机器视觉自动检测技术

机器视觉自动检测技术（精选10篇）

机器视觉自动检测技术 第1篇

我国是一个农业大国, 粮食的产量影响着国家的经济发展。随着畜牧业的发展, 使得玉米的需求量越来越大, 但是病虫害严重影响着农作物的产量。传统的化学药品防虫和除虫方法由于药品投入量大, 资源浪费, 污染严重等弊端。现在, 传统的大面积化学防除方法正逐步向精准施药的方向改进, 害虫的自动识别技术是农作物精准施药的前提, 将会推动转精准施药的快速发展, 使害虫监控自动化程度提高。本文以玉米蚜虫为例, 研究基于机器视觉的害虫自动检测技术。本文设定算法应用对象为非特定环境下的玉米蚜虫若虫, 研究了病虫害图像的标记和自动统计算法, 统计结果可以为精准施药提供数据支持, 是重要的参考指标。通过理论分析和模型试验, 提出害虫自动检测算法, 研究结果对大田病虫害实时识别有重要意义。

2 害虫图像分割算法的研究

由于原始采集的图像为彩色图像, 而且背景色彩和蚜虫的颜色很相近, 直接进行处理会出现很大的误差, 为了减少误差, 并且使处理过程更加精确, 所以进行预处理, 把彩色的原始图像变为二值化的图像。

2.1 害虫图像预处理算法

首先进行高反差保留操作, 让蚜虫的颜色偏洋红色, 与背景颜色产生差异。接着降低洋红和红色分量, 产生黑白图像。其中洋红降低幅度大, 红色降低幅度小。然后提高对比度, 使蚜虫的颜色更黑, 与背景的区别更大, 并加强亮度, 使背景区域变更亮, 更白。最后把图像变为二值图像, 处理结果如图1 所示。

2.2 害虫图像分割算法

由于图像经过二值化之后会产生一些噪点, 而且蚜虫的腿部和蚜虫的身体有时也会产生一些缝隙, 由于蚜虫的腿部以及噪点对图像上的蚜虫的准确数目没有关系, 但会影响统计蚜虫数目时的统计的数目。所以得到二值化图像之后进行初步的处理, 即去除腿部以及噪点。由于腿部或者是噪点的行或者列距离都比蚜虫的躯体宽度要小很多, 根据这个原理, 能够根据行和列的黑色点的距离判断是蚜虫躯体还是其腿部或者是噪点。并且把腿部或者噪点的像素值改为白色。二值化后的图经过去除腿操作后能把蚜虫的腿部以及一些噪点去除, 更加方便了统计蚜虫的数目。

根据上面处理的图片, 有一些蚜虫进行很少部分的粘连, 腐蚀在形态学中的作用是消除物体的边界的点, 使边界向内部收缩的过程。可以根据腐蚀边缘的算法把图片进行腐蚀, 以利于蚜虫的统计。为了把单独的蚜虫因为腐蚀而分为多部分的情况, 要进行膨胀, 要把分为多部分的单独的蚜虫连为一个, 又要避免把不同蚜虫膨胀为同一个部分, 要做出最佳膨胀程度分析, 因此用小模板进行多次膨胀, 通过仿真分析得到最佳的膨胀次数。

3.害虫自动计数方法研究

3.1 连通域标记

连通域标记算法提出:由于经过上面的一系列的操作之后, 有的粘连蚜虫虽然分开了, 但是期间的缝隙很小, 如果直接像素处理可能会把不同连通域的蚜虫统计为一个, 为了使不同联通区域互不影响蚜虫的统计, 采取了把不同的区域的像素赋值为不同的值。

3.2 像素处理

根据上面处理的图像, 单独的单个蚜虫的躯体形状比较规则, 而粘连的蚜虫的形状就比较的不规则。根据这一发现, 可以对区域的像素进行像素处理处理。像素处理后, 经常会把同一个蚜虫留下很多的像素点。由于一个蚜虫要处理为一个点, 所以要把多余的点处理掉。邻近像素处理效果图如图2 所示。

4 实验结果分析

二值化之后的图像经过腐蚀与膨胀之后会把一些粘连的蚜虫分开, 但还是会有一些粘连比较严重的仍然处于粘连的状态。像素处理会根据图像右边的形状进行像素的处理, 在这个过程中会把一些特殊形状的粘连的蚜虫处理为一个, 如图3。二值化图像经过处理之后会留下如原理图像中的红色的点。实际图像经过去除腿, 腐蚀, 膨胀, 面积标记, 像素处理, 邻近像素处理之后得到的实际图像也和分析的结果一样。

5 结论

作物上害虫种群密度和危害程度是害虫防治决策的重要依据, 也是精确喷药的关键信息。使用计算机视觉自动获取害虫信息, 不仅可降低劳动强度、提高工作效率, 而且便于与后续的防治决策和精确施药实现技术对接和技术集成。本文以机器视觉技术为基础, 以玉米蚜虫为例, 研究了动态情况下的害虫检测方法, 设计和开发蚜虫自动检测计数的系统, 主要解决了图像的粘连处理以及自动计数问题。通过大量的实验, 结果证明误差控制在一定的范围内, 符合农业中蚜虫统计的要求, 统计的数目是比较准确的。

本系统能够及时地处理由田间传来的图像, 根据图像统计蚜虫的数目, 既能节省大量的人力, 又能及时地做出防治蚜虫的具体措施。避免了人工统计时的统计周期长, 耽误施药时机而引起玉米因为蚜虫而减产。并且不同时期蚜虫个数的统计是考查种子抗蚜性能的重要参数依据, 为挑选优良种子提供了可靠的数据支持。

摘要：精密施药在精准农业领域是学者研究的热门话题, 但是在害虫的自动识别阶段, 以往的研究都是在一个特定的光源和单一的背景下研究静态害虫, 不能满足大田害虫实时识别的需求。本文设定算法应用对象为非特定环境下的玉米蚜虫若虫, 通过理论分析, 模型试验的方法, 理论和实验相结合, 完成了害虫自动检测算法, 研究结果对进一步的大田实时识别研究具有重要意义。

关键词：机器视觉,病害虫图像检测,数据统计

参考文献

[1]李九灵.可重构的机器视觉在线检测方法的研究[D].武汉科技大学.2013.

[2]蔡改贫, 李龙茂, 姜志宏.基于图像处理的矿石粒度检测系统设计[J].冶金自动化.2013 (06) :63-66.

[3]胡秋霞.基于图像分析的植物叶部病害识别方法研究[D].西北农林科技大学.2013.

[4]邱白晶, 王天波, 李娟娟等.黄瓜蚜虫的图像识别与计数方法术[J].农业机械学报, 2010 (8) :151-156.

[5]李寒, 王库, 曹倩.基于机器视觉的番茄多目标提取与匹配[J].农业工程学报.2012 (05) :168-172.

[6]周生俊.医学CT图像分割方法研究[D].哈尔滨工业大学.2014.

[7]武曹军, 任振辉.基于颜色优势目标的机器视觉图像提取算法研究[J].农机化研究.2011 (11) :62-64.

通孔器件机器视觉检测算法 第2篇

结果表明，针对通孔器件的不同特点，分成线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法，使用不同的综合判据是可行的。

