CN105865344A - 一种基于机器视觉的工件尺寸测量方法和装置 - Google Patents

Abstract

本发明公开了一种基于机器视觉的工件尺寸测量方法和装置，该方法包括步骤：采集待测工件的工件原始图像；选择中值滤波模板对所述工件原始图像进行滤波处理；对经过滤波处理的图像，基于OTSU算法进行图像分割；对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离；获取标定系数，根据边缘间像素距离和标定系数，计算待检测工件的实际物理尺寸。该装置包括采集模块、去噪模块、分割模块、边缘检测模块和推算模块。该方法和装置，能够满足工件测量时检测精度以及速度要求，对环境变化具有更高的鲁棒性，实现了实时的、非接触式的基于机器视觉的工件尺寸检测。

Description

一种基于机器视觉的工件尺寸测量方法和装置

技术领域

本发明涉及制造业工件尺寸测量技术领域，特别是涉及一种基于机器视觉的工件尺寸测量方法和装置。

背景技术

随着科学技术的飞速发展，推动了汽车工业、航天工业、电子工业的发展，对其中的工件精度要求也越来越高，工件的质量包括多方面的内容，其中最基本的是其尺寸的加工精度。要保证工件的尺寸精度，需要适时对工件进行检测，进而对其进行质量控制。传统的工件尺寸检测方法是人工通过游标卡尺或者结合显微镜进行观测检验，在给工厂增加巨大的人工成本和管理成本的同时，仍然不能保证产品的“零缺陷”，即大量的人工检测不仅影响工厂效率，而且带来不可靠的因素，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。现代制造强调实时、在线、非接触检测，确保对制造过程实现全面控制，提高生产效率和产品的合格率，这是许多传统检测手段无法提供的。

基于上述原因，采用机器视觉技术进行工件尺寸测量成为一个新的研究课题，而目前已经公开的基于机器视觉进行工件尺寸测量的研究方法中，有的仅限于理论研究，无法适用于实际生产应用，测量的有效性不高。

发明内容

本发明的目的是提供一种基于机器视觉的工件尺寸测量方法和装置。

为实现上述目的，本发明提供了如下方案：

一种基于机器视觉的工件尺寸测量方法，包括步骤：

步骤A，采集待测工件的工件原始图像；

步骤B，选择中值滤波模板对所述工件原始图像进行滤波处理；

步骤C：对经过滤波处理的图像，基于OTSU算法进行图像分割；

步骤D：对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离；

步骤E：获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。

其中，步骤C包括步骤：

设一幅图像有L个灰度级，灰度值为i的个数为n_i，则总的像素个数为：

$N=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{n}_i$

灰度值为i的像素出现的概率为：

$P_i=\frac{n_i}{N}$

其中，N为总像素个数，P_i是灰度值i出现的概率；

阈值k将图像分成C₁和C₂两类，其中C₁类的灰度级范围为[0,k]，C₂类的灰度级范围为[k+1,L-1]，则C₁和C₂产生的概率分别为：

${\mathrm{\ω}}_1=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{P}_i,$

${\mathrm{\ω}}_2=\underset{i=k+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_i=1-{\mathrm{\ω}}_1;$

对应的平均值分别为：

${\mathrm{\μ}}_1=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{iP}}_i/{\mathrm{\ω}}_1,$

${\mathrm{\μ}}_2=\underset{i=k+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i/{\mathrm{\ω}}_2;$

