基于機器視覺的瀝青延度儀試模測量系統(tǒng)的設(shè)計與實現(xiàn)

■許 林

（1.福建省交通科研院有限公司，福州 350004；2.福建省交科計量技術(shù)有限公司，福州 350004）

瀝青延度試驗儀是用于測定瀝青延度和彈性恢復(fù)變形能力的專用儀器，由主機、試模和底板組成[2]。 其中延度儀試模用于制作瀝青標準試件，配合主機進行瀝青拉伸試驗使用，由于其形狀為“8”字形，所以行業(yè)里也稱之為“八字模”。 通常延度儀試模的校準主要使用的計量器具是游標卡尺。 由于延度儀試模本身并非固定一體成型的，是分散的、由兩頭的弧形端模和兩側(cè)的側(cè)模拼接組成，在使用游標卡尺對試模尺寸進行測量的過程中，卡尺不可避免地會與試模發(fā)生觸碰、擠壓，從而導(dǎo)致試模部件間產(chǎn)生間隙，引入不小的測量的誤差；另外，校準延度儀試模時，由于每個試模都需要測量4～5 個幾何參數(shù)，批量校準、測量起來也是相當?shù)姆浅ＹM時費力的。 近年來機器視覺越來越廣泛地應(yīng)用于檢測和測量領(lǐng)域，如：電子產(chǎn)品的生產(chǎn)、車身檢測、機械部件缺陷檢測及機械部件測量等。 結(jié)合實際計量校準、檢定工作中遇到的問題，研究以延度儀試模為測量對象，運用機器視覺的技術(shù)，設(shè)計了一套試模測量系統(tǒng)， 為求在不影響測量準確度的前提下，更高效、便捷地實現(xiàn)延度儀試模的校準工作。

1 系統(tǒng)整體設(shè)計方案

機器視覺測量的工作原理是通過視覺傳感器和圖像采集系統(tǒng)，將目標的光線信號轉(zhuǎn)換為圖像模擬電信號，傳送給圖像處理系統(tǒng)[1]，再利用計算機視覺算法和圖像處理技術(shù)，提高圖像質(zhì)量，獲取被測物的輪廓，識別圖像特征，最終對目標被測物進行測量。

本系統(tǒng)主要由硬件和軟件兩大部分構(gòu)成，其中硬件部分主要由光源、鏡頭、相機、圖像采集器等組成，軟件部分主要負責(zé)圖像處理及數(shù)據(jù)分析，最終輸出測量結(jié)果。

2 硬件的組成

硬件部分作為整個系統(tǒng)的基礎(chǔ)，包括5 個關(guān)鍵組件：照明裝置（光源）、鏡頭、攝像裝置、圖像采部件、圖像處理器，具體連接如圖1 所示。

圖1 硬件連接圖

本系統(tǒng)的光源選用了一款可調(diào)節(jié)亮度的平板作為背照式光源，選擇背照式的光源，主要考慮到所獲取的圖像用于試模的輪廓檢測和尺寸測量，并不需要被測物表面特征信息，背照式光源可以使被測物和背景產(chǎn)生很強的對比度，更易于圖像輪廓的提?。幌到y(tǒng)的攝像頭選擇一枚CMOS 攝像頭，因其低成本、低功耗的特點，成像質(zhì)量雖然略低于CCD傳感器，但是對于拍攝普通靜態(tài)的圖片，完全可以滿足要求； 本次鏡頭采用了手動變焦工業(yè)相機鏡頭，焦距為16～48 mm，可以滿足拍攝的視野范圍和工作距離的要求。

3 軟件的設(shè)計和開發(fā)

系統(tǒng)的開發(fā)是基于python 語言，整個過程包括前期的圖像識別、處理以及后期的測量、計算，主要使 用 到opencv、numpy、scipy、matplotlib 等 擴 展 庫。整體軟件的設(shè)計考慮到以下幾個主要模塊：像素當量的標定、圖像的預(yù)處理、輪廓的提取、尺寸的測量，主要流程如圖2 所示。

圖2 測量系統(tǒng)流程圖

3.1 像素當量的標定

3.1.1 像素當量的定義

機器視覺測量中圖像處理的結(jié)果是以像素為單位的，為了得到被測物的實際尺寸，必須建立物理尺寸與像素尺寸之間的關(guān)系，標定每個像素對應(yīng)的實際物理尺寸，即為像素當量[1]。 理論上任何物體都可以作為像素當量標定標準參照物，但是實際上使用形狀規(guī)則的標定參照物更便于圖像的處理以及像素計算，本文選取標稱長度為25 mm 的2 級量塊作為標定參照物，2 級量塊長度極限偏差為±0.60級量，遠小于被測試模測量允許誤差，可以忽略不計其長度偏差引入的測量誤差的不確定度。

