基于机器视觉的尺寸测量系统设计与实现

摘要尺寸测量作为工业流水线中有着至关重要的地位。在生产过程中不可避免会产生零件的缺陷与瑕疵，这时就可以通过对产品尺寸的测量来把控工件的质量以及及时区分出劣质与不合格产品。传统人工测量法精确度低、效率低，已不符合自动化工业流水线的要求。而机器视觉有着高效率、高精准度等特点，已在自动检测领域独占鳌头。本文主要研究的内容为基于机器视觉提供一套平台系统用于对工件尺寸进行识别。首先对图像的噪声及降噪进行研究，分析图像噪声类型以及对比不同滤波方法对不同种类噪声的降噪效果。然后就本次实验的具体图像的噪声类型提出一种自适应中值滤波器进行滤波。 其次是边缘提取，本文基于Canny算子提出了一种优化的边缘提取算法。即将Canny算子中的高斯滤波依据主要使用场景改为中值滤波，以及基于局部的梯度确定高低阈值。 在尺寸识别中还有一个重要的内容就是圆的识别。本文运用的原理是霍夫圆检测，在边缘识别之后用Sobel算子进行卷积，并沿梯度方向遍历边缘点，计算霍夫坐标系中相交的点并设定阈值，大于改阈值就将它认作为是圆。 最后搭建了尺寸识别系统平台，并对实验数据进行分析，均能满足生产需求。关键词：机器视觉；尺寸测量；边缘提取；亚像素

AbstractDimensionalmeasurementhasacrucialroleintheindustrialassemblyline.Inevitably,defectsandflawsintheproductionprocesswillbegenerated,sothemeasurementofproductdimensionscanbeusedtocontrolthequalityoftheworkpieceandtodistinguishbetweeninferiorandsubstandardproductsinatimelymanner.Thetraditionalmanualmeasurementmethodhaslowaccuracyandlowefficiency,andnolongermeetstherequirementsofautomatedindustrialassemblylines.Machinevision,withitshighefficiencyandaccuracy,hastakentheleadinthefieldofautomaticinspection.Themainresearchofthispaperistoprovideaplatformsystemforworkpiecesizerecognitionbasedonmachinevision.Firstly,thenoiseandnoisereductionoftheimagearestudied,andthetypesofimagenoiseareanalyzedaswellasthenoisereductioneffectofdifferentfilteringmethodsondifferentkindsofnoisearecompared.Thenanadaptivemedianfilterisproposedforfilteringthenoisetypeofthespecificimageforthisexperiment.Nextisedgeextraction,andthispaperproposesanoptimizededgeextractionalgorithmbasedontheCannyoperator.TheGaussianfilterintheCannyoperatorischangedtoamedianfilterbasedonthemainusagescenario,andthehighandlowthresholdsaredeterminedbasedonthelocalgradient.Anotherimportantelementinsizerecognitionistherecognitionofcircles.Inthispaper,theprincipleofHoughcircledetectionisapplied.Aftertheedgerecognition,theSobeloperatorisusedtoconvolveandtraversetheedgepointsalongthegradientdirection,calculatetheintersectingpointsintheHoughcoordinatesystemandsetthethresholdvalue,andrecognizeitasacircleifitislargerthanthechangedthresholdvalue.Finally,theplatformofsizerecognitionsystemisbuiltandtheexperimentaldataareanalyzed,allofwhichcanmeettheproductionrequirements. Keywords:Machinevision;dimensionalmeasurement;edgeextraction;subpixel

