CN103292701A - 基于机器视觉的精密器件在线尺寸测量方法 - Google Patents

Abstract

基于机器视觉的精密器件在线尺寸测量方法，涉及一种基于机器视觉的尺寸测量方法，解决现代工业对工件测量的精度要求高的问题。包括步骤：调整相机获取标准器件的清晰图像，同时在清晰图像内采集模版区域；对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像；获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域；对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算边缘间的像素距离；计算图像像素距离与实际距离的关系；算待检测器件的实际尺寸。本发明可广泛应用于对精密器件的机器视觉尺寸测量。

Description

基于机器视觉的精密器件在线尺寸测量方法

技术领域

本发明是一种基于机器视觉的尺寸测量方法，属于图像处理领域

背景技术

随着电子工业、航天工业和汽车工业的发展对其中的工件精度要求越来越高，传统工件检测工艺中普遍采用游标卡尺或者螺旋测微器进行人工测量，效率低、测量精度随机性大，已经不能满足现代工业对测量工艺的效率、精度等方面的要求。

在传统上工人需要知道合格工件的尺寸来判断新工件是否合格，随后发展出机器视觉的方法简单比较合格工件与新工件的图像来判断是否合格，但是这样可以判断的工件种类少，精度差。所以本设计采用了以标准工件为模板，测量工件尺寸剔除不合格工件。

