CN103399995B - 一种机器视觉led光源的优化设计方法 - Google Patents

Abstract

本发明提供了一种机器视觉LED光源的优化设计方法，本发明利用物体表面材质对不同波长、入射角度和亮度条件下的光，在不同方向上反射和吸收所存在差异性，使得背景与目标之间的对比度不同的原理，以物体的反射模型为基础搭建了对比度优化模型，并根据各个背景与目标之间的近似度添加了权重因子，以适应复杂背景下的需要。通过对比度优化模型计算在一定波长、入射角度和亮度条件下的对比度，来得到需要的优化参数。

Description

一种机器视觉LED光源的优化设计方法

技术领域

本发明涉及机器视觉领域，尤其涉及机器视觉的光源的设计方法。

背景技术

目前机器视觉的光源主要有：荧光灯(fluorescent),金属卤素灯(metalhalide)、石英卤素灯（quartz halogen）、氙气灯(xenon)、LED及高压钠灯（high pressuresodium）等，由于LED光源具有寿命长、低功耗、亮度稳定等特点，在机器视觉光源系统中应用广泛。针对一个机器视觉检测目标，通常采用基于经验或实验方式来选择“合适”的光源。经验式的选择方法主要依赖于个人所积累的光源选择方面的经验，根据自己丰富的经验来针对特定的应用对象来选择合适的光源，具有很大的不确定性和局限性。经验式的光源选择考虑的主要方面：

1.照明方式：照明方式主要有通用照明、背光、同轴（共轴）、连续漫反射、暗场及结构光。根据不同的应用对象来选择不同的照明方式。例如对较粗糙的检测对象应该用漫反射的照明方式，检测轮廓背光照明比较好,而对于镜面的检测目标就应该用同轴光的照明方式等。

2.入射角度：不同入射角度的光源会得到不同的照明效果，高角度照射，图像整体较亮，适合表面不反光物体；低角度照射，图像背景为黑，特征为白，可以突出被测物轮廓及表面凹凸变化；多角度照射，图像整体效果较柔和，适合曲面物体检测。

3.波长（颜色）：颜色之间存在着互补关系，用相同颜色的光或相近颜色的光源照射可以使被照射部分变亮；使用相反颜色的光或相近颜色的光源照射可以使被照射部分变暗。不同颜色中红色与绿色、紫色与黄色、蓝色与橙色成互补关系。

利用实验的方法来选择光源就是利用现有的光源一个个尝试或者是在专业的光源实验室里通过调节入射光的波长、入射角度以及光源等措施，通过观察照明效果的好坏来选择。

上述基于经验结合实验的方式一方面造成人力和时间成本的浪费，更为重要的是现有光源并不能对所有物体表面产生最佳的图像效果，在某些情况下，并不能找到完全合适的光源，这样将造成视觉传感器成像质量差，增加了软件算法处理的复杂性，也降低了整个系统的稳定性。传统的基于经验和实验的方法存在的缺点有：

1.传统的光源选择方法高度依赖于光源选择人员的个人经验和对现有光源的了解程度，对人员技能要求比较高；

2.光源选择的范围很小，因为基于经验的方法针对于已有光源，只能在市场上现有的光源中进行选择，有很大的局限性；

3.为了得到一个满意的光源需要买很多光源进行试验或者需要采购昂贵的实验设备，经济成本比较高；

4.在光源选择时，需要做大量的实验，再验证照明效果来确定光源是否满足要求，需要耗费大量的人力物力，效率低下。

发明内容

为了解决现有技术中问题，本发明提供了一种机器视觉LED光源的优化设计方法，包括如下步骤：

步骤一：测量光源优化对象的基本参数，包括目标和背景材料的总的反

射率γ、粗糙度σ₀、自相关长度τ以及材料本身的颜色波长λ；

步骤二：确定波长的优化范围；

步骤三：利用步骤一获得的参数，在优化范围内，利用反射模型，计算

背景与目标的反射率，包括背景与目标的反射率；

步骤四：通过步骤三，背景与目标的反射率，计算两者之间的对比度，

并结合视觉传感器的响应参数，获得优化参数；

步骤五：优化LED光源的几何外观。

作为本发明的进一步改进，步骤一中，粗糙度σ₀为物体表面各点到平均表面的均方差，自相关长度τ为波峰之间距离的平均值，两者之商m＝σ₀/τ描述材料表面的坡度，坡度越大阴影和遮挡造成的衰减越大。

