CN106643549A - 一种基于机器视觉的瓷砖尺寸检测方法 - Google Patents

Abstract

本发明公开一种基于机器视觉的瓷砖尺寸检测方法，包括：步骤1、图像采集与预处理：对瓷砖图像进行标定，再进行滤波、梯度锐化；步骤2、提取轮廓、确立拟合与分割点：以斜外接矩形的包络线为基准，采用最近邻搜寻算法确立瓷砖轮廓的分割点；步骤3、长、宽度和完整度计算：确定各分割点的坐标，采用欧式距离度量瓷砖长度和宽度，计算完整度；步骤4、采用最小二乘法对分割的轮廓线进行拟合，计算边直度；步骤5、合格判定：将测量得到的瓷砖长度、宽度、完整度和边直度与标准值进行比较，判断瓷砖是否合格。本发明可准确的检出瓷砖的真实物理尺寸，提高了瓷砖自动化检测水平。

Description

一种基于机器视觉的瓷砖尺寸检测方法

技术领域

本发明涉及瓷砖检测技术领域，特别涉及一种基于机器视觉的瓷砖尺寸检测方法。

背景技术

目前基于机器视觉的瓷砖尺寸检测方法主要有下列几种：

(1)通过人为经验设置瓷砖的测量区域或者测量特殊点，经过几何关系的推导，计算出瓷砖的相关尺寸测量参数；

(2)通过边缘定位算法获得瓷砖四个角度的水平与竖直方向直线方程，直线交点即为瓷砖的边角点的坐标，以此为基准计算其他的测量参数；

(3)直接通过Harris或者Shi-Tomasai等角点检测算法直接进行分割点检测；

(4)借助压电传感结构、激光传感器等其他的辅助传感器进行间接测量；

以上方法虽然都以视觉或者自动化技术为基础，一定程度上减少了传统的人工检测带来的经验、工具误差、环境等方面的影响，但是其所使用的算法都存在一定的局限性，无法反映真实的瓷砖尺寸形貌。四种方法的局限性分别如下：人为设置不可避免地带入经验误差，受操作人员主观测量经验等因素的影响，边缘定位拟合交点法当瓷砖的边角缺损时，拟合的交点只是理论上的边缘检测点，与真实的瓷砖边角相差较大，该方法无法反映这一真实的情况，其他的辅助传感器无疑会增加整个测量系统的成本与复杂度，带来更多的硬件设备误差，因此研究一种能够真实反映瓷砖尺寸检测的视觉算法成为一项非常有意义的工作。

基于上述的工程应用背景，本发明人提出了一种基于斜矩包络线最近邻尺寸检测算法。

发明内容

本发明为解决上述问题，提供了一种基于机器视觉的瓷砖尺寸检测方法，通过相机标定、图像矫正、几何包络线、最近邻域、最小二乘法技术，以准确的检出瓷砖的真实物理尺寸，提高了瓷砖自动化检测水平。

为实现上述目的，本发明采用的技术方案为：

一种基于机器视觉的瓷砖尺寸检测方法，包括以下步骤：

步骤1、图像采集与预处理

CCD相机在突出边缘对比的组合光源下采集瓷砖图像，然后对瓷砖图像进行预处理，预处理方式为：先在视觉系统中对瓷砖图像进行标定，再进行滤波、梯度锐化；

步骤2、轮廓提取、拟合与分割点确立

从瓷砖图像中提取瓷砖轮廓图像，以瓷砖轮廓拟合其斜外接矩形的包络线，采用最近邻搜寻算法确立瓷砖轮廓的分割点，具体是以该斜外接矩形的4个角点为基准点，搜寻距离基准点最近邻域内的轮廓点作为瓷砖轮廓的分割点；

