CN103499297B - 一种基于ccd的高精度测量方法 - Google Patents

Abstract

本发明属于机器视觉领域，涉及一种基于CCD的高精度测量方法，突破了目前基于CCD的尺寸测量技术中多用于小尺寸物体测量的局限，该算法构建摄像机成像模型，标定相机内外参数，根据畸变模型和内参数据校正图像；提出了利用邻域信息区分被测物上下表面边缘的方法，采用Canny滤波器提取被测物上表面亚像素边缘信息，根据被检测零件的CAD数据创建模板,利用基于形状的模板匹配算法精确定位识别被测物,根据点激光器获得被测物深度信息，约束并换算被测物上表面姿态，最后将轮廓距离作为被测物加工误差的度量,该算法可应用于大尺寸平面零件尺寸测量，精度可达亚像素级别。

Description

一种基于CCD的高精度测量方法

技术领域

本发明属于图像处理技术领域，涉及一种基于CCD的高精度测量方，能够为机械零件加工提供高精度、高效率的检测。

背景技术

现代工业正向着加工自动化、高速化、精密化的方向发展，企业对产品的加工精度要求越来越高。在机械加工过程中，由于机床震动、刀具磨损、对刀偏移种种原因都会直接或者间接影响加工精度。获得工件尺寸加工精度的重要途径是测量。测量是产品制造工艺中的关键环节，是判断产品生产质量的主要手段。先进制造技术的发展，对测量提出了高精度、高效率、良好柔性要求，也越来越强调实时在线非接触测量。例如金属板材精密裁切企业在购买和使用高精度裁切工具时，怎样了解裁切产品的精度，这是长期困惑业内许多工程师和操作人员的难题，尤其在裁切不规则形状零件时，更是难以做高精度的测量。

越来越多的研究人员和企业把目光投射到CCD尺寸测量技术，它已成为一种非常有效的非接触检测技术，使加工、检测和控制过程融为一体，可以满足测量速度快、精度高、非接触及动态自动测量的要求。CCD尺寸测量技术比现有的机械式、光学式、电磁式量仪优越得多，特别在微型、大型、复杂、多曲面工件检测识别中的应用，有效避免了人工检测识别劳动强度大，效率低，易疲劳性和传统检测功能比较单一，自动化、智能化程度不高缺点，且识别精度和实时性也越来越好。但是目前国内利用CCD进行工业实时在线检测的系统不多，而且多用线阵CCD，精度不高，个别要求高精度的系统多采用多个线阵CCD拼接的技术，也有通过多台低分辨率面阵CCD拼接来达到高精度要求的。

由此可见，CCD可用来进行尺寸测量、工件定位以及轮廓瞄准，但受到现场环境、光源、系统分辨率及成像精度的影响，应用单个面阵CCD进行高精度大尺寸测量，精度达亚像素级，而且投入工业实际运行的自动生产线，国内尚未见报道，虽有一些理论研究，但都不足以解决现有应用面阵CCD进行大尺寸图像测量系统所存在的问题。大尺寸物体（尺寸超过500mm×500mm）的高精度测量（精度高于0.05mm）面临很大困难。因此研制出一种利用CCD进行零件尺寸自动测量系统,实现大尺寸零件的快速高精度测量，减少测量过程中所带来的人为误差,对提高经济效益,提高系统的自动化程度和智能化程度，具有重要意义。

发明内容

本发明的目的是克服现有技术的上述不足，提出了基于CCD的高精度测量方法，利用本方法提供的步骤中的关键技术，力求能够为机械零件加工提供高精度、高效率的检测，避免传统人工检测所固有的主观性、易疲劳、速度慢、成本高、强度大的缺点。尤其是为金属板材精密裁切提供理论和技术上的支持，使裁切件检测具有一致性、精确性和重复性的优点。