整个图像灰度平均值为：

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i;$

则C₁和C₂的类间方差公式如下所示：

σ²＝ω₁(μ₁-μ_T)²+ω₂(μ₂-μ_T)²＝ω₁ω₂(μ₂-μ₁)²；

σ²为类间方差，ω₁和ω₂分别为C₁和C₂产生的概率，μ₁和μ₂是其对应的平均值，当σ²取最大值时得到的阈值作为最佳阈值进行分割。

其中，步骤D中对分割后的图像进行边缘检测，获取待测工件用于测量的边缘包括步骤：

D10，对分割后的图像进行平滑滤波；

D11，对经过平滑滤波后的图像计算梯度幅值和方向；

D12，进行非极大抑制；

D13，确定高低阈值，检测和连接边缘，得到粗提取边缘。

其中，步骤D13之后还包括步骤：

对于得到的所述粗提取边缘的图像进行亚像素定位，具体步骤如下：

D20，计算7×7模板系数；

D21，利用所述模板系数与每个像素的卷积计算得到Zernike矩Z₀₀、Z₁₁、Z₂₀；

D22，根据式(1)计算边缘角度φ；

D23，根据式(2)和式(3)计算l和k，其中l为圆心到边缘的垂直距离，k为阶跃灰度；

D24，将k去绝对值，利用Otsu算法得到最佳阶跃灰度阈值k_t；

D25，如果像素点满足k k_t l l_t，则该像素点是边缘点，利用式4计算亚像素坐标，其中l_t为阈值；

$\mathrm{\φ}=\arctan \frac{\mathrm{Im}\[Z_{n1}\]}{\mathrm{Re}\[Z_{n1}\]},n=1,3---\left(1\right)$

$l=\frac{Z_{20}^{\′}}{Z_{11}^{\′}}=\frac{Z_{20}}{Z_{11}^{\′}}---\left(2\right)$

其中Z₂₀是原始边缘图像Zernike,Z’₂₀和Z’₁₁是旋转后的边缘图像Zernike矩；

$k=\frac{3Z_{11}^{\′}}{2{(1-l_2^2)}^{3/2}}---\left(3\right)$

$\begin{array}{c}{x}_s\\ y_s\end{array}=\begin{array}{c}x\\ y\end{array}+\frac{Nl}{2}\begin{array}{c}\cos \left(\mathrm{\φ}\right)\\ \sin \left(\mathrm{\φ}\right)\end{array}---\left(4\right);$

其中(x_s,y_s)是边缘的亚像素坐标，(x,y)为原点坐标，N为模板数。

其中，步骤B中选择中值滤波模板对所述工件原始图像进行滤波处理包括：选择3×3模板的中值滤波对所述工件原始图像进行滤波处理。

其中，步骤E包括步骤：

确定标定板一个方格边长的实际尺寸d，采集所述标定板的图像并进行处理，算出以像素为单位的尺寸d'，则标定系数D：

$D=\frac{d}{d^{\′}}$

由标定系数他推算两像素之间的实际物理尺寸。

本发明还提供一种基于机器视觉的工件尺寸测量装置，包括：

采集模块，用于采集待测工件的工件原始图像；

去噪模块，用于选择中值滤波模板对所述工件原始图像进行滤波处理；

分割模块，用于对经过滤波处理的图像，基于OTSU算法进行图像分割；

边缘检测模块，用于对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离；

推算模块，用于获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于机器视觉的工件尺寸测量方法和装置，通过采集工件图像并对其进行去噪处理，有效的减少噪声对工件尺寸检测精度带来的影响，之后进行图像分割后，在像素边缘提取的基础上，提出了基于改进的Zernike矩亚像素边缘检测算法，根据标定系数进一步推算得出工件具体尺寸，经实践检测，该测量方法能够满足工件测量时检测精度以及速度要求，是一种有效的工件尺寸测量方法，对环境变化具有更高的鲁棒性，实现了实时的、非接触式的基于机器视觉的工件尺寸检测，在实际工件尺寸检测时检测的有效性较高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的基于机器视觉的工件尺寸测量方法的流程示意图；

图2为本发明实施例二提供的基于机器视觉的工件尺寸测量方法的流程示意图；

图3为图像边缘初步提取算法流程图；

图4a为亚像素边缘检测理想模型的原始边缘图像；

图4b为旋转后的边缘图像；

图5为标定板示意图；

图6为实施例三提供的基于机器视觉的工件尺寸测量装置的结构模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于机器视觉的工件尺寸测量方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

