王麗威 馬麗艷 李功燕1,

(1.江蘇物聯(lián)網(wǎng)研究發(fā)展中心,無錫,214135; 2.中國科學(xué)院大學(xué)微電子學(xué)院,北京,100049; 3.中國科學(xué)院微電子研究所,北京,100029)

引 言

視覺引導(dǎo)激光切割技術(shù)是通過機(jī)器視覺系統(tǒng)引導(dǎo)激光切割機(jī)器人完成零件切割作業(yè)，從而實(shí)現(xiàn)對(duì)產(chǎn)品的自動(dòng)化處理，具有非接觸、速度快和柔性好等優(yōu)點(diǎn)，在現(xiàn)代制造業(yè)中有著廣闊的應(yīng)用前景[1-2]。它是工業(yè)智能機(jī)器人的一個(gè)重要組成部分，在國內(nèi)外得到了很大的重視。本文針對(duì)手機(jī)SIM(Subscriber identification module)卡槽工件切割需求，利用同軸視覺激光系統(tǒng)進(jìn)行作業(yè)。

同軸視覺激光系統(tǒng)如圖1(a)所示。系統(tǒng)主要有視覺采集和激光切割兩部分組成。由視覺系統(tǒng)采集工件圖像，利用圖像處理算法檢測(cè)待切割部位在圖像中的位置，通過圖像坐標(biāo)和激光坐標(biāo)關(guān)聯(lián)，進(jìn)而引導(dǎo)激光對(duì)工件進(jìn)行切割。本文工件是在固定件上固定包含4個(gè)SIM卡槽的注塑模(圖1(b))，每個(gè)卡槽都被上下兩個(gè)臂連接。切割的目的就是斷開這些連接以獲得完整的卡槽。為達(dá)到高精度檢測(cè)需求，視覺系統(tǒng)采用500萬像素的工業(yè)相機(jī)(Basler acA2500-14gm，圖像分辨率2 592×1 944)，調(diào)整振鏡角度每次拍攝卡槽和臂的一個(gè)連接部位，采集8次之后得到每個(gè)連接部位的清晰圖片。

圖1 圖像采集方式Fig.1 Image acquisition

待切割的連接部位呈現(xiàn)直線段特征，因此可以通過在圖像中檢測(cè)該直線段來定位切割部位。由此可知，如何在一幅圖像中快速精確地檢測(cè)出特定位置的直線段是本文要解決的關(guān)鍵問題。

直線檢測(cè)是機(jī)器視覺和模式識(shí)別中最重要的任務(wù)之一[3]。直線檢測(cè)最經(jīng)典的算法是基于Hough變換方法[4-6]。它具有魯棒性強(qiáng)的特點(diǎn)，適合全局的直線檢測(cè)，但是需要較大的計(jì)算空間和計(jì)算量，提取的參數(shù)受參數(shù)空間的量化間隔制約。Xu等人[7]提出了隨機(jī)霍夫變換(Random Hough transform, RHT)，采用多對(duì)一的映射方式，避免了傳統(tǒng)Hough變換一對(duì)多映射方式的龐大計(jì)算量，并且在參數(shù)累積時(shí)使用動(dòng)態(tài)鏈表，降低內(nèi)存需求，因此RHT具有參數(shù)空間任意大、參數(shù)精度無限高的優(yōu)點(diǎn)。但是在處理復(fù)雜圖像時(shí)，由于隨機(jī)采樣引入大量無效單元，造成無效積累。

