基于機器視覺的擋圈檢測系統(tǒng)研究

高曉東，羅 宏

(重慶理工大學(xué)機械工程學(xué)院，重慶，400054)

?

研究與設(shè)計

基于機器視覺的擋圈檢測系統(tǒng)研究

高曉東，羅 宏

(重慶理工大學(xué)機械工程學(xué)院，重慶，400054)

介紹了一種基于機器視覺的擋圈檢測系統(tǒng)。根據(jù)擋圈檢測系統(tǒng)所要求的精確、實時、快速的特點，設(shè)計了系統(tǒng)的圖像處理和識別的方法。利用CMOS照相機獲取圖像，轉(zhuǎn)換灰度圖像后，進(jìn)行圖像濾波，將獲取的圖像中的噪聲去除掉，通過二值化將待檢測擋圈圖像與背景區(qū)分開，進(jìn)行邊緣檢測，最后通過圖像識別完成對擋圈的檢測。實驗結(jié)果表明，該系統(tǒng)所使用的方法檢測速度快、精確度高，能夠滿足擋圈檢測系統(tǒng)的性能要求。

機器視覺；圖像處理；圖像濾波；二值化；邊緣檢測；圖像識別

1 引言

隨著智能化生產(chǎn)技術(shù)的發(fā)展，機器視覺已廣泛應(yīng)用到制造工業(yè)的自動化生產(chǎn)中，有效地降低了生產(chǎn)成本，保證了產(chǎn)品的合格率，大大提高企業(yè)生產(chǎn)效率。本文是以發(fā)動機右大蓋全自動壓裝中心在壓裝擋圈過程中所選工業(yè)相機檢測精度不夠的問題為背景，以機器視覺為基礎(chǔ)，模擬人類的視覺功能，構(gòu)建了一套擋圈檢測系統(tǒng)。該系統(tǒng)通過一系列的圖像獲取、圖像處理和識別的操作過程，完成對擋圈的自動檢測和識別，彌補裝配中心檢測精度低的缺點，從而減少操作者的勞動量，保證裝配工作正常完成。因此，該系統(tǒng)具有一定的經(jīng)濟(jì)性和實用性價值。

2 圖像采集

圖像采集系統(tǒng)主要由PC機、CMOS照相機和光源組成。根據(jù)文獻(xiàn)[1],描述的圖像采集技術(shù)，同時為了達(dá)到比較好的檢測效果，本文選用大恒工業(yè)相機，型號為DH-HV3151UC，由于所選CMOS照相機為USB2.0接口，可以直接與計算機相連接，無需購買圖像采集卡，減少了成本；光源選用雙LED燈照明，LED燈的能耗非常小，安全穩(wěn)定，同時滿足了本系統(tǒng)的照明要求。在圖像采集的過程中，需要調(diào)整好CMOS照相機與待檢測擋圈之間距離，使CMOS照相機的鏡頭正對待檢測擋圈，同時調(diào)整好LED燈的距離、角度，以達(dá)到良好的照明條件，從而獲得質(zhì)量較好的圖像。其工作過程是，由CMOS照相機對待檢測擋圈進(jìn)行拍照，采集數(shù)字圖像，同時通過USB2.0接口將圖像傳輸?shù)接嬎銠C中進(jìn)行存儲和處理。下圖1是擋圈檢測系統(tǒng)的組成示意圖。

圖1 擋圈檢測系統(tǒng)組成圖

3 圖像處理

圖像處理系統(tǒng)是圖像檢測系統(tǒng)中非常重要的部分。由于外界環(huán)境因素的影響，通過圖像傳感器獲取的待檢測圖像往往質(zhì)量不高，不能夠滿足檢測系統(tǒng)的要求，這就需要對原始圖像首先進(jìn)行濾波等預(yù)處理，如下圖2所示，然后再對圖像進(jìn)行二值化、邊緣檢測等一系列的處理，從而減少外界因素等對待檢測圖像的影響，使獲取的圖像更加清晰，視覺效果更好，局部特征更加明顯，以便進(jìn)行圖像識別和匹配處理。

