胡道松,邱鵬程,周靜,李波

(中國地質(zhì)大學(武漢)機械與電子信息學院，湖北武漢 430074)

0 前言

企業(yè)生產(chǎn)中，縫隙的檢測是至關(guān)重要的一環(huán)。國內(nèi)外已廣泛使用各種機器人，利用機器視覺代替人眼，對工業(yè)產(chǎn)品進行檢測和判斷，因而研究基于圖像的精度檢測算法是其關(guān)鍵所在。視覺檢測技術(shù)具有非接觸、定制化、速度快等優(yōu)點。工業(yè)中視覺檢測技術(shù)的實現(xiàn)是通過合理的設(shè)計和整合，對采集到的圖像進行處理、計算后得到特征數(shù)據(jù)，同時做出判斷，以達到自動檢測的目的。

國內(nèi)研究者針對不同環(huán)境下的縫隙特征檢測提出了眾多算法和方案。孫佳興等提出了基于區(qū)域生長的縫隙提取辦法，但是此法僅適用于豎直縫隙提取?；舴蛑本€檢測具有較強的魯棒性和較高的精度，但是運算復雜度較高。張國福和王呈基于改進霍夫直線檢測算法檢測電梯門的縫隙，提出了限角概率霍夫直線檢測法，與標準的霍夫直線檢測算法相比，效率和準確度均有所提高，但是該算法主要是基于先驗知識的判斷規(guī)則，適應(yīng)范圍較窄。楊帆提出基于改進亞像素邊緣檢測算法，實現(xiàn)了對縫跡特征的提取。TAO等基于YOLO目標檢測模型和圖像處理，實現(xiàn)了復雜環(huán)境開關(guān)間隙的提取。Canny變換是常用的邊緣檢測算法，也常用于縫隙檢測。李超等人基于Canny變換提出了開關(guān)間隙的自動檢測算法。XU等提出了基于自適應(yīng)小波閾值和數(shù)學形態(tài)學的間隙檢測算法。針對縫隙特征，還可以將圖像進行分割，實現(xiàn)對縫隙特征的提取。董含提出基于超像素的圖像分割方法，但是面對復雜環(huán)境，該方法計算量較大，無法達到實時檢測的目的。鞏祎明提出優(yōu)化的CRF-RNN語義分割模型，該算法適用性較廣，但是該模型的泛化能力和精度取決于數(shù)據(jù)集的制作。

上述研究存在的主要問題就是針對游標卡尺表面紋理清晰時，卡爪縫隙特征提取的自動化程度不高，容易出現(xiàn)針對紋理的誤檢情況，對于縫隙的提取存在一定限制。

本文作者基于上述文獻的縫隙提取思想，并在考慮游標卡尺表面復雜紋理對算法的干擾情況下，為檢測卡爪縫隙，提出一種新的機器視覺檢測技術(shù)方案，并建立相應(yīng)的實驗裝置。

1 改進自適應(yīng)閾值

對卡爪縫隙進行檢測時，首先應(yīng)對圖像進行邊緣檢測，提取出縫隙的邊緣信息。傳統(tǒng)Canny算法是常用的邊緣檢測算法，其流程包含圖像去噪、計算梯度幅值和方向、非極大值抑制、雙閾值檢測和邊緣連接，其檢測效果與閾值的選擇關(guān)聯(lián)很大。除人工設(shè)定閾值，Otsu算法被作為尋找最佳閾值的一種常用方法。Otsu算法首先選取一個閾值，將圖像分為前景和背景兩部分，并計算兩區(qū)域的類間方差。類間方差的值越大，代表前景和背景的區(qū)別越大，則閾值分割的效果越好。類間方差的定義如下：

=(-)+(-)

(1)

式中:為類間方差；、分別為像素為前景或背景區(qū)域的概率；、、分別為前景、背景和全局平均灰度值。

Otsu算法對直方圖為明顯雙峰的圖像效果較好，但是對于目標像素點較少的圖像，閾值會嚴重偏向于像素占比大、類內(nèi)方差大的背景區(qū)域，導致圖像分割效果較差。對于游標卡尺圖像，卡爪縫隙對于整個卡爪來說相對占比較小，因此利用Otsu算法作為閾值進行Canny邊緣檢測的效果較差。本文作者基于實際工況，提出一種基于四叉樹理論的改進Otsu算法。該算法的核心在于，在圖像中前景和背景占比不同時，通過對圖像進行分割，并利用圖像的灰度級直方圖的二階矩來描述圖像紋理的復雜度；選擇復雜度大的區(qū)域作為候選區(qū)域，通過迭代找到前景和背景占比接近的區(qū)域，并以此區(qū)域進行閾值計算，最終得到最佳閾值。該算法公式如下：

(2)

式中:、分別表示分段區(qū)域的行數(shù)和列數(shù)；表示待分段圖像；=0,1,…,;、、、表示分割后的4塊區(qū)域;表示灰度二階矩的最大值；表示圖像灰度級直方圖的二階矩，用來描述圖像紋理的復雜度，計算公式如下：