步骤3、长、宽度和完整度计算

确定各分割点的坐标，采用欧式距离度量瓷砖轮廓图像各个端点之间的距离作为瓷砖长度和宽度，同时计算瓷砖轮廓图像的完整度，所述各个端点为步骤2得出的分割点；

步骤4、轮廓分割与边直度计算

采用最小二乘法对分割的轮廓线进行拟合，计算轮廓线中点到拟合直线的距离作为该边的边直度，将4条轮廓线的边直度的最大值作为整个瓷砖轮廓图像的边直度；

步骤5、合格判定

将测量得到的瓷砖长度、宽度、完整度和边直度与标准值进行比较，判断瓷砖是否合格。

所述步骤1中，对瓷砖图像进行标定具体是：采用11×8边长为20×20mm的标准棋盘进行内角点线性标定。

所述步骤1中，对瓷砖图像进行梯度锐化采用的算法公式为：

其中，f(x，y)代表图像，G'_M[f(x,y)]为最终的灰度代替值，G'_M[f(x,y)]_max＝255，T₁'表示锐化阈值，当梯度值大于T₁'时，其值加T₁，从而加强梯度边缘；T₂'表示灰度的阈值，当图像灰度值大于T'₂时，灰度值减T₂。

所示步骤5中，采用设置上下偏差的方法进行合格产品的判别，判别公式如下：

其中，i＝{0,1,2,3,4...}，分别代表瓷砖中尺寸的基本参数类型，f_ti.是测试瓷砖的某一尺寸参数值，f_si为经过训练对应的标准参数最优值，T_i是判别容许的上下偏差，该值决定着对瓷砖尺寸的包容程度，g(f_ti)是特征判别的结果函数，当函数值等于1时，判别其为合格产品，否则判别其不合格。

采用上述技术方案后，本发明具有以下优点：

一、将视觉测量技术引入到瓷砖尺寸测量，其检测流程不受操作人员的经验、测量工具、疲劳度等因素的影响，保证了测量的精度；

二、考虑到瓷砖自身呈矩形，而且真实瓷砖长宽边缘的过渡处并非是一个理论上的直角，大多数是一个圆弧的过渡，传统检测算法在处理的时候将其作为理论上的直角过渡，导致实际测算值存在一定误差；因此本发明以一种理想的瓷砖轮廓斜外接矩的包络线为基准，通过最近邻领域内搜寻算法得到的点作为分割点，作为后续瓷砖尺寸测量算法的基准，避免了测算的误差；

三、本发明对瓷砖图像进行梯度锐化处理突出瓷砖的边缘，从而保证了瓷砖轮廓提取的准确度与精度；

四、使用最小二乘法拟合分割线段，计算出瓷砖的边直度，最大程度贴合了工程实际；

五、提出了最近邻搜寻算法在瓷砖轮廓上寻找最近相切点的搜寻策略。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明一种基于机器视觉的瓷砖尺寸检测方法的流程简图；

图2是边缘锐化后的瓷砖图像；

图3是瓷砖轮廓斜外接矩形包络线及分割点示意图；

图4是瓷砖轮廓提取图像；

图5是最近邻领域内搜寻分割点效果图；

图6是最小二乘法拟合边缘效果图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示本发明揭示的一种基于机器视觉的瓷砖尺寸检测方法，包括以下步骤：

步骤1、图像采集与预处理

CCD相机在突出边缘对比的组合光源下采集瓷砖图像，然后对瓷砖图像进行预处理，预处理方式为：先在视觉系统中对瓷砖图像进行标定，再进行滤波、梯度锐化，预处理后如图2所示；

瓷砖视觉系统由世界坐标系到图像平面坐标系间的变换关系如式(1)、

(2)所示：

m＝A[R|t]×M (1)

其中，m(u，v)是点投影在图像平面的坐标，A是相机的内参矩阵，矩阵参数f_x，f_y为以像素为单位的焦距，(c_x，c_y)是图像的基准点，旋转-平移矩阵[R|t]称为外参矩阵，M为世界坐标系中的一个点,r_x与r_y分别代表横向与纵向的分辨率。

本实施例中，采用型号为Grasshopper3-USB3CCD相机，有效像素为2448×2048，配套的镜头焦距为8mm，选用11×8边长为20mm×20mm的标准棋盘进行内角点线性标定，内参数见表1。

表1瓷砖视觉系统内参数标定表

另外，图像预处理主要是采用保边滤波来保留边缘不被平滑掉，采用本发明特别改进的梯度锐化处理突出瓷砖的边缘，以下为本实施例针对瓷砖图像改进的梯度锐化处理方法：

对于图像f(x，y),任意的点(x，y)梯度在函数f(x，y)最大变化率方向上，梯度幅度GM[f(x，y)]由式(3)给出。

对于图像f(x，y),为减少计算量时间，采用绝对值代替传统的平方根和开方运算，梯度模值为式(4)所示：

G_M[f(x,y)]＝|f(x,y)-f(x+1,y+1)|+|f(x+1,y)-f(x,y+1)| (4)

