归方程的常数和系数。
相应的回归值为:
（3）
当x的值是x1，x2，hellip; ，xn时，根据极端条件，有:
（4）
求解上述方程，得到:
（5）
由式（5）得到回归方程的常数和系数，且拟合直线为式（2），即通过直线像素边缘的亚像素位置。亚像素的定位精度与拟合中涉及的点数和噪声有关。参与拟合的点越多，直线的亚像素定位越准确，但计算时间越长。噪声越小，定位精度越高。
2.3图像拼接
图像匹配是拼接前的关键步骤。其目的是找到相邻图像的重叠部分，即实现图像的对齐。其实质是找出两幅图像之间的内在关系，找出两组对应数据之间的关系。基于图像间相似度的匹配可分为基于特征的匹配方法和基于非特征的匹配方法。基于特征的方法需要从两幅图像中选择一系列的特征，然后根据相似性原则对图像进行特征匹配。最后，利用优化过程计算图像之间的转换。特性的选择可以是特性点或特性标志。特征点可以是图像的角点、闭合轮廓线的重心、纹理特征点或其他突出点。关键问题是找到适合目标的特性。非特征匹配是基于相关原理的对齐。利用某些参数的最小二乘差分函数求图像的配准区域。例如，从重叠区域直接搜索灰度差最小的区域，虽然不依赖于外部目标特征，但要求图像之间灰度、旋转和变形的变化较小。
Szeliski提出了一种图像平滑算法：通过加权平均两幅图像中相应像素的灰度值，得到图像重叠区域像素的灰度值。具体方法如下：
（1）将图像B投影到图像A的坐标系中，如图（1）所示。A1和B2区域不属于重叠区域。合并后的值图像像素取A1和B2的值。
(2) A2和B1重叠区域表示相同的物理场景，配准后具有相同的几何属性。在重叠区域,取灰色加权平均数:G = d1times;A2 d2times;B1，d1isin;(0,1),d1 d2 = 1;d1与像素点的横坐标有关，从A到B的方向，从0到1的梯度。
(3)将A2和B1分成L1、L2和L3，取(L1 = L3) gt; L2。
(4)将融合后得到的图像设为R，设阈值Th。在L1，如果| A2 minus; G | lt; Th，R = G，否则R = A2。在L2，如果| max(A2,B1) minus; G | lt; Th, R = G, 否则R = max(A2，B1)。在L3, 如果| B1 minus; G | lt; Th，R = G,否则R = B1。
2.4缺陷特征提取
获取零件表面的拼接图像后，提取具有表面缺陷的全局图像，用于缺陷边缘提取。一旦检测到试样的表面缺陷，则对缺陷进行分类。首先对缺陷进行特征提取。特征提取是图像模式识别的重要组成部分。其目的是提取一组尽可能简洁、最有效的特征，以提高分类器的识别效果和效率。本文将亚像素定位应用于零件表面全局图像中的缺陷边界，并采用模糊聚类算法对缺陷进行识别和划分。模糊聚类算法是一种基于划分的聚类算法。其思想是使被划分为同一聚类的对象之间的相似性最大，而不同聚类之间的相似性最小。FCM(Fuzzy C-means)聚类采用模糊划分的方法，使每个给定的数据点确定其隶属度在[0,1]之间的每一组的程度。FCM的值函数一般形式为式（6）:
（6）
其中，uij介于[0,1]之间,ci是模糊群的聚类中心,dij =||ciminus;xj||是i聚类中心与j数据点之间的欧氏距离,misin;[i,infin;)是一个加权指数。通过构造一个如式（7）所示的目标函数，可以得到式（6）最小值的必要条件:
（7）
上述算法还可以选择先初始化聚类中心，然后执行迭代过程。由于不能保证FCM收敛到最优解，所以算法的性能取决于初始聚类中心。因此，我们要么使用另一种快速算法来确定初始聚类中心，要么每次使用不同的聚类中心启动该算法，并多次运行FCM。
本文的工作是基于机器视觉检测螺母螺栓的螺纹几何形状及其缺陷。本文介绍了在图像处理软件中编写程序后摄像机采集到的图像。图像处理的内容包括以下几个部分:图像灰度、二值化、边缘检测、边缘亚像素检测等，最终达到检测组件缺陷和尺寸的目的。探讨了图像的边缘检测算法和数据处理方法。
3实验结果
在视觉检测系统中，需要建立图像中像素点的位置与空间零件表面点的位置之间的相互对应关系，才能从小零件图像中获得几何尺寸。这种相互对应关系是由成像系统的成像模型决定的，模型中的参数是摄像机参数测量系统通过CCD摄像机采集反映轴表面特征的图像。通过对采集到的图像数据进行处理，计算机可以快速准确地计算出零件的几何尺寸e，并直接显示结果。机器视觉系统的整体原理图如图（2）所示。
小零件的尺寸是形状的尺寸和位置的尺寸。对于薄板零件，孔直径和孔中心距离是需要测量的参数。对于螺纹零件，内径、外径和螺距是螺纹测量的重要参数。为了验证测量的准确性和重复性，测试样品如图（3）所示。使用三个标准螺母(H1, H2, H3)作为测试圆内径的测量数据。
本文的边缘检测方法是将Canny算子与二次多项式改进插值相结合。首先利用Canny算子对边缘进行粗定位。然后，通过添加一个模板算子来计算梯度图像。最后利用二项式表达式进行插值计算，即改进的基于Canny算子的二次多项式插值。根据F1坐标找到相邻的F0和F2, F0和F2检测亚像素边缘，并找到边缘点的坐标，如表（1）所示。
4讨论
本文介绍了基于机器视觉的机器零件检测基本流程，如图（4）所示。
本文采用具有工业实用价值的500万像素相机对亚像素的精度进行分析，样本图像二值化后的结果如图（5）所示。并利用基于Canny算子的二项修正前和二项修正后的插值方法对测试样本的内径和外径进行亚像素定位，如图（6）所示。
无论是常用的最小二乘法拟合圆，还是本文所用的算法，都要求边缘有一个像素点。为了便于语法表达，系统将图像中的圆分成两部分，首先以直线穿过中心，垂直于y轴，如图（7）所示。经过如图（8）所示的单像素细化后，将图像的边缘优化到所需的单像素边缘，相对完整，便于下一步内孔直径的计算。
本文设计了两组实验比较。利用Matlab对上述算法和改进后的算法进行了测试和运行。通
全文共6452字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1926]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
