基于GrabCut的鋼索直徑檢測(cè)方法

摘" 要： 針對(duì)鋼絲繩直徑檢測(cè)過程中由于光線背景干擾導(dǎo)致圖像邊緣分割不準(zhǔn)確的問題，提出一種改進(jìn)的GrabCut輪廓增強(qiáng)方法進(jìn)行鋼絲繩直徑檢測(cè)。首先，利用已知尺寸的標(biāo)定物對(duì)圖像進(jìn)行標(biāo)定；采用高斯濾波對(duì)圖像進(jìn)行去噪，同時(shí)針對(duì)光線背景復(fù)雜的情況，通過對(duì)輸入圖像進(jìn)行RGB通道分離的限制對(duì)比度自適應(yīng)直方圖均衡化提升圖像對(duì)比度，并利用圖像梯度幅度增強(qiáng)輪廓的改進(jìn)GrabCut算法對(duì)鋼絲繩區(qū)域進(jìn)行提取，用加權(quán)平均值法對(duì)提取后的圖像進(jìn)行灰度化處理，經(jīng)過Canny邊緣檢測(cè)、形態(tài)學(xué)操作得到鋼絲繩的邊緣輪廓圖像；最后通過計(jì)算邊緣外切線之間的像素距離得到鋼絲繩的真實(shí)直徑，完成檢測(cè)。實(shí)驗(yàn)結(jié)果顯示，利用該方法進(jìn)行鋼絲繩直徑檢測(cè)，可以達(dá)到較好的精度且魯棒性好。

關(guān)鍵詞： 鋼絲繩； GrabCut； 直徑檢測(cè)； 輪廓增強(qiáng)； 輪廓提??； Canny

中圖分類號(hào)： TN911.73?34" " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）19?0139?06

GrabCut?based wire rope diameter detection method

HE Huhai1， SUN Changjing2， CHEN Jiayan2， GU Xiaohong1， WANG Qiang3

（1. School of Mechanical and Electrical Engineering， China Jiliang University， Hangzhou 310018， China;

2. School of Quality and Standardization， China Jiliang University， Hangzhou 310018， China;

3. School of Energy Environment and Safety Engineering， China Jiliang University， Hangzhou 310018， China）

Abstract： In view of the inaccurate image edge segmentation caused by light background interference in the process of wire rope diameter detection， an improved GrabCut contour enhancement method is proposed for diameter detection. The image is calibrated by the calibration object with known size. The Gaussian filtering is used to denoise the image. In view of the complex light background， the image contrast is improved with the limited contrast adaptive histogram equalization obtained by RGB channel separation of the input image， and the improved GrabCut algorithm for image gradient amplitude enhancement contour is used to extract the wire rope area. The weighted average method is used to gray the extracted image. The edge contour image of the wire rope is obtained after Canny edge detection and morphological operation. The true diameter of the wire rope is obtained by calculating the pixel distance between the outer tangents of the edge， and the diameter detection is achieved. The experimental results show that the detection of the diameter of wire rope with this method can achieve better accuracy and robustness.

Keywords： wire rope; GrabCut; diameter detection; contour enhancement; contour extraction; Canny

0" "引" 言

鋼絲繩作為一種重要的載荷承載材料，廣泛應(yīng)用在橋梁、電梯、客運(yùn)索道等眾多領(lǐng)域中且發(fā)揮著關(guān)鍵作用。然而，由于長(zhǎng)期使用和惡劣環(huán)境條件下產(chǎn)生的鋼絲繩磨損，對(duì)其強(qiáng)度和可靠性產(chǎn)生了潛在威脅。因此，及時(shí)準(zhǔn)確地檢測(cè)和評(píng)估鋼絲繩的直徑成為確保設(shè)備安全運(yùn)行、延長(zhǎng)鋼絲繩使用壽命的重要任務(wù)。

