基于机器视觉的尺寸测量方法
机器视觉第5章 尺寸测量技术
直线拟合的哈夫变换方法
直线函数：y=px+q
图像空间XY：(x, y) 参数空间PQ：(p, q)
Y (x2, y2)
(x1, y1)
O
X
Q
q=-x1p+y1
q’
q=-x2p+y2
O
p’
P
点--线对偶性：
图像空间中共线的点，对应在参
数空间中相交的线。
参数空间中相交于一点的所有直
Hough变换的基本思想：依次检查图像上的每个棋子(特定 像素)。对每个棋子，找到所有包含它的容器(直线)，并 为每个容器的计数器加1。遍历结束后，统计每个容器 所包含的棋子数量。当图像上某个直线包含的特定像素 足够多时，就可以认为直线存在。
第5章 尺寸测量技术
L4
A L1
B L8
L6
L7
L2
L3
Hough变换时，依次对像素A、B进行处理
像素A的处理结果：L1、L2、L3、L4等直线的计数器加1； 像素B的处理结果：L2、L6、L7、L8等直线的计数器加1； 最终结果：除L2外，其余直线区域的计数器值均为1。
根据图像大小设定阈值T，规定若某个直线计数器内包含 的特定像素数量>T，则认为此直线存在。
第5章 尺寸测量技术
5.5 角度测量
在工业零件视觉检测的应用中，经常需要对工件中的一些 角度进行测量。
螺母正视图中每条边相互的夹角大小及是否相等 零件底面与侧面的垂直度检测
角度检测的关键是对所测角度的两条边线的提取，然后利 用斜率计算公式得到两条线的夹角。
可采用以上介绍的方法，得出两条直线方程
第5章 尺寸测量技术
Hough算法的改进
基于机器视觉的机械零部件尺寸测量技术研究
基于机器视觉的机械零部件尺寸测量技术研究导言近年来，随着机械工业的不断发展，对机械零部件尺寸测量技术的要求也越来越高。
传统的人工测量虽然能够满足一定的需求，但其存在的主观性和不稳定性仍然是主要问题。
为了解决这一问题，基于机器视觉的机械零部件尺寸测量技术应运而生。
本文将探讨基于机器视觉的机械零部件尺寸测量技术的研究现状和未来发展趋势。
一、技术原理基于机器视觉的机械零部件尺寸测量技术是利用计算机和摄像设备对机械零部件进行图像采集和处理，通过图像处理算法获取零部件的尺寸信息。
其技术原理主要分为图像采集、图像处理和尺寸测量三个步骤。
图像采集是基于机器视觉的机械零部件尺寸测量技术的第一步。
通过高分辨率摄像设备对机械零部件进行拍摄，获取清晰的图像。
高分辨率的摄像设备能够提供更多的图像信息，有助于提高尺寸测量的准确性。
图像处理是基于机器视觉的机械零部件尺寸测量技术的核心步骤。
通过图像处理算法对采集到的图像进行分析和处理，去除图像中的噪声和干扰，提取出零部件的边缘特征。
常用的图像处理算法包括边缘检测、二值化、轮廓提取等。
尺寸测量是基于机器视觉的机械零部件尺寸测量技术的最终目标。
通过对图像处理后的图像数据进行尺寸计算，得到机械零部件的尺寸信息。
常用的尺寸测量方法包括长度测量、宽度测量、直径测量等。
二、研究现状基于机器视觉的机械零部件尺寸测量技术已经在工业领域得到广泛应用。
目前，研究人员主要集中在算法改进、设备优化和测量系统的智能化方面进行研究。
在算法改进方面，研究人员提出了许多新的图像处理算法和尺寸测量方法。
例如，基于边缘检测和霍夫变换的尺寸测量方法可以提高测量的准确性和稳定性。
另外，利用深度学习技术进行图像处理和尺寸测量也成为研究热点。
这些算法的出现极大地推动了基于机器视觉的机械零部件尺寸测量技术的发展。
在设备优化方面，研究人员致力于提高摄像设备的性能和精度。
高分辨率、高帧率的摄像设备能够提供更多的图像信息，从而提高尺寸测量的准确性。
基于机器视觉技术的工件尺寸测量实训教学项目设计
基于机器视觉技术的工件尺寸测量实训教学项目设计作者：张苏新韩仲洋黄天宇张云昊来源：《现代信息科技》2021年第01期摘要：通过对机器视觉硬件电路的设计，同时使用VisionPro软件进行工件尺寸测量的编程设计，完成了工件尺寸测量实训教学项目的设计，具体完成了工件的长度、角度、孔径和直径的尺寸测量。
该实训项目包含了工件测量的常用测量变量，对于通过VisionPro软件进行工件测量的教学具有良好的教学效果，能够让学生更好地掌握机器视觉检测的应用。
关键词：机器视觉;实训教学项目;VisionPro中图分类号：TP391.41 文献标识码：A 文章编号：2096-4706（2021）01-0149-04Design of Practical Teaching Project of Workpiece Dimension MeasurementBased on Machine Vision TechnologyZHANG Suxin，HAN Zhongyang，HUANG Tianyu，ZHANG Yunhao（Suzhou Vocational University，Suzhou 215104，China）Abstract：By the means of designing of machine vision hardware circuit，and making the programming design of workpiece dimension measurement by VisionPro software，the design ofpractical teaching project of workpiece dimension measurement is completed. For more，the dimension measurement of the length，angle，aperture and diameter of the workpiece are completed. The training project includes the common measurement variables of the workpiece measurement. Which has good teaching effect for the teaching to measure the workpiece through VisionPro software，and can make students better master the application of machine vision detection.Keywords：machine vision;practical teaching project;VisionPro0 引言传统的工件尺寸测量都是检测技术员借助仪器仪表完成的。
机器视觉第5章 尺寸测量技术
F a, b i2 yi axi b
i 1 i 1
n
n
2
极值原理：
F a F b
n n n n xi yi xi yi n ③ a i 1 i 1 i 1 2 xi yi axi b 0 2 n n i 1 2 n xi xi ② n i 1 i 1 2 yi axi b 0 1 n a n ① i 1 b yi xi n i 1 n i 1
第5章 尺寸测量技术
第5章 尺寸测量技术
尺寸测量是机器视觉技术最普遍的应用行业，包括 物件的长度、角度、孔径、直径、弧度等都是典型的物件 待测几何参数。 传统尺寸测量精度低、速度慢、无法满足大规模自 动化生产的需要。 基于机器视觉的尺寸测量技术属于非接触性测量， 具有检测精度高、速度快、成本低、便于安装等优点。不 但可以获取在线产品的尺寸参数，同时可对产品作出在线 实时判定和分检。
2. 依次逐行检测至扫描结束。
3. 循环取得各点的标号，根据不同的标号，将像素加到对 应的数组。 4. 计算各个连通区域的面积及个数等。
第5章 尺寸测量技术
Hough算法的改进
基于局部PCA方向统计分析的Hough直线检测算法
首先通过边缘检测获得图像边缘，对边缘像素进行分 块处理，利用PCA得到所有掩膜范围内的主元方向，将 获得的局部方向信息映射到参数空间，侧重利用其统计 规律来模糊约束 Hough变换极角范围，达到减少运算量 和存储累计矩阵的目的。
直线间距离测量 线段长度测量
第5章 尺寸测量技术
5.1.1 距离测量
基本步骤：
1)对定位距离的两条直线进行识别和拟合。(关键步骤) 2)得到直线方程后，根据数学方法计算两线间的距离。
基于机器视觉的零部件尺寸检测技术
工 业 技 术
基 于机器视 觉 的零部 件尺寸检测 技术
鄢 国 林 付 军 杨 亚 宁
（ 大连民族 学院 信 息与通信工程学院， 辽宁 大连 １ １ ６ ０ ０ ０ ）
摘 要： 在 工业 生 产 中 ， 基 于零 部 件尺 寸 的 几何 特征 和 面 阵 式 Ｃ Ｃ Ｄ获取 的零部 件 图像 ， 利 用基 于 Ｈ Ａ Ｌ Ｃ Ｏ Ｎ软 件 的数 字 图像 处理 技术， 采 用灰度 变换、 高斯滤波、 降噪、 标定等一 系列的图像分析处理技术 实现 了对零部件尺寸进行精确检测 。并开发设计 了一 种 自动 检 测及 分拣 系统 ， 实现 了对 零部 件 的 精确 检 测 。 经过 大量 的 实验 结 果表 明 ， 在误 差允 许 范 围 内采 用机 器视 觉 的检 测 方 法 可 以 实现 对零 部 件尺 寸基 本 参数 快 速 准确 的 测量 并 能稳 定 的 实现 自动 化 生产 。 关键 词 ： 机 器视 觉 ； 图像 处 理 ； 零部 件 尺 寸 时候会 涉 及 各种 各 样 的零 部 件 ， 通过 模 板 匹 配技 术 就 可 以实 现 。模 区分不同类型 的物体 和得到 目标物 目前 ， 在新兴市场经济和新型技术不 断崛起 的背景下 ， 生产出 板匹配可 以用来做完整性检测 、 基于灰度 高品质且价格低廉 的产品是企业发展的急切需求 ， 然而近些年来在 体在图像 中的位姿 。模板的匹配有几种不同的匹配方式 ： 使用 图形金字塔进行 的匹配 、 基于灰度值 的亚像素精度 国内现有生产条件下生产出的产品存在着很大的问题。 传统意义上 值 的匹配 、 带旋转和缩放的模板匹配 。在应用匹配 的时候我们主要是 的生产需要设备处于时常工作状态以便于随时检测 ， 然而这样 的工 的匹配 、 作方式导致了设备在一定的时间内出现设备闲置 的现象 ， 大大 的浪 用来区分不 同类型的物体 ，很多其他 的技术都能分别出不同的物 但 对某 种 特 殊 类 型 的 物体 来 说 ， 实 现一 个 可 靠 的 识 别 算 法 是 很 费了生产资源并无法实现可靠的 自动化生产 ； 还有一个更为重要的 体 ， 另 外 如果 被识 别 物体 经 常 发生 变化 。 就 必 须 为每 种 物体 开 原因在于工业生产线上生产出的产品 ， 对于其尺寸精度 的测量人们 复 杂 的 。 大 多 数 都 通 过 自己 的主 观 意识 或 者 粗 浅 的 测试 方 法 去 判 别 零 部 件 发一个新的识别算法。通过模板匹配技术就可以实现上述功能。 ２ ． ５ 提取 亚 像 素边 缘 尺寸是否合格 ， 这样的判断方式检测出的精度根本满足不了客户的 需 求 。