CN101819024B - 一种基于机器视觉的二维位移检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的二维位移检测方法：步骤1：在被测物上贴检测标志物；步骤2：摄像机拍摄检测标志物图像；步骤3：求取检测标志物图像的分割阈值，得到二值化光斑图像；步骤4：对二值化光斑图像的二值化效果进行评价，得到指标值，如果指标值达到标准值，转到步骤6，否则，进入下一步；步骤5：调整曝光时间值作为摄像机的当前曝光时间值；返回到步骤2；步骤6：根据得到的符合标准值的二值化光斑图像识别光斑在摄像机坐标系中的二维位移；步骤7：通过坐标转换得到被测物的实际二维位移。该方法实时性好，准确度、可靠性高，实用性强。

Description

一种基于机器视觉的二维位移检测方法

技术领域

本发明涉及基于机器视觉的二维位移检测方法，尤其适用于在目标物灰度与背景灰度很接近情况下的视觉检测场合。

背景技术

机器视觉不会有人眼的疲劳，有着比人眼更高的精度和速度，特别是在探测不可视物体和高危险场景时，更具有其突出的优点。目前，机器视觉已成功应用于工业检测、医学、图像等领域，大幅度地提高了工作的效率和执行的可靠性。机器视觉检测主要通过分析处理并解释光学非接触传感器观测到的图像后做出决定，进而控制机器或过程，图像分割是其关键技术。到目前为止，人们基于各种立场和观点，提出了各式各样的图像分割方法。但传统的图像分割方法应用于工业现场存在以下方面的不足：其一，工业现场光线条件一般比较恶劣，日夜光强相差较大，且晚上采集的图像中目标物灰度与背景灰度非常接近，传统图像分割方法难以适用；其二，工业现场一般存在冲击、振动，有的甚至非常剧烈，虽然相机在光线暗时可以通过调整曝光时间来增强图像清晰度，但检测系统对实时性要求都较高，且曝光时间若超过1/6秒，就容易因相机晃动或拍摄对象的移动而产生幻影，图片变得模糊，完全靠调整曝光时间来调整图像灰度也不现实。因此，为实现工业现场基于机器视觉的二维位移检测，有效解决视觉检测系统中图像分割准确性和处理时间上的矛盾，有必要提出一种高可靠性、高实时性的基于机器视觉的二维位移检测新方法。

发明内容

本发明要解决技术问题是提供一种基于机器视觉的二维位移检测方法，该方法实时性好，准确度、可靠性高，实用性强。

本发明为解决上述技术问题所采用的技术方案是：

一种基于机器视觉的二维位移检测方法，其特征在于，包括以下步骤：

步骤1：在被测物上贴检测标志物；

步骤2：摄像机拍摄检测标志物图像；

步骤3：通过阈值自适应方法求取检测标志物图像的分割阈值，再采用图像分割阈值分割检测标志物图像中的光斑，得到二值化光斑图像；

步骤4：对二值化光斑图像的二值化效果进行评价，得到指标值，如果指标值达到标准值(标准值取4.0％，或者小于4.0％的一个值)，转到步骤6，否则，进入下一步；

步骤5：根据指标值对摄像机的曝光时间进行调整，将调整后的曝光时间值作为摄像机的当前曝光时间值；返回到步骤2；

步骤6：根据得到的符合标准值的二值化光斑图像识别光斑在摄像机坐标系中的二维位移；

步骤7：通过摄像机坐标系与实际笛卡尔坐标系之间的转换，得到被测物的实际二维位移；

步骤4中，所述的指标值为相对距离：

式中l、A分别为二值化光斑图像中白斑的轮廓像素数和总像素数。

步骤3中，所述的求取分割阈值的方法为：

将场景图像的灰度值分为1～m级，灰度值i的像素数为n_i，则

总像素数N为 $N=\stackrel{m}{\underset{i=1}{\mathrm{\Σ}}{n}_i;}$

第i级像素值概率P_i为P_i＝n_i/N；

用整数K将其分为两组C0＝{1，2，…，K}，C1＝{K+1，K+2，…，m}，则C0组产生的概率ω₀为

均值μ₀为 ${\mathrm{\μ}}_0=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{{\mathrm{iP}}_i}{{\mathrm{\ω}}_0}=\frac{\mathrm{\μ}\left(k\right)}{\mathrm{\ω}\left(k\right)};$