作为本发明的进一步改进，阴影衰减系数S(θ_i,θ_r)是以Smith的阴影方程S(θ)为基础建立的，具体表达式如下：

S(θ_i,θ_r)＝S(θ_i)·S(θ_r) (2)

$S\left(\mathrm{\θ}\right)=\frac{1-\frac{1}{2}\mathrm{erfc}(\cot \left(\mathrm{\θ}\right)/\sqrt{2}m)}{\mathrm{\Λ}\left(\mathrm{\θ}\right)+1}---\left(3\right)$

（2）式中S(θ_i)、S(θ_r)分别是入射方向和反射方向的阴影方程，（3）中erfc为误差补函数。

作为本发明的进一步改进，

步骤一中，波长λ包括目标波长λ_M与背景波长λ_B；

步骤二中，判断目标波长λ_M与背景波长λ_B之间的差距是否大于80nm，大于，即|λ_M-λ_B|＞80nm时，波长优化范围为{λ||λ_M/B-λ|＝50nm}，反之，波长的优化范围为{λ|380nm≤λ≤760nm}。

作为本发明的进一步改进，步骤三中，物体表面反射率的模型以Cook的反射模型为基础，在Cook反射模型中，把物体表面反射率R分为两大部分，镜面反射率和漫反射率，表达式分别为R_s(θ_i,θ_r)、R_d(θ_i,θ_r)，θ_i、θ_r分别相对于表面法线N的入射角、反射角；

R的表达式如下：

$R({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{I_r}{E_i}=s{R}_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)+d{R}_d({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)---\left(4\right)$

其中R_d则为入射角为0时R_s的值，即R_d＝R_s(0)，s、d为两种反射方式的权重；

则到达观察者的反射强度为：

$I_r=I_{\mathrm{ia}}{R}_a+{\mathrm{RE}}_i=I_{\mathrm{ia}}{R}_a+\underset{l}{\mathrm{\Σ}}{I}_i(N\·L)d{\mathrm{\ω}}_i(s{R}_s+d{R}_d)---\left(5\right)$

上式中I_ia、R_a分别为环境光的入射强度和物体对环境光的反射率；

镜面反射率的表达式如下：

$R_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{F}{\mathrm{\π}}\frac{\mathrm{DG}}{(N\·L)(N\·V)}=\frac{F}{\mathrm{\π}}\frac{\mathrm{DG}}{\cos {\mathrm{\θ}}_i\cos {\mathrm{\θ}}_r}---\left(6\right)$

其中F、D、G分别是菲涅尔反射系数、微面元分布概率函数、几何衰减系数；用S(θ_i,θ_r)替换阴影衰减系数G，加入了波长影响因子ε，得到新的坡度函数m_new＝m·ε。

作为本发明的进一步改进，步骤四中，单一背景时，目标M与背景B之间的对比度表达式如下：

$D{({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)}_{\mathrm{MB}}=\frac{|{\mathrm{\γ}}_M{R}_M-{\mathrm{\γ}}_B{R}_B|}{\mathrm{Max}({\mathrm{\γ}}_M{R}_M,{\mathrm{\γ}}_B{R}_B)}\·P\left({\mathrm{\θ}}_i\right)---\left(7\right)$

其中θ、φ分别为天顶角和方位角，γ是材料总的反射率，P(θ_i)是0～1的视差因子，随着θ_i增大而减小。

作为本发明的进一步改进，步骤四中，多种物体多种材料构成的复杂背景时，目标M与背景B之间的对比度表达式如下：

$D({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{D}_k({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)---\left(8\right)$

其中n为背景的个数，ω_k表示背景为k时，对比度的权重，表达式为：

ω_k＝ω_kλ·ω_km·ω_kγ (9)

式（9）中ω_kλ、ω_km、ω_kγ分别表述背景k与目标M波长、坡度以及总的反射率的相似度，越相近数值越大；

利用式（8），获得在复杂背景下，使得复合对比度达到最大时的波长λ_opt和入射角度θ_opt，同时获得在观察方向上各个物体的反射率，结合视觉传感器的响应参数获得优化参数I_opt。