基 于上 述 诸 多 问题 的提 出 ， 一 种 基 于机 器 视觉 的检 测 方法 应 亚像素精度轮廓表示 图像 中两个 区域之间的边界 ， 这两个 区域 而另 一 个 区域 的灰 度 值小 于灰 运而生 ， 此概念 的提出为生产加工业实现 自动化 、 智 能化带来 了空 中一个 区域 的灰度 值 大 于灰 度 阈 值 ， 为了获得这个边界我们需要将图像的离散转换成一个连续 前的变革 。随着机器视觉的应用 ， 机器视觉 的应用大大 的提高了产 度阈值 。 品的质量 、 降低 了人 口红利并能在一定程度上 降低生产成本 ， 带动 函数 ， 而通过双线插值的方法就能完成这种转换 。在零部件尺寸检 测 的工 业 生产 中 ， 通 过工 业 相机 采 集 回来 的零 部件 图像 往 往都 是 像 生 产 加工 业 走 向 自动化 、 智 能化 的道路 【 １ 】 。 １系 统 的整 体结 构 素精度 的， 在零部件尺寸检测中我们需要达到 比图像像素分辨率更 因此从 图像 中提取亚像素精度是达到高精度要求的唯一 本研 究是 基 于 工业 生 产线 上 对 不 同零 部 件 尺 寸 的检 测 ， 机 器视 高 的精度 ， 觉 的零 部 件 尺 寸检 测 主 要 分 为 图像 采 集 、 图像 分 析 处 理 、 显 示 结 果 有 效 的途 径 。调 用 ｅ ｄ ｇ ｅ ＿ ｓ ｕ ｂ ＿ ｐ ｉ ｘ算 子 、 ｇ ｅ ｎ ＿ ｐ ｏ ｌ ｙ ｇ ｏ ｎ ｓ ＿ ｘ ｌ ｄ算 子 、 ｓ ｅ — ｅ ｃ ｔ ｃｏ ｎｔ ｏｕｒ ｓ ｘ 及 控 制 三个 部 分 。 系 统主 要 由计 算机 主 机 、 工业 相 机 、 Ｌ Ｅ Ｄ光 源 和光 ｌ ｌ ｄ 、 算子和 ｕ ｎ ｉ ｏ ｎ ＿ ｓ ｔ ｒ ａ ｉ ｇ ｈ ｔ ＿ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｓ ＿ ｘ ｌ ｄ 算子， 通过滤波 ａ ｎ ｎ ｙ 可 以对 零 部件 目标 Ｒ ｅ ｇ ｉ ｏ ｎ进行 亚 像 素边 缘 提 取 ， 并 可 以直 电传感器 、 Ｐ Ｌ Ｃ可编程控制器以及单片机控制器 、 暗箱等 。 其工作过 器 ｃ 程是 ： 首先初始化设备并 自检设备 ， 然后计算机主机通过软件驱动 接返回由像素点组成的边缘 ， 具有亚像素精度 。 工业相机 （ 面阵式 Ｃ Ｃ Ｄ传 感 器 ） ， 但 是 工 业 相 机 在 此 时 只 是处 于一 ２ ． ６ 转换 为世 界 坐标 个等待采集图像信号的状态 ，当光 电传感器没有检测到物体 时， 此 在图像的分析与处理过程 中， 由于工业相机采集回来 的图像会 那 么 这个 时 候 我们 就 要 对 图像 进 行 一 定程 时工业相机继续等待采集图像信号 ； 当光 电传感器检测到产品经过 出现 一定 程 度上 的 畸变 ， 转 换 为世 界 坐标 的 目的在 于使 用标 定 后 的摄 像机 可 以 在 时， 打开 Ｌ Ｅ Ｄ光源并触发工业相机采集零部件数字图像 信号 ， 然后 度 的校 正 。 关闭Ｌ Ｅ Ｄ光源，单片机控制器经过 Ｕ Ｓ Ｂ串口通信方式将数据传输 世界坐标系 内进行未失真的测量。 这对于零部件尺寸的检测有着很 但是 给计算机 主机进行图像处理 ， 图像处理后判断物体是否合格 ， 不合 好 的效果 。这种未失真的检测用立体重构 的方法 也可 以实现， 格就放入不合格产 品收集箱 ， 合格就检测下一个产品。 立 体 重 构 的方 法需 要 多 个 摄像 机在 不 同的 位 置 上 同 时拍 摄 同一 物 ２ 图像 的 处理 及分 析 体， 但是在实 际应用中由于成本和安装空 间的限制 ， 这种未失 真的 ２ ． １标 定文 件 的 生成 方法是不可取的。因此在零部件检测 中， 我们选择 了转换 为世界坐 在图像处理过程 中， 更值得说明的是标定文件 的生成是有严格 标来达到未失真的测量。通过 ｓ ｅ ｔ ｏ ｒ ｉ ｇ ｉ ｎ ｐ ｏ ｓ ｅ 算子设置原始位姿获 ｍ ａ ｇ ｅ — ｐ ｏ ｉ ｎ ｔ ｓ ＿ ｔ ｏ ＿ ｗ ｏ ｒ ｌ ｄ算 子 转 换 为 世 界 坐 要求 的， 其处理 的步骤依次为创建标定模板 、 初始化内参 、 指定描述 得 系 统 参 数 ，然 后 运 用 ｉ 文件、 收集 标定 数 据 、 配 置校 正 、 标 定 计算 、 获得 标 定参 数 、 生成 标 定 标 。 文件 等 步 骤 。在标 定 的 过程 中运 用 到 了标定 板 ， 在这 里 我 们规 定 其 ３结 束 语 大 小必 需 为视 野 图像 的 １ ／ ４ 。系统 以二 十 幅不 同位 姿 的标 定板 图像 基 于机 器 的零 部件 尺寸 检测 技 术 ， 在 工 业 生产 中起着 举 足 轻重 的作 用 。 随着 机 器 视觉 的应 用 ， 我 们不 难 发 现 ， 机 器 视觉 的应 用 大 大 进 行标 定 并设 置好 标 定 文件 目 。 ２ ． ２ 灰 度转 换 的提高了产 品的质量 、 降低了人 口红利并能在一定程度上降低生产 在实际的生产加工中 ， 由于复杂的环境 因素的影 响很多零部件 成 本 ， 带 动 生产 加 工业 走 向 自动 化 、 智 能 化 的道 路 。 在机 器 视觉 的应 物体特征 的提取和尺寸的精确定位及测量是生产线上不可替 并不是像我们想象中的那么容易 区分。因此 ， 为了快速准确的识别 用中， 我们必须对其进行灰度转换 。 Ｒ Ｇ Ｂ图像每个像素颜色都对应三维空 代 的环 节 。 参 考 文献 间上的一个点 ，而灰度图像像素 的颜色可以对应 于一条直线来表 示。因而 ， 很容易得出彩色 图像转换为灰度 图像实质是寻求一个在 ［ １ 】 赵鹏． 机 器视 觉理 论及 应 用［ Ｍ 】 ． 电子 工业 出版 社 ， ２ ０ １ １ ： １ — ２ ． 三 维空 间 上 的映 射 。 ［ ２ 】 斯蒂格 ， 尤里奇 ， 威德曼． 机器视觉算， ａ － － ￣应 用［ ＭＩ ． 杨少荣， 等译 ２ － ３滤波降噪 北京： 清 华 大学 出版社 ， ２ ０ ０ ８ ： ２ １ ８— ２ ４ ５ ． 在 图像采集过程 中由于零部件结构 的复杂程度不一 ， 因而图像 中的 噪 声是 不可 避 免 的 ，噪声 会 影 响 系 统 对检 测 区域 的识 别 与判 定。 所以降噪滤波在整个检测系统 中起 到了不可替代的作用 。对于 噪 声 的处 理 有线 性 的滤 波 方法 和 非 线性 的滤 波方 法 ， 如 均 值 滤 波为 线性方法 ，采用 ｍ ｅ ａ ｎ ＿ ｉ ｍ ａ ｇ ｅ 算子对 图像灰度值进行平均处理从而 达到降噪平滑图像 的效果 。中值滤波为非线性的方法。然而对于精 度要求 比较高的零部件尺寸检测 ， 这两种滤波方法都不能达到我们 预 期 的效 ��
基于机器视觉的尺寸测量应用综述
基于机器视觉的尺寸测量应用综述机器视觉是一种将图像处理和模式识别技术应用于自动化检测和测量的方法。
尺寸是指物体在空间中的长度、宽度、高度等物理量，尺寸的测量应用是机器视觉应用的重点之一。
本文就基于机器视觉的尺寸测量应用进行综述。
（1）尺寸测量应用的基础原理机器视觉的尺寸测量基本原理是通过像素和实际尺寸之间的比例关系实现测量。
在尺寸测量之前，首先需要进行像素和实际尺寸的转换。
通常的方法是通过摄像机标定来获得相机的内部参数，包括焦距、主点等参数。
尺寸测量应用的技术难点主要包括以下几个方面：①测量精度：对于工业生产中对尺寸要求较高的应用，需要达到高精度的尺寸测量。
而且由于图像采集过程中会出现噪声等因素的干扰，会对测量精度产生影响。
②特征提取: 尺寸的测量需要先提取出物体的边缘和其他特征，而不是整个物体。
特征提取的准确度和快速性直接影响到尺寸测量的精度和效率。
③测量环境: 尺寸的测量受到环境因素的影响。
例如，在强烈的光线下或反光的表面上，会降低测量的准确度。
随着机器视觉技术的发展，尺寸测量应用得到了很大的进展。
尺寸测量应用主要分为两个方向：精度和效率。
①提高测量精度: 在精度方面，为了提高尺寸测量的精度，人们使用了更高分辨率的摄像头和更好的图像算法。
例如，通常使用的算法是基于边缘检测和边缘匹配的算法，是目前精度比较高的一种算法。
②提高测量效率：在效率方面，人们不断尝试使用更快、更简单的算法来实现快速的尺寸测量。
例如，特征点提取法和物体模板匹配法，可以在短时间内快速地提取特征和匹配物体。
尺寸测量应用可以应用于各种不同领域。
以下是一些尺寸测量的应用领域：①制造业: 尺寸测量在制造业中使用广泛。
例如，测量机配合机器视觉可以完成工件尺寸的测量、质量检测和快速计算。
②医疗: 机器视觉尺寸测量可以用于医疗器械的设计和制造中，如人工关节和牙科器具。
③建筑: 在建筑领域中，机器视觉尺寸测量可以用于建筑结构的检测和量化，如土木工程、桥梁和隧道测量。
基于机器视觉的服装尺寸在线测量系统
基于机器视觉的服装尺寸在线测量系统李鹏飞;郑明智;景军锋【摘要】在服装尺寸在线测量过程中,针对传统人工测量所带来的误差率高、成本高、效率低等问题,提出了一种基于机器视觉的服装尺寸在线测量系统.服装尺寸在线测量系统从硬件和软件2个方面进行设计.系统硬件部分主要功能是通过CCD相机实现服装图像的采集;系统的软件部分是整个系统的核心,通过角点检测算法对特征点进行提取和定位,针对Forstner算法需要对图像中的每一个像素点进行扫描,从而导致检测速度比较慢的问题,采用SIFT算法先对图像进行快速的筛选,去除一些无关的点,然后运用Forstner算法在初选点集中进行角点提取.通过对提取出的关键角点进行坐标定位分析和比例尺寸测量,得到所测服装的真实值,并且运用友好的人机界面显示出尺寸测量的结果.所设计的系统用于对512 ×512的256级灰度图像进行检测,尺寸测量的标准误差均小于0.25 mm,重复性精度接近5 mm.实验误差和尺寸测量精度能够达到服装尺寸测量的标准.【期刊名称】《毛纺科技》【年(卷),期】2017(045)003【总页数】6页(P42-47)【关键词】尺寸测量;图像处理;角点检测;SIFT算法;Forstner算法【作者】李鹏飞;郑明智;景军锋【作者单位】西安工程大学电子信息学院,陕西西安710048;西安工程大学电子信息学院,陕西西安710048;西安工程大学电子信息学院,陕西西安710048【正文语种】中文【中图分类】TP391.41如今，在服装生产过程中，服装的尺寸测量已经成为非常重要的工序。
然而，传统的人工测量服装的尺寸的方法，由于服装的制造量大，面临检测人员的疲劳度高、检测速度慢、检测误差率高以及检测的成本高等问题[1-2]。
因此，研究一种自动检测服装尺寸的测量方法是尤为重要的。
计算机机器视觉图像处理技术正在广泛的应用于各行各业，替代人工视觉，以降低疲劳、提高效率和连贯性，降低检测的成本。
基于机器视觉的端子尺寸检测系统
０引言
机器视觉（ Ｍ ａ ｃ ｈ ｉ ｎ ｅ ｖ ｉ ｓ ｉ ｏ ｎ ） 是研究用计算机来模
拟 生 物外 显 或 宏 观 视觉 功 能 的科 学 和技 术 ，用 摄
时间要能够和整个生产线 的生产周期的要求。
１ 系统工作原理
端子 尺寸 检测 系统 由 Ｃ Ｃ Ｄ传 感 器 、光 学 系
像机（ 即图像摄取装置 ，分 Ｃ Ｍ Ｏ Ｓ 和Ｃ Ｃ Ｄ 两种） 和计
