周加勝 曹旭陽

摘要：在工業(yè)自動化生產(chǎn)車間中，機器視覺作為重要的一環(huán)，經(jīng)常用來對車間內(nèi)的零件進行識別。普通的幾何匹配算法在一些因素的干擾下，比如當零件的形狀或大小出現(xiàn)偏差時，對零件的正確識別率會大大降低。本文提出了一種幾何匹配改進方法，該方法以LabVIEW作為開發(fā)平臺，結合視覺開發(fā)模塊，通過均值化多個已知模板的灰度值，生成新的模板，再進行幾何匹配，以提高幾何匹配的穩(wěn)定性和準確性。通過測試驗證，取得了良好的效果。

關鍵詞：機器視覺;LabVIEW;幾何匹配;模板改進;均值化

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）22-0008-02

開放科學（資源服務）標識碼（OSID）：

零件的識別是工業(yè)自動化檢測中的重要環(huán)節(jié)[1]。對于不同形狀的零件，人工檢測效率低、工作量大。機器視覺技術具有非接觸、精度高、速度快等優(yōu)點，只要是與自動化生產(chǎn)、制造、檢測、測量等相關的，都可以考慮使用機器視覺與圖像處理的方法進行分析。因此，機器視覺逐漸成為工業(yè)界關注的熱點之一[2]。美國NI公司開發(fā)的LabVIEW軟件是一款基于子模塊和數(shù)據(jù)流的語言。它包含了大量機器視覺和數(shù)字化圖像處理等領域的輔助開發(fā)工具包，用戶可直接調(diào)用，快速完成測試過程[3]。本文在常規(guī)的幾何匹配方法上，通過均值化多個已知模板來改進幾何匹配的效果，并用該方法和常規(guī)方法進行對比測試，證明了改進的幾何匹配算法識別效果更好。

1 幾何匹配算法

1.1 幾何匹配算法的原理

幾何匹配是一種用來定位灰度圖像的模板匹配技術[4]。通過提取出灰度圖像中目標對象的幾何特征，將其作為參考模板，再在檢測圖像中尋找與參考對象相匹配的所有目標對象[5]。

1.2 幾何匹配算法的過程

幾何匹配過程包含三個階段：建立模板、模板學習和模板匹配。在建立模板階段，在樣本圖像中選定一個包含目標對象的感興趣區(qū)域（regjon of interest， ROI），從而實現(xiàn)對模板的建立。而作為模板，要求必須具備明顯的形狀特征或幾何特征[6]。在學習階段，幾何匹配算法從模板圖像中提取幾何信息，并通過快速搜索的方式組織和儲存提取的幾何信息以及它們的空間位置關系。在匹配階段，該算法在圖像中搜索模板查找匹配，該匹配過程是通過在檢測圖像中提取出包含著區(qū)域空間排列類似于模板的幾何信息，借助這些特征集涵蓋的幾何信息完成匹配，從而檢測出圖像中相似于目標對象的區(qū)域。

2 基于幾何匹配算法的改進

在幾何匹配中，選取模板的好壞將直接影響幾何匹配的結果。傳統(tǒng)幾何匹配的模板通常是在存在目標物體的圖像或ROI中選擇一個具有目標物體幾何特征的區(qū)域作為模板進行學習，但這種模板的隨機性大，不穩(wěn)定。當受到各種因素的干擾下，其形狀或大小出現(xiàn)微小偏差時，應用這種模板進行幾何匹配常常不能達到理想的匹配效果。對此，本文提出另一種新的模板創(chuàng)建方法，該方法核心思想就是均值化多個已知模板，保證模板中目標物體幾何特征的穩(wěn)定性，從而提高匹配性能。其設計思路如下：

（1）將樣本灰度圖像中具有目標物體幾何特征的ROI全部選定，作為模板進行創(chuàng)建;

（2）將各個模板中的幾何特征點一一對應起來;

（3）將每個模板中相對應的特征點的灰度值進行求和，然后取平均值;

（4）在對應點處創(chuàng)建新的特征點，將平均灰度值賦予新的特征點;

（5）將每個新的特征點提取出來，作為新的幾何特征，進行模板的創(chuàng)建;