Burns等人[8]提出了一個(gè)利用圖像梯度方向信息的直線檢測(cè)算法。該算法利用梯度方向信息將圖像分割成不同的線段支撐區(qū)域，每個(gè)支撐區(qū)域中梯度方向趨于一致，然后在每個(gè)支撐區(qū)域中利用梯度幅值強(qiáng)度等信息檢測(cè)直線段。Desolneux等人[9]提出了無需人為調(diào)節(jié)外部參數(shù)的直線檢測(cè)算法。該算法統(tǒng)計(jì)梯度方向一致的像素到一個(gè)集合中，然后驗(yàn)證每個(gè)集合中所有像素元素組成的結(jié)構(gòu)是否符合直線特征。但會(huì)錯(cuò)誤地把圖像中幾個(gè)較短的直線段檢測(cè)為一條較長(zhǎng)的直線段，且計(jì)算量大，速度較慢。Gioi等人[10]在文獻(xiàn)[8, 9]提出的直線檢測(cè)算法的基礎(chǔ)上進(jìn)行改進(jìn)，并結(jié)合文獻(xiàn)[9]提出的直線段驗(yàn)證方法，提出了一種基于假設(shè)檢驗(yàn)的直線段檢測(cè)算法(Line segment detector, LSD)。該算法按梯度模值進(jìn)行區(qū)域增長(zhǎng)，利用Helmholtz Principle準(zhǔn)則判定直線段候選區(qū)域，最后擬合直選段。LSD算法具有魯棒性好、計(jì)算量小、誤檢及漏檢率低的優(yōu)點(diǎn)，不足之處在于容易受到高斯白噪聲的影響，且無法有效地直接在高分辨率的圖像上檢測(cè)直線段。Akinlar等人[11]提出了一個(gè)基于圖像邊緣提取的直線段檢測(cè)算法。該算法首先運(yùn)行邊緣提取算法獲得邊緣像素點(diǎn)鏈，然后從獲得的像素點(diǎn)鏈中提取直線段，最后驗(yàn)證提取的直線段是否是真實(shí)的圖像直線特征邊緣，但該算法使用的固定閾值會(huì)造成漏檢。Ding 等人[12]提出了一種直線段和圓弧相結(jié)合檢測(cè)算法。該算法通過移除圖像中的平滑弧線結(jié)構(gòu)從而避免了其對(duì)直線段檢測(cè)造成的干擾，非常適合檢測(cè)圖像中的直線段、圓、橢圓或者其他的復(fù)雜結(jié)構(gòu)，但是該算法速度較慢而且如果閾值選擇不合適會(huì)造成誤檢。

本文針對(duì)SIM卡槽圖像的特點(diǎn)，在前人研究的基礎(chǔ)上，提出了一種新的特定位置直線段的檢測(cè)算法。該算法的基本思想是：(1) 找到待檢測(cè)直線位置處的一個(gè)像素點(diǎn)作為尋找直線段候選區(qū)域的種子點(diǎn)；(2)從種子點(diǎn)開始尋找直線段候選區(qū)域；(3)在候選區(qū)域上擬合直線。實(shí)驗(yàn)表明該算法具有較強(qiáng)的魯棒性。

1 SIM卡槽圖像中切割線定位算法

圖像中待切割的連接部位邊緣特征不明顯，因此無法直接精確檢測(cè)出這個(gè)部位的直線段。但是圖像中固定件孔洞區(qū)域和注塑模交界處邊緣特征明顯，而且待切割部位的起始、終止點(diǎn)都落在這兩個(gè)邊緣上。因此一種可行的方案是：首先在圖像中檢測(cè)出這兩個(gè)直線段，如圖2 中標(biāo)記為1,2的兩個(gè)直線段，將一條直線段的一個(gè)端點(diǎn)作為切割的起始點(diǎn)(圖2中虛線和直線段1 的交點(diǎn))，兩條直線段延長(zhǎng)線的交點(diǎn)作為切割的終止點(diǎn)(圖2 中虛線和直線段2的交點(diǎn))。起始點(diǎn)和終止點(diǎn)之間的直線段即為待切割的邊緣(圖2 中的虛線)。

圖2 切割線示意圖Fig.2 Cutting line

由以上分析可知，本文方法最重要的是檢測(cè)圖2中的直線段1和2。由于每次使用機(jī)械手臂自動(dòng)抓取工件放置于激光切割平臺(tái)，且自動(dòng)調(diào)整振鏡的角度采集不同待切割位置的圖像，因此切割線在圖像中的位置不固定，會(huì)出現(xiàn)小幅度平移和旋轉(zhuǎn)(旋轉(zhuǎn)角度不超過±15°)。由于存在大量干擾直線段，利用Hough變換將不能準(zhǔn)確檢測(cè)出特定的直線段1和2。本文待檢測(cè)的直線段最長(zhǎng)可達(dá)600個(gè)像素點(diǎn)，一般的直線段檢測(cè)方法并不適用。此外，由于本文圖像分辨率高，若在整幅圖上檢測(cè)直線段再進(jìn)行篩選，計(jì)算量過大；若縮小圖像檢測(cè)直線段再將位置返回原圖像，則損失檢測(cè)精度。