现有的图像锐化运用双方向一次微分运算，算出梯度后直接用梯度值替代该点的灰度值，图像最后行列的像素值用临近的梯度值填充。实验发现直接用梯度值代替灰度值会使图像丢失大量原始信息，本发明根据瓷砖图像的特征，设置门限判断对梯度锐化进行了改进，具体公式如(5)所示，对瓷砖图像进行梯度锐化采用的算法公式为：

式中，f(x，y)代表图像，G'_M[f(x,y)]为最终的灰度代替值，G'_M[f(x,y)]_max＝255，T₁'表示锐化阈值，当梯度值大于T₁'时，其值加T₁，从而加强梯度边缘；T₂'表示灰度的阈值，当图像灰度值大于T'₂时，灰度值减T₂。采用上述梯度锐化处理方法可以保留原瓷砖图像高灰度值信息同时消除了其对梯度边缘的影响，其他情况灰度值不变，处理后的图像既增强了瓷砖的轮廓又增加边缘信息与其他背景的区分度。

步骤2、轮廓提取、拟合与分割点确立

从瓷砖图像中提取瓷砖轮廓图像，本实施例采用Canny边缘检测算法与8邻域连码结构提取瓷砖轮廓图像，如图4所示，然后将瓷砖轮廓拟合其斜外接矩形的包络线，采用最近邻搜寻算法确立瓷砖轮廓的分割点，具体是以该斜外接矩形的4个角点为基准点，搜寻距离基准点最近邻域内的轮廓点作为瓷砖轮廓的分割点，分割点如图5所示；

关于分割点的确定，具体的算法如下：斜外接矩形的包络线是一个跟随目标轮廓时刻变化的几何基元，其拟合特性不受目标旋转、平移等几何变换的影响，考虑到瓷砖自身呈矩形，因此斜外接矩形是一种理想的矩形包络线。参见图3是图像处理当中瓷砖轮廓的包络线分割点的示意图、最近邻分割局部放大图以及边直度计算的局部放大图，在真实的瓷砖长宽边缘过渡处为圆弧时，如何获取瓷砖的长宽的分割点成为整个算法的核心内容。本发明采用以斜外接矩形的包络线端点为基准，如图3右上角所示，p为在圆内最近邻领域点作为分割点，o为包络线的端点，r为邻域最小半径，最近邻搜寻算法如下表所示：

步骤3、长、宽度和完整度计算

确定各分割点的坐标，采用欧式距离度量瓷砖轮廓图像各个端点之间的距离作为瓷砖长度和宽度，同时计算瓷砖轮廓图像的完整度，各个端点即为步骤2得出的分割点；

根据上述最近邻搜寻算法就可以得到轮廓上的分割点A₁，B₁，C₁，D₁，使用欧式分别计算线段L_A1B1，L_C1D1，L_A1D1，L_B1C1长度作为瓷砖上宽、下宽、左高、右高参数值。

1、设任意两点的坐标设为(x_i,y_i)与(x_e,y_e)，则之间的距离公式如下：

2、对标定出来得到的物理分辨率r_x与r_y，本专利采用求取其均值的方法，则分辨率最终值r＝(r_x+r_y)/2；

3、然后将像素空间距离变换到物理距离，公式如下：

l_pw＝l_p×r。

步骤4、轮廓分割与边直度计算

采用最小二乘法对分割的轮廓线进行拟合，拟合效果如图6所示，计算轮廓线中点到拟合直线的距离作为该边的边直度，将4条轮廓线的边直度的最大值作为整个瓷砖轮廓图像的边直度；本实施例采用的边直度计算方法具体如下：

参见图3，瓷砖的轮廓线并非是一条直线，p为该边的中点，q表示p在端点形成的理想直线上的投影，d表示边直度距离，使用最小二乘直线拟合算法先对分割点打断的线段进行拟合，设任一四条打断的线段点集设为：P{P|(x_k，y_k)，k＝1，2,…N,k∈N+且N≥2。最小二乘法的核心内容是：保证拟合直线上的各点值P|(x_k，y_k)与测量值的差的平方和最小，于是将其转化为确定y＝ax+b，参数化a与b使得：