在當(dāng)前階段，鋼絲繩直徑測(cè)量主要依靠游標(biāo)卡尺、千分尺以及激光測(cè)徑[1]等方法，這些方法在一定程度上雖然可以滿足測(cè)量的需求，但是還存在很多限制與不足之處，例如在使用游標(biāo)卡尺和千分尺進(jìn)行測(cè)量時(shí)，操作者的技能水平和經(jīng)驗(yàn)對(duì)測(cè)量結(jié)果有很大影響，并且對(duì)于大量鋼絲繩的測(cè)量，使用傳統(tǒng)方法需要花費(fèi)大量時(shí)間。近年來，機(jī)器視覺技術(shù)的快速發(fā)展為解決鋼絲繩直徑檢測(cè)問題帶來了新的機(jī)遇。通過機(jī)器視覺技術(shù)結(jié)合計(jì)算機(jī)視覺、圖像處理和模式識(shí)別等領(lǐng)域的知識(shí)，能夠?qū)D像和視頻數(shù)據(jù)進(jìn)行處理和分析，實(shí)現(xiàn)對(duì)鋼絲繩磨損狀況的自動(dòng)檢測(cè)和精確評(píng)估[2?3]。

在檢測(cè)方面，文獻(xiàn)[4]提出一種基于Franklin正交矩的亞像素邊緣檢測(cè)方法，利用Franklin矩的卷積獲取圖像邊緣點(diǎn)特征，最終對(duì)圖像邊緣實(shí)現(xiàn)更準(zhǔn)確的定位。文獻(xiàn)[5]設(shè)計(jì)了一種基于視覺的零件尺寸測(cè)量方法，利用快速中值濾波算法進(jìn)行濾波，并將多項(xiàng)式插值融入亞像素邊緣定位來準(zhǔn)確提取邊緣，實(shí)現(xiàn)了零件尺寸的準(zhǔn)確測(cè)量。針對(duì)機(jī)械零件尺寸測(cè)量過程中檢測(cè)速度慢、精度低等問題，文獻(xiàn)[6]提出利用HALCON進(jìn)行邊緣檢測(cè)以及邊緣直線擬合得到邊線尺寸，內(nèi)孔尺寸通過最小二乘法擬合圓來得到。對(duì)于轉(zhuǎn)子沖片的測(cè)量，文獻(xiàn)[7]利用加入OTSU算法的自適應(yīng)閾值Canny邊緣檢測(cè)，并使用改進(jìn)的Zernike矩對(duì)邊緣進(jìn)行亞像素定位，通過K?Means聚類實(shí)現(xiàn)骨架輪廓邊緣的分割，最后用最小二乘法擬合骨架實(shí)現(xiàn)測(cè)量。文獻(xiàn)[8]提出了一種基于自適應(yīng)GrabCut的SGBM（半全局塊匹配）改進(jìn)算法，用于實(shí)現(xiàn)紙箱尺寸的自動(dòng)測(cè)量。

本文以鋼絲繩直徑檢測(cè)為研究對(duì)象，提出了一種基于GrabCut的鋼絲繩直徑檢測(cè)方法，該方法利用單目成像方法對(duì)其直徑進(jìn)行檢測(cè)，通過標(biāo)定物對(duì)鋼絲繩圖像進(jìn)行標(biāo)定，利用改進(jìn)的GrabCut對(duì)鋼絲繩圖像進(jìn)行目標(biāo)分割，再通過對(duì)預(yù)處理后的圖像分析，提取圖像邊緣等步驟進(jìn)行鋼絲繩直徑的檢測(cè)。

1" "鋼絲繩直徑檢測(cè)

1.1" 圖像標(biāo)定

由于需要對(duì)直徑進(jìn)行測(cè)量，首先要進(jìn)行的就是圖像的標(biāo)定工作，標(biāo)定物可以作為圖像中的已知長(zhǎng)度或尺寸，提供距離測(cè)量的參考基準(zhǔn)。通過已知標(biāo)定物的實(shí)際尺寸和在圖像中的尺寸，建立圖像中場(chǎng)景的尺度關(guān)系，從而計(jì)算出其他物體在圖像中的實(shí)際距離。通過使用標(biāo)定物可以使圖像距離測(cè)量更加準(zhǔn)確和精確。

