湖北工業(yè)大學(xué)機(jī)器視覺(jué)作業(yè)

1、1、 列舉至少三種零件表面三維數(shù)據(jù)獲取的方法。針對(duì)其中一種，詳細(xì)介紹其測(cè)量原理或方法。 1.接觸式測(cè)量方法：坐標(biāo)測(cè)量機(jī)、層析法。2.非接觸式測(cè)量方法：基于光學(xué)三角形原理的掃描法、基于相位偏移測(cè)量原理的莫爾條紋法、基于工業(yè)CT斷層掃描圖像、立體視覺(jué)測(cè)量方法?；诠鈱W(xué)三角形原理的掃描法是以光作為光源，其結(jié)構(gòu)模式可以分為光點(diǎn)、單線條、多光條等，將其投射到被測(cè)物體表面，并采用光電敏感元件在另一位置接受激光的反射能量，根據(jù)光點(diǎn)或光條在物體上成象的偏移，通過(guò)被測(cè)物體基平面、象點(diǎn)、象距等之間的關(guān)系計(jì)算物體的深度信息。介紹一種使用激光的三角形測(cè)量法。硬件由線激光發(fā)生器、CCD攝像頭、圖像采集卡、相應(yīng)的連接線與

2、電源以及微型計(jì)算機(jī)組成。如果采用兩個(gè)參數(shù)完全相同的CCD攝像頭對(duì)稱(chēng)放置，可以減少測(cè)量盲區(qū)，提高測(cè)量精度。三角形測(cè)量法利用基準(zhǔn)面、像點(diǎn)、物距、像距等之間的關(guān)系計(jì)算物體的Z坐標(biāo)值。 圖中，i入射光L透鏡N成像屏，u透鏡L的物距v透鏡L的像距OL光軸與入射光線i的交點(diǎn)A物面上的光點(diǎn)A，O分別是A、O的像點(diǎn)h物面上光點(diǎn)相對(duì)于基準(zhǔn)面的M高度入射光線與光軸的夾角M目標(biāo)平面M參考平面根據(jù)透鏡成像原理，以入射光與透鏡光軸交點(diǎn)所在平面M為基準(zhǔn)面，則光點(diǎn)A相對(duì)于基準(zhǔn)面M的高度h的計(jì)算公式為： 2、 列舉至少三種邊緣提取算法，詳述一種亞像素邊緣提取算法的原理。 1.Roberts邊緣檢測(cè)算子。采用對(duì)角線方向相鄰兩像

3、素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感。2. Sobel邊緣算子。是一組方向算子，從不同的方向檢測(cè)邊緣。不是簡(jiǎn)單求平均值再差分，而是加強(qiáng)了中心像素上下左右四個(gè)方向像素的權(quán)重。對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高，通常對(duì)灰度漸變和噪聲較多的圖像處理得較好。3.Prewitt邊緣算子。利用像素點(diǎn)上下、左右鄰點(diǎn)灰度差，在邊緣處達(dá)到極值檢測(cè)邊緣。不僅能檢測(cè)邊緣，而且對(duì)噪聲具有平滑作用。4.高斯拉普拉斯算子（Laplas）。是一個(gè)二階導(dǎo)數(shù)算子，利用邊緣點(diǎn)處二階導(dǎo)函數(shù)出現(xiàn)零交叉原理檢測(cè)邊緣。該算子是一個(gè)與方向無(wú)關(guān)的各向同性邊緣

4、檢測(cè)算子。但其方向信息丟失，常產(chǎn)生雙像素，對(duì)噪聲有雙倍加強(qiáng)作用，因此它很少直接用于邊緣檢測(cè)，它將高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來(lái)，先平滑掉了噪聲，再進(jìn)行邊緣檢測(cè)，所以效果不錯(cuò)。5.Canny算子。是一類(lèi)最優(yōu)邊緣檢測(cè)算子，也使用拉普拉斯算子，但它使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣與強(qiáng)邊緣相連時(shí)才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不容易被噪聲“填充”，更容易檢查出真正的弱邊緣?；叶戎匦姆梢哉J(rèn)為是一種以灰度為權(quán)值的加權(quán)形心法。由灰度重心法定位算法的原理，灰度圖像中目標(biāo)S的灰度重心為：，。其中為權(quán)值，取?；叶戎匦姆ㄟm合處理背景灰度值較小、而目標(biāo)灰度值

