机器视觉算法

2024-05-03

机器视觉算法（精选十篇）

机器视觉算法篇1

印刷机在高速印刷时,图像检测一直是图像处理中的难点,由于印刷图像移动快,人眼无法对印刷质量(如飞墨、漏印、污迹等)做出及时准确的判断,造成了印刷材料的大量浪费。印刷品的质量检测技术经历了从完全依靠主观检测到基于一些理论的客观检测、从离线检测到在线检测的发展阶段。

基于Windows CE及DSP软、硬件相结合的平台,本研究采用图像锐化的软件设计算法,在满足计算量小、实现简单、处理速度快的前提下,借助于TMS320DM642处理芯片[1,2],对印刷行业中使用的机器设备增加智能化的印刷质量实时监测功能。解决机器视觉设备对印刷过程进行实时抓拍中的瑕疵和缺陷等问题,并有效地实现印刷过程中印刷质量的在线检测。

1 系统简介

1.1 系统框架图

系统框架图,如图1所示。

ARM系统及控制单元是整个系统的核心部分,负责整个系统的控制调度。键盘控制系统将控制信号发送给ARM系统,由ARM系统控制摄像头移栽装置动作,摄像头移栽装置将位置信息返回给ARM系统并且控制摄像头移动到指定的位置。

摄像头就位以后,进入自动采集状态,等待外触发信号。皮带传动装置上放好待检物体。然后调节皮带转速以及转动方向,皮带装置开始运行。在皮带装置一侧打有白色标志,用来触发光纤触发器。光纤触发器将触发信号发送给摄像头,摄像头在打开快门采集的同时触发频闪灯,频闪灯闪光一次,摄像头可以拍摄到清晰的图像信息,然后将图像信息发送给ARM系统,ARM系统将图像信息传输给DSP图像处理单元处理。由DSP进行图像的增强、模板比对等,并将结果显示到屏幕上。

1.2 操作界面

操作界面如图2所示。

软件操作界面内容主要包括:菜单显示区、图像显示区、结果显示区、参数设置区、检测结果显示、检测结果统计、摄像头参数设定、图像参数设定以及控制参数设定等几个部分的内容。该操作系统用于对印刷过程的实时图像采集、算法处理、控制参数的设定,并统计相关检测数据。

1.3 操作流程

操作流程如图3所示。

开机后系统进行自检,自检正常后点击“打开摄像头”,摄像头进行初始化,然后可以选择连续采集和触发采集两种工作模式。在触发采集下有两种采集方式:一种是手动采集;另一种是自动采集。点击自动采集后,系统进入等待状态,当物体经过摄像头时,会发给触发器信号,触发器将信号传送给相机,相机在打开快门的同时触发闪光灯,自动拍摄一幅图像。手动采集时,每按键盘命令一次就会采集一幅图像。

模板管理是本系统的一个重要的功能模块,分为“建模”、“模板编辑”和“文件中打开”3个部分。当选择“建模”时,系统会读取当前采集到的图像作为建模的图像,用户根据需要建立自己的模板,模板建立好了以后,选择“模板编辑”来改变模板的区域。用户也可以直接从文件中读入模板。点击打开模板后,系统支持从10个模板图片中选择需要的模板文件。

当模板建立好了以后,点击开始检测,则本系统开始模板匹配过程,匹配结束后,会把结果显示到屏幕上。

系统支持图像局部放大功能,最大可放到30倍。有缺陷的图像由用户自定义保存到系统中,当模板像素为1 280×1 024 pixels时,存储的图片容量大概在300 KB以内。一个10 GB空间的系统存储约3万幅图像。模板图像或者缺陷图像定期备份到移动设备,或者通过以太网发送到远程服务器端。

1.4 建模流程

运行软件,点击“设置→建模”后开始进入建模流程。首先读入模板图像;然后对模板图像进行增强,强化图像中的特征信息,弱化图像中的平坦信息;最后对模板图像进行滤波,滤波的作用主要是去除图像中的随机高斯噪声以及椒盐噪声等。

接下来是选取模板区域,在载入的图像上选取所关心的区域作为模板区域。

选择好模板区域后,要首先对模板区域做归一化处理。归一化以后的图像可以进行特征提取,建立特征向量。将特征向量保存起来,建模结束。建模流程图如图4所示。

2 算法实现过程

当读入一幅待检图像时,首先要做图像增强处理,以解决图像获取过程中的图像质量退化问题。图像增强的目的在于通过处理实现有选择地突出,从而便于分析某些感兴趣的信息,抑制一些无用的信息,以提高图像的使用价值。本研究采用的是图像锐化的方法。图像锐化正是图像增强中空间域局部运算方法中的一种,其目的是增强和判断图像的边缘及轮廓信息。而图像锐化的具体方法就是通过微分而使图像边缘突出、清晰[3]。

图像锐化的方法很多,主要包括梯度锐化法、Roberts、Prewitt、Sobel和Laplacian等多种算法。本系统中采用了Sobel算子进行图像增强[4]。Sobel算子是图像边缘算法中较常用的一种算子。Sobel算子有两个,一个是检测水平边沿的;另一个是检测垂直边沿的。Sobel算子对于像素位置的影响做了加权,因此效果更好。

Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子,也有两个,一个是检测水平边沿的,另一个是检测垂直边沿的。各向同性Sobel算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。如对于建筑物图像的特殊性,可以发现在处理该类型图像轮廓时,并不需要对梯度方向进行运算。

Sobel边缘检测算子使用以下两个有向算子(一个水平的,一个是垂直的),每个都逼近一个偏导数:

$(\begin{matrix} - 1 & 0 & 1 \\ - 2 & 0 & 2 \\ - 1 & 0 & 1 \end{matrix})$ 与 $(\begin{matrix} - 1 & - 2 & - 1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{matrix})$

Dxf(x,y)={f(x+1,y-1)+2f(x+1,y)

+f(x+1,y+1)}-{f(x-1,y-1)

+2f(x-1,y)+f(x-1,y+1)}

Dyf(x,y)={f(x-1,y+1)+2f(x,y+1)

+f(x+1,y+1)}-{f(x-1,y-1)

+2f(x,y-1)+f(x+1,y-1)}

(1)

Sobel算子采用滤波算子的形式,用于提取边缘[5],可以利用快速卷积函数,简单有效,因此应用广泛。在观测一幅图像的时候,首先注意的往往是图像与背景不同的部分,正是这个部分将主体突出显示。本研究在此基础上使用了阈值化轮廓提取算法,已在数学上证明,当像素点满足正态分布时利用该算法所求的解是最优的。

图像增强以后,要进行模板的匹配。模板匹配是指从一幅大图中搜索和模板特征相似度最大的图像信息。这里提到的相似度就是搜索模板的度量。也就是说找到一个好的相似度函数是整个模板匹配过程的关键。

相似的模板信息包括尺寸、方向、形状、颜色灰度、纹理等信息。

单纯使用某一信息是不足以进行模板匹配的,所以这里要综合多种信息进行模板匹配。

相似性函数常用的方法是能量函数。为衡量模板T和目标图像中子图像Sij的误差,可用D(i,j)进行描述:

$D (i, j) = \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} [S^{i j} (m, n) - Τ (m, n)]^{2}$

$= \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} [S^{i j} (m, n)]^{2} - 2 \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} S^{i j} (m, n)$

$\times Τ (m, n) + \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} [Τ (m, n)]^{2} (2)$

式(2)中的第一项为子图的能量,第三项为模板的能量,都与模板匹配无关。第二项是模板和子图的相互关系,随(i,j)而改变。当模板和子图匹配时,该项有极大值。将其归一化,得模板匹配的相关系数(或称为匹配率):

$\begin{array}{l} R (i, j) = \\ \frac{\sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} S^{i j} (m, n) \times Τ (m, n)}{\sqrt{\sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} [S^{i j} (m, n)]^{2}} \sqrt{\sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} [Τ (m, n)]^{2}}} (3) \end{array}$

当模板和子图完全一样时,相关系数R(i,j)=1。利用相关系数R(i,j)的公式可以做模板匹配,但运算量大,不适合工程应用。另一种算法构思是衡量T和Sij的误差,其公式为:

$E (i, j) = \sum_{m = 1}^{Μ} \sum_{n = 1}^{Ν} | S^{i j} (m, n) - Τ (m, n) | (4)$

在整个图像中,E(i,j)为最小值处,即为匹配目标。

匹配模型建立起来以后,需要对匹配过程以及匹配算法做加速处理,以适应实时检测的需要。

首先进行粗略的匹配:

(1) 取模板的隔行隔列数据,即四分之一的模板数据,在被搜索图上进行隔行隔列扫描匹配,即在原图的四分之一范围内匹配。由于数据量大幅度减少,匹配速度显著提高。

(2) 取一个误差阈值E0,当E(i,j)>E0时,说明误差太大,可以停止该点的计算,继续下一点计算。为了合理地给出一个误差阈值E0,需要设计一个确定误差阈值E0的准则:

$E_{0} = e_{0} \times \frac{m + 1}{2} \times \frac{n + 1}{2} (5)$

式中 e0—各点平均的最大误差,一般取40~50即可;m,n—模板的长和宽。

然后需要对结果进行二次精确匹配。在第一次误差最小点(imin,jmin)的邻域内,即在对角点为(imin-1,jmin-1),(imin+1,jmin+1)的矩形内,进行搜索匹配,得到最后结果。

3 实验结果

本研究根据上述算法进行实验而得的检测结果,如图5~图6所示,分别为飞墨检测示意图与漏印检测示意图。图5左侧是模板图像,右侧是有飞墨的情况。当印刷速度快而墨身稠度不够时,因离心力使墨液飞溅而造成飞墨。该算法可以定义检测范围,当飞墨超出检测范围时,不予检测。当飞墨出现在检测范围内时,用颜色标识,同时记录飞墨的大小和数量、尺寸作为容忍度的阈值。可以通过设置容忍度来忽略较小的飞墨。

漏印的情况如图6所示。可以预先划分出检测区域,如图6左侧的文字部分。当检测到图像漏印时,如右侧图所示,有颜色报警,并统计漏印个数。

4 结束语

通过建立软件算法的数学模型到程序的编制和优化,研究了图像自动比对算法实现过程。本研究已在实际应用中得到有效验证,如包装印刷检测、条码印刷检测、标签印刷检测等,可以检测常见的印刷缺陷,如划痕、灰尘、漏印、墨痕和褶皱等,检测精度为0.3 mm。通过对容忍度的设置,满足不同场合的精度要求,因而具有十分广阔的应用前景。

摘要：针对当前印刷行业中使用的机器视觉设备,采用美国TI公司的TMS320DM642专用图像处理芯片,通过标准图像建模,并调用优化的图像自动比对算法软件,实现了对印刷业中的飞墨、漏印、污迹等常见缺陷的监测。研究结果表明,该技术在提高机器视觉设备的智能化程度方面具有广泛的应用前景。

关键词：DM642,标准图像建模,程序优化,图像自动比对

参考文献

[1]熊伟.基于TMS320DM642的多路视频采集处理板卡的硬件设计与实现[J].国外电子元器件,2006(6):8-13.

[2]Texas Instruments Incorporated.TMS320DM642 video/ima-ging fixed-point digital signal processor data manual.[EB/OL].[2003-05-01].http://www.ti.com/sc/does/psheets/man.asp.

[3]刘松涛,周晓东.基于TMS320C6201的实时图像处理系统[J].计算机工程,2005(7):17-23.

[4]王磊,莫玉龙.基于Canny理论的边缘提取改善方法[J].中国图象图形学报,1996(3):191-195.

通孔器件机器视觉检测算法篇2

目标识别、位置探测、完整性检测、形状和尺寸检测、表面检测等是几种常用在必须有机器视觉系统参与的任务中的算法。

印刷电路板(Printed Circuit Board，PCB，下称PCB)图像的检测算法，大致可分为三大类：有参考比较算法、无参考校验法以及混合型算法。

有参考比较算法分为图像对比法和模型对比法;无参考校验法又称为设计规则校验法;混合型算法则综合上述两种算法，扬长避短。

目前自动光学检测(Automatic Optical Inspection，AOI，以下简称AOI)系统图像处理基本上采用参考算法，国外进口品牌大多使用图像匹配、法则判别等多种组合手段[2]。

PCB检测的参考算法主要采用形状匹配，可以选择的特征提取技术包括像素运算、模板匹配、霍夫变换等[3]。

模板匹配可以用来实现完整性检测和物体识别。

基本的模板匹配算法包括基于灰度值的模板匹配、使用图形金字塔进行匹配、基于灰度值的亚像素精度匹配、带旋转与缩放的模板匹配。

多年来，机器视觉应用中都选用这些基本模板匹配算法。

然而，越来越多的应用要求在存在遮挡、混乱和非线性光照变化的情况下找到目标物体，基于灰度值的模板匹配算法不能够处理这些类型的干扰。

因此需要使用边缘匹配算法等可靠的模板匹配算法[1]。

实现一个稳定可靠的模板匹配的基本算法已经相当复杂，而使这些匹配算法更稳定快速的过程则更加复杂。

一般机器视觉用户都依赖标准软件包来提供这些功能，而不会试图自己实现[1]。

下面将介绍美国国家仪器(National Instruments，NI，以下简称NI)视觉开发模块，以及基于NI视觉开发模块进行的通孔器件检测算法研究。

2 美国国家仪器视觉开发模块的应用

2.1 美国国家仪器视觉开发模块

NI视觉开发模块包含数以百计的视觉函数，NI LabVIEW、NI LabWindows/CVI、C/C++、或Visual Basic可以使用这些函数创建功能强大的视觉检测、定位、验证和测量应用程序。

所有NI视觉开发模块函数都使用以十分之一像素和十分之一度的亚像素级精确度来对位置、距离、和测量值进行插值[4]。

通常在选择视觉系统时，精确度、易用性、执行速度是三个需要考虑的重要因素。

NI视觉软件是高度优化的，它通过各种可能的途径提升性能，使得其可以与世界上最快的视觉软件包媲美。

事实上，与领先的视觉软件供应商相比，NI视觉软件在许多项目上都更为快速[4]。

2.2 通孔器件检测算法和综合判据

由于通孔元器件材料、形状、尺寸变化大，插装位置不如表面贴片器件规整，存在遮挡、混乱和非线性光照变化等情况，难以采用统一的算法和判据。

根据通孔器件的特点将其分为线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法[5][6][7]。

2.2.1 线束和彩色定位算法

线束的特点是形状多变，位置随机，制程中的不良是不同颜色的线束错位。

外观检验主要检查线束的插装位置是否正确或是否装配有线束。

采用颜色定位算法[6]，如图1所示。

图1 颜色定位算法

综合判据：匹配分数大于等于900为合格，否则为不良。

算例[5]：

(1)正确装配的线束，与线束形状无关，匹配分数均大于900。

(2)错插、漏插的情况下，匹配分数小于900，本例中均小于800。

结论[5]：颜色定位算法适合线束类的检测。

2.2.2 非线束和彩色模板匹配算法

非线束的特点是形状固定，制程中的不良主要是极性反、错件、缺件，这也是外观检验的主要检查内容。

采用彩色模板匹配算法[6](详见图2)，该算法包括彩色模板学习和匹配两个算法[7]。

图2 彩色模板匹配算法

其中彩色模板学习算法包括两个模块：学习彩色模板设置模块和学习模块。

使用学习彩色模板设置模块设置两个参数：线束类学习模式应设置为平移信息，非线束类学习模式设置为平移与旋转信息;线束类特性模式应设置为颜色，非线束类特性模式设置为颜色与形状。

彩色模板学习模块只需输入图像和学习彩色模板设置数据，即可输出模板图像。

彩色模板匹配算法也包含两个模块：匹配彩色模板设置模块和匹配模块[6]。

匹配彩色模板设置模块中，需要设置两个关键参数：线束类匹配模式设置为无平移，非线束类匹配模式设置为无旋转;线束类匹配特性模式设置为颜色，非线束类匹配特性模式设置为颜色与形状。

彩色模板匹配模块，输入图像及其待检测区域、模板、匹配彩色模板设置数据、最小匹配分数、要求匹配数，即输出匹配结果Matches和匹配数。

综合判据：匹配分数大于等于700且旋转角度小于±45°为合格，否则为不良。

算例[5]：

(1)正确装配的元器件，匹配分数大于等于700且旋转角度小于±45°。

(2)错插、漏插的情况下，插座类绝大多数匹配分数和旋转角度均为0。

(3)反插情况下，曝光良好的图像可从旋转角度判断，本例中旋转角度在180°左右。

结论[5]：彩色模板匹配算法适合非线束类的检测。

3 结束语

(1)针对通孔器件的不同特点，分成线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法，使用不同的综合判据是可行的。

机器视觉算法篇3

关键词：机器视觉；识别；匹配

中图分类号：F49文献标识码：ADOI：10.3969/j.issn.1672-0407.2012.01.024

文章编号：1672-0407(2012)01-059-02收稿日期：2011-11-20

一、机器视觉的研究内容

人们从外界环境获取的信息中，80％来自于视觉，其他来自于触觉、听觉、嗅觉等感觉器官。当人们的眼睛从自己周围的环境获取大量信息，并传入大脑后，由大脑根据知识或经验对信息进行加工、推理等处理工作，最后识别、理解周围环境，包括环境内的对象物，如运动物体与物体间的相对位置、形状、大小、颜色、纹理、运动还是静止等。机器视觉就是用计算机模拟人眼的视觉功能，从图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别。机器视觉研究的基本目的--就是要寻找人类视觉规律，从而开发出从图像输入到自然景物分析的图像理解系统。对于机器视觉系统来说，输入是表示三维景物投影的灰度阵列(可以有若干个输入阵列)，这些阵列可提供从不同方向、不同视角、不同时刻得到的信息。通常这些描述是关于物体的类别和物体间的关系，但也可能包括如表面空间结构、表面物理特性(形状、纹理、颜色、材料)、阴影以及光源位置等信息。目前许多机器视觉专家都是在马尔(Marr)创立的视觉计算理论框架下求索。