1.2" 鋼絲繩圖像預(yù)處理

1.2.1" 濾波去噪

在圖像采集的過程中難免會(huì)引入一些干擾因素，這些干擾因素統(tǒng)稱為噪聲。噪聲會(huì)降低圖像的清晰度和可辨識(shí)度，使得圖像中的特征和細(xì)節(jié)被隱藏，對(duì)圖像邊緣檢測(cè)等后續(xù)處理產(chǎn)生一定的影響，因此對(duì)圖像進(jìn)行濾波去噪具有非常重要的意義。

本文采用高斯濾波[9]對(duì)噪聲進(jìn)行處理，高斯濾波是一種線性濾波，其原理是用卷積核掃描圖像中的每一個(gè)像素，并用卷積核確定的鄰域內(nèi)像素的加權(quán)平均灰度值來取代卷積核中心像素點(diǎn)的值，這種加權(quán)平均的過程能夠減少圖像中的噪聲，使圖像變得更加平滑。本文通過3×3的卷積核對(duì)整幅圖像進(jìn)行加權(quán)平均，對(duì)采集到的圖像進(jìn)行濾波增強(qiáng)。二維高斯函數(shù)如下：

[G（x，y）=12πσ2exp-x2+y22σ2] （1）

式中：[σ]表示正態(tài)分布的標(biāo)準(zhǔn)偏差；[G（x，y）]是高斯函數(shù)在點(diǎn)[（x，y）]的值。

1.2.2" 改進(jìn)的GrabCut鋼絲繩區(qū)域分割

采集到的鋼絲繩圖像中可能包含許多噪聲、陰影和反光等干擾因素，這些干擾因素會(huì)影響后續(xù)邊緣檢測(cè)的準(zhǔn)確性，將圖像中的鋼絲繩區(qū)域與其他無關(guān)區(qū)域分離可以減少干擾對(duì)測(cè)量結(jié)果的影響。

本文使用改進(jìn)的GrabCut算法對(duì)鋼絲繩區(qū)域進(jìn)行分割。GrabCut[10]算法是一種基于迭代GraphCut圖分割算法實(shí)現(xiàn)的一種交互式圖像分割算法，通過人工選取包含目標(biāo)與背景的矩形框，其在RGB顏色空間利用高斯混合模型（GMM）對(duì)前景和背景的顏色分布進(jìn)行建模，模型中各含有[K]個(gè)高斯分量，存在一個(gè)額外的向量[K={k1，k2，…，kn，…，kN}]，[kn]指代第[n]個(gè)像素對(duì)應(yīng)的高斯分量，[kn∈{1，2，…，K}]。這意味著每個(gè)子像素只可能來自于目標(biāo)GMM的某個(gè)高斯分量或者來自于背景GMM的某個(gè)高斯分量[11]。GrabCut算法巧妙地將目標(biāo)提取問題轉(zhuǎn)換成了能量函數(shù)最優(yōu)解問題，其用于整個(gè)圖像的Gibbs能量公式如下：

[E（a，k，θ， z）=Ua，k，θ， z+V（a， z）] （2）

式中：[E]為Gibbs能量；[U]為區(qū)域項(xiàng)；[V]為邊界項(xiàng)。區(qū)域項(xiàng)主要反映像素樣本集合的整體特性，而邊界項(xiàng)主要反映相鄰兩個(gè)像素之間的差異。區(qū)域項(xiàng)定義如下：

[Ua，k，θ， z=nDan，kn，θ， zn] （3）

式中：[D]為數(shù)據(jù)項(xiàng)，其表示某一像素被歸類為目標(biāo)或者背景的懲罰，即某一像素屬于目標(biāo)或背景的概率的負(fù)對(duì)數(shù)，如式（4）所示。

[Dan，kn，θ， zn=-logπan，kn+12logdetΣan，kn+" " " " " " "12zn-μan，knTΣan，kn-1zn-μan，kn] （4）

