面向微尺度對(duì)象的多視場(chǎng)協(xié)同測(cè)量方法研究

劉國(guó)華 李 濤

1(天津工業(yè)大學(xué)機(jī)械工程學(xué)院 天津 300387) 2(天津工業(yè)大學(xué)天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室 天津 300387)

?

面向微尺度對(duì)象的多視場(chǎng)協(xié)同測(cè)量方法研究

劉國(guó)華1,2李 濤1

1(天津工業(yè)大學(xué)機(jī)械工程學(xué)院 天津 300387)2(天津工業(yè)大學(xué)天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室 天津 300387)

針對(duì)顯微視覺(jué)下視野小，無(wú)法對(duì)微小目標(biāo)對(duì)象一次測(cè)量等難題，提出面向微尺度對(duì)象的多視場(chǎng)協(xié)同測(cè)量方法。該方法通過(guò)譜殘差視覺(jué)注意模型建立亮度顯著圖對(duì)低分辨率的大視場(chǎng)圖像提取興趣區(qū)域，分別對(duì)興趣區(qū)域獲取高分辨率的小視場(chǎng)圖像。然后通過(guò)ORB算法將大視場(chǎng)圖像與小視場(chǎng)圖像匹配起來(lái)，將小視場(chǎng)圖像融合到大視場(chǎng)圖像中。最后對(duì)得到的高分辨率圖像進(jìn)行圖像處理，返回需要測(cè)量的數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的測(cè)量精度，并且能夠?qū)崿F(xiàn)面向微尺度對(duì)象的自動(dòng)測(cè)量。

微尺度對(duì)象 自動(dòng)測(cè)量 視覺(jué)注意 多視場(chǎng) 特征匹配

0 引 言

隨著現(xiàn)代制造技術(shù)在微型機(jī)械領(lǐng)域的迅速發(fā)展，微型零件等微尺度對(duì)象的應(yīng)用越來(lái)越多[1-2]。各個(gè)領(lǐng)域?qū)τ跍y(cè)量微小尺寸的精度要求愈來(lái)愈高，傳統(tǒng)的人工測(cè)量方法費(fèi)時(shí)費(fèi)力，而且測(cè)量精度不穩(wěn)定?；趫D像處理的測(cè)量方法以其非接觸、高精度、高靈敏度等獨(dú)特優(yōu)勢(shì)[3]，在工業(yè)檢測(cè)領(lǐng)域中發(fā)揮著越來(lái)越重要的作用。

在微尺度對(duì)象的測(cè)量研究方面，國(guó)內(nèi)外有很多學(xué)者做了大量的工作，國(guó)內(nèi)研究一般采用直接測(cè)量或者通過(guò)圖像拼接進(jìn)行測(cè)量。使用圖像拼接算法將很多小視場(chǎng)圖片拼接在一起進(jìn)行測(cè)量[4-5]的方法使用的比較多，國(guó)外研究多集中在超聲顯微鏡的研究上[6-7]，主要是利用接收反射的超聲回波信號(hào)進(jìn)行分析。Good等利用70 MHz超聲波測(cè)量生物薄層的厚度，實(shí)現(xiàn)了薄膜微觀特性的測(cè)量[6]。Raisutis等通過(guò)超聲顯微鏡測(cè)量出三層鋁泡沫薄層材料的厚度[7]。

而在實(shí)際的微尺度對(duì)象的測(cè)量中，目標(biāo)對(duì)象在低倍鏡下的視野大，但是很難查看到樣本的全部細(xì)節(jié)[8]；而在高倍鏡下可以觀察到樣本的局部細(xì)節(jié)，但是不能觀測(cè)到樣本整體。顯微視覺(jué)下的視野大小與分辨率大小互相矛盾。上面提到的幾種方法雖然也能實(shí)現(xiàn)微尺度對(duì)象的幾何量測(cè)量，但是超聲顯微鏡尚無(wú)法實(shí)現(xiàn)多參數(shù)測(cè)量，而且需要人工進(jìn)行測(cè)量部位的選取，無(wú)法實(shí)現(xiàn)自動(dòng)測(cè)量；直接測(cè)量的精度較低，誤差太大；圖像拼接的方法需要獲取到的圖片很多，在計(jì)算過(guò)程中會(huì)很復(fù)雜，處理過(guò)程慢，而且由于小視場(chǎng)圖像之間要有公共區(qū)域[9]，很難實(shí)現(xiàn)自動(dòng)測(cè)量。

