徐 杰,鄒媛媛,鄭家俊

(1.沈陽建筑大學機械工程學院,沈陽 110168;2.高檔石材數(shù)控加工裝備與技術(shù)國家地方聯(lián)合工程實驗室,沈陽 110168)

0 引言

現(xiàn)代制造業(yè)越來越趨于“多品種、小批量”的特點,而鈑金加工領(lǐng)域?qū)ιa(chǎn)的柔性要求也越來越高,生產(chǎn)過程中對鈑金件加工質(zhì)量進行自動化檢測非常重要。機器視覺檢測技術(shù)由于具有非接觸、速度快、精度高、抗干擾能力強等優(yōu)點,被廣泛應(yīng)用于鈑金件加工質(zhì)量檢測。鈑金件上輪廓邊緣是表征鈑金件外形質(zhì)量的重要信息,其邊緣輪廓由圖元組成,主要包括線段、圓、圓弧等圖元,而圖元與圖元之間的連接點被稱為特征點,特征點主要為角點和切點。在對鈑金件加工質(zhì)量檢測的過程中,首先,需要準確識別特征點,進而依據(jù)特征點分割識別各圖元,其次,測量各圖元的形位信息,最后將圖元形位信息和設(shè)計圖紙進行比較,實現(xiàn)鈑金件加工質(zhì)量的檢測。因此,輪廓上特征點的準確識別是檢測過程中關(guān)鍵的一步,其識別的精度和效率將決定鈑金件加工質(zhì)量的檢測精度以及實時性[1-3]。

特征點是圖像輪廓上重要的特征信息,國內(nèi)外研究人員針對圖像輪廓上特征點的識別算法研究開展了廣泛的工作。ALBERT等[4]針對手繪草圖輪廓特征點的識別,提出了一種基于三次曲線近似擬合的特征點識別算法,通過計算半徑函數(shù),從而完成特征點的識別。賀雙喜等[5]提出了一種基于弧長的特征點識別方法,使用模板匹配先粗提取候選特征點,再依據(jù)約束條件進行特征點的精確提取。伍濟鋼等[6]提出了基于曲率與Hough變換的平面輪廓特征點識別和圖元分割方法,在理想輪廓上開展了實驗研究。張小洪等[7]構(gòu)造反映輪廓曲線局部幾何特征的梯度相關(guān)矩陣(GCMs),通過求矩陣的局部最大值來檢測角點。黃凌霄[8]針對塑料薄板零件圖像輪廓,提出了基于圖像結(jié)構(gòu)的特征點識別方法,首先判斷輪廓點相鄰的圖元類型信息,再依據(jù)圖元類型信息,對特征點進行精確提取。

上述方法多是針對平滑圖像輪廓開展的特征點識別方法研究,而平面鈑金件加工邊緣容易出現(xiàn)毛刺,在特征點識別中易出現(xiàn)偽特征點、切點難識別以及特征點識別精度低等問題,因此,本文為了提高平面鈑金件輪廓特征點的識別精度,在圖像結(jié)構(gòu)算法的思想上,提出了一種基于改進圖像結(jié)構(gòu)算法的平面鈑金件輪廓特征點識別方法。

1 基于圖像結(jié)構(gòu)的特征點識別

采用圖像邊緣檢測算法檢測得到圖像輪廓邊緣Q,邊緣上的輪廓點為Pi,則輪廓Q可以表示為:

Q={Pi(xi,yi)|i=1,2,3,…,n}

式中:n為邊緣輪廓像素點總數(shù)量,(xi,yi)為輪廓點Pi的圖像坐標。點Pi-t和Pi+t分別為和點Pi相隔t個像素的輪廓點,則點Pi-t的圖像坐標為(xi-t,yi-t),點Pi+t的圖像坐標為(xi+t,yi+t)。如圖1所示,為一條曲線輪廓段y=g(x),di1為輪廓點Pi和Pi-t間弦中點Ni1(xi1,yi1)和弧中點Ni2(xi2,yi2)的距離,可以表示為:

圖1 相鄰4個像素點坐標示意圖

(1)

圖1中所示,di2為輪廓點Pi和Pi+t間弦中點和弧中點的距離。

在基于圖像結(jié)構(gòu)的特征點識別中[8],通過對輪廓點所在的輪廓結(jié)構(gòu)進行分析,進而識別特征點,主要識別角點和切點兩種特征點。首先需要對輪廓點兩側(cè)的輪廓段類型進行判斷,該輪廓段弦中點和輪廓中點的距離大于0,表示該輪廓段為圓弧或圓,若等于0,則表示該輪廓段為線段。其次,依據(jù)輪廓點兩側(cè)輪廓的類型判斷輪廓點的類型。如圖1所示,若di1=0且di2=0,則Pi是角點或者是線段輪廓上的普通輪廓點;若di1>0且di2=0,(或di1=0且di2>0),則Pi是切點或者是角點。以上提取出的輪廓點作為候選特征點。再次,分別計算候選特征點和其間隔t個像素的兩個輪廓點連線的斜率值,并計算斜率值差的絕對值,依據(jù)設(shè)定的閾值識別出特征點。最后,將位置相鄰特征點進行融合,識別出輪廓上的角點和切點。