5、較高的情況，例如天文圖像中的恒星，其目標(biāo)的灰度分布多為拋物面或高斯曲面，此時(shí)該方法通?？梢垣@得較高的定位精度。但是實(shí)際圖像中目標(biāo)特征情況很復(fù)雜，例如亮背景和暗目標(biāo)、目標(biāo)和背景的灰度值都比較大等情況，此時(shí)用灰度作為權(quán)值便不適用了。改進(jìn)的權(quán)值選取方法一一閾值灰度重心法。對(duì)于目標(biāo)灰度值大于背景灰度值的情況，權(quán)值按式設(shè)為，而對(duì)于目標(biāo)灰度值小于背景灰度值的情況，權(quán)值按式設(shè)為，其中T為區(qū)分目標(biāo)和背景的閾值。三、雙目視覺(jué)測(cè)量空間點(diǎn)距離的實(shí)驗(yàn)。圖示采用游標(biāo)卡尺上的特征點(diǎn)（黑色圓點(diǎn)）作為待測(cè)點(diǎn)，通過(guò)游標(biāo)卡尺上的讀數(shù)和計(jì)算的坐標(biāo)進(jìn)行比較，以判斷測(cè)量結(jié)果的準(zhǔn)確性實(shí)驗(yàn)。試闡述其測(cè)量的基本原理。 圖1. 雙攝像頭模型俯

6、視圖 圖2, 雙攝像頭模型立體視圖 ，得到f的量綱是像素點(diǎn)，（攝像頭中心距）的量綱由定標(biāo)棋盤(pán)格的實(shí)際尺寸和用戶輸入值確定，一般總是設(shè)成毫米，當(dāng)然為了精度提高也可以設(shè)置為0.1毫米量級(jí)，的量綱也是像素點(diǎn)。因此分子分母約去，z的量綱與相同。圖2解釋了雙攝像頭獲取空間中某點(diǎn)三維坐標(biāo)的原理。實(shí)際的坐標(biāo)利用的都是相似三角形的原理，其表達(dá)式如同Q矩陣所示。 ，而。其中，是主點(diǎn)在右圖像上的x坐標(biāo)?？臻g中某點(diǎn)的三維坐標(biāo)就是(X/W, Y/W, Z/W)。為了精確地求得某個(gè)點(diǎn)在三維空間里的距離，我們需要獲得的參數(shù)有焦距f、視差d、攝像頭中心距。如果還需要獲得X坐標(biāo)和Y坐標(biāo)的話，那么還需要額外知道左右像平面的坐標(biāo)

7、系與立體坐標(biāo)系中原點(diǎn)的偏移和。其中f, , 和可以通過(guò)立體標(biāo)定獲得初始值，并通過(guò)立體校準(zhǔn)優(yōu)化，使得兩個(gè)攝像頭在數(shù)學(xué)上完全平行放置，并且左右攝像頭的, 和f相同(也就是實(shí)現(xiàn)圖2中左右視圖完全平行對(duì)準(zhǔn)的理想形式)。而立體匹配所做的工作，就是在之前的基礎(chǔ)上，求取最后一個(gè)變量：視差d(這個(gè)d一般需要達(dá)到亞像素精度)。從而最終完成求一個(gè)點(diǎn)三維坐標(biāo)所需要的準(zhǔn)備工作。四、某項(xiàng)目要求對(duì)外圓直徑約為80mm 的齒環(huán)進(jìn)行檢測(cè)，具體檢測(cè)項(xiàng)目如下： 1. 測(cè)量齒頂圓，測(cè)量分辨率 0.1mm； 2. 齒形檢測(cè)。針對(duì)每個(gè)齒的檢測(cè)項(xiàng)目包括齒全部或部分缺失、齒歪斜、齒上有毛刺； 3. 對(duì)齒進(jìn)行計(jì)數(shù)（齒形有缺陷的不能計(jì)數(shù)）；

8、4. 判斷環(huán)耳的缺失（比例） 5. 齒環(huán)表面字符識(shí)別。 試完成以下任務(wù)： 1. 選擇和設(shè)計(jì)滿足所有檢測(cè)項(xiàng)目的合適的相機(jī)和光源，并畫(huà)出視覺(jué)系統(tǒng)安裝示意圖； 2. 針對(duì)每一項(xiàng)檢測(cè)需求，設(shè)計(jì)合適的檢測(cè)方案。說(shuō)明算法思路，并選用某種軟件(Matlab, Opencv,Labview，HALCON, hexsight, Mil, VisionPro 等)對(duì)運(yùn)算效果做簡(jiǎn)要說(shuō)明。視覺(jué)系統(tǒng)選擇：CCD攝像機(jī)：德國(guó)SVS-VISTEK公司的svs282的500萬(wàn)像素的面陣CCD攝像機(jī)；光照系統(tǒng)：四個(gè)LED光源；PC機(jī)：安裝有NI公司的NI PCI-1411單色四通道圖像采集卡和Matlab軟件。一、 齒頂圓的測(cè)