式中[θ]為GMM的模型參數(shù)，其組成如式（5）所示：

[θ={πa，k， μa，k，Σa，k，a=0，1，k=1，2，…，K}] （5）

式中：[π]為每一個(gè)高斯分量的權(quán)重系數(shù)；[μ]為每個(gè)高斯分量的均值向量；[Σ]為協(xié)方差矩陣；[k]為混合高斯模型參數(shù)。

邊界項(xiàng)采用RGB三通道的歐氏距離來衡量?jī)上袼刂g的相似性，兩鄰域像素差別越大，邊界項(xiàng)能量越小。邊界項(xiàng)的計(jì)算公式如下：

[V（a， z）=γ（m，n）∈Can≠amexp-βzm-zn2] （6）

綜合區(qū)域項(xiàng)和邊界項(xiàng)，GrabCut算法通過模型參數(shù)的迭代來優(yōu)化Gibbs能量函數(shù)，使其能量最小化，并利用最大流最小分割方法實(shí)現(xiàn)鋼絲繩和背景的分割，最終得到分割結(jié)果。用GrabCut分割鋼絲繩結(jié)果如圖1b）所示。

針對(duì)光線的干擾問題，本文對(duì)GrabCut的分割過程進(jìn)行了改進(jìn)。首先，將原始圖像拆分為紅（R）、綠（G）、藍(lán)（B）三個(gè)通道，分別對(duì)每個(gè)通道進(jìn)行限制對(duì)比度自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE），通過拆分處理，可以針對(duì)每個(gè)顏色通道的特性進(jìn)行獨(dú)立的對(duì)比度增強(qiáng)，從而更好地保留圖像中的顏色信息。在CLAHE處理過程中，每個(gè)通道的直方圖都被分割成多個(gè)小塊，并分別進(jìn)行直方圖均衡化操作。通過設(shè)置對(duì)比度限制閾值，可以有效地控制局部對(duì)比度的增強(qiáng)程度，避免噪聲的過度放大。經(jīng)過RGB通道拆分的CLAHE預(yù)處理后，圖像的對(duì)比度得到顯著提升，同時(shí)顏色信息也得到了更好的保留。接著，利用Sobel[12]算子計(jì)算圖像的方向梯度和幅度，并對(duì)梯度幅度進(jìn)行歸一化處理，以梯度幅度作為權(quán)重對(duì)待分割圖像進(jìn)行輪廓增強(qiáng)。最后，基于上述預(yù)處理后的圖像，再執(zhí)行GrabCut算法進(jìn)行鋼絲繩區(qū)域分割。選取光線干擾因素較大的圖像進(jìn)行實(shí)驗(yàn)，分別用傳統(tǒng)的GrabCut算法和改進(jìn)后的GrabCut算法進(jìn)行鋼絲繩區(qū)域分割，對(duì)比效果圖如圖2所示。

由于拍攝時(shí)鋼絲繩表面有大量反光，導(dǎo)致傳統(tǒng)GrabCut算法對(duì)鋼絲繩的分割效果不佳，丟失了反光區(qū)域，反光區(qū)域的丟失可能會(huì)導(dǎo)致邊緣信息的丟失。而改進(jìn)的GrabCut算法能夠得到更好的分割效果，并且可以將反光區(qū)域很好地分割出來。改進(jìn)后的GrabCut算法擁有更好的魯棒性與精確性。

1.2.3" 灰度化

通過圖像處理來提取鋼絲繩輪廓信息，如果直接對(duì)原圖像進(jìn)行邊緣提取，多余的色彩會(huì)導(dǎo)致計(jì)算量非常大，影響處理時(shí)間，因此對(duì)GrabCut提取的鋼絲繩圖像進(jìn)行灰度化處理[13]，灰度化將彩色圖像轉(zhuǎn)化為灰度圖像，從而簡(jiǎn)化了圖像矩陣，降低了計(jì)算復(fù)雜度。本文使用的是加權(quán)平均值法對(duì)鋼絲繩圖像進(jìn)行灰度化處理，該方法是將圖像中每個(gè)像素的RGB值按照一定的權(quán)重進(jìn)行組合得到其灰度值。該過程計(jì)算公式如下：