本发明是通过以下的方法实现的：基于CCD的高精度测量方法，其特征在于，包括下列步骤：

（1）标定摄像机内外参数并校正图像；

（2）定位被测物；

（3）区分被测物上下边缘，提取上表面亚像素边缘；

（4）测量被测物高度，确定被测物的边缘实际坐标；

（5）导入被测零件的CAD数据，创建模板并匹配；

（6）将模板与被测物边缘模型进行比较并进行误差分析。

本发明的实质性特点是，建立了一个基于机器视觉的机械零件检测模型，该模型综合运用了摄像机标定、亚像素边缘轮廓提取和基于形状的模板匹配技术。首先，根据摄像机成像模型，对相机进行内外部参数标定，根据内部参数校正畸变图像。然后，定位被测物，区分其上下边缘并提取上表面的亚像素边缘，导入CAD数据模型，采用基于形状的模板匹配方法匹配被测物。最后将轮廓距离作为误差的度量。本发明与现有技术相比较具有如下优点：

1.提出了利用点激光器获得被测物的深度信息，为测量平面的姿态转换提供先验信息，从而实现平面金属板材、基片不同厚度被测物的高精度测量。

2.本发明在计算边缘时采用亚像素的边缘提取，精度较高。

3.提出了用邻域信息区分被测物上下表面边缘的方法。

附图说明

图1：本发明的测量方法流程图；

图2：测量系统安装方案示意图；

图3：几何测量厚度方法说明图。

图中：1.摄像机，2.被测物，3.光源，4.标准量块。

具体实施方式

本发明的流程图如图1所示，首先摄像机进行内外参数标定，利用标定的数据对被测物图像进行畸变校正，然后定位被测物，区分被测物上下表面边缘并提取上表面的亚像素边缘，之后根据CAD数据创建模板，利用基于形状的模板匹配算法精确定位识别被测物,根据点激光器获得被测物深度信息，约束并换算被测物上表面姿态，比较模板与被测物并进行误差分析。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.系统结构设计

系统结构设计如图2所示。其中，为了提供高清晰度的零件轮廓，背光源采用高密度LED阵列面提供高强度背光照明，光线通过导光板和扩散板从被测物后方照射，CCD相机安装在测量平面上方，光轴垂直于测量平面，点激光器放置于测量平面一侧。

2.摄像机内外参数标定并校正图像

建立面阵摄像机的非线性成像几何模型，基于两步法思想对相机进行标定，得到内部参数：相机的光学和几何参数，以及外部参数：摄像机坐标系和世界坐标系之间的位姿关系。根据畸变模型和内参数据校正平面零件图像。

3.定位被测物

为了缩小匹配范围，提高匹配的速度和精度，首先需要对被测物定位。由于被测物和图像背景之间存在非常显著的灰度差，采用基于灰度直方图的分割方法，对图像的直方图高斯平滑后，选择直方图两峰之间的最小值为阈值进行分割，得到的区域用33的正方形结构元素膨胀，设置膨胀后的区域为感兴趣区域（ROI）。

4.区分上下表面边缘，提取上表面的亚像素边缘

在被测物有一定的厚度且尺寸较大时，在距离相机一侧时会有上下边缘，而在相机另一侧时，只有上边缘，因此边缘信息需要区分上边缘与下边缘，并只提取被测物上表面的亚像素边缘。

采用基于16邻域的方法区分上下边缘，对ROI中的任一像素p，计算16邻域外层灰度最小值，若最小值大于阈值T，则认为此像素点不属于被测物上表面的像素点，将其设为255，计算方法为：设集合设集合

(1)

(2)

其中为图像灰度值；

M为图像矩阵纵坐标集合；

N为图像矩阵纵坐标集合；

A为图像矩阵横坐标集合；

B为图像矩阵横坐标集合；

r为图像矩阵纵坐标；

c为图像矩阵横坐标；

T为设定的阈值；

图像边缘点处于灰度分布函数斜率最大的地方。恢复图像边缘过渡区域的一维连续灰度分布函数后，亚像素边缘位于灰度分布函数斜率的极值点位置。使用Canny滤波器获取高精度的亚像素边缘。论文"AComputationalApproachtoEdgeDetection"J.CannyinIEEEtransactionsonPatternAnalysisandMachineIntelligence,Volume8,Issue6,pp.679-698(ISSN:0162-8828)描述了这种边缘提取技术。