参见图1所示，本实施例提供的基于机器视觉的工件尺寸测量方法包括如下步骤：

一种基于机器视觉的工件尺寸测量方法，其特征在于，包括步骤：

步骤S110，采集待测工件的工件原始图像。

采集工件的原始图像可以使用相机，优选地，采用CCD摄像机采集工件图像，使用时调整相机位置并选择合适光源来获取被测工件的清晰图像。

步骤S111，选择中值滤波模板对所述工件原始图像进行滤波处理。

对所获取的工件图像进行去噪处理，优选地选择3*3模板的中值滤波对步骤S110获取到的工件图像进行滤波处理。

步骤S112，对经过滤波处理的图像，基于OTSU算法进行图像分割。

对于去噪处理后的图像，需进行识别，其中包括图像分割，本发明实施例提出基于OTSU阈值选取的图像分割方法。

步骤S113，对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离。

步骤S114，获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。

对用采集工件原始图像的相机进行标定，然后根据标定系数计算待检测工件的实际物理尺寸。

本发明实施例一提供了一种基于机器视觉进行工件尺寸测量的方法，解决现代工业对工件测量的精度要求高的问题。通过图像采集、去噪等步骤对图像进行预处理，对于去噪处理后的图像，进行识别，其中包括图像分割，提出基于OTSU阈值选取的图像分割方法；之后对工件图像进行边缘检测，获取待检测工件用于测量的边缘，并计算边缘间像素的距离；最后根据标定系数得出待检测工件的实际物理尺寸，可广泛应用于对工件的机器视觉尺寸测量，为得到较高精度的工件尺寸奠定了基础。

实施例二

本发明实施例二提供了一种基于机器视觉的工件尺寸测量方法，参见图2所示，该方法包括步骤：

步骤S210，采集待测工件的工件原始图像。

步骤S211，选择中值滤波模板对所述工件原始图像进行滤波处理。

步骤S212，对经过滤波处理的图像，基于OTSU算法进行图像分割。

设一幅图像有L个灰度级，灰度值为i的个数为n_i，则总的像素个数为：

$N=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{n}_i$

灰度值为i的像素出现的概率为：

$P_i=\frac{n_i}{N}$

其中，N为总的像素个数，P_i是灰度值i出现的概率。

阈值k将图像分成C₁和C₂两类，其中C₁类的灰度级范围为[0,k]，C₂类的灰度级范围为[k+1,L-1]，则C₁和C₂产生的概率分别为：

${\mathrm{\ω}}_1=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{P}_i,$

${\mathrm{\ω}}_2=\underset{i=k+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_i=1-{\mathrm{\ω}}_1;$

对应的平均值分别为：

${\mathrm{\μ}}_1=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{iP}}_i/{\mathrm{\ω}}_1,$

${\mathrm{\μ}}_2=\underset{i=k+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i/{\mathrm{\ω}}_2;$

整个图像灰度平均值为：

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i;$

则C₁和C₂的类间方差公式如下所示：

σ²＝ω₁(μ₁-μ_T)²+ω₂(μ₂-μ_T)²＝ω₁ω₂(μ₂-μ₁)²；

σ²为类间方差，ω₁和ω₂分别为C₁和C₂产生的概率，μ₁和μ₂是其对应的平均值。

当σ²取最大值时得到的阈值作为最佳阈值，由以上分析可知，当σ²取最大值时得到的阈值即为所需要的最佳阈值，此时可以得到最好的分割效果图。该方法可以自动确定阈值，实时性好且计算比较简单，能够得到较好的效果。

步骤S213，对分割后的图像进行边缘检测。

对于工件的边缘检测，首先采用边缘初步提取，基本步骤如流程图3所示，首先对获取的原始图像进行平滑滤波(即高斯滤波)，计算梯度幅值和方向，然后进行非极大抑制，确定高低阈值，检测和连接边缘，进而得到边缘图像。

步骤S214，对于初步获取的边缘图像进行亚像素定位。

亚像素边缘检测理想模型如图4a和图4b所示。

本发明实施例提出了改进的Zernike矩亚像素定位，具体步骤如下：

Step1:计算7×7模板系数；

Step2：利用模板系数与每个像素的卷积计算得到Zernike矩Z₀₀、Z₁₁、Z₂₀；

Step3：根据式1计算边缘角度φ；

Step4：根据式2和式3计算l和k(l为圆心到边缘的垂直距离，k为阶跃灰度)；

Step5：将k去绝对值，利用Otsu得到最佳阶跃灰度阈值k_t；

Step6：如果像素点满足k k_t l l_t，则该像素点是边缘点，利用公式4计算亚像素坐标(l_t为阈值)。

$\mathrm{\φ}=\arctan \frac{\mathrm{Im}\[Z_{n1}\]}{\mathrm{Re}\[Z_{n1}\]},n=1,3---\left(1\right)$

