高曉東，羅 宏

(重慶理工大學機械工程學院，重慶，400054)

?

研究與設計

基于機器視覺的擋圈檢測系統研究

高曉東，羅 宏

(重慶理工大學機械工程學院，重慶，400054)

介紹了一種基于機器視覺的擋圈檢測系統。根據擋圈檢測系統所要求的精確、實時、快速的特點，設計了系統的圖像處理和識別的方法。利用CMOS照相機獲取圖像，轉換灰度圖像后，進行圖像濾波，將獲取的圖像中的噪聲去除掉，通過二值化將待檢測擋圈圖像與背景區(qū)分開，進行邊緣檢測，最后通過圖像識別完成對擋圈的檢測。實驗結果表明，該系統所使用的方法檢測速度快、精確度高，能夠滿足擋圈檢測系統的性能要求。

機器視覺；圖像處理；圖像濾波；二值化；邊緣檢測；圖像識別

1 引言

隨著智能化生產技術的發(fā)展，機器視覺已廣泛應用到制造工業(yè)的自動化生產中，有效地降低了生產成本，保證了產品的合格率，大大提高企業(yè)生產效率。本文是以發(fā)動機右大蓋全自動壓裝中心在壓裝擋圈過程中所選工業(yè)相機檢測精度不夠的問題為背景，以機器視覺為基礎，模擬人類的視覺功能，構建了一套擋圈檢測系統。該系統通過一系列的圖像獲取、圖像處理和識別的操作過程，完成對擋圈的自動檢測和識別，彌補裝配中心檢測精度低的缺點，從而減少操作者的勞動量，保證裝配工作正常完成。因此，該系統具有一定的經濟性和實用性價值。

2 圖像采集

圖像采集系統主要由PC機、CMOS照相機和光源組成。根據文獻[1],描述的圖像采集技術，同時為了達到比較好的檢測效果，本文選用大恒工業(yè)相機，型號為DH-HV3151UC，由于所選CMOS照相機為USB2.0接口，可以直接與計算機相連接，無需購買圖像采集卡，減少了成本；光源選用雙LED燈照明，LED燈的能耗非常小，安全穩(wěn)定，同時滿足了本系統的照明要求。在圖像采集的過程中，需要調整好CMOS照相機與待檢測擋圈之間距離，使CMOS照相機的鏡頭正對待檢測擋圈，同時調整好LED燈的距離、角度，以達到良好的照明條件，從而獲得質量較好的圖像。其工作過程是，由CMOS照相機對待檢測擋圈進行拍照，采集數字圖像，同時通過USB2.0接口將圖像傳輸到計算機中進行存儲和處理。下圖1是擋圈檢測系統的組成示意圖。

圖1 擋圈檢測系統組成圖

3 圖像處理

圖像處理系統是圖像檢測系統中非常重要的部分。由于外界環(huán)境因素的影響，通過圖像傳感器獲取的待檢測圖像往往質量不高，不能夠滿足檢測系統的要求，這就需要對原始圖像首先進行濾波等預處理，如下圖2所示，然后再對圖像進行二值化、邊緣檢測等一系列的處理，從而減少外界因素等對待檢測圖像的影響，使獲取的圖像更加清晰，視覺效果更好，局部特征更加明顯，以便進行圖像識別和匹配處理。

圖2 圖像處理示意圖

3.1 圖像灰度化

彩色圖像對工件檢測用處不大，同時為了計算方便，一般在進行圖像濾波前，將圖像灰度化，通常采用以下公式來將彩色圖像轉換成灰度圖像：

G=0.299r+0.587g+0.114b

式中，G為圖像灰度值，r、g、b分別為彩色圖像red、green、blue分量值。如下圖3所示，就是經過轉換所得的灰度圖像。

3.2 圖像濾波

圖像濾波是圖像預處理中不可缺少的一步，是在盡量保留圖像細節(jié)特征的前提下，對原始圖像進行去除噪聲的處理。圖像濾波可以提高圖像的質量，改善視覺效果，圖像濾波的好壞往往影響到后續(xù)的圖像識別和匹配處理。圖像濾波分為空間域濾波和頻率域濾波，其中，空間域濾波主要分為均值濾波和中值濾波，而頻域濾波有低通和高通濾波之分。