作为本发明的进一步改进，步骤五具体如下：

(1)确定光源的主轴光线，确定主轴光线的方向θ_c、φ_c，同时可以得到λ_opt、I_opt；

(2)根据工作距离WD，确定所选用LED颗粒的有效照明区域A_e；

(3)将检测区域分割为以A_e为大小的独立区域，分别进行优化；

(4)利用各个区域LED的位置信息得到光源的几何外观。

作为本发明的进一步改进，步骤（3）中，将检测区域分割为6个独立的区域A_e1、A_e2…A_e6，对每一个的优化策略如下：

包含目标的区域，直接应用光源优化模型来确定LED在光源尺寸约束内的位置参数；

不包含目标的区域，单独利用优化模型里的反射模型，对LED在光源几何尺寸内的位置参数进行优化，使得该区域反射到CCD的能量最小。

作为本发明的进一步改进，步骤（3）中，得到各个区域所对应的LED颗粒的位置，利用其位置信息，同时结合成本、制造难度以及造型是否美观，即可的到光源的几何外观。

本发明的有益效果是：

本发明根据光反射模型以及材料对不同波长的光在不同方向上反射和吸收的差异性，对光源的波长、入射角度、亮度参数进行优化设计，从而设计出机器视觉系统中使用的最合适的光源。本发明不需要进行大量的实验，只需要基本的表面材料特性以及应用对象的几何位置信息，利用本发明中的光源参数优化方法，建立光源波长（颜色）、亮度、入射角与检测目标和背景之间的对比度目标函数，当对比度达到最大时，计算出的光源波长、亮度和入射角度，即是需要的优化参数。优化设计出的光源系统能够大幅度提高检测目标与背景间的对比度，从而提高相机的成像质量，降低机器视觉系统算法的复杂度。

本发明利用物体的反射特性，通过建立复杂背景下的检测目标和背景间的对比度优化模型来完成光源优化设计。有效地克服了多背景之间优化时存在的矛盾，使得总体成像效果达到最好的对比度。本发明由于是针对应用对象进行的优化，所以针对性强，不用拿已有的光源不断的尝试，避免了传统方法的盲目性，节省了大量的人力物力，同时在优化过程中只需要表面材料的基本参数，包括材料总的反射率γ、粗糙度σ₀、自相关长度τ以及材料本身的颜色波长λ，不需要昂贵的设备仪器，降低了光源的成本，提高了消费比；不用局限于市场上已有的光源，克服了传统方法的局限性，可以获得针对检测目标设计出最合适的光源，提高了机器视觉系统的整体性能。

附图说明

图1是本发明应用场景示意图；

图2是本发明材料表面参数；

图3是用S(θ_i,θ_r)替换阴影衰减系数G，替换前后的效果图；

图4a、4b、4c是本发明光源几何外观优化设计过程；

图5是本发明整个优化过程的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

本发明利用物体表面材质对不同波长、入射角度和亮度条件下的光，在不同方向上反射和吸收所存在差异性，从而导致背景与目标之间的对比度在不同条件下不同的原理，以物体的反射模型为基础搭建了对比度优化模型，并根据各个背景与目标之间的近似度添加了权重因子，以适应复杂背景下的需要。通过对比度优化模型计算在一定波长、入射角度和亮度条件下的对比度，来得到需要的优化参数。本发明的应用场景如图1所示，1)CCD相机；2)光源；3)包含多个区域多个物体的复杂背景；4)检测目标。

光源的优化步骤如下：

步骤一：

测量光源优化对象的基本参数，包括目标和背景材料的总的反射率γ、粗糙度σ₀、自相关长度τ以及材料本身的颜色波长λ。当一束光打到物体表面时，光的辐射通量可以被分成三部分：一部分辐射通量被反射到入射介质中，称为反射；一部分穿过物体而出，称为透射；剩余部分被物体吸收。三部分辐射通量之和与入射通量是相等的，即反射率γ、透射率d、吸收率α之和为一，表达式如下：

α+d+γ＝1 (1)

如图2所示，粗糙度σ₀为物体表面各点到平均表面（Y轴）的均方差，自相关长度τ为波峰之间距离的平均值，两者之商m＝σ₀/τ描述了材料表面的坡度，坡度越大阴影和遮挡造成的衰减越大。在本发明中我们采用的阴影衰减系数S(θ_i,θ_r)是以Smith的阴影方程S(θ)为基础建立的，具体表达式如下：

S(θ_i,θ_r)＝S(θ_i)·S(θ_r) (2)