3.1.2 量塊角點的識別

Harris 角點檢測與Shi-Tomasi 角點檢測都是經(jīng)典且常用的角點檢測算法，這些算法可識別圖像中明顯變化（如顏色、亮度等）的區(qū)域，本文使用了Shi-Tomasi 角點檢測算法，因為相較于Harris 角點檢測算法，Shi-Tomasi 算法在計算速度和角點定位的準確性上表現(xiàn)得更好。

首先將獲取的原始圖像轉(zhuǎn)換為灰度圖像，接著使用Shi-Tomasi 角點檢測算法找到圖像中前4 個最強的角點，效果如圖3 所示。 可以看到圖中發(fā)生角點識別錯誤的情況，原因可能是拍攝過程中混入了灰塵、雜質(zhì)，使得圖片產(chǎn)生小雜點，導(dǎo)致角點識別的錯誤。 為了去除這些零星小雜點，此處加入開運算處理， 即對目標區(qū)域進行先腐蝕再膨脹的處理，可以有效消除細小的噪聲如雜點、 毛刺等。 再通過cornerSubPix 函數(shù)對這些關(guān)鍵點進行亞像素調(diào)整以提高定位精度，運行效果如圖4 所示，4 個角點A、B、C、D 的像素坐標數(shù)據(jù)如表1 所示。

表1 量塊角點的像素坐標

圖3 量塊原始圖片角點檢測效果

圖4 經(jīng)過圖像處理后角點識別效果

3.1.3 像素當量的計算

在像素坐標系中，一般使用歐氏距離來計算量塊2 個角點間的直線距離。假設(shè)圖4 中A、B 2 個點在像素坐標系中的坐標分別為（xa，ya）和（xb，yb），則兩點間的距離pixel_length 可以通過以下公式計算：

注意這個距離pixel_length 是以像素為單位的（即該距離中含有多少個像素點）。 根據(jù)式（1）中距離pixel_length 與量塊實際物理尺寸的比例關(guān)系，就可以計算出每個像素點的長度：

式中：real_length 為量塊邊長的物理尺寸，單位mm；pixel_length 為圖像中量塊邊長對應(yīng)的像素數(shù)；length 為每個像素對應(yīng)的實際長度（像素當量），單位mm/pixel。

像素當量換算結(jié)果顯示，AB 線段像素數(shù)189.642698，物理尺寸為25 mm，像素當量為0.131827 mm/pixel。

3.2 圖像預(yù)處理

圖5 為相機采集的延度儀試模的原始圖像，一般先要對圖像進行預(yù)處理，目的是提高圖像質(zhì)量、減少噪聲、增強特征。 常見的機器視覺圖像預(yù)處理方法有：去噪、增強、平滑、灰度化、二值化、圖像分割、圖像校正等，這些方法可以根據(jù)具體的應(yīng)用需求進行組合和調(diào)整，以達到最佳的圖像預(yù)處理效果。本文中主要對圖像依次進行了灰度化、去噪、二值化、形態(tài)學(xué)處理，最終提取試模的輪廓。

圖5 采集的原始圖像

3.2.1 圖像去噪

雖然在圖像拍攝采集過程已盡量控制環(huán)境因素、光照條件等因素的干擾，還是無法完全消除噪聲的影響，為了減少噪聲的干擾，在對圖像進行灰度化處理后，考慮加入濾波進行去噪處理。 常見的濾波算法有：中值濾波、均值濾波、維納濾波、高斯濾波等[1]，本文采集的圖像主要存在的是高斯噪聲，高斯濾波可以有效去除圖像中噪聲，其原理是通過對圖像進行平滑處理，使得噪聲被模糊掉，從而減少噪聲的影響。

高斯濾波函數(shù)其實就是正態(tài)分布函數(shù)，由于圖像是二維的，需要使用二維的高斯函數(shù)，表示為：

式（3）中σ 是高斯濾波的標準偏差，它決定了圖像的平滑程度，σ 值越大，濾波效果越好，但同時也會失去一些邊緣細節(jié)信息[1]。 本文選用3×3 的卷積核進行卷積處理，去噪后效果如圖6 所示，可以看出濾波處理后的圖像，有了明顯的平滑效果，有效消除了圖像中存在的高斯噪聲。