目录摘要 IAbstract II目录 III第一章 绪论 11.1 引言 11.2 研究背景 11.3 研究现状 31.4 论文结构 4第二章 尺寸测量系统框架设计及图像预处理 62.1 尺寸测量系统的框架设计 62.2 图像的存储格式 72.2.1 JPEG图像存储格式 72.2.2 BMP图像存储格式 82.3 图像预处理 102.3.1 图像降噪 102.3.2 自适应中值滤波器 122.4本章小结 14第三章 轮廓提取以及尺寸测量算子 153.1 需求以及难点分析 153.2机器视觉测量方案 163.3 改进的Canny边缘提取算法 173.3.1 轮廓边缘检测 173.3.2 边缘检测算子 193.3.3 改进的Canny边缘提取算法 203.4 圆识别算子 243.4.1 霍夫直线变换 253.4.2 霍夫圆变换 263.5 本章小结 27第四章 尺寸测量与系统的搭建 284.1尺寸测量算子 284.2尺寸测量算子 29结论 341. 论文工作总结 342. 工作展望 34参考文献 35致谢 37第一章绪论1绪论引言实业强国，制造业一直是衡量一个国家综合实力的重要标准之一，更是国民经济的主体，是立国之本，强国之基。自18世纪中叶工业革命以来世界各个强国以及中华民族屈辱的近代史无不证明了没有强大的制造业就没有民族的复兴与国家的兴盛。自改革开放以来我国制造业急速发展，2015年又提出了“中国制造2025”的宏伟计划，中国制造业的发展全世界有目共睹。图1.1随着中国机械制造业高速度高质量的发展，工厂对于流水线加工零件的质量以及要求也日益精益求精。图1.1展示了零件加工和检测的现场。在流水线各个工序之间及时进行零件的检测，可以及时识别出残次品以避免进入后续流程，从而提高生产效率，降低加工成本；在出厂前进行也要进行检测，用以确定零件各项参数指标是否合格，能否作为合格产品出场。一个零件造成巨大灾难的情况已经屡见不鲜，美国“挑战者”号宇宙飞船爆炸事件被认为是人类太空探索最大的灾难之一。研究背景随着中国制造业的不断发展，对制造业的要求也在不断提高。随着工业朝着智能化、自动化的方向不断发展，这同时要求在零件生产方面对其的检测与测量环节也必须更加精准。工业上最早使用的测量方式是人工测量，用机械式测量工具如游标卡尺、千分尺等。后来出现了一批光学测量工具如三坐标测量机。但这种传统的人工测量方式受制与工具的精准度以及人为因素干扰等原因，在精度以及效率方面都极其低下。随后上世纪30年代出现电学测量工具，50年代出现数字式的坐标测量工具均使制造行业在测量方面的效率急剧提升。50年代后基于计算机技术的迅猛发展，测量工具进入到计算机辅助阶段，自动化水平与智能化水平都急剧攀升，无论是大尺寸还是小尺寸，低精度还是高精度，计算机辅助尺寸测量都独占鳌头。且随着大规模自动化流水生产线的生产速度越老越快，产品的精度越来越高，都对尺寸测量提出了新的要求与挑战。图1.2欧美等国家自工业革命以来在自动化检测领域探索数十年，推出了诸多高端检测设备如三坐标测量仪（如图1.2所示）.这类测量仪器精度高但需要专业人员进行使用且购买价格机器昂贵并且检测效率低下，致使大部分企业难以普及，也难以适应高速大批量流水线生产的测量需求。零件尺寸的测量均可通过三坐标测量机等高端设备进行检测。使用传统工具进行人工检测，适用于精度、效率要求不高的小企业。这类方式的优点是成本低，无需部署环境即可随用随测；缺点是需要有经验的工人，且环境以及人为因素对检测的结果有很大的影响，且如果生产线规模想要扩大或者生产效率想要提高，人工测量的方式很难满足需求。使用高端检测设备，适用于检测要求高、资金充足的大型企业。其优点是精度高、速度快、稳定性好；缺点是设备昂贵，且亦需要专业的操作人员，且对工作环境的要求较高。分析上述内容可知，现有的测量方法有着诸多缺点，而随着生产规模与数量的不断提升，检测的自动化是必须的，因此有必要研发泛用性强且高效率、低成本的检测系统。OpenCV作为一个开源视觉库具有免费、易用等特征，但是使用OpenCV需要专业的开发人员来开发并调试，对普通的工厂来说过程缓慢且耗资严重。本项目的目的就是构建一个基于opencv的尺寸测量系统并搭建使用者友好型的UI来使企业易上手、低成本地使用。研究现状目前国内外对于零件轮廓尺寸测量的研究主要向着简单化、自动化的方向开。目前学术届提出了许多自动化的测量新方法。航天科技集团公司的李树波利用自准直仪实现了孔轴线垂直度、块类零件相邻面间垂直度的快速检测，并分析了自准直仪检测过程中的误差来源及其控制方法[1]。