其中， $\mathrm{\μ}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{iP}}_i$ 是C0组图像灰度的统计均值。

C1组产生的概率ω₁为 ${\mathrm{\ω}}_1=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}{P}_i=1-\mathrm{\ω}\left(k\right);$

均值μ₁为 ${\mathrm{\μ}}_1=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{iP}}_i}{{\mathrm{\ω}}_1}=\frac{[\mathrm{\μ}-\mathrm{\μ}\left(k\right)]}{[1-\mathrm{\ω}\left(k\right)]};$

其中，是整体图像灰度的统计均值，则

μ＝ω₀μ₀+ω₁μ₁；

于是两组间方差σ²为σ²(k)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²

                         ＝ω₀ω₁(μ₁-μ₀)²；

k分别取值1，2，…，m，使方差σ²最大值时的k，即maxσ²(k)时的k值为最佳阈值。

步骤5中，获取当前曝光时间值的方法为：

若δ大于4.0％，且原图像的最大灰度值X_max小于20，则在原来基础上增加曝光时间ΔT；若δ大于4.0％，且X_max大于200，则减少曝光时间ΔT，ΔT取0.05ms。

有益效果：

本发明提出了一种基于机器视觉的二维位移检测方法。采用摄像机拍摄被测物上贴有的检测标志物图像，通过图像处理、坐标转换得到被测物的实际二维位移；采用基于圆斑特征值的分割评价准则对目标物图像分割效果进行评价，实现曝光时间自适应；将曝光时间自适应与阈值自适应相结合，对拍摄到的检测标志物图像进行图像分割，得到二值化光斑图像。既避免了传统阈值自适应方法在光线过暗时图像二值化处理效果失真、光斑背景被破坏等，致使所得到的二值化图像不再适用于后期目标物定位计算；又避免了因曝光时间过长导致摄像机拍摄到的目标物图像模糊、存在幻影等，不利于后期图像处理。有效解决了图像分割准确性和处理速度之间的矛盾，较传统图像分割方法能适应更宽的光线范围。检测系统构成简单、准确度高、实时性好，能适应工厂复杂光线条件，具有推广意义。

附图说明

图1为本发明实施例中机器视觉检测方式的检测原理图；

图2为本发明实施例中用于实现图像分割的传统方法——灰度拉伸Otsu法的流程图；

图3为本发明实施例中用于实现曝光时间自适应的流程图；

图4为本发明实施例中根据本发明的图像分割方法在实验测试中得到的一系列二值化图像；(a)图对应参数X_max＝214；δ＝0.35％；(b)图对应参数X_max＝12；δ＝3.91％；(c)图对应参数X_max＝10；δ＝5.57％；(d)图对应参数X_max＝6；δ＝9.05％

图5(a)是本发明实施例中需要实现图像分割的目标物灰度与背景灰度很接近的原始图像；

图5(b)是本发明实施例中对应于图3(a)所示原始图像，根据传统图像分割方法得到的二值化图像；

图5(c)是本发明实施例中对应于图3(a)所示原始图像，根据本发明的图像分割方法得到的二值化图像。

附图1中：1-摄像机CCD图像传感器光敏面，2-摄像机镜头，3-检测标志物。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

实施例1

图1描述了本发明——一种基于机器视觉的二维位移检测方式的检测原理。将一白色圆斑贴在被测物上作为检测标志物3，2为摄像机镜头，1为摄像机CCD图像传感器光敏面。摄像机工作时，检测标志物通过透镜会在CCD图像传感器光敏面上成一个圆斑图像。光敏面即摄像机坐标系，是一像素矩阵。设检测标志物在摄像机坐标系中的二维位移为H_x、H_y，检测标志物在笛卡尔平面坐标系中的二维位移为D_x、D_y，根据几何光学知识可得D_x与H_x、D_y与H_y之间的关系为：

