基于机器视觉的机械零件直线边缘精确检测

资料

188 《机床与液压》20041No112

基于机器视觉的机械零件直线边缘精确检测

唐宇慧1,杨　敏2,刘其洪2

(11广东南海广播电视大学,佛山528200;21华南理工大学机械学院,广州510640)

摘要:本文以计算机视觉在机械零件几何参数检测的实际应用为例,给出了一种使用高斯拉普拉斯(LOG)函数检测

斜坡状边缘的像素级位置,在已知目标为直线边缘的情况下,使用最小二乘线性回归方法,把二维的边缘拟合降为一维边缘定位,从而使直线边缘定位达到亚像素级的精度。

关键词:直线边缘检测;机器视觉;线性回归;亚像素中图分类号:TJ76514　　文献标识码:A　　文章编号:1001-3881(2004)12--EdgePreciseInspectioninPTANGYu2hui1,YU2

(11NanhaiBroadcastingandTelevision,foshan528200,China;21CollegeofMechanicalSouthofTech.,Guangzhou510640,China)

Abstract:Basedonpracticalmechanicalpartsgeometryparameterinspection,aapproachwaspre2sentedtodetermineramppixelofaGuassian(LOG)functionandlocatethepixelleveledgetosub-pixelaccuracyusingMLStheconditionthatthemodelofedgeisknown.

Keywords:Straight;Machinevision;Linearregression;Sub-pixel

0　引言

在灰度图像中,经典的边缘检测和定位算法精度多为像素级的。随着机器视觉在各个领域的应用不断深入,精度要求不断提高,像素级的边缘定位技术已经难以满足实际的要求。近些年来,亚像素边缘检测和定位技术的应用越来越广泛[1],同时,研究出了很多亚像素定位方法,如矩方法、插值法和数字相关法等。在实际应用中,每一种方法的使用场合,抗噪声性能及精度都不同。矩方法是计算机视觉与模式识别中广泛使用的方法,该方法计算简单,精度较高,但易受图像噪声的影响;拟合插值法的定位精度较高,其计算量随对象的数学模型的复杂程度不同而不同,但使用前提是目标的特性要满足已知或假定的数学模型;数字相关法定位精度高,计算也相对复杂,且不容易确定相关模板。

本文以发动机气门杆机器视觉尺寸检测的实际应用为例,该检测需要对目标的边缘有较高的定位精度。在这里,目标零件是用精度较高的磨床加工出来的,可以把目标边缘看作为直线。在图像中,目标的边缘表现为斜坡状模型。通常,这类应用系统都有较高检测速度的要求,在本文研究中,根据系统检测精度和检测速度的要求,我们运用高斯拉普拉斯函数与检测的图像进行卷积运算和线性回归,对图像中的斜坡状边缘经粗精两步处理,实现了边缘的精确定位。1　图像实体边缘检测

由于我们要处理的机械零件目标图像的边缘模型已知(线性模型),本文采用了高斯拉普拉斯函数把边缘定位到整像素级精度,然后对边缘点直接进行线性最小二乘回归得到亚像素边缘定位。下面简单介绍算法的实现。111　边缘粗定位

边缘粗定位是指用像素级的边缘检测算法对目标

初步定位,得到整像素精度的定位过程。本文选用高斯拉普拉斯函数(LaplacianofGaussian),也即LOG算子,与原图像进行卷积运算,通过求得零交叉点获得整像素

图1　LOG零交叉边缘点。

　　二维图形高斯拉普拉斯函数又称

墨西哥草帽函数,其名称是根据函数图像的三维形状而来的。它其实是高斯函数(式(1))的拉普拉斯函数(图1)。

2(1)2σ

这里,r2=x2+y2,σ是高斯函数的标准差。高

h(r)=-e

-

2

斯函数的拉普拉斯算子(高斯函数的二阶导数)是:

4σ2σ

本文选用LOG算子来作为整像素级边缘定位函数是因为它有如下特点:

拉普拉斯函数通常不能直接用来边缘检测。因为二阶导数对噪声非常敏感,而一般的图像都含有一定的噪声,如果直接用二阶导数来检测边缘,往往检测不到真实的边缘。而通过LOG算子与原图像进行卷积,实现了两个作用:滤噪和检测边缘。

(1)对于第一个过程可以从数学推导看出:设原图像为I(x,y),用LOG算子与原图像进行卷积,而二阶导数运算是一个线性操作,且LOG算子与原图像卷积等同于用原图像与高斯函数先作卷积,然后作拉普拉斯运算:

2

(3)I3 h=(I3h)″

h(r)=-2

2e

22

(2)