因此，要實(shí)現(xiàn)顯微視覺(jué)下的自動(dòng)精密測(cè)量，要解決兩個(gè)關(guān)鍵問(wèn)題：(1) 顯微鏡視野大小與分辨率成反比的問(wèn)題；(2) 如何對(duì)測(cè)量區(qū)域進(jìn)行自動(dòng)測(cè)量的問(wèn)題。

微靶球是慣性約束聚變技術(shù)(ICF)中的一個(gè)關(guān)鍵元件，微靶球的尺寸及表面精度(如球形度、表面粗糙度)是影響打靶實(shí)驗(yàn)成功的關(guān)鍵[10-11]。為了保證聚變實(shí)驗(yàn)效果，需嚴(yán)格選擇用于實(shí)驗(yàn)的微靶球樣品，現(xiàn)有方法制備的微靶球在直徑、壁厚、同心度等方面分布較寬，需大量的人力和時(shí)間來(lái)挑選滿(mǎn)足需求的靶球，且后續(xù)涉及到的微靶球操作過(guò)程很多，單純的人工操作已無(wú)法滿(mǎn)足實(shí)驗(yàn)要求。微靶球尺寸小(外徑50～400 μm)，而且在檢測(cè)過(guò)程中微靶球會(huì)出現(xiàn)粘連現(xiàn)象，粘連的微靶球在大視場(chǎng)圖像中邊緣模糊，無(wú)法進(jìn)行高精度的檢測(cè)與篩選，因此微靶球可以作為典型的微尺度對(duì)象進(jìn)行實(shí)驗(yàn)。

1 多視場(chǎng)協(xié)同測(cè)量原理及其關(guān)鍵技術(shù)

1.1 多視場(chǎng)協(xié)同測(cè)量原理

面向微尺度對(duì)象的多視場(chǎng)自動(dòng)測(cè)量方法是：首先對(duì)待測(cè)對(duì)象進(jìn)行大視場(chǎng)成像，通過(guò)譜殘差視覺(jué)注意機(jī)制對(duì)大視場(chǎng)圖像進(jìn)行興趣區(qū)域的提取，將需要進(jìn)行獲取高分辨率的目標(biāo)區(qū)域提取出來(lái)，獲得注意區(qū)域中心坐標(biāo)。然后通過(guò)位移臺(tái)控制器控制三維精密位移臺(tái)移動(dòng)高倍率鏡頭對(duì)準(zhǔn)興趣區(qū)域中心，進(jìn)行小視場(chǎng)興趣區(qū)域的成像，生成小視場(chǎng)圖像，將大視場(chǎng)圖像插值到小視場(chǎng)圖像相同的分辨率。通過(guò)ORB算法對(duì)插值后的大視場(chǎng)圖像與小視場(chǎng)圖像進(jìn)行特征提取與特征匹配，在大視場(chǎng)圖像中找到小視場(chǎng)圖像的對(duì)應(yīng)位置，將小視場(chǎng)圖像融合到大視場(chǎng)圖像中。最后，利用圖像處理技術(shù)對(duì)融合后的圖像進(jìn)行測(cè)量，得到最后的測(cè)量結(jié)果。多視場(chǎng)協(xié)同測(cè)量方法流程如圖1所示。

圖1 測(cè)量原理

1.2 多視場(chǎng)協(xié)同測(cè)量關(guān)鍵技術(shù)

要實(shí)現(xiàn)面向微尺度對(duì)象的多視場(chǎng)自動(dòng)測(cè)量，要達(dá)到較高的自動(dòng)化必須要解決兩個(gè)關(guān)鍵問(wèn)題：

(1) 小視場(chǎng)的路徑規(guī)劃與自動(dòng)采集圖像。在大視場(chǎng)成像之后，需要在圖像中找到需要小視場(chǎng)高精度測(cè)量的區(qū)域。在視覺(jué)處理技術(shù)中，針對(duì)特定的圖像，可以采用多種方法獲取小視場(chǎng)區(qū)域。但是對(duì)于實(shí)時(shí)檢測(cè)和自動(dòng)檢測(cè)，閾值處理和圖像拼接的方法都不適合。本文采用的方法是通過(guò)視覺(jué)注意機(jī)制對(duì)大視場(chǎng)圖像進(jìn)行處理，對(duì)圖像的亮度進(jìn)行處理得到顯著圖，顯著區(qū)域就是需要進(jìn)行小視場(chǎng)高精度成像的區(qū)域，即得到需要進(jìn)行精密測(cè)量的目標(biāo)區(qū)域。