D_x＝R_x×H_x

D_y＝R_y×H_y

R_x和R_y是标定系数，单位为mm/pixel(像素值)，其值大小通过摄像系统的实验标定得到。

H_x＝x-x₀，H_y＝y-y₀

x，y为实时拍摄的检测标志物图像的中心位置像素值，x₀，y₀为被测物处于基准位置时检测标志物图像中心位置像素值。拍摄的图像通过前续图像处理可以得到一个符合标准值的二值化光斑图像，可通过图像处理算法——重心法方便的求得圆形光斑图像的中心位置像素值，假设光敏面像素矩阵由s个像素组成。引用重心法计算公式，每个像素都对应确定的空间坐标(x，y)及灰度P_i(x_i，y_i)，根据重心法的计算公式，则该光斑图像的中心位置像素坐标为：

$x=\frac{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{x}_i{P}_i(x_i,y_i)}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{P}_i(x_i,y_i)}$ $y=\frac{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{y}_i{P}_i(x_i,y_i)}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{P}_i(x_i,y_i)}$

光斑在摄像机坐标系中的二维位移为：

X方向位移为：

Y方向位移为：

代入得：

$D_x=R_x\×(\frac{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{x}_i{P}_i(x_i,y_i)}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{P}_i(x_i,y_i)}-x_0)$

$D_y=R_y\×(\frac{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{y}_i{P}_i(x_i,y_i)}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{P}_i(x_i,y_i)}-y_0)$

这样只需要利用图像处理技术对摄像系统拍摄的检测标志物图像进行处理即可得到检测标志物(被测物)的实际二维位移。

图2描述了传统图像分割方法——灰度拉伸Otsu法的流程图；

参考图2，在步骤S201，合理调整原始图像的像素灰度级。在步骤S202，针对调整后的原始图像，利用类别方差作为判据，选取使类间方差最大和类内方差最小的图像灰度值作为最佳阈值。在步骤S203，根据计算出的阈值对原始图像进行二值化处理。但是传统图像分割方法在光线很暗时，即目标物灰度与背景灰度很接近时会出现图像处理效果失真、光斑背景被破坏等不足，将直接导致后期的光斑定位计算失效，目标物位移检测错误。

在步骤S202中，利用类别方差作为判据，选取使类间方差最大和类内方差最小的图像灰度值作为最佳阈值。设一幅图像分为1～m级，灰度值i的像素数为n，则

总像素数N为 $N=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{n}_i;$

第i级像素值概率P_i为P_i＝n_i/N；

用整数K将其分为两组C0＝{1，2，…，K}，C1＝{K+1，K+2，…，m}，则C0产生的概率ω₀为

均值μ₀为 ${\mathrm{\μ}}_0=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{{\mathrm{iP}}_i}{{\mathrm{\ω}}_0}=\frac{\mathrm{\μ}\left(k\right)}{\mathrm{\ω}\left(k\right)};$

其中，

是C0组图像灰度的统计均值。

C1产生的概率ω₁为 ${\mathrm{\ω}}_1=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}{P}_i=1-\mathrm{\ω}\left(k\right);$

均值μ₁为 ${\mathrm{\μ}}_1=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{iP}}_i}{{\mathrm{\ω}}_1}=\frac{[\mathrm{\μ}-\mathrm{\μ}\left(k\right)]}{[1-\mathrm{\ω}\left(k\right)]};$

其中，

是整体图像灰度的统计均值，则

μ＝ω₀μ₀+ω₁μ₁；

于是两组间方差σ²为σ²(k)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²

                         ＝ω₀ω₁(μ₁-μ₀)²；

从1，2，…，m之间改变k，求使方差最大值时的k，即maxσ²(k)时的k值为最佳阈值。

图3描述了根据本发明实施例进行曝光时间自适应的流程图。

参考图3，在步骤S301，基于阈值自适应对所拍摄的检测标志物图像进行二值化处理；在步骤S302，采用基于圆斑特征值的分割评价准则对图像的分割效果进行评价。在步骤S303，根据得到的评价指标值对相机曝光时间进行适当调整。在步骤S304，根据调整后的曝光时间重新拍摄图像。重复以上步骤，直到达到要求的评价指标值，以实现摄像机曝光时间的自适应。