[gray=0.299R+0.587G+0.144B] （7）

式中：gray為灰度圖像像素點(diǎn)的灰度值；[R]為原始彩色圖像的紅色通道值；[G]為原始彩色圖像的綠色通道值；[B]為原始彩色圖像的藍(lán)色通道值。

灰度化效果圖如圖3所示。

1.3" 邊緣檢測(cè)

對(duì)于直徑測(cè)量而言，輪廓的完整性和準(zhǔn)確性對(duì)于直徑的計(jì)算至關(guān)重要，因此能否對(duì)這些特征信息進(jìn)行正確處理決定了后續(xù)是否能夠精確地測(cè)量鋼絲繩的直徑。

邊緣檢測(cè)主要依賴于圖像中像素灰度值的不連續(xù)性，這種不連續(xù)性通常表現(xiàn)為像素灰度值的顯著變化。為了檢測(cè)這種變化，通常使用導(dǎo)數(shù)運(yùn)算的方法。本文采用Canny[14]算子進(jìn)行邊緣檢測(cè)，Canny算子會(huì)對(duì)平滑處理后的圖像進(jìn)行梯度幅值和方向的計(jì)算。完成所有像素的梯度大小和方向計(jì)算后，遍歷每個(gè)像素，并根據(jù)其梯度大小在其梯度方向上是否是鄰域內(nèi)的局部最大值進(jìn)行判斷。如果滿足條件，則將該像素標(biāo)記為邊緣像素，否則，將其灰度值設(shè)為0。接下來，根據(jù)設(shè)定的兩個(gè)閾值來區(qū)分強(qiáng)邊緣、弱邊緣和非邊緣，通過連接強(qiáng)邊緣像素和與其直接相連的弱邊緣像素形成邊緣圖像[15]。最后對(duì)邊緣圖像進(jìn)行形態(tài)學(xué)操作，可以達(dá)到填補(bǔ)邊緣空洞、平滑邊緣以及增強(qiáng)邊緣特征的效果。直接使用Canny邊緣檢測(cè)得到的鋼絲繩邊緣圖像如圖4所示，利用本文方法分割得到的鋼絲繩區(qū)域后的Canny邊緣檢測(cè)效果如圖5所示。

可以看出，圖4中鋼絲繩上邊緣存在許多毛刺干擾，這會(huì)影響鋼絲繩直徑的計(jì)算，而用改進(jìn)的GrabCut分割出鋼絲繩區(qū)域再進(jìn)行邊緣檢測(cè)能夠減少邊緣上的干擾，獲得更好的邊緣檢測(cè)效果。

1.4" 直徑計(jì)算

在獲得鋼絲繩的邊緣線后，可以看出，其邊緣線是波浪型邊緣，根據(jù)鋼絲繩的直徑測(cè)量要求，需要測(cè)量鋼絲繩至少相鄰兩股上下外切線之間的距離，測(cè)量示意圖如圖6所示。

為了測(cè)量鋼絲繩的直徑，需要求出其上下邊緣的外切線，再通過求外切線之間的像素距離來計(jì)算鋼絲繩的直徑。設(shè)定鋼絲繩圖像上邊緣相鄰兩股外切直線段的兩個(gè)切點(diǎn)為[x1，y1]和[x2，y2]，下邊緣相鄰兩股外切直線段的兩個(gè)切點(diǎn)為[x3，y3]和[x4，y4]，對(duì)其中兩點(diǎn)進(jìn)行距離求取，得出邊緣直線之間距離所占有的像素個(gè)數(shù)。計(jì)算公式為：