二、机器视觉与人类视觉的差异

对于人的视觉来说，由于人的大脑和神经的高度发展，其目标识别能力很强。但是，人的视觉也同样存在障碍，例如，即使具有一双敏锐的眼睛和极为高度发达头脑的人，一旦置于某种特殊环境(即使曾经具备一定的检验知识)，其目标识别能力也会急剧下降。事实上人们在这种环境下，面对简单物体时，仍然可以有效而简便地识别，而在这种情况下面对复杂目标或特殊背景时，才会在视觉功能上发生障碍，两者共同的结果是导致目标识别的有效性和可靠性的大幅度下降。将人的视觉引入机器视觉中，机器视觉也存在着这样的障碍。它主要表现在3个方面。

(1)如何准确、高速(实时)地识别出目标；

(2)如何有效地增大存储容量，以便容纳足够细节的目标图像；

(3)如何有效地构造和组织出可靠的识别算法，并且顺利地实现。前两者相当于人的大脑这样的物质基础，这期待着高速的阵列处理单元以及算法的新突破，用极少的计算量以及高度地并行性实现功能。

三、机器视觉检测中几种基本技术

(一)训练系统

先将参考织物或图片的图像输入微机图像处理系统，选择并计算可表示图像特征的参数，以确定疵点或图形的分类指标，如灰度级，疵点或图形的面积，疵点在经纬向尺寸、形态等，是系统获得这些指标的标准。然后将所测试的织物输入，计算其各点灰度值及一些需比较的特征参数与标准比较，确定疵点或图形分类。

(二)样板匹配

求得某一图像哪一部分对应另一图像的哪一部分时或比较两幅图像的相似度时，采用样板样匹配的方法。一般将样板t(x，y)，令其中心与图像的一点(i，j)重合，逐点检测，找出差距小于阈值的部位，定位相同或相似的，大于阈值的部位，定为不同或不相似的点。

(三)二值化处理

为将图形与背景分离，根据灰度值确定一定灰度域值。将灰度值大于此域的点置为1，小于此域值的点为0。使图像变为黑白二值图像，便于图形特征测量和结构分析描述。

(四)腐蚀和膨胀

腐蚀可使轮廓边界收缩，膨胀可使轮廓边界膨胀，腐蚀和膨胀的不同组合，不同处理次数，可以得到不同的图形效果，如使图像中的小孔使之检测出来或使之消除。

(五)细线化

对给定的图形使之细化，从而提取线宽为l的中心线的操作。在细线化中，不改变原图的连接性，使图形骨架轮廓结构清晰，便于计算，不会因边界上的小凹凸而产生毛刺。在计算非织造布纤维取向度是用此法处理。

(六)纹理分析

在分析绉组织的绉效果或羊绒的鳞片结构时，须用纹理分析的方法。纹理分析内容包括：纹理特征的计算微粒区域的分割与纹理边缘的检测。

具体可以解决的问题如：

1.纺织布料识别与质量评定；

2.织物表面绒毛鉴定；

3.织物的反射特性；

4.合成纱线横截面分析；

5.缈线结构分析等；

机器视觉算法篇4

我国虽然是水果的生产大国,但与发达国家相比,果园管理技术和果树种植技术较为落后,果园管理机械化水平较低,大多数果园植保机械为大田作业通用机械,造成了水果生产效率较低,水果成本较高[1]。针对这一问题,研究开发适合果园的现代化和自动化的果园机械装备在很大程度上可以解决这种问题。

随着计算机科学和传感器技术的发展,果园移动机器人成为了近年来国内外研究的重点。在研究之初,国外学者基于物理导轨导航技术开发了物理轨道的自动喷药和运输机器人[2,3,4]; 但这种导航方式需预先在果园内铺设物理轨道,道轨铺设成本较高。国内外学者还就基于电磁导航技术开发了一套基于电磁导航的果园移动植保机器人,但此类方法存在结构复杂、后期设备维护维修较为困难等问题,不适宜大范围推广[5,6,7]。后来,为简化果园机器人结构和减少果园机器人运行成本,一些学者开发了基于超声波导航、激光导航和视觉导航的果园机器人,优点是使用了果园现有果树作为导航参照物,不需要再铺设导航轨道,且适应性较强[8,9,10,11,12]。

在基于机器视觉的导航机器人研究中最为重要的就是移动机器人的导航路径拟合。袁佐云通过处置投影法对大豆作物行进行提取,获取了基于大豆作物行的导航方法[13]。袁池等通过利用Lab色彩模型对果园图像进行处理最终使用最小二乘法获取了果园导航中线[14]。Torri等学者利用作物和沟底的特征差异及最小二乘法拟合出了导航路径[15]。

目前,许多基于机器视觉的导航方法都被用于大田作业中,而果园方面的应用较少。本文选取HSV色彩模型中H通道和V通道差值对果园树行特征进行增强,然后对图像进行阈值分割和边缘检测。最后,利用Hough变换提取果树树行线并拟合出导航中线。

1 图像预处理

1. 1 颜色空间转换

采集的原始图像如图1 所示。由于果树树冠和地面的颜色差异,因此在不同的颜色空间下对图像进行分割会产生明显的区别。HSV ( Hue,Saturation,Value) 是1978 年由A. R. Smith创建的一种颜色空间,也称六角锥体模型。HSV色彩空间中这3 个通道分别代表色调( H) 、饱和度( S) ,亮度( V) 。通过大量果园照片对比发现,HSV模型中H分量和V分量的差值可以很好地从图像中分离出果树树行特征。但是,一般采集的图像多为RGB图像,因此在做处理前需将图像从RGB空间转换到HSV空间,转换公式为

在对图像进行色彩空间转换后,提取HSV色彩空间中H分量和V分量并做差,其结果如图2 所示。

1. 2 基于灰度直方图的阴影图像分割方法

Ostu方法又叫最大类间方差法,是一种使用十分广泛的图像分割算法。其基本原理是: 通过初始阈值将图像分成两类,然后计算这两类图像之间的方差,接着更新阈值,然后重新计算类间方差; 当所计算的方差满足类间方差最大时,所求阈值即为最优阈值。基于Ostu方法图像分割结果如图3 所示。

1. 3 图像的形态学处理与边缘检测

图像的形态学处理是利用具有形态结构的元素去度量和提取图像中对应形状已达到图像分析和识别的目的。图像的形态学处理一般为一种邻域运算形式,其主要用途是简化图形,保持图像中物体的基本形状,并将不相关结构剔除。开运算和闭运算是图像形态学处理的重要操作,开运算可以使图像轮廓变平滑、分离较小的狭颈并消除细小的突出; 而闭操作的功能刚好与开操作相反,闭操作通常弥合较窄的间断和细长的沟壑,可以消除小的空洞和填补物体的轮廓线。为消除经过阈值分割后图像中的干扰点,对其依次进行开运算和闭运算,结果如图4 所示。

图像的边缘检测可以大幅减少所要处理的数据量,剔除不相关的信息,保留树行特征主要信息。因此,在利用Hough提取树行线之前,为提高这种检测方法的实时性,本研究利用Soble算子对图像进行边缘检测,结果如图5 所示。

2 基于Hough变换的导航路径拟合

Hough变换是1962 年由Paul Hough提出一种从图像空间到参数空间的映射关系。由于其具有良好的容错性和鲁棒性,长期以来多被用于图像空间内直线或曲线的检测。

Hough变换主要使用表决原理的参数估计技术,利用图像空间和Hough参数空间的点线对偶性,将图像空间的直线检测问题转化到了参数空间进行运算。在直角坐标系中,直线方程可用y = kx + b表示。Hough的主要原理就是将方程中的参数( k,b) 和变量( x,y) 进行交换,即利用k、b作为变量,x、y作为参数并将转换后的方程转化到极坐标中。在进行直线检测时,凡是在同一条直线的点都会在参数空间中变成相交的正弦曲线,因此利用这种原理对图像空间的直线进行检测。极坐标方程为

其中,r为直线到原点的直线的距离; θ 为r和x轴正方向的夹角。

极坐标中对应直线方程为

通过极坐标中检测出的r和 θ 通过上式可以求得直线方程,本研究利用Hough变换提取的树行线如图6所示。

最后,通过求取树行线的中线可以获取移动机器人导航路径,如图7 所示。

3 试验结果及分析

图像采集于西北农林科技大学果园试验园,采集了自然环境下20 幅果园树行照片。采集设备为尼康D750 相机,2 504 × 1 664 像素大小,采集天气为晴天。图像处理过程在2. 5 GHz处理器,4GB内存的笔记本电脑上完成。所编程序均在在Mat Lab R2013a软件中运行。试验结果表明: 本算法能够克服果园行间生草、修剪枯枝及光照阴影对果树树冠提取的影响,能够有效地提取出适合导航要求的果园树行线并拟合出导航中线。

