[发明专利]基于高斯影响的亚像素轮廓提取及利用Softmax回归在钣金检测场景下的优化

说明书

技术领域

本发明属于单目视觉钣金测量系统中提升测量精度领域，具体涉及提升轮廓精度方法。

背景技术

钣金是在工业中被加工成平面薄片的一种金属，具有强度高、屏蔽性强、成本低、易于批量生产等特点，在工业、航天业、汽车业、电子通信、医疗甚至家居等领域有着广泛的应用，是空调、冰箱、手机、电视的必不可少的原料之一。钣金经常被加工成各式各样的形状以满足产品的外观和功能需求。通常，同一钣金零件的厚度是均匀的，厚度范围在1mm到5mm之间且为整数，大多数钣金零件的外轮廓呈矩形。钣金零件加工是否合格一个重要的判别标准是其加工尺寸和设计尺寸的偏差程度。

传统的检测做法是使用游标卡尺等测量工具进行测量。工业中使用的游标卡尺精度大多为0.05mm，也有部分使用的精度为0.02mm，对于小型的部件(尺寸在500mm×500mm以下)，可以使用游标卡尺较为准确的测量其外部轮廓和关键点的信息，经验丰富的生产线工人对这类零件的尺寸测量可将精度保持在0.1mm左右。然而，尺寸较大的钣金零件通常无法进行一次性测量，即使使用市面上3m及3m以上量程的游标卡尺，其测量效率也十分低下，并会很大程度的影响测量精度。

单目视觉在目前的图像处理领域应用广泛，它使用一台视觉传感器来进行拍摄，这种方法结构简单，相机标定简单，算法也相对比较简单，而且能得到较好的效果，甚至在某些领域效果更加显著。基于单目视觉的钣金零件测量系统就是用来避免传统使用游标卡尺进行测量的诸多弊端。国内外近年来出现了很多的基于该类技术的商业产品，技术成熟，功能也十分的全面。这类产品配套的硬件设备操作简单方便，测量时间较快，测量结果也较为精确。并且考虑了相机模型、镜头畸变、光照强度等因素，通过各类模型真实的还原了钣金轮廓。

机器学习作为近年来人工智能领域，乃至计算机领域相当热门的技术，在许多领域有着十分广泛的应用。目前机器学习的理论研究和相关技术都非常的成熟。它是一种多领域交叉学科，拟在研究出利用机器来模拟与人类学习行为相似的行为，使得机器有着自我学习和优化的功能，并可以获得新的知识，不断完善自身。作为人工智能的核心，机器学习会利用现有数据和先验的经验来优化自身。一般情况下，机器学习的过程就是，首先我们把学习的信息提供给系统的学习部分，接着计算机通过对训练集的学习来修改自身的知识库，增进自身的各项效能，最后，更好地执行根据知识库完成的任务，并将结果反馈给训练部分。

发明内容

本发明基于单目视觉的钣金测量系统中获取钣金零件的二维真实轮廓，针对拍摄图的单双边缘共存、钣金区域与背景区域分离、存在畸变现象、拍摄平面与钣金平面不完全平行等特点，利用边缘检测算法但又不限于以此作为钣金零件的真实边界。本发明的主要内容如下：

1)使用单目视觉钣金测量系统获取到的图像为二维图像，受拍摄角度、拍摄距离以及相机本身的影响，带有一定的畸变并且无法表示真实的尺寸信息。本发明利用相机标定所得到的的相机内参和外参等信息对畸变图像进行校正，并利用真实相机坐标系和虚拟相机坐标系之间的转换还原轮廓的真实尺寸和轮廓点的真实位置。

2)采用图像处理的方式提取高精度轮廓点。针对钣金检测中拍摄图像的背景区域与钣金区域分离的特殊性，提出了基于高斯影响的亚像素偏移算法，在已知背景区域和钣金区域的灰度值的前提下，利用像素点的灰度值和灰度梯度方向使用该算法快速高效的对像素级边缘点进行亚像素级定位。

3)采用机器学习进一步提高轮廓点提取精度。为了能够让提取到的轮廓点达到更好的精度，分析轮廓提取过程中使用到的模型和计算所带来的误差，对可能对轮廓点造成偏移的因素进行分析建模，以此作为特征空间，引入Softmax回归来对轮廓提取的结果进行优化。

附图说明

图1为空间坐标系矫正示意图。

图2为二值函数增加高斯影响的示意图。

图3为本发明的Softmax回归训练运行过程示意图。

图4为本发明的效果对比示意图。

具体实施方式

1)空间坐标系矫正