关键词：通孔器件;机器视觉;检测算法;颜色定位算法;彩色模板匹配算法

机器视觉在电子行业得到广泛应用，但主要集中于印刷电路、表面贴装，而通孔器件的通用质量检测设备则是空白或依赖定制。

在电子产品组装工艺中，除了表面贴装器件，还有大量的机插和手工装配的通孔元器件，如：接插件、连接线、大尺寸电解电容、变压器等。

这些器件大多有方向、极性、位置等要求，但同时又是在线测试、功能测试的盲点，只能通过人工目视检查。

由于操作员工技能、疲劳程度等因素影响，很容易造成漏检，存在很大的质量风险。

外观漏检成为某公司客户退返板第二大原因，达到35.1%，占外部故障成本的14.3%。

因此，进行通孔器件检测算法研究，研发基于机器视觉的通孔器件通用检测平台非常必要。

机器视觉在轮胎检测领域的应用研究 第3篇

关键词： 机器视觉； 图像检测； 航空轮胎； 表面质量

中图分类号： TP 23文献标识码： A

引言近年来，随着生产工艺飞速发展，人们开始关注产品的外观质量，比如印刷品、包装、工艺品等以外观质量为重要附加价值的产品，又比如航空轮胎等表面缺陷会直接影响到使用效果甚至会给使用者的生命财产安全带来无可挽回的损失的产品。众所周知，机器视觉已经发展成为重要的工业生产加工手段之一，在中国成为全球重要的制造中心之一的背景下，中国成为继美国、欧洲和日本后的全球第四大机器视觉市场，同时也是最具发展潜力的市场。一方面外国企业积极入驻中国带来了巨大的视觉系统需求，另一方面国内企业不断扩大生产规模，加大了对视觉系统的需求，以航空轮胎为例，未来十年，国家将在大飞机项目中投入500～600亿资金，大飞机项目的发展，必将会带动航空轮胎行业大规模的发展，对航空轮胎的质量要求也会更加严格。1国内外相关技术研究国外对机器视觉技术的研究，由于开展的比较早，而且具有资金、技术以及硬件方面的优势，已经走在了国内的前面。国外的机器视觉系统的应用领域涉及到了社会生产的各个方面，有原始的在线监视，也有外观检测以及动作、行为控制，许多工业加工成套生产设备都集成了机器视觉系统，成为加工生产线的标配，比如印刷生产线上的机器视觉质量控制系统，又比如汽车制造业中的移动三坐标测量系统[1]。由于经济和技术原因，国内绝大多数图像处理技术公司都以代理国外产品为主，没有或者很少涉足拥有自主知识产权的机器视觉在线检测设备，对视觉技术的开发应用停留在比较低端的小系统集成上，对需要进行大数据量的实时在线检测的研究很少，也很少有成功案例。但是，随着国内经济发展和技术手段不断提高，对产品质量检测要求就更高，对在线检测设备的需求也就更大，具有巨大的市场潜力。计算机、摄像机等电子技术的飞速发展大大提高了机器视觉系统的硬件水平，同时图像处理理论和算法的快速发展也给机器视觉系统提供了强大的软件支持。但是，仍然伴随着一些问题，主要有以下两点：光学仪器第35卷

第3期谢珺，等：机器视觉在轮胎检测领域的应用研究

（1）算法的精确性提高伴随着计算量的成倍增加，处理时间就成为了实时检测的软肋；（2）硬件的分辨率提高了，图像的分辨率、精度也随之提高了，但是数据量计算量都因此成倍增加。因此，如何保证检测的实时性和准确性，是机器视觉系统在工业应用中需要解决的核心问题。2视觉检测核心技术

2.1机器视觉图像处理技术机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。有大量的文献和著作给与介绍和讨论，其中比较著名的马颂德的《计算机视觉》介绍了计算机视觉的算法和理论，以及Richard Hartley的《Multiple View Geometry in Computer Vision》介绍了在计算机视觉中的几何理论和方法[2]。机器视觉中的图像处理方法，主要包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既优化了图像的视觉效果，又便于处理器对图像进行分析、处理和识别[3]。机器视觉理论应用于现代检测领域，是上世纪末本世纪初计算机视觉的一个新的研究方向。它使用计算机视觉的理论方法来识别物体的关键点，经过分析处理以后，转换成坐标数据，然后产生检测数据。国内已有学者把机器视觉技术运用于检测领域[4]。但是在轮胎检测领域，机器视觉技术的应用还仅仅停留在理论之上，还没有可实际应用的商品化的设备，更不用说结合机器视觉和嵌入式两种技术的便携式检测仪了。

2.2嵌入式技术嵌入式系统一般指非PC系统，有计算机功能但又不称之为计算机的设备或器材。它是以应用为中心，软硬件可裁减的，适应对功能、可靠性、成本、体积、功耗等综合性严格要求的专用计算机系统。嵌入式系统几乎包括了生活中的所有电器设备，如掌上PDA、移动计算设备、电视机顶盒、手机上网、数字电视、多媒体、汽车、微波炉、数字相机、家庭自动化系统、电梯、空调、安全系统、自动售货机、蜂窝式电话、消费电子设备、工业自动化仪表与医疗仪器等。嵌入式系统有以下几大优点[56]：（1）嵌入式系统通常是面向特定应用的，它通常都具有低功耗、体积小，集成度高等特点；（2）嵌入式系统和具体应用有机地结合在一起，它的升级换代也是和具体产品同步进行的，因此嵌入式系统产品一旦进入市场，就具有较长的生命周期；（3）由于空间和各种资源相对不足，嵌入式系统的硬件和软件都必须设计，量体裁衣、去除冗余，力争在同样的硅片面积上实现更高的性能，这样才能在具体应用中对处理器的选择更具有竞争力。本研究选取嵌入式系统中的DSP（数字信号处理器）来进行开发，具体型号为TI公司的TMS320。它具有很高的编译效率和执行速度，在信号处理方面具有优势，它的特点如下：（1）程序和数据具有独立的存储空间，有着各自独立的程序总线与数据总线，可以同时对数据和程序进行寻址，大大提高了数据处理能力；（2）由于广泛采用了流水线操作，减少了指令的执行时间，可以同时运行8条指令；（3）与一般计算机不同，乘法（除法）不由加法和移位实现，它具有硬件乘法器，乘法运算可以在一个指令周期内完成；（4）指令周期降到了1.67 ns。随着工作频率进一步提高，指令周期将进一步缩短；（5）拥有自己独特的专门为数字信号处理而设计的指令系统；（6）相比传统的处理芯片，它还具有体积小、功耗小、使用方便、实时处理迅速、处理数据量大、处理精度高、性能价格比高等许多优点。3轮胎检测系统构成

3.1研究目标机器视觉用于产品表面缺陷检测需要面对以下主要问题：（1）数据处理量非常庞大；（2）如何快读匹配图像；（3）如何快速实现缺陷分割并剔除伪缺陷；（4）如何选取缺陷特征，用以实现缺陷识别。以具体产品为例，相对其他轮胎产品，航空轮胎对质量检测的要求较为严格，只要航空轮胎的检测技术到位，其他轮胎产品也基本可以检测。以航空轮胎的缺陷检测为例，根据GB/T 9747-2008《航空轮胎试验方法》、GB/T 13652-2004 《航空轮胎表面质量》和GB 15323-1994 《航空轮胎内胎》等标准的要求，研究表面缺陷在线检测的图像处理方案；开发一套基于机器视觉的产品表面缺陷的在线检测设备，同时根据GB/T 13653-2004 《航空轮胎X射线检测方法》所述，配合X射线发射仪，利用一对一的服务器/客户机构架的机器视觉对标准中所描述的航空轮胎的一系列缺陷，如断层、气泡和裂口等进行高精度、高实时性、高连续性以及非接触式的在线缺陷检测。具体技术指标：（1）能检测出最小直径0.3 mm的轮胎内部缺陷（即横向纵向最小均为0.3 mm）并能对缺陷进行分类识别，主要包括结构类、气泡类和夹杂物类，对缺陷的检出率要求大于90%；（2）对缺陷部位进行定量和定位分析：读出缺陷的尺寸（误差0.5 mm），测出缺陷距离轮胎表面的深度，决定缺陷在轮胎内部的位置；（3）在线检测设备的检测检测速度与X射线管旋转速度同步，X射线管旋转一周即完成一个轮胎一个圆周的缺陷检测。

3.2研究内容和技术路线

3.2.1确定机器视觉检测系统的基本框架在数据量大时，采用一个处理器搭配一台摄像机的一对一方式。在产品表面检测中，由于航空轮胎的圆周面比较大，数据量也就比较大，通常采用的机器视觉单摄像机方式，很难满足圆周面检测分辨率高、数据量大的要求，而多台摄像机能满足分辨率和数据量的要求，却又相应带来实时性差的问题。若采用多台摄像机的方式，就需要配备多套成像系统，一套成像系统造价在10万元左右，基于成本和计算数据量的考虑，本研究选用一对一方式，利用分时运动克服单台摄像机采集数据量不足的缺点。具体来说，就是在经典的服务器/客户端模式架构的基础上设计一种基于机器视觉的系统结构以实现轮胎圆周面产品表面缺陷的在线检测，该结构主要由四部分组成：服务器（嵌入式系统）、客户端（图像处理子系统）、信号模块（PLC）、输出单元。系统框架如图1所示。每隔一定的时间（系统初步设定为5 s），服务器通过PLC控制步进电机驱动轮胎做圆周转动，每转过一个固定角度（系统定为120°），服务器就调动客户端完成此区域内相对独立的视觉检测任务，一次间隔只检测轮胎的三分之一（120/360），经过3个时间间隔，客户端即完成了整个轮胎360°的全面检测，然后利用拼接原理把各部分拼接起来，统一到一个坐标系下。拼接测量的关键是利用重叠区计算出各次测量时基准的不同，然后消除不同，统一在一个坐标系下。拼接测量的方法可以直接计算出被测轮胎的全面信息。为了保证服务器和客户端之间图像检测数据可靠、实时的交互，本研究采用千兆以太网的方式传输数据。作为整个检测系统的管理控制单元和人机交互接口，服务器不仅要完成检测任务的调度，还要可以设定检测参数，接收和实时显示客户端上传的图像数据和处理结果（缺陷等），并将信息存入数据库中。此外，服务器还接收PLC传来的位置检测信号，用于与客户端的同步，并且根据检测结果中的位置信号，对执行机构发出动作信号，标记并剔除有缺陷的产品。在客户端处理核心中安装有图像采集卡，接收服务器设置的参数和任务调度，控制采集卡和摄像机完成图像实时采集，利用图像处理算法处理和分析图像数据，将最终得到的缺陷位置和分类信息上传给服务器，保存缺陷图像以备查。

