基于機器視覺的羽毛球圓度測量系統研究

吳 瑞,羅亞波

(武漢理工大學 機電工程學院,湖北 武漢 430070)

羽毛球口的直徑和圓度直接影響到羽毛球的外觀及飛行特性[1],目前其尺寸檢測是工人使用專用口徑儀測量,效率低,易受工人疲勞等因素影響,因此,有必要通過搭建機器視覺檢測平臺對其進行快速且精確的測量。

機器視覺測量方法是一種非接觸的測量方法,具有高精度、高效率、可重復等優點,國內外眾多學者對其在質量檢測及尺寸測量方向進行了大量研究:聶鵬等[2]在測量飛機鉚接高度差時,通過3D激光掃描儀獲取圖像,采用Canny算子結合最小外接圓算法完成鉚釘的邊緣提取及擬合,運用形態學方法分割鉚釘和零件表面區域后計算得到鉚接高度差;金昭等[3]在測量斜齒輪螺旋角時,將Canny算子與同態濾波相結合對斜齒輪側面圖像提取邊緣,通過斜率篩選后僅保留齒線邊緣,從而檢測出斜齒輪的螺旋角;鄭曉昱等[4]通過激光點標定的方法,讓該視覺系統能在不同視距的情況下完成測量任務,采用大津算法改進Canny算子的雙閾值聯接階段,通過霍夫變換得到邊緣直線的解析式從而計算出門窗洞的尺寸信息;肖劍等[5]選用機器視覺技術提高螺紋鋼絲頭的檢測效率,計算輪廓曲率方差對螺紋鋼絲頭的特征點進行檢測,為了提高檢測精度,結合Sigmoid函數對邊緣進行擬合,提取亞像素特征點,完成了對螺紋鋼絲頭的尺寸測量。

筆者針對輕工業產品中羽毛球測量困難的問題,搭建視覺實驗平臺,通過輪廓跟蹤的方法獲取邊緣坐標,改進FAST(features from accelerated segment test)算法篩選特征點,提高檢測速度,結合局部尖銳度和凹凸性篩選得到真實特征點,利用最小二乘法擬合得到羽毛球圓度信息。

1 圖像預處理

筆者選用灰度相機獲取羽毛球圖像,其相對于彩色相機有著更好的光效率[6]。在采集到的圖像中存在有實驗臺面和環境噪聲等干擾因素,因此有必要對圖像進行預處理。預處理可分為濾波降噪、閾值分割和孔洞填充3部分。

1.1 濾波降噪

羽毛球圖像在采集過程中受到光照影響,以及在傳輸過程中受到電磁干擾,圖像會產生噪聲。筆者選用高斯濾波對羽毛球圖像進行濾波處理,以便較好地濾除噪聲,保護邊緣。

1.2 閾值分割

閾值分割是將圖像劃分為背景區域以及羽毛球區域,由于羽毛球整體顏色偏白,與實驗臺的灰度值相差較大,通過設置單閾值即可完成圖像分割,從而將圖像轉化為二值圖像,其公式為:

(1)

式中:f(x,y)為圖像灰度值;T為圖像分割閾值。

1.3 孔洞填充

在閾值分割處理后,由于羽毛球的特性,在羽毛球區域內部有著小塊的黑色區域,對羽毛球進行輪廓提取時會將其誤檢為邊緣輪廓。為了更好地提取羽毛球的邊緣輪廓,對閾值分割后的圖像進行孔洞填充[7]處理,對羽毛球內部的黑色孔洞區域進行填充。圖像預處理過程如圖1所示。

圖1 圖像預處理過程

2 羽毛球特征點檢測

羽毛球是由16片羽毛構成,羽毛球的直徑以及圓度直接影響到羽毛球的外觀質量和擊打穩定性。羽毛球的直徑可以通過相對羽毛尖點的距離進行計算,因此,選用基于輪廓跟蹤的邊緣提取方法,改進FAST算法提取出候選特征點,再通過對羽毛圖像特征的分析,計算局部尖銳度和凹凸性對特征點進行二次篩選,完成對16片羽毛尖點的檢測和定位。