圖2 圖像處理示意圖

3.1 圖像灰度化

彩色圖像對工件檢測用處不大，同時為了計算方便，一般在進(jìn)行圖像濾波前，將圖像灰度化，通常采用以下公式來將彩色圖像轉(zhuǎn)換成灰度圖像：

G=0.299r+0.587g+0.114b

式中，G為圖像灰度值，r、g、b分別為彩色圖像red、green、blue分量值。如下圖3所示，就是經(jīng)過轉(zhuǎn)換所得的灰度圖像。

3.2 圖像濾波

圖像濾波是圖像預(yù)處理中不可缺少的一步，是在盡量保留圖像細(xì)節(jié)特征的前提下，對原始圖像進(jìn)行去除噪聲的處理。圖像濾波可以提高圖像的質(zhì)量，改善視覺效果，圖像濾波的好壞往往影響到后續(xù)的圖像識別和匹配處理。圖像濾波分為空間域濾波和頻率域濾波，其中，空間域濾波主要分為均值濾波和中值濾波，而頻域濾波有低通和高通濾波之分。

3.2.1 空間均值濾波

空間濾波是一種比較常用的圖像濾波手段，能夠很好的改善圖像質(zhì)量，減少噪聲影響。其中，均值濾波又被稱為平滑線性濾波，主要包括鄰域平均法、加權(quán)平均法和選擇式掩模平滑等常用方法。其中，鄰域均值濾波比較常用[2]。其基本原理，是將原始圖像中像素的灰度值用與該像素相鄰N-1個像素(N為掩模尺寸)灰度值平均值來代替，即假設(shè)濾波器掩模尺寸為M1×M2，

x=0,1,2,…,M1-1;

y=0,1,2,…,M2-1;

f(x,y)為原始 圖像灰度值，

g(x,y)為鄰域均值處理后的圖像灰度值。

3.2.2 空間中值濾波

中值濾波屬于非線性濾波，是統(tǒng)計濾波中典型的一種低通濾波[3]。中值濾波的基本原理是，選定一個滑動窗口M，對窗口內(nèi)像素的灰度值進(jìn)行排序并取中值，然后用該中值來代替指定像素的灰度值，即

g(x,y)=med{f(x-i,y-i)}

med為排序取中值操作；

i,j∈M;

f(x,y)為窗口M內(nèi)各像素灰度值。

應(yīng)該注意的是，一般情況下滑動窗口M內(nèi)的像素取奇數(shù)個，便于取中值；若像素取偶數(shù)個，中值為中間兩個像素灰度值的平均值。

均值濾波可以有效消除部分噪聲干擾，使鄰域內(nèi)像素灰度更加均勻、平滑，但同時也使圖像變得模糊起來，邊緣細(xì)節(jié)不夠清晰；中值濾波克服了均值濾波使圖像模糊化的缺點，能夠在不影響邊緣細(xì)節(jié)的前提下，對噪聲的消除效果非常明顯，尤其是椒鹽噪聲，如下圖4。因此，本系統(tǒng)采用中值濾波來對圖像進(jìn)行濾波處理。

3.3 圖像二值化

為了更好將圖像中待檢測目標(biāo)與背景進(jìn)行區(qū)分，通常需要將圖像進(jìn)行二值化處理。圖像二值化有很多方法，其中最常用的是閾值法，其基本原理是通過設(shè)定二值化處理灰度閾值T，將圖像灰度值大于閾值T的像素f(x,y)用255代替，否則的話用0代替，即：

g(x,y)為二值化之后的圖像，通過上述公式，我們可以清楚的看到，二值化處理之后，原圖像灰度值變成只有0,255的二值圖像。我們將圖像中灰度值為0的部分表示為背景，值為255的部分表示為待檢測目標(biāo)。