(2) 多視場(chǎng)圖像之間的數(shù)據(jù)轉(zhuǎn)換。在獲取到小視場(chǎng)圖像之后，需要將小視場(chǎng)數(shù)據(jù)轉(zhuǎn)換到大視場(chǎng)中，以便進(jìn)行后續(xù)的測(cè)量。但是這幾種方法的問(wèn)題在于需要不同的小視場(chǎng)圖像有共同區(qū)域，但是在實(shí)際檢測(cè)中，待測(cè)目標(biāo)一般是分散的，共同區(qū)域的產(chǎn)生實(shí)際上會(huì)影響檢測(cè)的速度和難度。本文采用ORB算法將大視場(chǎng)圖像和小視場(chǎng)圖像進(jìn)行特征檢測(cè)與匹配，然后將小視場(chǎng)圖像融合到大市場(chǎng)中的方法，實(shí)現(xiàn)多視場(chǎng)圖像的數(shù)據(jù)轉(zhuǎn)換。

要進(jìn)行視覺(jué)注意，需要對(duì)視覺(jué)注意機(jī)制進(jìn)行研究，在現(xiàn)有的視覺(jué)注意理論方法的基礎(chǔ)上進(jìn)行選取與改進(jìn)，選用譜殘差的方法進(jìn)行顯著圖的提取。

2 基于視覺(jué)注意機(jī)制的視場(chǎng)轉(zhuǎn)換技術(shù)

要對(duì)小視場(chǎng)進(jìn)行成像，需要在大視場(chǎng)中找到需要進(jìn)行小視場(chǎng)高精度成像的區(qū)域，然后控制鏡頭的轉(zhuǎn)換，對(duì)小視場(chǎng)成像。在進(jìn)行不同視場(chǎng)的轉(zhuǎn)換過(guò)程中，要實(shí)現(xiàn)對(duì)小視場(chǎng)區(qū)域的檢索，本文采用視覺(jué)注意機(jī)制進(jìn)行注意區(qū)域的檢索。獲得注意區(qū)域的中心坐標(biāo)之后，通過(guò)控制三維精密位移臺(tái)自動(dòng)移動(dòng)高倍鏡頭對(duì)準(zhǔn)注意區(qū)域，進(jìn)行小視場(chǎng)高分辨率成像。

2.1 視覺(jué)注意機(jī)制

本文設(shè)計(jì)采用基于譜殘差的構(gòu)造顯著圖的方法，對(duì)譜殘差方法進(jìn)行改進(jìn)使其更適用于本實(shí)驗(yàn)。利用亮度的顯著性檢測(cè)顯著圖，對(duì)于檢測(cè)出來(lái)的幾個(gè)顯著區(qū)域按照像素面積大小進(jìn)行排序，即可獲取顯著區(qū)域的圖像采集順序。

在視覺(jué)注意中，圖像由冗余部分和顯著部分組成。定義R(f)來(lái)表示圖像中的冗余部分，定義S(f)來(lái)表示圖像中的顯著部分：

S(f)=L(f)-R(f)

(1)

R(f)=hn(f)×L(f)

(2)

(3)

對(duì)譜殘差注意方法進(jìn)行改進(jìn)后，生成顯著圖的具體過(guò)程如下：

1) 將圖像分成HSV三個(gè)通道，提取生成的亮度圖像(V)；

2) 將得到的亮度圖像進(jìn)行傅里葉變換[12-13]，得到亮度圖像的幅度譜A(f)和相位譜P(f)；

3) 幅度譜A(f)取對(duì)數(shù)，得到對(duì)數(shù)譜L(f)，根據(jù)式(1)、式(2)計(jì)算R(f)和S(f)；

4) 根據(jù)S(f)和相位譜P(f)，進(jìn)行傅里葉反變換得到相應(yīng)的顯著圖。

顯著圖計(jì)算過(guò)程如圖2所示。

圖2 顯著圖計(jì)算過(guò)程

傅里葉變換：

(4)