3.2.2设计编写表面缺陷检测的图像处理方案在表面缺陷检测中，根据图像数据的特点，本研究提出以下图像处理过程：缺陷分割、特征提取及缺陷分类。首先是缺陷分割：在表面缺陷检测的时候，利用图像处理算法，处理采集到的产品表面图像，将缺陷从复杂的背景图像中分离出来。接着是特征提取：提取缺陷后，对缺陷的各种标识性属性进行提取，主要是几何特征和灰度统计特征，以保证后续的缺陷分类和识别。几何特征指的是轮廓特征，比如长度、形状、面积、重心等。灰度统计特征指的是分布位置、统计值、均方差等等。还有缺陷分类：本研究采用改进的BP算法[7]对网络进行训练，构建神经网络分类器来实现轮胎缺陷分类，为了提高检测系统对伪缺陷的适应性，本研究将部分伪缺陷也作为网络输出并对其进行训练。由于图像处理中需要运用大量的计算机内存处理算法，为避免编程中出现内存泄露进而造成计算机内存资源流失的现象，决定采用对内存进行托管的C#语言进行编程。

3.2.3服务器和客户机系统之间的同步服务器/客户端模式架构的机器视觉系统具有独立性和并行性的特点，它不得不面临的一个重要问题是如何解决服务器和图像处理子系统之间的同步问题，包括摄像机同步采集、数据同步处理和轮胎运动同步控制等。本研究利用摄像机本身的外同步特性，采用对摄像机提供统一的线扫描触发信号保证摄像机采集同步。机器视觉系统基本组成模块见图2。

4结论实际测量结果证明，应用视觉检测方法可以较好地解决传统测量方法中时间长、工作量大、测量效率低的问题。该方法能够充分利用现代计算机技术的优势，设备简单、易用，克服了传统测量仪器的许多误差来源，具有快速、准确、非接触测量的优点。在实验室中初步完成了实验系统的核心部分（如图3所示），与传统的测量方法相比，原先需要15 min的测量时间，现在只需要15～30 s就可完成，操作也更加简单便捷。该系统可检测出最小直径0.3 mm的轮胎内部缺陷（即横向纵向最小均为0.3 mm）并能对缺陷进行分类识别，主要包括结构类、气泡类和夹杂物类，对缺陷的检出率为96%。

参考文献：

[1]彭向前.产品表面缺陷在线检测方法研究及系统实现[D].武汉：华中科技大学，2008.

[2]ZHANG Z.Determining the Epipolar geometry and its uncertainty[J].A Review Int Journal on Computer Vision，1998，27（2）：161-195.

[3]章毓晋.图像处理和分析[M].北京：清华大学出版社，1999.

[4]朱方文.基于LAP方法的机器人灵巧手控制[D].上海：上海大学，2006.

[5]张嘉琪.基于嵌入式系统图像处理平台的万寿菊水分状态检测系统的研究[D].重庆：西南大学，2009.

[6]赵国峰，侯民贤.汽车前照灯光形检测的嵌入式系统设计[J].光学仪器，2007，29（1）：42-46.

机器视觉自动检测技术 第4篇

泡沫金属材料是一种内部结构含有许多孔隙的新型功能材料, 有的呈骨架结构, 有的则呈蜂窝状结构, 其特性和用途与材料的高孔隙率密切相关[1]。虽然, 目前泡沫金属材料制造工艺比较成熟, 但是在其制备过程中仍然无法避免存在各种缺陷, 如空洞、裂缝、金属皮等[2]。传统的泡沫金属材料的金属皮检测主要由人工观察完成。由于泡沫金属材料上残存的金属皮灰度、形状、大小各异, 仅靠人眼观察, 不仅效率低、实时性差, 同时还会造成大量的误检和漏检。如果能在线自动检测连续带状泡沫金属材料中的金属皮, 将提高出厂泡沫金属材料的质量, 且减少生产成本、提高生产效率。

本文提出一种基于支持向量机的金属皮在线自动检测方法, 它主要包括训练与测试两个阶段。图1为金属皮检测流程图。在训练阶段, 首先采集大量的泡沫金属图像作为训练样本, 并对其进行预处理提高图像质量, 然后将所有预处理图像都分成块大小为n×n像素的正方形像素块, 将包含金属皮的像素块标记为负样本, 不包含金属皮的像素块标记为正样本, 并按照5个特征模板计算每个像素块的均值和方差共5×2=10个特征, 最后将构建好的正、负样本特征向量输入支持向量机分类器 (SVM) 进行训练。随着泡沫金属材料制作工艺的进步, 99%以上的泡沫金属材料是正常的, 将所有待检测图片都直接送入分类器进行检测是极其耗时的, 因此, 测试阶段包含初步检测和分类器精确定位两个步骤。对待检测图像首先进行初步检测, 若待检测图像在此步骤中被判定为可能包含金属皮的图像, 便对其进行相应的预处理、分块和特征提取等操作, 并将提取的特征输入已训练好的SVM分类器进行分类, 得到最终的检测结果。

2 算法描述

2.1 分类器训练

2.1.1 预处理

预处理是指对现场采集的泡沫金属图像进行去噪、增强等操作, 提高图像质量, 使其便于进行后续特征提取与识别。针对泡沫金属图像的特性, 本文首先采用双边滤波进行去噪处理, 抑制图像噪声并保留其边缘, 然后运用直方图均衡提高泡沫金属材料的对比度。

(1) 双边滤波。双边滤波 (Bilateral Filtering) 的概念最初是由Tomasi提出的, 在处理相邻各像素值的灰度值或彩色信息时, 不仅考虑到了几何上的邻近关系, 也考虑到了亮度上的相似性。这样处理过的图像在滤除噪声的同时还能够很好地保持图像的边缘信息[3]。零均值加性高斯噪声图像模型如下:

其中, f表示无噪声图像, n是服从零均值高斯分布的噪声, g是噪声图像, g (x, y) 表示图像g在位置 (x, y) 上的像素值[4,5]。想要滤除噪声图像g中的噪声n, 得到无噪声图像f, 双边滤波器采用局部加权平均的方法, 具体计算公式如下:

其中, Sx, y表示以点 (x, y) 为中心的 (2N+1) × (2N+1) 的邻域像素块, w (x, y) 表示在此邻域像素块内双边滤波在像素 (i, j) 位置上的加权系数, 它由空间邻近度因子ws (i, j) 和亮度相似度因子wr (i, j) 两部分组成:

从式 (3) 可以看出, 双边滤波器的加权系数是这两部分因子的非线性组合。空间邻近度因子ws随着像素点与中心点之间欧几里德距离的增加而减小, 具体计算公式如下:

其中, X和Y分别表示中心点的横坐标和纵坐标, σs表示空间方差。亮度相似度因子wr随着两像素亮度值之差的增大而减小, 具体计算公式如下:

其中, g (X, Y) 表示图像g在中心位置 (x, y) 上的像素值, σr表示灰度方差。因此, 在图像变化平缓的区域, 邻域内像素亮度值相差不大, 双边滤波转化为高斯低通滤波器;在图像变化剧烈的区域, 滤波器获取边缘点附近亮度值相近的像素点的亮度值, 并取其平均值代替原亮度值。因此, 双边滤波器既能有效平滑图像, 又能同时保持图像的边缘[6,7]。

与其他自适应算法 (如各向异性扩散等) 相比较, 双边滤波的优点是不需要进行繁杂的迭代运算。当邻域像素块较大时, 双边滤波可以在保证图像滤波效果的同时, 极大减少滤波过程的计算时间和计算量。如图2所示为不同算法的滤波结果比较, 其中, 第1行为包含金属皮的原始泡沫金属图像, 第2行和第3行则分别为各向异性滤波和双边滤波的结果。从图2中可以看出, 各向异性扩散滤波后的图像的细节和边缘都变得更加模糊, 而双边滤波在滤除噪声的同时能更好地保存图像的边缘和细节。因此, 本文采用双边滤波对泡沫金属图像进行去噪。

(2) 直方图均衡。直方图均衡是指利用直方图的统计数据来进行直方图修正, 从而达到提高图像对比度目的的一种直方图调整方法[8]。

图像直方图反映了一幅图像中灰度级与出现这种灰度级的概率之间的关系。设变量r代表图像中经过归一化后的灰度级, r取值范围为[0,1]。在灰度级中, r=0代表黑, r=1代表白, 从r=0到r=1之间的数值变化反映了像素由黑到白的变化。直方图p (r) 定义如下:

其中, Nr表示灰度级为r的像素数目, N为图像像素总数目。

为使图像清晰, 合乎逻辑的想法是把灰度级分布拉开, 使灰度层次分明, 这相当于增大了图像的对比度。理想的直方图均衡的目的是使处理后的图像的直方图均匀分布, 即各灰度级具有相同的出现频数, 由此各灰度级具有均匀的概率分布, 图像看起来就更清晰[9,10]。为了达到直方图均衡的目的, 定义s为r经过直方图均衡化后所对应的灰度级, 它们的关系如下:

对于离散图像, 其对应关系可表示为:

其中k为灰度级数, ni表示第i个灰度级出现的频数, n为图像的像素总数。

在采集泡沫金属图像的过程中, 采集到的图像通常明暗不一且对比度较低。在泡沫金属图像中, 金属皮的灰度往往高于非金属皮区域, 且不同图像中的金属皮灰度也不尽相同, 这将严重影响后续金属皮区域的特征提取。直方图均衡则能有效解决这一问题。图3为直方图均衡结果, 第1行为经双边滤波后的含金属皮的泡沫金属图像, 从图3中可以看出, 图像对比度较低, 且不同图像中的金属皮灰度不一、形状各异。第2行为第1行图像对应的直方图, 可以看到, 它们的灰度直方图分布均集中在低灰度值区域。第3行、第4行分别为直方图均衡结果图及其对应的直方图。从图3中可以看出, 经过直方图均衡化处理之后, 图像的对比度大大提高, 且图像的灰度直方图分布也趋于均匀。

2.1.2 样本训练

将预处理得到的训练图像分成大小为n×n像素的正方形像素块, 并将包含金属皮的图像块标记为负样本集A, 不包含金属皮的图像块标记为正样本集B, 其中正、负样本数目均为3 000。

针对金属皮形状的多样性和复杂性, 设计了5个特征模板, 如图4所示, 其中图4 (a) 为中心特征模板, 适用于提取方形金属皮的特征, 图4 (b) 、 (c) 、 (d) 、 (e) 分别为垂直模板、水平模板、-45°模板、45°模板, 适用于提取不同方向的细长金属皮的特征。对于A、B两组样本, 分别计算每个模板中黑色区域所对应区域的均值和方差, 即可得到一个6000×10维的训练特征向量。最后将构建好的正、负样本特征向量输入SVM分类器进行训练。

2.2 基于SVM的金属皮检测

2.2.1 初步检测

为了快速大致判断泡沫金属图片正常与否, 本文提出一种基于大津法[11]和开运算的金属皮初步检测方法。首先运用大津法对原始泡沫金属图像进行二值化, 然后对二值化结果进行开运算并去除小面积的连通域以去除正常的镀金属区域。检测结果如图5所示, 其中图5 (a) 为包含金属皮的泡沫金属原始图像, 图5 (b) 为二值化结果, 图5 (c) 则为经过开运算并去除小面积连通域后的初步检测结果。从图5中可以看出, 虽然二值化可有效提取感兴趣的金属皮区域, 但同时正常的镀金属区域也被提取出来且呈离散分布。而对二值化结果进行开运算并去除小面积的连通域则能有效解决该问题, 得到只包含金属皮的检测结果。若初步检测结果图中连通域的个数等于0, 则为正常图片, 检测完成;若连通域的个数若大于0, 则认为该待检测图像为可能包含金属皮的图像, 输入分类器检测步骤进行判断检测。

2.2.2 基于SVM的精确定位

支持向量机建立在计算学习理论的结构风险最小化原则之上, 主要是针对二分类问题, 在高维空间中寻找一个超平面作为两类的分割面, 以保证最小的分类错误率[12]。它的一个重要优点是可以处理线性不可分的情况。

若待检测图像在初步检测中被判断为可能包含金属皮的图像, 则将预处理后的待检测图片分成大小为n×n像素的正方形像素块, 按照5个特征模板计算每一个像素块的均值和方差共10个特征作为测试特征向量, 输入到已训练好的支持向量机分类器进行检测。

3 实验结果

对于待检测图像, 本文首先运用大津法及形态学滤波初步判断图片是否为可疑缺陷图片, 如果是, 则将待检图片分成与训练样本大小相等不重叠的像素块, 并根据中心模板、垂直模板、水平模板、-45°模板、45°模板计算所有像素块的均值及方差共10个特征, 输入SVM分类器进行检测。识别结果如图6所示, 其中第1行为包含金属皮的原始泡沫金属图像, 第2行为它们对应的检测结果, 从实验结果可以看出, 图像中的金属皮均被有效识别, 均能达到比较高的完整感兴趣区域提取准确率, 相对于人工检测, 准确率能达到95%以上, 且速度较快, 不会对硬件资源造成过度浪费, 适用于实际生产。

4 结语

本文通过对正常泡沫金属材料和包含金属皮的泡沫金属材料特性的分析, 提出一种基于SVM分类算法的金属皮自动检测算法。首先采用双边滤波器进行去噪处理, 抑制图像噪声并保留其边缘, 然后运用直方图均衡提高泡沫金属图像的对比度, 并结合金属皮的形状特点运用不同模板提取图像特征, 输入SVM分类器进行训练与测试。此外, 在泡沫金属图像金属皮的在线自动检测过程中, 增加了初步检测步骤, 使本文算法首先能够快速大致判断泡沫金属图像的正常与否, 然后在此基础上再用分类器进行分块判断, 极大减少了检测时间, 大大提高了检测效率, 降低了检测成本。

摘要：为实现泡沫镍金属皮自动检测, 笔者提出基于支持向量机的金属皮在线自动检测方法。该方法首先通过双边滤波和直方图均衡算法, 抑制图像噪声并提高泡沫金属材料的对比度。为了快速大致判断泡沫金属图片正常与否, 提出一种基于大津法和开运算的金属皮初步检测算法, 大大提高了检测效率。

关键词：机器视觉,泡沫镍,表面缺陷检测

参考文献

[1]王芳, 王录才.泡沫金属的研究与发展[J].铸造设备研究, 2000 (3) :48-51.

[2]彭向前.产品表面缺陷在线检测方法研究及系统实现[D].武汉:华中科技大学, 2008.

[3]C Tomasi, R Manduchi.Bilateral filtering for gray and color images[C]//International Conference on ComputerVision, 1998:839-846.

[4]M Elad.On the origin of the bilateral filter andways to improve it[J].IEEE Transactions on ImageProcessing A Publication of the IEEE Signal ProcessingSociety, 2002 (10) :1141-1151.

[5]F Durand, J Dorsey.Fast bilateral filtering for the display of high dynamic range images[C]//.Conference on Computer Graphics&Interactive Techniques.2002:257-266.

[6]D Barash. A fundamental relationship between bilateralfiltering, adaptive smoothing and the nonlinear diffusion equation[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2002, 24 (6) :844-847.

[7]Paris S, Durand F.A Fast Approximation of the Bilateral Filter Using a Signal Processing Approach[J].International Journal of Computer Vision, 2009, 81 (1) :24-52.

[8]张宇, 王希勤, 彭应宁.一种用于夜间图像增强的算法[J].清华大学学报:自然科学版, 1999 (9) :44-49.

[9]温学兵, 赵江魏, 梁学章.基于小波去噪和直方图模板均衡化的手指静脉图像增强[J].吉林大学学报, 2008, 46 (2) :291-292.

[10]冷璐, 黎明, 张家树.结合边缘细节局部自适应增强的直方图均衡化[J].微电子学与计算机, 2010, 27 (1) :38-41.

[11]李了了, 邓善熙, 丁兴号.基于大津法的图像分块二值化算法[J].微计算机信息, 2005 (14) :76-77.

机器视觉自动检测技术 第5篇

摘要：针对二维条形码在印刷、运输等过程中不可避免的会发生缺失、破损等问题，设计一种基于计算机视觉技术的QR条形码商品信息识别系统，通过图像处理算法实现对条形码图像的去噪、定位及解码等处理。最后对不同尺寸、不同纠错级别、不同缺损程度下的二维条形码进行了识别。实验结果表明：当二维条形码中的校正图形存在缺损时，二维条码图像仍能被正确识读；当寻像图形存在缺损时，则无法对条码图像进行正确识读。另外，图像尺寸对破损二维条码的识别也有重要影响，图像尺寸越大，能识别的缺损程度越大。endprint

摘要：针对二维条形码在印刷、运输等过程中不可避免的会发生缺失、破损等问题，设计一种基于计算机视觉技术的QR条形码商品信息识别系统，通过图像处理算法实现对条形码图像的去噪、定位及解码等处理。最后对不同尺寸、不同纠错级别、不同缺损程度下的二维条形码进行了识别。实验结果表明：当二维条形码中的校正图形存在缺损时，二维条码图像仍能被正确识读；当寻像图形存在缺损时，则无法对条码图像进行正确识读。另外，图像尺寸对破损二维条码的识别也有重要影响，图像尺寸越大，能识别的缺损程度越大。endprint