9、量：檢測(cè)方案：首先對(duì)圖像灰度化，二值化（注意：二值化的好壞對(duì)檢測(cè)結(jié)果有很大影響，常用的有SOBEL算子）；然后檢測(cè)圖像中的邊緣點(diǎn)，并保存其坐標(biāo)位置。設(shè)置角度theta的變化范圍和步長(zhǎng)，半徑r的變換范圍和步長(zhǎng)；最后利用公式x=a+rcos(theta),y=b+rsin(theta)求出a和b的值。（注意：x和y為實(shí)際的圖像空間某個(gè)邊緣點(diǎn)的坐標(biāo)，a和b為其對(duì)應(yīng)的參數(shù)空間的坐標(biāo)），如果a和b的值在合理的范圍之類(lèi)，則對(duì)該位置進(jìn)行累加。Matlab程序及說(shuō)明：function hough_space,hough_circle,para = hough_circle(BW,step_r,step_ang

10、le,r_min,r_max,p);%HOUGH_SPACE,HOUGH_CIRCLE,PARA = HOUGH_CIRCLE(BW,STEP_R,STEP_ANGLE,R_MAX,P)%-算法概述-% 該算法通過(guò)a = x-r*cos(angle)，b = y-r*sin(angle)將圓圖像中的邊緣點(diǎn)% 映射到參數(shù)空間(a,b,r)中，由于是數(shù)字圖像且采取極坐標(biāo)，angle和r都取% 一定的范圍和步長(zhǎng)，這樣通過(guò)兩重循環(huán)（angle循環(huán)和r循環(huán)）即可將原圖像% 空間的點(diǎn)映射到參數(shù)空間中，再在參數(shù)空間（即一個(gè)由許多小立方體組成的% 大立方體)中尋找圓心，然后求出半徑坐標(biāo)。%-%-輸入?yún)?shù)-%

11、BW:二值圖像；% step_r:檢測(cè)的圓半徑步長(zhǎng)% step_angle:角度步長(zhǎng)，單位為弧度% r_min:最小圓半徑% r_max:最大圓半徑% p:以p*hough_space的最大值為閾值，p取0，1之間的數(shù)%-%-輸出參數(shù)-% hough_space:參數(shù)空間，h(a,b,r)表示圓心在(a,b)半徑為r的圓上的點(diǎn)數(shù)% hough_circl:二值圖像，檢測(cè)到的圓% para:檢測(cè)到的圓的圓心、半徑%-m,n = size(BW);size_r = round(r_max-r_min)/step_r)+1;size_angle = round(2*pi/step_angle);ho

12、ugh_space = zeros(m,n,size_r); rows,cols = find(BW);ecount = size(rows); % Hough變換% 將圖像空間(x,y)對(duì)應(yīng)到參數(shù)空間(a,b,r)% a = x-r*cos(angle)% b = y-r*sin(angle)for i=1:ecount for r=1:size_r for k=1:size_angle a = round(rows(i)-(r_min+(r-1)*step_r)*cos(k*step_angle); b = round(cols(i)-(r_min+(r-1)*step_r)*sin(k*

13、step_angle); if(a0&a0&b=max_para*p);length = size(index);hough_circle=zeros(m,n);for i=1:ecount for k=1:length par3 = floor(index(k)/(m*n)+1; par2 = floor(index(k)-(par3-1)*(m*n)/m)+1; par1 = index(k)-(par3-1)*(m*n)-(par2-1)*m; if(rows(i)-par1)2+(cols(i)-par2)2(r_min+(par3-1)*step_r)2-5) hough_circl

14、e(rows(i),cols(i) = 1; end endend% 打印結(jié)果for k=1:length par3 = floor(index(k)/(m*n)+1; par2 = floor(index(k)-(par3-1)*(m*n)/m)+1; par1 = index(k)-(par3-1)*(m*n)-(par2-1)*m; par3 = r_min+(par3-1)*step_r; fprintf(1,Center %d %d radius %dn,par1,par2,par3); para(:,k) = par1,par2,par3;end檢測(cè)結(jié)果：Center 62 59