傅里葉反變換：

(5)

在得到顯著圖之后，將顯著圖插值到原始分辨率，再與原始圖像進(jìn)行疊加，即可得到分割結(jié)果。對(duì)于可能會(huì)出現(xiàn)幾個(gè)區(qū)域的情況，加入?yún)^(qū)域面積的大小排序，將獲得的幾個(gè)區(qū)域按照面積排序，即為獲取圖像的順序。

由于在視覺(jué)注意后獲得到的顯著圖分辨率會(huì)變低，將顯著圖插值，與原始圖像相加可得到顯著注意區(qū)域，得到注意區(qū)域的中心坐標(biāo)。

對(duì)于微靶球的大視場(chǎng)圖像，視覺(jué)注意過(guò)程如圖3所示。

圖3 視覺(jué)注意過(guò)程

2.2 控制鏡頭視場(chǎng)轉(zhuǎn)換

提取注意區(qū)域的中心坐標(biāo)后，計(jì)算位移臺(tái)需要移動(dòng)的三維位移脈沖數(shù)，通過(guò)程序?qū)⑵浒l(fā)送到位移臺(tái)控制器，自動(dòng)控制小視場(chǎng)鏡頭對(duì)注意區(qū)域中心進(jìn)行對(duì)準(zhǔn)，進(jìn)行高倍分辨率小視場(chǎng)圖像的獲取?？紤]到工作臺(tái)的位置不變，所以相機(jī)的焦距和顯微鏡頭的放大倍數(shù)可以在實(shí)驗(yàn)之前預(yù)先設(shè)定好。這樣只需要調(diào)整小視場(chǎng)鏡頭的三維坐標(biāo)即可。大視場(chǎng)圖像與注意區(qū)域的關(guān)系如圖4所示。

圖4 大小視場(chǎng)圖像位置關(guān)系

設(shè)獲得到的注意區(qū)域中心坐標(biāo)為O(X,Y)，則：

X方向移動(dòng)脈沖數(shù)：

(6)

Y方向移動(dòng)脈沖數(shù)：

(7)

Z方向移動(dòng)脈沖數(shù)：

(8)

其中D表示三維精密移動(dòng)位移臺(tái)上低倍大視場(chǎng)鏡頭與高倍小視場(chǎng)鏡頭之間的距離，u表示單位脈沖當(dāng)量(μm/像素)，L1表示低倍鏡頭的工作距離，L2表示高倍鏡頭的工作距離。

3 基于ORB算法的多視場(chǎng)數(shù)據(jù)轉(zhuǎn)換技術(shù)

3.1 ORB算法

利用局部圖像實(shí)現(xiàn)顯微視覺(jué)的自動(dòng)測(cè)量，需要解決大視場(chǎng)與小視場(chǎng)之間的數(shù)據(jù)轉(zhuǎn)換問(wèn)題。本文采用大小視場(chǎng)圖像之間的特征檢測(cè)與特征匹配，然后將重疊區(qū)域?qū)?yīng)的數(shù)據(jù)替換的方法，將小視場(chǎng)圖像融合到大視場(chǎng)圖像中。

為了使測(cè)量速度更快，而且考慮到圖像特征檢測(cè)與匹配不涉及角度和方向的特征檢測(cè)，采用改進(jìn)的ORB算法進(jìn)行特征點(diǎn)的檢測(cè)與匹配。

選用ORB算法進(jìn)行特征提取的優(yōu)點(diǎn)：相對(duì)傳統(tǒng)的SIFT和SURF算法，速度快一個(gè)數(shù)量級(jí)[14-15]。

對(duì)于圖像中的一個(gè)像素點(diǎn)p，下面是特征點(diǎn)的計(jì)算公式：

(9)

其中，I(p)表示候選點(diǎn)p的灰度值，I(x)表示鄰域某像素的灰度值，εd即為設(shè)定的閾值。一般，如果N大于圓周鄰域像素點(diǎn)數(shù)的3/4，則認(rèn)為p是一個(gè)特征點(diǎn)。

在特征匹配階段，為了降低誤配率，使用馬氏距離對(duì)特征點(diǎn)的匹配進(jìn)行改進(jìn)，去除多余的特征點(diǎn)，降低誤配率。

對(duì)于一個(gè)均值為u，協(xié)方差矩陣為C的數(shù)字矩陣，它的馬氏距離為：

(10)