根據(jù)SIM卡槽圖像的特點(diǎn)，本文設(shè)計(jì)的特定位置直線段檢測(cè)算法流程為：首先對(duì)采集到的圖像進(jìn)行預(yù)處理，去除噪聲的影響；由于兩條待檢測(cè)直線段都在固定件孔洞與注塑模的交界處，因此首先從原圖像中分割出固定件孔洞區(qū)域(至少兩個(gè))，針對(duì)待檢測(cè)的直線段1和2各選擇一個(gè)像素點(diǎn)；從該點(diǎn)開始利用圖像梯度幅值信息尋找檢測(cè)直線段的種子點(diǎn)；在種子點(diǎn)上再利用梯度方向信息進(jìn)行直線段候選區(qū)域增長(zhǎng)，然后在候選區(qū)域上擬合直線。最后通過計(jì)算得到的兩個(gè)直線段端點(diǎn)和兩直線交點(diǎn)位置，即可得到待切割位置的起始點(diǎn)。系統(tǒng)流程如圖3所示。

圖3 本文算法流程圖Fig.3 Flow chart for the proposed algorithm

1.1 直線段檢測(cè)算法

1.1.1 圖像梯度的計(jì)算

圖像的梯度反映相鄰像素間灰度值的變化情況[13]，因此像素的梯度信息對(duì)于圖像中的邊緣結(jié)構(gòu)檢測(cè)來說具有重要的意義。有多種模板可以用來計(jì)算梯度，但是當(dāng)模板選的過大時(shí)會(huì)模糊圖像細(xì)節(jié)。相比于2×2模板，Sobel算子能得到更大的梯度幅值和較強(qiáng)的抗噪聲能力[14]。本文選擇使用Sobel算子計(jì)算圖像的梯度。像素點(diǎn)梯度的幅值和方向分別為

mag(f)

(1)

式中f(x,y)為原圖像，其x軸和y軸梯度為fx和fy。

像素點(diǎn)在邊緣處梯度幅值較大，方向趨于一致，且梯度方向和邊緣延伸方向正交。雖然像素點(diǎn)在邊緣處梯度方向趨于一致，但并不是嚴(yán)格相等，若兩像素點(diǎn)的梯度方向之差小于2π/k，即可認(rèn)為在方向準(zhǔn)確度為k時(shí)兩像素的梯度方向一致，通常k取8～16。

1.1.2 尋找區(qū)域增長(zhǎng)種子點(diǎn)

通過圖像采集系統(tǒng)獲得的圖像一般都會(huì)受到噪聲的干擾，因此在對(duì)圖像進(jìn)行處理之前必須先對(duì)圖像進(jìn)行降噪預(yù)處理。由于采集的圖像分辨率較高，直接在原圖上定位固定件孔洞區(qū)域計(jì)算量過大。因此，本文采用高斯金字塔向下降采樣原圖像[15]，通過逐級(jí)向下降采樣n次，獲得一個(gè)原圖1/n大小的圖像(本文取n=8)。向下降采樣的過程既能放縮圖像大小，又能對(duì)圖像進(jìn)行高斯濾波平滑。在降采樣8次后得到的圖像中尋找種子點(diǎn)。

圖像分割一種常用的方法是基于閾值分割[16,17]，具有實(shí)現(xiàn)簡(jiǎn)單、速度較快且穩(wěn)定性好等優(yōu)點(diǎn)。閾值分割最基本的任務(wù)是找到最優(yōu)的閾值T。文獻(xiàn)[18]提出了一種自適應(yīng)閾值法，稱為大律法(Otsu)，又稱最大類間方差法。該算法主要是利用最大類間方差將圖像分為前景和背景兩個(gè)部分。本文待分割的固定件孔洞區(qū)域像素值較低，對(duì)應(yīng)在灰度直方圖上為左側(cè)區(qū)域(圖4(a)中閾值T2左側(cè))，因此可以采用Otsu方法對(duì)圖像進(jìn)行兩次分割。第一次對(duì)圖像使用Otsu方法求得一個(gè)最優(yōu)閾值T1，使用該閾值對(duì)圖像進(jìn)行閾值分割操作去除背景信息得到前景圖像。此時(shí)前景圖像中既包括固定件孔洞區(qū)域又包括注塑模信息。為了從前景圖像中提取出固定件孔洞區(qū)域，第二次對(duì)前景圖像使用Otsu方法求得一個(gè)最優(yōu)閾值T2，此閾值即為從原圖像中分割固定件孔洞區(qū)域所需的最優(yōu)閾值。使用閾值T2對(duì)原圖像進(jìn)行二值化，低于閾值T2的像素值設(shè)置為255，高于閾值T2的像素值設(shè)置為0。