3.2.1 空間均值濾波

空間濾波是一種比較常用的圖像濾波手段，能夠很好的改善圖像質量，減少噪聲影響。其中，均值濾波又被稱為平滑線性濾波，主要包括鄰域平均法、加權平均法和選擇式掩模平滑等常用方法。其中，鄰域均值濾波比較常用[2]。其基本原理，是將原始圖像中像素的灰度值用與該像素相鄰N-1個像素(N為掩模尺寸)灰度值平均值來代替，即假設濾波器掩模尺寸為M1×M2，

x=0,1,2,…,M1-1;

y=0,1,2,…,M2-1;

f(x,y)為原始 圖像灰度值，

g(x,y)為鄰域均值處理后的圖像灰度值。

3.2.2 空間中值濾波

中值濾波屬于非線性濾波，是統計濾波中典型的一種低通濾波[3]。中值濾波的基本原理是，選定一個滑動窗口M，對窗口內像素的灰度值進行排序并取中值，然后用該中值來代替指定像素的灰度值，即

g(x,y)=med{f(x-i,y-i)}

med為排序取中值操作；

i,j∈M;

f(x,y)為窗口M內各像素灰度值。

應該注意的是，一般情況下滑動窗口M內的像素取奇數個，便于取中值；若像素取偶數個，中值為中間兩個像素灰度值的平均值。

均值濾波可以有效消除部分噪聲干擾，使鄰域內像素灰度更加均勻、平滑，但同時也使圖像變得模糊起來，邊緣細節(jié)不夠清晰；中值濾波克服了均值濾波使圖像模糊化的缺點，能夠在不影響邊緣細節(jié)的前提下，對噪聲的消除效果非常明顯，尤其是椒鹽噪聲，如下圖4。因此，本系統采用中值濾波來對圖像進行濾波處理。

3.3 圖像二值化

為了更好將圖像中待檢測目標與背景進行區(qū)分，通常需要將圖像進行二值化處理。圖像二值化有很多方法，其中最常用的是閾值法，其基本原理是通過設定二值化處理灰度閾值T，將圖像灰度值大于閾值T的像素f(x,y)用255代替，否則的話用0代替，即：

g(x,y)為二值化之后的圖像，通過上述公式，我們可以清楚的看到，二值化處理之后，原圖像灰度值變成只有0,255的二值圖像。我們將圖像中灰度值為0的部分表示為背景，值為255的部分表示為待檢測目標。

閾值法的關鍵在于閾值的選取，選取閾值的方法主要分為全局閾值法、局部閾值法和動態(tài)閾值法。全局閾值法，顧名思義是在灰度圖像中選取一個固定的閾值來對圖像進行二值化處理。全局閾值法簡便易行，抗干擾能力差，通常適用于直方圖中有明顯的雙峰的圖像，而對于照明不均勻等條件下的圖像，其二值化效果不理想。常用的全局閾值法有直方圖分析法和最大類間方差法(Ostu算法)等。局部閾值法是通過選取掩模，根據目標像素鄰域內各像素的灰度值來確定目標像素的閾值。對于比較復雜的圖像，局部閾值法的二值化處理效果更好，比較實用；但是容易在個邊界區(qū)域連接處出現灰度斷接的現象。常用的局部閾值法有Niblack算法、Sauvola算法和Bernsen算法等。動態(tài)閾值法閾值的選取較局部閾值法來說，還跟目標像素在圖像中的位置有關。動態(tài)閾值法實際上是改進的局部閾值法，它能夠處理背景和待檢測目標區(qū)分比較困難的圖像，通常其運算量比較大。常用的動態(tài)閾值法[4]有Chow算法和 Kaneko算法等。

3.3.1 直方圖分析法

直方圖分析法是一種比較簡單的選取二值化閾值的方法，其基本原理是通過灰度圖像的直方圖，尋找兩波峰之間的最低點，即波谷灰度值來作為二值化的閾值[5]，對于本系統來說這種方法效果不是很理想。

3.3.2 最大類間方差法(Ostu算法)

Ostu算法是一種經典的全局二值化算法，它簡便高效穩(wěn)定，在工業(yè)化生產中非常實用。最大類間方差法能夠在整幅圖像中，自動選取最優(yōu)的二值化閾值[6]。其基本原理是，假定選取一個任意灰度值t(0≤t≤L)，t將整幅圖像的灰度值分為兩類A0和A1，A0灰度值在(0，t)范圍內，A1灰度值在(t+1，L)范圍內，假設整幅圖像有N個像素，灰度值為i的像素有ni個，則灰度值i出現的概率pi為pi=ni/N，那么A0和A1兩類像素出現的概率為，