摘要：针对二维条形码在印刷、运输等过程中不可避免的会发生缺失、破损等问题，设计一种基于计算机视觉技术的QR条形码商品信息识别系统，通过图像处理算法实现对条形码图像的去噪、定位及解码等处理。最后对不同尺寸、不同纠错级别、不同缺损程度下的二维条形码进行了识别。实验结果表明：当二维条形码中的校正图形存在缺损时，二维条码图像仍能被正确识读；当寻像图形存在缺损时，则无法对条码图像进行正确识读。另外，图像尺寸对破损二维条码的识别也有重要影响，图像尺寸越大，能识别的缺损程度越大。endprint

机器视觉自动检测技术 第6篇

此研究报告刊登在《农业工程学报》2011年第3期, 题为“基于机器视觉的果肉多类型异物识别方法”, 第一作者为华南理工大学机械与汽车工程学院全燕鸣教授。

我国是水果生产与消费大国, 我国水果不但品种丰富, 而且以水果为原料的食品如罐头、果冻等加工产业也颇具规模。然而, 在水果果料的加工过程中可能会不经意地混入诸如毛发、纤维丝、纸屑、金属、油漆等异物, 从而对产品质量和消费者心理造成不良影响。目前大多数食品生产企业还是采用人工裸眼检测加工过程中在制品是否沾染异物, 存在效率低、漏检率高、劳动量大等缺点。

随着提高产品质量的要求和劳动力成本日益升高的形势, 企业迫切希望应用机器视觉技术实现工业生产自动化检测。但是在农产品质量和食品加工质量方面, 国内外原有研究成果主要只针对完整且表面相对干燥的果体进行大小、形状、成熟度、表面损伤与缺陷等的检测与分级, 而在异物检测方面, 只有针对单一品种果料如桔瓣上的某种异物进行检测的研究。

罐头、果冻等产品加工中, 为了方便灌装, 果肉一般分割成块状, 但各种水果分割后的形状和大小不同, 而异物形状、大小也多样, 如毛发、纤维丝为细长型, 油漆、金属屑等为块状;各品种水果颜色多样, 如苹果为淡黄色、橘瓣为深黄色、椰果为白色, 而各种异物的颜色也多样, 如头发为黑色、油漆和纤维丝多为彩色、铁屑为银白或黑色。各种异物和果肉之间的尺度、色度差异情况很不相同, 这些特点给异物自动识别带来了巨大挑战。

“基于机器视觉的果肉多类型异物识别方法”一文作者针对罐头、果冻生产中的多品种、多规格、湿态反光果肉上各种可能出现的异物, 研究开发了一套基于机器视觉技术的多类型异物自动检测系统。

利用机械装置将果料自动单层排布在传送带上, 安装在适当位置的工业相机对传送中的果料进行监视拍照, 将采集到的果料图像输送到计算机中, 由图像处理软件对其进行分析判断。

根据果料与异物的颜色和亮度差异特点, 将各品种果料分成两大类, 分别采用不同的图像处理策略识别异物。对颜色比较丰富的果料如黄桃、菠萝等根据果肉与异物的颜色进行分割识别异物;对颜色为白色或透明的果肉如椰果、明胶等根据异物的边缘轮廓识别异物。

机器视觉自动检测技术 第7篇

社会经济的快速进步, 促进了我国机械制造自动化建设的发展, 与此同时机器视觉技术在机械制造自动化发展中得到了广泛的应用, 通过机器视觉技术的应用, 减少了人工的投入量, 摆脱了环境条件的影响, 提高了检测结果的准确性, 继而从多个方面体现了机器视觉技术在机械制造中的应用研究价值。

1基于机器视觉技术的机械制造自动化研究意义

机器视觉技术涉及了多个研究领域的知识, 在计算机信息技术的基础之上, 通过模拟人眼的机理特征, 能够达到从客观存在事物中获取既定信息的要求, 机器视觉技术专业性非常强, 不仅具有良好的应用效果, 还能保证检测或者测量信息的准确性。随着我国机械制造业发展规模的逐渐扩大, 机器视觉技术在机械制造自动化建设中得到了广泛的应用, 通过机器视觉技术的应用, 解决了测量环境恶劣难以检测的问题, 并在最大限度上提高了检测工作的效率, 以及机械制造工作的质量, 进而有效的提升了机械制造企业经营发展的经济效益。近几年来机械制造技术得到了一定程度的完善, 通过现代化技术的应用, 实现了智能检测与精密性测量技术的有效应用, 系统能够对检测数据进行自主分析, 基于特征结果形成专业性的检测图片, 进而为机械制造自动化建设的后续工作提供了准确的数据支持。在这样的情况下, 为了充分发挥机器视觉技术的应用特点, 就应该对机器视觉技术在机械制造自动化中的具体应用进行研究, 细化技术应用领域知识, 继而使机器视觉技术在最大程度上得到应用[1]。

2机器视觉技术在机械制造自动化中的具体应用

2.1机器视觉技术在工业电路板检测中的应用

工业电路板的质量作为决定机械制造产品性能的关键, 在工业制造自动化建设中发挥着重要的作用。传统的缺陷检测方法主要以人工检测为主, 在实际检测的过程中, 受人员自身能力和检测条件的影响, 容易出现操作上的错误, 对检测结果造成一定的影响, 与此同时随着现代科学信息技术的快速进步, 工业电路板的制作越来越精密, 工业电路板内部线路的布局也越来越复杂, 在这样的情况下, 传统的缺陷检测方法已经不能发挥出实际的效应。而机器视觉技术在工业电路板检测中的应用, 有效的解决了这个问题, 通过先进测量技术与决策性控制技术的应用, 提高了缺陷检测数据的准确性, 并促使工业电路板检测向规范化和专业化的方向, 机器视觉检测技术能够对电路板表面进行全盘扫描操作, 细化电路板表面区域线路连接情况, 加强了对线路接口处的检测, 并对数据进行分析, 通过与专业数值的对比, 总结工业电路板制作存在的具体问题, 锁定缺陷区域, 保证了检测数据的准确性[2]。

2.2机器视觉技术在焊接工作中的应用

机械制造中的焊接工作, 主要由焊接型机器人来完成, 机器视觉技术在焊接工作中的应用, 主要的原理是利用计算机信息技术, 将机器视觉技术安装在机器人控制系统中, 进而让焊接机器人具备可视分析功能。通过机器视觉分析技术的应用, 提高了焊接机器人的工作效率和工作质量, 机器人在实际工作过程中, 可以以具体的数据分析结果为依据, 确定焊接点, 并在实践应用的过程中, 提高焊接感知能力, 进而突破焊接环境的局限, 让焊接机器人在喷溅环境下完成高难度的焊接操作[3]。

2.3机器视觉技术在工件几何测量中的应用

工件测量工作对测量结果精准度的要求非常高, 是保证工业制造产品精度和制造生产效率的关键, 传统的工件几何测量主要采用投影原理, 对具体的工件进行移位测试, 但是这种测量方法对技术人员的实际操作能力要求高, 在实际测量的过程中, 需要投入大量的人力和财力, 与制造企业低成本投资生产的发展要求不符。机器视觉技术具有人工智能识别模式功能, 在实际应用的过程中, 能够准确的识别被检测物体, 判断物体的外观特征, 适用于对体积微小的物体进行检测, 机器视觉识别技术在工件几何测量中的应用, 改变了传统的工件测量方法, 能够准确的测量工件的水平度和垂直度, 进而判断工件是否存在细节上的制造问题, 确保所有制作工件都能够满足规定的质量要求, 进而从整体上提升机械制造的水平。 除此之外机器视觉技术能够利用光学折射原理, 获取工件表面结构详细信息, 通过对工件表面轮廓和深度的分析, 可以确定工件的磨损程度, 不仅简化了使用工件磨损度检测的步骤, 同时也提高了工件检测的效率[4]。

2.4机器视觉技术在金属板面检测中的应用

金属板是机械制造中应用比较频繁的材料, 在没有正式被应用之前, 为了提高机械制造产品的质量精度, 会对金属板的质量进行检测。传统的金属板检测方式, 主要采用加控针检测技术, 这种检测技术需要与金属版面直接的接触, 在实际检测的过程中, 容易给金属板造成多余的划伤。与传统的检测技术相比, 机器视觉检测技术利用远程摄像分析技术, 不需要与金属版面接触, 在保证测量结果准确的基础上, 有效的避免了额外损伤事件的发生, 与此同时机器视觉技术能够从全面的角度对金属表面进行分析, 在录入正确信息之后, 可以在显像仪上呈现出金属检测的三位立体图像, 让研究人员准确的找到金属板缺陷问题原因所在, 继而在有效的时间之内找到适当的解决措施[5]。

3结论

通过上文的叙述我们能够发现, 机器视觉技术在机械制造自动化建设中发挥了非常重要的作用, 通过机器视觉技术的应用, 简化了检测工作的步骤, 并在一定程度上提高了检测工作的质量和效率, 促使机械制造自动化建设向智能化方向发展。

参考文献

[1]张萍.机器视觉技术及其在机械制造自动化中的应用[J].合肥工业大学学报 (自然科学版) , 2007, 10:1292-1295.

