基于雙目標(biāo)識(shí)別和準(zhǔn)直數(shù)學(xué)模型改進(jìn)的光路自動(dòng)準(zhǔn)直方法

郭嘉富，王拯洲，段亞軒，王力，謝正茂

（1 中國科學(xué)院西安光學(xué)精密機(jī)械研究所，西安 710119）（2 中國科學(xué)院大學(xué)，北京 100049）

0 引言

聚變能源是一種取之不盡的清潔能源，而慣性約束核聚變（Inertial Confinement Fusion，ICF）是獲得聚變能源的一個(gè)重要途徑。由于ICF裝置包含大量的光學(xué)、電學(xué)組件及復(fù)雜的機(jī)械結(jié)構(gòu)，為確保系統(tǒng)每次運(yùn)行時(shí)從振蕩器發(fā)出的激光束能夠穩(wěn)定、精確地照射到微型靶丸上，都毫無例外地配置了光束自動(dòng)準(zhǔn)直系統(tǒng)［1］。

中國某大型激光裝置共包含8路光束，每次物理實(shí)驗(yàn)8路光束都需要依次完成三個(gè)準(zhǔn)直流程，分別是光路自準(zhǔn)直、模擬光準(zhǔn)直和光路對(duì)接準(zhǔn)直。根據(jù)光路準(zhǔn)直原理［2-4］，光路準(zhǔn)直單元模型主要包含以下步驟：1）判讀或者識(shí)別準(zhǔn)直圖像的光學(xué)目標(biāo)中心；2）將光學(xué)目標(biāo)與基準(zhǔn)的圖像偏差轉(zhuǎn)化為將光學(xué)目標(biāo)中心移動(dòng)到目標(biāo)位置所需要調(diào)整的X、Y方向電機(jī)步數(shù)；3）移動(dòng)X、Y方向電機(jī)；4）重復(fù)步驟1）～3），直到光學(xué)目標(biāo)中心與基準(zhǔn)的像素偏差小于誤差閾值為止。

然而，隨著物理實(shí)驗(yàn)的不斷深入，大型激光裝置光路對(duì)接準(zhǔn)直流程開始面臨一些新的問題：1）光學(xué)目標(biāo)個(gè)數(shù)發(fā)生變化。以前的光路對(duì)接準(zhǔn)直流程是先關(guān)閉模擬光源再引導(dǎo)主激光實(shí)現(xiàn)準(zhǔn)直，對(duì)接準(zhǔn)直圖像中只有1個(gè)主激光目標(biāo)。現(xiàn)在，為了減少主激光目標(biāo)的漂移對(duì)準(zhǔn)直精度的影響，不再關(guān)閉模擬光源，這使得一幅光路對(duì)接準(zhǔn)直圖像中同時(shí)包含模擬光和主激光兩個(gè)光學(xué)目標(biāo)。2）光路準(zhǔn)直數(shù)學(xué)模型的變化。新的光路準(zhǔn)直數(shù)學(xué)模型，不僅要體現(xiàn)出雙光學(xué)目標(biāo)的特點(diǎn)，還要改進(jìn)收斂條件，即需要判斷主激光中心與目標(biāo)位置中心之間的距離是否小于給定的誤差閾值，而不是直接用光學(xué)目標(biāo)中心坐標(biāo)與基準(zhǔn)像素偏差和設(shè)定的誤差閾值作比較。3）對(duì)準(zhǔn)直效率和時(shí)間提出了新的要求。以前大型裝置的對(duì)接準(zhǔn)直流程是不同光路串行執(zhí)行的，極大地影響了準(zhǔn)直效率，并行準(zhǔn)直是提高光路準(zhǔn)直效率、降低準(zhǔn)直時(shí)間最直接有效的手段。

分析光路對(duì)接準(zhǔn)直圖像的特征，將其應(yīng)用于準(zhǔn)直圖像的雙目標(biāo)識(shí)別算法中是完成光路對(duì)接準(zhǔn)直的關(guān)鍵和前提。光路對(duì)接準(zhǔn)直圖像具有以下特點(diǎn)：1）圖像中包含模擬光目標(biāo)和主激光目標(biāo)2個(gè)光學(xué)目標(biāo)；2）模擬光目標(biāo)光束質(zhì)量較好，為實(shí)心的圓形光斑，光學(xué)目標(biāo)較小，光斑直徑大約40個(gè)像素；3）主激光目標(biāo)光束質(zhì)量較差，光斑形狀極其不規(guī)則，主要表現(xiàn)為光束存在不確定的紋理、邊緣曲折、非連續(xù)、合計(jì)面積較大；4）主激光目標(biāo)光強(qiáng)分布很不穩(wěn)定，光斑形狀、強(qiáng)弱、位置等會(huì)隨時(shí)間變化；5）模擬光目標(biāo)和主激光目標(biāo)的大小、相對(duì)位置、強(qiáng)弱不確定，而且會(huì)隨著光路準(zhǔn)直過程發(fā)生變化。

結(jié)合光路對(duì)接準(zhǔn)直圖像的特點(diǎn)，對(duì)幾種傳統(tǒng)激光光斑識(shí)別算法和主流的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法進(jìn)行分析，尋求滿足精度和效率等要求的雙光學(xué)目標(biāo)識(shí)別算法。傳統(tǒng)的激光光斑檢測(cè)方法主要包括重心法、Hough變換法［2］及圓擬合法［3-4］等。重心法直接將二值化圖像的像素點(diǎn)代入質(zhì)心公式計(jì)算光斑中心，該方法雖然原理簡(jiǎn)單，但容易受光斑形狀的影響，且無法給出半徑參數(shù)。1999年，楊耀全等［2］將Hough變換應(yīng)用于激光光斑檢測(cè)，通過將光斑的邊緣像素點(diǎn)從圖像空間映射到參數(shù)空間，得到圓形光斑的中心、半徑等信息，但受限于參數(shù)空間離散化和投票機(jī)制等原因，該方法計(jì)算時(shí)間長(zhǎng)、精度較差。2002年，孔兵等［3］根據(jù)最小二乘原理，利用圓來逼近激光光斑的輪廓，進(jìn)行激光光斑檢測(cè)。在此基礎(chǔ)上，學(xué)者們不斷對(duì)其進(jìn)行改進(jìn)［5-7］。該類方法對(duì)于圓形的規(guī)則光斑，擬合效果較好，但對(duì)于不規(guī)則光斑，如光路對(duì)接準(zhǔn)直過程采集的主激光光斑，擬合效果較差。根據(jù)上述分析，傳統(tǒng)的激光光斑檢測(cè)方法魯棒性差，而且只能處理單個(gè)光學(xué)目標(biāo)，無法直接處理包含兩個(gè)光學(xué)目標(biāo)的準(zhǔn)直圖像。

近些年，隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的再次興起，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法逐漸成為目標(biāo)檢測(cè)領(lǐng)域的主流方法?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)可以分為單階段目標(biāo)檢測(cè)和雙階段目標(biāo)檢測(cè)。雙階段目標(biāo)檢測(cè)起步于2014年，GIRSHICK R等［8］提出了R-CNN算法（Regions with CNN features），該算法通過對(duì)圖像使用選擇性搜索生成候選區(qū)域，將候選區(qū)域送入CNN進(jìn)行特征提取，使用支持向量機(jī)（Support Vector Machine，SVM）對(duì)提取的特征進(jìn)行分類，再利用邊框回歸對(duì)候選框位置進(jìn)行修正，最終實(shí)現(xiàn)目標(biāo)檢測(cè)。受何愷明等［9］空間金字塔池化網(wǎng)絡(luò)（Spatial Pyramid Pooling Networks，SPPNet）思想的啟發(fā)，GIRSHICK R等又于2015年提出了Fast R-CNN［10］和Faster R-CNN［11］等模型，對(duì)R-CNN系列不斷進(jìn)行補(bǔ)充和完善，真正實(shí)現(xiàn)了端到端的目標(biāo)檢測(cè)。2015年，REDMON J等［12］提出了單階段目標(biāo)檢測(cè)的經(jīng)典算法：YOLO（You Only Look Once），使用一個(gè)CNN網(wǎng)絡(luò)直接預(yù)測(cè)不同目標(biāo)的類別與位置。此后，學(xué)者們?cè)赮OLO基礎(chǔ)上不斷改進(jìn)［13-14］，YOLO系列目標(biāo)檢測(cè)的精度和速度獲得了很大提高。然而，由于高成本、保密性要求等方面的原因，獲取足夠多的光路對(duì)接準(zhǔn)直圖像具有很大的困難，在數(shù)據(jù)集較少的情況下，訓(xùn)練CNN模型具有很大的困難，這種情況下，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的精度勢(shì)必會(huì)受到很大影響。此外，將上述方法應(yīng)用于主激光目標(biāo)和模擬光目標(biāo)的識(shí)別還會(huì)伴隨很大程度的計(jì)算冗余和性能浪費(fèi)。因此，本文光路對(duì)準(zhǔn)流程的雙目標(biāo)識(shí)別暫不考慮深度學(xué)習(xí)方法。