2.1 基于輪廓跟蹤的目標邊緣提取

羽毛球的邊緣輪廓提取是檢測羽毛尖點的基礎,運用輪廓跟蹤[8]的方法能精準地獲取羽毛球的邊緣點坐標信息。筆者采用Freeman鏈碼對羽毛球邊緣輪廓進行跟蹤,其步驟如下:

步驟1對輸入圖像從上至下,從左至右的順序進行掃描,將掃描到的第一個灰度值為255的像素點設置為輪廓起點P0;

步驟2在P0的八鄰域范圍內以圖2中1～8的順序依次判斷像素點的灰度值,當找到灰度值為255的像素點時,將其設置為新的鄰域中心并將其存入輪廓點集;

圖2 鏈碼跟蹤順序圖

步驟3重復步驟2,直至新的鄰域中心與P0重合時,輪廓跟蹤結束。最終得到的輪廓集合就是羽毛球邊緣的坐標信息。

2.2 基于改進FAST算法的特征點初篩

在羽毛球圖像中,特征點往往是邊緣的交點,因此,以提取出來的邊緣像素點集為基礎,通過特征點檢測算法進行初步篩選,得到候選角點,可以起到減少計算量,加快檢測速度的作用。目前常用的特征點提取算法有:Harris算法、FAST算法和Susan算法[9]等。其中,FAST算法適用于檢測局部灰度變化較大的像素點,且運行速度較快,在文中用來對圖像特征點進行初步篩選。FAST算法的檢測步驟如下:

步驟1從輪廓跟蹤得到的邊緣坐標點集中選取候選點P,其灰度值為IP,通常將閾值T設置為IP×10%;

步驟2如圖3所示,以點P為圓心,3個像素點為半徑作圓,圓周上有16個像素點,將這16個像素點與P進行比較后可分類成3種狀態,第一種是darker,是相對較暗的點;第二種是similar,是比較大眾的點;第三種是brighter,是相對較亮的點。其可以表示為:

圖3 FAST算法檢測流程圖

I(x)

IP-T≤I(x)≤IP+T

(2)

IP+T

式中,I(x)為圓周上像素點的灰度值。

步驟3如果圓周上有連續9個像素點的灰度值與IP的差值大于給定的閾值,則判定P點為候選角點。

按照上述的算法流程,需要將鄰域16個像素點完全遍歷,可以在其基礎上進行優化。羽毛球的羽毛頂端呈三角狀,針對這一特性,優先檢測候選點對角線方向,即3、7、11、15這4個像素點,如果這4個點中至少有兩個點與IP的差值大于閾值,則對其余12個點進行計算,否則認為該候選點不是特征點,對下一個候選輪廓點進行判斷。候選特征點檢測結果如圖4所示。

圖4 改進FAST方法檢測結果圖

從圖4可知,改進的FAST算法對羽毛球16片羽毛尖點均能檢測出來,但存在3個問題:①有較多圖像邊緣點被誤檢為角點;②局部區域檢測出多個角點;③羽毛尖端呈現三角狀,會將兩端的干擾點檢測出來,然而目標點僅為羽毛尖點,無法對其進行區分。針對前兩個問題,可通過計算候選角點的尖銳度并進行局部非極大值抑制解決,第三個問題可通過角點的凹凸性進行分類。

2.3 基于尖銳度和凹凸性的二次篩選

尖銳度可以衡量圖像特征點的尖銳程度,邊緣像素點的支撐角接近180°時,尖銳度接近0,羽毛尖點的支撐角度較小,尖銳度較大,設置合適的尖銳度閾值以及局部非極大值抑制后,能有效地篩除邊緣上的特征點。特征點Pi的支撐區域如圖5所示,該點的尖銳度S計算公式為:

圖5 特征點局部支撐區域

(3)

(4)