算机等ห้องสมุดไป่ตู้器代替人眼对 目标进行测量 、跟踪和识 别 ，并加 以判断 。用图像来创建和恢复现实世界 模 型 ，最终用于实际检测 、测量和控制 。简单地 说 ，机器 视觉可 以理解 成 给机器 加装 上视觉 装 置 ，或 者 是 加 装 有 视觉 装 置 的机 器 ，就 是 用 机 器 代 替人 眼来做测量和判断 。给机器加装视觉装置 的 目的 ，是为 了使机器具有类似于人类 的视觉功 能 ，从而提高机器的自动化和智能化程度ｕ 。 端子零件作为连接件 ，在汽车电子产 品领域 大量使用 ，然后 由于金属端子 的厚度很 薄 ，在接 触力 的作用下 回产生大 的变形 ，从 而产生很大的 检测误差 ，所 以只能采用非接触的检测方法进行
Ｌ Ｅ Ｉ Ｍｉ ｎ — ｈ ｕ ａ ，Ｃ ＨＥ Ｎ Ｌ ｉ ａ ｎ ｇ ２
（ １ ． Ｇｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ Ｏ ＴＩ Ｓ Ｅｌ ｅ ｖ ａ ｔ ｏ ｒ Ｃｏ ． ，Ｌ ｔ ｄ， Ｇｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５１ ０ ４ ２ ５， Ｃ ｈ ｉ ｎ ａ； ２ ． Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ Ｗａ ｎ ｘ ｉ ａ ｎ ｇ Ｐ ｏ ｌ ｙ ｔ ｅ ｃ ｈ ｎ ｉ ｃ ，
机器视觉第5章 尺寸测量技术 PPT
直线拟合的最小二乘法
直线函数：y=ax+b，a、b是待定常数。
记：i=yi-(axi+b)
i反映计算值y与实际值yi的偏差，可正可负。 用i的平方反映估计值与实际值的偏差。
n
对拟合直线上的若干点，当它们的偏差平方和
2 i
最小，
决定的直线上所拥有的像素数。 初始化时，矩阵M置为0。
直线拟合的哈夫变换方法
2. 遍历图像，对像素(xi, yi) ，将的所有量化值和像素坐
标(xi, yi)，依次代入直线的极坐标方程，计算r的值， 根据当前r、，将对应的累加器加1，即： M[r][]=M[r][]+1。
第5章内容
长度测量 面积测量 圆测量 线弧测量 角度测量
5.1 长度测量
长度测量是尺寸测量技术中应用最广泛的一种测量， 基于机器视觉的长度测量发展迅速，技术比较成熟。特 别是测量精度高、速度快，对在线有形工件的实时 NG(No Good)判定、监控分检方面应用广泛。
直线间距离测量 线段长度测量
直线拟合的哈夫变换方法
点--线对偶性：
1. 图像空间XY中共线的点，对应在参数空间PQ中相交的线。 2. 参数空间PQ中相交于一点的所有直线，在图像空间XY里
都有共线的点与之对应。
结论：在PQ平面上相交直线最多的点，对应在XY平面上 的直线就是解。
问题：在XY平面中用斜率描述的直线存在斜率P无穷大(即 直线垂直)的情况，会给计算带来不便，一般采用点-正 弦曲线对偶。
它通过将源图像上的点映射到用于累加的参数空间， 实现对已知解析式曲线的识别。
由于Hough变换利用了图像全局特性，所以受噪声和 边界间断的影响较小，比较鲁棒(Robust)。
基于机器视觉的高精度工业尺寸测量系统研究
ｍｍ，可 部 分 取 代 三 坐 标 测 量 机 在 工 业 高 精 度 尺 寸 测 量 中的应 用 。 关 键 词 ：机 器 视 觉 ；测 量 系统 ； 工 业尺 寸 测 量
坐 标测 量机 配合夹 具 、 棱 镜才 能 够完成 ， 该 方法 费 时费 力， 自动化程 度低 。因此 ， 本 文提 出一 种基 于 多工业 智 能 相机Ｌ ４ 的非接 触 式 高精 度 三 维 尺 寸 测 量 系统 ， 该 系 统 自动化 程度 高 、 成本较低 、 测量速度快 ， 可 部 分 取 代 价 格 昂贵 的三 坐标测 量机 在工 业 高精度 尺 寸测 量 中的 应用 。 １ 高精 度三维 尺寸 测量 系统 研究 如图 １ 所示 为待 检 测 工 件 ， 其 具 有 两 条水 平 的边 框 以及两个 轴线 水平 的 圆孔 ， 根 据 生产要 求 ， 需要 测量 出这 两个 轴 线 水 平 的 圆 孔 中心 至 两 边 框 中 分 线 的距 离 。由于边 框 中分面 和 圆孔 不 处于 同一 平面 ， 因此 ， 涉 及 到 三维尺 寸 的测 量 。 本 文设 计 的高 精 度 三 维 尺 寸 测 量 系 统 如 图 ２所 示， 该 系统包 括机架 、 两 个相 机 支 撑 架 、 位 于两 个 相 机 支 撑架 之 间且 其 上 带 有 多 个标 记 点 的 待 测 工 件 定 位 座， 以及 用 于带动待 测 工 件定 位 座 在机 架 上 平 移 的 气 缸和 ３ 个 工业 智能 相机 ， 待 测工 件 定 位 座 上 还 设 有将 待 测工件 上 的两个 水平 圆孔 折 射 至 竖 直 方 向 的棱 镜 ，
基于机器视觉的零件尺寸检测与测量
基于机器视觉的零件尺寸检测与测量导语：随着制造业的快速发展，零件的精确尺寸检测与测量成为了生产过程中的关键环节。
传统的尺寸检测方法往往需要人工参与，并且效率低下且不够精确。
而基于机器视觉的零件尺寸检测与测量则提供了一种快速、准确且可靠的解决方案。
一、机器视觉技术在零件尺寸检测中的应用随着机器视觉技术的迅猛发展，其在零件尺寸检测方面的应用也逐渐成为一种趋势。
机器视觉系统能够通过摄像机获取零件的影像信息，并通过图像处理算法来实现尺寸的检测与测量。
这种非接触式的测量方式在一定程度上消除了人为因素对结果的影响，大大提高了测量的准确性。
二、基于机器视觉的零件尺寸检测与测量的优势1. 自动化：基于机器视觉的零件尺寸检测与测量可以实现自动化，无需人工操作，从而提高了生产效率。
2. 高精度：机器视觉系统通过高分辨率的摄像机和精确的算法，能够实现对零件尺寸的亚毫米级别的准确度。
3. 实时监控：机器视觉系统可以实时监控零件的尺寸变化，及时发现生产过程中的异常情况并进行调整，提高了生产质量。
4. 多样性：基于机器视觉的零件尺寸检测与测量可以适用于不同形状、大小和材质的零件，具有较大的适应性。
三、基于机器视觉的零件尺寸检测与测量的实施步骤1. 系统设计：根据具体的生产需求，设计适合的机器视觉系统，包括选择合适的摄像机、光源和图像处理算法。
2. 数据采集：通过摄像机采集零件的图像数据，并传输至图像处理系统进行处理。
3. 图像处理：通过图像处理算法对采集到的图像进行处理，提取出零件的特征与边界，并计算出其尺寸。
4. 尺寸分析：根据所得到的尺寸数据进行分析，判断是否符合要求，并生成结果报告。
5. 反馈控制：根据分析结果，及时反馈给生产线控制系统，进行相应的调整和控制，确保生产过程的稳定性。
四、机器视觉技术在零件尺寸检测中的挑战与解决方案1. 光照条件：不同的光照条件可能对图像质量产生影响，需要选择适当的光源和光照方式，或者采用图像增强算法进行处理。
基于机器视觉的零件尺寸检测系统设计与实现
基于机器视觉的零件尺寸检测系统设计与实现随着制造业的发展和现代工业生产的复杂性增加，对零件尺寸的精确检测要求也越来越高。
传统人工检测的局限性和效率问题引发了机器视觉技术在零件尺寸检测中的应用。
本文将介绍一种基于机器视觉的零件尺寸检测系统的设计与实现。
一、引言机器视觉技术是指模仿人眼视觉系统的感知、识别和判别能力，通过相机、图像采集卡、计算机等设备，对图像进行采集、处理和分析的技术。
在制造业中，机器视觉技术已经得到了广泛应用，其中之一就是零件尺寸的检测。
二、系统设计1. 系统硬件设计基于机器视觉的零件尺寸检测系统的硬件设计包括相机、光源、图像采集卡和计算机等设备。
相机是将被检测零件的图像采集下来的关键设备，其选型应根据零件的特性和检测要求来确定。
光源的选取也至关重要，应以保证零件表面被光照亮且不产生阴影为原则。
图像采集卡负责将相机采集到的图像数据传输到计算机上进行处理和分析。
2. 系统软件设计基于机器视觉的零件尺寸检测系统的软件设计通常包括图像预处理、特征提取和尺寸计算三个主要步骤。
图像预处理是对采集到的图像进行噪声去除、平滑处理和图像增强等操作，以提高后续处理的准确性和稳定性。
特征提取是基于处理后的图像，通过算法提取图像中与零件尺寸相关的特征信息，如边缘、角点等。
常用的特征提取算法有Canny算法、Sobel算法等。
尺寸计算是根据所提取到的特征信息，结合已知的标定参数和尺寸测量原理，进行尺寸计算并给出结果。
常用的尺寸计算方法有比例尺寸计算法、基于几何关系的尺寸计算法等。
三、系统实现1. 硬件搭建在系统实现过程中，首先需要根据硬件设计的要求，搭建相应的硬件平台，包括安装相机、配置光源、连接图像采集卡和计算机等设备。
确保硬件设备的稳定性和可靠性。
2. 软件开发基于机器视觉的零件尺寸检测系统的软件开发需要根据所选用的开发平台和编程语言进行。
可以选择常见的开发平台，如OpenCV、MATLAB等，以及常用的编程语言，如C++、Python等。
基于机器视觉的零件尺寸检测与测量系统设计
基于机器视觉的零件尺寸检测与测量系统设计随着工业生产的发展，对零件的质量与精度要求越来越高，而传统的人工尺寸检测与测量方法已经无法满足这些要求。
因此，基于机器视觉的零件尺寸检测与测量系统应运而生。
本文将针对这一问题进行探讨。
一、介绍机器视觉技术是一门利用计算机视觉进行模式识别、目标检测和三维重建等方面的技术。
基于机器视觉的零件尺寸检测与测量系统利用计算机视觉技术，可以实现对零件尺寸的高精度检测与测量。
二、系统设计1. 摄像设备选择在设计基于机器视觉的零件尺寸检测与测量系统时，首先需要选择合适的摄像设备。
一般来说，高分辨率的摄像头能够提供更精确的检测结果。
2. 图像采集与处理图像采集是系统中的核心环节之一，通过摄像设备采集零件的图像，并对图像进行处理，提取出需要检测的特征。
图像处理算法可以采用边缘检测、二值化、滤波等方法，以提高图像的清晰度和信噪比。
3. 特征提取与分析在图像处理的基础上，需要进一步提取出零件的特征信息。
可以通过边缘检测算法提取零件的轮廓信息，或者利用模板匹配的方法提取出关键特征点。
4. 尺寸计算与结果输出根据零件的特征信息，结合相应的几何测量原理，可以计算出零件的尺寸参数。
一般来说，可以计算出零件的长、宽、高等尺寸参数，以及一些特殊形状的测量参数。
三、系统优势基于机器视觉的零件尺寸检测与测量系统相比传统的人工测量方法具有以下优势：1. 精度高：机器视觉系统可以实现对零件尺寸的高精度测量，减少了人为因素对测量结果的影响。
2. 自动化程度高：系统可以实现对多个零件的自动化测量，减少了人工测量的工作量，提高了工作效率。
3. 可靠性好：机器视觉系统的测量结果可靠性高，可以避免人工测量过程中的主观误差。
4. 数据可视化：测量结果可以通过电脑显示进行直观展示与分析，方便人们对零件质量进行评估。
四、应用领域基于机器视觉的零件尺寸检测与测量系统在很多领域都有广泛的应用，例如汽车制造、航空航天、电子电气等行业。
利用机器视觉技术的机械零件尺寸检测
利用机器视觉技术的机械零件尺寸检测随着科技的不断进步，机器视觉技术在工业制造领域得到了广泛应用，其中之一就是机械零件尺寸检测。
