[發明專利]基于高斯影響的亞像素輪廓提取及利用Softmax回歸在鈑金檢測場景下的優化

在審

• 申請號: 201710362444.3
• 申請日: 2017-05-22
• 公開（公告）號: CN107328371A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 彭艦;薛鵬飛;陳瑜
• 申請（專利權）人: 四川大學
• 主分類號: G01B11/24
• 分類號: G01B11/24;G06T7/80
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于單目視覺鈑金測量系統中提升測量精度領域，具體涉及提升輪廓精度方法。

背景技術

鈑金是在工業中被加工成平面薄片的一種金屬，具有強度高、屏蔽性強、成本低、易于批量生產等特點，在工業、航天業、汽車業、電子通信、醫療甚至家居等領域有著廣泛的應用，是空調、冰箱、手機、電視的必不可少的原料之一。鈑金經常被加工成各式各樣的形狀以滿足產品的外觀和功能需求。通常，同一鈑金零件的厚度是均勻的，厚度范圍在1mm到5mm之間且為整數，大多數鈑金零件的外輪廓呈矩形。鈑金零件加工是否合格一個重要的判別標準是其加工尺寸和設計尺寸的偏差程度。

傳統的檢測做法是使用游標卡尺等測量工具進行測量。工業中使用的游標卡尺精度大多為0.05mm，也有部分使用的精度為0.02mm，對于小型的部件(尺寸在500mm×500mm以下)，可以使用游標卡尺較為準確的測量其外部輪廓和關鍵點的信息，經驗豐富的生產線工人對這類零件的尺寸測量可將精度保持在0.1mm左右。然而，尺寸較大的鈑金零件通常無法進行一次性測量，即使使用市面上3m及3m以上量程的游標卡尺，其測量效率也十分低下，并會很大程度的影響測量精度。

單目視覺在目前的圖像處理領域應用廣泛，它使用一臺視覺傳感器來進行拍攝，這種方法結構簡單，相機標定簡單，算法也相對比較簡單，而且能得到較好的效果，甚至在某些領域效果更加顯著。基于單目視覺的鈑金零件測量系統就是用來避免傳統使用游標卡尺進行測量的諸多弊端。國內外近年來出現了很多的基于該類技術的商業產品，技術成熟，功能也十分的全面。這類產品配套的硬件設備操作簡單方便，測量時間較快，測量結果也較為精確。并且考慮了相機模型、鏡頭畸變、光照強度等因素，通過各類模型真實的還原了鈑金輪廓。

機器學習作為近年來人工智能領域，乃至計算機領域相當熱門的技術，在許多領域有著十分廣泛的應用。目前機器學習的理論研究和相關技術都非常的成熟。它是一種多領域交叉學科，擬在研究出利用機器來模擬與人類學習行為相似的行為，使得機器有著自我學習和優化的功能，并可以獲得新的知識，不斷完善自身。作為人工智能的核心，機器學習會利用現有數據和先驗的經驗來優化自身。一般情況下，機器學習的過程就是，首先我們把學習的信息提供給系統的學習部分，接著計算機通過對訓練集的學習來修改自身的知識庫，增進自身的各項效能，最后，更好地執行根據知識庫完成的任務，并將結果反饋給訓練部分。

發明內容

本發明基于單目視覺的鈑金測量系統中獲取鈑金零件的二維真實輪廓，針對拍攝圖的單雙邊緣共存、鈑金區域與背景區域分離、存在畸變現象、拍攝平面與鈑金平面不完全平行等特點，利用邊緣檢測算法但又不限于以此作為鈑金零件的真實邊界。本發明的主要內容如下：

1)使用單目視覺鈑金測量系統獲取到的圖像為二維圖像，受拍攝角度、拍攝距離以及相機本身的影響，帶有一定的畸變并且無法表示真實的尺寸信息。本發明利用相機標定所得到的的相機內參和外參等信息對畸變圖像進行校正，并利用真實相機坐標系和虛擬相機坐標系之間的轉換還原輪廓的真實尺寸和輪廓點的真實位置。

2)采用圖像處理的方式提取高精度輪廓點。針對鈑金檢測中拍攝圖像的背景區域與鈑金區域分離的特殊性，提出了基于高斯影響的亞像素偏移算法，在已知背景區域和鈑金區域的灰度值的前提下，利用像素點的灰度值和灰度梯度方向使用該算法快速高效的對像素級邊緣點進行亞像素級定位。

3)采用機器學習進一步提高輪廓點提取精度。為了能夠讓提取到的輪廓點達到更好的精度，分析輪廓提取過程中使用到的模型和計算所帶來的誤差，對可能對輪廓點造成偏移的因素進行分析建模，以此作為特征空間，引入Softmax回歸來對輪廓提取的結果進行優化。

附圖說明

圖1為空間坐標系矯正示意圖。

圖2為二值函數增加高斯影響的示意圖。

圖3為本發明的Softmax回歸訓練運行過程示意圖。

圖4為本發明的效果對比示意圖。

具體實施方式

1)空間坐標系矯正