（6）將新的模板作為最佳模板，再進行幾何匹配。

3 實驗測試

3.1 測試所需的硬件、軟件

實驗所需的硬件由計算機、USB攝像頭、光源和被測零件組成，所需的軟件是基于LabVIEW開發(fā)平臺的NI Vision Assis-tant（視覺助手）。

3.2 匹配分數(shù)

根據(jù)幾何匹配算法，在采集到的圖像上搜索模板，并判斷出每個模板的相似程度，根據(jù)相似程度的高低，Vision Assistant自動計算出相應的匹配分值，分值處于1到1000之間，分值越高，則表示搜索出的模板與創(chuàng)建的模板越相似。分值是匹配中一個非常重要的參考因素。

3.3 實驗過程

先將零件放置于試驗區(qū)域內(nèi)，使用USB高清攝像頭連接到計算機，通過視覺助手軟件平臺打開圖像采集模塊驅動攝像頭，對圖像進行采集，然后將采集到的圖像儲存到計算機中，再對圖像進行預處理，接著通過傳統(tǒng)的幾何匹配算法和經(jīng)改進后的幾何匹配算法分別對圖像進行處理，最后將結果顯示出來。通過識別被檢測圖像中零件數(shù)量的正確性以及匹配分數(shù)的高低來判斷兩種方法的優(yōu)劣。

本文以如下圖所示的黑色小零件作為需要識別的目標對象，先將實驗分為四組，分別是無反光和有反光情況下以及25%和50%咬合比（咬合比表示的是零件之間相互遮擋程度，咬合比越大表示零件之間相互遮擋越嚴重）情況下，然后選取圖中1的零件1作為傳統(tǒng)幾何匹配的模板進行學習和匹配，選取零件1、2、3經(jīng)上述改進方法處理后產(chǎn)生的新模板作為幾何匹配的模板進行學習和匹配，最后通過這兩種不同的模板創(chuàng)建方法分別對四組實驗進行幾何匹配并顯示出匹配的數(shù)量及相應的匹配分數(shù)?？紤]到時間和匹配精度，設置最小匹配分數(shù)值為800，即當匹配的目標與模板相似度分數(shù)值低于800時，則認為匹配失敗，無法識別出目標，當匹配的目標與模板相似度高于800時，則表示匹配成功，可以識別出來。試驗結果如下：

圖1和圖2分別表示在無反光和有反光環(huán)境下對兩種方法進行測試，如圖2所示，零件3部分區(qū)域出現(xiàn)反光。圖3、圖4分別表示在無反光環(huán)境下利用傳統(tǒng)幾何匹配方法和本文改進的幾何匹配方法對圖1中的目標物體進行幾何匹配。圖5、圖6分別表示在有光環(huán)境下利用傳統(tǒng)幾何匹配方法和本文改進的幾何匹配方法對圖2中的目標物體進行幾何匹配。

通過幾何匹配結果可以看出，在無反光環(huán)境下，無論是傳統(tǒng)幾何匹配還是改進后的幾何匹配，都能正確匹配到我們所需要的目標;而在有反光的環(huán)境下，傳統(tǒng)的幾何匹配并不能全部正確地匹配出我們所需要的目標數(shù)量，而改進的幾何匹配依然能夠正確的匹配出全部目標數(shù)量。說明在有反光的環(huán)境下，經(jīng)改進的幾何匹配適應性更好。

表1表示在上述4種情況下零件1、2、3分別通過傳統(tǒng)的幾何匹配方法和本文改進的幾何匹配方法得到的匹配分數(shù)，最后一行表示的是零件1、2、3在這4種情況下得到的匹配分數(shù)平均值。1000則表示完美匹配，因為傳統(tǒng)模板采用的是在無反光條件下零件1作為模板進行學習，所以可以達到1000。表中“一”表示在幾何匹配中并沒有正確的識別出目標零件，因此最終顯示的結果中沒有匹配分數(shù)等相關信息，在計算平均值時默認匹配分數(shù)為0。

通過分析表可以看出，無論是在有反光還是無反光條件下，改進后的幾何匹配的平均匹配分數(shù)都要高于傳統(tǒng)幾何匹配，說明經(jīng)改進后的幾何匹配的匹配性能要更好;同時也可以看出，在無反光情況下平均匹配分數(shù)要高于有反光情況下，說明光線對物體的識別效果確實會產(chǎn)生影響。

