邓斌攸 1 基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图1)潘云峰 1池志强 1苏真伟 1,2 基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图1)

相机标定的目的就是要求出相机的内、外参数。

径向、切向畸变参数有时候一般也算相机内参数,
因此你标定的结果是相机的内参数。即:
Focal Length(焦距), Principal Point(主点), Skew(扭曲因子), Distrotion(畸变).
这些参数是Heikkil在1997发表的论文中所求的全部内参数。
论文题目: ”A Four-step Camera Calibration Procedure with Implicit Image Correction“

如果你用相机做视觉测量,标定出相机内参数就算标定好了。
fc=[ ]?[ ]里面的内容表示的标定出的焦距和误差(不确定度)。
比如: fc = [657.30254 ; 657.74391] 和fc_error = [0.28487 ; 0.28937]
你的结果中,其他参数cc,alpha_c,kc表示的也是这样的意思。
问号前[ ]中内容表示参数,问号后[ ]中内容表示误差。

多数情况,进行相机标定我们不关心它的外参数。
但是,为了对参数进行优化,则需利用了最小化重投影误差进行非线性优化。这时就得求解相机的外参数了。
外参数包括平移矢量和旋转矩阵。
而你给的结果中:
Pixel Error(像素误差)指的是the standard deviation of the reprojection error (in Pixel) in both x and y directions respectivly(在x和y方向上以像素为单位的重投影误差的标准差).
根据优化的准则我们知道,重投影误差越小,就说相机标定的精度越高。

(1. 广东理工学院机器视觉与智能检测工程技术研究中心,广东肇庆 526100;2. 四川大学机械工程学院,四川成都 610065)

DOI:10.12326/j.2096-9694.2020080

摘 要 提出一种家具板件几何尺寸测量机器视觉系统,采用两级成像排除板件的颜色、纹理、图案、标识和表面缺陷等对图像质量的影响,并利用线性聚焦光源、线扫描相机和编码器获取高对比度、轮廓清晰的板件图像。在此基础上,设计图像处理软件、提取出板件的几何要素,进而计算出板件的长度、宽度、对角线等15个尺寸参数。工厂应用测试结果表明,检测系统的速度和重复精度均高于人工测量,在测量误差±0.5 mm范围内,系统测量值与人工测量值的平均吻合度达到95%以上。关键词 板件尺寸测量;图像处理;机器视觉;成像系统目前我**具制造行业已经进入个性化定制和大规模集成化生产的新阶段。各大型家具公司普遍采用自动化流水线加工各类家具板件,但是其尺寸测量还主要采用人工使用游标卡尺和卷尺抽查方法,主观因素影响大、精度低、速度慢,已经成为家具行业生产自动化的瓶颈问题。近年来,随着CMOS成像技术和数据传输技术的飞速发展,计算机获取和处理图像的能力从每秒几十幅提高到上万幅。机器视觉将人工智能与CMOS成像技术、数据传输技术和计算机技术等结合起来,以非接触的方式每秒获取和处理数千万个图像数据,并在成像识别、缺陷检测和尺寸测量中获得了巨大的成功。Ergün B等[1]将数字近景摄影测量系统应用于工业大尺寸板件的测量,精度达到0.001 mm,但是操作复杂、计算量大、速度慢,难以满足大尺寸板件快速测量的要求。瑞士Baumer公司研制了基于激光三角测量传感器的板件尺寸检测系统,但结构复杂、功能有限、造价太高,难以在国内家具行业推广使用[2]。随着全球加工制造业向**的转移,国内加紧了板件尺寸检测机器视觉系统的研制。2017年公开了一种基于面阵相机的板件尺寸检测机器视觉系统[3],相机在板件上方移动并对准检测中心后静止拍摄图像,用计算机处理图像并计算各几何要素的尺寸,其主要不足是尺寸检测的精度只有±1 mm,速度慢,且大尺寸板件检测困难。2018年武昌首义学院开发了一种基于机器视觉的通用平面尺寸检测软件系统[4],实现多个尺寸同时测量,但是需要人工提取感兴趣区域,难以实现在线高速的自动化检测。还有一种基于机器视觉的机加工件尺寸测量系统,通过多个图像传感器耦合,对机械零件进行图像采集、处理并将测量结果实时反馈到控制端,实现机械零件的尺寸测量[5],但该系统速度慢,亦难以实现在线高速检测。2019年在“基于机器视觉的大尺寸工件自动测量系统”[6]一文中提出了基于改进随机抽样一致性的亚像素直线/圆弧检测算法,但是该系统只能获取和处理板件的局部图像信息。文献调研表明,迄今为止,国内外在板件视觉测量的成像方法和图像处理等方面取得了一定进展,但是尚没有研制出应用到生产实际的机器视觉系统。笔者研制了一种基于机器视觉的非接触式家具板件尺寸在线测量系统,能以60 m/min的速度在线测量长度240~2 600 mm、宽度140~800 mm、10种典型颜色与纹理的家具板件,其重复检测标准差小于0.05 mm,与人工使用游标卡尺测量结果的吻合度达到95%以上,为家具板件尺寸的机器视觉检测探索新径。1 机器视觉测量系统简介机器视觉测量系统的结构与工作原理如图1所示。