圖6 高斯濾波后效果圖

3.2.2 圖像二值化

圖像的二值化處理是將灰度圖進行閾值分割，大于閾值的像素調(diào)為白色，小于或等于閾值的調(diào)整為黑色，也可以反過來。 常用的方法有：全局閾值法、自適應(yīng)閾值法、Otsu 閾值法、迭代法等[3]，由于此次測量采用背光拍攝， 背景和被測物灰度分明，形狀顏色單一，沒有復(fù)雜的細節(jié)，故選用全局固定閾值更為適用。

（1）OTSU 法。 OTSU 算法是一種常用的圖形分割算法，可以自動確定圖像的閾值，無需人為干預(yù)。它的基本原理是以最佳閾值將圖像的灰度值分割成兩部分（前景和背景）， 使兩部分之間的方差最大，即有最大的分離性。 圖7 即為經(jīng)過OTSU 法處理后的二值化效果，雖然整體效果較好，但是可以看到試模兩頭端模圓孔處以及內(nèi)槽邊緣，還存在一些陰影無法處理。

圖7 OTSU 法二值化處理效果圖

（2）直方圖法。 由于OSTU 算法表現(xiàn)不是太理想，于是利用灰度直方圖查看像素實際分布情況，如圖8（a）所示，可以看出直方圖呈明顯的雙峰狀態(tài)，即：在灰度值0 點和255 點處2 個波峰（局部最大值），主要是被測試模和背景的像素[3]。 局部放大直方圖灰度0 點附近區(qū)域，此區(qū)域主要是被測試模及其邊緣陰影的像素集合，如圖8（b）所示。 可以看到灰度值0 點附近的像素主要分布在[0，15），因此認為把閾值分割點選在灰度值20～50 可以有效消除陰影區(qū)域，選擇固定閾值30，實際運行效果如圖9 所示，較OSTU 算法，更有效地去除了邊緣的陰影，整體表現(xiàn)比較理想。

圖8 灰度直方圖

圖9 直方圖法閾值分割效果圖

3.2.3 形態(tài)學(xué)圖像處理

圖像經(jīng)過高斯濾波、二值化處理后對于陰影部分去除的效果比較完美，但是可以看到被測物內(nèi)部還是存在一些零星的小點和小裂縫，經(jīng)過canny 算法提取邊緣輪廓后如圖10 所示， 可以明顯看出瑕疵。 此處考慮使用閉運算去除這些瑕點、瑕縫，其原理是對二值圖像先進行膨脹操作， 再進行腐蝕操作， 最終達到填補圖像中的空洞及狹縫的作用，運行后效果令人滿意，如圖11 所示。 另外考慮到實際檢測中試模的多樣性、環(huán)境的復(fù)雜性，通常被測物還會存在毛刺、 小橋以及背景中混入一些小雜點，代碼中也可以加入能夠除去孤立的小點、毛刺和小橋的開運算，使圖像處理能力具有更強的適應(yīng)性。

圖10 canny 算法處理后的輪廓提取

圖11 閉運算處理后的輪廓提取

3.3 試模尺寸的測量

3.3.1 主要測量的參數(shù)

根據(jù)《瀝青延度試驗儀檢定規(guī)程》（JJG（交通）023-2020）[2]中試模的計量性能要求：組裝后的試模如圖12 所示，內(nèi)腔尺寸應(yīng)符合表3 的要求。

表3 試模尺寸標稱值

圖12 試模形狀示意圖

3.3.2 試模特征提取

大部分機械部件的邊緣都是由直線和圓弧組合而成，本文中的試模特征基本上也可以歸結(jié)于直線和圓的結(jié)合[4]。 霍夫變換（Hough Transform）廣泛地應(yīng)用于圖像中直線和幾何形狀的識別，此處在上文Canny 邊緣檢測的基礎(chǔ)上，分別使用了霍夫直線檢測（HoughLines）、霍夫圓檢測（HoughCircles）2 個函數(shù)，從圖像中識別并擬合目標直線和圓，并通過直線和直線、直線和圓弧的交點，結(jié)合角點檢測算法，獲取目標特征點，效果如圖13 所示。