5.获得被测物高度信息，确定被测物的实际边缘坐标

采用点激光器测量被测物高度。测量时,首先激光器投射出点状激光到被测物表面,记图像上点状激光中心为，然后放置已知精确高度的量块到平面上，投射出点状激光到量块上并拍摄图片，记图像上点状激光中心为，再将点状激光投射到被测物表面上,由CCD摄像机拍射下此时物体表面上的成像，记图像上点状激光中心为，由于被测物体与量块高度不同,所以两次成像在水平方向上是不同的,从而利用三角法计算出物体厚度可由式（3）（4）求得：

(3)

(4)

式中：

h为被测物的厚度；

D为两点之间的距离；

r为图像矩阵纵坐标；

c为图像矩阵横坐标；

测得被测物的厚度后，根据摄像机外部参数和厚度信息把测量平面转换到被测物的上平面，得到被测物上边缘在世界坐标系下的坐标。

6.导入被测零件的CAD数据，创建模板并匹配

采用了一种基于形状的匹配算法,可以有效地解决目标发生旋转、平移的图像的匹配。具体方法为：首先根据被测物的CAD数据创建模板，计算CAD图像边缘每个点关联的方向向量。其次设模板图像的点集,各点关联的方向向量；模板图像中心点为P，待检图像每个点的方向向量为；配准时，计算模板图像中心点P到待检图像的点的变换矩阵A，通过仿射变换将模板图像按变换矩阵A整体平移，得到变换后的模板图像点集，记为，其中变换后的方向向量为；最后计算变换后模板中所有的方向向量与待检图像对应点方向向量的点集的总和，该点积的总和就是相似度量s：

(5)

S为相似度量值；

为模板图像上各点的方向向量；

为待检图像上各点的方向向量；

为向量的横坐标；

为向量的纵坐标；

x为向量的横坐标；

y为向量的纵坐标；

当相似度量值s达到用户定义的阈值时，就认为在点找到了与模板相匹配的实例。

7.误差分析

设模板图像边缘点坐标为集合，待检测图像边缘点坐标为集合；两图像边缘间的偏差量定义为为，计算方法为：首先，对A中的每一个点，计算其到B上所有点的距离近似欧式距离，距离用符号表示，计算方法如式（8）；然后，将得到的距离进行排序,取其中距离最小值为此点的偏差量，用表示，最后，计算的集合即为两图像边缘间的偏差量；

(6)

(7)

(8)

为两图像边缘坐标集合间的偏差量；

为一点a到另一集合B所有点的最小距离；

a为图像边缘点；

D为两点之间的距离；

由此可以计算零件的误差：遍历，根据公差要求设定阈值；当或者时，说明平面零件的此处不符合公差要求，且即为偏差值。

综上所述，本发明能够区分图像中平板零件的上下表面边缘，提取上表面亚像素边缘，利用标定得到的摄像机外参获得零件边缘实际尺寸，在完成图像匹配后，将零件实际尺寸与CAD模型进行比较，得到检测平板零件的加工误差值。相较传统人工检测方法，该方法在平板零件质量检测的速度和精度上具有重大的改进。

根据上述说明，结合本领域技术可实现本发明的方案。

Claims (5)

1.一种基于CCD的高精度测量方法，其特征在于，包括下列步骤：

(1)标定摄像机内外参数并校正图像；

(2)定位被测物；

(3)区分被测物上下边缘，提取上表面亚像素边缘；

(4)测量被测物高度，确定被测物的边缘实际坐标；

(5)导入被测零件的CAD数据，创建模板并匹配；

(6)将模板与被测物边缘模型进行比较并进行误差分析；

步骤(3)中，采用基于16邻域的方法区分上下边缘，对ROI中的任一像素p，计算16邻域外层灰度最小值m_r,c，若最小值大于阈值T，则认为此像素点不属于被测物上表面的像素点，将其值设为255，计算方法为：设集合M＝{r-1,r,r+1},N＝{r-2,r+2},A＝{c-2,c+2}，B＝{c-2,c-1,c,c+1,c+2}

m_r,c＝min{(g(i,j)|i∈M,j∈A∧i∈N,j∈B}(1)

g(r,c)＝255(m_r,c＞T)(2)