馬氏距離的大小不僅與各個(gè)點(diǎn)集相對(duì)分布有關(guān)，而且與各個(gè)點(diǎn)集自身的分布有關(guān)，使得在同一個(gè)點(diǎn)集內(nèi)的數(shù)據(jù)在所研究的指標(biāo)下?lián)碛休^高的相似度，進(jìn)而可以提高特征點(diǎn)的匹配精度，更好地剔除誤配點(diǎn)。

馬氏距離與傳統(tǒng)的歐氏距離相比，歐氏距離的適用面更廣，但是馬氏距離的計(jì)算是建立在總體樣本的基礎(chǔ)上的，重復(fù)性低[16]。

3.2 數(shù)據(jù)轉(zhuǎn)換

在進(jìn)行特征匹配之后，得到大視場(chǎng)圖像與小視場(chǎng)圖像之間的匹配特征點(diǎn)對(duì)：{(x11,y11)，(x12,y12)，…，(x1i,y1i)}和{(x21,y21)，(x22,y22)，…，(x2i,y2i)}，在匹配點(diǎn)對(duì)的坐標(biāo)范圍內(nèi)，將相應(yīng)的小視場(chǎng)圖像的數(shù)據(jù)替換到大視場(chǎng)圖像當(dāng)中，得到的就是融合高分辨率圖像的大視場(chǎng)圖像。然后就可以通過(guò)圖像處理技術(shù)進(jìn)行測(cè)量。

4 實(shí)驗(yàn)與分析

為了驗(yàn)證測(cè)量方法的可行性與準(zhǔn)確性，自行設(shè)計(jì)并搭建了面向微尺度對(duì)象的多視場(chǎng)自動(dòng)測(cè)量平臺(tái)。平臺(tái)包括計(jì)算機(jī)、CCD相機(jī)、顯微變倍鏡頭、三維移動(dòng)位移臺(tái)，其中計(jì)算機(jī)處理器為酷睿6代i5，內(nèi)存8 GB，CCD相機(jī)采用德國(guó)sentech公司生產(chǎn)的2 448×2 056像素的CCD相機(jī)，鏡頭采用普密斯公司生產(chǎn)的PMS63100D顯微鏡頭。采用卓立漢光公司生產(chǎn)的SC300系列電控位移臺(tái)進(jìn)行相機(jī)的自動(dòng)精密控制。實(shí)驗(yàn)設(shè)備如圖5所示。

圖5 實(shí)驗(yàn)設(shè)備

首先采用控制CCD相機(jī)移動(dòng)一定距離的方式對(duì)CCD相機(jī)進(jìn)行標(biāo)定，標(biāo)定數(shù)據(jù)見(jiàn)表1。

表1 視覺(jué)測(cè)量系統(tǒng)標(biāo)定數(shù)據(jù)

最后得到的像素當(dāng)量(每個(gè)像素代表的實(shí)際距離)為0.686 6 μm/像素。

在工業(yè)要求中，合格靶球的直徑范圍是50～400 μm，根據(jù)像素當(dāng)量計(jì)算，合格靶球在圖像中的直徑范圍是73～582像素，半徑范圍是37～291像素。

然后對(duì)待測(cè)的靶球進(jìn)行大視場(chǎng)圖像成像，為了驗(yàn)證視覺(jué)注意機(jī)制，盡量保證大視場(chǎng)圖像下含有粘連堆聚的靶球。獲得大視場(chǎng)圖像之后，采用MATLAB編寫(xiě)程序進(jìn)行注意區(qū)域的自動(dòng)獲取，得到5組大視場(chǎng)圖像的視覺(jué)注意的數(shù)據(jù)如表2所示。

表2 視覺(jué)注意部分的數(shù)據(jù)

在得到注意區(qū)域的中心坐標(biāo)之后，通過(guò)式(6)-式(8)得到三維精密位移臺(tái)需要移動(dòng)的脈沖數(shù)，控制高倍鏡頭移動(dòng)，然后獲取小視場(chǎng)圖像。得到小視場(chǎng)圖像之后，進(jìn)行圖像融合，融合前后的圖像如圖6所示。通過(guò)原始大視場(chǎng)圖像與融合之后的大視場(chǎng)圖像的局部圖像之間的對(duì)比，可以看出融合之后的大視場(chǎng)圖像清晰度明顯提高，邊緣接觸部分更加明顯，有利于進(jìn)行邊緣檢測(cè)和提高最后的測(cè)量精度。