圖13 特征提取

3.3.3 測量算法

（1）試模內(nèi)腔總長l1。 首先識別內(nèi)腔2 個半圓，對半圓輪廓進行圓擬合，連接弧形端模2 個小圓孔圓心C1、C2， 直線C1C2與內(nèi)腔2 個半圓弧相交點A1、A2，線段A1A2即為內(nèi)腔總長。 （2）（最?。M斷面寬b1。 獲取側(cè)模2 條斜邊，擬合直線，求其交點B1、B2，2 個交點的距離線段B1B2即為試模（最?。M斷面寬。（3）端?？趯抌2。利用Shi-Tomasi 角點檢測算法在試模內(nèi)腔中選取了E、F、M、N 這4 個角點為最佳候選點，線段EF、線段MN 即為端?？趯挕?（4）內(nèi)腔兩半圓中心間距l(xiāng)2。 線段EM 和線段FN 的平均值就是內(nèi)腔兩半圓中心距。

3.4 運行效果展示

運行效果如圖14 所示。

圖14 運行效果展示圖

4 實驗結(jié)果與分析

4.1 測量系統(tǒng)與傳統(tǒng)測量方式結(jié)果對比

測量系統(tǒng)與傳統(tǒng)測量方式結(jié)果對比如表2 所示。

4.2 誤差分析

從軟件實際運行測試結(jié)果來看，機器視覺與傳統(tǒng)校準方式對比未發(fā)生明顯的數(shù)據(jù)偏差，當然測量系統(tǒng)還是存在各種各樣的誤差， 就本系統(tǒng)而言，主要的誤差來源考慮以下幾個方面。

4.2.1 環(huán)境因素的影響

機器視覺檢測的效果很容易受到環(huán)境因素的影響，比如外界光照的強弱不均、拍攝過程中混入的雜質(zhì)、被測試模表面劃痕、臟污都會增加圖像噪聲，產(chǎn)生測量誤差，影響圖像的識別、輪廓的提取。

4.2.2 測量設(shè)備本身的誤差

設(shè)備本身的誤差主要包括鏡頭畸變、相機分辨率不足等。 鏡頭畸變分為徑向畸變和切向畸變，通常來說鏡頭畸變是沒辦法完全消除的，一般來說可以通過相機標定算法來改善， 比如張正友標定法，通過校正算出鏡頭的畸變系數(shù)，一定程度優(yōu)化了圖片的徑向畸變。

相機分辨率不足往往限制了測量的精度，從而增大了測量誤差，本文中主要采用亞像素細分技術(shù)來提高圖像系統(tǒng)的分辨率，降低分辨率引入的測量誤差，同時也節(jié)省了系統(tǒng)硬件的投入成本。

4.2.3 人員操作引入的誤差

測量過程中常常由于人員操作的不規(guī)范或者人工難以達到而引入測量誤差，比如：鏡頭與被測物是否完全平行，被測物中心是否處于鏡頭的光軸上，被測物是否放置在鏡頭的工作距離上等，這些問題往往都需要從人員操作規(guī)范上加以控制，盡可能地降低誤差[3]。 分析了誤差產(chǎn)生的原因，可以采取措施減小環(huán)境、操作等引入的隨機誤差，通過技術(shù)手段有效控制相機分辨率、鏡頭畸變等系統(tǒng)誤差。同時操作中也要綜合考慮測量的需求，在合理范圍內(nèi)優(yōu)化測量系統(tǒng)、控制誤差的發(fā)生，但也不宜一味地為了提高測量精度、降低測量誤差而過度投入，比如本文的測量對象瀝青延度儀試模本身并非高精密零部件，檢定規(guī)程對其測量結(jié)果的允許誤差要求不高，所以此次設(shè)計中并未對成像模型的誤差、透視誤差、邊緣檢測算法的誤差等展開分析與處理。

5 結(jié)語

由于研究時間以及實驗條件有限，在系統(tǒng)的設(shè)計和實現(xiàn)上還有很多可以改進的地方，如誤差的分析還不夠系統(tǒng)很全面；圖像采集設(shè)備的精度還有升級的空間；現(xiàn)有相機和鏡頭組成的硬件系統(tǒng)不適應(yīng)于微距拍攝，對于小尺寸、高精度的機械部件的測量效果不佳等[4]。 總體來說，系統(tǒng)對于瀝青延度儀試模的測量效果還是令人滿意的，非接觸式的測量方式，避免了傳統(tǒng)人工測量的誤差，自動化識別測量也很大程度上提高了工作效率，對應(yīng)用于各類試?；蛘咂渌惒考臋z測、校準工作，具有一定實際意義。