四川高温合金切削工艺技术工程实验室的吴廷婷等通过激光跟踪仪实现了对大型导叶圆柱度和全跳动公差的测量，其测量精度达到±10μm[2]。合肥工业大学的曾昊提出使用接触式位移传感器，通过4-EST技术萃取出零件被测界面的最小二乘圆心，并通过网格搜索法计算出符合最小包容原则的圆柱度误差[3]。辽宁工程技术大学的王天煜利用激光衍射方法获取待检零件表面数据，建立了评定形位公差的数学模型，实现了对回转类零件形位公差的综合评定[4]。中科院长春光学精密机械研究所的宋甲午等提出利用激光狭缝扫描原理以及光电传感技术对大型回转零件的圆度误差进行非接触式测量，并研究了工件安装偏心误差的分离方法[5]。吉林大学的周晓东在MauriceXavier等人的研究基础上，提出通过线结构光测量技术，建立回转零件圆柱度误差的测量模型，其测量结果与圆柱度仪的结果具有很好的一致性[6-8]。StanisawAdamczak等根据磨擦生热原理,利用红外线技术测量运动中配合件外表面温度分布来评价工件的圆度误差、波纹度误差等,用于监测工件的使用状态[9]。JungChulLee等提出了一种改进的反操作技术，通过在滚筒车床的滑道上安装一对电容式位移传感器，成功测量了大型轧辊工件直径、圆度、平面度等参数[10]。MarcinBBauza等提出了一种实时接触式的高频率圆度误差在线测量的技术，将轮廓仪应用到圆度误差测量中，其测量精度高于0.5μm，测量时间为1s，但受实验台和测头的尺寸限制，只能用于测量小型零件[11]。 综合以上文献分析，当前国内外学者对零件轮廓尺寸测量技术的研究顺应了传统工业向现代化转型的趋势。传统工业中对工人的检测技能要求较高，而如今测量设备的使用难度逐渐降低，其重难点在于获取测量数据的方法以及设计数据的处理算法。激光、结构光、机器视觉等技术因其高精度、非接触的特点在当下检测领域中占据了重要地位，研发基于以上技术的测量设备和相应算法是未来的主流方向。在零件轮廓尺寸的视觉测量过程中，预处理即滤波降噪很关键，由于数字图像处理对噪声异常敏感，而噪声在图像的拍摄、传输过程中又不可避免地产生。故如何将噪声的像素点去除同时不影响本来的检测精度是很重要的问题。边缘提取是图像处理中最基本也最重要的问题之一，著名的边缘提取算子有Sobel、Prewitt、Roberts、Laplacian、LoG、Canny[13]等，针对不同图像各有其适用场景。然而上述边缘识别算子提取的边缘都是基于像素的，但在实际情况中拍着图像的传感器具有一定的尺寸，获得的图像边缘不一定位于原传感器像素边缘处，这就可能会产生误差。为解决此问题，国外学者，Hueckel首次提出基于矩提取亚像素边缘的算法[14]，随后Tabatabai提出一种利用前三阶灰度矩进行亚像素边缘提取的算法，此后利用空间矩、Zernike正交矩的方法也相继被提出。随后又有诸多学者在此基础上进行了改进和优化，使得边缘提取的精度在以往的基础上得到了很大的提高。通过以上文献可知，机器视觉在零件轮廓测量领域的应用和研究进行的如火如荼，国外由于在视觉领域起步更早，其相关技术已经趋于成熟，各种基于机器视觉的测量设备相继推出，并得到了广泛应用。国内也有很多企业和机构研究了试验机，但市场上成熟的产品还很少，更多的是针对特定测量对象研究相应算法来提高测量精度。本文结合当前已有的测量技术和算法，针对小型零件轮廓尺寸，提出了几种改进的测量算法，并应用到具体零件的测量上，得出了符合测量要求的结果。论文结构本文主要研究的内容为零件的轮廓尺寸的测量。通过搭建测量系统平台应用机器视觉相关技术对输入图形进行处理以获得准确的边缘信息，并对识别结果进行定量评测。以下是本文的主要内容。第一章：绪论。介绍本次实验的应用场景以及研究的意义，给出目前边缘提取的研究现状以及机器视觉在该领域的应用以及常用算法，最后给出本文的结构。第二章：尺寸测量系统框架设计图像的预处理。研究常见的图像格式如bmp、jpeg，研究常见的图像噪声来源以及表现形式，分析各种降噪方式对不同种类噪声的滤波效果，并具体分析本次使用场景的噪声形式以及最适合该场景使用的图像预处理方式。第三章：图像边缘提取方法的研究。介绍几种不同的边缘识别算子如Roberts算子、Prewitt算子、Sobel算子和Laplacian算子[13]，并给出其优劣。然后提出了一种基于canny算子的自适应双边滤波以及自适应高低阈值的边缘识别方法。然后使用该方法先进行零件边缘的像素提取，再基于这些像素边缘进行亚像素边缘提取的算法最后研究了基于霍夫直线变换的圆的提取。第四章：在边缘提取的基础上进行测量系统的搭建并设计UI界面以降低使用难度。该部分完成了基于前述的算子而搭建成的具有UI的应用程序，并完成了最终尺寸测量的目的，UI界面使得该系统易上手、易部署，用以降低企业成。结论：总结与展望。