閾值法的關(guān)鍵在于閾值的選取，選取閾值的方法主要分為全局閾值法、局部閾值法和動態(tài)閾值法。全局閾值法，顧名思義是在灰度圖像中選取一個固定的閾值來對圖像進(jìn)行二值化處理。全局閾值法簡便易行，抗干擾能力差，通常適用于直方圖中有明顯的雙峰的圖像，而對于照明不均勻等條件下的圖像，其二值化效果不理想。常用的全局閾值法有直方圖分析法和最大類間方差法(Ostu算法)等。局部閾值法是通過選取掩模，根據(jù)目標(biāo)像素鄰域內(nèi)各像素的灰度值來確定目標(biāo)像素的閾值。對于比較復(fù)雜的圖像，局部閾值法的二值化處理效果更好，比較實用；但是容易在個邊界區(qū)域連接處出現(xiàn)灰度斷接的現(xiàn)象。常用的局部閾值法有Niblack算法、Sauvola算法和Bernsen算法等。動態(tài)閾值法閾值的選取較局部閾值法來說，還跟目標(biāo)像素在圖像中的位置有關(guān)。動態(tài)閾值法實際上是改進(jìn)的局部閾值法，它能夠處理背景和待檢測目標(biāo)區(qū)分比較困難的圖像，通常其運算量比較大。常用的動態(tài)閾值法[4]有Chow算法和 Kaneko算法等。

3.3.1 直方圖分析法

直方圖分析法是一種比較簡單的選取二值化閾值的方法，其基本原理是通過灰度圖像的直方圖，尋找兩波峰之間的最低點，即波谷灰度值來作為二值化的閾值[5]，對于本系統(tǒng)來說這種方法效果不是很理想。

3.3.2 最大類間方差法(Ostu算法)

Ostu算法是一種經(jīng)典的全局二值化算法，它簡便高效穩(wěn)定，在工業(yè)化生產(chǎn)中非常實用。最大類間方差法能夠在整幅圖像中，自動選取最優(yōu)的二值化閾值[6]。其基本原理是，假定選取一個任意灰度值t(0≤t≤L)，t將整幅圖像的灰度值分為兩類A0和A1，A0灰度值在(0，t)范圍內(nèi)，A1灰度值在(t+1，L)范圍內(nèi)，假設(shè)整幅圖像有N個像素，灰度值為i的像素有ni個，則灰度值i出現(xiàn)的概率pi為pi=ni/N，那么A0和A1兩類像素出現(xiàn)的概率為，

A0和A1兩類像素的均值為，

類間方差為，

σ2(t)=ω0ω1(μ0-μ1)2

使類間方差最大的假定灰度值t，便是我們要找的最優(yōu)二值化閾值T。此時兩類像素的灰度值差別最大，所以能夠很好地將圖像的背景和待檢測目標(biāo)區(qū)分開，便于我們對目標(biāo)進(jìn)行識別。

3.4 邊緣檢測

為了更好的檢測出擋圈的輪廓，需要對其二值圖像進(jìn)行邊緣檢測，以提取圖像的邊緣輪廓特征。邊緣檢測是圖像處理中的重要部分，它是模仿人類視覺系統(tǒng)識別目標(biāo)的過程，通過算法將目標(biāo)圖像的邊緣特征值提取出來，再根據(jù)這些特征值來判斷待檢測目標(biāo)是否滿足要求。邊緣檢測的檢測算法有很多，常用的有Sobel算子、拉普拉斯算子(Laplacian算子)和坎尼算子(Canny算子)等。

3.4.1 Sobel算子

Sobel算子是一種一階微分算子，它具有橫向、縱向兩個3×3矩陣，如表1所示，以這兩個矩陣為核與原始圖像中的每個像素點作卷積和運算，然后通過選取合適的閾值進(jìn)行邊緣檢測[7]。Sobel算子的公式如下：

其中，偏導(dǎo)數(shù)Gx、Gy可分別由卷積模板求得，表2為目標(biāo)像素鄰域。

表1 Sobel算子

表2 目標(biāo)像素鄰域

Gx=(m1+2m2+m3)-(m7+2m8+m9)

Gy=(m1+2m4+m7)-(m3+2m6+m9)

Sobel算子簡便易行，同時由于只有橫縱兩個方向的模板，只能檢測水平和垂直方向的邊緣，因此，對于檢測紋理比較復(fù)雜的圖像邊緣，其效果并不是很理想。

3.4.2 拉普拉斯算子(Laplacian算子)

拉普拉斯算子是一種二階導(dǎo)數(shù)算子，其公式由以下式子給出：

▽2f(x,y)=-[f(x+1,y)+f(x-1,y)+

f(x,y+1)+f(x,y-1)]-4f(x,y)

可以將其表示為以下形式：

▽2f(x,y)=4m5-(m2+m4+m6+m8)