$S\left(\mathrm{\θ}\right)=\frac{1-\frac{1}{2}\mathrm{erfc}(\cot \left(\mathrm{\θ}\right)/\sqrt{2}m)}{\mathrm{\Λ}\left(\mathrm{\θ}\right)+1}---\left(3\right)$

（2）式中S(θ_i)、S(θ_r)分别是入射方向和反射方向的阴影方程，因为在设计光源时，必须同时考虑打光和入射到镜头的整个光路。在（3）中erfc为误差补函数。

步骤二：

确定波长的优化范围。颜色之间存在着互补关系，所以物体受到与本身颜色相同或相近的光照射时反射率很大，而与其互补色相近是反射率很低甚至为0，而且互补颜色之间的波长相差一般在120nm以上，根据物体以上的特性我们可以确定波长的优化范围。具体如下：

（1）目标波长λ_M与背景波长λ_B之间的差距是否大于80nm，即|λ_M-λ_B|＞80nm时，波长优化范围为{λ||λ_M/B-λ|＝50nm}。

（2）反之，由于背景与目标之间的波长差距太小，通过颜色来增大其对比度效果很差，互补关系不明显，所以忽略颜色的影响。此时，波长的优化范围为{λ|380nm≤λ≤760nm}，特殊情况下可以包含紫外线和红外线。

步骤三：

利用步骤一获得的参数，在优化范围内，利用本发明的反射模型，计算各物体表面的反射率。本发明中计算物体表面反射率的模型是以Cook的反射模型为基础的。在Cook反射模型中，把R分为两大部分镜面和漫反射，表达式分别为R_s(θ_i,θ_r)、R_d(θ_i,θ_r)，θ_i、θ_r分别相对于表面法线N的入射角、反射角。R的表达式如下：

$R({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{I_r}{E_i}=s{R}_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)+d{R}_d({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)---\left(4\right)$

其中R_d则为入射角为0时R_s的值，即R_d＝R_s(0)，s、d为两种反射方式的权重。则到达观察者的反射强度为：

$I_r=I_{\mathrm{ia}}{R}_a+R{E}_i=I_{\mathrm{ia}}{R}_a+\underset{l}{\mathrm{\Σ}}{I}_i(N\·L)d{\mathrm{\ω}}_i(s{R}_s+d{R}_d)---\left(5\right)$

上式中I_ia、R_a分别为环境光的入射强度和物体对环境光的反射率。

表达式如下：

$R_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{F}{\mathrm{\π}}\frac{\mathrm{DG}}{(N\·L)(N\·V)}=\frac{F}{\mathrm{\π}}\frac{\mathrm{DG}}{\cos {\mathrm{\θ}}_i\cos {\mathrm{\θ}}_r}---\left(6\right)$

其中F、D、G分别是菲涅尔反射系数、微面元分布概率函数、几何衰减系数。

由于Cook的反射模型主要应用于计算机图形学对速度要求比较高而精度较低，且没有考虑到波长对反射的影响等特点，进行了以下改进：

（1）用S(θ_i,θ_r)替换阴影衰减系数G，消除反射率突变的现象，提高反射模型的精度。替换前后的效果图如图3所示。

（2）添加波长影响因子。波长对物体的反射具有明显的影响，波长越长镜面反射越明显，反之，表面的微观结构对光的反射影响越大，漫反射越明显。在进行光源设计时必须考虑波长的影响，所以，加入了波长影响因子ε，得到新的坡度函数m_new＝m·ε。

步骤四：

通过步骤三，背景与目标的反射率，计算两者之间的对比度，并结合视觉传感器的响应参数，获得优化参数。目标M与背景B之间的对比度表达式如下：

$D{({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)}_{\mathrm{MB}}=\frac{|{\mathrm{\γ}}_M{R}_M-{\mathrm{\γ}}_B{R}_B|}{\mathrm{Max}({\mathrm{\γ}}_M{R}_M,{\mathrm{\γ}}_B{R}_B)}.P\left({\mathrm{\θ}}_i\right)---\left(7\right)$

其中θ、φ分别为天顶角和方位角如图3所示，γ是材料总的反射率，P(θ_i)是0～1的视差因子，随着θ_i增大而减小。

式（7）中表述的是目标对单一背景的对比度，但现实中背景往往是由多种物体多种材料构成的复杂背景，优化时不同背景之间会存在矛盾与冲突，为了得到较好的照明效果必须同时考虑到各个背景与物体之间的对比度，为此本发明提出了复杂背景的对比度优化模型：