本部分总结前述基于机器视觉的小型零件轮廓尺寸测量算法及测量结果，分析测量系统尚存的缺陷和不足，为后面继续进行算法的优化及视觉测量设备的设计提出展望。尺寸测量系统框架设计及图像预处理尺寸测量系统的框架设计一个合格的成熟系统需要有自己的架构框架，每个模块之间的耦合度要低，可以独立运行，从底层到上层要层层递进。优秀的架构设计可以分解并解决子问题，降低一整个软件实现的难度，并在每个层次都有向上封装的接口，并且对上层是透明的。基于此，本文将尺寸测量系统设计为4层架构：第一层：底层依赖库。OpenCV（OpenSourceComputerVisionLibrary）是一个开源的跨平台计算机机器视觉库，它的商业使用或者非商业使用都是完全免费的。OpenCV有c++版本和python两个版本的API可供调用，就接口的调用来说二者没有区别且在OpenCV这一层的执行效率完全相同。Python版本基于其丰富的第三方库以及机器学习非常适合搞研究，但是对于工业上的应用来说python的打包发行版由于以来的第三方库较多故发型版包较大，对存储容量是一个考验；且由于python解释型语言的限制，其执行效率比c++低很多，故本次实验选取了opencv-c++版本。第二层：预处理层。图像的预处理是边缘提取之前很重要的一个部分。受限于图像拍摄工具以及传输的限制，不可避免图像会产生噪声。用滤波进行降噪可以很好的降低后续边缘提取的瑕疵。常规图像的RGB色彩空间对计算机来说不易于进行边缘的提取，所以灰度化以及二值化也能为后续边缘的提取做好铺垫。其中自适应的中值滤波为基于此次实验场景提出的一种新型滤波方式，可以基于图像的梯度变换中值滤波的核的大小。第三层：封装算子层。此层为整个系统最关键的层，该层在图像预处理的基础上进行边缘的提取，提出了一种基于canny算子的自适应高低阈值的优化canny算子，在经验选择高低阈值的基础上进行了数学优化。霍夫圆检测基于霍夫变换，将普通二维坐标系变换进霍夫坐标系以选择圆的点。尺寸测量即在边缘提取的基础上遍历每一个轮廓，以图片的像素信息可以很容易地得到相应的轮廓像素信息，如果想要得到具体的单位信息就必须有输入像素与尺寸的比例尺。一方面可以直接输入实际长度：像素数，另一方面可以将一个已知物体（如一个硬币）放入图中作为参考。第四层：前台界面GUI。在边缘提取的基础上进行测量系统的搭建并设计UI界面以降低使用难度。该部分完成了基于前述的算子而搭建成的具有UI的应用程序，并完成了最终尺寸测量的目的，UI界面使得该系统易上手、易部署，用以降低企业成。图像的存储格式本次实验的应用场景图片来源是工业相机上拍摄的bmp位图，然而在测试系统功能时常常需要从网络上下载图片以供测试，但是在测试时发现网络常见图片为JPEG格式，且文件大小与bmp位图有着很大区别，并且在进行计算机处理时JPEG存储的边缘信息常常没有bmp位图丰富。故本节的内容为研究bmp位图与网络常见的JPEG格式图片的区别以及各自优缺点。JPEG图像存储格式JPEG（JointPhotographicExpertsGroup）格式是最常用的图像文件格式，后缀名为.jpg或.jpeg。它是一种由压缩的数字图像的存储方法，由国际标准化组织（ISO）制订，是一种图像有损压缩的格式。JPEG在网络传输中有着最高的使用率，其原因就是其具有高压缩的特点，大部分的压缩比例在10：1到50：1，也就意味着一张100KB的图片压缩过后可能之后2KB，在网络传输中可占用极低的带宽传输同一张图片效率极高且对服务器的存储压力小了很多。但也正是因此就不可忽视JPEG的缺点：压缩的时候图像会不可避免地受损，难以显示高分辨率的图像。对于计算机数字图像处理来说很容易将一些重要的像素压缩损失掉。从上面的结论不难看出，尽管JPEG格式的图片在网络传输以及存储方面有着极大的优势，但是其对图片进行有损压缩的特点使得它无法成为尺寸测量系统的图片存储格式。BMP图像存储格式BMP取自位图Bitmap的缩写，也可称为DIB（Device-indepententbitmap与设备无关的位图），是一种独立于任何存储设备或显示设备，直接按图像的位保存与显示的一种图像格式。BMP文件是完全不压缩，按位保存的，所以它比同一幅图的JPEG格式要大很多。例如，一个8129×1856的8位要占14.5MB的存储空间，对存储设备、显示设备、内存以及计算机的处理能力都有较高的要求。以下是BMP的四部分结构，分别是：文件头、信息头、调色板以及存储矩阵。第一部分是位图文件头BITMAPCOREHEADER，它占一个固定的长度为16B。它的作用是指定文件头、信息头和调色板的大小，其结构如下所示第二部分是位图信息头BITMAPINFOHEADER，它的长度为40B，其中包含的信息如下：第三部分是存储颜色信息的调色板，一个位图每个像素有几位就是再次存储。在处理器显示图像的时候读取调色板来对相应的颜色进行处理。第四部分就是用来存储图像数据。