機械儀表的機器視覺數據自動獲取技術*

林獻坤，林羿江，朱　琳

(上海理工大學 機械工程學院，上海　200093)

?

機械儀表的機器視覺數據自動獲取技術*

林獻坤，林羿江，朱琳

(上海理工大學 機械工程學院，上海200093)

摘要：提出了一種新的儀表識別方法，并應用該識別方法實現了基于機器視覺的高精度自動采集方法。該自動采集方法通過工業相機對機械儀表指針和表盤進行圖像采集，經過分割、膨脹、細化等預處理后得到表盤構成要素輪廓；根據直線型指針圖像的灰度梯度方向一致特性，應用改進Hough變換定位指針輪廓，提高了識別的準確率；通過識別指針輪廓指向及判斷指針輪廓在儀表表盤中所在象限，得到指針指向，依靠計算指針角度變化，實現儀表讀數的識別，經計算機采集實現數據自動獲取。以杠桿千分表測量高精度位移量為例，通過自搭建的試驗平臺，在人工識別及激光干涉儀測量結果的對比下，對數據采集試驗進行了實驗研究。實驗結果表明，應用該識別方法的機器視覺自動獲取技術采集儀表數據，精度可達0.4μm。

關鍵詞：機械儀表；機器視覺；自動檢測；圖像識別

0引言

應用自動化儀器儀表，通過數據采集可得到高精度位移數據，在高頻采樣時自動化儀表具有優勢，但是其價格昂貴、使用要求高[1]，在沒有高質量的測量環境下，數據采集容易受到電磁干擾，采集的數據容易產生零點漂移，使得測量精度和穩定性受到約束。指針式機械儀表具有結構簡單、使用方便、抗干擾性強、價格便宜等優點，在工業檢測中得到大量的應用，甚至在一些場合，由于其獨有優勢，具有不可替代性[2]。但是，指針式儀表需要通過人工讀數，在讀取大量數據時，容易產生視覺疲勞，讀取速度慢[3]，難以在自動化生產中得到推廣應用。

機器視覺采用成像系統作為輸入手段，由計算機通過指定算法代替大腦完成處理和解釋，它通過非接觸式測量實現數據的快速獲取，這種采用非接觸的方式，形成一個無接觸式的抗干擾層空間，與自動通訊方式的數據采集方式相比，這種方法可使采集過程中的數據干擾得到有效抑制，提高數據采集的可靠性[4]。因此，若能研究采用機器視覺對機械儀表數據進行自動采集，提高其識別速度和數據可靠性，對降低自動系統的構造成本和擴展檢測范圍具有重要意義。

國內外已經有學者對基于機器視覺的指針式儀表智能識別深入研究。如孫鳳杰等人[5]進行了電力變壓器溫度表指針位置識別研究，提出通過主色提取法分割指針后通過經典Hough變換識別指針，但其分割過程易受到光照環境影響，且僅適用于指針與背景顏色差異較大的儀表；CorrêaAlegriaF[6]，楊耀權[7]采用減影法分割圖像經Hough變換識別儀表，但該算法對環境、拍攝位置等因素很敏感，識別過程中必須保持相機與儀表相對靜止，實際工程應用中并不實用；何林遠等[8]提出基于機器視覺的座艙儀表識別檢測方法，利用改進后交叉皮質視覺模型對儀表的邊緣進行提取，并結合骨架來提取指針，最終通過最大梯度下降法得到指針的準確讀數，但該算法的分割圖像效果不理想、識別準確度不高；WangQi等[9]采用最小二乘法定位指針，對噪點敏感且運算量大；P.A.Belan[10]通過結合投影法和Bresenham算法識別儀表，但只能得到指針所在區域范圍，識別結果為離散區間且精度較低。

針對機械儀表的自動獲取技術，采用機器視覺讀取機械儀表數據，通過工業相機對機械儀表指針和表盤進行圖像采集，對表盤圖像經過預處理后，根據直線上梯度方向一致的特點改進Hough變換定位指針，依靠計算指針角度變化，不需要定位表盤圓心，即可實現儀表讀數自動讀取，避免儀表圓心定位誤差。為機械儀表數據的讀取提供了一種基于機器視覺、改進Hough變換的高精度自動采集方法。

1圖像識別的預處理方法

1.1儀表數據的自動采集系統

基于機器視覺的儀表的數據采集系統構建如圖1所示，系統由微米級指針式儀表、工業相機、計算機等組成，通過采集表盤圖像數字信號，經指定算法處理，智能識別儀表讀數后自動采集儀表數據。