圖6 圖像融合前后的局部圖像對(duì)比

在獲得融合之后的大視場(chǎng)圖像和標(biāo)定數(shù)據(jù)之后，使用halcon軟件對(duì)圖像進(jìn)行測(cè)量部分的處理：通過(guò)圖像增強(qiáng)算子對(duì)圖像對(duì)比度進(jìn)行提高，采用分水嶺算法對(duì)粘連邊緣進(jìn)行分割，使用canny算子對(duì)邊緣進(jìn)行提取，檢測(cè)到各個(gè)單獨(dú)的微靶球。然后對(duì)提取出來(lái)的微靶球進(jìn)行直徑、圓度、破損的測(cè)量和篩選，最后獲得合格微靶球的中心坐標(biāo)。

為了驗(yàn)證本文方法的檢測(cè)精度，選用得到的五組圖像中的第一組圖像進(jìn)行圖像處理，得到的結(jié)果如圖7所示。從圖像中可以看到，破損、破裂等不符合要求的微靶球均已被過(guò)濾篩選掉，對(duì)于符合要求的微靶球，均可以檢測(cè)到。實(shí)驗(yàn)證明，本文提出的方法可以準(zhǔn)確地對(duì)微靶球進(jìn)行篩選檢測(cè)。

圖7 測(cè)量結(jié)果圖

本文對(duì)選取的第一組圖像進(jìn)行對(duì)比實(shí)驗(yàn)，并使用相同的圖像測(cè)量算法對(duì)原始大視場(chǎng)圖像進(jìn)行直接測(cè)量，得到的結(jié)果如圖8所示。

圖8 直接測(cè)量法的測(cè)量結(jié)果圖

從測(cè)量結(jié)果圖的對(duì)比來(lái)看，圖7中標(biāo)注的A所指的微靶球?yàn)楹细衿?，但在圖8中標(biāo)注的B所指的微靶球卻沒(méi)有檢測(cè)出來(lái)(原始圖像中A與B的顏色不同，論文中圖片壓縮與灰度的原因?qū)е虏顒e不明顯)，出現(xiàn)了誤檢現(xiàn)象，而且對(duì)原始大視場(chǎng)圖像進(jìn)行測(cè)量時(shí)由于微靶球的粘連邊緣不清晰，導(dǎo)致檢測(cè)到的邊緣與實(shí)際邊緣有差距。

使用本文的方法得到的部分測(cè)量數(shù)據(jù)與直接對(duì)原始大視場(chǎng)圖像進(jìn)行測(cè)量的對(duì)應(yīng)數(shù)據(jù)進(jìn)行對(duì)比，如表3、表4所示。

表3 融合后圖像的測(cè)量數(shù)據(jù)

表4 原大視場(chǎng)圖像的測(cè)量數(shù)據(jù)

從兩組測(cè)量數(shù)據(jù)的對(duì)比來(lái)看，直接對(duì)原始大視場(chǎng)圖像進(jìn)行測(cè)量得到的數(shù)據(jù)整體偏大，并且對(duì)應(yīng)圖8中的微靶球B沒(méi)有測(cè)量數(shù)據(jù)。實(shí)驗(yàn)說(shuō)明，融合小視場(chǎng)圖像之后的大視場(chǎng)圖像在測(cè)量時(shí)，更加準(zhǔn)確，精度較高。

然后再使用圖像拼接的方法對(duì)第一組的微靶球進(jìn)行檢測(cè)，比較本文方法的測(cè)量效率。在本實(shí)驗(yàn)中獲得的大視場(chǎng)圖像的視野大小為7.33×5.87×4.40(mm),小視場(chǎng)的視野大小為2.44×1.96×1.47(mm)。在對(duì)第一組圖像進(jìn)行測(cè)量時(shí)，使用本文的方法僅需要獲取大視場(chǎng)圖像與小視場(chǎng)圖像各一張即可，使用圖像拼接的方式至少需要獲取9張小視場(chǎng)圖像。圖像拼接方法中的小視場(chǎng)圖像如圖9所示。