其本质是一个数组，保存了图像中的每个像素的每个位的信息。图2-1位图的存储格式BMP的文件结构如图2-1图2-1位图的存储格式由上可知：bmp位图存储了每一个像素点的信息，没有压缩与损失，故非常适用与数字图像处理。故本次实验选取的电极片的图像信息都是bmp位图图像预处理工业上使用相机进行拍摄的工件图像往往不能直接用于计算机处理，其原因诸多：多种采集相机的通道数不一样，故输出的图像的位深也不一样，在计算机针对边缘以及尺寸进行处理时，图像的色彩信息可以忽略，且多余的色彩信息会严重降低计算机的处理速度，故对图像进行灰度化降低图像的位深以除去多余信息以及降低处理难度。图像的色彩由RGB组成（red、green、blue），这三个颜色成为三基色，可以通过控制每个基色的分量来组成不同的颜色。例如一个彩色图图像如果有24位那就意味着RGB每个分量为8位，最总就能生成224=16M种颜色。在opencv中用三个row*col的矩阵来存储一副彩色图像。灰度图即图像的每个像素只有一个通道，如这个通道有8位则灰度最高255为白色，灰度最低0为黑色。彩色图像的灰度化有均值灰度化以及甲醛灰度化，加权灰度化对三个通道添加不同的权值，处理后的效果最好，本次实验将采用这种灰度化处理彩色图像。二值图即每个像素只有一个通道且只有一位，1表示白色，0表示黑色，没有颜色过度。二值化后的图像在像素突变点的梯度为最大，其余处均为0，故在边缘提取时转化为二值化图像将会有很好的效果噪声在图像中常常表现为像素值的梯度骤增，该特点与边缘的像素特点相似，所以如何在降噪的同时不损失边缘的准确度是一个很关键的问题图像降噪图像噪声往往来源于成像系统、传输系统等，是一个不可预测的误差。且噪声在像素梯度变化形式上与边缘的突变相似，故如果要准确提取边缘就必须对图像进行降噪，且在降噪的同时尽量少的损失目标边缘信息。噪声主要分为高斯噪声、泊松噪声、乘性噪声与椒盐噪声，图2-8分别展示了四种不同的噪声类型图2-8图2-8a为原图，b为高斯噪声，c为泊松噪声，d为乘性噪声，e为椒盐噪声目前在图像降噪方面多使用图像滤波来完成，图像滤波除了要去除图像中的噪声以外还有一个很重要的方面就是保证图像本来的边缘像素信息不被破坏，因为噪声的梯度特征与边缘的梯度特征很相似。目前常见的滤波方式有三种：均值滤波、中值滤波、高斯滤波。滤波的基本原理就是用一个卷积核对原图像进行卷积，如下图所示，不同的滤波的区别也仅仅时卷积核的不同。自适应中值滤波器本次实验场景的电极片的噪声主要是如图所示的椒盐噪声。分别采用三种滤波算法对图像进行滤波，均采用核为3*3对原图像进行卷积，滤波后的初步效果如下图所示：对滤波结果进行分析可知，三种滤波算法均对图像的校验噪声有很好的降噪效果，但是均值滤波和高斯滤波都对图像明显的边缘模糊化了，这对后续的边缘提取非常不利，丢失了边缘信息。故本次实验采用中值滤波.但在该次实验场景下有些图片会产生密度不同的椒盐噪声，这就产生一个问题：如果卷积核较小那么虽然能在噪声稀疏的地方很好的保留边缘的细节，但是在噪声密集的地方对噪声的去除效果就很不好；如果卷积核较大那么虽然在噪声密集的地方降噪效果很好，但是在噪声稀疏的地方将会对边缘信息造成很大的模糊。故基于此问题提出了一种自适应中值滤波器，判断当前卷积窗口内的噪声密度，在密度大的时候增大卷积窗口，密度小的时候减小卷积窗口。该算法流程如下：其中Sxy表示滤波卷积核的初始大小，Zmin，Zmax，Zmed分别表示Sxy中灰度值的最小值、最大值以及中值，Smax为设置的最大卷积核大小，Zd为输出的代替Sxy中心像素值的值。下面为自适应中值滤波以及固定卷积核中值滤波对不平衡密度椒盐噪声的去除效果可以看出虽然固定卷积核也能较好的去除噪声，但是边缘信息已经模糊了很多，不适合接下来边缘提取的工作2.4本章小结本章给出了本次实验的软件架构，对一个大目标进行了解析，将整个系统分为四个层次，各个层次之间功能分明，耦合度低。研究了测试集使用的jpeg图片与工业拍摄的bmp图片的区别，对计算机处理的图像有了更深一步的了解。研究了本次实验场景下的噪声类型以及三种主流的图像滤波算法对本次实验噪声的降噪效果以及对边缘的保留效果。最后提出了一种自适应卷积核大小的中值滤波算法，针对该种场景下拥有优秀的降噪效果同时很好保留了图像的边缘信息。轮廓提取以及尺寸测量算子需求以及难点分析本文的研究内容是测量电极加工中电极片的长宽、极耳的长宽、涂布宽度，以及pcb电路板中零部件的测量如下图所示。主要需求有：精度需求。电极片的尺寸在100-500mm，pcb电路板中零部件的尺寸在10mm-1000mm；企业常用的加工精度等级为IT5-IT12，在此精度下药达到的尺寸及形位公差数值通常为1mm-2mm。准确度需求。衡量精准度需要有标准的值来与测量值进行对比。本文使用的标准值为手工千分尺的测量，误差在0.001mm以内。效率需求。在精度与准确度满足的前提下在流水线上的检测也要对效率提出高需求。