綜合上述分析，為滿足大型激光裝置對(duì)光路對(duì)接準(zhǔn)直圖像處理、光路準(zhǔn)直數(shù)學(xué)模型變化、光路準(zhǔn)直效率和時(shí)間等方面的要求，本文主要從以下三個(gè)方面進(jìn)行改進(jìn)：1）在傳統(tǒng)光斑目標(biāo)檢測(cè)方法的基礎(chǔ)上進(jìn)行改進(jìn)，實(shí)現(xiàn)雙光學(xué)目標(biāo)識(shí)別；2）構(gòu)建新的多光路、雙目標(biāo)自動(dòng)準(zhǔn)直數(shù)學(xué)模型。在原有的大型激光裝置中，8路光束的自動(dòng)準(zhǔn)直都是采用相同的電機(jī)單元準(zhǔn)直模型［15-16］，該單元準(zhǔn)直模型存在明顯的不足之處是：一是原有的數(shù)學(xué)模型中準(zhǔn)直圖像的光學(xué)目標(biāo)是唯一的；二是原有數(shù)學(xué)模型僅針對(duì)單個(gè)光束；三是原有數(shù)學(xué)模型中沒有體現(xiàn)針對(duì)多個(gè)光學(xué)目標(biāo)的識(shí)別算法。3）提高準(zhǔn)直效率，降低準(zhǔn)直時(shí)間。對(duì)于光路準(zhǔn)直效率和時(shí)間來說，大型激光裝置要求8路準(zhǔn)直時(shí)間小于5 min，其中每一幅圖像處理時(shí)間必須小于1 s，本文從數(shù)學(xué)模型和準(zhǔn)直模式兩個(gè)方面進(jìn)行優(yōu)化，對(duì)多個(gè)光路進(jìn)行并行準(zhǔn)直，以減少光路準(zhǔn)直的時(shí)間。

針對(duì)以上需求，本文提出了基于雙目標(biāo)識(shí)別和準(zhǔn)直數(shù)學(xué)模型改進(jìn)的光路自動(dòng)準(zhǔn)直方法。首先，提出基于圓擬合的雙光學(xué)目標(biāo)識(shí)別算法，實(shí)現(xiàn)了光路對(duì)接準(zhǔn)直圖像中主激光目標(biāo)和模擬光目標(biāo)的識(shí)別；其次，構(gòu)建新的多光路、雙目標(biāo)自動(dòng)準(zhǔn)直數(shù)學(xué)模型，為光路準(zhǔn)直中各個(gè)準(zhǔn)直參數(shù)的標(biāo)定和計(jì)算提供指導(dǎo)；最后，通過對(duì)多個(gè)光路進(jìn)行并行準(zhǔn)直，提高光路對(duì)接準(zhǔn)直流程的效率。

1 理論背景

1.1 基于最小二乘法圓擬合的雙目標(biāo)識(shí)別算法

基于圓擬合的雙目標(biāo)識(shí)別算法主要步驟為：1）預(yù)處理；2）BLOB區(qū)域圖像裁剪及邊緣檢測(cè)；3）基于最小二乘圓擬合法進(jìn)行目標(biāo)識(shí)別。設(shè)其中一路光路對(duì)接準(zhǔn)直圖像f(x，y)，它是尺寸大小為1600×1200的8位BMP圖像。

1.1.1 預(yù)處理

1）二值化

為便于統(tǒng)計(jì)準(zhǔn)直圖像的特征信息，使用最大類間方差法（OTSU）將原始圖像f(x，y)進(jìn)行二值化處理，表示為

式中，OTSU表示最大類間方差法，(x，y)表示圖像坐標(biāo)。

2）數(shù)字形態(tài)學(xué)處理

光路對(duì)接準(zhǔn)直圖像中包含兩個(gè)光學(xué)目標(biāo)，兩個(gè)目標(biāo)具有不同的特點(diǎn)：模擬光目標(biāo)為光束質(zhì)量較好的圓形光斑；主激光目標(biāo)為紋理不規(guī)則、邊緣曲折、非連續(xù)、面積較大的光斑。為了便于對(duì)模擬光目標(biāo)和主激光目標(biāo)進(jìn)行識(shí)別，需要將包含不規(guī)則紋理的主激光目標(biāo)合并為一個(gè)面積更大的、較完整的連通域。合并通過膨脹運(yùn)算完成，膨脹采用的結(jié)構(gòu)單元如矩陣B所示

對(duì)二值化圖像進(jìn)行膨脹處理，表示為

3）BLOB區(qū)域特征信息提取

二進(jìn)制大對(duì)象（Binary Large Object，BLOB）區(qū)域，是指圖像中具有相似特征（如紋理、顏色等），且在空間上是相互連通的像素集合，即連通域。通過BLOB分析可將目標(biāo)物體與背景分離，進(jìn)而提取物體特征參數(shù)，例如重心、面積、水平/垂直方向上的尺寸等等。

本文使用的目標(biāo)識(shí)別方法需要對(duì)不同的BLOB區(qū)域進(jìn)行裁剪和邊緣檢測(cè)，因此重點(diǎn)關(guān)注每個(gè)BOLB區(qū)域的水平/垂直方向尺寸和重心。BLOB特征信息提取表示為

式中，BlobRecognize為BLOB特征提取函數(shù)，對(duì)于每個(gè)BLOB來說，參數(shù)/特征信息提取的結(jié)果包括：area（面積）、centerx（中心坐標(biāo)x方向）、centery（中心坐標(biāo)y方向）、lenx（x方向軸長(zhǎng)）、leny（y方向軸長(zhǎng)）、fit_radius（擬合圓半徑）。一幅準(zhǔn)直圖像每個(gè)BLOB區(qū)域的特征信息存儲(chǔ)在鏈表中，BLOB區(qū)域和鏈表相同，用blobcount表示，每個(gè)BLOB區(qū)域的面積、X、Y方向軸長(zhǎng)、中心坐標(biāo)表示為

式中，endsNumber為鏈表對(duì)應(yīng)的線段表個(gè)數(shù)，即行數(shù)，pPoint[k].x為水平線段表起始位置，pPoint[k+1].x為水平線段表終點(diǎn)位置，point_sum為BLOB區(qū)域包含的像素個(gè)數(shù)。

1.1.2 BLOB區(qū)域裁剪和邊緣檢測(cè)

對(duì)每個(gè)BOLB區(qū)域進(jìn)行邊緣檢測(cè)之前，需要將每個(gè)BLOB區(qū)域從原始尺寸的fdilate(x，y)圖像中裁剪出來。由于經(jīng)過二值化和膨脹運(yùn)算，fdilate(x，y)圖像的每個(gè)BLOB區(qū)域尺寸比原先尺寸大。因此，所選擇的BLOB區(qū)域裁剪范圍是BLOB區(qū)域水平和垂直軸長(zhǎng)的2倍。對(duì)于每個(gè)BLOB區(qū)域來說，裁剪圖像表示為

式中，i表示BLOB區(qū)域編號(hào)，滿足0＜i＜blobcount，blobcount表示BLOB區(qū)域個(gè)數(shù)表 示 第i個(gè)BLOB區(qū)域。緊接著對(duì)每一個(gè)BLOB區(qū)域裁剪圖像用Sobel算法進(jìn)行邊緣檢測(cè)，邊緣檢測(cè)函數(shù)表示為

1.1.3 基于最小二乘圓擬合法的目標(biāo)識(shí)別

使用基于最小二乘圓擬合的目標(biāo)識(shí)別基本思路為：1）統(tǒng)計(jì)每幅裁剪圖像fiblob_cut(x，y)中BLOB區(qū)域?qū)?yīng)像素的灰度值之和sum_all；2）將每一個(gè)BLOB區(qū)域邊緣檢測(cè)后的圖像fisobel_cut(x，y)作為輸入數(shù)據(jù)，使用FitCircle算法，擬合出每個(gè)BLOB區(qū)域邊緣對(duì)應(yīng)的圓心和半徑；3）統(tǒng)計(jì)每個(gè)BLOB區(qū)域裁剪圖像fiblob_cut(x，y)中位于擬合圓內(nèi)像素的灰度值之和sum_inner；4）計(jì)算每個(gè)BLOB區(qū)域?qū)?yīng)的圓擬合系數(shù)fit_ratio=sum_inner/sum_all；5）從所有BLOB區(qū)域中搜索面積最大的兩個(gè)BLOB區(qū)域，作為主激光目標(biāo)和模擬光目標(biāo)的候選目標(biāo)；6）比較候選目標(biāo)的圓擬合系數(shù)和BLOB區(qū)域數(shù)目，圓擬合系數(shù)較大且BLOB數(shù)目較少的為模擬光目標(biāo)，圓擬合系數(shù)較小且BLOB數(shù)目較大的為主激光目標(biāo)。