通过极值原理可得，将上述最小值问题转化为导数问题：

解上述方程可得：

因此拟合的参数方程求解出来以后，提取线段的中点M(xm,ym),则其到直线的方程作为该边的边直度ld：

分别按照上述的方法，计算每一条分割线段的边直度，将其中的最大值作为瓷砖的边直度ld’,

l'_d＝max(l_di)0<i≤4且i∈N⁺

最后将像素空间距离变换到物理距离，公式如下，效果见附图5；

l'_dw＝l'_d×r。

步骤5、合格判定

将测量得到的瓷砖长度、宽度、完整度和边直度与标准值进行比较，判断瓷砖是否合格。

通过上述的步骤1-4得到瓷砖基本参数测试值(长度、宽度、完整度和边直度与标准值)，而标准参数值则通过高斯参数对合格品的训练得到，具体判别方式为采用设置上下偏差的方法进行合格产品的判别，判别公式如下：

其中，i＝{0,1,2,3,4...}，分别代表瓷砖中尺寸的基本参数类型，如长度＝1、宽度＝2，f_ti.是测试瓷砖的某一尺寸参数值，f_si为经过训练对应的标准参数最优值，T_i是判别容许的上下偏差，该值决定着对瓷砖尺寸的包容程度，g(f_ti)是特征判别的结果函数，当函数值等于1时，判别其为合格产品，否则判别其不合格。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于机器视觉的瓷砖尺寸检测方法，其特征在于：包括以下步骤：

步骤1、图像采集与预处理

CCD相机在突出边缘对比的组合光源下采集瓷砖图像，然后对瓷砖图像进行预处理，预处理方式为：先在视觉系统中对瓷砖图像进行标定，再进行滤波、梯度锐化；

步骤2、轮廓提取、拟合与分割点确立

从瓷砖图像中提取瓷砖轮廓图像，以瓷砖轮廓拟合其斜外接矩形的包络线，采用最近邻搜寻算法确立瓷砖轮廓的分割点，具体是以该斜外接矩形的4个角点为基准点，搜寻距离基准点最近邻域内的轮廓点作为瓷砖轮廓的分割点；

步骤3、长、宽度和完整度计算

确定各分割点的坐标，采用欧式距离度量瓷砖轮廓图像各个端点之间的距离作为瓷砖长度和宽度，同时计算瓷砖轮廓图像的完整度，所述各个端点为步骤2得出的分割点；

步骤4、轮廓分割与边直度计算

采用最小二乘法对分割的轮廓线进行拟合，计算轮廓线中点到拟合直线的距离作为该边的边直度，将4条轮廓线的边直度的最大值作为整个瓷砖轮廓图像的边直度；

步骤5、合格判定

将测量得到的瓷砖长度、宽度、完整度和边直度与标准值进行比较，判断瓷砖是否合格。

2.如权利要求1所述的一种基于机器视觉的瓷砖尺寸检测方法，其特征在于：所述步骤1中，对瓷砖图像进行标定具体是：采用11×8边长为20×20mm的标准棋盘进行内角点线性标定。

3.如权利要求1所述的一种基于机器视觉的瓷砖尺寸检测方法，其特征在于：所述步骤1中，对瓷砖图像进行梯度锐化采用的算法公式为：

其中，f(x，y)代表图像，G'_M[f(x,y)]为最终的灰度代替值，G'_M[f(x,y)]_max＝255，T′₁表示锐化阈值，当梯度值大于T₁'时，其值加T₁，从而加强梯度边缘；T₂'表示灰度的阈值，当图像灰度值大于T′₂时，灰度值减T₂。

4.如权利要求1所述的一种基于机器视觉的瓷砖尺寸检测方法，其特征在于：所示步骤5中，采用设置上下偏差的方法进行合格产品的判别，判别公式如下：

$g\left(f_{ti}\right)=\left\{\begin{array}{cc}1& if|f_{ti}-f_{si}|\&le;T_i\\ 0& else\end{array}\right.$

其中，i＝{0,1,2,3,4...}，分别代表瓷砖中尺寸的基本参数类型，f_ti.是测试瓷砖的某一尺寸参数值，f_si为经过训练对应的标准参数最优值，T_i是判别容许的上下偏差，该值决定着对瓷砖尺寸的包容程度，g(f_ti)是特征判别的结果函数，当函数值等于1时，判别其为合格产品，否则判别其不合格。