2 改進圖像結(jié)構(gòu)算法的特征點識別方法

2.1 鈑金件特征點類型

常見的平面鈑金件輪廓上的特征點類型主要包括:切點與角點,如圖2所示。

圖2 常見鈑金件輪廓上的特征點類型

圖2a和圖2b特征點Pa,Pb為角點;圖2c特征點Pc為切點。角點的兩側(cè)圖元為線段與線段,或者線段與圓弧;切點的兩側(cè)圖元為線段與圓弧。

2.2 改進的基于圖像結(jié)構(gòu)的特征點識別算法

平面鈑金件由于加工誤差,邊緣易出現(xiàn)毛刺,邊緣輪廓不夠平滑,采用上述圖像結(jié)構(gòu)的方法在進行平面鈑金件輪廓特征點識別時,易在線段輪廓上出現(xiàn)較多的偽特征點,同時對于特征點位置識別精度也需要進一步提高。因此,本文改進了基于圖像結(jié)構(gòu)的特征點識別算法,改進算法主要包括粗提取候選特征點和精確識別特征點兩部分。

粗提取主要實現(xiàn)對于包括角點和切點等候選特征點的提取。計算輪廓點Pi點對應(yīng)的距離di1與di2,并計算輪廓點Pi(xi,yi)與其相鄰t個像素點的輪廓點Pi-t,Pi+t間的斜率差的絕對值H,計算表達式為:

對兩組患者進行為期4周的治療，之后進行C14檢查，對患者治療后的C14檢出率進行統(tǒng)計，詳細記錄幽門螺桿菌轉(zhuǎn)陰時間、潰瘍消失時間與癥狀的緩解時間。對患者的胃鏡檢查效果進行評估，按照痊愈、顯效、有效和無效進行表達[6]。其中痊愈：潰瘍于周圍炎癥全部消失，顯效：潰瘍面消失，炎癥存在，有效：潰瘍面積縮小一半以上，無效：潰瘍面積縮小在一半以下。

H=|ki1-ki2|

(2)

式中:ki1,ki2表達式分別為:

(3)

理想情況下,角點的H值不為0,切點與線段上的點的H值為0。通過設(shè)定閾值T1和T2,分別判斷di1與di2和閾值T1的關(guān)系,H與閾值T2的關(guān)系,完成特征點粗提取。若di1≤T1且di2≤T1,H>T2時,則該輪廓點為候選角點;若di1≤T1且di2>T1,或者,若di1>T1且di2≤T1,H≤T2時,為候選切點,得到候選特征點集,表示為:

J={Jj(xj,yj)|j=1,2,3…,k}

針對鈑金工件特征點易出現(xiàn)局部聚集以及在線段輪廓上易出現(xiàn)偽特征點的問題,如圖3所示,需要在提取候選特征點后,對特征點進行精確識別。

在特征點精確識別中,首先計算候選特征點集合中的任意兩特征點之間的歐式距離ds,若該距離值小于距離閾值T3,則將此兩候選特征點分為一組,分組后,取每組的坐標均值作為該組最終提取的候選特征點的新坐標,均值坐標為Jjavg(xjavg,yjavg)計算為:

(4)

式中:k為該組候選特征點的數(shù)量。

對于線段輪廓段上出現(xiàn)的偽特征點,采用直線度[9]對線段輪廓段上的偽特征點進行剔除。

如圖4所示,設(shè)點J(j-1)avg,Jjavg,J(j+1)avg為相鄰的3個候選特征點,候選特征點J(j-1)avgJjavg。JjavgJ(j+1)avg,J(j-1)avgJ(j+1)avg之間的距離分別為dj1,dj2,dj,則有:

圖4 直線上偽特征點剔除過程

(5)

式中:rd為距離的比值,rm為閾值,通過判斷上述3個候選特征點是否在一條直線上,若rd趨向于1,則Jiavg為偽特征點,濾除掉,反之為特征點,進而將線段輪廓上的偽特征點全部濾除掉。

綜上所述,基于改進圖像結(jié)構(gòu)的鈑金件特征點識別算法具體流程如下:

步驟1:對采集獲取的鈑金件圖像采用均值濾波進行預處理,濾除掉圖像噪聲[10],再通過Canny邊緣檢測算子提取鈑金件輪廓邊緣,得到輪廓點坐標集合Q;

步驟2:計算輪廓點集合Q中的點Pi對應(yīng)的距離di1與di2,以及斜率差的絕對值H;