$D({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{D}_k({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)---\left(8\right)$

其中n为背景的个数，ω_k表示背景为k时，对比度的权重，表达式为：

ω_k＝ω_kλ·ω_km·ω_kγ (9)

式（9）中ω_kλ、ω_km、ω_kγ分别表述背景k与目标M波长、坡度以及总的反射率的相似度，越相近数值越大。

利用式（8），即可获得在复杂背景下，使得复合对比度达到最大时的波长λ_opt和入射角度θ_opt，同时可获得在观察方向上各个物体的反射率，结合视觉传感器（CCD相机）的响应参数即可获得优化参数I_opt。

步骤五：

光源几何外观优化的主要步骤：

(1)确定光源的主轴光线

利用所提出的光源优化模型，假定我们需要的是一点光源，进行全局优化，确定主轴光线的方向θ_c、φ_c，如图4（a）所示，同时可以得到λ_opt、I_opt。

(2)根据工作距离WD，确定所选用LED颗粒的有效照明区域A_e

WD(图4（a）中为OL)、光源的几何尺寸约束立体角d_ω（或者是以L为中心的球半径R），可以根据所应用的实际对象来确定。

LED的工作距离越大，亮度越小，照明区域越大，但有效照明区域A_e（亮度为I_opt）越小。根据第一步所进行的优化结果可得到亮度的优化参数I_opt，所以WD确定后，即可获得A_e。

(3)将检测区域分割为以A_e为大小的独立区域，分别进行优化

如图4（c）所示，将检测区域分割为6个独立的区域A_e1、A_e2…A_e6。对每一个的优化策略如下：

1）包含目标的区域，如A_e2、A_e5，直接应用光源优化模型来确定LED在光源尺寸约束内的位置参数。

不包含目标的区域，如A_e1、A_e3、A_e4、A_e6，可单独利用优化模型里的反射模型，对LED在光源几何尺寸内的位置参数进行优化，使得该区域反射到CCD的能量最小。

(4)利用各个区域LED的位置信息得到光源的几何外观

在步骤3中，可以得到各个区域所对应的LED颗粒的位置，利用其位置信息，同时结合成本、制造难度以及造型是否美观，即可的到光源的几何外观。

上述的光源参数优化步骤以LED光源为例，也适用于其他光源设计。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种机器视觉LED光源的优化设计方法，其特征在于：包括如下步骤：

步骤一：测量光源优化对象的基本参数，包括目标和背景材料的总的反射率γ、粗糙度σ₀、自相关长度τ以及材料本身的颜色波长λ；

步骤二：确定波长的优化范围，判断目标波长λ_M与背景波长λ_B之间的差距是否大于80nm，若是，即|λ_M-λ_B|>80nm时，波长优化范围为{λ||λ_M/B-λ|＝50nm}，反之，波长的优化范围为{λ|380nm≤λ≤760nm}；

步骤三：利用步骤一获得的参数，在优化范围内，利用反射模型，计算背景与目标的反射率，物体表面反射率的模型以Cook的反射模型为基础；

步骤四：通过步骤三，根据背景与目标的反射率，最大化背景和目标的对比度，计算公式为(7)(8)，并结合视觉传感器的响应参数，获得优化参数；

步骤四中，单一背景时，目标M与背景B之间的对比度表达式如下：

$D{({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)}_{MB}=\frac{|{\mathrm{\γ}}_M{R}_M-{\mathrm{\γ}}_B{R}_B|}{Max({\mathrm{\γ}}_M{R}_M,{\mathrm{\γ}}_B{R}_B)}\·P\left({\mathrm{\θ}}_i\right)---\left(7\right)$

其中θ、φ分别为天顶角和方位角，γ是材料总的反射率，P(θ_i)是0～1的视差因子，随着θ_i增大而减小；

步骤四中，多种物体多种材料构成的复杂背景时，目标M与背景B之间的对比度表达式如下：

$D({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)=\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_k{D}_k({\mathrm{\θ}}_i,{\mathrm{\φ}}_i,{\mathrm{\θ}}_r,{\mathrm{\φ}}_r)---\left(8\right)$

其中n为背景的个数，ω_k表示背景为k时，对比度的权重，表达式为：

ω_k＝ω_kλ·ω_km·ω_kγ (9)