4 结论

1) 基于HSV色彩模型中H通道和V通道的差值和最大类间方差方法将果园果树树行信息特征进行了增强,并能够在一定程度上克服地面生草和修剪枯枝的影响。

2) 基于Hough变换利用果树树冠信息提取了果园果树树行线,并成功拟合出了导航中线,为果园视觉导航提供了参考。

3) 图像处理平均时间为1 166ms,为提高图像处理实时性,可将图像划分区域,然后只对树冠所在感兴趣区域进行处理。

4) 本研究所提出的算法在光照较差或落叶季节可能出现失效,可利用多传感器融合的方法提高系统鲁棒性。

摘要：为实现果园作业自动化,对基于机器视觉的果园自然情况下的导航路径拟合方法进行了研究。针对果园环境特点,基于HSV色彩模型和最大类间方差法对果园果树树行特征进行了增强。同时,使用Hough变换对果树树行线进行了拟合,并最终获得了相邻两树行的中线作为导航路径。最终试验结果表明:该方法能有效克服行间生草、光照阴影和修剪枯枝的干扰,可提取果园果树树行线并拟合出果园导航中线。

机器视觉系统典型应用行业篇5

机器视觉技术的优越性

由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。总之，随着机器视觉技术自身的成熟和发展，可以预计它将在现代和未来制造企业中得到越来越广泛的应用。

机器视觉工业检测系统类型

机器视觉工业检测系统就其检测性质和应用范围而言，分为定量和定性检测两大类，每类又分为不同的子类。机器视觉在工业在线检测的各个应用领域十分活跃，如：印刷电路板的视觉检查、钢板表面的自动探伤、大型工件平行度和垂直度测量、容器容积或杂质检测、机械零件的自动识别分类和几何尺寸测量等。此外，在许多其它方法难以检测的场合，利用机器视觉系统可以有效地实现。机器视觉的应用正越来越多地代替人去完成许多工作，这无疑在很大程度上提高了生产自动化水平和检测系统的智能水平。

机器视觉在质量检测中的应用实例

机器视觉系统在质量检测的各个方面得到了广泛的应用，例如：采用激光扫描与CCD探测系统的大型工件平行度、垂直度测量仪，它以稳定的准直激光束为测量基线，配以回转轴系，旋转五角标棱镜扫出互相平行或垂直的基准平面，将其与被测大型工件的各面进行比较。在加工或安装大型工件时，可用该认错器测量面间的平行度及垂直度。以频闪光作为照明光源，利用面陈和线陈CCD作为螺纹钢外形轮廓尺寸的探测器件，实现热轧螺纹钢几何参数在线测量的动态检测系统。视觉技术实时监控轴承的负载和温度变化，消除过载和过热的危险。将传统上通过测量滚珠表面保证加工质量和安全操作的被动式测量变为主动式监控。用微波作为信号源，根据微波发生器发出不同波涛率的方波，测量金属表面的裂纹，微波的波的频率越高，可测的裂纹越狭小。总之，类似的实用系统还有许多，这里就不一一概述了。

下面我们较详细地介绍三个实用机器视觉系统。

基于机器视觉的仪表板总成智能集成测试系统

EQ140-II汽车仪表板总成是我国某汽车公司生产的仪表产品，仪表板上安装有速度里程表、水温表、汽油表、电流表、信号报警灯等，其生产批量大，出厂前需要进行一次质量终检。检测项目包括：检测速度表等五个仪表指针的指示误差；检测24个信号报警灯和若干照明9灯是否损坏或漏装。一般采用人工目测方法检查，误差大，可靠性差，不能满足自动化生产的需要。基于机器视觉的智能集成测试系统，改变了这种现状，实现了对仪表板总成智能化、全自动、高精度、快速质量检测，克服了人工检测所造成的各种误差，大大提高了检测效率。整个系统分为四个部分：为仪表板提供模拟信号源的集成化多路标准信号源、具有图像信息反馈定位的双坐标CNC系统、摄像机图像获取系统和主从机平行处理系统。

金属板表面自动控伤系统

金属板如大型电力变压器线圈扁平线收音机等的表面质量都有很高的要求，但原始的采用人工目视或用百分表加控针的检测方法不仅易受主观因素的影响，而且可能会给被测表面带来新的划伤。金属板表面自动探伤系统利用机器视觉技术对金属表面缺陷进行自动检查，在生产过程中高速、准确地进行检测，同时由于采用非接角式测量，避免了产生新划伤的可能。其工作原理图如图8-6所示；在此系统中，采用激光器作为光源，通过针孔滤波器滤除激光束周围的杂散光，扩束镜和准直镜使激光束变为平行光并以45度的入射角均匀照明被检查的金属板表面。金属板放在检验台上。检验台可在X、Y、Z三个方向上移动，摄像机采用TCD142D型2048线陈CCD，镜头采用普通照像机镜头。CCD接口电路采用单片机系统。主机PC机主要完成图像预处理及缺陷的分类或划痕的深度运算等，并可将检测到的缺陷或划痕图像在显示器上显示。CCD接口电路和PC机之间通过RS-232口进行双向通讯，结合异步A/D转换方式，构成人机交互式的数据采集与处理。该系统主要利用线阵CCD的自扫描特性与被检查钢板X方向的移动相结合，取得金属板表面的三维图像信息。

汽车车身检测系统

英国ROVER汽车公司800系列汽车车身轮廓尺寸精度的100%在线检测，是机器视觉系统用于工业检测中的一个较为典型的例子，该系统由62个测量单元组成，每个测量单元包括一台激光器和一个CCD摄像机，用以检测车身外壳上288个测量点。汽车车身置于测量框架下，通过软件校准车身的精确位置。测量单元的校准将会影响检测精度，因而受到特别重视。每个激光器/摄像机单元均在离线状态下经过校准。同时还有一个在离线状态下用三坐标测量机校准过的校准装置，可对摄像顶进行在线校准。检测系统以每40秒检测一个车身的速度，检测三种类型的车身。系统将检测结果与人、从CAD模型中撮出来的合格尺寸相比较，测量精度为±0.1mm。ROVER的质量检测人员用该系统来判别关键部分的尺寸一致性，如车身整体外型、门、玻璃窗口等。实践证明，该系统是成功的，并将用于ROVER公司其它系统列汽车的车身检测。

纸币印刷质量检测系统

该系统利用图像处理技术，通过对纸币生产流水线上的纸币20多项特征（号码、盲文、颜色、图案等）进行比较分析，检测纸币的质量，替代传统的人眼辨别的方法。

智能交通管理系统

通过在交通要道放置摄像头，当有违章车辆（如闯红灯）时，摄像头将车辆的牌照拍摄下来，传输给中央管理系统，系统利用图像处理技术，对拍摄的图片进行分析，提取出车牌号，存储在数据库中，可以供管理人员进行检索。

金相分析

金相图象分析系统能对金属或其它材料的基体组织、杂质含量、组织成分等进行精确、客观地分析，为产品质量提供可靠的依据。

医疗图像分析

血液细胞自动分类计数、染色体分析、癌症细胞识别等。

瓶装啤酒生产流水线检测系统

机器人立体视觉中立体匹配的研究篇6

摘要：文章结合特征点提取经典的Harris算子与Forstner算子，给出了Harris的改进算法；结合特征点的双向匹配算法，对基于区域的匹配算法有所改进，依据归一化互相关算法（NCC）计算相关灰度值来判断是否互为匹配点。

关键词：特征提取；特征点；匹配算法；灰度值

中图分类号：TP391.41 文献标识码：A 文章编号：1006-8937（2015）24-0083-02

1 特征提取

特征提取的目的是为了获取立体匹配时的图像特征，这些特征有点、线和区域等，这些提取特征的准确性对图像匹配的成功性有着直接的影响，因此，特征提取也是不容忽视的一个阶段。本文基于Harris算子简单、均匀及稳定的优势，考虑其只能定位单个像素的不足，结合Forstner算子对其作了一些改进。

2 Harris算子

2.1 Harris算子方法

Harris算子是一类典型的基于点特征的提取算子，它是由C.Harris和M.Stephens提出的为了简化运算，用一阶导数近似取代二阶导数的一种算法，而且提取到的特征点其准确性较高。图像的角点在水平和垂直方向上的导数值比较大，如果某一点是角点，则当该点向任意方向仅有一点点很小的偏移，都会引起图像灰度很大的变化。

2.2 Harris算子理念

Harris算子的理念是给出自相关矩阵，矩阵的特征值是通过计算图像像素点的相关函数的曲率构成，两个曲率都比较大的像素点则为角点。Harris算子的运算只用到灰度图像的一阶导数，因此该算子较简单且稳定。

3 Forstner算子

Forstner算子的基本思想是：选取图像上大小的窗口，并用Roberts算子对其进行滤波处理，确定最佳窗口并在包含每个像元的（影像单元，是数字化影像的最小组成单元）最佳窗口内加权中心化操作，从而确定特征点的坐标。Forstner算子的计算公式为：

Q=N-1=

（1）

其中，、为选定的大小的图像窗口中每个像素点的Roberts梯度值。通过每个窗口的兴趣值q、w，分别对应选定阈值T9（0.5～0.75）与Tw（（0.5～1.5）x，其中，—为w的平均值，若某像