A0和A1兩類像素的均值為，

類間方差為，

σ2(t)=ω0ω1(μ0-μ1)2

使類間方差最大的假定灰度值t，便是我們要找的最優(yōu)二值化閾值T。此時兩類像素的灰度值差別最大，所以能夠很好地將圖像的背景和待檢測目標區(qū)分開，便于我們對目標進行識別。

3.4 邊緣檢測

為了更好的檢測出擋圈的輪廓，需要對其二值圖像進行邊緣檢測，以提取圖像的邊緣輪廓特征。邊緣檢測是圖像處理中的重要部分，它是模仿人類視覺系統識別目標的過程，通過算法將目標圖像的邊緣特征值提取出來，再根據這些特征值來判斷待檢測目標是否滿足要求。邊緣檢測的檢測算法有很多，常用的有Sobel算子、拉普拉斯算子(Laplacian算子)和坎尼算子(Canny算子)等。

3.4.1 Sobel算子

Sobel算子是一種一階微分算子，它具有橫向、縱向兩個3×3矩陣，如表1所示，以這兩個矩陣為核與原始圖像中的每個像素點作卷積和運算，然后通過選取合適的閾值進行邊緣檢測[7]。Sobel算子的公式如下：

其中，偏導數Gx、Gy可分別由卷積模板求得，表2為目標像素鄰域。

表1 Sobel算子

表2 目標像素鄰域

Gx=(m1+2m2+m3)-(m7+2m8+m9)

Gy=(m1+2m4+m7)-(m3+2m6+m9)

Sobel算子簡便易行，同時由于只有橫縱兩個方向的模板，只能檢測水平和垂直方向的邊緣，因此，對于檢測紋理比較復雜的圖像邊緣，其效果并不是很理想。

3.4.2 拉普拉斯算子(Laplacian算子)

拉普拉斯算子是一種二階導數算子，其公式由以下式子給出：

▽2f(x,y)=-[f(x+1,y)+f(x-1,y)+

f(x,y+1)+f(x,y-1)]-4f(x,y)

可以將其表示為以下形式：

▽2f(x,y)=4m5-(m2+m4+m6+m8)

拉普拉斯算子的3×3模板對應的中心像素系數為正，而中心像素周圍像素系數則為負，并且系數之和要求為0。表3為拉普拉斯算子常用的一個模板。

表3 拉普拉斯算子

圖像經過二階微分之在邊緣處會產生一個陡峭的零交叉，可以根據這個零交叉來判斷圖像的邊緣。拉普拉斯算子是二階算子，對噪聲十分敏感，會產生雙邊效果，不能檢測出邊的方向，通常不直接用于邊的檢測，只起輔助的作用，用來檢測一個像素是在邊亮的一邊還是暗的一邊。為了克服這一缺點，將高斯平滑濾波器與拉普拉斯銳化濾波器結合起來，從而產生高斯拉普拉斯算子(LOG算子)[8]，即先對圖像進行高斯濾波，再進行邊緣檢測，效果更好。LOG算子常用如表4所示的5×5模板。

表4 LOG算子

3.4.3 坎尼算子(Canny算子)

Canny算子是一種經典的一階邊緣檢測算子，其邊緣檢測的方法是尋找圖像梯度的局部極大值[9]。該方法的實質是，用一個準高斯函數對圖像作平滑運算

fs=f(x,y)×G(x,y)

然后以帶方向的一階微分算子定位導數最大值。Canny算子不易受到噪聲的干擾，能夠檢測到真正的弱邊緣。

4 圖像識別

圖像識別，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。圖像識別也稱模式識別，是以圖像的主要特征為基礎，從而對目標進行識別和分類。

圖像識別的關鍵在于對圖像特征的提取與分析，圖像特征提取是對圖像目標邊緣的周長、面積、圓形度等特征進行測量，測量得到的特征值可以組成特征向量，從而作為特征提取與分類的依據。統計模式識別是目前最成熟也是應用最為廣泛的一種圖像識別方法，它是通過對目標圖像進行大量測量統計分析，找出其特征規(guī)律性，并由此選擇能夠反映圖像本質的特征來進行識別與分類。本文利用最小距離分類器來對目標圖像進行分類，其分類過程如下：

(1)求出當前模式的平均向量

式中，Ni為wi類模式向量的個數，m為模式類的數目。

(2)計算歐幾里得距離

根據Di(x)的值來對向量 進行歸類，Di(x)的值是最小距離時，把向量 歸到wi類。

通過這種最小距離分類器可以將目標圖像進行分類，從而對待檢測的擋圈進行分類，識別其是否滿足要求。

5 實驗對比與分析

本文使用MATLAB作為實驗系統的仿真工具，通過對比圖像處理效果來確定系統所采用的圖像處理方案[10]。

通過CMOS照相機獲取圖像，同時利用USB2.0接口將圖像傳輸到計算機中進行存儲和處理，獲得如圖3所示的原始灰度圖像。然后，經過中值濾波處理，使圖像更加平滑，對比度更加明顯，顯示效果可以在圖4中看到。