利用机器视觉技术进行机械零件尺寸检测能够提高检测的准确性和效率，减少人工检测的不确定性，大大提升制造业的生产效能和产品质量。
机器视觉技术的应用范围非常广泛，其中之一就是对机械零件的尺寸进行检测。
在过去，人工测量是常用的检测手段，但是人工测量不仅费时费力，而且容易受到人为因素的影响，造成测量结果的误差。
而利用机器视觉技术，可以通过高精度的图像处理算法和先进的深度学习模型，对零件进行全面的、无死角的尺寸测量。
首先，机器视觉技术通过高分辨率的图像设备，可以将机械零件的图像获取到计算机中，然后通过图像处理程序对图像进行预处理，包括去噪、增强对比度、边缘检测等。
接着，机器学习算法或深度学习模型开始工作，对图像进行特征提取和分析。
这一步非常关键，因为不同的零件可能有不同的形状和尺寸，所以需要设计相应的算法和模型，以便准确地识别并测量不同种类的零件。
对于非常小或非常细长的零件，由于图像的失真和畸变，可能导致尺寸测量的不准确。
为了解决这个问题，一些先进的机器视觉系统可能会使用多个相机进行图像捕捉，并使用三维重建技术来生成更准确的模型。
通过机器学习算法和深度学习模型的训练，机器视觉系统能够自动识别和测量不同零件的尺寸。
这种自动化的机械零件尺寸检测方法不仅提高了生产效率，减少了人为因素的影响，还减少了人力成本和测量误差。
另外，机器视觉技术还可以进行大批量的零件尺寸检测，检测速度快，可以准确实时地掌握生产线上零件质量的状况，从而提前发现和解决潜在的质量问题。
当然，机器视觉技术在机械零件尺寸检测中也面临一些挑战和限制。
首先，不同种类的零件形状和尺寸差异很大，需要开发不同的算法和模型来进行测量。
其次，零件在生产过程中可能会出现表面光洁度不佳、表面污染或磨损等问题，这会影响图像的质量和准确性。
此外，机器视觉系统的设置和校准也需要一定的专业知识和技能，以确保测量结果的准确性和可靠性。
基于机器视觉的轴类零件几何尺寸测量
缘检测， 提 出 了一种 自适应 开关 中值 滤波 算 法 ， 该 方 法滤 除噪 声效 果 明显 ， 开发 了轴 类 零件 尺 寸测 量
系统 ， 实现 了轴的 尺寸及 其 参数 的 测 量。 实验 结果 表 明 ， 改进 的 滤 波 器可 以较 好 的 保存 图像 的二 维
边 缘信 息 ， 且在 允许 误 差 范围 内采 用机 器视 觉的非 接 触测量 方 法 可 以 实现 对 轴 的基 本参 数 的 快速 准
确测量。
关 键词 ： 自适应 开 关 中值 滤 波 ； 尺 寸测 量 ； 图像 处理
中图分 类号 ： Ｔ Ｈ１ ２ ２ ； Ｔ Ｐ ２ ２ ４ 文 献标 识码 ： Ａ
ｍｅ ｎｔ ｓ ｙｓ ｔ ｅ ｍ ｉ ｓ ｄ ｅ ｖ ｅ ｌ ｏ ｐｅ ｄ ｂａ ｓ ｅ ｄ ｏｎ ｔ ｈ ｅ ｒ ｅ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｓ ｈ ａ ｆ ｔ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｐａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ． Ｔｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｓ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ ｉｌ ｆ ｔ ｅ ｒ ｉ ｓ ｂ ｅ ｔ ｔ ｅ ｒ ａ ｂ ｌ ｅ ｔ ｏ ｐ ｒ ｅ ｓ ｅ ｒ ｖ ｅ ２－ Ｄ ｅ ｄ ｇ ｅ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ｏ ｆ ｔ ｈｅ ｉ ｍａ ｇ ｅ，ａ ｎ ｄ ｆ ａ ｓ ｔ ・ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ
Ｇｅ ｏ ｍｅ ｔ ｒ ｉ ｃ Ｄｉ ｍｅ ｎｓ ｉ ｏ ｎｓ Ｍ ｅ ａ ｓ ｕｒ ｅ ｍｅ ｎｔ ｆ ｏ ｒ Ｓｈ ａｆ ｔ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｍ ａｃ ｈｉ ｎ ｅ Ｖｉ ｓ ｉ ｏ ｎ
基于机器视觉的木窗双端铣削加工尺寸测量方法
林业工程学报，２０２４，９（１）：１４１－１４９ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２３０５００７收稿日期：２０２３－０５－０９㊀㊀㊀㊀修回日期：２０２３－１０－１９基金项目：黑龙江省重点研发项目（ＧＡ２１Ａ４０５）；中央高校基本科研业务费专项资金（２５７２０２０ＤＲ１２）㊂作者简介：任长清，男，副教授，研究方向为林业与木工机械㊂通信作者：杨春梅，女，教授㊂Ｅ⁃ｍａｉｌ：ｙｃｍｎｅｆｕ＠１２６．ｃｏｍ基于机器视觉的木窗双端铣削加工尺寸测量方法任长清，张佳林，杨春梅∗，宋文龙，吴哲（东北林业大学机电工程学院，哈尔滨１５００４０）摘㊀要：木窗是一种以木材或木质复合材料为主要构件的门窗产品，具有良好的生态性能和美观效果，适用于多种建筑形式和风格，其中木窗尺寸是衡量木窗加工是否合格的重要指标㊂对于传统木窗双端铣削加工中人工测量尺寸方式存在的精度低㊁效率低等问题，提出一种基于机器视觉的木窗双端铣削加工尺寸测量方法，以期提高尺寸测量精度及加工效率㊂该方法针对木窗厚度引起的透视效应，提出一种物平面提升法，以消除透视投影带来的误差㊂首先对木窗图像采取灰度化㊁平滑去噪㊁图像增强及轮廓分割等举措，完成图像预处理，提取出木窗内外轮廓区域㊂对轮廓区域应用Ｃａｎｎｙ算子获取木窗像素级轮廓㊂通过优化的Ｚｅｒｎｉｋｅ矩亚像素边缘提取算法对木窗像素级边缘进行更精确的定位，得到亚像素级轮廓坐标㊂通过最小二乘法联合ＲＡＮＳＡＣ算法对亚像素轮廓坐标进行拟合，得到拟合轮廓及角点坐标，并使用透视矫正模型计算出木窗尺寸㊂实验利用３种厚度规格相同但尺寸不同的松木材质矩形木窗，分别测量其内框和外框的边框尺寸及对角线尺寸，并与对应的实际物理尺寸对比，验证了所提木窗尺寸测量方法的检测精度㊂研究结果表明，所提方法与实际物理尺寸值相比，其绝对误差范围在ʃ０．１２ｍｍ之内，相对误差在ʃ０．１％之内，且效率及精度高，可以满足对木窗的在线尺寸检测㊂关键词：机器视觉；木窗；尺寸测量；边缘检测；亚像素中图分类号：Ｓ７７７㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２４）０１－０１４１－０９ＲｅｓｅａｒｃｈｏｎｔｈｅｄｉｍｅｎｓｉｏｎａｌｍｅａｓｕｒｅｍｅｎｔｍｅｔｈｏｄｏｆｄｏｕｂｌｅｅｎｄｍｉｌｌｉｎｇｐｒｏｃｅｓｓｉｎｇｏｆｗｏｏｄｅｎｗｉｎｄｏｗｓｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎＲＥＮＣｈａｎｇｑｉｎｇ，ＺＨＡＮＧＪｉａｌｉｎ，ＹＡＮＧＣｈｕｎｍｅｉ∗，ＳＯＮＧＷｅｎｌｏｎｇ，ＷＵＺｈｅ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５００４０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｗｏｏｄｅｎｗｉｎｄｏｗｉｓｕｓｕａｌｌｙｍａｄｅｆｒｏｍａｗｏｏｄｏｒｗｏｏｄ⁃ｂａｓｅｄｃｏｍｐｏｓｉｔｅｍａｔｅｒｉａｌａｓｔｈｅｍａｉｎｃｏｍｐｏｎｅｎｔｓ．Ｔｈｅｐｒｅｃｉｓｅｄｉｍｅｎｓｉｏｎｏｆａｗｏｏｄｅｎｗｉｎｄｏｗｉｓａｃｒｉｔｉｃａｌｆａｃｔｏｒｔｈａｔｄｅｔｅｒｍｉｎｅｓｔｈｅｑｕａｌｉｔｙａｎｄｆｕｎｃｔｉｏｎａｌｉｔｙｏｆｔｈｅｗｉｎｄｏｗ．Ｔｈｅｗｉｎｄｏｗｃｏｍｐｏｎｅｎｔｓｓｈｏｕｌｄｂｅａｃｃｕｒａｔｅｌｙｍｅａｓｕｒｅｄｔｏｅｎｓｕｒｅａｐｒｏｐｅｒｆｉｔｗｉｔｈｉｎｔｈｅｗｉｎｄｏｗｏｐｅｎｉｎｇ．Ｔｈｉｓｉｓｃｒｕｃｉａｌｆｏｒｆｕｎｃｔｉｏｎａｌｉｔｙ，ｐｒｅｖｅｎｔｉｎｇｉｓｓｕｅｓｓｕｃｈａｓｄｒａｆｔｓ，ｌｅａｋｓ，ｏｒｄｉｆｆｉｃｕｌｔｙｉｎｏｐｅｎｉｎｇａｎｄｃｌｏｓｉｎｇ．Ｔｏａｄｄｒｅｓｓｔｈｅｌｉｍｉｔａｔｉｏｎｓａｓｓｏｃｉａｔｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｗｏｏｄｗｉｎｄｏｗｄｏｕｂｌｅ⁃ｅｎｄｍｉｌｌｉｎｇｐｒｏｃｅｓｓｉｎｇｍａｎｕａｌｓｉｚｅｍｅａｓｕｒｅｍｅｎｔｓ，ｓｕｃｈａｓｔｈｅｌｏｗｐｒｅ⁃ｃｉｓｉｏｎａｎｄｌｏｗｅｆｆｉｃｉｅｎｃｙ，ｔｈｅｍａｃｈｉｎｅｖｉｓｉｏｎ⁃ｂａｓｅｄｗｏｏｄｗｉｎｄｏｗｄｏｕｂｌｅ⁃ｅｎｄｍｉｌｌｉｎｇｐｒｏｃｅｓｓｉｎｇｏｆｆｅｒｓａｔｅｃｈｎｏｌｏｇｉｃａｌｓｏｌｕｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｓｉｚｅｍｅａｓｕｒｅｍｅｎｔａｃｃｕｒａｃｙａｎｄｐｒｏｃｅｓｓｉｎｇｅｆｆｉｃｉｅｎｃｙ．Ｔｈｉｓｓｔｕｄｙｐｒｏｐｏｓｅｄａｎｏｂｊｅｃｔｐｌａｎｅｌｉｆｔｉｎｇｍｅｔｈｏｄｆｏｒｔｈｅｐｅｒｓｐｅｃｔｉｖｅｅｆｆｅｃｔｃａｕｓｅｄｂｙｔｈｅｔｈｉｃｋｎｅｓｓｏｆｗｏｏｄｅｎｗｉｎｄｏｗｓ，ｉｎｏｒｄｅｒｔｏｅｌｉｍｉｎａｔｅｔｈｅｅｒｒｏｒｃａｕｓｅｄｂｙｐｅｒｓｐｅｃｔｉｖｅｐｒｏｊｅｃｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｍａｇｅｏｆｔｈｅｗｏｏｄｅｎｗｉｎｄｏｗｗａｓｇｒａｙｅｄｏｕｔ，ｓｍｏｏｔｈｅｄａｎｄｄｅｎｏｉｓｅｄ，ｅｎｈａｎｃｅｄａｎｄｓｅｇｍｅｎｔｅｄｔｏｃｏｍｐｌｅｔｅｔｈｅｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇ，ａｎｄｔｈｅｉｎｎｅｒａｎｄｏｕｔｅｒｃｏｎｔｏｕｒｒｅｇｉｏｎｓｏｆｔｈｅｗｏｏｄｅｎｗｉｎｄｏｗｗｅｒｅｅｘ⁃ｔｒａｃｔｅｄ．ＴｈｅＣａｎｎｙｏｐｅｒａｔｏｒｗａｓａｐｐｌｉｅｄｔｏｔｈｅｃｏｎｔｏｕｒｒｅｇｉｏｎｔｏｏｂｔａｉｎｔｈｅｐｉｘｅｌ⁃ｌｅｖｅｌｃｏｎｔｏｕｒｏｆｔｈｅｗｏｏｄｅｎｗｉｎｄｏｗ．ＴｈｅｏｐｔｉｍｉｚｅｄＺｅｒｎｉｋｅｍｏｍｅｎｔｓｕｂ⁃ｐｉｘｅｌｅｄｇｅｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｌｏｃａｔｅｔｈｅｐｉｘｅｌ⁃ｌｅｖｅｌｅｄｇｅｓｏｆｔｈｅｗｏｏｄｗｉｎｄｏｗｍｏｒｅａｃｃｕｒａｔｅｌｙａｎｄｏｂｔａｉｎｔｈｅｓｕｂ⁃ｐｉｘｅｌ⁃ｌｅｖｅｌｃｏｎｔｏｕｒｃｏｏｒｄｉｎａｔｅｓ．ＴｈｅｓｕｂｐｉｘｅｌｃｏｎｔｏｕｒｃｏｏｒｄｉｎａｔｅｓｗｅｒｅｆｉｔｔｅｄｂｙｔｈｅｌｅａｓｔｓｑｕａｒｅｓｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅＲＡＮＳＡＣａｌｇｏｒｉｔｈｍｔｏｏｂｔａｉｎｔｈｅｆｉｔｔｅｄｃｏｎｔｏｕｒａｎｄｃｏｒｎｅｒｃｏｏｒｄｉｎａｔｅｓ，ａｎｄｔｈｅｗｏｏｄｗｉｎｄｏｗｄｉｍｅｎｓｉｏｎｓｗｅｒｅｃａｌｃｕｌａｔｅｄｕｓｉｎｇｔｈｅｐｅｒｓｐｅｃｔｉｖｅｃｏｒｒｅｃｔｉｏｎｍｏｄｅｌ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｕｔｉｌｉｚｅｄｔｈｒｅｅｔｙｐｅｓｏｆｒｅｃｔａｎｇｕｌａｒｗｏｏｄｅｎｗｉｎｄｏｗｓｍａｄｅｏｆｐｉｎｅｗｉｔｈｔｈｅｓａｍｅｔｈｉｃｋｎｅｓｓｓｐｅｃｉｆｉｃａｔｉｏｎｓｂｕｔｄｉｆｆｅｒｅｎｔｓｉｚｅｓｔｏｍｅａｓｕｒｅｔｈｅｂｏｒｄｅｒｄｉｍｅｎｓｉｏｎｓａｎｄｄｉａｇｏｎａｌｄｉｍｅｎｓｉｏｎｓｏｆｔｈｅｉｒｉｎｎｅｒｆｒａｍｅｓａｎｄｏｕｔｅｒｆｒａｍｅｓｒｅｓｐｅｃｔｉｖｅｌｙａｎｄｃｏｍｐａｒｅｔｈｅｍｗｉｔｈｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇａｃｔｕａｌｐｈｙｓｉｃａｌｄｉｍｅｎｓｉｏｎｓｔｏｖａｌｉｄａｔｅｔｈｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｆｏｒｍｅａｓｕ⁃ｒｉｎｇｔｈｅｄｉｍｅｎｓｉｏｎｓｏｆｗｏｏｄｅｎｗｉｎｄｏｗｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｄａｎａｂｓｏｌｕｔｅｅｒｒｏｒｒａｎｇｅｏｆʃ０．１２ｍｍａｎｄａｒｅｌａｔｉｖｅｅｒｒｏｒｏｆʃ０．１％ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅａｃｔｕａｌｐｈｙｓｉｃａｌｄｉｍｅｎｓｉｏｎｓ，ａｎｄｈａｄｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄａｃ⁃ｃｕｒａｃｙ，ｗｈｉｃｈｃａｎｍｅｅｔｔｈｅｏｎｌｉｎｅｄｉｍｅｎｓｉｏｎａｌｉｎｓｐｅｃｔｉｏｎｏｆｗｏｏｄｅｎｗｉｎｄｏｗｓ．Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｖｉｓｉｏｎ；ｗｏｏｄｗｉｎｄｏｗ；ｓｉｚｅｍｅａｓｕｒｅｍｅｎｔ；ｅｄｇｅｄｅｔｅｃｔｉｏｎ；ｓｕｂ⁃ｐｉｘｅｌ林业工程学报第９卷㊀㊀欧式木窗作为节能木窗的主要类型之一，由于结构简单㊁性能出众，是目前欧洲和国内木窗的主要形态㊂铣削加工是欧式木窗生产加工中关键的一环，有单端铣削和双端铣削两种加工方式，单端铣削工艺需将木窗加工４次，而双端铣削工艺只需加工２次㊂目前木窗的加工过程可实现自动化，在组线工程纳入连续加工生产线能得到更高的产能，但最终成品验收仍需要人工进行检测㊂人工测量尺寸存在着精度低㊁效率低㊁耗费人力等问题，易受外部环境及个人心理等影响，其精确性和重复性无法保障［１］㊂为了提高检测精度及效率，实现无人化，需要在欧式木窗窗扇外形连续加工生产线加入尺寸在线检测系统㊂随着科技的进步，视觉检测技术如今可以代替许多的人工检测项目，各种自动化设备及检测技术正逐步取代原有的人工操作及检测项目，极大地改善了人工方式存在的各种问题［２］㊂机器视觉可以对尺寸实现非接触式测量，速度快且精度高［３］㊂撒莹莹等［４］公开了一种基于机器视觉的大尺寸板材在线测量系统，利用三维位移传感器获取板材点云数据，随后对数据处理得到板材尺寸，但此方法需板材静止，由传感器移动扫描板材，且部署复杂，难以满足生产线在线检测㊂潘屾等［５］针对大尺寸板材，通过采集板材左右两帧图像，利用Ｈａｒｒｉｓ角点检测对两幅图像进行拼接得到完整图像，然后通过图像处理计算出尺寸，但该方法需要工件特征点足够多，且拼接精度受特征点影响较大㊂赵志伟等［６］公开了一种基于参考点的矩形板材尺寸测量方法，通过布置一组位置关系确定的参考点，将图像中参考点及板材角点坐标提取出来，通过两者相对位置关系计算出板材尺寸，但该方法对于较大尺寸板材在线检测难以部署，且仍需板材静止捕获图像㊂笔者以双端铣削后的欧式木窗为研究对象，提出一种基于机器视觉的木窗尺寸测量方案，通过将采集的木窗图像完成图像预处理，并在Ｃａｎｎｙ算子检测出的木窗轮廓基础上，利用优化的Ｚｅｒｎｉｋｅ矩亚像素检测算法获取精确轮廓［７］，最后通过拟合轮廓计算出木窗精确尺寸，达到了对木窗尺寸的精确测量，提高测量效率及准确性㊂１㊀木窗图像采集装置硬件组成１．１㊀木窗图像采集装置硬件选型及整体结构对于一个图像采集系统，其核心硬件为相机㊁镜头及光源［８］㊂针对生产线中欧式木窗图像的在线采集，提出木窗图像采集装置方案结构，如图１所示，主要包括辊筒传送线㊁固定支架及相机调节装置等㊂图１㊀木窗图像采集装置Ｆｉｇ．１㊀Ｗｏｏｄｅｎｗｉｎｄｏｗｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｄｅｖｉｃｅｐｒｏｇｒａｍｄｉａｇｒａｍ㊀㊀考虑到欧式木窗尺寸变化范围较大，采用传送线传送方式，且安装尺寸有限，故采取３台线阵相机采集图像，最后将采集的图像进行拼接以完成木窗图像采集㊂该生产线中木窗最大尺寸为２１００ｍｍ，参考ＧＢ／Ｔ２９４９８ ２０１３‘木门窗“，结合企业实际需求及机械结构条件，尺寸精度要求ɤ０．２ｍｍ㊂线阵相机选型需要确定分辨率（Ｒｆ）及行频（ｆＨ），其公式如下：Ｒｆ＝ＷＤ／ｄｐｉｘｅｌｆＨ＝Ｖ／ｄａ，ｐｉｘｅｌ{（１）式中：ＷＤ为相机所拍摄最大视场；ｄｐｉｘｅｌ为每个像素代表的物理尺寸；Ｖ为测量目标相对相机运动速度；ｄａ，ｐｉｘｅｌ为实际精度㊂由于最大尺寸为２１００ｍｍ，且由３台相机共同完成图像采集，考虑余量及视场重合，取ＷＤ为７４０ｍｍ；测量要求精度为０．２ｍｍ，根据奈奎斯特采样定理，取ｄｐｉｘｅｌ为０．１ｍｍ，代入式（１）可得Ｒｆ为７４００，故选相机分辨率为８Ｋ㊂由相机分辨率得ｄａ，ｐｉｘｅｌ约为０．０９ｍｍ，目标相对运动速度Ｖ可取１０００ｍｍ／ｓ，代入式（１）并向上取整可知，选型时ｆＨ应大于１２ｋＨｚ㊂综上，本系统相机选择ＤＡＬＳＡ公司的８Ｋ彩色线阵相机ＬＡ⁃ＣＣ⁃０８Ｋ０５Ｂ㊂参考相机参数及工作距离，本系统镜头为华睿科技的线阵镜头Ｆ６０⁃４０４０⁃Ｍ７２，其焦距为４０ｍｍ，光源采用乐视的白色２４１㊀第１期任长清，等：基于机器视觉的木窗双端铣削加工尺寸测量方法线性光源ＬＴＳ⁃３ＬＩＮＬ２８００㊂１．２㊀图像采集装置运行流程将木窗置于辊筒传送线上，当木窗触发图像采集启动传感器上升沿后，３台线阵相机开始同时采集图像，直至木窗触发图像采集结束传感器下降沿，结束图像采集并将图像传输至计算机中完成图像拼接，进一步地将完整图像输送进测量算法中完成对木窗的尺寸测量，图像采集装置运行流程如图２所示㊂图２㊀图像采集装置运行流程Ｆｉｇ．２㊀Ｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｄｅｖｉｃｅｏｐｅｒａｔｉｏｎｆｌｏｗｃｈａｒｔ２㊀视觉尺寸测量原理２．１㊀尺寸测量原理基于视觉的尺寸检测是一种非接触的测量手段，属于相对测量法，其利用倍率标定㊁识别提取边缘和图像比例换算来推算出目标物体的实际尺寸大小［９］㊂依据相机成像原理，其可简化成小孔成像模型，如图３所示㊂其中，直线ＯᶄＯᵡ为光心，ａｂｃｄ为实际物体ＡＢＣＤ通过相机感光片所成的图像㊂图３㊀小孔成像模型Ｆｉｇ．３㊀Ｓｍａｌｌｈｏｌｅｉｍａｇｉｎｇｍｏｄｅｌ借助成像模型可将三维世界中的一点通过小孔Ｏ投影至相机二维成像平面，其原理如式（２）所示，其中（ｕ，ｖ）为像素坐标系，（ｘ，ｙ）为图像坐标系，（Ｘｃ，Ｙｃ，Ｚｃ）为相机坐标系，（Ｘｗ，Ｙｗ，Ｚｗ）为世界坐标系㊂ｚｃｕｖ１éëêêêùûúúú＝ｚｃ１ｄｘ０ｕ００１ｄｘｖ０００１éëêêêêêêùûúúúúúúｘｙ１éëêêêùûúúú＝１ｄｘ０ｕ００１ｄｘｖ０００１éëêêêêêêùûúúúúúúｆ００００ｆ００００１０éëêêêùûúúúＸｃＹｃＺｃéëêêêêùûúúúú＝ｆｘ０ｕ０００ｆｙｖ００００１０éëêêêêùûúúúúＲｔ０Ｔ１éëêêùûúúＸｗＹｗＺｗ１éëêêêêêùûúúúúú（２）在像素坐标系中，ａｂｃｄ任意两点之间的距离单位为像素，因此，为了求得实际物体ＡＢＣＤ任意两点间的实际物理距离，首先应获取像素坐标与实际坐标之间的比例关系，即像素当量㊂通过标定的手段能够得到每个像素所代表的物理尺寸，此方法应保证与测量实际物体时拍摄条件相同，如图４所示，为像素当量标定示意图㊂假设已知ＫＭ实际物理长度为Ｓ，通过对图像处理计算得到ＮＫᶄ之间的像素个数为Ｗ个，则像素当量Ｐ为：Ｐ＝Ｗ／Ｓ（３）式中，Ｐ的单位为ｍｍ／ｐｉｘｅｌ㊂图４㊀像素当量标定示意图Ｆｉｇ．４㊀Ｐｉｘｅｌｅｑｕｉｖａｌｅｎｔｃａｌｉｂｒａｔｉｏｎｓｃｈｅｍａｔｉｃ在得到像素当量Ｐ后，经过对获取图像的分析处理，可得ａｂｃｄ任意两点间的像素个数，通过比例换算即可得到对应的实际距离㊂假设图像中ａｂ两点之间的像素个数为Ｗａｂ，则ＡＢ间实际物理距离为：ＬＡＢ＝Ｐ㊃Ｗａｂ（４）２．２㊀木窗透视矫正由相机成像原理可知，对于具有一定厚度的木窗，其在成像时会产生透视效应，导致测量时出现误差㊂木窗透视矫正原理见图５㊂根据透视效应及透视矫正原理图，木窗在ＣＣＤ像平面所成像会呈现外框放大，内框出现木窗内壁及上㊁下边缘㊂即对于厚３４１林业工程学报第９卷度为ｈ的木窗，其外框实际在像平面所成像ａｂ为物平面１的ＡＢ点，对于内框在像平面会呈现两条边缘ｃｄ及ｃᶄｄᶄ，其在物平面１的真实木窗内框边缘ＣＤ应为像平面最内侧边缘ｃｄ㊂若依据标准理论模型计算，则其外框结果会偏大，对于内框，在计算像平面的ｃｄ边缘时，则其结果理论上不受影响㊂图５㊀透视矫正原理Ｆｉｇ．５㊀Ｐｅｒｓｐｅｃｔｉｖｅｃｏｒｒｅｃｔｉｏｎｐｒｉｎｃｉｐｌｅｄｉａｇｒａｍ㊀㊀因此，为了保证测量精度，需要对木窗成像时所产生的透视效应进行透视矫正以消除误差㊂本研究提出一种物平面提升法，以消除透视效应带来的误差㊂假设将相机实际成像的物平面１提升到物平面２上进行成像，则此时木窗厚度理论上应为０，其在ＣＣＤ像平面所成像应为真实木窗边缘，且在成像模型上不会产生误差，其中木窗外框ＡᶄＢᶄ在像平面成像为ａｂ，木窗内框ＣᶄＤᶄ在像平面成像为ｃᶄｄᶄ㊂通过相机标定及相机物理参数可得相机焦距ｆ㊁感光芯片像元尺寸μ及相机在标定板平面的像素当量Ｐ，设相机在物平面２的像素当量为Ｐᶄ，在物平面１的像素当量为Ｐᵡ，相机像距为ｖ，离物平面１的高度为Ｈ，标定板厚度为ｔ，则由几何关系及成像公式可得：１ｖ＋１Ｈ＝１ｆｖＨ－ｔ＝μＰｖＨ－ｈ＝μＰᶄｖＨ＝μＰᵡìîíïïïïïïïïïï（５）由式（５）可得ｖ㊁Ｈ㊁Ｐᶄ及Ｐᵡ为：ｖ＝ｆˑＨＨ－ｆＨ＝ｖｐ＋μｔμＰᶄ＝μ（Ｈ－ｈ）ｖＰᵡ＝μＨｖìîíïïïïïïïïïï（６）设木窗内㊁外框分别在物平面１㊁２所成像的像素长度为Ｓｃｄ和Ｓａｂ，因此矫正后的木窗真实外框长度Ｍ及内框长度ｍ为：ｍ＝ＳｃｄＰᵡＭ＝ＳａｂＰᶄ{（７）同理，对于木窗内㊁外框对角线物理尺寸，在得到内㊁外框边缘所成像的角点坐标后，通过比例换算即可得到矫正后对角线尺寸㊂３㊀尺寸测量方法３．１㊀图像预处理通过图像预处理能够有效减少采集图像中的噪声㊁背景干扰等无效信息，简化图像数据，增强图像特征信息，以此方便后续相关处理［１０］㊂其包含灰度化㊁平滑处理㊁图像增强㊁阈值分割㊁形态学处理㊁图像矫正及轮廓分割等㊂由于获取的图像为ＲＧＢ彩色图像，对其应用灰度化处理能够简化图像矩阵，提升运算效率㊂通过加权平均法按比例将图像进行灰度化，如式（８）所示：Ｇｒａｙ（ｉ，ｊ）＝０．２９９Ｂ（ｉ，ｊ）＋０．５８７Ｇ（ｉ，ｊ）＋０．