元同时满足-两个条件时，则该像元确定为特征点。

4 Harris算子的改进算法

结合这两种算法的优点，克服其不足，对Harris算法进行改进，以提高提取点特征的最终效果，以便后期更成功地实现匹配。改进的具体思想为：由于Harris算子的运算只涉及一阶导数，不涉及阈值，首先，用其提取出一些特征点，可见这些特征点可以反映局部区域内最优特征，每个特征点都是一个像素点；然后，用提取出来的特征点来更加快速地确定Forstner的最佳窗口，用其作为最佳窗口的中心点，再在窗口实施加权中心化，以进一步提高特征点的精度，更加精确地给出特征点的坐标。

5 改进的双向匹配算法

在匹配过程中，采用归一化互相关函数（NCC，Normalized Cross-Correlation）来描述窗口间的像素灰度相似性。设定（u，v）为图像中某一点的像素坐标，该像素点在左、右图像中的灰度值分别为I1（u，v）和I2（u，v），所选择灰度分布窗口的模板大小为M（m×n），d表示视差，即待匹配点P1与P2在I1可能匹配点P1之间的间距，则有：

NCC（u，v，d）=

× （2）

[图1 匹配的原图像对]

在这里归一化互相关函数是用来比较两个窗口像素灰度的相似性，其NCC值越接近于1，则表示这两个窗口就越相似，求相似性的目的是最终实现匹配。

6 匹配实验及结果

机器视觉算法篇7

关键词：机器视觉,颜色优势,目标提取算法,MATLAB实现

0 引言

长期以来,农作物果实采摘一直都是通过人工来完成的,还有一些作物开花也必须依靠人工授粉才能结出果实,人们总希望能设计出一种机械可以自动完成,从而代替人工操作。特别是在某些对人体不适的工作环境中(如高温、高湿的长期作业),这种智能机械自动采摘果实与代替人工授粉的需要更为突出。机器视觉图像是指由各种图像采集设备(如数字摄像头、数码相机等)通过扫描或拍摄而获得的图像,其主要类型是数字化图像。因此,机器视觉图像处理的主要方法就是对机器采集的数字图像进行处理。所谓数字图像处理,就是指利用数字计算机及其它有关数字技术,对图像施加某种运算和处理,从而达到某种预想的目的。

1 颜色优势目标

原始输入图目标图像,如图1所示。从图1中可以看到,在黄瓜植株图像中,花朵的颜色与背景明显区别开来。一般而言,在图像采集过程中,通过设定机器采集的参数,可使拍摄角度保持平角或微俯角(考虑到拍摄视野的有限性,可以通过不同高度分层采集以得到植株的全部信息),这样在采集到的图像中背景基本为植株叶片所组成的绿色,而花朵的颜色为黄色,因而把颜色的明显区别利用到目标提取算法中会得到良好的效果。将花朵目标这类与背景存在明显颜色区别的目标称为颜色优势目标。

2 目标提取算法与MATLAB实现

为了利用颜色优势来实现对黄瓜植株图像中的花朵目标提取,首先要对图像进行颜色分量化显示,即把原始彩色图像分别显示为独立的R,G,B3个分量图像,并用灰度图像分别表达出来。在黄瓜植株中,花朵的颜色为黄色,而背景主要是植株叶片、果实以及少量其他物体组成,其颜色以绿色为主,也含有少量其他颜色,但这些颜色都与花朵的亮黄色形成鲜明对比。因此,称从背景中提取花朵颜色目标的模式为固定颜色模式。针对固定颜色模式的特点,可以在MATLAB实现中进行固定值运算,从而大幅简化程序,优化算法,缩短运算时间。

2.1 彩色图像的分量化

在MATLAB中,灰度图像是单一的二维m×n数组,每一个像素点的灰度值直接储存于数组中,这些特点使灰度图在使用上较为简便,于是根据彩色图像显示原理,把彩色分量分别抽取,然后对分量再进行灰度转化。

相比于灰度图像,彩色图像能提供更多的信息,借助于彩色空间模型可以很方便地提取出要分析的目标。下面给出RGB颜色模型和HSV颜色模型。

2.1.1 RGB颜色模型

1931年,国家照明委员会(CIE)规定用波长为700,546.1,435.8nm的单色光作为红(R)、绿(G)、蓝(B)三原色。

根据三原色原理,任意彩色的颜色方程为

F=α(R)+β(G)+γ(B)

其中,α,β,γ是红、绿、蓝三色的混合比例,一般称为三色系数。

任何自然界的色彩都可以在数字量化以后,由红、绿、蓝(R,G,B)3种基色所表示。根据红、绿、蓝所占成分的不同组合来决定其颜色值,每一组不同的值对应一种颜色。将每种颜色的浓度按照要求分成了不同的n等份,即有n级该颜色浓度。在计算机存储机制中每个字节为8位,也就是可表示范围为0～255。因此,为了方便通常在计算机中用一个字节来存储一种颜色的浓度值。对于R,G,B各用8位表示的图像系统,其颜色数共有224种颜色,虽然由于显示设备和显示技术限制导致实际并不能达到这一理论值,但仍足以满足人类的视觉要求。

2.1.2 HSV颜色模型

HSV空间即色度(Hue)、饱和度(Saturation)和亮度(Value)空间,是比较接近人对颜色视觉感知的彩色空间,其中H表示不同颜色,如红、绿、黄等;S表示颜色的深浅,如深红、浅红等; V表示明暗程度,主要受光源强弱的影响。HSV模型有两个重要的事实作为基础:①V分量与彩色信息无关;②H和S分量与人感受彩色的方式紧密相连。HSV空间比较直观并且符合人的视觉特性,这些特点使得HSV模型非常适合基于人的视觉系统对彩色感知特性的图像处理。HSV颜色模型对应于圆柱坐标系中的一个圆锥形子集,如图2所示。

从RGB到HSV的转换公式为

$Η = \cos^{- 1} [\frac{(R - G) + (R - B)}{2 \sqrt{(R - G)^{2} + (R - B) (G - B)}}]$

R≠B或G≠B

$S = 1 - \frac{3}{R + G + B} [\min (R, G, B)]$

$V = \frac{R + G + B}{3}$

2.2 目标的突显

首先,读入原始彩色图像,将其转化为灰度图像,并对其灰度图进行调整,如图3所示。

由图3可知,经过直方图变换,调整灰度图与原始灰度图的对比度明显增强,这种处理方法在之后的处理中经常用到,它对阈值化处理与图像分割有着重要意义。图4显示了原始灰度图与调整灰度图的直方图,可以直观地看到它们的区别。

直方图是图像分析中用来说明图像灰度分布的图形,直方图的每一个分支表示对应灰度级出现的频数(即该灰度级像素个数与像素总数的比值)。根据直方图的信息可以选择一种合理的变换算法对图像进行增强操作。用变量f代表输入图像中的像素灰度,用g代表输出图像中的像素灰度,那么f和g都是数值在[0,255]范围内的连续随机变量。设输入和输出图像的灰度概率密度函数分别为Pf(f)和Pg(g),那么所谓直方图变换就是利用一个转移函数φ对输入图像的像素灰度f进行计算,求出输出像素灰度g=φ(f),使得Pg(g)服从某种指定的概率密度分布形式。设输入图像灰度级个数为L,f的灰度区间为[fmin,fmax],g的灰度区间为[gmin,gmax],C(f)表示输入图像灰度的累计分布函数,其定义如下

$C (f) = \sum_{j = 0}^{k} Ρ_{f} (f_{j})$

j=0,1,…,k,…,L-1

2.3 目标提取算法

根据所需的概率密度分布形式不同,采用的转移函数形式也不同。常见的有指数分布、均匀分布、Rayleigh分布、双曲分面等,它们的概率密度分布情况与所对应的转移函数如下:

概率分布密度模型为

指数分布:Pg(g)=αexp[-α(g-gmin)]

均匀分布: $Ρ_{g} (g) = \frac{1}{g_{\max} - g_{\min}}$

Rayleigh: $Ρ_{g} (g) = \frac{g - g_{\min}}{α^{2}} \exp [- \frac{(g - g_{\min})^{2}}{2 α^{2}}]$

双曲分布: $Ρ_{g} (g) = \frac{1}{3} \frac{q^{- \frac{2}{3}}}{g_{\max}^{\frac{1}{3}} - g^{\frac{1}{3}}_{\min}}$

转移函数为

$g = g_{\min} - \frac{1}{α} \ln [1 - C (f)]$

g=[gmax-gmin]C(f)+gmin

$g = g_{\min} + [2 α^{2} \ln \frac{1}{1 - C (f)}]^{\frac{1}{2}}$

$g = [(g_{\max}^{\frac{1}{3}} - g^{\frac{1}{3}}_{\min}) C (f) + g^{\frac{1}{3}}_{\min}]^{3}$

下面对原始彩色图像分别计算其R,G,B分量值,并以灰度图形式显示,如图5所示。

由图5可以得出,RGB图像显示中,红、绿、蓝各色分量在图像构成的数值不同,其作用也不同。在固定颜色模式下,红色分量对花朵目标的突显最为明显,绿色分量次之,而蓝色分量难以将花朵目标与背景有效地区分开来。因此,在RGB图像中,本文选择R,G分量图进行下一步处理。

再把图像转化为HSV格式,分别计算其H,S,V分量值,并以灰度图形式显示,以期参考对比,选择对目标突显最为明显的分量图。这里对S,V分量也用到了直方图均衡化方法,如图6所示。

2.4 MATLAB实现

目标提取算法的MATLAB代码(部分)如下:

3 结论

1)在机器视觉图像中的目标进行提取识别时,应针对不同目标选用相适宜的处理方法,充分利用目标的特征,尤其是某种突显特征。

2)对黄瓜植株中花朵目标的处理,采用了颜色优势目标提取算法。算法针对花朵目标与背景的颜色明显差异,利用RGB与HSV分量图将目标特征突显化,结合二值形态学操作方法和MATLAB强大的矩阵运算功能,将花朵目标提取出来。

3)在颜色优势目标的识别过程中,考虑到在智能农业机械的具体实用性,在运算结果中既舍弃了无关信息,又保留了实用性强的精确信息,为智能农业机械的机械操作(如自动授粉)提供了准确参数。经实验验证,该算法程序运算时间短,返回结果稳定,在课题应用中取得了良好效果。

参考文献

[1]勒中鑫.数字图像信息处理[M].北京:国防工业出版社,2003.