要求其每幅图皮的处理时间在1s之内。、操作简单化需求。本实验的最终目的就是为打造一个visionpro、halcon等机器机器视觉测量软件的平替以满足小型企业的成本控制，因为visionpro、halcon等机器视觉系统一台机器就要几万元，令多数中小企业望而却步。不仅如此，该类软件也需要专业的人员操作，人员的培养对于企业来说也是一笔不小的开销。即本系统在低成本的同时也要提供操作简单的GUI界面，以供企业使用人员简单操作即可完成多项功能的使用。主要的技术难点有：测量的精度达到毫米级，要求的处理时间短。这对计算机硬件以及算法的时间复杂度都提出了很高的要求。测量的种类多，不但有长宽比例接近的矩形，也有长宽比相差很多的细长矩形，还有圆形零件，都会使得提取以及测量的算法的设计变得更加困难。实现的功能多。对不同图像的滤波选取需求、定位精准度的调节、轮廓的显示、尺寸的测量等多种功能的实现都会使得系统的设计复杂度骤增。3.2机器视觉测量方案 基于上述对需求以及难点的分析，设计了一下的测量方案，总共分为三大步骤：对图像进行预处理，灰度化、二值化、滤波降噪。此步的目的为对原图的信息进行增强以及过滤掉无关以及干扰信息，从而为后续的处理做铺垫。在上一章中对比了各个滤波算法以及本次实验场景的噪声，故选择自适应中值滤波作为滤波器对原图进行预处理。提取图像的边缘，直线边缘、圆边缘。首先比较常见的边缘提取算子如sobel、Prewitt、Laplacian，发现它们虽然能够在一些情况下识别处边缘，但是对比边缘的定位不精准，对噪声非常敏感，且很多时候会非常模糊，甚至会损失掉一些重要的边缘。而canny算子有着对噪声很好的包容以及对边缘提取的连续性优秀等特点但其本身固有的高斯滤波不适用于本次实验场景下的降噪，以及其高低阈值的选择大多基于经验。于是在此基础上提出了基于canny算子的自适应高低阈值的新算子，并对其进行了封装。圆的提取使用霍夫圆检测，将普通直角坐标系变换进霍夫坐标系中计算交点的数量来确定圆。在提取边缘的基础上计算区域的尺寸。在提取出边缘后遍历每一个轮廓，以图片的像素信息可以很容易地得到相应的轮廓像素尺寸信息，如果想要得到具体的单位信息就必须有输入像素与尺寸的比例尺。一方面可以直接输入实际长度：像素数，另一方面可以将一个已知物体（如一个硬币）放入图中作为参考来计算物体的实际长度。下图为流程图改进的Canny边缘提取算法轮廓边缘检测人眼分辨一个物体就是基于其轮廓，机器视觉进行轮廓检测也是基于对边缘的提取。图像的边缘可以分为两类：一类是阶跃边缘，另一类是屋顶边缘。前者在边缘两边会有很明显的像素值变化，后者边缘本身与旁边的像素值很明显，但是随后又会回归到原来的像素值。如下所示数字图像处理可将图像看成一个非常复杂的离散值的函数，则边缘的位置就可以看成是函数值发生突变的地方，则分析图像的边缘就可以看成对函数进行求导，对离散函数的求导微分又叫差分，基本定义式如下：f上式为一元差分算子，在图像二维上可以对x与y方向分别求偏导。由此需求有比较好用的边缘检测算子如Sobel、Prewitt、Laplacian等。边缘检测算子1.Sobel算子Sobel算子本质是两个一维3*3差分算子[13]，分别在x和y方向对像素进行求导，实际上就是用一个卷积核对原图像进行卷积，卷积核对四邻域内的权值不同。然后改检测算子对图像边缘具有一定的平滑效果，所以不适用于精度较高的边缘提取。2.Roberts算子Robert算子也是一阶微分算子，采用两个2*2卷积核直接用对角线的像素点对与那图像进行卷积。由于该算子的卷积核小，所以对噪声异常敏感以及只能检测边缘较为明显的图像。3.算子Laplacian算子利用图像边缘的一阶导数是极大值，则二阶导数就是0这一特性对图像边缘进行提取[14]。但也正是因为计算的是二阶导数，故丢失了一阶导数的方向性且对图像噪声异常敏感，但优点就是对边缘的提取较为准确。下面是其数学计算：∇Laplacian卷积核如下：以下是应用三种边缘提取算子的处理结果。结果很明显的显示，虽然各个算子均能大致检测出边缘轮廓，但是有些地方对噪声异常敏感，把本应作为噪声忽略的像素作为边缘提取出来，以及很多边缘不连续，精准度很差。这些缺陷都对后序的处理产生了困难。改进的Canny边缘提取算法虽然以上一种算子原理简单、计算简单，但是其结果总是不那么使人满意。在此基础上，JohnF.Canny在1986年提出的Canny边缘提取算法[15]至今仍然是最优的方法之一。在边缘提取的算子评价上有以下三个指标尽可能多的检测到目标边缘，同时将非目标边缘过滤掉。检测准确，提取出的边缘要在原图像边缘的中心位置。每个边缘只检测一次，不重复检测。基于这三个指标，canny算法首先使用高斯滤波对图像进行降噪处理，然后对图像进行卷积计算图像的梯度和梯度方向，同时对梯度进行非极大值一直，从而精准检测边缘，最后通过设置高低阈值，将高于高阈值的点设置为确定边缘点，低于高于之但高于低阈值的设置为待选择点，低于低阈值的舍弃。