由于噪聲或陰影的影響，閾值分割后通常會(huì)存在一些小的連通區(qū)域。為了去除這些小區(qū)域的干擾，本文使用一個(gè)半徑為20的圓形模板對(duì)二值圖像進(jìn)行形態(tài)學(xué)開運(yùn)算，只保留了感興趣區(qū)域，如圖4(b)所示。需要指出的是，由于固定件上每個(gè)卡槽和孔洞的相對(duì)位置會(huì)發(fā)生變化，存在檢測(cè)出3個(gè)孔洞區(qū)域的情況。但是由于本文事先已知每幅圖像中孔洞和待檢測(cè)直線段的空間位置關(guān)系，可以輕易判斷出所需的兩個(gè)孔洞區(qū)域。

圖4 孔洞區(qū)域分割Fig.4 Holeregion segmentation

兩個(gè)孔洞區(qū)域的質(zhì)心坐標(biāo)(xc1,yc1)和(xc2,yc2)可分別由式(2)進(jìn)行計(jì)算

(2)

通常具有較高梯度幅值的像素點(diǎn)對(duì)應(yīng)著較強(qiáng)的邊緣，并且邊緣中心位置處的梯度幅值更大，所以一種合理的尋找種子點(diǎn)的方法是從區(qū)域質(zhì)心開始朝某一方向逐像素遍歷梯度幅值圖像。當(dāng)相鄰像素點(diǎn)之間的梯度幅值差值大于一個(gè)給定閾值TG時(shí)，停止遍歷。從圖2中可以看出圖像右側(cè)區(qū)域邊緣在其質(zhì)心的下方，左側(cè)區(qū)域的邊緣在其質(zhì)心的右方。所以遍歷時(shí)分別采用向下、向右方向遍歷。當(dāng)僅采用1個(gè)梯度幅值與給定閾值TG比較作為遍歷終止條件時(shí)，容易受到噪聲點(diǎn)的干擾，造成誤判。為了消除這種情況，本文每次在遍歷方向上計(jì)算相鄰3個(gè)梯度幅值。當(dāng)3個(gè)梯度差值都大于給定閾值TG時(shí)，才結(jié)束遍歷。此時(shí)對(duì)應(yīng)的像素點(diǎn)即為找到的種子點(diǎn)(xs,ys)。

1.1.3 區(qū)域增長(zhǎng)

角度閾值τ的選取會(huì)對(duì)區(qū)域增長(zhǎng)產(chǎn)生重要影響。如果閾值設(shè)定得太小，區(qū)域增長(zhǎng)獲得直線段支持像素點(diǎn)過少，導(dǎo)致檢測(cè)的直線段過短；如果閾值設(shè)定得太大，區(qū)域就會(huì)增長(zhǎng)到偏離直線段的地方，導(dǎo)致獲得的區(qū)域過大，并且一些不相關(guān)的點(diǎn)也加入到候選區(qū)域中，因此檢測(cè)的直線段和真實(shí)的邊緣有較大偏差。如果圖像中的直線邊緣結(jié)構(gòu)特征比較明顯，角度閾值τ的選取對(duì)檢測(cè)精度影響不大。但是如果直線結(jié)構(gòu)特征不明顯或者噪聲點(diǎn)太多，這個(gè)參數(shù)選取合適與否就會(huì)對(duì)檢測(cè)精度產(chǎn)生重要影響。沒有理論證明τ為多大時(shí)最合適[10]，但是通過大量實(shí)驗(yàn)發(fā)現(xiàn)τ取28.5°最適合本文的檢測(cè)需求。

1.1.4 直線擬合

從候選直線段像素區(qū)域中擬合一條最佳直線段，可以采用外接矩形的方法，即用一個(gè)最小矩形包圍所有候選直線段像素。外接矩形的中心可以作為直線段的中心，外接矩形的第一慣性軸作為直線段的方向[10,19]。

矩形中心點(diǎn)(Cx,Cy)可以通過式(3)計(jì)算

(3)