拉普拉斯算子的3×3模板對應(yīng)的中心像素系數(shù)為正，而中心像素周圍像素系數(shù)則為負(fù)，并且系數(shù)之和要求為0。表3為拉普拉斯算子常用的一個模板。

表3 拉普拉斯算子

圖像經(jīng)過二階微分之在邊緣處會產(chǎn)生一個陡峭的零交叉，可以根據(jù)這個零交叉來判斷圖像的邊緣。拉普拉斯算子是二階算子，對噪聲十分敏感，會產(chǎn)生雙邊效果，不能檢測出邊的方向，通常不直接用于邊的檢測，只起輔助的作用，用來檢測一個像素是在邊亮的一邊還是暗的一邊。為了克服這一缺點，將高斯平滑濾波器與拉普拉斯銳化濾波器結(jié)合起來，從而產(chǎn)生高斯拉普拉斯算子(LOG算子)[8]，即先對圖像進(jìn)行高斯濾波，再進(jìn)行邊緣檢測，效果更好。LOG算子常用如表4所示的5×5模板。

表4 LOG算子

3.4.3 坎尼算子(Canny算子)

Canny算子是一種經(jīng)典的一階邊緣檢測算子，其邊緣檢測的方法是尋找圖像梯度的局部極大值[9]。該方法的實質(zhì)是，用一個準(zhǔn)高斯函數(shù)對圖像作平滑運算

fs=f(x,y)×G(x,y)

然后以帶方向的一階微分算子定位導(dǎo)數(shù)最大值。Canny算子不易受到噪聲的干擾，能夠檢測到真正的弱邊緣。

4 圖像識別

圖像識別，是指利用計算機對圖像進(jìn)行處理、分析和理解，以識別各種不同模式的目標(biāo)和對像的技術(shù)。圖像識別也稱模式識別，是以圖像的主要特征為基礎(chǔ)，從而對目標(biāo)進(jìn)行識別和分類。

圖像識別的關(guān)鍵在于對圖像特征的提取與分析，圖像特征提取是對圖像目標(biāo)邊緣的周長、面積、圓形度等特征進(jìn)行測量，測量得到的特征值可以組成特征向量，從而作為特征提取與分類的依據(jù)。統(tǒng)計模式識別是目前最成熟也是應(yīng)用最為廣泛的一種圖像識別方法，它是通過對目標(biāo)圖像進(jìn)行大量測量統(tǒng)計分析，找出其特征規(guī)律性，并由此選擇能夠反映圖像本質(zhì)的特征來進(jìn)行識別與分類。本文利用最小距離分類器來對目標(biāo)圖像進(jìn)行分類，其分類過程如下：

(1)求出當(dāng)前模式的平均向量

式中，Ni為wi類模式向量的個數(shù)，m為模式類的數(shù)目。

(2)計算歐幾里得距離

根據(jù)Di(x)的值來對向量 進(jìn)行歸類，Di(x)的值是最小距離時，把向量 歸到wi類。

通過這種最小距離分類器可以將目標(biāo)圖像進(jìn)行分類，從而對待檢測的擋圈進(jìn)行分類，識別其是否滿足要求。

5 實驗對比與分析

本文使用MATLAB作為實驗系統(tǒng)的仿真工具，通過對比圖像處理效果來確定系統(tǒng)所采用的圖像處理方案[10]。

通過CMOS照相機獲取圖像，同時利用USB2.0接口將圖像傳輸?shù)接嬎銠C中進(jìn)行存儲和處理，獲得如圖3所示的原始灰度圖像。然后，經(jīng)過中值濾波處理，使圖像更加平滑，對比度更加明顯，顯示效果可以在圖4中看到。

圖像經(jīng)過中值濾波后，我們需要對圖像進(jìn)行二值化處理，從而將圖像中待檢測目標(biāo)與背景區(qū)分開來。首先我們用直方圖分析法，求出中值濾波直方圖后。根據(jù)直方圖，我們可以找到兩個比較明顯的波峰，如圖5，然后取其中的波谷，作為我們的二值化閾值，即T=0.16，所得二值化圖像如圖6(a)所示，我們可以看到，用這種直方圖分析法獲得的二值化圖像比較模糊,有很多不必要的輪廓，顯示效果不是很好。