在獲取到拼接圖像的序列局部圖像之后，對(duì)得到的9張局部圖像進(jìn)行圖像拼接。得到拼接圖像之后，使用相同的圖像測(cè)量算法對(duì)拼接圖像進(jìn)行測(cè)量。圖像拼接與圖像測(cè)量均使用halcon進(jìn)行編程。拼接方法得到的測(cè)量結(jié)果如圖10所示。程序運(yùn)行得到結(jié)果的時(shí)間如圖11所示。

圖10 拼接方法測(cè)量結(jié)果圖

圖11 拼接方法與本文方法運(yùn)行時(shí)間圖

從本文方法與拼接方法的測(cè)量結(jié)果圖的對(duì)比來(lái)看，圖7與圖10的測(cè)量結(jié)果差別不大，兩種方法都檢測(cè)出了同樣的合格微靶球。

使用拼接方法得到的與表3對(duì)應(yīng)的測(cè)量數(shù)據(jù)如表5所示。

表5 拼接方法測(cè)量數(shù)據(jù)

從兩組數(shù)據(jù)表3與表5的對(duì)比來(lái)看，兩組測(cè)量的數(shù)據(jù)與測(cè)量結(jié)果圖對(duì)應(yīng)，差距很小，邊緣接觸部分的微靶球均可清晰地測(cè)量出結(jié)果，效果相同。

但是，從消耗時(shí)間的對(duì)比來(lái)看，在圖像拼接方法中，由于需要控制三維位移臺(tái)移動(dòng)來(lái)獲取9張圖像，獲取圖像這一步驟消耗的時(shí)間過(guò)長(zhǎng)，達(dá)到了6.5 s。而在本文的方法中，由于只需要獲取2張圖片，這個(gè)步驟只需要1.3 s。

在拼接方法中，獲得局部圖像之后的圖像拼接與測(cè)量階段運(yùn)行時(shí)間由圖11可得程序運(yùn)行時(shí)間為158.6 ms；而在本文的方法中，最后的數(shù)據(jù)融合與測(cè)量部分程序運(yùn)行時(shí)間為144.4 ms。因此，本文提出的方法能夠有效提升測(cè)量的速度，大幅縮短測(cè)量時(shí)間。

綜上所述，本文方法相對(duì)于直接測(cè)量的方法，測(cè)量精度高，微靶球檢出率高；相對(duì)于圖像拼接的方法，在保證測(cè)量精度的前提下，測(cè)量速度大幅提升，有效地提高了測(cè)量效率。

5 結(jié) 語(yǔ)

本文主要闡述了一種基于多視場(chǎng)轉(zhuǎn)換的微尺度對(duì)象自動(dòng)測(cè)量方法。該方法針對(duì)顯微視覺(jué)下視野大小與分辨率高低的矛盾，設(shè)計(jì)采用視覺(jué)注意機(jī)制進(jìn)行大視場(chǎng)與小視場(chǎng)之間的轉(zhuǎn)換，使用ORB算法進(jìn)行大視場(chǎng)圖像與小視場(chǎng)圖像之間的特征檢測(cè)與特征匹配，得到融合圖像最后通過(guò)圖像處理進(jìn)行測(cè)量。本文通過(guò)對(duì)微靶球的顯微圖像進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文方法相對(duì)于直接測(cè)量方法能夠有效提高測(cè)量精度和檢測(cè)準(zhǔn)確率，相對(duì)于圖像拼接方法能夠大幅提升測(cè)量效率且保證測(cè)量精度。本文方法結(jié)合了兩種方法的優(yōu)點(diǎn)，并且采用自動(dòng)的方式進(jìn)行測(cè)量，能夠滿(mǎn)足實(shí)際工業(yè)生產(chǎn)中高精度、自動(dòng)化、快速化的要求。

[1] 楊曉京,王思琪.基于顯微機(jī)器視覺(jué)的微納米級(jí)構(gòu)件的精密檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2017,53(5):227-230.

[2] 高媛媛.基于圖像處理的CCD顯微測(cè)量技術(shù)及應(yīng)用[D].蘇州大學(xué),2008.

[3] 劉國(guó)陽(yáng).基于機(jī)器視覺(jué)的微小零件尺寸測(cè)量技術(shù)研究[D].哈爾濱工業(yè)大學(xué),2014.