基于以上思路，將基于圓擬合的目標(biāo)識(shí)別算法模型化，識(shí)別過程主要分為圓擬合算法、圓擬合系數(shù)計(jì)算、圓擬合系數(shù)比較3個(gè)步驟。另外，針對(duì)特殊情況下主激光目標(biāo)和模擬光目標(biāo)圓擬合系數(shù)差別較小的問題，增加了新的特征參數(shù)——BLOB區(qū)域數(shù)目，作為基于圓擬合的雙目標(biāo)識(shí)別算法的補(bǔ)充，以保證識(shí)別算法的有效性。

1）基于最小二乘的圓擬合算法

通過邊緣檢測(cè)，每個(gè)BLOB區(qū)域邊緣圖像(x，y)中邊緣像素的灰度值為255，其他灰度值都為0。設(shè)邊緣點(diǎn)個(gè)數(shù)為N，將所有邊緣點(diǎn)的X和Y方向坐標(biāo)保存在數(shù)組p，q中，每一個(gè)邊緣坐標(biāo)可表示為(pj，qj)，其中p(j)=x，q(j)=y，0≤j＜N。圓擬合公式表示為

式中，圓心坐標(biāo)a，b和半徑r，與特征信息提取結(jié)果的對(duì)應(yīng)關(guān)系為：a=fit_centerx(i)，b=fit_centery(i)，r=fit_radius(i)。

2）圓擬合系數(shù)計(jì)算

3）圓擬合系數(shù)比較

BLOB區(qū)域從所有BLOB區(qū)域中搜索面積最大的兩個(gè)BLOB區(qū)域，作為主激光目標(biāo)和模擬光目標(biāo)的候選目標(biāo)，表示為

式中，area(i)表示第i個(gè)BLOB區(qū)域的面積，m、n分別為面積最大的和面積第二大的BLOB區(qū)域?qū)?yīng)的區(qū)域編號(hào)。

確定兩個(gè)候選目標(biāo)之后，比較對(duì)應(yīng)的圓擬合系數(shù)fit_ratio，圓擬合系數(shù)較大的是模擬光目標(biāo)，目標(biāo)識(shí)別標(biāo)志為1，圓擬合系數(shù)較小的是主激光目標(biāo)，目標(biāo)識(shí)別標(biāo)志為2，對(duì)應(yīng)的數(shù)學(xué)表達(dá)式為

4）BLOB區(qū)域數(shù)目統(tǒng)計(jì)

當(dāng)準(zhǔn)直圖像中模擬光目標(biāo)為較為標(biāo)準(zhǔn)的圓形，而主激光目標(biāo)為不規(guī)則的光斑時(shí)，上述基于圓擬合的雙目標(biāo)識(shí)別算法能取得不錯(cuò)的效果。然而，對(duì)于一些特殊情況，例如，當(dāng)模擬光源輸出不穩(wěn)定以及光路傳輸中光學(xué)元件干擾較強(qiáng)時(shí)，準(zhǔn)直CCD探測(cè)到的模擬光目標(biāo)是一個(gè)不規(guī)則的實(shí)心目標(biāo)。此時(shí)，根據(jù)上述方法求得的圓擬合系數(shù)相差很小，目標(biāo)識(shí)別效果會(huì)受到很大影響。這就需要結(jié)合其他特征進(jìn)行綜合判斷，以提升特殊情況下目標(biāo)識(shí)別的準(zhǔn)確率。

進(jìn)一步分析兩個(gè)光學(xué)目標(biāo)的特征發(fā)現(xiàn)兩個(gè)光學(xué)目標(biāo)對(duì)應(yīng)的二值圖像包含的連通域個(gè)數(shù)是不同的。模擬光目標(biāo)是一個(gè)實(shí)心的、目標(biāo)區(qū)域連續(xù)、區(qū)域中心無孔洞的光學(xué)目標(biāo)，只包含一個(gè)連通域，而主激光目標(biāo)是一個(gè)非實(shí)心的、目標(biāo)區(qū)域不連續(xù)、區(qū)域中心包含許多空洞的光學(xué)目標(biāo)，包含多個(gè)連通域。定義BLOB區(qū)域數(shù)目=候選目標(biāo)的目標(biāo)區(qū)域中包含的連通域數(shù)目，其中目標(biāo)區(qū)域指的是候選目標(biāo)在二值圖像中對(duì)應(yīng)的區(qū)域，目標(biāo)區(qū)域的尺寸、重心等信息由本文1.1.1（3）BLOB特征提取結(jié)果決定。

根據(jù)以上分析，將BLOB區(qū)域數(shù)目作為圓擬合系數(shù)的補(bǔ)充，并將兩個(gè)特征參數(shù)結(jié)合，共同作為基于圓擬合的雙目標(biāo)識(shí)別方法的判決參數(shù)，以確保目標(biāo)識(shí)別方法具有較高的準(zhǔn)確率，即

式中，BLOBcount（i）表示第i（i=1，2）個(gè)候選目標(biāo)的目標(biāo)區(qū)域 所 含BLOB區(qū)域 的 數(shù) 目。fit_ratio較大且BLOBcount較小的為模擬光目標(biāo)，識(shí)別標(biāo)志置為1；fit_ratio較小且BLOBcount較大的為主激光目標(biāo)，識(shí)別標(biāo)志置為2。

經(jīng)過步驟（1）到步驟（4），實(shí)現(xiàn)了對(duì)1幅準(zhǔn)直圖像的模擬光目標(biāo)和主激光目標(biāo)的識(shí)別。由于大型激光裝置的8路光束都需要對(duì)接準(zhǔn)直，將8路圖像的目標(biāo)識(shí)別結(jié)果表示為

式中，k表示光路編號(hào)，式（13）中Basexy、Centerxy和fit_flag的所有元素構(gòu)建成一個(gè)8×6的矩陣。該矩陣不僅包含了8幅準(zhǔn)直圖像的主激光中心和模擬光中心（1～4列），也包含了目標(biāo)識(shí)別標(biāo)志（第5～6列）。該算法是一個(gè)基于多光路的雙目標(biāo)識(shí)別算法，因此適用于大型激光裝置8路光路對(duì)接準(zhǔn)直流程中的雙目標(biāo)識(shí)別。將8路光束對(duì)應(yīng)的光路對(duì)接準(zhǔn)直圖像雙目標(biāo)識(shí)別函數(shù)表示為

式中，輸入I為8幅1600×1200圖像，輸出值分別為模擬光中心Basexy、主激光中心Centerxy和目標(biāo)識(shí)別標(biāo)志fit_flag，其中Basexy、Centerxy和fit_flag都是8×2矩陣。

1.2 多光路、雙光學(xué)目標(biāo)光路準(zhǔn)直數(shù)學(xué)模型

雙光學(xué)目標(biāo)光路準(zhǔn)直數(shù)學(xué)模型就是以準(zhǔn)直圖像fk(x，y)（k=1，2，…8）為輸入，在對(duì)光學(xué)目標(biāo)進(jìn)行成功識(shí)別的前提下，將主激光目標(biāo)中心Centerxy與目標(biāo)位置中心Targetxy的像素偏差量ΔPixelxy轉(zhuǎn)化為X、Y方向電機(jī)需要調(diào)整的步數(shù)ΔStepxy，重復(fù)圖1中的步驟①到⑦，直到每路光束的主激光中心位置與目標(biāo)位置之間距離Δr都小于誤差閾值δ2，多光路光束的準(zhǔn)直任務(wù)才算完成。雙光學(xué)目標(biāo)光路準(zhǔn)直數(shù)學(xué)模型如圖1所示。

圖1 雙光學(xué)目標(biāo)光路對(duì)接準(zhǔn)直數(shù)學(xué)模型Fig.1 Dual-target optical docking alignment mathematical model

1）光學(xué)目標(biāo)識(shí)別函數(shù)，如步驟①所示。其中，fk(x，y)為準(zhǔn)直圖像，k表示光路編號(hào)，Basexy為模擬光目標(biāo)中心，Centerxy為主激光目標(biāo)中心。

2）計(jì)算主激光目標(biāo)中心和模擬光中心的偏差量Δxy，如步驟②所示。

3）計(jì)算準(zhǔn)直目標(biāo)位置Targetxy，Targetxy的數(shù)值是模擬光目標(biāo)中心Basexy與同軸偏差值Offsetxy之和，如步驟③所示，Offsetxy表示主激光束與模擬光束X方向和Y方向的偏差，可通過實(shí)驗(yàn)標(biāo)定獲得。