式中i為遍歷所有的候選直線段像素點(diǎn)。

(4)

(5)

(6)

則候選直線段像素區(qū)域外接矩形的第一慣性軸方向?yàn)榫仃嘙的最小特征值對(duì)應(yīng)的特征向量方向。

1.2 計(jì)算切割線起始點(diǎn)

切割線起點(diǎn)可以設(shè)置為檢測(cè)到的直線段的1個(gè)端點(diǎn)，終點(diǎn)即為檢測(cè)到的2個(gè)直線段的延長(zhǎng)線交點(diǎn)。由中心點(diǎn)和直線段方向可以求得2個(gè)直線段的點(diǎn)斜式表示為

y1=k1(x-Cx1)+Cy1，y2=k2(x-Cx2)+Cy2

(7)

式中：(Cx1,Cy1)和(Cx2,Cy2)分別為直線段1，2的中心；k1和k2為直線段的斜率。由式(7)可以計(jì)算出交點(diǎn)坐標(biāo)(xe,ye)，即

(8)

2 實(shí)驗(yàn)及分析

為驗(yàn)證本文算法的有效性，本文將對(duì)不同算法的性能進(jìn)行對(duì)比分析，對(duì)比算法有Hough變換和LSD算法。圖5(a)是用500萬像素工業(yè)相機(jī)拍攝到的工件左上卡槽和上臂的連接部位圖片(圖1(b)橢圓圈出的部位)。圖5 (b)是使用統(tǒng)計(jì)概率Hough變換檢測(cè)到的結(jié)果圖像(Hough變換方法設(shè)定的幅值準(zhǔn)確度為1像素，相位準(zhǔn)確度π/180)，Hough變換由于沒有考慮直線的連通性和方向性特點(diǎn)，實(shí)際檢測(cè)到的不是真正的直線段而是組成直線段的分散邊緣像素點(diǎn)，因此要想獲得真正意義上的直線段結(jié)構(gòu)后續(xù)還需要復(fù)雜的處理過程。圖5(c)是LSD算法檢測(cè)的結(jié)果(參數(shù)Scale=0.8，quant=1.0)，算法從具有最大梯度模值的像素點(diǎn)開始區(qū)域增長(zhǎng)，接著選取次最大梯度模值的像素點(diǎn)開始下一個(gè)區(qū)域增長(zhǎng)，依次進(jìn)行直到檢測(cè)出所有的直線段，從圖像中看到大量的直線邊緣結(jié)構(gòu)被檢測(cè)到，待切割部位檢測(cè)到的直線段斷裂，因此要精確地定位出切割起始、終止點(diǎn)同樣也需要后續(xù)復(fù)雜的處理過程。圖5(d)是本文提出的算法檢測(cè)到的結(jié)果，實(shí)驗(yàn)中將角度閾值τ取為28.5°，尋找種子點(diǎn)時(shí)的梯度閾值TG設(shè)定為20.0，從圖中可以看到本文算法精確地檢測(cè)到切割邊緣位置。相對(duì)于LSD算法，本文算法首先精確地找到區(qū)域增長(zhǎng)的種子點(diǎn)，從種子點(diǎn)開始直線段候選區(qū)域增長(zhǎng)，有針對(duì)性地檢測(cè)兩條邊緣直線段，從而避免檢測(cè)到大量的無關(guān)直線段，提高檢測(cè)效率。

圖5 各種算法檢測(cè)直線段結(jié)果對(duì)比Fig.5 Comparison of line segment detection results by different algorithms

下面對(duì)注塑模的8個(gè)切割部位圖像分別使用本文算法進(jìn)行檢測(cè)。實(shí)際8個(gè)切割部位的圖像根據(jù)固定件孔洞和卡槽的相對(duì)位置兩兩相似，所以本文僅給出4個(gè)不同切割部位圖像進(jìn)行實(shí)驗(yàn)分析。圖6分別為從工件左上角開始逆時(shí)針方向采集到的切割部位圖像。針對(duì)4個(gè)不同部位要適當(dāng)調(diào)整尋找種子點(diǎn)時(shí)的遍歷方向，白色直線段為本文算法檢測(cè)的激光切割線位置。由圖6可知，本文算法可以精確地檢測(cè)到待切割的部位，直線段緊貼著待切割的邊緣，誤差較小。