在該自動采集系統的基礎上，機械儀表的智能識別算法可概括為如圖2所示，首先采用灰度處理、邊緣檢測、形態學圖像處理，對采集到的儀表圖像進行預處理，然后結合圖像梯度分布和直線連續度，應用改進Hough變換，通過判斷指針在儀表所在象限，準確定位儀表指針輪廓，最后通過獲取指針角度變化，實現了儀表指針讀數的智能識別。

圖1　儀表數據自動采集原理圖

圖2　智能識別儀表算法

1.2儀表盤的圖像邊緣檢測方法

傳統邊緣檢測算子對噪聲敏感，邊緣不連續，甚至會出現虛假邊緣及漏掉真實邊緣等問題[11]，在機械儀表的圖像分割過程會帶入冗余信息，引起識別誤差。小波模極大值多尺度邊緣檢測具有良好的去噪能力[12]，在不同尺度下，邊緣點和噪音具有不同的特性，檢測到的邊緣點在定位精度與抗噪性能上具有互補性，適合機械儀表的圖像分割。

邊緣檢測即是探求小波變換模極大值，經過核空間映射后的局部極大值。核函數選擇高斯函數，對任意的函數f(x,y)，均存在[13]：

(1)

梯度方向與水平方向的夾角為：

若W1f(σ,x,y)≥0：

(2)

若W1f(σ,x,y)<0：

(3)

確定梯度閾值T>0，當同時滿足以下兩個條件,即可判斷(x,y)是邊界點：

①Mf(σ,x,y)>T；②Mf(σ,x,y)取到局部極大值；

連接各尺度下邊界點，則可得到多尺度邊緣。

2儀表的指針定位

儀表指針特征曲線在二值圖像中呈現為連續直線，采用檢測直線技術實現指針識別。盡管有相當多的研究者在直線檢測技術方面投入了相當大的精力，也研究出了不少算法。例如基于鏈碼的直線提取方法[14-15]，基于神經節感受野(DOG函數)的直線提取算法[16]。這些算法雖各有特點，但目前直線提取最成熟、應用最廣泛的算法仍然是Hough變換。Hough變換把二值圖像變換到Hough參數計算空間(HPCS)，具有明了的幾何解析性、邊緣提取準確、一定的抗干擾能力和易于實現并行處理等特點[17]。但Hough變換也有自己的缺陷：僅通過直線上像素的數量來判定，而不管這些像素點是否連通，圖像中的離散點或相距較遠的線段可能被認為是一條直線。在表盤字符較多或者環境惡劣的情況下，受到干擾嚴重，甚至產生冗余數據，難以準確識別出指針位置。因此要提高指針識別準確率，需要改進Hough變換。

2.1改進Hough變換

根據梯度的特性可知，連續直線上各點的梯度方向是相同的，且與直線方向相差90°。在Hough變換搜索指針時，結合直線的梯度特點及圖像中的梯度分布，對結果進行修正，可以提高指針識別的準確率。改進Hough變換算法步驟如下：

第一步：通過梯度算子，獲得原灰度圖像的梯度方向。

第二步：經典Hough變換[18]，通過變換求取圖像中的直線及直線上的所有分布點，獲取直線方向和原點矩。

第三步：根據直線上分布點的梯度方向α與直線方向θ的偏差，對其進行修正。

當

(4)

偏差大于閾值T1時，判定該點不是這條直線上的點，從直線中刪除，對直線進行修正。

第四步：對修正后的直線重新計算方向和原點矩并排序，根據指針輪廓特征選擇所需直線獲得真實的指針輪廓。

通過以上步驟，梯度方向與直線方向偏差較大的點被修正，因此干擾減小，搜索準確率得到提高。但是修正后的結果中，依然會存在少量錯誤判斷可能，當指針與刻度重合或者刻度與指針幾乎處在同一直線時，通過結合梯度改進的Hough變換仍然無法識別修正。為了消除此類干擾，需要評價直線的連續度來修正。

當

(5)

Di>T3

(6)