步驟3:通過距離值di1與di2以及H同對應(yīng)的閾值的比較,來進行候選角點和候選切點的粗提取;

步驟4:分別對提取的候選角點集合和候選切點集合中的任意兩點進行歐式距離的判斷,實現(xiàn)角點和切點的分組。分組后,取每組內(nèi)候選角點和切點的坐標均值作為該位置角點和切點對應(yīng)的坐標值;

步驟5:基于直線度指標,對步驟4中角點、切點集合中的偽特征點進行濾除,濾除掉線段輪廓上的偽特征點,實現(xiàn)特征點的準確識別。

3 實驗與分析

為了驗證本文的算法,分別對理想輪廓與平面鈑金件進行特征點識別實驗。本實驗中采用德國某公司生產(chǎn)的型號為acA4112-8gm相機和日本某公司的V1628-MPY2鏡頭,采集獲取鈑金件原始圖像。算法采用Python3.10編制實現(xiàn)。其中,步長t通過實驗比較設(shè)定為4。

圖5為平面鈑金件實物圖,輪廓中包含有角點和切點兩種特征點,通過局部放大圖可以看出鈑金件邊緣帶有毛刺。

(a) 實物圖 (b) 局部放大圖圖5 平面鈑金件實物圖

實驗結(jié)果主要從特征點識別數(shù)量的準確度與識別定位誤差進行評價。定位誤差[11]LE通過計算定位誤差平均值的平方根作為評價標準,定義為:

(6)

式中:(xgi,ygi),(xti,yti)分別為特征點的真實坐標與識別出的坐標,h為特征點總數(shù)。

3.1 理想輪廓實驗

理想輪廓選用矩形輪廓和圓角矩形輪廓,其中,矩形輪廓包括4個角點,圓角矩形輪廓包括8個切點。分別采用圖像結(jié)構(gòu)算法和本文提出的改進算法識別兩個理想輪廓的特征點。識別結(jié)果如圖6和圖7所示。

(a) 本文改進方法 (b) 圖像結(jié)構(gòu)方法圖6 矩形輪廓特征點識別結(jié)果

(a) 本文改進方法 (b) 圖像結(jié)構(gòu)方法圖7 圓角矩形輪廓識別結(jié)果

由實驗結(jié)果可知,在理想輪廓上,本文改進的算法和圖像結(jié)構(gòu)算法均可以準確識別角點和切點兩種特征點。

3.2 平面鈑金件實驗

為了解決鈑金件輪廓特征點識別準確性與定位精度問題,分別采用圖像結(jié)構(gòu)算法和本文提出的改進算法對實際鈑金件上的輪廓及常見的形狀輪廓進行輪廓特征點識別實驗。

圖8為鈑金件上的六邊形輪廓,其包括6個角點;圖9為鈑金件上的長孔輪廓包括4個切點;圖10為鈑金件上的復雜輪廓,包括2個角點和12個切點。

(a) 本文改進方法 (b) 圖像結(jié)構(gòu)方法圖8 六邊形輪廓檢測結(jié)果

(a) 本文改進方法

(b) 圖像結(jié)構(gòu)方法圖9 長孔輪廓檢測結(jié)果

(a) 本文改進方法 (b) 圖像結(jié)構(gòu)方法圖10 復雜輪廓檢測結(jié)果

由上述實驗結(jié)果可以看出,采用圖像結(jié)構(gòu)算法進行鈑金件上特征點識別時,線段輪廓上受加工毛刺影響易出現(xiàn)偽特征點,無法準確識別特征點。而本文改進的方法,考慮了線段輪廓上偽特征點的濾除,因此,可以準確識別特征點。

對圖10中識別出的特征點數(shù)量進行對比,如表1所示,本文改進方法可以準確識別出所有特征點。

表1 圖10輪廓上特征點識別數(shù)量準確度對比

對圖10中識別出的特征點定位誤差進行計算和統(tǒng)計分析,如表2所示,本文改進算法的定位誤差優(yōu)于圖像結(jié)構(gòu)算法。

表2 鈑金件輪廓特征點定位誤差對比

由以上實驗結(jié)果可以看出,本文改進方法和圖像結(jié)構(gòu)算法對于鈑金件輪廓的特征點識別定位誤差分別為2.35 pixel和3.04 pixel,本文提出的改進方法準確性更高。

4 結(jié)論

本文針對平面鈑金件輪廓特征點識別中易出現(xiàn)偽特征點及特征點識別定位精度低等問題,提出了一種基于改進圖像結(jié)構(gòu)算法的平面鈑金件輪廓特征點識別方法,包括粗提取和精確識別兩部分,并引入直線度指標進行線段輪廓上偽特征點的濾除,以此提高特征點識別精度。通過實驗驗證了本文方法的有效性,本文的改進方法可以濾除掉鈑金工件線段輪廓上的所有偽特征點,提高了特征點的定位精度。