发明内容

本发明为了解决现代工业对工件测量的精度要求高的问题，从而提供一种基于机器视觉的精密器件在线尺寸测量方法。

基于机器视觉的精密器件在线尺寸测量方法，它包括如下步骤：

步骤一：调整相机获取标准器件的清晰图像，同时在清晰图像内采集模版区域；

所述模版区域为标准器件的图像大小；

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像；

步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域；

步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算边缘间的像素距离；

步骤五：利用步骤一所述模版区域计算图像像素距离与实际距离的关系；

步骤六：根据步骤五所述关系，计算待检测器件的实际尺寸。

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像的过程为：

所述模版区域为g(x，y)，其中g(x，y)＝f(x，y)+e(x，y)，f(x，y)为原始图像，e(x，y)为干扰，则有：

步骤二A：选取模版区域的灰度平均值作为分割阈值T_k的初始值T₀；

步骤二B：用所述分割阈值T_k将图像分为两部分，其中S₁为背景像素集合，S₂为前景像素集合；

S₁＝{f(x，y)|f(x，y)≥T_k}

S₂＝{f(x，y)|0≤f(x，y)＜T_k}

步骤二C：分别计算背景像素集合S₁和前景像素集合S₂的灰度均值E₁和E₂；

$E_1=\frac{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}N(i,j)}$

$E_2=\frac{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}N(i,j)}$

式中，f(i，j)为图像灰度值，N(i，j)为该灰度值的像素数目；

步骤二D：选择新的分割阈值T_k+1，其中

若T_k＝T_k+1则进入步骤二E，否则返回步骤二B；

步骤二E：获取模块区域的分割阈值T_k，并将模块区域进行二值化，将灰度值高于T_k的像素置为255低于T_k的像素置为0。

所述步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域的过程为：

所述模版匹配分为粗匹配和精确匹配；

所述粗匹配的过程为：分别对模版区域和待检测图像进行隔行隔列采集数据，并进行比较设定误差阈值E₀为：

$E_0=e_0\&times;\frac{m+1}{2}\&times;\frac{n+1}{2}$

式中，e₀为所述数据各点平均最大误差，m为模版区域的长度，n为模版区域的宽度；

找到满足阈值的匹配区域在图像中的坐标，将该区域边缘扩大五个像素作为粗匹配结果；

所述精确匹配的过程为：获取粗匹配结果，进行完整像素匹配，即对所述粗匹配结果内的所有像素进行像素匹配并获得目标区域。

所述步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算期间的像素距离的过程为：

步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置；

步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线；

步骤四C：对所述最有可能存在的直线上的边缘点进行梯度分析获取边缘点的亚像素级位置；

步骤四D：对步骤四C获得的亚像素级边缘点进行直线最小二乘法拟合，获得最终的直线参数；

步骤四E：判断已获得直线关系是否满足尺寸测量，若满足则进行步骤五，否则返回步骤四A。

所述步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置的过程为：

步骤四A-1：利用高斯平滑滤波滤除图像中的噪声；

步骤四A-2：计算图像中每个像素的梯度幅值和梯度方向；

步骤四A-3：沿着所述梯度幅值和梯度方向寻找梯度幅值最大的像素；

步骤四A-4：利用上一步获得的像素集合采用高阈值和低阈值连接图像边缘，最终确定粗边缘点的位置。

所述步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线为：

所述霍夫变换为：令粗边缘点为二维空间直线y＝ax+b上的点，其中a为斜率，b为截距；将其转化为参数空间的直线为b＝-xa+y；

对变换后的图像进行扫描，将参数空间的直线交叉点累加并进行统计，获取最大的统计结果进行逆霍夫变换转化为二维空间直线为最有可能存在的直线。

本发明实现了通过机器视觉的在线尺寸测量。

(1)采用本发明对硬件设备要求低，采用百万级别的CCD工业相机即可达到十个微米，和千分尺精度相当；

(2)本发明通过对待检测图像的目标区域进行图像处理，处理结果能够比现有的图像处理方法提高一个像素精度。

附图说明

图1为本发明基于机器视觉的精密器件在线尺寸测量方法的流程图；

图2为所述步骤三模版匹配过程中模版区域和待检测图像的关系示意图；

图3为所述待检测图像的原始图像；

图4为所述步骤三待检测图像的目标区域示意图；

图5为所述步骤四获取待检测期间用于尺寸测量的边缘结果示意图；

图6为所述步骤四B对粗边缘点进行霍夫变换找到图像中最有可能存在的直线结果示意图；

图7为所述步骤四D最终的直线示意图。

具体实施方式

具体实施方式一，结合图1-4说明本具体实施方式。基于机器视觉的精密器件在线尺寸测量方法，它包括如下步骤：

步骤一：调整相机获取标准器件的清晰图像，同时在清晰图像内采集模版区域；

所述模版区域为标准器件的图像大小；

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像；

步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域；

步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算期间的像素距离；

步骤五：利用步骤一所述模版区域计算图像像素距离与实际距离的关系；

步骤六：根据步骤五所述关系，计算待检测器件的实际尺寸。

本发明的详细步骤为：

步骤一：调整相机获取标准器件的清晰图像，同时在清晰图像内采集模版区域；

所述模版区域为标准器件的图像大小；

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像；

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像的过程为：

所述模版区域为g(x，y)，其中g(x，y)＝f(x，y)+e(x，y)，f(x，y)为原始图像，e(x，y)为干扰，则有：

步骤二A：选取模版区域的灰度平均值作为分割阈值T_k的初始值T₀；

步骤二B：用所述分割阈值T_k将图像分为两部分，其中S₁为背景像素集合，S₂为前景像素集合；

S₁＝{f(x，y)|f(x，y)≥T_k}

S₂＝{f(x，y)|0≤f(x，y)＜T_k}

步骤二C：分别计算背景像素集合S₁和前景像素集合S₂的灰度均值E₁和E₂；

$E_1=\frac{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}N(i,j)}$

$E_2=\frac{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}N(i,j)}$

式中，f(i，j)为图像灰度值，N(i，j)为该灰度值的像素数目；

步骤二D：选择新的分割阈值T_k+1，其中若T_k＝T_k+1则进入步骤二E，否则返回步骤二B；

步骤二E：获取模块区域的分割阈值T_k，并将模块区域进行二值化，将灰度值高于T_k的像素置为255低于T_k的像素置为0。

图像中噪声一般为随机的，满足正态分布具有零均值，通过选定的阈值将图像在灰度级上分为两部分。通过计算可知，随着迭代次数正佳，平均灰度较真值误差越小，因此求出的阈值不受噪声影响。在迭代求取分割阈值时需要求出分割后两部分图像的平均灰度值，则

E{g₁(x，y)}＝E{f₁(x，y)+e(x，y)}＝E{f₁(x，y)}

E{g₂(x，y)}＝E{f₂(x，y)+e(x，y)}＝E{f₂(x，y)}

在算法的程序实现上，首先选定一个初始阈值作为迭代初值，然后根据迭代初值将图像分为两部分，根据两部分图像的特性选取新的阈值再用新的阈值分割图像经过几次循环使被错误分割的像素点最少。

