王章鋒，孫建軍

（天津工業(yè)大學(xué) 機械工程學(xué)院，天津 300387）

基于機器視覺的銷釘邊緣高精度定位

王章鋒，孫建軍

（天津工業(yè)大學(xué) 機械工程學(xué)院，天津 300387）

針對傳統(tǒng)的高斯插值算法運用在圖像檢測上定位不準(zhǔn)確，對高斯插值亞像素邊緣檢測算法進行了優(yōu)化。首先，通過Canny算法對圖像進行粗處理，再對其邊緣點進行Hough變換，得到圖像邊緣的斜率和在插值方向的相應(yīng)邊緣點，通過坐標(biāo)變換將梯度方向旋轉(zhuǎn)至與插值方向一致；然后，對變換后的圖像進行高斯插值計算。結(jié)果表明：優(yōu)化后的算法能得到更高的定位精度，且具有方向不變性。將該算法運用于銷釘邊緣提取能滿足精度要求。

高斯插值算法；圖像處理；邊緣高精度提取

0 引言

隨著機電一體化的發(fā)展，零件大批量的生產(chǎn)要求不斷提高。對于體積較小的銷釘，限制其生產(chǎn)率提高的主要因素是尺寸的測量與合格品的篩選。因此，基于圖像處理對銷釘進行非接觸檢測篩選的技術(shù)研究非常重要。目前傳統(tǒng)的邊緣檢測算法主要有：Robert、Sobel、Canny、Prewitt算子[1-5]這些傳統(tǒng)算子在邊緣檢測過程中容易受到噪聲、尺寸范圍變化、灰度差異等實際情況的干擾，并且定位精度只能精確到像素級，無法滿足對尺寸有較高精度要求的銷釘進行精確的邊緣定位[6]。為此，又提出了亞像素邊緣檢測算法，是基于傳統(tǒng)邊緣檢測算法發(fā)展而來。在使用亞像素邊緣檢測算法時，常常先用傳統(tǒng)邊緣就愛內(nèi)側(cè)算法進行像素級別上的粗定位，再進一步進行更精確的定位?，F(xiàn)有的亞像素邊緣檢測算法主要分為三大類：矩方法[7]，擬合法[8]，插值法[9]。傳統(tǒng)的二次插值算法對被檢邊緣的方向性要求較高，方向發(fā)生變化后往往會影響插值精度，無法適應(yīng)復(fù)雜的工況要求。本文通過對傳統(tǒng)高斯亞像素插值算法進行優(yōu)化來精確的提取銷釘?shù)倪吘壩恢?。實驗表明，此算法?yīng)用在銷釘?shù)暮Y選能達到實際生產(chǎn)的精度要求。

銷釘?shù)纳a(chǎn)效率很高，制約生產(chǎn)效率提高的一個因素就是對銷釘?shù)某叽鐪y量，即對銷釘合格產(chǎn)品的篩選，而銷釘本身具有多個尺寸需要測量，如圖1所示。本文針對銷釘?shù)慕Y(jié)構(gòu)特征，對其邊緣的定位算法進行插值方向變換優(yōu)化，從而實現(xiàn)對銷釘邊緣的精確快速定位。

圖1 銷釘結(jié)構(gòu)尺寸圖

1 基礎(chǔ)算法選擇

由于光學(xué)元器件的卷積作用和光學(xué)衍射作用，以及光學(xué)系統(tǒng)的相差，導(dǎo)致灰度值劇變的邊緣處經(jīng)光學(xué)成像成為漸變式。根據(jù)方形控采樣定理，在固定的時間間隔內(nèi)光學(xué)元件以固定的面積對投射在其感光面上的光強進行積分，輸出結(jié)果就是圖像的灰度值。由于積分時間和積分面積是相對固定的，所以他的輸出灰度值至于它感光面上的光強分布有關(guān)[10]。

灰度值輸出表示為：

式中：f(i,j)為像素灰度值；g(x,y)為連續(xù)圖像的光強分布。

實際圖像邊緣灰度值的分布如圖2所示，可以看出階躍邊緣的變化經(jīng)光學(xué)成像處理后是一個非線性的離散變化過程。對圖2中所有的灰度值進行差分得到如圖3所示的分布圖。

圖2 邊緣灰度值分布圖

圖3 邊緣梯度值分布圖

由上述分析可以看出，像素灰度值的輸出時光學(xué)元器件上綜合光強作用的結(jié)果，符合方形孔采樣定理[11]。同時根據(jù)中心極限定理，從理論上講邊緣的灰度變化應(yīng)當(dāng)高斯分布，如圖4所示，曲線的中電為邊緣的精確位置。

圖4 邊緣梯度值分布圖

高斯曲線的表達式為：

可以看出是一個典型的二次曲線，因此設(shè)方程：

實際邊緣的角度任意性，邊緣灰度梯度分布不規(guī)律，較小角度的邊緣灰度梯度分布無法滿足插值要求，不同角度邊緣的灰度值分布與灰度梯度值分布如圖所示，圖示小角度的邊緣灰度梯度值分布并不符合插值要求。在進行二次插值過程中，式(4)只能對水平，豎直，對角線方向的梯度變化進行準(zhǔn)確的邊緣定位[7]，在實際生產(chǎn)過程中和圖像檢測領(lǐng)域無法實現(xiàn)實際邊緣的檢測。這一缺陷將不可避免的造成高斯插值的精度降低，無法滿足實際應(yīng)用當(dāng)中的精度要求。因此，要對傳統(tǒng)的高斯插值算法進行優(yōu)化。