[N=（x3+x4）-（x1+x2）22+（y3+y4）-（y1+y2）22] （8）

式中[N]為邊緣外切直線之間所占有的像素個(gè)數(shù)。據(jù)此，可以求出圖像中已知寬度為[W1]的標(biāo)定物其寬度在圖中所占的像素個(gè)數(shù)[N1]，于是可以計(jì)算出每個(gè)像素所代表的真實(shí)距離。計(jì)算公式為：

[P=W1N1] （9）

式中[P]為單個(gè)像素所代表的實(shí)際距離。

根據(jù)像素的個(gè)數(shù)可以求出邊緣直線之間的真實(shí)距離，計(jì)算其真實(shí)距離的公式為：

[I=PN] （10）

式中：[I]為邊緣外切直線之間的真實(shí)距離，即鋼絲繩直徑；[P]為每一個(gè)像素在圖像中的實(shí)際距離；[N]為鋼絲繩直徑所占的像素個(gè)數(shù)。

2" 實(shí)驗(yàn)分析

為了驗(yàn)證本文方法的準(zhǔn)確性，在上述的實(shí)驗(yàn)條件下，設(shè)置了10個(gè)實(shí)驗(yàn)小組對(duì)該方法進(jìn)行驗(yàn)證。

2.1" 實(shí)驗(yàn)準(zhǔn)備

在進(jìn)行測(cè)試之前，將鋼絲繩鋪平使其處于松弛狀態(tài)。在自然光源條件下，選取邊長(zhǎng)為1 cm的黑色方形紙片作為標(biāo)定物，選用?？禉C(jī)器人1 200萬像素的工業(yè)相機(jī)進(jìn)行拍攝，相機(jī)型號(hào)為MV?CU120?10GC。本次測(cè)試中的代碼實(shí)現(xiàn)是在Python編程環(huán)境下完成的。

在拍攝時(shí)將標(biāo)定物放置在鋼絲繩的附近，相機(jī)垂直于鋼絲繩進(jìn)行實(shí)驗(yàn)圖像的采集。在鋼絲繩上每隔30 cm處取樣10次為1組實(shí)驗(yàn)小組，共采集10組，并用游標(biāo)卡尺對(duì)每一組的取樣點(diǎn)進(jìn)行三次手動(dòng)測(cè)量，取平均值作為對(duì)比的公稱直徑。最后將采集到的圖像進(jìn)行存儲(chǔ)。

2.2" 測(cè)試與分析

采集好實(shí)驗(yàn)圖像后，對(duì)圖像進(jìn)行高斯濾波，用改進(jìn)的GrabCut對(duì)圖像進(jìn)行鋼絲繩區(qū)域分割，灰度化后運(yùn)用Canny算子提取鋼絲繩的邊緣信息，得到其邊緣輪廓圖像。對(duì)鋼絲繩輪廓圖像進(jìn)行膨脹再腐蝕的形態(tài)學(xué)操作，得到更加完整的邊緣圖像后利用算法計(jì)算出鋼絲繩的直徑，每次測(cè)量結(jié)果取三次重復(fù)測(cè)量的平均值，最后記錄實(shí)驗(yàn)結(jié)果。

2.2.1" 測(cè)試結(jié)果

利用本文方法分別對(duì)10組實(shí)驗(yàn)小組進(jìn)行測(cè)量，實(shí)驗(yàn)測(cè)量圖如圖7所示。

記錄各實(shí)驗(yàn)小組測(cè)量出的平均鋼絲繩直徑數(shù)據(jù)，及其與實(shí)測(cè)尺寸的誤差值，并計(jì)算每一組數(shù)據(jù)與實(shí)測(cè)的最大誤差值和測(cè)量準(zhǔn)確率。測(cè)量準(zhǔn)確率定義為：

[ACC=IDN×100%] （11）

式中：ACC為測(cè)量準(zhǔn)確率；[I]為測(cè)量直徑；DN為公稱直徑。

鋼絲繩直徑測(cè)量結(jié)果如表1所示。

由實(shí)驗(yàn)結(jié)果可知，本文方法測(cè)量的鋼絲繩直徑與人工測(cè)量的最大偏差為0.48 mm，通過本文方法測(cè)量鋼絲繩直徑的準(zhǔn)確率均達(dá)到98%以上，測(cè)量偏差在公稱直徑的0～5%范圍內(nèi)，符合GB 8918—2006重要用途鋼絲繩規(guī)范要求。