１１４Ｒ（ｉ，ｊ）（８）式中：（ｉ，ｊ）为图像中像素点坐标；Ｂ（ｉ，ｊ）㊁Ｇ（ｉ，ｊ）及Ｒ（ｉ，ｊ）分别为蓝色㊁绿色及红色通道中像素点的亮度值㊂在图像采集过程中，由于光线㊁曝光等内外部因素，所成图像不可避免含有噪声干扰，影响图像分割及边缘提取［１１］，故本研究采取中值滤波进行平滑去噪处理㊂为了增强图像特征信息，采用卷积核锐化对图像边缘信息增强，突出边缘轮廓㊂进一步地，通过多阈值Ｏｔｓｕ分割法，将图像特征信息与背景分割出来，其原理如式（９）所示：ｇ（ｘ，ｙ）＝ａ，ｆ（ｘ，ｙ）＜Ｔ１ｂ，Ｔ１ɤｆ（ｘ，ｙ）ɤＴ２ｃ，ｆ（ｘ，ｙ）＞Ｔ２ìîíïïïï（９）４４１㊀第１期任长清，等：基于机器视觉的木窗双端铣削加工尺寸测量方法式中：Ｔ１㊁Ｔ２为分割阈值；ｆ（ｘ，ｙ）为原图中任一点坐标的像素值；ｇ（ｘ，ｙ）为输出图像对应坐标的像素值㊂通过得到的多阈值分割结果，对其进行相应的位运算处理，以此完成图像分割㊂由于木材纹理等影响，二值化图像会存在空洞㊁断点等细小对象，通过形态学处理可以有效消除这种影响，得到更为清晰的轮廓特征图㊂由于木窗图像可能存在倾斜角度，不利于后续轮廓拟合处理，因此还需通过仿射变换进行中心旋转，对图像进行矫正㊂由矫正后图像可知有内外２个矩形轮廓，为了方便后续处理，对轮廓进行相关填充操作及位运算操作，将其分割为两个保留单个轮廓的二值图㊂在对木窗图像采集时，相机曝光时间为３００００μｓ，增益为１０，光源照度为８００ｌｕｘ，在进行阈值分割时Ｔ１及Ｔ２的值分别为８９及１８８㊂图像预处理过程见图６㊂图６㊀图像预处理过程Ｆｉｇ．６㊀Ｉｍａｇｅｐｒｅ⁃ｐｒｏｃｅｓｓｉｎｇｐｒｏｃｅｓｓ３．２㊀基于改进Ｚｅｒｎｉｋｅ矩亚像素边缘提取关于图像的像素级边缘提取，常见的有Ｓｏｂｅｌ算子㊁Ｃａｎｎｙ算子㊁Ｒｏｂｅｒｔｓ算子及Ｌａｐｌａｃｉａｎ算子等［１２］㊂本研究采用Ｃａｎｎｙ算子完成像素级轮廓检测，其对内外轮廓检测结果如图７所示，从图７可以看出，其边缘轮廓清晰且连续性好㊂图７㊀Ｃａｎｎｙ算子边缘检测结果Ｆｉｇ．７㊀Ｃａｎｎｙｏｐｅｒａｔｏｒｅｄｇｅｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓ对于亚像素边缘提取主要有３种方法，即插值法㊁拟合法及矩方法［１３］㊂矩方法中的Ｚｅｒｎｉｋｅ矩亚像素边缘检测因其具备旋转不变性且不受图像尺度影响，对图像噪声不敏感，因此被广泛使用［１４］㊂本研究基于一种优化的Ｚｅｒｎｉｋｅ矩亚像素边缘提取算法获得图像亚像素轮廓㊂一幅连续图像ｆ（ｘ，ｙ）的二维Ｚｅｒｎｉｋｅ矩定义如式（１０）所示：Ｚｎｍ＝ｎ＋１π∬ｘ２＋ｙ２ɤ１ｆ（ｘ，ｙ）Ｖ∗ｎｍ（ρ，θ）ｄｘｄｙ（１０）式中：ｍ㊁ｎ为整数；ｘ㊁ｙ满足ｘ２＋ｙ２ɤ１；Ｖ∗ｎｍ（ρ，θ）为积分函数Ｖｎｍ（ρ，θ）的共轭复数；ρ为边缘位置；θ为矢量ρ与ｘ轴夹角㊂图像ｆ（ｘ，ｙ）在离散条件下的Ｚｅｒｎｉｋｅ矩如式（１１）所示：Ｚｎｍ＝ðｘðｙｆ（ｘ，ｙ）Ｖ∗ｎｍ（ρ，θ）（１１）图８㊀理想边缘阶跃模型Ｆｉｇ．８㊀ＩｄｅａｌｅｄｇｅｓｔｅｐｍｏｄｅｌＺｅｒｎｉｋｅ矩理想边缘阶跃模型如图８所示㊂其中，单位圆上的直线Ｌ代表图像理想边缘，Ｌ两边的灰度值为ｈ及ｈ＋ｋ，ｋ是灰度阶跃值，ｌ是原点到边界的垂直距离，θ为ｌ与ｘ轴之间夹角［１５］５４１林业工程学报第９卷依据Ｚｅｒｎｉｋｅ矩的旋转不变特性，若旋转角度为θ［１６］，则一幅图像旋转后与旋转前的Ｚｅｒｎｉｋｅ矩关系如式（１２）所示㊂Ｚᶄｎｍ＝Ｚｎｍｅ－ｐｍθ（１２）由Ｚｅｒｎｉｋｅ矩的旋转前后不变性及定义可得：Ｚᶄ００＝Ｚ００＝πｈ＋ｋ２π－ｋａｒｃｓｉｎｌ－ｋｌ１－ｌ２Ｚᶄ１１＝Ｚ１１ｅ－ｐθ＝２３ｋ（１－ｌ２）３２Ｚᶄ２０＝Ｚ２０＝２３ｋｌ（１－ｌ２）３２ìîíïïïïïïïï（１３）由式（１３）可得理想边缘的各参数如下所示：ｋ＝３Ｚᶄ１１２（１－ｌ２）３２ｌ＝Ｚ２０Ｚᶄ１１ｈ＝Ｚ００－ｋ２π＋ｋａｒｃｓｉｎｌ＋ｋｌ１－ｌ２πθ＝ａｒｃｔａｎＩｍ［Ｚ１１］Ｒｅ［Ｚ１１］æèçöø÷ìîíïïïïïïïïïïïï（１４）式中，Ｉｍ［Ｚ１１］及Ｒｅ［Ｚ１１］分别表示Ｚ１１的虚部及实部㊂对于利用ＮˑＮ大小的模板进行边缘检测，由于存在模板放大效应，因此还需对亚像素坐标进一步修正，最终求得的亚像素坐标位置为：ｘｓｙｓéëêêùûúú＝ｘｙéëêêùûúú＋Ｎ２ｌｃｏｓθｓｉｎθéëêêùûúú（１５）式中：（ｘｓ，ｙｓ）为亚像素坐标；（ｘ，ｙ）为单位圆圆心坐标㊂传统Ｚｅｒｎｉｋｅ矩边界点判定方法为ｋȡｋｔ且ｌɤｌｔ，ｋｔ为阶跃阈值，ｌｔ为距离阈值［１７］㊂在传统算法中，阶跃阈值ｋｔ一般手动选取，阈值过大或过小都会对边缘信息产生一定程度的影响，距离阈值ｌｔ的取值一般为１／２㊂在实际应用中，图像由于受光源㊁背景等影响，单阈值分割可能会将某些背景错判为边缘，从而干扰后期的轮廓提取精度［１８］㊂因此，本研究采取多阈值Ｏｔｓｕ分割法，获取图像最佳分割阈值，并自动得到最佳阶跃阈值ｋｔ的值㊂由于传统的Ｚｅｒｎｉｋｅ矩亚像素检测算法只考虑低阶矩，可能导致边缘定位不准确或漏检，因此引入高阶矩Ｚ３１和Ｚ４０以提高边缘检测的精度及鲁棒性㊂由于引入了高阶矩，因此令距离ｌ＝（ｌ１＋ｌ２）／２，ｌ１和ｌ２分别为原点到低阶次和高阶次边缘的垂直距离，其计算公式如下：ｌ１＝５Ｚᶄ４０＋３Ｚᶄ２０８Ｆᶄ２０ｌ２＝５Ｚᶄ３１＋Ｚᶄ１１６Ｚᶄ１１ìîíïïïïïï（１６）对于距离阈值ｌｔ，考虑模板效应，应取２／Ｎ，Ｎ为模板大小㊂传统距离阈值的判定条件为原点到边缘的垂直间距ｌɤｌｔ，引入高阶矩后，取高阶次边缘与低阶次边缘到原点的垂直距离之差绝对值作为判断值，即距离阈值判定条件为｜ｌ１－ｌ２｜ɤｌｔ㊂综上所述，采用改进的Ｚｅｒｎｉｋｅ矩亚像素轮廓提取算法获得图像亚像素轮廓点坐标，其步骤如下：１）利用Ｃａｎｎｙ算子检测到的粗定位轮廓，将每个像素点与７ˑ７的模板实行卷积运算，分别得到Ｚ００㊁Ｚ１１㊁Ｚ２０㊁Ｚ３１及Ｚ４０，进一步可得Ｚᶄ００㊁Ｚᶄ１１㊁Ｚᶄ２０㊁Ｚᶄ３１及Ｚᶄ４０㊂２）将上步得到的值代入式（１４）及式（１６）可得每个像素点的ｌ１㊁ｌ２㊁ｋ及θ㊂３）应用多阈值Ｏｔｓｕ分割法获取图像最佳分割阈值，记此时阈值为最优阈值，并作为阶跃阈值ｋｔ㊂４）计算距离ｌ，并考虑模板效应，取距离阈值ｌｔ为２／Ｎ，Ｎ为模板大小㊂５）根据上面得到的分割阈值及距离阈值，判定每个像素点参数值是否符合ｋȡｋｔ且｜ｌ１－ｌ２｜ɤｌｔ㊂若符合则利用式（１５）计算出亚像素坐标并保存，若不符合则剔除该点㊂本研究对内外两个轮廓的亚像素轮廓检测结果如图９所示，图９ａ为整体亚像素边缘检测结果，图９ｂ为局部亚像素边缘，其中白块为Ｃａｎｎｙ检测的像素级边缘结果，白块中 ∗ 为亚像素级边缘㊂图９㊀亚像素边缘检测结果Ｆｉｇ．９㊀Ｓｕｂ⁃ｐｉｘｅｌｅｄｇｅｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓ３．３㊀最小二乘法结合ＲＡＮＳＡＣ算法拟合在利用改进的Ｚｅｒｎｉｋｅ矩亚像素算法获取木窗的精确边缘位置后，利用最小二乘法结合ＲＡＮＳＡＣ６４１㊀第１期任长清，等：基于机器视觉的木窗双端铣削加工尺寸测量方法算法对木窗边缘进行拟合，其次求出拟合轮廓顶点，从而计算出木窗尺寸参数㊂通过将亚像素轮廓分割为４个部分，并对每部分拟合为一条直线，最后求出４条直线的４个交点，以此完成轮廓的拟合，主要包含数据划分处理及拟合两个部分㊂对于数据划分处理，首先求出轮廓上边缘㊁右边缘㊁下边缘及左边缘的４个边界极值Ｙｍａｘ㊁Ｘｍａｘ㊁Ｘｍｉｎ㊁Ｙｍｉｎ，并以此求出轮廓中点坐标（Ｘｍ，Ｙｍ），随后将亚像素轮廓点集Ｓ按照式（１７）粗划分为对应的四部分轮廓点集㊂ＳＲ１＝Ｓ（Ｘ，Ｙ＞Ｙｍ）ＳＲ２＝Ｓ（Ｘ＞Ｘｍ，Ｙ）ＳＲ３＝Ｓ（Ｘ，Ｙ＜Ｙｍ）ＳＲ４＝Ｓ（Ｘ＜Ｘｍ，Ｙ）ìîíïïïïï（１７）进一步求出每部分轮廓点集ｘ或ｙ方向的众数，分别为Ｍ１＿ｙ㊁Ｍ２＿ｘ㊁Ｍ３＿ｙ和Ｍ４＿ｘ，设偏差阈值为ｃ，最后利用式（１８）将粗划分点集精筛为待拟合点集，以此完成数据划分处理㊂ＳＰ１＝ＳＲ１（Ｘ，Ｍ１＿ｙ－ｃ＜Ｙ＜Ｍ１＿ｙ＋ｃ）ＳＰ２＝ＳＲ２（Ｍ２＿ｘ－ｃ＜Ｘ＜Ｍ２＿ｘ＋ｃ，Ｙ）ＳＰ３＝ＳＲ３（Ｘ，Ｍ３＿ｙ－ｃ＜Ｙ＜Ｍ３＿ｙ＋ｃ）ＳＰ４＝ＳＲ４（Ｍ４＿ｘ－ｃ＜Ｘ＜Ｍ４＿ｘ＋ｃ，Ｙ）ìîíïïïïï（１８）对于拟合处理，首先采用ＲＡＮＳＡＣ算法对每部分待拟合点集进行迭代筛选，剔除点集内的异常值，得到最优内点点集㊂在得到最优内点点集后，利用最小二乘法完成直线拟合㊂设直线方程为：ｙ＝ｋｘ＋ｂ（１９）式中：ｋ为直线斜率；ｂ为截距㊂已知亚像素轮廓坐标为（ｘｓ，ｙｓ），设最优内点点集Ａ有ｍ组数据点（ｘｉ，ｙｉ），ｉ＝１，２， ，ｍ，由式（１９）及最小二乘法原理可知，要得到最优直线方程的参数ｋ㊁ｂ，应使得函数Ｆ（ｋ，ｂ）取最小值㊂Ｆ（ｋ，ｂ）＝ðｍｉ＝１（ｙｉ－ｋｘｉ－ｂ）２（２０）式中：（ｘｉ，ｙｉ）为第ｉ个亚像素点；ｍ为轮廓点集的亚像素点个数㊂由极值原理可知，对该式求ｋ和ｂ的偏导并分别使其为零，即可得到极值点，如下式所示：∂∂ｋðｍｉ＝１（ｙｉ－ｋｘｉ－ｂ）２＝－２ｘｉðｍｉ＝１（ｙｉ－ｋｘｉ－ｂ）＝０∂∂ｂðｍｉ＝１（ｙｉ－ｋｘｉ－ｂ）２＝－２ðｍｉ＝１（ｙｉ－ｋｘｉ－ｂ）＝０ìîíïïïï（２１）求解式（２１）即可得到最优拟合直线的参数ｋ和ｂ，进一步拟合出边缘直线㊂最小二乘法结合图１０㊀最小二乘法结合ＲＡＮＳＡＣ算法拟合边缘流程Ｆｉｇ．１０㊀ＬｅａｓｔｓｑｕａｒｅｓｃｏｍｂｉｎｅｄｗｉｔｈＲＡＮＳＡＣａｌｇｏｒｉｔｈｍｆｉｔｔｉｎｇｔｈｅｅｄｇｅｆｌｏｗｃｈａｒｔ对一个完整的亚像素边缘轮廓执行上述操作，即可获得４条拟合直线㊂进一步求出４条直线的４个交点，并作为４个顶点，依次连接便可得到拟合的轮廓㊂同理，可得到另一个亚像素轮廓的拟合轮廓㊂利用本研究方法拟合木窗边缘轮廓的过程见图１１，其中图１１ａ为内外框轮廓边缘筛选，图１１ｂ为拟合轮廓结果及局部放大图，且直线上的 ∗ 为亚像素边缘点㊂图１１㊀木窗边缘轮廓拟合过程Ｆｉｇ．１１㊀Ｗｏｏｄｅｎｗｉｎｄｏｗｅｄｇｅｐｒｏｆｉｌｅｆｉｔｔｉｎｇｐｒｏｃｅｓｓ３．４㊀尺寸计算在拟合出木窗轮廓后，即可提取拟合轮廓的角７４１林业工程学报第９卷点坐标㊂设木窗外轮廓的４个顶点分别为Ａ㊁Ｂ㊁Ｃ㊁Ｄ，内轮廓对应４个顶点为ａ㊁ｂ㊁ｃ㊁ｄ，由两点间距离公式可知，若外轮廓上两个顶点Ａ㊁Ｂ坐标分别为Ａ（ＸＡ，ＹＡ）㊁Ｂ（ＸＢ，ＹＢ），最终标定的像素当量为Ｐ，则实际物理距离ＬＡＢ为：ＬＡＢ＝Ｐˑ（ＸＡ－ＸＢ）２＋（ＹＡ－ＹＢ）２（２２）因此，在确定拟合轮廓的角点位置及坐标后，即可由式（２２）得到木窗的边框尺寸及对角线尺寸㊂４㊀结果与分析４．１㊀测量系统标定现有检测方式需要人工测量木窗边框尺寸及对角线尺寸，本研究依照检测内容搭建试验台，主要由支架㊁６００万像素的海康威视面阵相机㊁定焦镜头及白色ＬＥＤ环形光源等组成，尺寸检测实验平台见图１２㊂图１２㊀尺寸检测实验平台Ｆｉｇ．