[2]徐飞,施晓红.MATLAB应用图像处理[M].西安:西安电子科技大学出版社,2002.

[3]飞思科技产品研发中心.MATLAB 6.5辅助图像处理[M].北京:电子工业出版社,2003.

[4]王晓丹,吴崇明.基于MATLAB的系统分析与设计:图像处理[M].西安:西安电子科技大学出版社,2000.

机器视觉算法篇8

随着数字图像处理技术的迅猛发展,人们对产品质量要求的提高,传统的人工检测由于很多原因已不能得到令人满意的检测结果,因此,机器视觉检测技术越来越受到人们的高度重视。然而在实时在线检测中,由于待检测图像的数据量非常大,导致检测速度不能满足在线生产,这就对检测算法提出了要求。本文将对检测算法进行分析研究。

1 缺陷检测系统概要

工业产品表面缺陷检测系统基本可分为如图1所示的几个步骤[1]。其中图像采集使用工业相机,图像预处理包括去噪滤波、图像的增强。图像分割包括阈值分割、边界跟踪、区域增长等处理。缺陷检测有匹配法、灰度相关法、动态阈值法等。缺陷特征提取有几何特征、颜色特征、纹理特征等。本文的重点放在缺陷检测模块,在原有检测算法的基础上提出两种改进的检测算法,并给出试验结果和结论。

2 缺陷检测算法

非纹理图像的表面缺陷检测在现实中有很多应用领域,例如:墙地砖的表面检测、印刷电路版的缺陷检测、药品检测等。本文将针对纸杯表面的缺陷这一实际问题对几种常用检测算法进行分析比较,并在原有的基础上提出两种改进的算法,检测效果良好。

2.1 基于模板匹配的表面缺陷检测

匹配技术的一种最简单的形式是差影法,差影法的原理是对两幅图像按照对应像素做差,依据做差结果判断是否有缺陷。

匹配技术的另一种形式是灰度相关法,方法是以图像像素的相关性来衡量图像间的相似性,关于灰度相关的相似性测量有许多种相似性测量函数,其中最常用的是灰度相关函数。

2.2 差影法

传统的差影法是直接将两幅图像中的相应像素相减,而在实际生产线上获得的标准模板不可避免的会与在线的产品间存在差异,当环境基本不变时,传统差影法可通过预先设置一个阈值,将其与差值作比较从而检测出缺陷,如式(1)所示:

2.3 灰度相关法

设模板图像局部子图f1(x,y)与待检图像局部子图f2(x,y)的大小均为M×N,为了测量两幅图像的相关性,除了差影法外还可以利用相关系数作为相似性度量,当两幅图一致时,它们的相关性必然是最大的,从而相关系数也将是最大的,式(2)给出相关系数的求取公式:

为了适应周围环境的变化,我们将上述相关系数归一化,这样待检测图像的整体灰度值的波动将不会影响到相关系数。归一化的相关系数计算公式如式(3)所示:

即在求到两幅图在(i,j)处的相关系数后,通过取阈值T进行二值化,从而得到检测结果图像A(i,j),计算公式如式(4)所示:

3 改进的缺陷检测算法

在很多情况下由于周围光线环境的变化,仅凭一个阈值是不能解决错检或误检问题,本文采用一种改进的差影法进行检测。

3.1 统计平均差影法

改进的差影法的原理是:由于环境光线的变化,在对两幅图像进行做差前,首先求出模板图像的期望值q0及待测物体图像的期望值q1,然后求解出来这两个期望值的比例关系,并和可调系数b相乘作为最终的比例系数,即为(q0/q1)×b,最后再令待测图像的每个像素值乘以这个比例系数,这样可以有效抑制整幅图像的光照偏暗或者偏亮时造成的误检。

差影法的问题还存在于在实际操作中图像的配准问题很难解决。由于随着纸杯生产线的运行,相机所采的纸杯表面大小在很多情况下不等大,如果采用很多模板去逐个适应这样的变化,那么计算量是非常大的,所以我们将多副合格产品采用统计像素平均法制作一个模板。统计平均法是根据各个样本像素值的概率分布,求出统计平均值作为模板值。设样本数N,每个样本图像表示为fi(x,y),i=0,1,2,…,N-1;则模板各像素为:

试验结果表明,采用统计平均法的模板图像,比直接采用一种合格产品的图像作为模板的误差率要低,因此不仅提高了检测速度,还提高了检测质量。

3.2 改进的灰度相关法

然而在实际应用中,有两个问题需要解决,一是阈值T大小如何决定;二是计算量非常大,对于在线的工业生产来说,实时性很差。为了提高检测速率,我们采用粗略定位,局部细化的方法。即首先我们只考虑模板图像和待检测图像间隔为d的像素点集,如果待检测图像存在缺陷,那么就可以检测出缺陷的大致位置和部分缺陷,然后以此缺陷位置向周围区域增长,从而完全检测出缺陷的面积。

对于以上两个问题中的第一个阈值T,我们可以设置可调方式。第二个问题中,有像素间隔d,如果d值较小,那么数据量还是比较大,如果d值比较大,那么可能会检测不到小面积的缺陷,即会产生漏检。所以需要根据实际情况取值。

其实现算法的主要代码描述如下:

3.3 实验结果及分析

实验环境如下,相机:MV-VD030SM;镜头:3.5-8mm;曝光时间:0.8ms,模板图像以及检测的图像大小752×480。

程序用VC++编程实现,运行结果如图2所示。

首先找N幅没有缺陷的纸杯表面图像来制作模板,然后利用这幅模板与待检测图像进行相减或求相关系数,最后得出检测结果,图3为所选择的标准模板图之一,图4为有各种缺陷的纸杯表面图像,图5为差影法结果,图6,图2分别为灰度相关法进行检测的结果,只是d的取值不一样。

从图5可以看出使用统计平均模板差影法的效果比较理想。如图6,图2,当d逐渐增大的时候,虽然检测速度提高了,但是对于小面积的缺陷有漏检。在实际的应用中把此参数作为可调性的,根据实际情况调节,以便达到最佳效果。

如表1所示,传统的差影法在实际的检测中会使用多个模板,实验中选取了5个模板,检测时间会稍长一些,改进的差影法只使用一个合成的模板,检测时间会缩短,检测效果也达到了预期效果。

如表2所示,传统的灰度相关法的准确率是比较高的,但是检测时间较长,而改进的灰度相关法的检测时间明显减小,平均检测准确率也达到了预期效果。

4 结语

综上所述,通过对传统的缺陷检测算法的分析,本文结合纸杯表面的缺陷特征,针对模板匹配法,提出了两种改进的算法,即统计平均差影法和粗放型灰度相关法。提高了缺陷检测速度,改善了检测效果,为工业产品表面缺陷的在线检测应用提供了参考经验。

参考文献

[1]戴勇.瓷质墙地砖表面缺陷检测方法研究[D].华中科技大学,2002:50-52.

[2]段能全,刘刚,王俊元.基于机器视觉的刀具几何参数测量技术[J].机械设计与制造,2008,(10):217-219.

[3]王宏,朱德生,唐威.一种基于灰度投影的带钢表面缺陷检测算法[J].东北大学学报,2008,29(3):375-378.

[4]谭刚,董祥龙,徐继,等.基于机器视觉的玻璃瓶表面缺陷检测[J].上海工程技术大学学报,2009,23(2):111-116.

[5]Iivarinen J,Rauhamaa J,Visa A.Unsupervised Segmentation of Sur-face Defects[J].Pattern Recognition,1996(3):356-360.

[6]Salembier P.Multiresolution Decomposition and Adaptive Filteringwith Rank Order Based Filters-application to Defect Detection[J].In-ternational Conference on Acoustics,Speech,and Signal Processing,1991(4):2389-2392.

[7]Estola K P.Adaptive Median Operators in Image Segmentation[C]//Proceedings of IECON.1991(3):2510-2515.