4）計(jì)算將主激光中心Centerxy移動(dòng)到目標(biāo)位置Targetxy的像素偏差值ΔPixelxy，如步驟④所示。

在光路對(duì)接準(zhǔn)直過程中，主要調(diào)整主激光中心Centerxy，但由于模擬光束存在一定的漂移現(xiàn)象，模擬光目標(biāo)中心Basexy不是固定不變的，是隨著時(shí)間在小范圍內(nèi)變化的。因此，目標(biāo)位置是一個(gè)動(dòng)態(tài)變化的值，等于模擬光目標(biāo)中心Basexy與像素偏差Offsetxy之和。

5）計(jì)算將主激光中心Centerxy移動(dòng)到目標(biāo)位置Targetxy所需調(diào)整的電機(jī)步數(shù)Stepxy，如步驟⑤所示。Ratioxy為XY方向電機(jī)移動(dòng)步數(shù)與CCD相機(jī)的像素移動(dòng)數(shù)之間的比例系數(shù)，當(dāng)該比例系數(shù)大于0時(shí)，表示電機(jī)移動(dòng)方向與主激光目標(biāo)移動(dòng)方向相同；當(dāng)系數(shù)小于0時(shí)，則表示兩者移動(dòng)方向相反。

6）單束光路準(zhǔn)直結(jié)果判斷。單束光路準(zhǔn)直成功需要滿足兩個(gè)條件：1）主激光中心位置Centerxy與目標(biāo)位置Targetxy之間距離Δr小于誤差閾值δ2，即Δr＜δ2，Δr計(jì)算如步驟⑥所示；2）每束光路的準(zhǔn)直循環(huán)次數(shù)小于20，即AACount＜20。

上述單束光路準(zhǔn)直成功的條件如步驟⑦表示，式中，AACount表示準(zhǔn)直循環(huán)次數(shù)，AAResultk表示準(zhǔn)直結(jié)果，Success表示準(zhǔn)直成功，值為1，F(xiàn)ail表示準(zhǔn)直失敗，值為0，k表示光路編號(hào)，取值范圍1～8。

7）8路光束準(zhǔn)直結(jié)果判斷。對(duì)整個(gè)裝置的光路對(duì)接準(zhǔn)直流程來說，需要8路光束中的每1路都準(zhǔn)直成功，才能確保整個(gè)裝置的準(zhǔn)直流程是成功的，即整個(gè)裝置的光路對(duì)接準(zhǔn)直結(jié)果是8路準(zhǔn)直結(jié)果的與操作，如步驟⑧所示。

對(duì)于一個(gè)光束收斂線程來說，由于系數(shù)標(biāo)定誤差以及電機(jī)移動(dòng)過程剛性震蕩的影響，需要多次移動(dòng)X、Y電機(jī)才能將主激光中心移動(dòng)到目標(biāo)位置。

2 數(shù)據(jù)處理過程

基于圓擬合的雙目標(biāo)識(shí)別算法主要步驟為：1）預(yù)處理；2）BLOB區(qū)域圖像裁剪和邊緣檢測(cè)；3）基于最小二乘圓擬合法的目標(biāo)識(shí)別。數(shù)據(jù)處理流程如圖2所示。

圖2 數(shù)據(jù)處理流程Fig.2 Data processing flow

2.1 預(yù)處理

本文雙目標(biāo)識(shí)別算法的預(yù)處理過程，主要包括二值化、數(shù)字形態(tài)學(xué)處理和BLOB區(qū)域特征信息提取等步驟。

2.1.1 二值化

在光路對(duì)接準(zhǔn)直流程中，光路對(duì)接準(zhǔn)直圖像是用準(zhǔn)直CCD采集獲得的。選擇一幅CCD采集圖像作為圓擬合算法的輸入圖像，原始圖像如圖3所示。使用最大類間方差法對(duì)原始圖像進(jìn)行二值化處理，結(jié)果如圖4所示。由于模擬光束質(zhì)量較好，模擬光目標(biāo)二值化之后只有一個(gè)連通域，相反，由于主激光光束質(zhì)量較差、分布極為不均勻，其二值化圖像包含4個(gè)連通域。

圖3 原始圖像Fig.3 Original image

圖4 二值化圖像Fig.4 Binary image

2.1.2 數(shù)字形態(tài)學(xué)處理

根據(jù)本文1.1.1小節(jié)，為了將包含4個(gè)連通域的主激光目標(biāo)作為同一個(gè)光學(xué)目標(biāo)進(jìn)行識(shí)別，需要對(duì)其進(jìn)行數(shù)字形態(tài)學(xué)處理（膨脹運(yùn)算），結(jié)果如圖5所示。相比二值化圖像中的光學(xué)目標(biāo)，主激光目標(biāo)由原來的4個(gè)BLOB區(qū)域合并成2個(gè)BLOB區(qū)域，如圖5（b）所示。而模擬光目標(biāo)由于本身連通性較好，經(jīng)過膨脹處理后也是一個(gè)完整的BLOB區(qū)域，面積相比原二值化圖像有所增加。主激光目標(biāo)1次膨脹運(yùn)算結(jié)果圖5（b）所示。經(jīng)過5次膨脹運(yùn)算后，整幅圖像處理結(jié)果如圖5（c）所示，主激光目標(biāo)完全被合并成一個(gè)完整的連通區(qū)域，如圖5（d）所示。

圖5 連通域合并運(yùn)算結(jié)果Fig.5 The result of merging connected domains

雖然多次膨脹運(yùn)算可以將主激光目標(biāo)完全合并為一個(gè)更完整的目標(biāo)，但需要付出很大的時(shí)間代價(jià)，例如：1次膨脹運(yùn)算用時(shí)最短0.359 s，經(jīng)過5次膨脹運(yùn)算用時(shí)2.781 s。為了提高圖像識(shí)別效率，本文選擇只進(jìn)行1次膨脹運(yùn)算，結(jié)果如圖5（a）、（b）所示。

2.1.3 BLOB區(qū)域特征信息提取

BLOB分析是將預(yù)處理后的圖片通過形態(tài)學(xué)處理和連通性標(biāo)記分析，提取出目標(biāo)的特征參數(shù)，依據(jù)參數(shù)進(jìn)行目標(biāo)識(shí)別［17］。本文需要統(tǒng)計(jì)的BLOB特征參數(shù)主要包括：面積、中心坐標(biāo)、XY方向軸長(zhǎng)等。以本次實(shí)驗(yàn)為例，經(jīng)過膨脹運(yùn)算處理后，共檢測(cè)到3個(gè)BOLB區(qū)域，每個(gè)BLOB區(qū)域的特征信息統(tǒng)計(jì)如表1所示。

表1 每個(gè)BLOB區(qū)域的特征信息統(tǒng)計(jì)Table 1 Properties information statistics of each BLOB region

BLOB區(qū)域基本特征標(biāo)識(shí)了每個(gè)BLOB的面積大小、位置坐標(biāo)，以及每個(gè)BLOB所在矩形區(qū)域四個(gè)角的坐標(biāo)信息，為目標(biāo)識(shí)別的后續(xù)步驟做好準(zhǔn)備。

2.2 BLOB區(qū)域裁剪和邊緣檢測(cè)

每個(gè)BLOB區(qū)域的裁剪，是以BLOB區(qū)域的中心坐標(biāo)和XY方向軸長(zhǎng)為基準(zhǔn)進(jìn)行的，其中裁剪圖像XY方向尺寸為XY方向軸長(zhǎng)的兩倍。BLOB區(qū)域的裁剪尺寸比軸向尺寸大，是因?yàn)槎祷幚碇螅總€(gè)BLOB區(qū)域比原始灰度圖像面積小，特別是原始圖像的邊緣過渡區(qū)域一般處于BLOB區(qū)域邊緣的外圍。因此，為保證裁剪區(qū)域包含原始圖像完整的目標(biāo)信息，選擇BLOB區(qū)域裁剪范圍為原有BLOB區(qū)域的水平和垂直方向的2倍。

每個(gè)BLOB區(qū)域裁剪和邊緣檢測(cè)結(jié)果如圖6所示，圖6（a）～（c）分別為每個(gè)BLOB的裁剪結(jié)果，BLOB1區(qū)域裁剪區(qū)間為［133∶236，87∶182］，尺寸為104×96，面積1959，中心坐標(biāo)（185，135）；BLOB2區(qū)域的裁剪區(qū)間為［324∶407，412∶507］，尺寸為84×96，面積674，中心坐標(biāo)（366，460）；BLOB3區(qū)域裁剪［359∶372，437∶448］，尺寸為14×12，面積36，中心坐標(biāo)（366，443）。從裁剪圖像可以看出，BLOB1和BLOB2面積最大，為候選模擬光目標(biāo)和主激光目標(biāo)，BLOB3面積最小，雖然屬于主激光目標(biāo)的一部分，但只能看作一般的離散目標(biāo)，不參與后續(xù)基于圓擬合的目標(biāo)識(shí)別。事實(shí)上，在真實(shí)的自動(dòng)準(zhǔn)直流程和目標(biāo)識(shí)別過程中，由于CCD噪聲和存在壞點(diǎn)的原因，離散目標(biāo)經(jīng)常存在，是需要舍棄掉的。