式中:Pi為目標特征點;Pi-m,Pi+m分別為輪廓線上與Pi間隔為m的像素點,Pi-m與Pi+m之間的區域則為Pi的支撐區域;α為Pi的支撐角。

經過尖銳度篩選后的特征點如圖6所示。分析得知,設置尖銳度閾值能較好地篩除掉邊緣上被誤檢的特征點,但是無法區分羽毛尖端的3個特征點。對羽毛球圖像進行分析發現,目標需要檢測到的特征點是羽毛尖點,其呈現凸特性,而羽毛上另外兩個干擾點呈現凹特性,根據這一特點,在該點支撐區域內計算每個特征點的凹凸性,完成對干擾特征點的剔除,凹凸性指數A的計算公式為:

圖6 尖銳度篩選結果

(5)

如果A<0,則Pi呈凸特性,判定為目標特征點,否則將其判定為干擾特征點進行剔除,經過凹凸性判定篩選后的特征點如圖7所示,從圖7可知,經過凹凸性篩選能將羽毛上的干擾特征點剔除,且準確地保留了16個目標特征點信息。

圖7 凹凸性的二次篩選結果

2.4 檢測結果對比

為了驗證本文特征點檢測算法的有效性,將本文算法與Harris算法、文獻[10]算法、Susan算法進行對比,選取大小為1 280×1 024的羽毛球圖像進行檢測,其結果如圖8所示。如圖8(a)所示,本文算法在經過尖銳度和凹凸性二次篩選后,能準確檢測到16片羽毛尖點,不存在誤檢以及漏檢情況;圖8(b)、圖8(d)為兩種經典算法的角點檢測結果,特點是數量多和檢測全面,在對羽毛尖點檢測時,沒有出現漏檢的情況,但是會出現多個角點描述一個羽毛尖點的問題,且Susan算法出現了將邊緣誤檢為角點的情況,這兩種算法的誤檢率都較高;圖8(c)為文獻[10]利用灰度差分和模板相結合的方法篩選候選點,計算角點響應函數后進行局部非極大值抑制確定最終的角點,對羽毛尖點的檢測效果較好,未出現漏檢情況,但是對尖銳度較大的角點檢測時出現了重復角點。

圖8 各類算法檢測結果

為了能直觀地表現本文算法的性能,對以上4種算法檢測的角點數目以及運行時間進行統計,其結果如表1所示。

表1 各類算法檢測結果統計

由于本文算法根據羽毛球特性做了凹凸性篩選,因此將比對算法中凹特性角點的檢測結果不計為偽角點。從表1可知,在Harris算法和Susan算法檢測時間較長,其時間主要消耗在計算圖像中所有像素的響應函數上[11],文獻[10]基于Harris算法,在計算響應函數之前,用灰度差分與模板結合篩選角點,減少了一部分計算量,且誤檢率較低;本文算法以Freeman鏈碼結合改進FAST算法的策略篩選初始角點,只需計算初始角點在局部支撐區域的尖銳度及凹凸性進行二次篩選,減少了絕大部分的計算量,本文算法的檢測時間約為文獻[10]算法的84.8%,Harris算法的30.7%,能滿足對羽毛球的檢測速度要求。

3 視覺測量系統設計

3.1 實驗平臺設計

針對羽毛球外觀質量檢測中的球口直徑及其圓度測量問題,為了方便算法設計、驗證算法檢測準確率以及實驗對比,搭建了如圖9所示的視覺實驗平臺。該系統可分為3部分:計算機、圖像采集和廢品剔除,其中CCD相機分辨率為1 280×1 024,像元尺寸為5.2 μm×5.2 μm,安裝6～12 mm變焦鏡頭。

圖9 視覺實驗平臺

測量系統的工作原理為:當傳感器檢測到待測對象時,觸發工業相機完成圖像的采集并傳輸給計算機;計算機對圖像進行算法處理后,對檢測對象的尺寸信息進行可視化輸出,并將是否合格信號傳輸給單片機;當單片機同時收到傳感器檢測到待測目標以及不合格的信號時,控制步進電機旋轉一周,將不合格的對象剔除。