在带选择点中如果该点与某个确定的边缘点连续，则判定该点也是边缘点，其余的舍弃。Canny算子的具体步骤如下：通过在上一章讲述的高斯滤波器对图像进行预处理，最大程度降低噪声对结果的干扰。利用Sobel算子计算图像在x与y方向上的梯度，并通下式计算梯度强度和方向。其中，𝐺𝑥为水平方向梯度，𝐺𝑦为垂直方向梯度，G为梯度强度，𝜃为梯度方向。G=对梯度进行非极大值抑制。在第二步计算的梯度方向与梯度的基础上，将当前像素点梯度与其梯度方向上的两相邻点进行比较，若当前点为极大值，则保留为边缘点，如果不是极大值就舍弃掉以便精准检测边缘，不至于重复检测。比较时将像素梯度方向分为4个方向，分别为x方向，y方向，45°以及135°，如下图所示双阈值检测和边缘连接。设置一个高阈值TH和一个低阈值TH，与上一步得到的各像素点梯度强度进行比较，将高于高阈值的点设置为确定边缘点，并二值化为灰度255，低于高于之但高于低阈值的设置为待选择点，低于低阈值的二值化为0，舍弃掉。在待选择点中如果该点与某个确定的边缘点连续，则判定该点也是边缘点，其余的舍弃。Canny虽然与其它边缘提取算子相比提取质量显著提升，但仍存在一些不足。首先滤波方法为高斯滤波，虽然能够较好地抑制正态分布的噪声，但在第二章中研究了本文场景下的具体噪声为椒盐噪声，高斯滤波无法很好的去除，同时高斯滤波会使图像平滑，尤其会使边缘模糊化，影响边缘定位的准确性。另外，在进行双阈值检测时，高低阈值的确定没有量化标准，通常是靠经验进行设置，人为确定的阈值（经验阈值[150,300]）往往不具备普遍性，也难以达到较好的效果，在此基础上本次实验设计了一种自适应高低阈值的优化canny算子。在滤波选择方面抛弃了高斯滤波而选择了第二章介绍的自适应中值滤波器判断当前卷积窗口内的噪声密度，在密度大的时候增大卷积窗口，密度小的时候减小卷积窗口，下图可以看出自适应中值滤波可以很好去除不平衡的椒盐噪声。在图像经过非极大值抑制后得到的梯度图像用大津阈值（OTSU算法）[16]求出一个阈值为高阈值TH，并将高阈值的一半作为低阈值TL。OTUS算法步骤如下。最终优化的canny算子的计算步骤如下：下面给出了标准canny与优化canny在同一幅输入图片上对于边缘提取的区别。优化的canny提取的边缘为单像素宽度，定位准确，不受噪声的干扰，同时边缘连续性较好，与标准Canny算法及前述常用算法提取的结果相比明显更好。圆识别算子在PCB电路板中圆也是很重要的一项识别内容，然而普通的边缘识别算子提取边缘的原理是用卷积核对原图像进行卷积，得到图像的像素变化梯度图。但是对于圆来说像素的梯度并不连续，所以在得到梯度后需要对梯度图像的极大值点使用拟合算法来拟合圆。除了这种方法在圆的识别上还有一种很经典的算法就是霍夫变换。霍夫直线变换对于一条直线y=kx+b，在图像中的存储形式是在没有线的地方像素值为0，有直线的地方像素值为1，对于计算机来说就是一串0和1，而不是记录k和b，所以并没有人眼观看这么直观，更无法分辨直线的方向。所以RichardDuda和PeterHart在公元1972年提出了霍夫变换[17]，将由x,y表示的图像转换到霍夫坐标系中用ρθ表示。点(x0,y0)映射到霍夫坐标系中的计算公式为ρ= 在映射到ρθ坐标系中之后，直线中的每个点都会映射为一条类正弦曲线，这些曲线都会相交于一个点，这个交点的ρ0θ0就是原直线距离原点的距离和与x轴的夹角，如下图所示。霍夫圆变换上一节介绍了霍夫变换来对笛卡尔坐标系中的直线变换到霍夫坐标系中得到ρθ两个参数来确定一条直线，那么对于笛卡尔坐标系中的一个圆由三个重要的参数即圆心（a,b）与半径r。霍夫圆变换也是依据同样的思路将圆上的点从笛卡尔坐标系变换到三维霍夫坐标系中从而得到a,b与r，即圆上所有点变换为三维空间中的曲线最后相交于（a,b,r）。然而这只是理论上，实际上进行坐标变换的时候所有曲线不一定相交于一点，这时候就需要遍历所有点，每三个点为一组，遍历所有组的交点，过此交点曲线最多的交点即为目标值(a,b,r)。算法步骤：在笛卡尔坐标系中圆的方程为(x−a)2+(y−b)2=r以下是霍夫圆检测的结果，可以看出已经能很好的检测出pcb板中的圆形。本章小结本章分析了尺寸检测系统的需求以及难点，并基于分析制作了系统的实现方案。然后分析了图像边缘的特征以及对边缘进行提取的原理以及一些著名算子的数学原理以及其在本次实验场景下的实现效果。最后分析了Canny算子的缺陷即需要依据经验输入高低阈值，然后并提出了一种优化的Canny算子，使用自适应中值滤波器以及能基于梯度图像自适应高阈值TH以及低阈值TL。之后给出了标准canny与优化canny在本次实验场景中的区别。最后介绍了在PCB电路板中对圆的识别，从笛卡尔坐标系变换到霍夫坐标系中通过对交点曲线数量的衡量来确定一个三维霍夫坐标系中的abr三个值来确定笛卡尔坐标系中唯一的圆。