$l=\frac{Z_{20}^{\′}}{Z_{11}^{\′}}=\frac{Z_{20}}{Z_{11}^{\′}}---\left(2\right)$

其中Z₂₀是原始边缘图像Zernike,Z’₂₀和Z’₁₁是旋转后的边缘图像Zernike矩。

$k=\frac{3Z_{11}^{\′}}{2{(1-l_2^2)}^{3/2}}---\left(3\right)$

$\begin{array}{c}{x}_s\\ y_s\end{array}=\begin{array}{c}x\\ y\end{array}+\frac{Nl}{2}\begin{array}{c}\cos \left(\mathrm{\φ}\right)\\ \sin \left(\mathrm{\φ}\right)\end{array}---\left(4\right)$

其中(x_s,y_s)是边缘的亚像素坐标，(x,y)为原点坐标，N模板数，本次发明选用7×7模板，则N为7。

步骤S215，对相机进行标定，然后根据标定系数计算待检测工件的实际物理尺寸。

CCD摄像机所获取的图像是以单个像素为单位，为了将目标图像中以像素为单位的尺寸转化为物理空间中以毫米为单位的尺寸，这种方法就称为摄像机标定。摄像机所需要标定板如图5所示。首先确定标定板一个方格边长的实际尺寸d(单位：mm)，然后利用相机采集标定板的图像并进行处理，最后算出以像素为单位的尺寸d'(单位：pixel)，则摄像机的标定系数D：

$D=\frac{d}{d^{\′}}$

步骤S216，判断是否继续进行检测，是，则进入步骤S210，否，则结束。

实施例三

本发明实施例三提供一种基于机器视觉的工件尺寸测量装置，参见图6所示，包括采集模块、去噪模块、分割模块、边缘检测模块和推算模块。

其中，采集模块，用于采集待测工件的工件原始图像。

去噪模块，用于选择中值滤波模板对所述工件原始图像进行滤波处理。

分割模块，用于对经过滤波处理的图像，基于OTSU算法进行图像分割。

边缘检测模块，用于对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离。

推算模块，用于获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。

本发明实现了对工件尺寸的精确测量，将采集到的工件图像进行去噪处理，有效的减少噪声对以后工件尺寸检测带来的影响；为了提高精度，在像素级边缘提取的基础上，提出了基于改进的Zernike矩亚像素边缘检测算法，为得到较高精度的工件尺寸奠定了基础，能够满足检测精度以及速度要求，是一种有效的工件尺寸测量方法，对环境变化具有更高的鲁棒性，实现了实时的、非接触式的基于机器视觉的工件尺寸检测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于机器视觉的工件尺寸测量方法，其特征在于，包括步骤：

步骤A，采集待测工件的工件原始图像；

步骤B，选择中值滤波模板对所述工件原始图像进行滤波处理；

步骤C：对经过滤波处理的图像，基于OTSU算法进行图像分割；

步骤D：对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离；

步骤E：获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。

2.根据权利要求1所述的基于机器视觉的工件尺寸测量方法，其特征在于，所述步骤C包括步骤：

设一幅图像有L个灰度级，灰度值为i的个数为n_i，则总的像素个数为：

$N=\underset{i=0}{\overset{L-1}{\Σ}}{n}_i$

灰度值为i的像素出现的概率为：

$P_i=\frac{n_i}{N}$

其中，N为总像素个数，P_i是灰度值i出现的概率；

阈值k将图像分成C₁和C₂两类，其中C₁类的灰度级范围为[0,k]，C₂类的灰度级范围为[k+1,L-1]，则C₁和C₂产生的概率分别为：

${\mathrm{\ω}}_1=\underset{i=0}{\overset{k}{\Σ}}{P}_i,$

${\mathrm{\ω}}_2=\underset{i=k+1}{\overset{L-1}{\Σ}}{P}_i=1-{\mathrm{\ω}}_1;$

对应的平均值分别为：

${\mathrm{\μ}}_1=\underset{i=0}{\overset{k}{\Σ}}{\mathrm{iP}}_i/{\mathrm{\ω}}_1,$