[8]Ajay K.Noural Network Based Detection of Local Textile Defects[J].Pattern Recognition,2003,36(7):1645-1659.

机器视觉算法篇9

变电站是电网的枢纽, 变电站设备的巡检对于保证电力系统的安全生产和可靠运行至关重要。传统的人工巡检方式工作量巨大, 而且由于人为因素的影响有时难以及时发现设备异常和潜在的故障隐患。随着科技进步和电力体制改革的不断深入, 应用智能移动机器人进行变电站设备自行巡检成为可能。变电站智能巡检机器人可以充分发挥机器人的技术优势, 完成一些人工巡检难以完成的任务, 从而提高巡检质量, 加速推进建设智能变电站的进程[1,2,3,4]。

导航技术是变电站巡检机器人实现自主运行的关键技术。由于视觉系统具有信号探测范围宽、目标信息完整等优势, 再加上近年来计算机图像处理能力和技术的飞速发展以及大量的数字图像处理设备性价比的提高, 移动机器人视觉导航成为研究热点。本文采用画线引导的方法实现机器人视觉导航, 即在变电站道路上画上蓝色条状线作为机器人巡检的引导轨线, 机器人下方携带循迹摄像机拍摄轨线图片, 依线行走[5,6,7,8]。

1 引导线识别算法

引导线识别的原理很简单, 假设变电站路面较平坦, 根据地面设置的蓝色条状引导线和路面背景的图像灰度值的差异, 经过图像处理, 在采集的图像窗口中提取蓝色引导线的边缘, 然后得到引导线的中心线, 根据此中心线的位置判断机器人本体与引导线的相对位置, 便可得到机器人的行驶路径。本文中为增加机器人循迹摄像机的视野范围, 将摄像头与水平方向成30°安装于机器人底部, 但这样会使引导线产生变形, 因此必须先对引导线进行变形矫正, 再对相对位置的提取方法做进一步改进。引导线识别的流程如图1 所示。

1.1 图像预处理

机器人携带循迹摄像机拍摄路面轨道, 采集到的引导线图像是彩色图像, 彩色图像包含的颜色信息在储存上开销很大, 而且运算量也比较大。因此首先要对图像进行灰度化处理, 以减少后续运算和提高运算效率。灰度图像就是只有强度信息而没有颜色信息的图像, 存储灰度图像只需要一个数据矩阵, 矩阵每个元素表示对应位置像素的灰度值。而且由于采集系统或其他原因产生噪声使采集的图像有些比较模糊或存在黑白孤立点, 这对引导线图像的进一步处理极为不利, 因此要根据图像噪声是否严重, 选择一种或多种滤波器进行滤波去除噪声。目前采用较多的是中值滤波法。中值滤波[9,10]是一种非线性平滑技术, 它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值, 其原理为:令[ f (x, y) ] 为原始图像阵列, [ g (x, y) ] 为中值滤波后图像阵列, f (x, y) 为灰度级, g (x, y) 为以f (x, y) 为中心的窗口内各像素的灰度中间值。取3×3 窗口:

从小到大排列, 取中间值

但是考虑到变电站环境复杂, 有些还处于高原地区, 情况更为恶劣, 所以提出用中值滤波联合形态学闭运算的图片处理方法, 经试验取得了良好的效果, 用联合算法处理图片的结果如图2 所示。

1.2 中心线提取

为了能够准确可靠地沿着蓝色引导线行走, 需要获得引导线的边缘特征点, 即获得引导线的中心线。本文采用边缘检测, 采用3×3 邻域可以避免在像素之间内插点上计算梯度。SOBEL算子是边缘检测器中最常用的算子之一。SOBEL算子如下:

梯度幅值:

其中的偏导数用式 (2) 计算:

用卷积模板来实现:

边缘检测后的图像如图3 所示, 提取出的线条边缘为单像素, 传统的逐行搜索法是直接搜索同一行边缘线的左右2 个边缘点, 然后再求取这2 个边缘点的坐标中心点, 以此类推, 直到搜索完整幅图像, 所有中心点的集合即为中心线。为了提高搜索速度, 本文采用隔10 行扫描的方法提取指定行蓝色像素的中点。

变电站巡检机器人拍摄到的蓝色引导线图像一般为穿过图片上下边界直线, 采用该方法可以得到较好的效果, 然而当机器人拍摄到的引导线穿过图片左右边界时 (见图4a) , 在图片左右边界处就会产生畸变。本文采用改进的行列联合搜索算法提取这种循迹图片的中心线。算法简述如下。

1) 首先在最后一列检测引导线与图片交叉的边缘点A (xa, ya) , 然后在A点所在的行检测另一个边缘点B (xb, yb) , 计算出这2 点的中点C (xc, yc) , 在这里

2) 然后从引导线与图片上边界的交叉部分, 即上部第一行开始隔行扫描, 分别获取左右2 个边缘点, 计算得到中点。

3) 从最后一列开始到C点所在的列隔列扫描, 分别寻找引导轨线的上下2 个边缘点, 得到每一列的中点。

4) 将隔行和隔列扫描到的中点集合起来, 即得到完整的中心线, 算法处理前后对比见图4f和图4g。

这种行列联合搜索算法主要是找到恰当的行列分界点, 虽然每张图像的情况要分别考虑, 但这种算法原理简单, 效率很高, 得到的中心线较理想。

2 轨线识别的实现

为了便于机器人伺服控制系统对机器人行走偏移距离和偏移角度的控制, 通过曲线拟合的方法得到中心线的方程, 这里采用改进的最小二乘法[11]。因为摄像机视野相对较小, 一般可以认为引导线图像比较简单, 设此中心线的方程为

需要求出a、b、c的值, 将各中心点坐标代入方程可得方程组:

方程组的数目多于待求解未知数的数目, 无法直接求解方程组。最小二乘法指出, 在所得数据为无偏、正态、独立的条件下, a、b、c最可信赖的求解结果应该在残差的平方和v2最小的情况下得到, 残差见式 (5) 。

式中, y′n为最小二乘估计量。最小二乘法拟合后的图像如图5 所示。

3 结语

在发电、输电、配电、用电等环节应用大量的新技术, 最终实现电网管理的自动化、综合化、集中化、智能化。我国已将智能电网建设上升为国家战略, 变电站巡检机器人的应用极大地推进了智能电网的建设, 而视觉导航是机器人自行巡检中的关键技术, 本文提出的基于引导线的机器人循迹方案中, 对导航线图像的联合滤波预处理方法经试验证明快速高效, 由于引导线在摄像机视窗内的模式有很多种, 文中不同的模式采用相应的方法进行扫描, 提出的行列联合扫描方法效果非常理想。

摘要：机器人的运用在变电站巡检中至关重要, 为解决变电站巡检机器人导航定位的问题, 在基于蓝色引导线的视觉导航技术基础上提出一种图像预处理的联合滤波方法, 并提出一种行列联合隔行扫描的引导线像素中点提取方法, 最后用最小二乘法拟合得到蓝色引导线, 仿真结果证明该方法简单快速, 能够准确导航定位。

关键词：变电站巡检机器人,导航,联合滤波,行列联合隔行扫描,最小二乘法

参考文献

[1]张海波, 原魁, 周庆瑞.基于路径识别的移动机器人视觉导航[J].中国图像图形学报, 2004, 9 (7) :853–857.ZHANG Hai-bo, YUAN Kui, ZHOU Qing-rui.Visual navigation of a mobile robot based on path recognition[J].Journal of Image and Graphics, 2004, 9 (7) :853–857.

[2]尚文, 马旭东, 戴先中, 等.基于视觉的移动机器人地面轨线跟踪导航研究[J].机器人, 2003, 25 (5) :432–437.SHANG Wen, MA Xu-dong, DAI Xian-zhong, et al.Research on vision-guided robot navigation by tracking trajectory[J].Robot, 2003, 25 (5) :432–437.

[3]董再励, 郝颖明, 朱枫.一种基于视觉的移动机器人定位系统[J].中国图像图形学报, 2000, 5 (8) :688–692.DONG Zai-li, HAO Ying-ming, ZHU Feng.A based vision location system for autonomous robots[J].Journal of Image and Graphics, 2000, 5 (8) :688–692.

[4]赵书涛, 李宝树, 崔桂彦, 等.基于计算机视觉的远程变电站状态监测与诊断新策略[J].电网技术, 2005, 29 (6) :63–66.ZHAO Shu-tao, LI Bao-shu, CUI Gui-yan, et al.Remote state monitoring and diagnosis of substation based on computer vision[J].Power System Technology, 2005, 29 (6) :63–66.

[5]杨森, 董吉文, 鲁守银.变电站设备巡检机器人视觉导航方法[J].电网技术, 2009, 33 (5) :11–16.YANG Sen, DONG Ji-wen, LU Shou-yin.Visual navigation method of substation patrol robot[J].Power System Technology, 2009, 33 (5) :11–16.

[6]董吉文, 杨森, 鲁守银.基于单目视觉的移动机器人导航方法[J].山东大学学报 (理学版) , 2008, 43 (11) :1–5.DONG Ji-wen, YANG Sen, LU Shou-yin.Navigation method of monocular vision based mobile robot[J].Journal of Shandong University (Natural Science) , 2008, 43 (11) :1–5.