圖7和圖8分別表示在25%和50%咬合比條件下對兩種方法進行測試，如上圖所示，4號零件與1號、3號零件產(chǎn)生了咬合。圖9、圖10分別表示在25%咬合比條件下利用傳統(tǒng)幾何匹配方法和本文改進的幾何匹配方法對圖7中的目標物體進行幾何匹配。圖11、圖12分別表示在50%咬合比條件下利用傳統(tǒng)幾何匹配方法和本文改進的幾何匹配方法對圖8中的目標物體進行幾何匹配。從兩種方法匹配的結果可以看出，在咬合不大的情況下，傳統(tǒng)幾何匹配、改進幾何匹配都能夠正確地匹配到我們所要的目標和數(shù)量，在咬合比較嚴重的情況下，傳統(tǒng)幾何匹配并不能全部正確地匹配到目標零件數(shù)量，而改進的幾何匹配對4個零件均可以正確地識別出來，說明改進后的幾何匹配方法適應性更好，可以應用于更復雜的情況下。

表2表示在4種情況下零件1、2、3、4分別通過傳統(tǒng)的幾何匹配方法和本文改進的幾何匹配方法得到的匹配分數(shù)，最后一行表示的是1、2、3、4號零件在這4種情況下得到的匹配分數(shù)平均值。通過分析表中數(shù)據(jù)可以看出，無論是在25%咬合還是50%咬合的情況下，經(jīng)改進的幾何匹配平均匹配分數(shù)都要高于傳統(tǒng)幾何匹配，進一步證實了經(jīng)改進的幾何匹配的匹配性能要更好;同時也可以看出，零件產(chǎn)生咬合會對識別效果產(chǎn)生較大的影響。

4 結語

本文主要對基于LabVIEW幾何匹配的原理進行了研究，并對模板創(chuàng)建的方法進行了改進，通過創(chuàng)建多個模板，然后將多個模板灰度值進行均值化處理得到新模板。通過四組對比實驗可以看出，光照和咬合會對匹配的結果及分數(shù)產(chǎn)生影響，經(jīng)改進后的幾何匹配方法在出現(xiàn)反光和咬合比嚴重的情況下，依然能夠正確的匹配出全部的目標數(shù)量，說明此方法的適應性相對于傳統(tǒng)方法要更好。然而，本研究僅對于光照和咬合比兩種情況進行了測試，對于比例縮放以及綜合因素（反光+咬合比、比例縮放+咬合比等）的一些情況并未進行測試。因此該改進的幾何匹配方法還需要進一步的研究和探討。

參考文獻：

[1]張巧麗，李光明，王孝敬.模式匹配方法的LabVIEW設計與實現(xiàn)[J].計算機工程與設計，2015，36（9）：2422-2426.

[2]李光明，孫英爽，黨小娟.基于LabVIEW的幾何匹配方法的設計與實現(xiàn)[Jl.計算機工程與設計，2016，37（10）：2705-2709.

[3]趙冰，周戌初，張慶，基于Nl平臺的機器視覺檢測技術研究[J].制導與引信，2013，34（3）：57-60.

[4]宮二棟，丁蘊豐.基于labVIEW的機器視覺檢測系統(tǒng)的研究[Jl.長春理工大學學報（自然科學版），2017，40（2）：75-77，81.

[5]任楷飛，孟令軍，顧澤凌.基于灰度值金字塔算法的零件識別系統(tǒng)設計[Jl.中國測試，2018，44（7）：83-87.

[6] DuanXW，SunH.Design of stepper motor control system basedon SOPC and Lab VIEW[J].Applied Mechanics and Materials，2014，577：338-341.

【通聯(lián)編輯：李雅琪】

基金項目：國家重點研發(fā)計劃政府間/港澳臺重點專項（項目編號：SQ2018YFE010684）

作者簡介：周加勝（1994-），男，湖北黃石人，碩士研究生，研究方向為視覺識別與圖像處理;通訊作者：曹旭陽（1972-），男，山西太原人，車輛工程博士，副教授，碩士生導師，主要從事工程機械快速化設計理論研究、虛擬樣機與仿真研究。