圖6 每個(gè)BLOB區(qū)域裁剪和邊緣檢測(cè)結(jié)果Fig.6 Cropping and edge detecting results of each BLOB region

對(duì)每一個(gè)BLOB區(qū)域裁剪圖像采用Sobel算子進(jìn)行邊緣檢測(cè)，每個(gè)BLOB區(qū)域的邊緣檢測(cè)結(jié)果分別如圖6（d）～（f）所示，每個(gè)BLOB區(qū)域的圖像裁剪和邊緣檢測(cè)流程如圖7所示。由于本文的目標(biāo)識(shí)別算法對(duì)處理時(shí)間做出了要求（小于1 s），為減少邊緣檢測(cè)的時(shí)間，本文只對(duì)每個(gè)BLOB區(qū)域裁剪圖像進(jìn)行邊緣檢測(cè)，實(shí)際邊緣檢測(cè)區(qū)域大小只占原始圖像大小的0.95%。通過實(shí)驗(yàn)對(duì)比，對(duì)1600×1200的二值化圖像進(jìn)行邊緣檢測(cè)，邊緣檢測(cè)用時(shí)0.469 s，對(duì)三個(gè)BLOB區(qū)裁剪圖像進(jìn)行邊緣檢測(cè)總共用時(shí)0.094 s，處理時(shí)間減少為原來的20.04%。

圖7 每個(gè)BLOB區(qū)域圖像裁剪和邊緣檢測(cè)示意圖Fig.7 Cropping and edge detection schematic of each BLOB region

2.3 基于最小二乘圓擬合法目標(biāo)識(shí)別

基于最小二乘圓擬合法的目標(biāo)識(shí)別主要包含3個(gè)步驟：1）圓擬合；2）擬合系數(shù)計(jì)算和BLOB區(qū)域數(shù)目統(tǒng)計(jì)；3）圓擬合系數(shù)及BLOB區(qū)域數(shù)目比較。

2.3.1 基于最小二乘圓擬合

經(jīng)過圖像裁剪和邊緣檢測(cè)后，將每個(gè)BLOB區(qū)域的邊緣點(diǎn)坐標(biāo)分別記錄在數(shù)組中，數(shù)組長(zhǎng)度表示每幅裁剪圖像中灰度值為255的像素個(gè)數(shù)。X、Y坐標(biāo)值是在原始圖像（1600×1200）中的絕對(duì)坐標(biāo)，在圓擬合過程中不需要經(jīng)過坐標(biāo)變換，可以簡(jiǎn)化運(yùn)算步驟。依據(jù)式（7）～（8），使用基于最小二乘法的圓擬合方法，獲得每個(gè)BLOB區(qū)域邊緣對(duì)應(yīng)的圓心和半徑，每個(gè)BLOB區(qū)域的圓擬合過程和目標(biāo)識(shí)別結(jié)果如圖7和表2所示。

表2 候選目標(biāo)的目標(biāo)識(shí)別結(jié)果Table 2 Object recognition results of candidate targets

圖7主要展示對(duì)兩個(gè)候選目標(biāo)的識(shí)別，其中第③列為邊緣檢測(cè)結(jié)果，第④列為圓擬合結(jié)果，淺藍(lán)色為使用最小二乘法擬合的圓環(huán)。在第①行第④列，可以看出模擬光目標(biāo)的邊緣圓環(huán)和擬合圓環(huán)相似度非常高，兩個(gè)圓環(huán)基本上是重疊在一起的，擬合圓心和半徑分別為（184.60，134.63）和25；在第②行第④列，主激光目標(biāo)的邊緣曲線和擬合圓環(huán)形狀是完全不同的，只有重心坐標(biāo)基本上是重合的，其中擬合圓心和半徑分別為（362.30，461.29）和19.25，這是因?yàn)橹骷す饽繕?biāo)是形狀不規(guī)則、分布不均勻的光學(xué)目標(biāo)，各個(gè)邊緣點(diǎn)不符合圓環(huán)的坐標(biāo)分布。

2.3.2 擬合系數(shù)計(jì)算和BLOB區(qū)域數(shù)目統(tǒng)計(jì)

為了利用圓擬合結(jié)果定量描述兩個(gè)目標(biāo)的分布特征，將每個(gè)BLOB區(qū)域的擬合圓環(huán)與BLOB區(qū)域的二值化圖像疊加在一起，如圖7第⑤列所示，通過觀察發(fā)現(xiàn)，模擬光目標(biāo)所有灰度值為255的像素基本都位于擬合圓環(huán)以內(nèi)，而主激光目標(biāo)卻只有一部分位于擬合圓內(nèi)。參考式（9），圓擬合系數(shù)=（BLOB區(qū)域擬合圓環(huán)內(nèi)灰度值255的像素個(gè)數(shù)）/（BLOB區(qū)域灰度值為255的總像素個(gè)數(shù)）。于是BLOB1區(qū)域的圓擬合系數(shù)=1888/1959=0.9638，BLOB2區(qū)域的圓擬合系數(shù)=485/674=0.7196。

類比2.2節(jié)的裁剪方法，將兩個(gè)候選目標(biāo)對(duì)應(yīng)的目標(biāo)區(qū)域分別從二值圖中（圖4）裁剪出來。將目標(biāo)區(qū)域所包含的連通域的個(gè)數(shù)記為該候選目標(biāo)的BLOB區(qū)域數(shù)目，統(tǒng)計(jì)結(jié)果如圖8所示，BLOB1的區(qū)域數(shù)目=1，BLOB2區(qū)域數(shù)目=4。

圖8 BLOB區(qū)域數(shù)目統(tǒng)計(jì)Fig.8 Statistics of BLOB region number

2.3.3 圓擬合系數(shù)及BLOB區(qū)域數(shù)目比較

比較兩個(gè)候選目標(biāo)的圓擬合系數(shù)和BLOB區(qū)域數(shù)目，由于fit_ratio1＞fit_ratio2且BLOBcount1＜BLOBcount2，因此將BLOB1對(duì)應(yīng)的目標(biāo)識(shí)別標(biāo)志記為1，目標(biāo)識(shí)別結(jié)果為模擬光目標(biāo)；將BLOB2對(duì)應(yīng)的目標(biāo)識(shí)別標(biāo)志記為2，目標(biāo)識(shí)別結(jié)果為主激光目標(biāo)。兩個(gè)候選目標(biāo)的目標(biāo)識(shí)別結(jié)果如表2所示。

準(zhǔn)直CCD圖像經(jīng)過預(yù)處理、圖像裁剪和邊緣檢測(cè)、擬合系數(shù)計(jì)算和BLOB區(qū)域數(shù)目統(tǒng)計(jì)、圓擬合系數(shù)和BLOB區(qū)域數(shù)目比較等過程，就可以完成對(duì)模擬光目標(biāo)和主激光目標(biāo)的識(shí)別。

3 實(shí)驗(yàn)結(jié)果分析

經(jīng)過數(shù)據(jù)處理，完成了光路對(duì)接準(zhǔn)直過程中主激光目標(biāo)和模擬光目標(biāo)的識(shí)別，接下來還需要對(duì)該目標(biāo)識(shí)別算法的準(zhǔn)確率和識(shí)別精度進(jìn)行驗(yàn)證。為了與原型裝置參數(shù)測(cè)量系統(tǒng)運(yùn)行環(huán)境保持一致，軟件部署在Win XP環(huán)境下，開發(fā)工具選用VC++6.0，計(jì)算機(jī)硬件參數(shù)為：CPU型號(hào)Intel（R）Core（TM）i5 CPU M 450，內(nèi)存4G。本章節(jié)包含以下幾個(gè)方面：1）光學(xué)目標(biāo)中心識(shí)別精度分析；2）目標(biāo)識(shí)別算法重復(fù)精度分析；3）光路自動(dòng)準(zhǔn)直處理時(shí)間性能提升分析。

3.1 目標(biāo)識(shí)別算法對(duì)于光學(xué)目標(biāo)中心的識(shí)別精度分析

目標(biāo)識(shí)別算法的主要實(shí)驗(yàn)指標(biāo)：一是兩個(gè)光學(xué)目標(biāo)的識(shí)別準(zhǔn)確率；二是識(shí)別算法對(duì)兩個(gè)光學(xué)目標(biāo)中心的識(shí)別精度。兩個(gè)目標(biāo)的識(shí)別準(zhǔn)確率，是相對(duì)于不同的圖像來說的，本文將其放在3.2節(jié)進(jìn)行分析。對(duì)于兩個(gè)光學(xué)目標(biāo)中心的識(shí)別精度來說，由于本文目標(biāo)識(shí)別算法對(duì)于每個(gè)BLOB區(qū)域獲得了兩個(gè)中心，即BLOB區(qū)域中心和圓擬合中心，這就需要將每個(gè)區(qū)域的BLOB區(qū)域中心和圓擬合中心與標(biāo)定中心進(jìn)行比較，選擇最佳中心點(diǎn)。每個(gè)BLOB區(qū)域的標(biāo)定中心與模擬光中心和主激光目標(biāo)中心比較結(jié)果如表3所示。