１２㊀Ｄｉｍｅｎｓｉｏｎａｌｔｅｓｔｉｎｇｌａｂｏｒａｔｏｒｙｐｌａｔｆｏｒｍ㊀㊀由于测量系统实物未完成，本研究采用面阵相机进行等效实验对尺寸检测算法进行验证㊂首先根据计算得到的理论相机每像素物理尺寸精度ｄａ，ｐｉｘｅｌ，利用已有相机的分辨率，在保证与理论计算所得到的ｄａ，ｐｉｘｅｌ值相同情况下，计算得到现有相机需要的视野大小及工作高度，最后通过调节保证相机位置的固定㊂为完成木窗的尺寸测量，需先对相机完成标定，以确定像素当量Ｐ，本研究采用棋盘格实现相机标定㊂在实验条件相同情况下，采集棋盘格图像，根据角点坐标计算不同行㊁不同列相邻两格子的像素长度，并与已知的物理长度做比值，经过多次标定，取平均值作为标定的像素当量㊂由于标定板存在厚度ｔ，所以该标定结果应为实际物平面加上标定板厚度ｔ所在平面的像素当量，因此应当对其进行修正，以得到实际物平面像素当量Ｐ㊂经计算，最终确定像素当量Ｐ＝０．０９７８６６７ｍｍ／ｐｉｘｅｌ㊂４．２㊀测量结果分析实验材料为厚度规格相同的松木材质矩形木窗，其尺寸规格分别为１００，２００和２５０ｍｍ３种㊂为验证测量方法对不同尺寸木窗的检测精度，利用精度为０．０１ｍｍ的世达电子游标卡尺对不同尺寸木窗的测量内容进行多次人工测量，最后取平均值作为真实尺寸㊂对不同规格木窗的不同尺寸进行测量，与真实尺寸的对比如表１所示㊂由表１可知，绝对误差范围在ʃ０．１２ｍｍ之内，相对误差在ʃ０．１％之内，实验证明本研究测量方法满足检测精度要求㊂表１㊀测量结果Ｔａｂｌｅ１㊀Ｍｅａｓｕｒｅｍｅｎｔｒｅｓｕｌｔｓ测量编号测量内容人工测量／ｍｍ算法测量／ｍｍ绝对误差／ｍｍ相对误差／％１木窗１外框９９．６５９９．６２－０．０３－０．０３２木窗１内框５９．８５５９．８９０．０４０．０７３木窗１外框对角线１４０．０２１４０．１２０．１００．０７４木窗１内框对角线８４．８３８４．９１０．０８０．０９５木窗２外框１９８．７９１９８．８６０．０７０．０４６木窗２内框１１９．７３１１９．６７－０．０６－０．０５７木窗２外框对角线２８１．７３２８１．６２－０．１１－０．０４８木窗２内框对角线１６９．７２１６９．７９０．０７０．０４９木窗３外框２４８．８７２４８．７８－０．０９－０．０４１０木窗３内框１４９．５５１４９．５０－０．０５－０．０３１１木窗３外框对角线３５３．０３３５３．１２０．０９０．０３１２木窗３内框对角线２１２．０４２１２．１１０．０７０．０３５㊀结㊀论针对传统木窗双端铣削加工中人工测量尺寸存在的精度低㊁效率低等问题，提出一种基于机器视觉的木窗双端铣削加工尺寸测量方法，具体如下：８４１㊀第１期任长清，等：基于机器视觉的木窗双端铣削加工尺寸测量方法１）对于木窗厚度引起的透视投影误差，提出一种物平面提升法，利用投影几何关系求出木窗上表面所在平面像素当量，进而求出木窗真实尺寸，但此种方法只适用于厚度相同的不同规格木窗㊂２）基于ＯｐｅｎＣＶ对木窗图像完成图像预处理及Ｃａｎｎｙ边缘检测，获得木窗像素级轮廓，进一步地通过改进的Ｚｅｒｎｉｋｅ矩亚像素提取算法得到木窗亚像素轮廓，以此提高检测精度㊂３）基于ＲＡＮＳＡＣ算法及最小二乘法对亚像素点实现拟合，得到拟合边缘角点坐标，并完成测量㊂由于该拟合方法需要对每条边进行直线拟合，最后求出交点得到拟合轮廓，过程较为复杂，后续可考虑建立四边形参数方程，应用最小二乘法完成拟合，提高拟合效率㊂４）通过实验表明，与人工测量方式相比，本研究所提方法能够提高测量效率及精度，且相对误差在ʃ０．１％以内，精度可以满足测量需求，具有较强的稳定性与适应性㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］汪凤林，周扬，叶绿，等．基于机器视觉的飞轮齿圈缺陷和尺寸检测方法［Ｊ］．中国测试，２０２０，４６（５）：３１－３８．ＤＯＩ：１０．１１８５７／ｊ．ｉｓｓｎ．１６７４－５１２４．２０２００２０００５．ＷＡＮＧＦＬ，ＺＨＯＵＹ，ＹＥＬ，ｅｔａｌ．Ｍｅｔｈｏｄｆｏｒｆａｕｌｔｄｅｆｅｃｔｉｏｎａｎｄｓｉｚｅｍｅａｓｕｒｅｍｅｎｔｆｏｒｆｌｙｗｈｅｅｌｒｉｎｇｇｅａｒｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉ⁃ｓｉｏｎ［Ｊ］．ＣｈｉｎａＭｅａｓｕｒｅｍｅｎｔ＆ＴｅｓｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，２０２０，４６（５）：３１－３８．［２］ＬＩＲＲ，ＺＨＡＯＳＣ，ＹＡＮＧＢＫ．Ｒｅｓｅａｒｃｈｏｎｔｈｅａｐｐｌｉｃａｔｉｏｎｓｔａｔｕｓｏｆｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｆｕｒｎｉｔｕｒｅｍａｎｕｆａｃｔｕｒｉｎｇｐｒｏｃｅｓｓ［Ｊ］．ＡｐｐｌｉｅｄＳｃｉｅｎｃｅｓ，２０２３，１３（４）：２４３４．ＤＯＩ：１０．３３９０／ＡＰＰ１３０４２４３４．［３］ＢＥＳＨＡＲＡＴＩＡＮＢ，ＤＡＳＡ，ＡＷＡＷＤＥＨＡ，ｅｔａｌ．Ｂｅｎｃｈｍａｒｋｉｎｇｄｙｎａｍｉｃｐｒｏｐｅｒｔｉｅｓｏｆｓｔｒｕｃｔｕｒｅｓｕｓｉｎｇｎｏｎ⁃ｃｏｎｔａｃｔｓｅｎｓｉｎｇ［Ｊ］．ＥａｒｔｈｑｕａｋｅＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｎｇｉｎｅｅｒｉｎｇＶｉｂｒａｔｉｏｎ，２０２３，２２（２）：３８７－４０５．ＤＯＩ：１０．１００７／ｓ１１８０３－０２３－２１７６－ｘ．［４］撒莹莹，刘丰，王明钊，等．一种基于机器视觉的大尺寸板材成形在线测量系统与方法：ＣＮ１１１６０９８１１Ａ［Ｐ］．２０２０－０９－０１．ＳＡＹＹ，ＬＩＵＦ，ＷＡＮＧＭＺ，ｅｔａｌ．Ｌａｒｇｅ⁃ｓｉｚｅｐｌａｔｅｆｏｒｍｉｎｇｏｎ⁃ｌｉｎｅｍｅａｓｕｒｅｍｅｎｔｓｙｓｔｅｍａｎｄｍｅｔｈｏｄｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ：ＣＮ１１１６０９８１１Ａ［Ｐ］．２０２０－０９－０１．［５］潘屾，王克奇，侯弘毅，等．应用Ｈａｒｒｉｓ角点检测进行图像拼接的超长板材尺寸测量方法［Ｊ］．东北林业大学学报，２０１８，４６（４）：５４－５７．ＤＯＩ：１０．１３７５９／ｊ．ｃｎｋｉ．ｄｌｘｂ．２０１８．０４．０１１．ＰＡＮＳ，ＷＡＮＧＫＱ，ＨＯＵＨＹ，ｅｔａｌ．Ｈａｒｒｉｓｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｆｏｒｉｍａｇｅｓｐｌｉｃｉｎｇｏｆｌｏｎｇｐｌａｔｅｓｉｚｅｍｅａｓｕｒｅｍｅｎｔｍｅｔｈｏｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０１８，４６（４）：５４－５７．［６］赵志伟，吉天义，赵宁．一种采用机器视觉的基于参考点的矩形板材尺寸测量方法：ＣＮ１１５１４７３６５Ａ［Ｐ］．２０２２－１０－０４．ＺＨＡＯＺＷ，ＪＩＴＹ，ＺＨＡＯＮ．Ｒｅｃｔａｎｇｕｌａｒｐｌａｔｅｓｉｚｅｍｅａｓｕｒｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｒｅｆｅｒｅｎｃｅｐｏｉｎｔａｎｄａｄｏｐｔｉｎｇｍａｃｈｉｎｅｖｉｓｉｏｎ：ＣＮ１１５１４７３６５Ａ［Ｐ］．２０２２－１０－０４．［７］焦博，刘国宁，赵孟轩，等．基于机器视觉的亚像素精度法兰盘尺寸测量方法［Ｊ］．现代制造工程，２０２２（７）：１２１－１２６．ＤＯＩ：１０．１６７３１／ｊ．ｃｎｋｉ．１６７１－３１３３．２０２２．０７．０１９．ＪＩＡＯＢ，ＬＩＵＧＮ，ＺＨＡＯＭＸ，ｅｔａｌ．Ｆｌａｎｇｅｓｉｚｅｍｅａｓｕｒｅｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎｗｉｔｈｓｕｂ⁃ｐｉｘｅｌｐｒｅｃｉｓｉｏｎ［Ｊ］．ＭｏｄｅｒｎＭａｎｕｆａｃｔｕｒｉｎｇＥｎｇｉｎｅｅｒｉｎｇ，２０２２（７）：１２１－１２６．［８］李杨先，张慧春，杨旸．一种基于图像处理技术的植物形态表型参数获取方法［Ｊ］．林业工程学报，２０２０，５（６）：１２８－１３６．ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０１９１１００３．ＬＩＹＸ，ＺＨＡＮＧＨＣ，ＹＡＮＧＹ．Ａｍｅｔｈｏｄｆｏｒｏｂｔａｉｎｉｎｇｐｌａｎｔｍｏｒｐｈｏｌｏｇｉｃａｌｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｕｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈ⁃ｎｏｌｏｇｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０２０，５（６）：１２８－１３６．［９］邰承岳，袁鹏哲，钟晨，等．基于机器视觉的圆柱直齿轮齿距偏差检测技术研究［Ｊ］．计算机测量与控制，２０２１，２９（１１）：３５－４０．ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０２１．１１．００７．ＴＡＩＣＹ，ＹＵＡＮＰＺ，ＺＨＯＮＧＣ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｔｏｏｔｈｐｉｔｃｈｄｅｖｉａｔｉｏｎｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎｆｏｒｓｐｕｒｇｅａｒｓ［Ｊ］．ＣｏｍｐｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ，２０２１，２９（１１）：３５－４０．［１０］周佳美，刁燕，田兴国，等．基于椭圆截面剖分模型的原竹剖分刀具自选方法研究［Ｊ］．林产工业，２０２２，５９（１０）：２８－３３．ＤＯＩ：１０．１９５３１／ｊ．ｉｓｓｎ１００１－５２９９．２０２２１０００７．ＺＨＯＵＪＭ，ＤＩＡＯＹ，ＴＩＡＮＸＧ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｓｅｌｆ⁃ｓｅｌｅｃ⁃ｔｉｏｎｍｅｔｈｏｄｏｆｂａｍｂｏｏｓｐｌｉｔｔｉｎｇｔｏｏｌｂａｓｅｄｏｎｓｐｌｉｔｔｉｎｇｍｏｄｅｌ［Ｊ］．ＣｈｉｎａＦｏｒｅｓｔＰｒｏｄｕｃｔｓＩｎｄｕｓｔｒｙ，２０２２，５９（１０）：２８－３３．［１１］李执，闫坤，傅琪，等．基于机器视觉的金属工件尺寸测量［Ｊ］．仪表技术与传感器，２０２２（３）：９２－９７．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００２－１８４１．２０２２．０３．０１８．ＬＩＺ，ＹＡＮＫ，ＦＵＱ，ｅｔａｌ．Ｄｉｍｅｎｓｉｏｎｍｅａｓｕｒｅｍｅｎｔｏｆｍｅｔａｌｗｏｒｋｐｉｅｃｅｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ［Ｊ］．ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ，２０２２（３）：９２－９７．［１２］林启招，王云龙，何鑫，等．基于交互模式和图像处理的针叶材生长轮测算方法［Ｊ］．林业工程学报，２０１９，４（５）：１２１－１２８．ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０１９．０５．０１７．ＬＩＮＱＺ，ＷＡＮＧＹＬ，ＨＥＸ，ｅｔａｌ．