${\mathrm{\μ}}_2=\underset{i=k+1}{\overset{L-1}{\Σ}}{\mathrm{iP}}_i/{\mathrm{\ω}}_2;$

整个图像灰度平均值为：

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\Σ}}{\mathrm{iP}}_i;$

则C₁和C₂的类间方差公式如下所示：

σ²＝ω₁(μ₁-μ_T)²+ω₂(μ₂-μ_T)²＝ω₁ω₂(μ₂-μ₁)²；

σ²为类间方差，ω₁和ω₂分别为C₁和C₂产生的概率，μ₁和μ₂是其对应的平均值，当σ²取最大值时得到的阈值作为最佳阈值进行分割。

3.根据权利要求2所述的基于机器视觉的工件尺寸测量方法，其特征在于，所述步骤D中对分割后的图像进行边缘检测，获取待测工件用于测量的边缘包括步骤：

D10，对分割后的图像进行平滑滤波；

D11，对经过平滑滤波后的图像计算梯度幅值和方向；

D12，进行非极大抑制；

D13，确定高低阈值，检测和连接边缘，得到粗提取边缘。

4.根据权利要求3所述的基于机器视觉的工件尺寸测量方法，其特征在于，所述步骤D13之后还包括步骤：

对于得到的所述粗提取边缘的图像进行亚像素定位，具体步骤如下：

D20，计算7×7模板系数；

D21，利用所述模板系数与每个像素的卷积计算得到Zernike矩Z₀₀、Z₁₁、Z₂₀；

D22，根据式(1)计算边缘角度φ；

D23，根据式(2)和式(3)计算l和k，其中l为圆心到边缘的垂直距离，k为阶跃灰度；

D24，将k去绝对值，利用Otsu算法得到最佳阶跃灰度阈值k_t；

D25，如果像素点满足k k_t l l_t，则该像素点是边缘点，利用式4计算亚像素坐标，其中l_t为阈值；

$\begin{array}{cc}\mathrm{\φ}=arctan\frac{\mathrm{Im}\[Z_{n1}\]}{\mathrm{Re}\[Z_{n1}\]}& n=1,3\end{array}---\left(1\right)$

$l=\frac{Z_{20}^{\′}}{Z_{11}^{\′}}=\frac{Z_{20}}{Z_{11}^{\′}}---\left(2\right)$

其中Z₂₀是原始边缘图像Zernike,Z′₂₀和Z′₁₁是旋转后的边缘图像Zernike矩；

$k=\frac{3Z_{11}^{\′}}{2{(1-l_2^2)}^{3/2}}---\left(3\right)$

$\begin{array}{c}{x}_s\\ y_s\end{array}=\begin{array}{c}x\\ y\end{array}+\frac{Nl}{2}\begin{array}{c}\cos \left(\mathrm{\φ}\right)\\ \sin \left(\mathrm{\φ}\right)\end{array}---\left(4\right);$

其中(x_s,y_s)是边缘的亚像素坐标，(x,y)为原点坐标，N为模板数。

5.根据权利要求1-4任一项所述的基于机器视觉的工件尺寸测量方法，其特征在于，所述步骤B中选择中值滤波模板对所述工件原始图像进行滤波处理包括：选择3×3模板的中值滤波对所述工件原始图像进行滤波处理。

6.根据权利要求1-4任一项所述的基于机器视觉的工件尺寸测量方法，其特征在于，所述步骤E包括步骤：

确定标定板一个方格边长的实际尺寸d，采集所述标定板的图像并进行处理，算出以像素为单位的尺寸d'，则标定系数D：

$D=\frac{d}{d^{\′}}$

由标定系数他推算两像素之间的实际物理尺寸。

7.一种基于机器视觉的工件尺寸测量装置，其特征在于，包括：

采集模块，用于采集待测工件的工件原始图像；

去噪模块，用于选择中值滤波模板对所述工件原始图像进行滤波处理；

分割模块，用于对经过滤波处理的图像，基于OTSU算法进行图像分割；

边缘检测模块，用于对分割后的图像进行边缘检测，获取待测工件用于测量的边缘，并计算待测工件的图像的边缘间像素距离；

推算模块，用于获取标定系数，根据所述边缘间像素距离和所述标定系数，计算待检测工件的实际物理尺寸。