其中，模擬光中心和主激光中心的標(biāo)定方法為：對(duì)于模擬光目標(biāo)來說，標(biāo)定中心X=（上邊緣坐標(biāo)+下邊緣坐標(biāo)）/2，標(biāo)定中心Y=（左邊緣坐標(biāo)+右邊緣坐標(biāo)）/2，邊緣坐標(biāo)是指上升沿/下降區(qū)間峰值50%位置對(duì)應(yīng)的坐標(biāo)值。對(duì)于主激光目標(biāo)來說，由于光斑分布不均勻，經(jīng)過形態(tài)學(xué)處理后對(duì)應(yīng)多個(gè)連通域，本文選擇其中面積最大的連通域內(nèi)的灰度峰值點(diǎn)作為主激光目標(biāo)的標(biāo)定中心。

根據(jù)以上標(biāo)定方法，每個(gè)目標(biāo)的BLOB區(qū)域中心與標(biāo)定中心的誤差如表3第4列所示，每個(gè)目標(biāo)的圓擬合中心與標(biāo)定中心誤差如表3第6列所示。其中，模擬光目標(biāo)和主激光目標(biāo)圓擬合中心與標(biāo)定中心的誤差小于3個(gè)像素，最大值誤差為2.79。模擬光目標(biāo)和主激光目標(biāo)BLOB區(qū)域中心與標(biāo)定中心的誤差不全部小于3個(gè)像素，最大誤差值為5.81。因此，根據(jù)準(zhǔn)直實(shí)驗(yàn)對(duì)于誤差精度的要求，選擇圓擬合中心作為光路準(zhǔn)直過程中兩個(gè)目標(biāo)的中心。

3.2 目標(biāo)識(shí)別算法重復(fù)精度分析

為了驗(yàn)證基于圓擬合的雙目標(biāo)識(shí)別算法的重復(fù)精度，在同一個(gè)準(zhǔn)直流程中，對(duì)不同時(shí)間、不同光路的準(zhǔn)直圖像進(jìn)行目標(biāo)識(shí)別操作，統(tǒng)計(jì)和分析該目標(biāo)識(shí)別算法的識(shí)別精度、識(shí)別時(shí)間、識(shí)別準(zhǔn)確率等參數(shù)，以確定該算法的重復(fù)精度。表4統(tǒng)計(jì)了8路光路圖像的目標(biāo)識(shí)別結(jié)果，每路2幅圖像，共16幅圖像。其中前8幅圖像對(duì)應(yīng)的模擬光目標(biāo)和主激光目標(biāo)裁剪結(jié)果如圖9所示。

圖9 8幅圖像對(duì)應(yīng)的模擬光目標(biāo)和主激光目標(biāo)裁剪結(jié)果Fig.9 The cropping results of analog laser target and main laser target corresponding to the 8 images

表4 16幅準(zhǔn)直圖像目標(biāo)識(shí)別結(jié)果統(tǒng)計(jì)Table 4 Statistic of target recognition of 16 alignment images

從表4的統(tǒng)計(jì)結(jié)果可以知道，16幅準(zhǔn)直圖像的目標(biāo)識(shí)別時(shí)間最長(zhǎng)為1.484 s，最短0.656 s，平均準(zhǔn)直時(shí)間為0.952 s，小于1 s，16幅準(zhǔn)直圖像的目標(biāo)識(shí)別全部成功，滿足目標(biāo)識(shí)別準(zhǔn)確率大于90%的要求。

根據(jù)3.1節(jié)的分析，識(shí)別誤差只需要比較模擬光/主激光目標(biāo)的圓擬合中心與標(biāo)定中心即可。另外，從表4還可以看出，模擬光目標(biāo)X方向的識(shí)別誤差最大值為3.20，Y方向?yàn)?4.00，X方向和Y方向的識(shí)別誤差平均值分別為-1.85和-2.60。主激光目標(biāo)X方向的識(shí)別誤差最大值為-3.30，Y方向?yàn)?5.03，X方向和Y方向的識(shí)別誤差平均值分別為2.40和-1.63。平均識(shí)別誤差都小于3個(gè)像素，滿足準(zhǔn)直流程對(duì)于目標(biāo)識(shí)別精度的要求。整體來說，模擬光目標(biāo)的識(shí)別誤差較小，而主激光目標(biāo)的識(shí)別誤差較大，因此，降低主激光目標(biāo)的識(shí)別誤差，是本文識(shí)別算法后續(xù)的研究目標(biāo)。

通過以上分析，本文目標(biāo)識(shí)別算法不僅實(shí)現(xiàn)了模擬光目標(biāo)和主激光目標(biāo)的識(shí)別，而且能夠滿足識(shí)別不同圖像對(duì)于重復(fù)精度的要求，是光路對(duì)接準(zhǔn)直流程用于光學(xué)目標(biāo)判讀的一個(gè)非常有效的方法。

3.3 光路自動(dòng)準(zhǔn)直處理時(shí)間性能提升分析

光路對(duì)接準(zhǔn)直流程需要在打靶實(shí)驗(yàn)前完成，因此不僅對(duì)目標(biāo)識(shí)別有準(zhǔn)確度和精度的要求，對(duì)準(zhǔn)直流程的時(shí)間也提出了要求。影響準(zhǔn)直流程處理時(shí)間的要素主要有兩類：1）目標(biāo)識(shí)別算法的處理時(shí)間；2）8路準(zhǔn)直流程所消耗的時(shí)間。

減少目標(biāo)識(shí)別算法的處理時(shí)間，主要從兩個(gè)方面進(jìn)行：1）減少數(shù)字形態(tài)學(xué)處理的時(shí)間；2）減少邊緣檢測(cè)的時(shí)間。針對(duì)1），本文在2.1.2小節(jié)已經(jīng)指出，為保證圖像識(shí)別效率，選擇采用1次膨脹運(yùn)算。針對(duì)2），由于目標(biāo)識(shí)別算法處理時(shí)間小于1 s，為節(jié)省邊緣檢測(cè)的時(shí)間，本文將各個(gè)BLOB區(qū)域從整幅圖像中裁剪出來，再進(jìn)行邊緣檢測(cè)。以本次實(shí)驗(yàn)選擇的圖像（對(duì)應(yīng)表5中的Img1）為例，實(shí)際邊緣檢測(cè)區(qū)域大小只占原始圖像大小的0.95%。對(duì)1600×1200的二值化圖像全圖進(jìn)行邊緣檢測(cè)，用時(shí)0.469 s，若只對(duì)BLOB區(qū)域進(jìn)行邊緣檢測(cè)僅用時(shí)0.094 s，處理時(shí)間減少為原來的20.04%。

表5 目標(biāo)識(shí)別算法時(shí)間分析Table 5 Time analysis of object recognition algorithm

表5統(tǒng)計(jì)了5幅不同的準(zhǔn)直圖像在不同條件下膨脹和邊緣檢測(cè)的時(shí)間。從表中可以看出，如果選擇1次膨脹處理，平均膨脹時(shí)間0.312 s，選擇5次膨脹處理的平均處理時(shí)間為1.947 s。此外，對(duì)裁剪圖像進(jìn)行邊緣檢測(cè)，平均時(shí)間為0.113 s，對(duì)整張圖進(jìn)行邊緣檢測(cè)的平均時(shí)間為0.775 s，整個(gè)圖像的目標(biāo)識(shí)別時(shí)間（包括預(yù)處理、邊緣檢測(cè)、圓擬合等過程）最大提升比例為82.82%，總提升比例的平均值為76.53%。對(duì)于整個(gè)目標(biāo)識(shí)別時(shí)間而言，最長(zhǎng)時(shí)間1.237 s，最短0.656 s，平均目標(biāo)識(shí)別時(shí)間0.972 s，滿足準(zhǔn)直流程中對(duì)于目標(biāo)識(shí)別時(shí)間小于1 s的要求。

3.4 光路對(duì)接并行準(zhǔn)直性能提升分析

大型激光裝置光路準(zhǔn)直的三大準(zhǔn)直流程之間有嚴(yán)格的先后順序，依次是光路自準(zhǔn)直、模擬光準(zhǔn)直和光路對(duì)接準(zhǔn)直。在原先的光路對(duì)接準(zhǔn)直流程中，8路光束都采用串行準(zhǔn)直的方法，即依次執(zhí)行光路1、光路2至光路8的單元準(zhǔn)直模型，當(dāng)8路單元準(zhǔn)直模型全部執(zhí)行完畢，光路對(duì)接準(zhǔn)直流程才算完成。單元準(zhǔn)直模型［14-15］如圖10所示，主要包含圖像采集、光學(xué)目標(biāo)識(shí)別、偏差與電機(jī)步數(shù)計(jì)算、準(zhǔn)直結(jié)果判斷4部分。串行準(zhǔn)直雖然控制流程相對(duì)簡(jiǎn)單，但是嚴(yán)重降低了光路對(duì)接準(zhǔn)直的效率。8路光路對(duì)接準(zhǔn)直完成時(shí)間大約需要5 min，完成三大準(zhǔn)直流程時(shí)間大于15 min，這就導(dǎo)致大型激光裝置實(shí)驗(yàn)的準(zhǔn)備時(shí)間長(zhǎng)、實(shí)驗(yàn)效率低。