2.2.2" 誤差分析

以上實(shí)驗(yàn)數(shù)據(jù)的誤差證明了本文方法可以在一般的檢測(cè)場(chǎng)合應(yīng)用，如果要求更高的精度標(biāo)準(zhǔn)就不太適用了，接下來具體分析一下誤差的來源。誤差的來源主要如下。

1） 在使用相機(jī)進(jìn)行圖像攝取和處理過程中，由于相機(jī)本身的設(shè)計(jì)、制造和裝配等因素導(dǎo)致的誤差。

2） 拍攝時(shí)鏡頭只能盡量保持與實(shí)驗(yàn)對(duì)象垂直，而不能保證其能夠完全垂直于實(shí)驗(yàn)對(duì)象所在平面，因此會(huì)有一定的偏差。同時(shí)標(biāo)定物的制作精度也是一個(gè)比較重要的干擾因素。

3） 在圖像采集之后經(jīng)過各種圖像算法處理，在這個(gè)過程中一定程度上降低了圖像邊緣的質(zhì)量，導(dǎo)致了一定的誤差。

2.2.3" 測(cè)量不確定度分析

針對(duì)本次實(shí)驗(yàn)進(jìn)行測(cè)量不確定度的分析，根據(jù)表1數(shù)據(jù)計(jì)算如下。

單次測(cè)量的標(biāo)準(zhǔn)差：[σ=]0.115 126 5 mm

平均值的標(biāo)準(zhǔn)差：[σ=0.11510=]0.036 406 2 mm

不確定度：[uc=σ=0.036 406 2 mm]

自由度：[v=10-1=9]

取置信概率[p]=95%，其自由度[v]=9，查[t]分布表得[t0.95（9）=]2.262。即包含因子[k]=2.262。通過公式可計(jì)算鋼絲繩直徑的擴(kuò)展不確定度[u]。

[u=kuc=2.262×0.036 406 2 mm≈0.082 mm] （12）

通過擴(kuò)展不確定度評(píng)價(jià)鋼絲繩直徑檢測(cè)的不確定度[uR]為：

[uR=（28.335±0.082） mm] （13）

3" 結(jié)" 語

本文針對(duì)鋼絲繩直徑測(cè)量中的問題，探究了基于機(jī)器視覺的鋼絲繩直徑測(cè)量技術(shù)。通過基于輪廓增強(qiáng)的GrabCut分割鋼絲繩區(qū)域進(jìn)行邊緣檢測(cè)的方法實(shí)現(xiàn)了鋼絲繩邊緣輪廓的提取，由圖像標(biāo)定計(jì)算出每個(gè)像素所表示的真實(shí)距離，然后根據(jù)鋼絲繩直徑所占像素?cái)?shù)求出鋼絲繩的真實(shí)直徑。實(shí)驗(yàn)結(jié)果表明，運(yùn)用本文方法進(jìn)行鋼絲繩的直徑檢測(cè)能夠達(dá)到較為不錯(cuò)的測(cè)量效果，有一定的應(yīng)用參考價(jià)值。

當(dāng)然，該方法還存在許多不足的地方，比如算法還沒有完全優(yōu)化好，鋼絲繩的選材較為單一，標(biāo)定物精度要求高等。接下來應(yīng)當(dāng)持續(xù)優(yōu)化算法，總結(jié)在圖像采集時(shí)遇到的各種因素對(duì)測(cè)量結(jié)果帶來的影響，并針對(duì)這些問題做出研究分析和記錄。

注：本文通訊作者為陳家焱。

參考文獻(xiàn)

[1] 李宏達(dá)，焦龍飛.高精度非接觸式激光測(cè)徑儀設(shè)計(jì)與研究[J].中國設(shè)備工程，2021（6）：95?96.