在步骤S301中，采用的阈值自适应方法即传统图像分割方法——灰度拉伸0tsu法；

在步骤S302中，需要采用相关评价准则对图像的分割效果进行评价。在本实例中采用的目标物为一个白色圆斑，为定量评价其图像二值化效果，本发明还提供了一种基于圆斑特征值的分割评价准则。

由于图像中包含有目标和背景两部分，分割的性能涉及到多种因素。因此，分割算法的性能评价指标应尽可能包含对分割影响较大的因素，而且该指标的值应能精确描述检测特征与实际特征之间的匹配程度。

分割的精度主要与两方面的因素有关：面积因素和形状因素。由于系统在检测过程中需要自动标定，其像素总面积和像素周长不确定，单独靠其面积或周长的检测值来判断图像分割效果不是很现实，而

$\frac{l}{\sqrt{A}}=2\sqrt{\mathrm{\π}}$

为定值，因此，可以采用

作为零点值来判断图像的二值化效果，则实际图像距零点的相对距离为：

$\mathrm{\δ}=\left|\frac{\frac{l}{\sqrt{A}}-2\sqrt{\mathrm{\π}}}{2\sqrt{\mathrm{\π}}}\right|=|\frac{l}{2\sqrt{\mathrm{A\π}}}-1|;$

δ值越小，说明图像分割效果越好；越大，则分割效果越差。

在步骤S303中，需要根据得到的评价指标值对相机曝光时间进行适当调整。在下文中对曝光时间的控制原理进行了详细的解释。

曝光量是影响影像质量的主要因素之一，其大小由相机的光圈大小和快门速度共同决定。当光圈预先设定好后，主要通过快门速度来控制曝光量，即曝光时间。

曝光量是在曝光时间内单位面积上所受的光通量总和H，等于像面照度E与曝光时间t(俗称快门速度)的乘积：

H＝Et；

而像面照度E取决于物镜的光学特性和景物的亮度，以公式表示之为：

$E=\frac{\mathrm{\πB}}{4}{\left[\frac{d}{f}\right]}^2{K}_{\mathrm{\α}};$

式中：d-物镜的直径；f-物镜的焦距；d/f-相对孔径，即1/k；B-景物的亮度；K_α-物镜的透过率。将等式4代入等式3，得：

$H=\frac{\mathrm{\π}{K}_{\mathrm{\α}}}{4k^2}\left(\mathrm{Bt}\right);$

通过以上分析，可知在光圈预先确定的曝光模式下，影响曝光量的主要因素有两个：景物的亮度B和快门的曝光时间t。当光圈系数固定时，景物的亮度B与曝光时间t成反比。因此，曝光时间自适应法先根据得到的图像分割评价指标值δ，对曝光时间进行适度调整。若δ较大，且原图像的最大灰度值X_max偏小，说明光线过暗，则在原来基础上增加曝光时间ΔT；若δ较大，且X_max偏大，说明光线过强，则减少曝光时间ΔT。再重新拍摄图像，计算对应的δ和X_max，再判断，如此反复，直到达到要求的评价指标值。

附图4描述了当相机取系统默认曝光时间10ms时，根据本发明的图像分割方法在不同光线条件下得到的一系列二值化图像及其评价指标值。

参照图4(a)，原始图像的最大灰度值为214，光线条件很好，根据本发明图像分割方法得到的二值化图像处理效果非常好，其评价指标值为0.35％，完全能够满足视觉检测后期定位计算要求。

参照图4(b)，原始图像的最大灰度值为12，光线条件较好，根据本发明图像分割方法得到的二值化图像处理效果也较好，其评价指标值为3.91％，能够满足视觉检测后期定位计算要求。

参照图4(c)，原始图像的最大灰度值为10，光线条件较差，根据本发明图像分割方法得到的二值化图像处理效果已部分失真，白色圆斑内出现了一系列黑点，其评价指标值为5.57％，已不能实现视觉检测后期的精确定位。