步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域，如图2、图4所示；

所述步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域的过程为：

所述模版匹配分为粗匹配和精确匹配；

所述粗匹配的过程为：分别对模版区域和待检测图像进行隔行隔列采集数据，并进行比较设定误差阈值E₀为：

$E_0=e_0\&times;\frac{m+1}{2}\&times;\frac{n+1}{2}$

式中，e₀为所述数据各点平均最大误差，m为模版区域的长度，n为模版区域的宽度；

找到满足阈值的匹配区域在图像中的坐标，将该区域边缘扩大五个像素作为粗匹配结果；

采用隔行隔列取模版数据，这样就是原模版的1/4数据量，同样在目标图像上也是隔行隔列进行匹配，即元图像的1/4范围，因此数据大幅度缩减，匹配的速度也很大程度上提高。

所述精确匹配的过程为：获取粗匹配结果，进行完整像素匹配，即对所述粗匹配结果内的所有像素进行像素匹配并获得目标区域。

步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算期间的像素距离，如图5所示；

所述步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算期间的像素距离的过程为：

步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置；

所述步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置的过程为：

步骤四A-1：利用高斯平滑滤波滤除图像中的噪声；

步骤四A-2：计算图像中每个像素的梯度幅值和梯度方向；

步骤四A-3：沿着所述梯度幅值和梯度方向寻找梯度幅值最大的像素；

步骤四A-4：利用上一步获得的像素集合采用高阈值和低阈值连接图像边缘，最终确定粗边缘点的位置，当高阈值不能通过时采用低阈值保证最大连通性。

步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线，如图6所示；

步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线为：

所述霍夫变换为：令粗边缘点为二维空间直线y＝ax+b上的点，其中a为斜率，b为截距；将其转化为参数空间的直线为b＝-xa+y；

对变换后的图像进行扫描，将参数空间的直线交叉点累加并进行统计，获取最大的统计结果进行逆霍夫变换转化为二维空间直线为最有可能存在的直线。

空间直线与参数空间点的关系以及参数空间直线与图像空间点的关系，图6展示了空间一点对应参数空间一条直线和图像空间一条直线上所有点对应到参数空间就是许多直线相交于一点的关系。根据这样的对应关系将要进行霍夫变换的图像进行扫面，找到粗边缘点后将其对应参数空间的直线上所有点累加计数。由于图像空间隐含着的直线其对应的所有点有累加计数最大结果，则最大的累加计数即为最优可能存在的直线。

步骤四C：对所述最有可能存在的直线上的边缘点进行梯度分析获取边缘点的亚像素级位置；

为了用成本较低的设备实现较高的精度，本发明采用边缘点亚像素级处理获取边缘点的亚像素位置，从而是精度高于一个像素。

步骤四D：对步骤四C获得的亚像素级边缘点进行直线最小二乘法拟合，获得最终的直线参数，如图6所示；

采用根据多点直线拟合的精度高、速度快的常用方法进行最小二乘法进行直线拟合。

步骤四E：判断已获得直线关系是否满足尺寸测量，若满足则进行步骤五，否则返回步骤四A。

步骤五：利用步骤一所述模版区域计算图像像素距离与实际距离的关系；

利用已知标准件的尺寸来标定图像中的像素过程为：利用步骤一到步骤四可以获得标准器件的像素尺寸m，已经获得标准器件的尺寸为k，则在不调整相机的情况下，图像中的每个像素代表实际尺寸为

当利用步骤一到四获得被测器件像素尺寸为n个像素则可以计算出被测器件实际尺寸为L＝n×η。

步骤六：根据步骤五所述关系，计算待检测器件的实际尺寸。

通过步骤五计算得出标准器件的像素距离，根据标准器件的实际尺寸计算出单位像素代表的实际距离。此过程只进行一次操作并将结果保存，通过获得待检测器件的像素距离乘上已保存的比例关系，即可计算出待检测器件的实际尺寸。

Claims (6)

1.基于机器视觉的精密器件在线尺寸测量方法，其特征在于它包括如下步骤：

步骤一：调整相机获取标准器件的清晰图像，同时在清晰图像内采集模版区域；

所述模版区域为标准器件的图像大小；

步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像；

步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域；

步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算边缘间的像素距离；

步骤五：利用步骤一所述模版区域计算图像像素距离与实际距离的关系；

步骤六：根据步骤五所述关系，计算待检测器件的实际尺寸。

2.根据权利要求1所述的基于机器视觉的精密器件在线尺寸测量方法，其特征在于步骤二：对所述模版区域进行迭代阈值分割获取图像的分割阈值，即将模版区域进行二值化获取模版区域的二值图像的过程为：