3.2 測量系統流程

測量系統流程如圖10所示。

圖10 測量系統流程圖

采集到的圖像在經過預處理之后,為了減少計算量,對圖像進行輪廓跟蹤獲取邊緣坐標信息,改進FAST算法對邊緣像素點檢測,提取出候選特征點,再根據羽毛球特性,在特征點支撐區域內計算尖銳度和凹凸性后進行非極大值抑制,完成毛尖特征點的提取。對提取到的16個特征點進行最小二乘法擬合,得到羽毛球的尺寸數據,并計算其最大偏離度和圓度誤差。其公式為:

(Xi-Xc)2+(Yi-Yc)2=R2

Rerr=Rmax-Rmin

(6)

式中:(Xi,Yi)為特征點坐標;(Xc,Yc)為擬合圓心坐標;R為擬合圓半徑;ε為實際半徑與預測半徑的偏離值;G(a,b,c)為εi的平方和;Rerr為圓度誤差;Rmax,Rmin分別為特征點到擬合圓心的最大距離和最小距離;ω為最大偏離度;Ri為特征點到擬合圓心的距離。

4 實驗結果與分析

4.1 系統標定

為了得到羽毛球圓度的實際值,需要對相機進行標定,確定圖像中每個像素點對應的實際尺寸。在進行標定之前,調節鏡頭參數,使羽毛球圖像盡可能大地占據相機視野。在實驗條件不變的情況下,采集棋盤格圖像,獲取棋盤格角點的坐標信息,根據式(7)計算出相機標定系數K。

K=D/L

(7)

式中:L為角點間的像素距離;D為棋盤格角點間的實際距離。

對棋盤格多次標定后取平均值,得到最終的相機標定系數K=0.069 mm/pixel。

4.2 圓度測量結果分析

為了驗證本文算法的有效性和普適性,選擇兩組羽毛球進行測量,第一組為合格羽毛球,第二組為次品羽毛球,表現為少數羽毛不同程度的外翻,內折以及羽毛球整體受到擠壓變形。采取兩點法對羽毛球直徑進行多次測量,取平均值作為實際測量結果。在羽毛球加工工藝中,羽毛球標準半徑為33 mm,最大偏離度要求在直徑的百分之一范圍內,即小于0.66 mm,圓度變形在3%以下,即圓度誤差要小于0.99 mm,將測量指標不滿足要求的羽毛球視為不合格羽毛球。實驗結果如表2和表3所示。

表2 合格羽毛球圓度測量結果

表3 次品羽毛球圓度測量結果

從表2和表3可知,機器視覺測量系統對合格羽毛球半徑的最大測量誤差為0.34 mm,平均測量誤差為0.21 mm;對次品羽毛球半徑的最大測量誤差為0.38 mm,平均測量誤差為0.23 mm,羽毛球加工工藝中要求羽毛球半徑測量精度誤差在0.5 mm范圍內,因此測量系統能滿足羽毛球測量的精度要求。系統測量合格羽毛球的平均圓度誤差為0.59 mm,平均最大偏離度為0.38 mm,次品羽毛球圓度的平均圓度誤差為4.97 mm,平均最大偏離度為3.32 mm,能夠準確地對合格羽毛球和次品進行分類。在測量速度方面,本文算法的平均測量速度為452 ms,能滿足測量實時性的要求。

5 結論

針對羽毛球質檢工藝中對球口直徑及其圓度測量的精度和速度要求,搭建了視覺實驗平臺。首先對采集到的圖像進行預處理;其次采用Freeman鏈碼結合改進FAST算法篩選出候選特征點,結合羽毛球幾何特征,計算輪廓尖銳度和凹凸性篩選得到羽毛尖點坐標信息;最后以最小二乘法對羽毛尖點擬合,以最大偏離度和圓度誤差作為圓度評定標準。實驗結果表明,本文測量系統能滿足羽毛球圓度測量的精度要求,相比傳統檢測算法,所提出的方法速度快,準確性高,測量結果穩定,為羽毛球質量檢測自動化提供了一種新的方法。