[4] Tohmyoh H,Suzuki M.Measurement of the coating thickness on the back side of double-sided coated structures by means of acoustic resonant spectroscopy[J].Surface & Coatings Technology,2009,204(4):546-550.

[5] Kannajosyula S P,Chillara V K,Balasubramaniam K,et al.Simultaneous measurement of ultrasonic longitudinal wave velocities and thicknesses of a two layered media in the absence of an interface echo[J].Review of Scientific Instruments,2010,81(10):105101.

[6] Good M S,Wend C F,Bond L J,et al.An estimate of biofilm properties using an acoustic microscope[J].IEEE Transactions on Ultrasonics,Ferroelectrics,and Frequency Control,2006,53(9):507-516.

[7] Raisutis R,Kazys R,Mazeika L.Ultrasonic thickness measurement of multilayered aluminum foam precursor material[J].IEEE Transactions on Instrumentation and Measurement,2008,57(12):2846-2855.

[8] 陳濤,陳立國(guó),潘明強(qiáng),等.基于壓電驅(qū)動(dòng)的靶球篩選操作機(jī)理及實(shí)驗(yàn)研究[J].壓電與聲光,2012,34(1):56-60.

[9] 石帥,張林,吳文榮,等.微靶裝配中靶球幾何量的高精度測(cè)量[J].強(qiáng)激光與粒子束,2012,24(8):1882-1886.

[10] 余金棟.基于計(jì)算機(jī)微視覺(jué)的亞微米特征尺寸測(cè)量理論與實(shí)驗(yàn)研究[D].華南理工大學(xué),2014.

[11] 何博俠,何勇,卜雄洙,等.機(jī)器視覺(jué)多視場(chǎng)協(xié)同測(cè)量方法[J].光學(xué)精密工程,2012,20(12):2821-2829.

[12] 劉娟妮,彭進(jìn)業(yè),李大湘,等.基于譜殘差和多分辨率分析的顯著目標(biāo)檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2011,16(2):244-249.

[13] 余瑞星,朱丹,高路,等.基于譜殘差顯著區(qū)域檢測(cè)的圖像分辨率歸一化方法[J].西北工業(yè)大學(xué)學(xué)報(bào),2014(6):872-876.

[14] 戴雪梅,郎朗,陳孟元.基于改進(jìn)ORB的圖像特征點(diǎn)匹配研究[J].電子測(cè)量與儀器學(xué)報(bào),2016,30(2):233-240.

[15] 索春寶,楊東清,劉云鵬.多種角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J].北京測(cè)繪,2014(4):23-26.

[16] Leng X F,Liu J Y,Zhi X.A real-time image matching algorithm for navigation system based on bifurcation extraction[J].Acta Automatica Sinca,2007,33(7):678-682.

RESEARCHONMULTIPLEFIELDSYNERGYMEASUREMENTMETHODFORTHEMICROSCALEOBJECTS

Liu Guohua1,2Li Tao1
1(SchoolofMechanicalandElectronicEngineering,TianjinPolytechnicUniversity,Tianjin300387,China)2(AdvancedMechatronicsEquipmentTechnologyTianjinMajorLaboratory,TianjinPolytechnicUniversity,Tianjin300387,China)

Aiming at the problem that the micro visual horizons is small and cannot be measured at a small target all at once, a multiple filed synergy measurement method for micro scale object is proposed. This method extracts the region of interest from low resolution large FOV(field of view) image by spectral residual visual attention model establish brightness saliency map, and obtains the high resolution small FOV image from the region of interest. Then, the large FOV image is matched with the small FOV image by the ORB algorithm, and the small FOV image is fused into the large FOV image. Finally, the obtained high-resolution image is processed by image processing, and the data needed to be measured is returned. Experimental results show that the proposed scheme has high measurement accuracy, and can realize the automatic measurement for micro scale objects.

Micro scale object Automatic measurement Visual attention Multiple field of view Feature matching

2016-08-31。天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目(16YFZCSY00860)。劉國(guó)華，副教授，主研領(lǐng)域：機(jī)器視覺(jué)，機(jī)器人控制技術(shù)。李濤，碩士生。

TP3

A

10.3969/j.issn.1000-386x.2017.08.020