所述模版区域为g(x，y)，其中g(x，y)＝f(x，y)+e(x，y)，f(x，y)为原始图像，e(x，y)为干扰，则有：

步骤二A：选取模版区域的灰度平均值作为分割阈值T_k的初始值T₀；

步骤二B：用所述分割阈值T_k将图像分为两部分，其中S₁为背景像素集合，S₂为前景像素集合；

S₁＝{f(x，y)|f(x，y)≥T_k}

S₂＝{f(x，y)|0≤f(x，y)＜T_k}

步骤二C：分别计算背景像素集合S₁和前景像素集合S₂的灰度均值E₁和E₂；

$E_1=\frac{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)<T_k}{\mathrm{\&Sigma;}}N(i,j)}$

$E_2=\frac{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}f(i,j)\&times;N(i,j)}{\underset{f(i,j)>T_k}{\mathrm{\&Sigma;}}N(i,j)}$

式中，f(i，j)为图像灰度值，N(i，j)为该灰度值的像素数目；

步骤二D：选择新的分割阈值T_k+1，其中若T_k＝T_k+1则进入步骤二E，否则返回步骤二B；

步骤二E：获取模块区域的分割阈值T_k，并将模块区域进行二值化，将灰度值高于T_k的像素置为255低于T_k的像素置为0。

3.根据权利要求1或2所述的基于机器视觉的精密器件在线尺寸测量方法，其特征在于所述步骤三：获取待检测图像的二值图像，通过模版匹配获取待检测图像的目标区域的过程为：

所述模版匹配分为粗匹配和精确匹配；

所述粗匹配的过程为：分别对模版区域和待检测图像进行隔行隔列采集数据，并进行比较设定误差阈值E₀为：

$E_0=e_0\&times;\frac{m+1}{2}\&times;\frac{n+1}{2}$

式中，e₀为所述数据各点平均最大误差，m为模版区域的长度，n为模版区域的宽度；

找到满足阈值的匹配区域在图像中的坐标，将该区域边缘扩大五个像素作为粗匹配结果；

所述精确匹配的过程为：获取粗匹配结果，进行完整像素匹配，即对所述粗匹配结果内的所有像素进行像素匹配并获得目标区域。

4.根据权利要求3所述的基于机器视觉的精密器件在线尺寸测量方法，其特征在于所述步骤四：对待检测图像的目标区域进行图像处理，获取待检测器件用于尺寸测量的边缘，并计算期间的像素距离的过程为：

步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置；

步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线；

步骤四C：对所述最有可能存在的直线上的边缘点进行梯度分析获取边缘点的亚像素级位置；

步骤四D：对步骤四C获得的亚像素级边缘点进行直线最小二乘法拟合，获得最终的直线参数；

步骤四E：判断已获得直线关系是否满足尺寸测量，若满足则进行步骤五，否则返回步骤四A。

5.根据权利要求4所述的基于机器视觉的精密器件在线尺寸测量方法，其特征在于所述步骤四A：对目标区域对应的原始图像进行边缘检测，确定粗边缘点的位置的过程为：

步骤四A-1：利用高斯平滑滤波滤除图像中的噪声；

步骤四A-2：计算图像中每个像素的梯度幅值和梯度方向；

步骤四A-3：沿着所述梯度幅值和梯度方向寻找梯度幅值最大的像素；

步骤四A-4：利用上一步获得的像素集合采用高阈值和低阈值连接图像边缘，最终确定粗边缘点的位置。

6.根据权利要求4所述的基于机器视觉的精密器件在线尺寸测量方法，其特征在于所述步骤四B：对所述粗边缘点进行霍夫变换找到图像中最有可能存在的直线为：

所述霍夫变换为：令粗边缘点为二维空间直线y＝ax+b上的点，其中a为斜率，b为截距；将其转化为参数空间的直线为b＝-xa+y；

对变换后的图像进行扫描，将参数空间的直线交叉点累加并进行统计，获取最大的统计结果进行逆霍夫变换转化为二维空间直线为最有可能存在的直线。

Images