尺寸测量与系统的搭建4.1尺寸测量算子 在第二章对图像预处理的研究之后，上一章在此基础上对图像的边缘进行了识别，这些研究的最终目的就是为了尺寸的测量。本节的研究对象就是如何从提取的边缘中完成最终对零件实际尺寸的测量。 我们在使用地图时如果要计算实际距离就要用地图上的实际距离除以比例尺 如上图的1：100,000,000的地图，那么在地图上距离为1m的两点的实际距离就有109m。所以获取比例尺就是从图像的像素距离到实际长度的一个转换算子，即实际长度=图片像素距离pixelspermetricratio也就是每单位距离的长度下有多少个像素点，有了此参数才能将像素点的信息换算为实际长度。 以此就有两种得到pixelspermetricratio的方法，一种是直接测量图中物体的尺寸并用像素数除以实际的距离，然后输入系统以得到pixelspermetricratio，但是这种方法显然违背了系统自动化处理的原理，而且不同图像的分辨率不同会对尺寸的测量造成巨大的错误。那么第二种方法就是在图像中确定一个参考物体的尺寸，用已知参考物体的像素数除以实际尺寸就得到pixelspermetricratio，然后将此作为比例尺来计算图像中其它物体的尺寸如图所示在图像中输入一个已知尺寸的硬币 计算出pixelspermetricratio并得出其余零件的尺寸4.2尺寸测量系统的搭建本文基于解决企业低成本使用尺寸测量系统而搭建，一方面降低企业使用软件的成本，另一方面降低企业培训软件使用人员的成本。基于这两项目的，本文最终选择搭建基于WPF的GUI，并发布windows软件包发行版以供企业在计算机上方便部署使用。开发环境：Opencv-c++4.7.0。 Visualstudio2022 C++11 .NETFramework在vs中构建c++算子，最终生成dll动态链接库。每个dll不是一个独立的程序，只是一个文件，里面包含了完成图像预处理、边缘识别、尺寸测量的算子的实现方法，在应用程序调用该dll时载入内存以供使用。而wpf基于其代码托管的本质，开发周期短，可以很好的将前台界面与后台的算法分开，并且其对Windows的适配极佳，本项目的最终UI使用wpf来构建。UI设计架构如图所示：以下是UI的实际成品图首先选择图片路径以输入，由多个选项构成，可以显示图片的分辨率以及位深，功能选择方面有边缘识别、滤波选择、圆识别。在边缘识别之后可以加入比例尺以计算实际的尺寸。最后还可以显示图像的灰度直方图。改进的Canny边缘识别算子：原canny算子可以看出对边缘识别的噪声不能很好的去除改进过后的canny算子对整个图像的噪声已经有很好的抑制作用，边缘的识别也更清晰了。自适应canny算子的边缘识别：能很好的识别边缘，并且对噪声有很好的抑制效果圆的拟合尺寸的测量

结论论文工作总结本文以电极片的测量作为研究对象，研究了基于机器视觉的尺寸测量技术，提出了自适应中值滤波器以及改进的Canny算子，使之可以自适应高低阈值。本文具体内容可概括如下：分析了目前国内外机器视觉的研究现状、分析了优缺点；并介绍了图像存储的基础知识如bmp、jpg以及RGB、HSV等颜色空间；并研究图像噪声来源以及滤波算法。针对本次场景下的图像噪声，提出了一种自适应中值滤波器，使之可以根据不同的梯度确定不同的卷积窗口；针对边缘识别的核心问题，提出了自适应高低阈值的Canny算子，使之更具有泛用性；在圆的识别方面使用霍夫圆检测。搭建尺寸测量平台，并基于WPF制作UI使之更易使用。工作展望本文的研究在一下方面还有很大的改进空间：亚像素检测。在一些分辨率较高的图像中本文所使用的方法需要较长的时间，因为都是像素级别的计算造成很大的算力需求，如果能在亚像素方面改进将会降低很多计算时间。系统UI改进。目前在UI方面只有几个简单的功能，很多小功能没有对外的接口。参考文献李树波.自准直仪在角度测量中的应用分析[A].中国宇航学会飞行器惯性器件专业委员会、中国惯性技术学会惯性仪表与元件专业委员会.2001年飞行器惯性器件学术交流会论文集[C].中国宇航学会飞行器惯性器件专业委员会、中国惯性技术学会惯性仪表与元件专业委员会:中国惯性技术学会,2001:5.吴廷婷,胡照海,胡远江.高精度大型导叶圆柱度和全跳动检测技术研究[J].机床与液压,2018,46(22):120-123.曾昊.圆柱廓形原位测量及形状误差评定算法的实现[D].合肥工业大学,2018.王天煜.回转类零件形位误差的非接触精密测量系统研究[D].辽宁工程技术大学,2005.宋甲午,张国玉,安志勇等.圆度误差的激光扫描非接触测量方法[J].兵工学报,2000(01):61-63.周晓东.圆柱度误差的结构光视觉测量技术研究[D].吉林大学,2017.M.Shawky,M.A.Elbestawi.In-processevaluationofworkpie