《基于机器视觉的机械零件自动精密测量_图文.doc》由会员分享，可在线阅读，更多相关《基于机器视觉的机械零件自动精密测量_图文.doc（18页珍藏版）》请在三一办公上搜索。
1、No2.2006试验技术与试验机J une.2006 收稿日期2006206201作者简介高飞(19802,男,湖南衡阳人,硕士研究生,主要研究方向为机器视觉与图像处理。基于机器视觉的机械零件自动精密测量高飞,辛镝,石米娜,谭庆昌(吉林大学南岭校区机械科学与工程学院,吉林长春130022摘要:本文提出了一种运用机器视觉实现对机械零件长度的自动精密测量的方法。采用机器视觉技术获取试件的图像数据,利用图像处理中亚像素边缘检测方法实现对边缘的精确定位,并提出了一种相机自动标定方法,从而实现长度的自动精密测量。关键词:机器视觉;边缘定位;相机自动标定;精密测量中图分类号:TN911.73文献标识码:B
2、Autom atic Precision Measurement ofthe Mechanical Part B ased on Machine VisionGao Fei ,Xin Di ,Shi Mina ,Tan Qingchang(I nstit ute of M echanical S cience and Engi neeri ng ,J ili n Universit y ,J ili n Changchun ,130022Abstract :In t his paper ,a met hod for t he lengt h of mechanical part automat
3、ic measurement was developed.Machine Vision techniques has been int roduced to capt ure digital image of t he me 2chanical part ,using t he subpixel edge detecting met hod to locate t he edge ,and develop a auto 2matic camera calibration met hod ,and achieve t he automatic precision measurenet.K eyw
4、 ords :machine vision ;edge locating ;automatic camera calibration ;p recision measurement1引言机器视觉是研究用计算机来模拟生物视觉功能的科学和技术,机器视觉的主要目标是用图像来创建和恢复现实世界模型,然后认知现实世界2。先进技术的发展日新月异,精密测量技术必须适应这种发展。精密测量技术不仅要为先进制造业服务,而且要成为产品质量的有力保证,不能单纯为了检测而检测,更不能因为要检测而影响了生产的效益1。现在工业中几何测量对象各种各样,测量方法也不尽相同。大部分都是基于接触测量方法,或者即使使用了非接触测量,
5、但是测量过程中的分辨率以及精度还都不高,而且自动化程度相对比较低。面对这样的情况,迫切需要一些新的测量原理和方法。因此,本文提出了一种利用机器视觉技术实现对机械零件尺寸的自动精密测量。采用CCD 传感器以及图像采集卡获取被测件的图像,然后用图像处理的办法对图片进行一系列处理,接着本文提出了一种自动的标定方法进行测量标定,最后对获得的数据进行计算和分析,得到测量结果。2机器视觉机器视觉系统主要由三部分组成:图像的获取、图像的处理和分析、输出或显示。将近80%的工业视觉系统主要用在检测控制方面,包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。 图1是机器视觉系统的基本构成。在一定的
6、光照条件下,成像设备把场景的图像采集到计算机内,形成二维阵列原始图像;然后运用图像处理技术对采集到的原始图像进行预处理以得到质量改善的图像;接下来,从图像中提取感兴趣的特征,构成对图像的描述;进一步,实施达到目标的处理2 。图1机器视觉的基本结构3数字图像处理3.1灰度值图像近年来,光学图像处理技术作为一种新兴的非接触测量技术已得到广泛认可。它是通过CCD 等光学传感器将试件的表面形貌以及颜色转换为图像数据,而后对图像数据进行分析、处理的一种测量技术。试件表面形貌和颜色的不同,对光线的反射,散射等也将不同,所形成的图像也相应的具有明暗不同的分布,即灰度(灰度图像的明暗程度值不同。因此,数字图像
7、的灰度值分布情况可以基本反映出试件的真实表面情况。图2是由数码相机采集的原始图像 :图2数码相机采集的工件原图通过图像处理系统的预处理,本文使用VisualC +6.0编制的程序,将处理之后的图像转换成为相应的灰度数据图像,如图3所示 :图3通过转换后的灰度图像通过这种处理之后,以下对试件图像的分析就转换为对相应的灰度值数据的分析和处理。3.2边缘检测在图像中,物体的边缘是图像的基本特征,所谓边缘是指图像中灰度有阶跃或尖顶状变化的那些像素的集合。它是图像分割、纹理特征提取和形状特征提取等图像分析所依赖的重要基础。显然,尺寸测量的关键就在于边缘的提取,确定出被测量物体的二维轮廓线。目前,边缘检测
8、的算法有许多种,比如一阶微分检测算子有Robert s 、Sobel 、Prewitt 等算子,二阶微分边缘检测算子有Krisch 、Marr 2Hildret h 等算子,以及还有随后提出的Canny 边缘检测方法和小波边缘检测方法等,但是这些方法都是定位在整像素的精度上。为了提高边缘检测定位的精度,本文使用了亚像素边缘定位方法,其中用到的是一维灰度矩边缘定位法34。一维理想阶跃边缘模型可以认为是由一系列具有灰度h 1与一系列具有灰度h 2的像素相接而构成的。这样的模型就可以用三个参数来决定:边缘位置k 、边缘两侧的灰度值h 1和h 2,如图4所示 :图4灰度图中边缘处灰度值的变化情况92N