其中g(r,c)为图像灰度值；

M为图像矩阵纵坐标集合；

N为图像矩阵纵坐标集合；

A为图像矩阵横坐标集合；

B为图像矩阵横坐标集合；

r为图像矩阵纵坐标；

c为图像矩阵横坐标；

T为设定的阈值；

图像边缘点处于灰度分布函数斜率最大的地方，恢复图像边缘过渡区域的一维连续灰度分布函数后，亚像素边缘位于灰度分布函数斜率的极值点位置，使用Canny滤波器获取高精度的亚像素边缘。

2.根据权利要求1所述的基于CCD的高精度测量方法，其特征在于，步骤(2)中，

为了缩小匹配范围，提高匹配的速度和精度，首先需要对被测物定位，由于被测物和图像背景之间存在非常显著的灰度差，采用基于灰度直方图的分割方法，对图像的直方图高斯平滑后，选择直方图两峰之间的最小值为阈值进行分割，得到的区域用3×3的正方形结构元素膨胀，设置膨胀后的区域为感兴趣区域ROI。

3.根据权利要求1所述的基于CCD的高精度测量方法，其特征在于，步骤(4)中，

采用点激光器测量被测物高度，测量时,首先激光器投射出点状激光到被测物表面,记图像上点状激光中心为p₀(r₀,c₀)，然后放置已知精确高度h₁的量块到平面上，投射出点状激光到量块上并拍摄图片，记图像上点状激光中心为p₁(r₁,c₁)，再将点状激光投射到被测物表面上,由CCD摄像机拍射下此时物体表面上的成像，记图像上点状激光中心为p₂(r₂,c₂)，由于被测物体与量块高度不同,所以两次成像在水平方向上是不同的,从而利用三角法计算出物体厚度h可由式(3)、(4)求得：

h＝D(p₀,p₂)*h₁/D(p₀,p₁)(3)

式中：

h为被测物的厚度；

D为两点之间的距离；

r为图像矩阵纵坐标；

c为图像矩阵横坐标；

测得被测物的厚度后，根据摄像机外部参数和厚度信息把测量平面转换到被测物的上平面，得到被测物上边缘在世界坐标系下的坐标。

4.根据权利要求1所述的基于CCD的高精度测量方法，其特征在于，步骤(5)中，

采用了一种基于形状的匹配算法,有效地解决目标发生旋转、平移的图像的匹配；具体方法为：首先根据被测物的CAD数据创建模板，计算CAD图像边缘每个点关联的方向向量；其次设模板图像的点集p＝(r,c),各点关联的方向向量模板图像中心点为P，待检图像每个点的方向向量为配准时，计算模板图像中心点P到待检图像的点q＝(r,c)的变换矩阵A，通过仿射变换将模板图像按变换矩阵A整体平移，得到变换后的模板图像点集，记为p′＝(r′,c′)，其中变换后的方向向量为最后计算变换后模板中所有p'_r,c的方向向量与待检图像对应点方向向量的点积的总和，该点积的总和就是相似度量s：

S为相似度量值；

为模板图像上各点的方向向量；

为待检图像上各点的方向向量；

h′为向量的横坐标；

w′为向量的纵坐标；

x为向量的横坐标；

y为向量的纵坐标；

当相似度量值s达到用户定义的阈值时，就认为在点q＝(r,c)找到了与模板相匹配的实例。

5.根据权利要求1所述的基于CCD的高精度测量方法，其特征在于，步骤(6)中，

设模板图像边缘点坐标为集合A(a₁,a₂,....a_l)，待检测图像边缘点坐标为集合B(b₁,b₂,....b_l′)；两图像边缘间的偏差量定义为H(A,B)为，计算方法为：首先，对A中的每一个点，计算其到B上所有点的距离近似欧式距离，距离用符号||||表示，计算方法如式(8)；然后，将得到的距离进行排序,取其中距离最小值为此点的偏差量，用h(a,B)表示，最后，计算h(a,B)的集合即为两图像边缘间的偏差量H(A,B)；

H(A,B)＝{h(a,B)|a∈A}(6)

H(A,B)为两图像边缘坐标集合间的偏差量；

h(a,B)为一点a到另一集合B所有点的最小距离；

a为图像边缘点；

D为两点之间的距离；

由此可以计算零件的误差：遍历H(A,B)，根据公差要求设定阈值h₀；当h＞h₀或者h＜h₀时，说明平面零件的此处不符合公差要求，且h(a,B)即为偏差值。