[2] 李鑫.基于機(jī)器視覺的鋼絲繩直徑在線檢測(cè)研究[D].西安：西安石油大學(xué)，2023.

[3] POYRAZ A G， KACMAZ M， GURKAN H， et al. Sub?pixel counting based diameter measurement algorithm for industrial machine vision [J]. Measurement： Journal of the international measurement confederation， 2024， 225： 114063.

[4] 吳一全，鄒宇，劉忠林.基于Franklin矩的亞像素級(jí)圖像邊緣檢測(cè)算法[J].儀器儀表學(xué)報(bào)，2019，40（5）：221?229.

[5] ZHANG L G， YANG Q L， SUN Q， et al. Research on the size of mechanical parts based on image recognition [J]. Journal of visual communication and image representation， 2019， 59： 425?432.

[6] 高茂源，王好臣，叢志文，等.基于HALCON的機(jī)械零件尺寸快速精密測(cè)量[J].機(jī)電工程技術(shù)，2020，49（3）：71?74.

[7] 顧良玉，吳繼薇.基于機(jī)器視覺轉(zhuǎn)子沖片亞像素精度尺寸測(cè)量研究[J].計(jì)算機(jī)測(cè)量與控制，2024，32（4）：29?36.

[8] 顧浩文，鄒光明，王眾玄，等.基于雙目視覺的紙箱尺寸測(cè)量立體匹配方法研究[J].電子測(cè)量技術(shù)，2024，47（2）：98?105.

[9] 杜麗峰，周正，王天琪.基于機(jī)器視覺的鋁合金輪轂尺寸測(cè)量[J].機(jī)械設(shè)計(jì)，2022，39（z2）：193?198.

[10] WU H， LIU Y， XU X， et al. Object detection based on the grabcut method for automatic mask generation [J]. Micromachines， 2022， 13（12）： 2095.

[11] 王茜，何小海，吳曉紅，等.基于GrabCut的改進(jìn)分割算法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40（10）：43?47.

[12] 李志遠(yuǎn)，王光輝.基于傳統(tǒng)邊緣算子的車道線識(shí)別研究[J].現(xiàn)代電子技術(shù)，2024，47（7）：61?65.

[13] 李執(zhí)，閆坤，傅琪，等.基于機(jī)器視覺的金屬工件尺寸測(cè)量[J].儀表技術(shù)與傳感器，2022（3）：92?97.

[14] 杜杰，薛宇.圖像邊緣檢測(cè)方法對(duì)計(jì)算分析風(fēng)機(jī)凈空的研究[J].現(xiàn)代電子技術(shù)，2023，46（15）：43?48.

[15] 樊鑒樂，費(fèi)勝，姚建南.基于機(jī)器視覺的強(qiáng)漫反射圓狀工件直徑測(cè)量方法[J].傳感器與微系統(tǒng)，2023，42（3）：148?151.

作者簡(jiǎn)介：何胡海（2000—），男，江西南昌人，碩士研究生，主要研究方向?yàn)閳D像處理、深度學(xué)習(xí)。

孫長(zhǎng)敬（1968—），男，安徽淮南人，博士研究生，教授，主要研究方向?yàn)橘|(zhì)量檢測(cè)與自動(dòng)化裝置。

陳家焱（1979—），男，江蘇泗洪人，博士研究生，副教授，主要研究方向?yàn)橘|(zhì)量控制與可靠性工程。

谷小紅（1977—），男，安徽廬江人，博士研究生，副教授，主要研究方向?yàn)闄z測(cè)技術(shù)與自動(dòng)化裝置。

王" 強(qiáng)（1976—），男，內(nèi)蒙古人，博士研究生，教授，主要研究方向?yàn)樘胤N設(shè)備安全檢測(cè)技術(shù)、結(jié)構(gòu)健康監(jiān)測(cè)技術(shù)。

收稿日期：2024?04?09" " " " " "修回日期：2024?04?26

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（2022YFC3005103）項(xiàng)目資助