(3)

式中:表示灰度;()表示相應(yīng)的直方圖;表示不同灰度級的數(shù)量；表示的均值。

圖1所示為本文作者改進的自適應(yīng)閾值在目標像素點較少時Canny邊緣檢測算法的影響。

圖1 傳統(tǒng)Otsu算法和文中方法對比

由圖(a)(c)可以看出，因為縫隙在圖像中的占比較小，導致直方圖只顯示一個波峰，因此其閾值結(jié)果偏向于波峰(背景)。由圖(e)可知：利用此閾值，會導致邊緣信息檢測不完全，會對邊緣的提取和最終的擬合造成影響。圖(b)所示為文中方法的結(jié)果。文中方法主要利用四叉樹理論，將圖像進行分段，并計算每段圖像灰度級直方圖的二階矩，其值越大，則代表縫隙在該段占比越多。由此，選擇該區(qū)域為目標區(qū)域，并不斷迭代上述過程，找到最終的目標區(qū)域R。圖(d)為圖(b)中目標區(qū)域R的灰度直方圖，該直方圖具有2個較明顯的波峰，計算的閾值(紅線位置)較好地分割了前景和背景。由圖(f)可知：該閾值很好地保留了縫隙的邊緣信息，有利于進行后續(xù)的縫隙提取和擬合。

2 卡爪縫隙寬度檢測算法

由于卡爪表面并不光滑，考慮可能存在的劃痕或其他加工痕跡，攝像單元采集到的圖像是一種混有噪聲的縫隙圖像。算法設(shè)計的基本思想如下：

(1)預處理

相機捕獲到的是RGB圖像，需要將采集到的圖像進行灰度化，以提高計算速度，同時保留圖像的梯度信息。

=++

(4)

其中:表示最終的灰度；、、分別表示對應(yīng)像素點的R、G、B值；、、表示R、G、B分別對應(yīng)的權(quán)重，常取0.299、0.587、0.114。

對圖形進行降采樣和濾波處理，完成圖像的降噪。文中采用高斯濾波器進行處理。

(2)邊緣檢測

對待預處理圖像進行處理，得到邊緣骨架信息。處理步驟如下：

步驟1，對圖像進行改進自適應(yīng)閾值計算，得到最佳閾值；

步驟2,對圖像模糊處理后，利用該閾值進行Canny邊緣檢測，得到圖像的邊緣信息，如圖2(a)所示;

步驟3,因為Canny變換得到的邊緣信息并不連貫，因此利用形態(tài)學閉操作，將邊緣圖像信息連貫起來，如圖2(b)所示;

步驟4,利用細化算法，將得到的邊緣直線進行細化，保留一個像素寬度，降低后續(xù)的運算復雜度，如圖2(c)所示。

(3)邊緣特征提取

細化算法之后的圖像，依舊保留著大量的紋理信息，如圖2(c)所示,所以需要對邊緣特征進行提取。根據(jù)視覺特征，縫隙邊緣應(yīng)當在圖像中占據(jù)主要地位，即在圖像中，邊緣的空間跨度最大。因此，對像素點進行聚類，即遍歷所有的像素點，若像素值為0，則進行八連通域的檢測，確定像素點周圍是否存在已標記類的像素點，若僅存在一個已標記像素點，則將當前像素點標記為該類；若存在多個已標記點，且屬于不同類，則將該點和該點連接的所有類劃分為同一個新類；若不存在，則將該標記點定義為新類。

圖2 邊緣檢測示意

最終得到位置信息的聚類結(jié)果，即類{,,，…,}。聚類結(jié)果如圖3所示。

圖3 聚類結(jié)果 圖4 類提取結(jié)果

通過視覺特征，對空間跨度大于平均跨度的類進行提取：

(5)

式中:表示各個類;()表示類的空間跨度。

如圖4所示，通過對類的空間跨度進行分析，得到初步的提取結(jié)果。相較于圖2，噪聲被很好地去除。但是由于文中是根據(jù)位置信息進行的聚類，在加工過程中會出現(xiàn)紋理與邊緣重合，簡單的聚類無法很好地將這種紋理排除。因此，針對這種情況，本文作者設(shè)計了基于先驗的邊緣信息二次提取流程。

基于先驗的邊緣信息二次提取流程對類提取后的圖像進行運算，如圖5、圖6所示。從端點坐標開始標記，首先進行四連通域檢測，尋找下一個標記點坐標，若存在則標記，不存在則進行八連通域檢測，若存在則標記，若不存在則視為結(jié)束端點。每隔20個像素點標記一個先驗點，得到先驗點集{,,，…，}。若出現(xiàn)分叉點情況，即進行連通域檢測時標記點存在數(shù)目大于1時，如圖7所示，將先驗點集{,,，…，}到檢測點的向量作為該直線的方向向量集，從檢測點到多個標記點、的向量為檢測向量。通過計算方向向量集與檢測向量之間的夾角，并根據(jù)投票法，即每個方向向量與檢測向量計算后，取較小值對應(yīng)的檢測向量，投票數(shù)加一。取投票數(shù)最多的檢測向量為方向向量，確定下一標記點的坐標位置，并進行標記。最終得到去除分叉的縫隙邊緣標記點集{(,),(,),(,)，…，(,)}。