9、o2.2006高飞等:基于机器视觉的机械零件自动精密测量 图4中离散点为实际边缘,折线为理想边缘。设u (x 为理想阶跃函数,则一维理想边缘函数为:E 1(x =(h 2-h 1u (x -k +h 1(1假设p 1和p 2分别表示灰度值为h 1和h 2的像素点数在整个边缘上所占比例,则两者满足如下关系:p 1+p 2=1(2设单调序列g i (j =1,2,n 为实际边缘区域点的灰度值,则该序列的前三阶灰度矩满足下式:m i =2j =1p jhij=1nnj =1gi j i =1,2,3(3其中n 为实际整个边缘区域所占的像素点总数,进而有p 1=kn。上式3个方程中包含3个未知数p 1
10、、h 1和h 2,求解可得:h 1= m 1-p 1/p 2h 2= m 1+ p 1/p 2p 1=121+s 14+s 2(4其中: 2= m 2- m 21 s =1nn j =1(x i - m i 33=m 3+2m 31-3 m 1 m 23(5 由上式得到边缘位置:k =np 1=-12=n 2s4+ s2+n -12(6本文采用Visual C +6.0编写程序实现该算法。4相机自动标定通过以上的处理和计算,已经在灰度图像中比较精确地检测和定位了待测工件的边缘,并且得到了两边缘之间的像素总数,因此下面工作中只要得到相应的两像素之间对应的实际物理距离,即可得到图片中工件的实际尺寸
11、长度。在以往的测量中,每做一次实验,都要现场进行标定,所以显得比较烦琐,而且有些实际的工况或许还会对标定带来不利的影响。因此,根据这种情况,本文提出了一种新的方法是通过实验,用优化技术的方法,回归出一个标定图像中两像素间对应的实际物理距离的方程,把相机的一些外部和内部参数都系数化到方程中。比如在进行测量时的相机物距、相机焦距以及图像中心偏移量这些参数。这样,以后的每次实验,只要得到这些参数,就可以很快而且比较准确地计算出所要的参数。在实验中,标定样本为精度比较高的5mm 5mm 的方格板,如下图所示:图6用于标定实验的方格板传感器选择的是SON Y DSC 2F828数码相机,用PC 机进行数
12、据处理,所有算法用Visual C +6.0和MA TLAB 编程实现。在进行标定实验中,为了得到回归方程,根据实际的需要和应用,选用拍摄物距为140160mm ,选择的拍摄模式为宏模式(近距拍摄模式,选择的倍率(在此相机中用放大倍率替代实际焦距为2.02.4。通过多组实验,得到一系列数据。根据多元线性回归模型与系数的最小二乘估计:Y =b 0+b 1x 1+b 2x 2+b m x m +(7随机误差,N (0,2取x 1l ,x 2l ,x ml Y l =b 0+b 1x 1l +b 2x 2l +b m x ml +lt =1,2,n其中1,2,l 相互独立且服从同一正态分布N (0,
13、2对于自变量x 1,x 2,x m 和随机变量Y 的n 组观测值(x 1t ,x 2t ,x mt ,y t t =1,2,n ,称使得函数Q (b 0,b 1,b m =nj =1y t-(b 0+b 1x 1t +b 2x 2t +b m x mt 2(8取最小值b 0,b 1,b m 为系数b 0,b 1,b m 的最小二乘估计。得到正规方程组:b 0= y -b 1 x 2-b m x m l 11b 1+l 12b 2+b 1m b m =l 1y l 12b 1+l 22b 2+b 2m b m =l 2yl m 1b 1+l m 2b 2+b mm b m =l my(9其中 y
14、 =1n nj =1y t x i =1n nj =1x it03试验技术与试验机J une.2006 l ij =nt =1x it x jt -n x i x j l iy =nj =1x it y t -n x i yi ,j =1,2,m.通过多次的实验,发现每一个传感器参数值的变化与标定结果的变化,基本呈现一种线性关系,而且随着分辨率的提高,这种线性程度越高。根据实验数据,通过多项式拟合,并用MA TL AB 编程实现,获得结果如下面两图所示 :图7不同物距、 焦距时两像素对应的实际物理距离图8距离图像中心不同位置时两像素对应的实际物理距离4结果分析通过上面的实验,经过数据采集与计算
15、分析,然后用多元线性回归分析的方法进行回归分析,可以得到如下回归方程:S n =44.7145+0.0005n -14.4767k +0.2135L式中,S n 所要标定的图像中两像素间对应的实际物理距离(mm ;n 图像中像素点距离中心的距离(以像素为单位;k 相机的放大倍率;L 测量时的物距(mm 。下面进行测量验证:由上述回归所得方程标定得的S n 值进行测量,结果见表1。表1测量结果实验次数1234物距/mm 130135140150放大倍率1.52.0 2.2 2.4实际值/mm 50.00050.00050.00050.000测量值/mm 49.97150.01350.01950.
16、0245结论根据上述实验,可以得出以下结论:(1传感器参数值的变化与标定结果的变化基本呈现一种线性关系;(2采用实验的办法,通过多元线性回归,把标定时的相机内外参数系数化到方程中,可以减少每次实验的烦琐标定,并提高标定精度;(3本文运用数码相机对小试件的近距测量,取得了较好的效果。参考文献:1李岩,花国梁.精密测量技术M .北京:中国计量出版社,20012王庆有.CCD 应用技术M .天津:天津大学出版社,19933Tabatabai A J ,Mitchell O R.Edge Location to Sub 2pixel Values in Digital Imagery.IEEE Trans on PA 2MI ,1984,6(24Marr D ,Hildreth E.Theory of Edge Detection.Lon 2don :Proc Roy Soc ,19805任露泉.实验优化技术M .北京:机械工业出版社,198613No2.2006高飞等:基于机器视觉的机械零件自动精密测量