基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图3)

图1   机器视觉系统的结构与工作原理Fig.1   Structure and principle of a machine vision system本机器视觉系统由预检成像系统和二次成像系统两部分组成。预检成像系统由一台近距离拍摄的MGS036-H面阵相机和LED平面阵列光源组成,获取待检测板件的640像素×480像素局部图像。预检系统通过支持向量机识别局部图像的颜色和纹理,判断板件的型号并向成像系统发送成像曝光参数,同时为图像处理设定最佳的二值化阈值。成像系统由高精度线扫描相机LA-CM-16K05A-00-R、LED线性聚焦光源和光栅编码器构成。光栅编码器实时监测待测量家具板件的传输速度,并向线扫描相机发送采样脉冲。线扫描相机以每行16 000像素、每0.05 mm扫描1行的速度连续获取板件的全局图像。对应于宽800 mm、运行速度60 m/min的机器视觉传送带,纵向每0.1 mm有2个像素点;横向每行采样16 000个像素点,即横向每0.1 mm有2个像素点。成像系统的精度保证了系统测量的精度。控制设备选用Intel i7芯片,8G内存,Nvidia GTX1080显卡。工控机实时控制预检系统和成像系统,连续处理图像并计算出板件的几何尺寸,然后显示、输出检测数据。2 软件与图像处理算法设计测量系统的算法流程如图2。

基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图4)

图2   算法流程框图Fig.2   Algorithm flow chart家具板件传输到二次成像系统时,线扫描相机按照预检系统给出的曝光参数获取家具板件的高精度图像。工控机对图像做腐蚀、膨胀、边缘增强、锐化等预处理,以排除图像噪声的干扰,并按照预检系统给出的二值化阈值对图像二值化,在此基础上再提取板件的几何要素特征,最后计算板件的长、宽和对角线等几何尺寸。2.1 预检算法高速拍摄的板件图像只包含板件的局部颜色、纹理等信息,本系统采用支持向量机的非线性映射算法将低维空间线性不可分的样本转化为高维特征空间,使其具有线性可分性。基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图5)维向量的目标函数为:
基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图6)(1)其中基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图7)为核函数。分类决策函数为:
基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图8)(2)通过多次迭代获得分类器,然后用分类器识别板件的颜色、纹理和型号,最后确定检测板件的成像参数和二值化阈值。2.2 板件边沿提取家具板件的边沿有1~2 mm的圆弧过度封边带。如图3所示,对应的图像边沿呈现过渡带区间灰度值变异点。这些变异点对图像边沿的识别带来干扰,影响长度和宽度的测量精度。本系统的边沿算法如下:

基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图9)

图3   家具板件图像边沿的灰度过度带Fig.3   Edge gray transition band of furniture panel image一个点基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图10)到直线的距离用基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图11)表示。所谓直线拟合,即找到一条直线,使得各点到这一直线的距离之和最小,即目标函数基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图12)最小。
基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图13)(3)其中数码相机参数:基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图14)—直线拟合的距离函数,基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图15)—拟合点数。本系统采用基于Huber损失函数的边沿直线拟合算法以增强函数对干扰点的鲁棒性,基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图14)可表示为:
基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图17)(4)常量基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图18)值能改变干扰点对距离函数的权重,确定经验值常量基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图19)。2.3 尺寸标定本系统在横向方向和纵向方向采用不同的转换方式将像素转换成尺寸,输出尺寸最小单位为0.1 mm。根据三角投影关系,图像横向的像素所对应的实际尺寸与其光程位置相关。因此,需要利用分段函数得到横向各特征像素点对应尺寸基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图20)
基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图21)(5)式中:基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图22)—待测量的横向像素位置,基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图23)—原始点的横向像素位置,基于机器视觉的家具板件尺寸在线测量系统怎么评估相机标定的精度csdn(图24)—横向区间分段函数。假设
打赏
  • 打赏支付宝扫一扫
  • 打赏扫一扫