圖像經過中值濾波后，我們需要對圖像進行二值化處理，從而將圖像中待檢測目標與背景區(qū)分開來。首先我們用直方圖分析法，求出中值濾波直方圖后。根據直方圖，我們可以找到兩個比較明顯的波峰，如圖5，然后取其中的波谷，作為我們的二值化閾值，即T=0.16，所得二值化圖像如圖6(a)所示，我們可以看到，用這種直方圖分析法獲得的二值化圖像比較模糊,有很多不必要的輪廓，顯示效果不是很好。

圖3 原始灰度圖像

圖4 中值濾波圖像

圖6(b)所示的圖像為通過Ostu算法得到的二值化圖像，我們可以清楚的看到，較之直方圖分析法所得的二值化圖像，更加清晰，輪廓細節(jié)更加具體，效果比較理想，滿足我們的實驗要求。因此，我們采用Ostu算法來作為系統圖像二值化的處理方法。

圖5 中值濾波直方圖

(a) 直方圖分析法 (b) Ostu算法 圖6 二值化圖像

經過二值化處理之后，我們可以清楚的看到，待檢測圖像已經基本與背景區(qū)分開來，然后我們對二值化圖像進行邊緣檢測，以得到擋圈圖像的輪廓。本文中我們采用3種不同的檢測方法來進行對比實驗。通過圖7的邊緣檢測圖像我們可以看到，前兩張圖像圖11(a)、(b)中的待檢測邊緣有很多沒有分辨出來，并且產生了一些偽邊緣，不利于后期的圖像識別處理。而最后一張圖像圖7(c)雖然去除了部分偽邊緣，識別出了一部分弱邊緣；但是，我們看到部分細節(jié)輪廓丟失，需要進一步對算法進行改進。

圖7(a) Sobel算子邊緣檢測

圖7(b) LOG算子邊緣檢測

圖7(c) Canny算子邊緣檢測

6 結束語

(1)構建了一種簡單的擋圈自動識別檢測系統，通過實驗對獲取的圖像進行了處理和檢測。

(2)通過對比實驗，找到了適合本系統的圖像處理方法，制定出系統的圖像處理方案。

(3)本系統的邊緣檢測結果不是很理想，需要對其算法進行進一步的完善和研究，以去掉無關的圖像邊緣。

(4)系統還需要對圖像作進一步的識別優(yōu)化處理。

[1] 劉煥軍,王耀南,段 峰. 機器視覺中的圖像采集技術[J].電腦與信息技術,2003,1:18-20.

[2] 王俊芳,王正芳,王敏. 常用圖像去噪濾波方法比較[J]. 現代商貿工業(yè),2009,16(1):310-311.

[3] 余文勇,石繪. 機器視覺自動檢測技術[M].北京:化學工業(yè)出版社,2013:94.

[4] 李剛,宋文靜. 基于圖像直方圖的車牌圖像二值化方法研究[J].交通運輸系統工程與信息,2009,9(1):113-116.

[5] 張?zhí)锾? 基于機器視覺的啤酒瓶瓶口檢測系統的研究[D].濟南:山東科技大學,2009:18-20.

[6] 何東健. 數字圖像處理[M].第二版.西安:西安電子科技大學出版社,2008:84-85.

[7] 袁春蘭,熊宗龍,周雪花等. 基于Sobel算子的邊緣檢測研究[J].激光與紅外,2009,39(1):85-87.

[8] 李小紅. 基于LOG濾波器的圖像邊緣檢測算法的研究[J].計算機應用與軟件,2005,22(5):107-108.

[9] 陳宏希. 基于邊緣保持平滑濾波的canny算子邊緣檢測[J].蘭州交通大學學報,2006,25(1):86-90.

[10] 李武. Matlab中圖像邊緣檢測算法研究[J].北京測繪,2014,3.

2015-11-10

重慶市科技攻關計劃項目(CSTC，2009AB6239)

高曉東(1990—)，男，重慶人，碩士研究生，主要從事機械電子工程研究；羅宏(1963—)，男，重慶人，教授，主要從事專用裝備自動化研究。

10.3969/j.issn.1000-6133.2015.06.005

TN784

A

1000-6133(2015)06-0023-06