圖6 不同切割部位檢測(cè)結(jié)果Fig.6 Cutting line detection for different cutting parts

圖7 低光照時(shí)切割線的檢測(cè)結(jié)果Fig.7 Cutting line detection in low light conditions

在本文相機(jī)成像系統(tǒng)采集圖像時(shí)，為避免注塑模反光，LED光源照射亮度不能過大。因此，在實(shí)際操作中可能會(huì)出現(xiàn)采集到的圖片偏暗的情況，圖像的對(duì)比度降低，邊緣結(jié)構(gòu)變得模糊，如圖7所示。此時(shí)，在角度閾值τ不變的情況下，適當(dāng)降低梯度閾值TG，本文算法同樣可以精確地檢測(cè)到待切割的邊緣位置。因此梯度閾值的大小可以根據(jù)實(shí)際應(yīng)用場(chǎng)景光照條件進(jìn)行調(diào)節(jié)，一旦光照強(qiáng)度固定，梯度閾值大小也應(yīng)隨之固定。

為了驗(yàn)證本文算法的準(zhǔn)確性，共采集80幅樣本圖像進(jìn)行檢測(cè)，對(duì)比本文算法和基于Hough變換方法的性能。表1列出了檢測(cè)正確、誤檢及漏檢的圖片數(shù)量，并計(jì)算了各種情況占有的百分比。由表1中可見本文提出的算法檢測(cè)精度較高，并且漏檢、誤檢率低。

當(dāng)待檢測(cè)直線段邊緣處存在較強(qiáng)毛刺時(shí)(圖8(a))，毛刺點(diǎn)上像素梯度角度方向與直線段邊緣上像素梯度角度方向相比有較大改變，角度差值遠(yuǎn)遠(yuǎn)大于梯度角度閾值τ。因此在區(qū)域增長(zhǎng)進(jìn)行到強(qiáng)毛刺點(diǎn)時(shí)停止，得到的直線段候選區(qū)域不能涵蓋整個(gè)邊緣像素，從而導(dǎo)致檢測(cè)到的直線段有時(shí)過短，在后續(xù)的切割線定位時(shí)會(huì)存在一定誤差，但在實(shí)際中這種情況較少。為進(jìn)一步提高本文算法的魯棒性，根據(jù)孔洞區(qū)域定位結(jié)果，可在同一邊緣處選取多個(gè)種子點(diǎn)分別進(jìn)行區(qū)域增長(zhǎng)(圖8(b))，之后將這幾個(gè)區(qū)域合并為1個(gè)直線段候選區(qū)域，最終獲得直線擬合結(jié)果(圖8(c))。

圖8 邊緣存在強(qiáng)毛刺時(shí)直線檢測(cè)結(jié)果Fig.8 Influence of strong protrusions in edges

3 結(jié)束語

本文針對(duì)SIM卡槽激光切割需求，提出了一種圖像中特定位置直線段的檢測(cè)算法。該算法首先要找到進(jìn)行區(qū)域增長(zhǎng)的種子點(diǎn)，然后從該種子點(diǎn)開始執(zhí)行區(qū)域增長(zhǎng)策略，最后用矩形逼近區(qū)域增長(zhǎng)得到的直線段候選區(qū)域，并在該區(qū)域上擬合直線段。實(shí)驗(yàn)結(jié)果表明本文算法具有更高的檢測(cè)精度，更低的誤檢和漏檢率。與現(xiàn)有直線段檢測(cè)算法相比，本文算法檢測(cè)的直線段為連續(xù)邊緣，且可檢測(cè)特定位置的長(zhǎng)直線段。由于引入的直線段候選區(qū)域增長(zhǎng)策略對(duì)噪聲具有很強(qiáng)的抵抗性，而且受光照強(qiáng)弱變化和工件擺放位置變化影響較小，因此算法魯棒性很強(qiáng)，適合工業(yè)現(xiàn)場(chǎng)檢測(cè)。

[1] 李龍.激光視覺引導(dǎo)機(jī)器臂焊縫跟蹤系統(tǒng)的研究與開發(fā)[D].無錫:江南大學(xué),2013.

Li Long. Laser visual guide the machine arm weld tracking system research and development[D].Wuxi: Jiangnan University,2013.

[2] 張永強(qiáng).激光切割質(zhì)量同軸視覺檢測(cè)與控制的研究[D].北京:清華大學(xué),2006.