式(9)中ω_kλ、ω_km、ω_kγ分别表述第k个背景与第M个目标的波长、坡度以及总的反射率的相似度；

利用式(8)，获得在复杂背景下，使得复合对比度达到最大时的波长λ_opt和入射角度θ_opt，同时获得在观察方向上各个物体的反射率，结合视觉传感器的响应参数获得优化参数I_opt；

步骤五：优化LED光源的几何外观。

2.根据权利要求1所述的一种机器视觉LED光源的优化设计方法，其特征在于：步骤一中，粗糙度σ₀为物体表面各点到平均表面的均方差，自相关长度τ为波峰之间距离的平均值，两者之商m＝σ₀/τ描述材料表面的坡度，坡度越大阴影和遮挡造成的衰减越大。

3.根据权利要求2所述的一种机器视觉LED光源的优化设计方法，其特征在于：阴影衰减系数S(θ_i,θ_r)是以Smith的阴影方程S(θ)为基础建立的，具体表达式如下：

S(θ_i,θ_r)＝S(θ_i)·S(θ_r) (2)

$S\left(\mathrm{\θ}\right)=\frac{1-\frac{1}{2}erfc\left(\cot \right(\mathrm{\θ})/\sqrt{2}m)}{\mathrm{\Λ}\left(\mathrm{\θ}\right)+1}---\left(3\right)$

(2)式中S(θ_i)、S(θ_r)分别是入射方向和反射方向的阴影方程，(3)中erfc为误差补函数。

4.根据权利要求2所述的一种机器视觉LED光源的优化设计方法，其特征在于：步骤三中，在Cook反射模型中，把物体表面反射率R分为两大部分，镜面反射率和漫反射率，表达式分别为R_s(θ_i,θ_r)、R_d(θ_i,θ_r)，θ_i、θ_r分别相对于表面法线N的入射角、反射角；

R的表达式如下：

$R({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{I_r}{E_i}={\mathrm{sR}}_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)+{\mathrm{dR}}_d({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)---\left(4\right)$

其中R_d则为入射角为0时R_s的值，即R_d＝R_s(0)，s、d为两种反射方式的权重；

则到达观察者的反射强度为：

$I_r=I_{ia}{R}_a+{\mathrm{RE}}_i=I_{ia}{R}_a+\underset{l}{\Σ}{I}_i(N\·L){\mathrm{d\ω}}_i({\mathrm{sR}}_s+{\mathrm{dR}}_d)---\left(5\right)$

上式中I_ia、R_a分别为环境光的入射强度和物体对环境光的反射率；

镜面反射率的表达式如下：

$R_s({\mathrm{\θ}}_i,{\mathrm{\θ}}_r)=\frac{F}{\mathrm{\π}}\frac{DG}{(N\·L)(N\·V)}=\frac{F}{\mathrm{\π}}\frac{DG}{{\mathrm{cos\θ}}_i{\mathrm{cos\θ}}_r}---\left(6\right)$

其中F、D、G分别是菲涅尔反射系数、微面元分布概率函数、几何衰减系数；用S(θ_i,θ_r)替换阴影衰减系数G，加入了波长影响因子ε，得到新的坡度函数m_new＝m·ε。

5.根据权利要求1所述的一种机器视觉LED光源的优化设计方法，其特征在于：步骤五具体如下：

(1)确定光源的主轴光线，主轴光线的入射角为θ、方位角为Φ，同时可以得到λ_opt、I_opt；

(2)根据工作距离WD，确定所选用LED颗粒的有效照明区域A_e；

(3)将检测区域分割为以A_e为大小的独立区域，分别进行优化；

(4)利用各个区域LED的位置信息得到光源的几何外观。

6.根据权利要求5所述的一种机器视觉LED光源的优化设计方法，其特征在于：步骤(3)中，将检测区域分割为6个独立的区域A_e1、A_e2…A_e6，对每一个的优化策略如下：

包含目标的区域，直接应用光源优化模型来确定LED在光源尺寸约束内的位置参数；

不包含目标的区域，单独利用优化模型里的反射模型，对LED在光源几何尺寸内的位置参数进行优化，使得该区域反射到CCD的能量最小。

7.根据权利要求6所述的一种机器视觉LED光源的优化设计方法，其特征在于：步骤(3)中，得到各个区域所对应的LED颗粒的位置，利用其位置信息，同时结合成本、制造难度以及造型是否美观，即可的到光源的几何外观。