15、radius 52二、齒形檢測(cè)：用虛擬圓掃描法檢測(cè)齒輪齒形：齒環(huán)的大小齒輪可能出現(xiàn)缺齒、披鋒、翹曲變形等齒形缺陷，通過(guò)前面所述的圖像預(yù)處理、閾值分割及亞像素定位后，可以分別得到齒輪的優(yōu)化齒形輪廓以及內(nèi)圓孔圓心的亞像素坐標(biāo)。如圖所示：如圖5-5所示，半徑為r的虛擬圓為分度圓，包絡(luò)齒輪齒頂圓區(qū)域的最小長(zhǎng)度L可以通過(guò)對(duì)齒輪的輪廓圖像進(jìn)行點(diǎn)搜索來(lái)確定。設(shè)齒輪的齒數(shù)為z ，模數(shù)為 m ，則齒輪分度圓半徑與齒輪齒頂圓直徑之比l 為：設(shè)齒輪齒頂圓直徑的長(zhǎng)度為D，分度圓半徑為r（單位：像素），由幾何關(guān)系可得： L D由比例關(guān)系可求出：虛擬圓掃描法檢測(cè)齒形過(guò)程如下： 以內(nèi)圓孔圓心的亞像素坐標(biāo) ),(00yx 為

16、圓心，半徑為 r 的虛擬圓與齒輪輪廓有2z個(gè)交點(diǎn)。通過(guò)搜索判斷可求出這些交點(diǎn)的整像素坐標(biāo) ),(iiyx ，利用降維灰度矩亞像素定位法，求出這些交點(diǎn)的亞像素坐標(biāo) ),(iiyx ，將這些交點(diǎn)的橫縱亞像素坐標(biāo)點(diǎn)分別存入兩個(gè)一維數(shù)組中。通過(guò)對(duì)一系列兩相關(guān)交點(diǎn)之間的距離比值與設(shè)定的比值系數(shù)進(jìn)行比較，來(lái)確定齒形是否合格。3、 齒數(shù)的測(cè)量：利用Matlab編程測(cè)量，其程序如下：RGB = imread(4.jpg);BW = im2bw(RGB);BW=bwareaopen(BW,25);BW=BW;imshow(BW);STATS = regionprops(BW,BoundingBox);%圓心坐標(biāo)

17、Center=STATS.BoundingBox(1)+STATS.BoundingBox(3)/2,STATS.BoundingBox(2)+STATS.BoundingBox(4)/2;%齒頂圓半徑BigRadius=STATS.BoundingBox(3)/2;viscircles(Center,BigRadius,EdgeColor,r);for Radius=BigRadius:-1:1 x=round(cos(pi/1000:pi/1000:2*pi )*Radius+Center(1); y=round(sin(pi/1000:pi/1000:2*pi )*Radius+Cent

18、er(2); bw=zeros(size(BW); bw(y+size(bw,1)*(x-1)=1; if bw=(bw&BW) break; endend%齒根圓半徑SmallRadius=Radius+1;viscircles(Center,SmallRadius,EdgeColor,r);5、 齒環(huán)表面字符識(shí)別：讀取圖像，然后對(duì)字符圖像灰度化和二值化，在此基礎(chǔ)上做傾斜矯正，對(duì)矯正的圖像進(jìn)行濾波平滑處理，然后對(duì)字符區(qū)域進(jìn)行提取分割出單個(gè)字符，識(shí)別方法采用模板匹配的方法逐個(gè)對(duì)字符與預(yù)先制作好的字符模板比較，如果結(jié)果小于某一閾值則結(jié)果就是模板上的字符。模板匹配的字符識(shí)別Matlab代碼如下：%

19、基于模板匹配的字符識(shí)別templatePath=G:licenseTemple; fileFormat=.bmp;templateImage=zeros(40,20,36);Timage=zeros(36,800);for i=1:36 %讀取模板 stri=num2str(i-1); imagePath=templatePath,stri,fileFormat; tempImage=imread(imagePath); templateImage(:,:,i)=tempImage; clear imagePath stri tempImage;endcharacterImage=zeros(40,20,6);Uimage=zeros(6,800);characterPath=G:matlab-wavlet; charFileFormat=.jpg;for i=1:6%讀取待識(shí)別字符 stri=num2str(i+1); imagePath=characterPath,stri,charFileFormat; tempImage=imread(imagePath); characterImage(:,:,i)=tempImage; clear imagePath stri tempImage;end%V=zeros