Ｃｏｍｐｕｔａｔｉｏｎｍｅｔｈｏｄｏｆｓｏｆｔｗｏｏｄ ｓｇｒｏｗｔｈｒｉｎｇｂａｓｅｄｏｎｔｈｅｉｎｔｅｒａｃｔｉｖｅｍｏｄｅｌａｎｄｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０１９，４（５）：１２１－１２８．［１３］ＤＥＲＡＮＩＭＮ，ＲＡＴＮＡＭＭＭ，ＮＡＳＩＲＲＭ．Ｉｍｐｒｏｖｅｄｍｅａｓｕｒｅｏｆｗｏｒｋｐｉｅｃｅｓｕｒｆａｃｅｄｅｔｅｒｉｏｒａｔｉｏｎｄｕｒｉｎｇｔｕｒｎｉｎｇｕｓｉｎｇｎｏｎ⁃ｃｏｎｔａｃｔｖｉｓｉｏｎｍｅｔｈｏｄ［Ｊ］．ＰｒｅｃｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０２１，６８：２７３－２８４．ＤＯＩ：１０．１０１６／ｊ．ｐｒｅｃｉｓｉｏｎｅｎｇ．２０２０．１２．０１６．［１４］巢渊，唐寒冰，刘文汇，等．基于改进Ｚｅｒｎｉｋｅ矩的轴类零件尺寸测量方法［Ｊ］．电子测量技术，２０２２，４５（３）：１６９－１７６．ＤＯＩ：１０．１９６５１／ｊ．ｃｎｋｉ．ｅｍｔ．２１０８５４５．ＣＨＡＯＹ，ＴＡＮＧＨＢ，ＬＩＵＷＨ，ｅｔａｌ．ＩｍｐｒｏｖｅｄＺｅｒｎｉｋｅｍｏ⁃ｍｅｎｔ⁃ｂａｓｅｄｄｉｍｅｎｓｉｏｎａｌｍｅａｓｕｒｅｍｅｎｔｍｅｔｈｏｄｆｏｒｓｈａｆｔｐａｒｔｓ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＭｅａｓｕｒｅｍｅｎｔＴｅｃｈｎｏｌｏｇｙ，２０２２，４５（３）：１６９－１７６．［１５］李华，麻艳娜，谷付星．基于机器视觉的高精度微纳光纤直径实时测量［Ｊ］．光学仪器，２０２２，４４（１）：１－８．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００５－５６３０．２０２２．０１．００１．ＬＩＨ，ＭＡＹＮ，ＧＵＦＸ．Ｈｉｇｈ⁃ｐｒｅｃｉｓｉｏｎａｎｄｒｅａｌ⁃ｔｉｍｅｍｅａｓｕｒｅ⁃ｍｅｎｔｏｆｍｉｃｒｏ⁃ｎａｎｏｆｉｂｅｒｄｉａｍｅｔｅｒｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ［Ｊ］．ＯｐｔｉｃａｌＩｎｓｔｒｕｍｅｎｔｓ，２０２２，４４（１）：１－８．［１６］周俊杰，余建波．基于机器视觉的加工刀具磨损量在线测量［Ｊ］．上海交通大学学报，２０２１，５５（６）：７４１－７４９．ＤＯＩ：１０．１６１８３／ｊ．ｃｎｋｉ．ｊｓｊｔｕ．２０２０．０８３．ＺＨＯＵＪＪ，ＹＵＪＢ．Ｏｎｌｉｎｅｍｅａｓｕｒｅｍｅｎｔｏｆｍａｃｈｉｎｉｎｇｔｏｏｌｗｅａｒｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈａｎｇｈａｉＪｉａｏＴｏｎｇＵｎｉ⁃ｖｅｒｓｉｔｙ，２０２１，５５（６）：７４１－７４９．［１７］金守峰，焦航．基于机器视觉的钢领内圈圆度检测方法［Ｊ］．毛纺科技，２０２２，５０（４）：８３－８８．ＤＯＩ：１０．１９３３３／ｊ．ｍｆｋｊ．２０２１０８０１１０６．ＪＩＮＳＦ，ＪＩＡＯＨ．Ｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｆｒｏｕｎｄｎｅｓｓｏｆｓｔｅｅｌｃｏｌｌａｒｉｎｎｅｒｒｉｎｇｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ［Ｊ］．ＷｏｏｌＴｅｘｔｉｌｅＪｏｕｒｎａｌ，２０２２，５０（４）：８３－８８．［１８］ＫＵＭＡＲＳＳ，ＰＲＡＴＡＰＢＢ，ＲＡＶＡＬＳ．Ａｒｅｖｉｅｗｏｆｌａｓｅｒｓｃａｎ⁃ｎｉｎｇｆｏｒｇｅｏｌｏｇｉｃａｌａｎｄｇｅｏｔｅｃｈｎｉｃａｌａｐｐｌｉｃａｔｉｏｎｓｉｎｕｎｄｅｒｇｒｏｕｎｄｍｉｎｉｎｇ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＭｉｎｉｎｇＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ⁃ｇｙ，２０２３，３３（２）：１３３－１５４．ＤＯＩ：１０．１０１６／ｊ．ｉｊｍｓｔ．２０２２．０９．０２２．（责任编辑㊀田亚玲）９４１。
机器视觉技术与应用实战-视觉工具(三)圆周卡尺和直线卡尺
本章小结
本节主要讲解直线卡尺与圆周卡尺工具内部参数的设置意义，通过本章的的学 习，了解直线卡尺与圆周卡尺的应用场合、检测区别等。
思考与练习
1.直线卡尺与圆周卡尺的区别在哪？ 答：直线卡尺所检测的是横向或者纵向宽度值，圆周卡尺检测的是圆周宽度值。
2.直线卡尺检测出的值为像素值，如何将其转换为实际的mm值？ 答：使用标定块进行校正，调用校正出的比例系数即可。
《机器视觉技术与应用实战》
龙睿智能相机 直线卡尺
《机器视觉技术与应用实战》
直线卡尺
直线卡尺工具找到并定位一个或多个边缘对，以满足用户定义的约束条件，然后测量 每个对中的两个边缘之间的距离，常用于测试产品宽度尺寸，直线卡尺可以使用卡尺本身 自带的校正系数进行校正，也可以使用校准工具的校准的比例系数进行检测，若未使用比 例系数，则直线卡尺输出的检测值为像素值。
《机器视觉技术与应用实战》
直线卡尺
5.分数阈值：您可以使用得分阈值拒绝具有低得 分值的潜在第一和第二边缘。 该阈值被应用于边 缘的总得分，而不是个别位置和幅度得分分量。 6.等级：边缘轮廓的对比度阈值。 7.位置：约束边线的查找位置，如下图。矩形框 内X方向的黄色线段E1,E2，X负方向的为第一条 边、X正方向的为第二条边，代表边线查找位置区 间。线端点可以拖动。
《机器视觉技术与应用实战》
案例说明
以下例举直线卡尺工具在实际场合中的应用。
使用直线卡尺工具，以几何 定位工具作为补正源，设置 对应参数，检测其孔径尺寸。
《机器视觉技术与应用实战》
案例说明
以下例举直线卡尺工具在实际场合中的应用。
使用直线卡尺工具，以几何 定位工具作为补正源，设置 对应参数，检测其孔径尺寸。
基于结构光和机器视觉的尺寸测量及其误差分析(精)
Y
-f
;投影中心坐标为0
00
;
P点坐标为X c
Y c Z c
。
由于像点投影中心和P点在同一条直线上,根据几何关系有:
X Y -
f
-0
=
0-X c
Y c Z c
,展开得:k =f =
c
f X =-c k =f
c
z Y =-c k =f c z c
由公式可以看出像点与物体点之间是一个非线性的关系,将以上公式用齐次坐标表示:
包装工程P A CK A GIN G EN G IN EERI NG Vo l. 32N o. 92011. 05
66
收稿日期:2011 03 01
基金项目:湖北省自然科学基金项目(2009CDB313 ;湖北省教育厅项目(Q 20091404
作者简介:钟飞(1970- ,男,武汉人,硕士,湖北工业大学副教授,主要研究方向为包装过程检测与控制。
CCD电荷耦合器件于1969年在贝尔实验室研制成功以后,由日商开始量产,其发展过程历经30多
年。由于其具有高灵敏度、低噪声、长寿命、低功耗和高可靠性等优点,得到了广泛应用。CCD的几何精度高,像素间距小,如果配置适当的光学系统,就可以获得很高的分辨率。结构光视觉方法的研究最早出现于20世纪70年代。为了得到产品某一方面的特征信息,在CCD的图像传感技术上结合结构光来得到可以更加明确的图像信息,一定意义上改进了成像质量。
67
1 CCD工作原理
机器视觉中,相机标定常用的相机模型有:针孔模型、正交投影模型及拟透视投影模型[2]。其中针孔模型是最常用的相机模型,在大多数场合下可以满足要求。针孔成像模型见图1,其中:X c Y c Z c为相机坐标系; X Y
基于机器视觉的尺寸测量应用综述
基于机器视觉的尺寸测量应用综述机器视觉技术在工业、质检、医疗等领域都得到了广泛应用。
其中，尺寸测量是机器视觉应用中的一项重要内容。
尺寸测量主要是指对物体各个尺寸参数的测量量化，如长度、宽度、高度、曲率、直线度等。
尺寸测量是机器视觉应用的关键技术之一，其测量结果同时也直接影响到机器视觉应用的成果。
因此，如何进行准确的尺寸测量一直是机器视觉的研究热点。
本文主要就近年来国内外关于基于机器视觉的尺寸测量应用的研究现状进行综述。
一、基于光栅投影的尺寸测量光栅技术和轮廓投影技术是常用的实现光计测量的方法，其中光栅技术的基本原理是将频率已知的光干涉图样通过光透镜成像后投射在被测物体上，得到被测物体表面的精确坐标，再利用相应的算法实现长度、角度等参数的测量。
光栅尺寸测量方法主要包括激光光栅测量法、基于LCD光栅的尺寸测量法、基于DMD光栅的尺寸测量法等。
其中基于DMD光栅的尺寸测量法被广泛应用于三维成像重建，其优点是没有机械移动元件，不影响测量精度，也无需维护和校准。
基于三角测量的尺寸测量主要通过对物体三维坐标的计算和对相机外参的求解，从而得到物体的实际尺寸。
三角测量技术实现非常灵活，可以通过结构光、边缘匹配等方式实现。
其中结构光法应用广泛，可以实现轮廓、表面等形状的三维重建。
近年来，深度学习技术在机器视觉领域迅速发展，并且已经在图像分类、目标检测、图像分割等领域中取得了显著的成果。
同时，利用深度学习技术实现尺寸测量的研究也逐步展开。
其中，通过改进传统卷积神经网络结构和损失函数，结合高精度传感器数据，实现对目标物自由形状区域尺寸的测量，成为当前研究的热点之一。
这种基于深度学习的尺寸测量方法具有计算量小，快速测量的特点，对不同形状的物体都有良好的适应性。
综上所述，基于机器视觉的尺寸测量现在已经广泛应用于工业、医疗、质检等领域，具有准确、快速、可靠的优点。
虽然不同的尺寸测量方法各有特点，但是在实际应用中，需要根据具体场景和物体特点选择合适的测量方法，以达到更好的测量结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器视觉的尺寸测量方法
机器视觉是一种通过摄像机、图像处理软件、计算机和人工智能技术来模拟人类视觉的技术。
在制造业中，机器视觉已经被广泛应用于尺寸测量，其高精度和高效率的特点使其成为自动化生产线上重要的测量手段。
基于机器视觉的尺寸测量方法是通过摄像机获取待测物体的影像，通过图像处理软件提取物体的轮廓或特征点，然后利用数学模型计算物体的尺寸。
这种方法不仅可以测量平面物体的尺寸，还可以对三维物体的长度、宽度、高度等尺寸参数进行测量。
在实际应用中，基于机器视觉的尺寸测量方法需要考虑以下几个方面：
1. 图像质量：图像质量直接影响测量精度，因此需要保证摄像机的分辨率、对比度、光线等条件都符合要求。
2. 物体表面的特征：在进行尺寸测量之前，需要对物体表面进行特征提取。
对于平面物体，可以直接提取物体的轮廓；对于三维物体，需要先通过立体匹配算法建立物体的三维模型，然后提取其特征点。
3. 计算模型：测量结果的精度和稳定性与计算模型密切相关。
因此需要根据实际应用场景选择适当的计算模型，并进行模型的优化和验证。
4. 测量环境：测量环境对测量精度也有一定的影响。
需要保证测量环境的稳定性和灰度均匀性，避免光照不均或者物体本身存在遮
挡等情况。
基于机器视觉的尺寸测量方法已经被广泛应用于汽车、航空、电子、医疗等领域。
随着机器视觉技术的不断发展和完善，基于机器视觉的尺寸测量方法将会更加精准和高效。