Zhang Yongqiang. Quality monitoring and control for laser cutting with coaxial visual sensing system[D].Beijing:Tsinghua University,2006.

[3] 陳仁杰,劉利剛,董光昌. 圖像主特征直線的檢測(cè)算法[J]. 中國圖像圖形學(xué)報(bào),2010, 15(3):403-408.

Chen Renjie, Liu Ligang, Dong Guangchang. Detection of principal lines in images[J]. Journal of Image and Graphics,2010,15(3):403-408.

[4] 段汝嬌,趙偉,黃松嶺,等.一種基于改進(jìn)Hough變換的直線快速檢測(cè)算法[J].儀器儀表學(xué)報(bào),2010,31(12):2774-2780.

Duan Rujiao, Zhao Wei, Huang Songling, et al. Fast line detection algorithm based on improved Hough transformation[J]. Chinese Journal of Scientific Instrument, 2010,31(12):2774-2780.

[5] Illingworth J, Kittler J. A survey of Hough transform[J].Computer Graphics and Image Processing,1988,44(1):87-116.

[6] 王廣志,童明,丁輝.基于幾何特征的X射線圖像中圓形標(biāo)志點(diǎn)自動(dòng)提取[J]. 數(shù)據(jù)采集與處理,2015,30(5):965-972.

Wang Guangzhi, Tong Ming, Ding Hui. Automatic circular marker detection for X-ray image base on geometric parameter[J]. Journal of Data Acquisition and Processing, 2015,30(5):965-972.

[7] Xu L, Oja E, Kultanen P. A new curve detection method: Randomized Hough transform[J].Pattern Recognition Letters, 1990, 11: 331-338.

[8] Burns J B, Hanson A R, Riseman E M. Extracting straight lines[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996,8(4):425-455.

[9] Desonlneux A, Moisan L, Morel J M. Meaningful alignments[J].International Journal of Computer, 2000, 40(1):7-23.

[10] von Gioi R G, Jakubowicz J, Morel J-M, et al. LSD: A fast line segment detector with a false detection control [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4):722-732.

[11] Akinlar C, Topal C. ED lines: A real-time line segment detector with a false detection control[J]. Pattern Recognition Letters, 2011,32:1633-1642.

[12] Ding Weili, Wang Wenfeng, Li Xiaoli. OT lines: A novel line-detection algorithm without the interference of smooth curves[J]. Pattern Recognition Letters, 2016,53: 238-258.

[13] 李士進(jìn),占迪,高祥濤,等. 基于梯度與顏色信息融合的水文資料圖像分割[J]. 數(shù)據(jù)采集與處理，2016,31(1):94-101.

Li Shijin, Zhan Di, Gao Xiangtao, et al. Hydrological sheet color image segmentation based on gradient and color information[J]. Journal of Data Acquisition and Processing, 2016, 31(1): 94-101.

[14] Hast A. Simple filter design for first and second order derivatives by a double filtering approach [J]. Pattern Recognition Letters, 2014,42(1):65-71.

[15] Fleuret F, Geman D. Coarse-to-fine face detection [J]. International Journal of Computer Vision, 2001, 41(1/2): 85-107.

[16] 張新明，張貝，涂強(qiáng). 廣義概率Tsallis熵的快速多閾值圖像分割[J]. 數(shù)據(jù)采集與處理，2016,31(3): 502-511.

Zhang Xinming, Zhang Bei, Tu Qiang. Fast multilevel thresholding for image segmentation based on generalized probability Tsallis entropy[J]. Journal of Data Acquisition and Processing, 2016,31(3): 502-511.

[17] 吳一全，孟天亮，吳詩婳.圖像閾值分割方法研究進(jìn)展20年(1994—2014)[J]. 數(shù)據(jù)采集與處理，2015,30(1): 1-23.

Wu Yiquan, Meng Tianliang, Wu Sihua. Research progress of image thresholding methods in Recent 20 years (1994—2014) [J]. Journal of Data Acquisition and Processing, 2015,30(1): 1-23.

[18] Nobuyuki O. A threshold selection method from gray-level histograms [J]. IEEE Trans Sys Man Cyber, 1979,9(1):62-66.

[19] Kahn P, Kitchen L, Riseman E M. A fast line finder for vision guided robot navigation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(11):1098-1102.