[2]刘松林.印刷品质量在线检测机器视觉系统的设计与实现[D].解放军信息工程大学, 2006.

[3]汪友光.基于机器视觉和运动控制的传感器实时目标在线检测系统开发[D].广东工业大学, 2014.

[4]王洪涛.浅析机器视觉技术在机械制造自动化中的应用[J].电子制作, 2012, 11:137+157.

机器视觉自动检测技术 第8篇

一、机器视觉系统的原理

机器视觉系统的工作原理为:图像摄取装置把拍摄对象的影响资料转换成图像信号,然后通过线路传送到专业图像处理系统,专业的图像处理系统再根据图像像素、亮度等信息把图像信号转变为数字信号。计算机系统对这些数字信号进行运算和处理,来抽取目标特征,最后根据判断结果对现场设备进行操作。典型的视觉系统如图1所示。

机器视觉系统输出的不是图像视频信号,输出的是经过计算机处理之后的检测数据结果。一般来说,我们把用机器代替人眼来做测量和判断叫做机器视觉测试。我们通过CCD照相机把拍摄目标转换成图像信号,然后把图像信号传给图像处理系统,再转换成可以识别并包含大量信息的数字信号。计算机根据这些数字信号进行运算并获取需要的物理信息,比如面积、数量、位置等。再根据预设的参数和其他如角度、尺寸、偏移量等信息,由上位机发出控制指令,指挥运动系统执行指令控制动作。

二、在机械制造自动化中的应用

1. 在精密测量中的应用

一是对于零件尺寸的精密测量。机器视觉的一个重要的应用领域就是精密测量,测量被测对象的原理如下图2所示。

检测系统的基本组成单元是光学系统、计算机处理系统与CCD摄像头。光源发出平行光束照射被检测部位,在摄像机的面阵CCD相面上,检测部位的轮廓通过显微光学镜成像,计算机对其进行图像处理,得到被测部位轮廓的位置信息。当被测对象产生位移的时候,经过两次重复测量边缘轮廓位置,则位移量为两次测量结果之差。如果被测对象在同一幅图像内有两条平行的边缘轮廓,那么相应尺寸就是两者位置之差。

上述系统尤其适合对于批量生产情况下的在线工件检测,特别是在被测对象具有尺寸小、形状单一等特点时,检测系统优势明显。例如,电子接插件的检测就用到了上述检测系统,它的生产速度为每分钟数百件,而相应的尺寸测量为0.01毫米级别。

二是视觉测量系统在逆向工程中的应用。针对现有工件,能够快速准确的利用3D数字化测量仪器测量出工件轮廓坐标值,而且还能够构建曲面并且转换成可以保存的CAD/CAM系统图形,并且经由CAM系统输送至CNC加工机制作出产品,上述一系列生产环节就叫做逆向工程。

通过上面的讲解,我们会发现逆向工程的最重要的一环就是怎样通过精密的测量系统把样品的三围尺寸测量出来,并且取得各个位置的数据,最终做曲面处理及加工成型。伴随着CCD光电器件的快速发展,一种基于三角法的快速表面轮廓视觉测量技术应用而生。下图3是线结构光测量物体表面轮廓结构的示意图。

1.光源2.分拣机构3.图像采集卡4.计算机5.打印机6.显示器7.传送器8.光敏传感器

这种测量方法的原理为:平行且等距直线的振幅光栅组件被激光穿过,或者直接使用干涉仪形成直线干涉条纹,产生平面条纹结构光,然后再投射到物体表面,物体表面由于深度或者曲率的不同,会使条纹产生变化,然后再利用CCD摄像机拍摄变形的条纹,就能够分析物体表面的轮廓是如何变化的。摄像机在拍摄图像的过程中,把图像信号转化为模拟信号,再转化为数字信号,然后经过传送再还原信号到图形处理系统,就得到三维轮廓图像。

2.在自动焊接机器人中的应用

自动焊接机器人通过加装CCD摄像机、X光探伤仪、红外摄像仪等图像采集元件,具备了一定的视觉功能,从而不仅可以熟练的模拟焊接工人的视觉感知能力,而且能够完成许多由人工无法完成的焊接动作。比如获取强弧光、飞溅干扰下的焊缝图像,或是实施提取焊缝的参数,还有特殊场合比如水下太空等环境中的焊接人物,最重要的一点是,可以保证焊接质量的稳定可靠。

焊接机器人的视觉传感系统一般由以下元件组成,由光电接收单元为组件的单光点一维视觉传感;电扫描平面阵列成像的二维视觉传感;以及由多个低维视觉传感组成的三维视觉传感系统。计算机视觉在焊接工艺的的广泛运用,使得焊缝跟踪、熔池形状检测、熔透控制、焊道形貌检测与控制等领域发展迅速,不断朝着自动化及智能化的方向前进。鉴于目前先进制造对于焊接技术的严格要求,未来还必须解决机器焊接的可靠性与准确性、复杂性的需求等问题。目前国内的机器焊接在焊接参数优化、焊距位姿调整、焊缝特征识别等方面展开了细致的研究,取得了一些可喜的成果。国外一些知名焊接机器人厂家开发出具有新型视觉传感系统的焊接机器人,并成功应用于汽车、管道以及航天等领域。未来其将具有更加广阔的前景,在重型构建等高标准焊接领域将发挥重要作用。

三、总结

机械制造自动化与机器视觉技术息息相关。制造业的需求决定了机器视觉技术无限发展的可能,随着时间的推移,机器视觉技术将从过去的采集、分析、传递、判断向更为开放性的领域发展,未来机器视觉技术将和机械制造自动化进一步融合。

参考文献

[1]张建中,何永义,李军.机器人装配视觉定位应用研究[J].机电工程,201(18)

机器视觉自动检测技术 第9篇

机器视觉技术(或称计算机视觉技术)是使用计算机从一幅或多幅图像中自动获取信息、识别物体以及理解场景的技术,已广泛应用于生产的检测、检验,并在工农业领域已有了成功的应用[3,4,5,6]。目前,已有研究人员尝试将机器视觉用于鱼苗计数,以提高工作效率和准确度,具有很好的实用价值和应用前景。但目前这些方法主要采用了较为复杂的图像识别和数学建模方法,有较大的图像数据运算量[7,8]。本文提出了一种利用鱼苗图像进行鱼苗计数的方法,通过数据拟合,建立已知鱼苗数量的鱼苗图像中鱼苗所占像素点数与鱼苗数量之间的关系,从而判断实际鱼苗数,避免了复杂的图像识别技术,使计数的运算过程得到简化。在建立鱼苗计数试验系统的基础上,对本文提出的鱼苗计数方法进行了可靠性和准确性验证。

1 材料与方法

1.1 试验设备与材料

鱼苗自动计数系统如图1所示。该系统由放置鱼苗的水箱、鱼苗数字图像获取系统、计算机和图像采集系统构成。采用大恒工业数字摄像机DH—HV1303UC和日本CBC(Computar)M0814—MP FA镜头,图像空间分辨率采用800×600。从养殖场内采样的鱼苗放置在水箱内,待鱼苗分散均匀后获取鱼苗图像。以体长1.5～2.5 cm的银飘鱼鱼苗为试验对象。

1.2 鱼苗计数方法

鱼苗计数方法是利用鱼苗图像中鱼苗所占像素点数判断鱼苗数量。灰度图像是数字图像的一种二维矩阵表示方法,矩阵中的1个数据代表图像中的1个像素点。数据的值即灰度值,在[0,255]之间,0代表黑色,255代表白色。首先获取无鱼苗的背景图像,其次获取若干组已知鱼苗数的鱼苗图像,并计算鱼苗所占像素点数,而后采用多项式拟合的方法建立图像中鱼苗所占像素点数与鱼苗数量之间的关系,再获取未知鱼苗数的鱼苗图像,由该图像中鱼苗所占像素点数按拟合关系式计算鱼苗数量。鱼苗计数的流程如图2所示。已知鱼苗数的鱼苗图像和无鱼苗的水箱背景图像是用于确定图像中鱼苗所占像素点数与鱼苗数的关系,只需在第1次鱼苗计数时获取,但要保证未知鱼苗数的鱼苗图像的获取条件,与上述已知鱼苗数的鱼苗图像和无鱼苗的水箱背景图像相同。

以Matlab编写图像处理程序,具体处理过程如下:

(1)读取无鱼苗的背景图像,设有K张,记为I0k,k=1,2,3,···,K;(2)读取已知鱼苗数Nc的鱼苗图像,设有M组,每组K张,记为Imk,m=1,2,3,···,M,k=1,2,3,···,K;(3)计算背景图像与鱼苗图像的灰度差,即DImk=Iok-Imk;(4)计算鱼苗数引起的灰度变化:在DImk矩阵中,设定一定阈值,如果一像素点的灰度值超过这一阈值,则认为是鱼苗的像素点;否则,认为不是鱼苗的像素点。统计各鱼苗图像中,鱼苗像素点的数量,存储于Np矩阵中(共M×K个数据);(5)多项式拟合:将Np中的数值缩小一定倍数,使之与已知鱼苗数量Nc大致在1个数量级。对每个k,多项式拟合Nc与Np第k列的关系,将获得的多项式系数(记为pk)对应相加并除以K,即最终获得的鱼苗数与鱼苗引起的图像灰度变化之间的多项式系数,记为p;(6)读取未知鱼苗数的鱼苗图像K张,记为Iunk;(7)计算背景图像与未知鱼苗图像的灰度差,记为DIun= I0k-Iunk;(8)计算鱼苗引起的图像灰度变化,类似于步骤4),得鱼苗像素点数量矩阵Npun(共K个数据);(9)鱼苗数计算:利用步骤(5)获得的多项式系数p,由鱼苗像素点数Npun推出每张图像中鱼苗数,并求平均数即未知鱼苗数图像中鱼苗的数量。

2 结果

2.1 鱼苗所占像素点数与鱼苗数量关系

根据上节所述的鱼苗计数步骤,首先拍摄未放入鱼苗时水箱的背景照片(图3)。在水箱中依次放入5,10,15,…,40,45,50条鱼苗并获取鱼苗图像。图4为放入5条鱼苗时所拍摄到的图像。将所拍摄到的图像中的背景去除得到黑色背景的鱼苗图片(图5)(像素为800×600)。由于鱼苗具有游动性,为提高计数准确率,每次都拍摄5幅图片,并进行平均处理。图6为不同鱼苗数量所引起的图像中鱼苗所占像素点数(5组数据),为方便数据拟合处理将鱼苗所占像素点数缩小了1 000倍。从图6可见,鱼苗所占像素点数与鱼苗数大体呈线性关系。

故而,采用一次多项式拟合方法确定图像中鱼苗所占像素点数与鱼苗数量关系,即:

Np = a·Nc+b

式中:a、b是拟合系数。

根据试验所得数据(共9组,每组重复度为5),进行5次拟合,对所得一次多项式系数取平均,作为模型系数。结果为,a=1.704 1,b=7.812 0,即:

Np=1.704 1·Nc+7.812 0 (1)

对未知鱼苗数量的鱼苗图像进行相应处理,计算出鱼苗数所占像素点数Np并代入式(1),则可计算出图像中的鱼苗数量Nc。

2 鱼苗计数方法的验证试验

以45条鱼苗情况对鱼苗像素点数与鱼苗数量的拟合关系式(1)进行检验。拍摄5幅鱼苗图像,将这5幅图像减去背景后分别得到未知数量鱼苗所占像素点数,并代入式(1)中计算鱼苗数量,计算结果分别为:43.617、43.336、43.038、44.125、46.033,测量误差分别为:-3.07%、-3.70%、-4.36%、-1.94%、+2.30%。当投放入水箱的鱼苗为50尾时,计数准确率均在95%以上,计数时间在3 s以内。

3 讨论

影响鱼苗图像辩识过程最重要的是灰度阈值的选取,最佳的效果是让鱼苗的整体图像和背景图像恰好分离。过小的阈值易造成较亮背景资讯判读成鱼苗,若阈值过大,测得的鱼苗像素点数小于实际鱼苗数量所对应的像素点数。所以在拍摄时,光的照射范围需分布均匀且亮度足够以清楚分离出鱼苗。经试验研究发现,采用正面打光比背面打光效果更佳。

图像处理的正确性除了受阈值影响,鱼苗的相关位置及图像环境亦很重要,如鱼苗在不同位置的分散分布、鱼苗之间的重叠,都会对鱼苗计数的准确性产生一定的影响。这可以采取几种可能解决的方式:一是设定鱼苗体型的上限,如果像素点超过上限,即表示有至少2条鱼苗的图像重叠,但这不能判定两条或更多鱼苗的重叠;另一种是运用模板来判断鱼苗并排的图像。Paul等[9]利用类神经网络将鱼的各种形状特征和重叠情形建立不同情况的样板,但增加了图像处理软件的复杂程度。由于本试验所得到的计数准确率已符合养殖生产的一般要求,所以没有采用后一种方式。

本文提出的计数方法已由试验结果验证可行,计数时间很短,误差较小,装置简单,图像获取容易实施,能满足实际渔业养殖的需要。为进一步提高计数精度和效率,本系统将在以下几个方面进行改进:(1)建立稳定的拍摄环境,以均匀的光照、固定的拍摄高度和角度来保证图像的质量。(2)增加背景图像和已知鱼苗数量的鱼苗图像的采集量,使拟合关系式更加准确。(3)当水箱较大,鱼苗数量较多时,摄像头不能完全摄取水箱全部景象,可以分别计算摄取的图像面积和水箱中水表面的面积,通过比例计算,由图像中的鱼苗数量推算出水箱中总的鱼苗数量。另外,鱼苗在不同深度上的分散分布、鱼苗之间的重叠将会对鱼苗计数的准确性产生一定的影响。Petrell等[10]及Steeves等[11]曾利用水中的两架摄影机通过机器视觉的几何原理来解决鱼的重叠问题,但不适合养殖过程中大量频繁的计数要求。作者也正在进一步的研究,在水箱侧面另外附加摄像头,利用双摄像头拍摄鱼苗图像,通过数据处理消除鱼苗在不同深度分布的影响。

4 结论

目前在实际生产中仍缺少一种能在养殖过程中以低人力、低干扰方式对鱼苗进行计数的技术。本文提出了一种新的基于机器视觉的鱼苗计数方法,获取鱼苗图像并计算鱼苗在图像中所占像素点数,通过多项式拟合的方法得到鱼苗像素点数与鱼苗数之间的关系,按此关系式,根据未知鱼苗图像中鱼苗所占像素点数反推出鱼苗数量。该计数方法可以在鱼苗不离水的情形下获取鱼苗图像,运用自行编写的图像处理软件完成鱼苗的自动计数,试验结果计数的准确率可达95%以上,计数时间在3 s以内。

摘要：提出了一种基于机器视觉的鱼苗计数方法。对采集到的鱼苗灰度图像进行分析,通过数据拟合方法建立图像中鱼苗所占像素点数与鱼苗数的关系,并由此对鱼苗进行计数。采用常用的数字CCD摄像头,配合自行编写的图像处理软件,建立鱼苗计数试验系统。试验结果表明,点算图像内45尾、50尾鱼苗时,计数的准确率可达95%以上,计数时间在3s以内。

关键词：鱼苗计数,机器视觉,灰度图像,图像处理

参考文献

[1]陈金坤.鱼苗计数装置的探讨[J].福建水产,1997(3):77-80.

[2]黄建华.简易鱼苗自动点算系统设计[D].高雄:中山大学海洋研究所,2002.

[3]骆志坚,张宏建,漆随平,等.基于计算机视觉检测技术自动计数系统的研究与应用[J].仪表技术与传感器,2005(3):19-20,42.

[4]关君,李秀辰,刘辉.计算机监控技术在水产养殖中的应用[J].渔业现代化,2007,35(1):45-47.

[5]徐建瑜,刘鹰,崔绍荣,等.计算机视觉技术在鱼类应激状态监测中应用研究[J].渔业现代化,2008,35(3):15-18,41.

[6]黄文清,汪亚明,周志宇.计算机视觉技术在工业领域中的应用[J].浙江工程学院学报,2002,19(2):92-96.

[7]范嵩,刘娇,杨轶.图像识别技术在鱼苗计数方面的研究与实现[J].水产科学,2008,27(4):210-212.

[8]CHATAINB,DEBAS L,BOURDILLONA.Aphotographic larval fish counting technique:comparison with other methods,statisti-cal appraisal of the procedure and practical use[J].Aquacul-ture,1995,141(1-2):83-96.

[9]NEWBURY P F,CULVERHOUSE P F,PILGRIMD A.Automat-ic fish population counting by artificial neural network[J].Aqua-culture,1995,133(1):45-55.

[10]PETRELL R J,SHI X,WARD R K,et al.Determining fish size and swimming speed in cages and tanks using simple video tech-niques[J].Aquaculturial Engineering,1997,16(1-2):63-84.