圖3 原始灰度圖像

圖4 中值濾波圖像

圖6(b)所示的圖像為通過Ostu算法得到的二值化圖像，我們可以清楚的看到，較之直方圖分析法所得的二值化圖像，更加清晰，輪廓細(xì)節(jié)更加具體，效果比較理想，滿足我們的實驗要求。因此，我們采用Ostu算法來作為系統(tǒng)圖像二值化的處理方法。

圖5 中值濾波直方圖

(a) 直方圖分析法 (b) Ostu算法 圖6 二值化圖像

經(jīng)過二值化處理之后，我們可以清楚的看到，待檢測圖像已經(jīng)基本與背景區(qū)分開來，然后我們對二值化圖像進(jìn)行邊緣檢測，以得到擋圈圖像的輪廓。本文中我們采用3種不同的檢測方法來進(jìn)行對比實驗。通過圖7的邊緣檢測圖像我們可以看到，前兩張圖像圖11(a)、(b)中的待檢測邊緣有很多沒有分辨出來，并且產(chǎn)生了一些偽邊緣，不利于后期的圖像識別處理。而最后一張圖像圖7(c)雖然去除了部分偽邊緣，識別出了一部分弱邊緣；但是，我們看到部分細(xì)節(jié)輪廓丟失，需要進(jìn)一步對算法進(jìn)行改進(jìn)。

圖7(a) Sobel算子邊緣檢測

圖7(b) LOG算子邊緣檢測

圖7(c) Canny算子邊緣檢測

6 結(jié)束語

(1)構(gòu)建了一種簡單的擋圈自動識別檢測系統(tǒng)，通過實驗對獲取的圖像進(jìn)行了處理和檢測。

(2)通過對比實驗，找到了適合本系統(tǒng)的圖像處理方法，制定出系統(tǒng)的圖像處理方案。

(3)本系統(tǒng)的邊緣檢測結(jié)果不是很理想，需要對其算法進(jìn)行進(jìn)一步的完善和研究，以去掉無關(guān)的圖像邊緣。

(4)系統(tǒng)還需要對圖像作進(jìn)一步的識別優(yōu)化處理。

[1] 劉煥軍,王耀南,段 峰. 機器視覺中的圖像采集技術(shù)[J].電腦與信息技術(shù),2003,1:18-20.

[2] 王俊芳,王正芳,王敏. 常用圖像去噪濾波方法比較[J]. 現(xiàn)代商貿(mào)工業(yè),2009,16(1):310-311.

[3] 余文勇,石繪. 機器視覺自動檢測技術(shù)[M].北京:化學(xué)工業(yè)出版社,2013:94.

[4] 李剛,宋文靜. 基于圖像直方圖的車牌圖像二值化方法研究[J].交通運輸系統(tǒng)工程與信息,2009,9(1):113-116.

[5] 張?zhí)锾? 基于機器視覺的啤酒瓶瓶口檢測系統(tǒng)的研究[D].濟(jì)南:山東科技大學(xué),2009:18-20.

[6] 何東健. 數(shù)字圖像處理[M].第二版.西安:西安電子科技大學(xué)出版社,2008:84-85.

[7] 袁春蘭,熊宗龍,周雪花等. 基于Sobel算子的邊緣檢測研究[J].激光與紅外,2009,39(1):85-87.

[8] 李小紅. 基于LOG濾波器的圖像邊緣檢測算法的研究[J].計算機應(yīng)用與軟件,2005,22(5):107-108.

[9] 陳宏希. 基于邊緣保持平滑濾波的canny算子邊緣檢測[J].蘭州交通大學(xué)學(xué)報,2006,25(1):86-90.

[10] 李武. Matlab中圖像邊緣檢測算法研究[J].北京測繪,2014,3.

2015-11-10

重慶市科技攻關(guān)計劃項目(CSTC，2009AB6239)

高曉東(1990—)，男，重慶人，碩士研究生，主要從事機械電子工程研究；羅宏(1963—)，男，重慶人，教授，主要從事專用裝備自動化研究。

10.3969/j.issn.1000-6133.2015.06.005

TN784

A

1000-6133(2015)06-0023-06