圖10 單元準(zhǔn)直模型Fig.10 The unit alignment model

為了提高光路對(duì)接準(zhǔn)直的效率，本文將8路光束依次串行準(zhǔn)直改進(jìn)為8路光束并行準(zhǔn)直，并行光路對(duì)接準(zhǔn)直流程如圖11所示。對(duì)整個(gè)8路光束來說，每1路啟動(dòng)一個(gè)光束準(zhǔn)直線程，共8個(gè)線程，每個(gè)線程對(duì)應(yīng)一個(gè)單元準(zhǔn)直模型的執(zhí)行過程。當(dāng)8路線程都執(zhí)行完畢，統(tǒng)計(jì)最終的準(zhǔn)直結(jié)果。

圖11 并行光路對(duì)接準(zhǔn)直Fig.11 Parallel optical docking alignment

為說明并行光路對(duì)接準(zhǔn)直在性能上的提升，在相同硬件條件下，將串行準(zhǔn)直和并行準(zhǔn)直進(jìn)行比較。假設(shè)啟動(dòng)光束準(zhǔn)直線程用時(shí)4 s，圖像采集時(shí)間1 s，目標(biāo)識(shí)別時(shí)間3 s，電機(jī)運(yùn)動(dòng)時(shí)間3 s，平均準(zhǔn)直循環(huán)次數(shù)5次，統(tǒng)計(jì)8路準(zhǔn)直結(jié)果時(shí)間6 s，那么對(duì)于并行準(zhǔn)直來說，光路對(duì)接準(zhǔn)直時(shí)間為45 s；對(duì)于串行準(zhǔn)直來說，光路對(duì)接準(zhǔn)直用時(shí)290 s。通過比較可以看出，并行光路對(duì)接準(zhǔn)直對(duì)于準(zhǔn)直效率的提升是十分明顯的。

需要進(jìn)一步說明的是，本文對(duì)于光路對(duì)接準(zhǔn)直的性能提升不僅體現(xiàn)在并行準(zhǔn)直性能提升，還體現(xiàn)在目標(biāo)識(shí)別算法性能提升。目標(biāo)識(shí)別算法性能提升措施有：1）圖像裁剪，減少參與運(yùn)算的像素個(gè)數(shù)；2）選取最優(yōu)的結(jié)構(gòu)單元，通過一次膨脹就能有效實(shí)現(xiàn)主激光目標(biāo)各個(gè)非連續(xù)區(qū)域的合并，避免將分布不均勻的主激光目標(biāo)當(dāng)作多個(gè)目標(biāo)進(jìn)行處理，從而提高目標(biāo)識(shí)別的準(zhǔn)確率。原始圖像尺寸為640×480，目標(biāo)識(shí)別算法的識(shí)別時(shí)間是3.469 s，現(xiàn)有圖像雖然尺寸增加為1600×1200，但經(jīng)過性能提升后平均處理時(shí)間僅0.9722 s。由此可見，本文提出的目標(biāo)識(shí)別算法和并行準(zhǔn)直兩個(gè)改進(jìn)措施，對(duì)于大型激光裝置準(zhǔn)直性能的提升是極其明顯的。

4 實(shí)驗(yàn)驗(yàn)證

本節(jié)通過實(shí)驗(yàn)來驗(yàn)證本文提出的基于雙目標(biāo)識(shí)別和準(zhǔn)直數(shù)學(xué)模型改進(jìn)的光路自動(dòng)準(zhǔn)直方法對(duì)大型激光裝置光路對(duì)接準(zhǔn)直流程的性能提升作用。

4.1 激光參數(shù)診斷平臺(tái)

某原型裝置的光束控制與參數(shù)診斷系統(tǒng)是一個(gè)多功能、高準(zhǔn)確度的激光參量診斷平臺(tái)。該平臺(tái)是一個(gè)包含光學(xué)取樣組件、探測(cè)元器件、伺服系統(tǒng)、監(jiān)視系統(tǒng)、控制系統(tǒng)等子系統(tǒng)的閉環(huán)調(diào)控監(jiān)視系統(tǒng)［18］，用來精密診斷原型裝置輸出激光光束特性，包括能量、近場(chǎng)、遠(yuǎn)場(chǎng)、時(shí)間波形等。大型激光裝置光路自動(dòng)準(zhǔn)直系統(tǒng)需要完成三個(gè)準(zhǔn)直流程，分別是光路自準(zhǔn)直、模擬光準(zhǔn)直和光路對(duì)接準(zhǔn)直流程。在利用模擬光源成功準(zhǔn)直后端光束之后，再利用光路對(duì)接準(zhǔn)直系統(tǒng)對(duì)前端光束進(jìn)行調(diào)整。光路對(duì)接準(zhǔn)直流程涉及到的儀器/設(shè)備如表6所示。

表6 光路對(duì)接準(zhǔn)直流程控制設(shè)備統(tǒng)計(jì)Table 6 Statistics of optical docking alignment control devices

4.2 光路自動(dòng)準(zhǔn)直軟件

大型激光裝置對(duì)于光路自動(dòng)準(zhǔn)直流程的控制，是通過光路自動(dòng)準(zhǔn)直軟件實(shí)現(xiàn)的。光路對(duì)接準(zhǔn)直流程共包含8個(gè)步驟：1）關(guān)閉準(zhǔn)直模擬光；2）測(cè)試自動(dòng)準(zhǔn)直的所有服務(wù)；3）打開三倍頻模擬光源激光器；4）打開三倍頻模擬光源激光器光閘；5）調(diào)整三倍頻模擬光源亮度（照明）；6）移動(dòng)電機(jī)到準(zhǔn)直位置；7）準(zhǔn)直CCD采集圖像求中心，調(diào)整BM6到目標(biāo)位置；8）關(guān)閉三倍頻模擬光源激光器。在選擇準(zhǔn)直次序時(shí)，準(zhǔn)直開始項(xiàng)目的次序一定要小于等于準(zhǔn)直結(jié)束項(xiàng)目的次序。而且只有前面的準(zhǔn)直項(xiàng)目運(yùn)行成功，才能運(yùn)行后面的準(zhǔn)直項(xiàng)目。當(dāng)成功執(zhí)行“采集準(zhǔn)直CCD求中心，調(diào)整BM6到目標(biāo)位置”步驟后，光路對(duì)接準(zhǔn)直成功。成功時(shí)的軟件界面如圖12所示。

圖12 光路對(duì)接準(zhǔn)直成功時(shí)的軟件界面Fig.12 The software interface when the optical docking alignment is successful

4.3 雙光學(xué)目標(biāo)識(shí)別算法與多光路準(zhǔn)直數(shù)學(xué)模型的關(guān)系

為了說明雙光學(xué)目標(biāo)識(shí)別在光路對(duì)接準(zhǔn)直流程中的識(shí)別效果，圖13對(duì)8路光束在準(zhǔn)直開始階段和準(zhǔn)直成功階段的雙光學(xué)目標(biāo)識(shí)別結(jié)果進(jìn)行了比較。在準(zhǔn)直開始和準(zhǔn)直成功階段，需要分別采集8路光束的準(zhǔn)直圖像。圖中第1、3列分別對(duì)應(yīng)開始階段和成功階段采集的準(zhǔn)直圖像。準(zhǔn)直圖像采集完成后，使用本文提出的雙光學(xué)目標(biāo)識(shí)別算法識(shí)別得到模擬光目標(biāo)和主激光目標(biāo)的參數(shù)信息，然后將參數(shù)用于光路對(duì)接準(zhǔn)直的后續(xù)流程。圖13的第2、4列分別對(duì)應(yīng)8路光束開始階段和成功階段準(zhǔn)直圖像的目標(biāo)識(shí)別結(jié)果。紅色“+”為模擬光目標(biāo)Basexy的標(biāo)識(shí)，綠色“+”為主激光目標(biāo)Centerxy的標(biāo)識(shí)，藍(lán)色“+”為目標(biāo)位置Targetxy的標(biāo)識(shí)，數(shù)字表示對(duì)應(yīng)目標(biāo)的坐標(biāo)。圖13最下方為多光路準(zhǔn)直數(shù)學(xué)模型與光學(xué)目標(biāo)識(shí)別算法的關(guān)系說明。