[7]左敏, 曾广平, 涂序彦.无人变电站智能机器人的视觉导航研究[J].电子学报, 2011, 39 (10) :2464–2468.ZUO Min.ZENG Guang-ping, TU Xu-yan.Research on visual navigation of untended substation patrol robot[J].Acta Electronica Sinica, 2011, 39 (10) :2464–2468.

[8]马颂德, 张正友.计算机视觉:计算理论与算法基础[M].北京:科学出版社, 2003.

[9]王志明.数字图像处理与分析[M].北京:清华大学出版社, 2012.

[10]郭宝龙, 孙伟.数字图像处理系统工程导论[M].西安:西安电子科技大学出版社, 2012.

机器视觉算法篇10

玉米穗籽粒行数 (穗行数) 是穗部重要农艺性状之一。不同品种的玉米穗行数有较大差别, 生长条件也会影响穗行数, 在玉米育种、栽培及新品种DUS测试[5]等科研中准确计数穗行数非常重要。玉米穗行数的传统测定靠人工计数, 存在人工计数方法固有的缺陷—易于疲劳、误差大、效率低。

本文基于机器视觉的相关理论即数字图像处理的方法, 设计出一种玉米穗行数自动检测算法确定其行数。特别提出用一维最小值滤波器对排序好的角度-半径曲线图进行滤波, 这样做可以滤去角度-半径变化曲线中的噪声, 避免直接计算其极大值或极小值点的个数, 可能会出现的误差。经过检测, 该算法可以客观、高效、准确地检测出玉米穗行数, 满足我国玉米粮食产业的选种需要。

1 自动检测算法整体方案设计

根据人工行数检测习惯, 我们只关心玉米横断面外边缘轮廓图像信息, 穗行数是由外边缘轮廓的凸凹变换所决定的。因此, 设计基于机器视觉的玉米穗行数自动检测算法, 主要包括图像采集, 图像预处理, 图像特征提取和特征统计四个部分[6,7,8]。其流程图如图1所示。

在上述流程图中, 图像采集即玉米穗横断面照片的获取。将玉米穗横断面放在白色背景上, 在它上方加上环形光源, 相机在环形光源正中、玉米穗横断面正上进行拍摄获取玉米穗横断面图像。本文在实验中获的图像为JPEG格式, 该格式的的特点是具有高压缩比, 能够保留RGB颜色模型中的所有颜色信息, 可以有效地提取与玉米颜色相关的特征。

2 图像预处理

图像预处理是整个设计的关键步骤[9], 预处理效果直接关系到后面特征提取的效果, 进而关系到整个设计的处理精度和准确率。本设计对图像的预处理主要包括对比度增强、彩色图像转换成灰度图像、采样压缩、最大类间方差图像分割。

2.1 对比度增强

由于玉米部分多数为黄白色, 而背景部分选择了白色, 两部分灰度级差别不大, 故需要对图片先进行主题部分加强, 通过减小主题部分的细节, 增大背景和主题的对比度, 来区分玉米穗横断面主题和背景。

图2所示的HSV (Hue-SaturationValue) 颜色空间[10]是一种均匀的颜色空间, 能够反映人的视觉对颜色的感觉。色调H饱和度S包含颜色信息, 而亮度V与颜色无关。由于饱和度与一定色调的亮度有关, 纯光谱色是完全饱和的, 随着白光的加入饱和度逐渐减少。而对比度增强就是要减少玉米横断面图像中的黄白色分量即增大S的数值。

本算法采用下面步骤增强对比度:

1) 原有RGB彩色图像转换为HSV颜色模型;

2) 单独提取HSV模型中饱和度S分量进行增强;

3) 利用增强后的S和原有H、V重构图像并转换为RGB颜色模型;

4) 根据公式Gray=0.2990*R+0.58700*G+0.1140*B将彩色图像转换为灰度图像。

2.2 图像采样压缩

为提高行数自动检测效率, 减少算法执行时间。本文对灰度图像的行和列进行重新采样, 采样频率降为原有1/2, 图像大小由原有976*1000降为488*500。

以下是实现代码:

p2=2;%图像采样率

f=f (1:p2:end, 1:p2:end) ;%对图像f进行采样压缩

2.3 图像分割

图像分割[11]的目的是把图像空间分成一些有意义的区域。该设计中最关键的部分是能够准确地将采集到的图像分割成两部分, 一是玉米穗横断面部分即主题部分, 二是图片背景部分, 只有正确地分割才能准确地提取玉米穗部分的边缘, 才能够顺利地进行后面的工作。

为实现以上目的, 需要将压缩后的灰度图片翻转, 使玉米穗主题部分变亮, 然后再在图片中心增加一个点光源, 使玉米穗部分更加亮, 增大两部分的灰度值, 最后采用阈值分割法将图片分割成两部分, 而阈值t的选取是用最大类间方差法 (简称otsu法) [12]求解的。

整个预处理的效果图如图3和图4所示。

3 图像特征提取

3.1 边缘检测

通过区域分割, 已经把图像分割成很多个区域, 其中有我们需要的玉米穗边缘, 也存在很多噪声。从这些噪声中如何正确地提取出我们需要的边缘是这一步算法要完成的工作。

图像边缘检测的方法有很多, 本算法中边缘检测的工作原理是:检测的图像已是二值图像用0和1来表示, 当检测到的是0时就给它赋值为0, 当检测到的是1且其周围的数值还是1时就给它赋值0, 当检测到的是1但其周围的数值有1还有0时就给它赋值为1, 这样就将玉米穗图像边缘检测出来, 并将边缘用数值1来表示, 其余部分用0来表示。

边缘检测完成后, 图像变成二值图像, 背景为0, 图像边缘为1, 因此在0和1的交接处形成边缘。效果如图6所示。

3.2 计算图像特征

1.确定玉米穗的圆心

要想正确地从分割后的图像中提取玉米穗边缘行数特征, 必须要让计算机识别出横断面图像边缘的凸点和凹点。为了实现以上目的, 首先确定玉米穗图片的圆心, 本文选择用质心法[13]计算玉米穗的圆心, 质心的计算方法为:

2.计算角度和半径

从边缘检测图像上可以清楚的看到边缘点像素坐标到圆心的距离不同决定着此边缘像素所处玉米穗的位置, 比如半径处于极大值点说明此处为玉米粒的最顶端, 半径处于极小值点说明此处像素处于玉米行的交接处, 所以我们只需要统计出玉米边缘到圆心距离的极小值点的个数, 就相当于统计出了玉米行数。两点间距离公式[14]:

两点间夹角公式为:

4 玉米穗行数特征统计

4.1 绘制半径-角度曲线图

按照遍历的顺序, 在上述计算边缘图像的圆心到边缘的角度、半径时, 我们发现程序结果中, 角度的初始值并不为0。为了便于最终行数特征提取, 对角度从小到大进行排序, 同时对半径进行归一化处理, 得到半径关于角度的函数, 绘制出角度—半径曲线图。见图7 (a) 所示。

4.2 最小值滤波

由于玉米穗外轮廓并非规则、标准的圆形, 对于角度—半径图, 如果直接计算其极大值或极小值点的个数, 将可能会出现大的误差, 用一维最小值滤波器对图像进行滤波, 能有效减少误差, 且有效消除图片大小对结果的影响。经过大量调研, 发现一个玉米穗行数不会超过30, 这样每一行在半径序列里所占长度一定会大于半径总长度/30。利用半径总长度/30为一维最小值滤波器对角度—半径图进行依次滤波, 得到精确地玉米穗半径最小值截平滤波图。

4.3 行数统计

从图7最小值滤波效果图中可以看出, 被截平的线段的个数即玉米穗行数, 因此, 直接统计截平线段个数即是玉米穗行数。

5 结论

本文给出了基于机器视觉的玉米穗室内考种时行数的自动检测算法, 表1给出在实验室的统计数据[15]。

本算法与现有技术相比, 设计思路清晰、层次分明, 提高了玉米穗行数检测的运行效率和稳定性, 经实验验证, 系统运行准确、稳定, 可以满足玉米穗室内考种时行数自动检测技术的要求, 拥有实时、高效、客观、准确和无损伤等显著优点, 具有很好的推广价值。

摘要：该算法主要用于玉米室内考种时穗行数的自动检测。执行时, 首先获取玉米穗横断面图像, 然后提取出玉米穗的边缘;接着用质心法提取圆心, 计算边缘到圆心的距离和角度, 在02pi上画出一周的角度-半径曲线图;最后对角度-半径曲线图进行最小值滤波器滤波, 并统计极小值的个数即是玉米穗的行数。本算法实施成本低, 测量玉米穗行数快速、准确、稳定, 为机器视觉在玉米考种系统下的应用提供了有效参考。

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【机器视觉算法】相关文章：

机器视觉在工业机器人技术方面的应用探究09-10

基于机器视觉技术的矽钢片缺陷检测系统设计及实现02-03

视觉算法工程师的基本职责05-09

计算机机器学习算法论文题目05-03

基于计算机视觉的运动目标跟踪算法的探讨09-11