参照图4(d)，原始图像的最大灰度值为6，光线条件继续变差，根据本发明图像分割方法得到的二值化图像处理效果已失真，光斑背景被破坏，其评价指标值为9.05％，已不适用于视觉检测定位计算。

参照图4，原始图像最大灰度值为12、评价指标值为3.91％时，图像二值化效果仍能满足视觉检测后期定位计算要求；当最大灰度值变为10，评价指标值为5.57％时图像二值化效果已部分失真，不再满足要求。因此，在保守取值前提下，评价指标值δ的适用最大值取为4.0％，光线过暗时允许的原始图像最大灰度值X_max取为20。

参照图4，原始图像最大灰度值为214时可以取得很好的二值化图像，因此，同样在保守取值前提下，光线过强时允许的原始图像最大灰度值X_max取为200。

光线条件在检测过程中是一个逐渐变化的过程，因此，ΔT值不需要取得很大，在这里，ΔT取0.05ms。

图5描述了一幅目标物灰度与背景灰度很接近的原始图像，以及分别采用传统图像分割方法和本发明图像分割方法得到的二值化图像。

参照图5(a)，目标物拍摄的光线环境非常恶劣，因此，所得到原始图像目标物灰度与背景灰度非常接近，白色圆斑在黑色背景下几乎不可见。

参照图5(b)，传统图像分割方法对原始图像进行的二值化处理效果已经失真、光斑背景被破坏，所得到的二值化图像已不适用于后期定位计算。

参照图5(c)，本发明图像分割方法得到的二值化图像效果非常好，白色光斑完全从黑色背景中分离出来，未出现失真现象，且黑色背景完好无损，完全能够满足视觉检测后期定位计算要求。

Claims (3)

1.一种基于机器视觉的二维位移检测方法，其特征在于，包括以下步骤：

步骤1：在被测物上贴检测标志物；

步骤2：摄像机拍摄检测标志物图像；

步骤3：通过阈值自适应方法求取检测标志物图像的分割阈值，再采用图像分割阈值分割检测标志物图像中的光斑，得到二值化光斑图像；

步骤4：对二值化光斑图像的二值化效果进行评价，得到指标值，如果指标值达到标准值，转到步骤6，否则，进入下一步；

步骤5：根据指标值对摄像机的曝光时间进行调整，将调整后的曝光时间值作为摄像机的当前曝光时间值；返回到步骤2；

步骤6：根据得到的符合标准值的二值化光斑图像识别光斑在摄像机坐标系中的二维位移；

步骤7：通过摄像机坐标系与实际笛卡尔坐标系之间的转换，得到被测物的实际二维位移；

步骤4中，所述的指标值为相对距离：

式中l、A分别为二值化光斑图像中白斑的轮廓像素数和总像素数。

2.根据权利要求1所述的基于机器视觉的二维位移检测方法，其特征在于，步骤3中，所述的求取分割阈值的方法为：

将场景图像的灰度值分为1～m级，灰度值i的像素数为n_i，则

总像素数N为

第i级像素值概率P_i为P_i＝n_i/N；

用整数K将m级灰度值分为两组C0＝{1，2，…，K}，C1＝{K+1，K+2，…，m}，则C0组产生的概率ω₀为

${\mathrm{\ω}}_0=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i=\mathrm{\ω}\left(k\right);$

均值μ₀为

其中，

是C₀组图像灰度的统计均值；

C1组产生的概率ω₁为

均值μ₁为

其中，

是整体图像灰度的统计均值，则

μ＝ω₀μ₀+ω₁μ₁；

于是两组间方差σ²为σ²(k)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²

                         ＝ω₀ω₁(μ₁-μ₀)²；

k分别取值1，2，…，m，使方差σ²最大值时的k，即maxσ²(k)时的k值为最佳阈值。

3.根据权利要求1或2所述的基于机器视觉的二维位移检测方法，其特征在于，步骤5中，获取当前曝光时间值的方法为：

若δ大于4.0％，且原图像的最大灰度值X_max小于20，则在原来基础上增加曝光时间ΔT；若δ大于4.0％，且X_max大于200，，则减少曝光时间ΔT，ΔT取0.05ms。

Images