圖5 不同角度邊緣梯度值分布圖

2 算法優(yōu)化

2.1 插值方向優(yōu)化

根據(jù)本課題檢測對象的特征，本文將先用經(jīng)典的邊緣提取算法Canny算法，對圖像邊緣進行粗定位，對邊緣線進行Hough變換[12]后從而可以對待測邊緣的傾角進行初步的測量，根據(jù)實際的傾斜角度對邊緣進行坐標(biāo)變換，變換角度使邊緣傾角更接近垂直位置，以便能得到準(zhǔn)確的亞像素位置。

圖6 沿梯度方向插值示意圖

角度變換方程如下：

為了保留圖像的原始灰度信息，變換過程只改變像素的坐標(biāo)位置，其灰度值分布不發(fā)生變化。對變換后的圖像邊緣位置進行定位，定位后的精確邊緣位置再經(jīng)過相同的角度變換，還原至原始位置。

2.2 插值算法優(yōu)化

該算法的計算精度和速度取決于插值函數(shù)的選擇，綜合考慮本文檢測圖像的特點和復(fù)雜程度，為了提高算法的運算速度，本文將傳統(tǒng)的高斯亞像素插值定位算法進行改進，插值方程如下：

根據(jù)Hough變換后的圖像邊緣，提取像素點的準(zhǔn)確坐標(biāo)位置，對坐標(biāo)點坐標(biāo)進行式(7)～式(9)運算，可以精確的得出插值方程(6)的系數(shù)，從而根據(jù)所得二次插值函數(shù)的中心線計算公式(10)可以得出精確的邊緣位置重點。

在新坐標(biāo)系中經(jīng)過每次插值運算的邊緣點位置即為(x,y)。

3 算法驗證

3.1 擬合對比試驗

為了分析優(yōu)化前后算法的穩(wěn)定性，本算法基于MATLAB語言編寫環(huán)境，分別對10°、21°、40°傾斜直線進行檢測。

根據(jù)對角度測量的準(zhǔn)確性，來判斷對邊緣直線定位的精準(zhǔn)程度。

圖7 優(yōu)化前后相同角度直線選取

3.2 角度測量實驗

表1 原始插值方法角度檢測結(jié)果

表2 優(yōu)化后插值方法角度檢測結(jié)果

表3 不同角度直線得到的亞像素值

【】【】

根據(jù)不同傾斜角度直線的角度測試結(jié)果，表1、表2數(shù)據(jù)可以說明優(yōu)化后算法在針對小角度傾斜直線測量時有更好的穩(wěn)定性，而且隨著角度的變換，表3數(shù)據(jù)可以說明亞像素檢測精度沒有發(fā)生明顯的變化，因此本算法不會因檢測角度的不同而影響檢測精度。

根據(jù)本課題的銷釘輪廓特征，優(yōu)化后算法能夠準(zhǔn)確的確定直線位置，計算得到的直線位置誤差在銷釘?shù)墓顜б笾畠?nèi)，因此本算法在銷釘?shù)耐廨喞叽鐪y量中能夠符合生產(chǎn)要求。

4 結(jié)論

針對銷釘?shù)耐廨喞卣?，通過改變高斯亞像素插值算法的插值方向，將該算法在MATLAB編譯環(huán)境下對銷釘圖像進行驗證，實驗結(jié)果表明能精確的定位銷釘輪廓的邊緣線，可檢測精度達到0.06個像素，檢測精度高。該算法運在刀具尺寸檢測、鋼材表面缺陷、鋼管內(nèi)徑尺寸檢測等，可以實現(xiàn)高精度的邊緣定位和尺寸測量。

[1] 趙芳,欒曉明,孫越.數(shù)字圖像幾種邊緣檢測算子檢測比較分析[J].通信與信息處理,2009,28(3):68-72.

[2] 王植,賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測方法[J].中國圖象圖形學(xué)報.2004,9(8):957-962.

[3] Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.1986.

[4] O. R.Vincent,O.Folorunso.A Descriptive Algorithm for Sobel Image Edge Detection[A].Proceedings of Informing Science & IT Education Conference (InSITE)[C].2009.

[5] FRANK Y S,CHENG S.Extracting faces and facial features from color images[J].International Journal of Pattern Recognition and Artificial Intelligence.2008.

[6] Rafael C.Gonzalez,Richard E. Woods, Steven L. Eddins. Digital Image Processing Using MATLAB[M].2nd Edition.

[7] 凌遠(yuǎn)煥,徐杜,將永平,等.基于局部區(qū)域灰度矩圖像邊緣定位方法的研究[J].光學(xué)與光電技術(shù),2009,7(3):60-63.

[8] 許光,明吳昭,周春蘭,等.基于視覺的零件尺寸測量[J].工業(yè)控制計算機,2015,28(4):111-113.

[9] 祁曉玲,趙霞霞,靳伍銀.基于機器視覺的軸類零件幾何尺寸測量[J].組合機床與自動化加工技術(shù),2013(01):65-73.

[10] 來躍深,陳琛,田軍委,程鋼.高斯插值亞像素邊緣檢測算法的優(yōu)化[J].西安工業(yè)大學(xué)學(xué)報,2012(10):811-816.

[11] 呂繼武,于偉,鄭偉.一種基于改進的HOUGH變換的車輪檢測方法[J/OL].電子技術(shù)與軟件工程,2014(13).

High precision edge extraction of pin base on machine vision

WANG Zhang-feng, SUN Jian-jun

TP3-0

A

1009-0134(2016)12-0023-04

2016-08-07

王章鋒（1991 -），男，河北人，碩士，研究方向為機器視覺。