以光路S1為例，準(zhǔn)直開始階段光學(xué)目標(biāo)識(shí)別結(jié)果為：模擬光目標(biāo)中心Basexy=（507.24，245.86），主激光目標(biāo)中心Centerxy=（264.50，253.90）。根據(jù)圖1雙光學(xué)目標(biāo)光路對(duì)接準(zhǔn)直數(shù)學(xué)模型，在同軸偏差Offsetxy=（122.00，57.00）條件下，主激光目標(biāo)對(duì)應(yīng)的準(zhǔn)直目標(biāo)位置Targetxy=（629.24，302.86）。將主激光目標(biāo)調(diào)整到目標(biāo)位置Targetxy對(duì)應(yīng)的像素差值ΔPixelxy=（364.74，48.96），對(duì)應(yīng)的BM6電機(jī)移動(dòng)步數(shù)ΔStepxy=（-91.18，14.00）。同理，在準(zhǔn)直成功階段光學(xué)目標(biāo)識(shí)別結(jié)果為：Basexy=（507.24，245.86），Centerxy=（633.10，299.50）。此時(shí)Targetxy=（629.24，302.86），ΔPixelxy=（-3.86，3.36），ΔStepxy=（0.94，1.10）。需要說明的是，在準(zhǔn)直成功階段，ΔPixelxy已經(jīng)小于4，滿足對(duì)接準(zhǔn)直流程對(duì)誤差的要求，這說明光束收斂過程（調(diào)整BM6電機(jī)將主激光中心移動(dòng)到目標(biāo)位置）已經(jīng)完成，光路對(duì)接準(zhǔn)直已經(jīng)成功。另外，每路光束的光束收斂過程不是執(zhí)行1次就能完成的，本次實(shí)驗(yàn)平均每路執(zhí)行4次光束收斂才完成了8路光束的自動(dòng)準(zhǔn)直，8路光束至多運(yùn)行目標(biāo)識(shí)別算法32次。由此也間接說明，本文提出的雙光學(xué)目標(biāo)識(shí)別算法的重復(fù)精度是十分有效的。

為了進(jìn)一步說明多光路準(zhǔn)直數(shù)學(xué)模型的計(jì)算過程，圖14用圖例直觀展示了圖13準(zhǔn)直開始階段和準(zhǔn)直成功階段多光路準(zhǔn)直數(shù)學(xué)模型相關(guān)參數(shù)的變化過程。

圖14 從上到下分為3部分，第1部分對(duì)應(yīng)準(zhǔn)直開始階段，第2部分對(duì)應(yīng)準(zhǔn)直成功階段，第3部分對(duì)應(yīng)數(shù)學(xué)模型的計(jì)算過程。紅色框標(biāo)識(shí)的是光學(xué)目標(biāo)識(shí)別算法的輸出參數(shù)，包括模擬光目標(biāo)中心Basexy和主激光目標(biāo)中心Centerxy，黑色框標(biāo)識(shí)的是預(yù)先標(biāo)定的參數(shù)，包括軸向偏差值Offsetxy以及電機(jī)步數(shù)與圖像像素之間的比例系數(shù)Ratioxy，綠色框標(biāo)識(shí)的是光束收斂過程的重要參數(shù)，包括主激光對(duì)應(yīng)的目標(biāo)位置Targetxy，以及將主激光中心移動(dòng)到目標(biāo)位置的像素偏差值ΔPixelxy及其對(duì)應(yīng)的電機(jī)移動(dòng)步數(shù)ΔStepxy。

對(duì)比準(zhǔn)直開始階段和準(zhǔn)直成功階段會(huì)發(fā)現(xiàn)，它們的Basexy是相同的，Centerxy是不同的，這說明經(jīng)過光束收斂過程，模擬光的位置保持不變，而主激光目標(biāo)的位置在發(fā)生改變。此外，準(zhǔn)直開始階段的Centerxy和Targetxy對(duì)應(yīng)的ΔPixelxy和ΔStepxy都很大。準(zhǔn)直成功階段的Centerxy和Targetxy對(duì)應(yīng)的ΔPixelxy很小，全部小于4個(gè)像素，對(duì)應(yīng)的電機(jī)移動(dòng)步數(shù)ΔStepxy也很小，這說明經(jīng)過光束收斂過程，主激光目標(biāo)中心Centerxy已經(jīng)逐步調(diào)整到目標(biāo)位置Targetxy，大型激光裝置的光路對(duì)接準(zhǔn)直流程已經(jīng)順利完成。

對(duì)圖13、圖14進(jìn)行分析可以看出，多光路準(zhǔn)直數(shù)學(xué)模型與光學(xué)目標(biāo)識(shí)別算法的關(guān)系為：后者為前者提供輸入?yún)?shù)。除此之外，兩者的關(guān)系還具備以下特點(diǎn)：1）多光路數(shù)學(xué)模型將雙光學(xué)目標(biāo)識(shí)別算法和并行準(zhǔn)直結(jié)合，為識(shí)別算法提供應(yīng)用場(chǎng)景；2）兩者都是為了保證光路對(duì)接準(zhǔn)直流程的順利進(jìn)行；3）多光路準(zhǔn)直數(shù)學(xué)模型的矩陣化表示方式能夠?yàn)楦喙饴反笮图す庋b置的光路自動(dòng)準(zhǔn)直提供理論指導(dǎo)。

圖14 光路對(duì)接準(zhǔn)直流程中準(zhǔn)直數(shù)學(xué)模型運(yùn)算過程說明Fig.14 Alignment mathematical model illustration of optical docking alignment process

本節(jié)對(duì)本文提出的目標(biāo)識(shí)別算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，得出以下結(jié)論：1）該目標(biāo)識(shí)別算法能夠順利完成光路對(duì)接準(zhǔn)直流程的雙光學(xué)目標(biāo)識(shí)別，充分說明該算法的可行性和可靠性；2）多光路準(zhǔn)直數(shù)學(xué)模型的輸入為雙光學(xué)目標(biāo)識(shí)別算法的輸出，多光路準(zhǔn)直數(shù)學(xué)模型為雙光學(xué)目標(biāo)識(shí)別算法提供應(yīng)用場(chǎng)景；3）目標(biāo)識(shí)別算法性能提升和并行準(zhǔn)直優(yōu)化，這說明目標(biāo)識(shí)別算法和并行準(zhǔn)直兩個(gè)改進(jìn)措施，對(duì)于大型激光裝置的性能提升是十分巨大的。

總之，本文提出的基于圓擬合的雙光學(xué)目標(biāo)識(shí)別算法，滿足了大型激光裝置光路對(duì)接準(zhǔn)直過程對(duì)精度和效率的要求。本文改進(jìn)的數(shù)學(xué)模型將雙光學(xué)目標(biāo)識(shí)別和多光路準(zhǔn)直有機(jī)結(jié)合，對(duì)大型激光裝置光路對(duì)接準(zhǔn)直流程的成功具有指導(dǎo)意義。

5 結(jié)論

本文提出了基于雙目標(biāo)識(shí)別和準(zhǔn)直數(shù)學(xué)模型改進(jìn)的光路自動(dòng)準(zhǔn)直方法。針對(duì)光路對(duì)接準(zhǔn)直圖像的特點(diǎn)，在傳統(tǒng)光斑目標(biāo)檢測(cè)方法的基礎(chǔ)上進(jìn)行改進(jìn)，提出基于圓擬合的雙光學(xué)目標(biāo)識(shí)別算法；構(gòu)建了新的多光路、雙目標(biāo)自動(dòng)準(zhǔn)直數(shù)學(xué)模型，新模型不僅體現(xiàn)了多光路、雙光學(xué)目標(biāo)的特點(diǎn)，還改進(jìn)了收斂條件，能夠?yàn)楣饴窚?zhǔn)直中各個(gè)準(zhǔn)直參數(shù)的標(biāo)定和計(jì)算提供指導(dǎo)；最后，優(yōu)化準(zhǔn)直流程的調(diào)度，通過對(duì)多個(gè)光路進(jìn)行并行準(zhǔn)直，提高光路對(duì)接準(zhǔn)直流程的效率。實(shí)驗(yàn)結(jié)果表明：本文提出的基于圓擬合的雙光學(xué)目標(biāo)識(shí)別算法，識(shí)別誤差精度小于3個(gè)像素，處理時(shí)間小于1 s，能夠滿足大型激光裝置光路對(duì)接準(zhǔn)直過程對(duì)于精度和效率的要求。本文構(gòu)建的基于多光路、雙目標(biāo)自動(dòng)準(zhǔn)直數(shù)學(xué)模型，對(duì)于光路對(duì)接準(zhǔn)直流程的成功具有指導(dǎo)意義，本文提出的光路自動(dòng)準(zhǔn)直方法，對(duì)于更多光路大型激光裝置的光路自動(dòng)準(zhǔn)直也具有一定的參考價(jià)值。