圖5 縫隙特征提取流程

圖6 標記流程示意(黃色為已標記點；紅色為待標記點；黑色為未標記點)

圖7 基于先驗的分叉點判斷方法示意

(4)直線擬合

利用最小二乘法對標記點集進行擬合計算，得到最終的邊緣直線。并計算縫隙的寬度值：

(6)

式中:、分別為兩條邊緣直線對應(yīng)的直線點集中任意隨機點到另一條直線的距離；為標定系數(shù)。

3 實驗與算法分析

3.1 實驗設(shè)計

如圖8所示，待檢測物體置于實驗臺上，考慮成像素質(zhì)，由環(huán)形光源補光，圖像經(jīng)遠心鏡頭拍攝后傳輸?shù)接嬎銠C中。當攝像視場中出現(xiàn)縫隙圖像時，計算機會實時顯示縫隙所在位置。

圖8 實驗裝置示意

為驗證文中算法的實際效果，采用相同的圖像進行算法對比。文中實驗的硬件環(huán)境：CPU Intel(R)Core(TM)i5-6300HQ；內(nèi)存為8 GB；64位Windows10操作系統(tǒng)，軟件實施平臺為Visual Studio 2017。測試圖像為游標卡尺外測量卡爪縫隙圖像，圖像分辨率為3 072像素×2 048像素。

3.2 實驗結(jié)果

由圖9可以看出：測試圖像紋理清晰，對縫隙檢測產(chǎn)生較大的干擾，檢測算法需具有更強的魯棒性。目前常見的直線檢測算法為霍夫直線檢測，以文獻[7]的方法和最常用的漸進概率式霍夫變化(PPHT)為對照樣本，對文中算法進行性能測試。

圖9 測試圖像

3種算法的測試結(jié)果如圖10所示。由圖10(a)可知：文獻[7]中算法在縫隙角度已知且不變的情況下，可以較好地剔除紋理信息，擬合邊緣直線效果較好，但是當縫隙的角度未知時，會出現(xiàn)無法檢測出縫隙的情況。由圖10(b)可知：PPHT算法對縫隙檢測較為完整，對于紋理信息，由于閾值的選擇不同和拍攝環(huán)境等影響，對縫隙檢測的魯棒性不強，同時，也存在擬合精度的問題。由圖10(c)可知：文中算法對縫隙邊緣進行了很好的提取和擬合，同時完成了對紋理信息的剔除，該算法具有更好的魯棒性。

圖10 算法測試結(jié)果

針對檢測精度，對每個測試圖像均測試5次，結(jié)果分別如表1和表2所示。文中檢測方法的平均相對誤差為0.002 4 mm，平均相對誤差率為0.433 1%，平均相對誤差和平均相對誤差率均較小，證明文中檢測方法有效、準確。

表1 測試圖像1人工檢測與文中檢測結(jié)果對比

表2 測試圖像2人工檢測與文中檢測結(jié)果對比

圖11所示為3種算法針對測試圖像的運行耗時結(jié)果。對于圖9(a)，文中算法和文獻[7]中方法的耗時接近，但優(yōu)于PPHT算法。而針對圖9(b)，文中算法耗時優(yōu)于兩者。總體而言，文中算法對比文獻[7]算法和PPHT算法，在時間消耗上，提升了15%左右。同時對具有復雜紋理環(huán)境中的縫隙邊緣提取準確率達到了100%，可以有效地保證在工業(yè)檢測中應(yīng)對紋理噪聲較多的情況。

圖11 算法耗時測試結(jié)果

4 結(jié)束語

本文作者針對紋理清晰的游標卡尺的卡爪縫隙，提出使用視覺檢測的方法來檢測卡爪縫隙寬度。根據(jù)工況，基于四叉樹理論，提出了改進自適應(yīng)閾值算法，解決了當目標像素點占比較少時Otsu算法效果較差的問題。根據(jù)卡爪縫隙在圖像中的空間跨度進行分析、聚類，實現(xiàn)了對卡爪縫隙的精確提取，并建立了相應(yīng)的實驗裝置進行實驗。結(jié)果表明：該算法可以實現(xiàn)對縫隙邊緣的精確自動提取和檢測，同時單張圖片的檢測時間約為400 ms，滿足工業(yè)實時檢測的要求；該方法有一定的通用性，同樣可應(yīng)用于其他工業(yè)產(chǎn)品裝配縫隙的在線檢測識別。研究結(jié)果為其他在線檢測系統(tǒng)的檢測方法設(shè)計提供了思路。