机器视觉自动检测技术 第10篇

机器视觉是用机器代替人眼进行目标对象的识别、判断和测量,主要研究用计算机来模拟人的视觉功能[1]。其中图像是基本的数据结构[2]。在机器视觉中,所涉及的数字图像处理大体上可分为如下几个方面:图像的获取、图像的存储、图像的传送、图像信息的处理、图像信息的输出和显示。

其中图像信息处理是机器视觉信息处理技术的核心,主要包括几何变换、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别、图像理解等方面。由于图像处理方法应用的针对性比较强,不同的图像处理方法所获取的结果会有较大的差别。要想做精确的图像处理,首先要保证获取到好的图像,而如何获取好的图像,除了CCD数字摄像机、镜头的质量,镜头光圈的大小,型号的选择,场景照明光源的光强等等硬件条件外,选择合适的CCD参数也是必要的条件,而CCD参数中最主要的是曝光时间参数,所以选择这些CCD参数的算法也可以称为自动曝光算法。

2 算法原理

一般来说CCD摄像机输出的视频信号幅值(电压值)除了与光强(实际的使用环境或辅助光源)和镜头光圈的大小(光圈大小属于手动控制)有关外,还与CCD所选择的曝光时间和信号增益有关。

所谓视频信号幅值是对图像曝光能量的反映,当光通量足够时(光圈较大或照明光较强),CCD曝光充足,输出电压幅值可以达到满幅度;当光通量不够时,CCD曝光不足,输出电压的幅值则降低。因为这个能量是在曝光过程中传感器上感光单元累计得到的[2],所以在其它同等的条件下,时间越长,累计的能量越多,这样曝光时间就可以反映曝光能量。信号增益是视频信号调理电路的增益,自然会直接影响视频信号幅值。

显然,在实际使用中场景的光强和镜头光圈的大小不能方便地实现自动控制,而CCD摄像机的曝光时间和信号增益一般都可以通过软件方便地实现控制。自然就可以想到在固定场景光强、光圈大小下通过控制曝光时间和信号增益来得到最好的视频信号,从而得到此硬件条件下最佳的图像。

于是可以用程序不断修改曝光时间和信号增益得到最好图像,来测试得到最佳参数,可是怎么判断图像质量的好坏呢?

对于图像,人眼主要对颜色(主频率)、亮度和光的纯度(饱和度)这三个基本感觉做出反应[3],但亮度基本是针对彩色图像而言的,在灰度图像中,灰度和亮度可以看成同一个意思。而在机器视觉中大部分使用的是灰度图像,所以其中灰度是要考察的主要参数,它对应全部光能。

图像灰度级如果分为为256级(0~255),在认为中间为最佳区域的情况下,可以将像素的亮度分布分为5个区间:很暗区间[0,69],较暗区间[70,102],正常区间(最佳区间)[103,154],较亮区间[155,180],很亮区间[181,255]。预设灰度中间值为128(根据图像的实际情况也可以选定其它值)、正常区间(最佳区间)的灰度级[103,154],它占总灰度级的20%。图像的平均灰度处于最佳灰度区域内时,图像质量相对好。

当然这说的是一般认为的最佳区间的划分,实际工作中要根据不同的实际应用来确定一个合适的平均灰度的最佳区域,但不管怎样,可以认为只要图像到达某个最佳区域,就基本可以得到所需要的质量较好的图像。

动态分布指的是拍摄对象的亮度范围——对象里最暗点到最亮点的亮度跨度。大动态范围的场景里,最亮部分与最暗部分相差特别大,画面的对比度高,层次丰富。而小大动态范围多数对象的亮度都差不多,画面对比度低,容易表现出暧昧、朦胧的画面感觉。

所以,一般来说,认为好的图像的平均灰度要在一个合适的区域,直方图灰度级动态分布要相对较大。在理想状态下直方图灰度级动态分布在灰度级的90%(256×90%=230)以上是比较好的,当然实际可能达不到这个数字,需要根据实际情况来决定百分比。

判断的原理就是选择不同的曝光时间和信号增益计算它们的平均灰度和动态分布,选择其中平均灰度符合最佳区域,而动态分布符合要求且最大的相对质量最好的图像,其对应的曝光时间和信号增益作为结果。而这两个判断条件中平均灰度符合最佳区域是主要的判断条件。

3 算法实现方法

由原理可知,这是通过实验求得最佳CCD参数的方法。理论上可以把所有可能增益、曝光时间的组合都进行实验再比较出其中最好的结果。

但实际上因为每次实验都要修改参数,从实验中发现,如果修改参数后马上拍摄,很可能得到的图不是刚设置的参数条件下拍摄的正确图像,必须停一段时间再拍摄才得到正确图像,这样每一次实验需要耗费的时间就不少了。如果再对所有增益、曝光时间组合都进行实验,计算时间太长,不现实。比如使用的MVC1000的CCD,增益范围是1~63,曝光时间范围是1~5190,就要做5190×63=326970次实验,假设每次实验需用1秒,总共就要超过90个小时才能完成,这个时间消耗太大。所以实际都按一定的步长来选择增益和曝光时间来实验。

先说增益,只有当曝光时间较大时,信号增益的变化才对图像灰度均值的变化有较大影响;如果曝光时间很小,调整信号增益对图像的灰度均值变化影响很小。也就是说,在曝光时间和信号增益两者之间,曝光时间才是图像亮度的决定性因素,而信号增益只是对图像亮度进行微调。所以可以按一定的步长固定几个有限的增益来实验,比如可以选择只做10~60之间均匀等差的6个增益来做实验。当然也可以根据最后曝光时间的结果可以选择限制增益。举例来说,发现增益越小时符合要求的曝光时间越大,这样CCD工作时间会长,致使运动时CCD镜头呈现慢动作的现象,为减少此现象可以通过适当提高增益值,保证结果的曝光时间大致在合适的范围。

对曝光时间,如果使用固定的步长,这个步长的设置就很难确定,步长太大,可能会使程序错过最佳的曝光时间;太小,又达不到缩短程序运行时间的目的,所以可以使用某种动态调整步长的方法。所谓动态的调整方法就是平均灰度离最佳区域远时,使用较大的步长,当平均灰度接近最佳区域时,就减小步长。

下面曲线图是在某个确定增益下平均灰度和动态分布与曝光时间的曲线变化图,从中可以发现平均灰度和动态分布与曝光时间的关系基本是线性变化的。这样在实际程序中,就可以按照平均灰度与曝光时间的斜率来调整步长。

假设在某个确定增益下平均灰度的斜率为k1,动态分布的斜率为k2,当前曝光时间为e,计算出的当前参数下拍摄图像的平均灰度是aveG,动态分布为dynG,而最佳灰度区间是[bestMin,bestMax],动态分布的阀值是dynThreshold,这样当平均灰度没到达区域时求动态步长的计算为:

if(aveG>bestMax) Step=(best Max-ave G)/k1;If(aveG

满足平均灰度但动态分布小于阀值时

Step=(dynThreshold-dynG)/k2

但是为了保证不错过最佳区间,可以把步长稍做调整,比如可以只用一半,修正步长Step:

Step=Step/2;

到完全满足平均灰度和动态分布条件后,可以直接找下一个增益。

当然为了得到更精细的结果,也可以在满足条件后,继续细找本增益条件下其它更好的参数,由于动态分布是越大越好的,所以可设步长为正数。因为已经在范围内了,步长不能太大,要想不错过就用1,但实际上没必要(曝光时间变化这么小一般动态分布也没什么变化),可以定为3或4。在同一增益下完全满足过一次条件后,如果后面又出现不符合平均灰度条件的参数或曝光时间等越界,就可以不再细查进入下一个增益的查找了。

另外为防止出现死循环,同一增益条件下,只要满足过一次最佳区间的条件,再次出现不满足的情况也直接当成曝光时间越界处理,进入下一个增益的查找。

4 程序实现

4.1 流程图

自动曝光算法的大致流程如图3所示。

4.2 阀值调整

当然上面所说的平均灰度最佳区间和直方图灰度级动态分布的阀值百分比一般不能是固定的,需要进行动态调整,具体的取值与实际应用有关。一般来说应该是选择几幅人工认为质量较好、较符合实际应用的图像,测试它们的平均灰度和动态分布的大小,以便设置最合适的最佳区间和动态分布的阀值百分比。

5 结束语

本文介绍的是通过对平均灰度和直方图灰度级动态分布的判断来实现自动选择CCD的曝光时间和增益参数,以求得最佳图像的方法。当然有不少CCD本身自带了自动曝光的函数,但一般是在固定增益的情况下的自动曝光。本文增加了增益的改变,采用动态步长加快了运行速度,而且多了一些范围、阀值、比例的设置可以更灵活地使用,更适合实际应用的要求。

摘要：介绍一种机器视觉中使用的为获得最佳图象通过自动调整得到最佳曝光时间和增益参数的自动曝光算法,并说明原理、方法和编程流程。

关键词：机器视觉,曝光时间,增益,平均灰度,直方图,动态分布

参考文献

[1]韩九强.机器视觉技术及应用[M].北京:高等教育出版社,2009.

[2]Carsten Stegger,Markus Ulrich,Christian Wiedemann.机器视觉算法与应用:双语版[M].北京:清华大学出版社,2008.