判斷該間隙的兩端為不同直線上的線段，即為不同物體的邊緣輪廓，對其進行修正。

選擇合適比例閾值T2、長度閾值T3，對搜索結果進一步次修正，可得到精確的指針定位。

2.2指針讀數變化的識別方法

經過改進的Hough變換，得到指針輪廓的準確位置，獲得指針輪廓兩邊位置及輪廓方向θ′、θ′′。通過兩邊輪廓與指針的對應關系，計算得到指針的指向方向。

由于儀表表盤圓心位置未知，因此得到指針指向后并不能完全確定儀表準確讀數。指針指向為θ與θ+180°時位于同一直線上，因此還需要區分指針在表盤中的所在象限。

通過改進的Hough變換，已經得到指針兩邊輪廓及輪廓上的點分布。在兩邊輪廓的交點O1，即指針端點處建立坐標系(Xw1Yw1)，其中x、y軸與圖像坐標系平行；假設表盤圓心為O，在O點建立坐標系(XwYw)。象限識別原理如圖4所示，根據兩邊輪廓上的點所在象限分布情況，即可得到指針在表盤中的所在象限。例如當指針輪廓分布在坐標系(Xw1Yw1)的第二象限(Ⅱ)時，此時指針位置應處于坐標系(XwYw)的第四象限(Ⅳ)。根據指針所在象限，對θ進行修正。

當指針位于坐標系(XwYw)第一、二象限時：

(7)

當指針位于坐標系(XwYw)第三-四象限時：

(8)

圖3　指針象限計算原理

杠桿千分表的零位可調整，適合用于比較測量，直接讀取杠桿千分表的示數并無意義且計算量大、影響實時性，只需獲得儀表示數的變化量即可獲得測量信息量。

通過建立角度變化Δθ與儀表示數變化Δvalue的函數，計算指針角度變化獲得儀表的示數變化。函數關系如下：

Δθ=θi+1-θi

(9)

其中D為杠桿千分表的量程。當指針在第四象限與第一象限之間擺動時，需要將第四象限的指針偏移角度減去360°修正后再代入式(8)中。

3應用測試

3.1實驗方案設計

為了驗證上述提出的機械儀表數據的機器視覺自動獲取技術方法，建立了如圖5所示的實驗系統。實驗系統包括以下部分：數控系統，雙直線電機驅動進給軸試驗平臺，杠桿千分表，工業相機，計算機，激光干涉儀。其中數控系統為SINUMERIK840D系統，杠桿千分表為Mitutoyo513-401E，工業相機為U-300C，激光干涉儀為美國光動MCV-500。

圖4　實驗系統

試驗中進給軸保持在0.1mm的范圍內低速運動，分別使用杠桿千分表和激光干涉儀測量驅動進給軸的運動。驅動進給軸每秒進給1次，每次進給1μm，本實驗共進給15次。通過工業相機對杠桿千分表進行監控，并保持工業相機與杠桿千分表表盤垂直，拍攝過程中工業相機與杠桿千分表相對靜止，相機的拍攝頻率為1Hz，同時設置激光干涉儀的采樣頻率為1Hz。將監控及采樣數據傳輸給計算機，經計算機使用機械儀表識別算法處理監控圖像，識別表盤讀數變化，并將處理結果與激光干涉儀的采樣測量結果進行對比。

3.2實驗結果及分析

經過上述實驗得到工業攝像機的監控數據及激光干涉儀的采樣數據，其中位置1的識別結果如圖6b所示。以水平線為基準，各位置的指針位置角度識別結果如表1所示。位置1的監控圖像中指針的位置視為零點(或者設置初始值)，計算得到各位置拍攝到圖像的指針位置變化。

(a)試驗現場

(b)位置1指針輪廓定位

位置θΔθ126.950.00229.882.93332.325.36435.278.32537.3610.41640.3613.41742.8515.89845.8018.85948.4721.511050.9724.011154.1227.171256.2929.341358.8931.941460.7233.771563.2236.271665.8238.87

通過式(9)建立的角度變化Δθ與儀表示數變化Δvalue的函數，根據試驗中杠桿千分表的量程D=140μm，可計算得到驅動進給軸的進給數據，具體如表2所示。同時分別與激光干涉儀測量結果、人工識別結果進行對比分析。表2中誤差1為機器視覺識別與人工識別的誤差，誤差2為機器視覺識別與激光干涉儀測量結果的誤差。儀表識別數據顯示，該識別儀表算法處理得到的數據偏差較小，最大偏差0.4μm，說明提出的算法具有較好的儀表數據識別性能。

表2　儀表識別結果(單位：μm)

4結論

本文提出了一種儀表讀數識別方法,并實現了機械儀表數據的機器視覺高精度自動獲取技術方法。對圖像經過預處理后，根據直線型指針圖像的灰度梯度方向一致特性，通過改進的Hough變換，得到指針輪廓及其輪廓上的像素點分布。儀表讀數識別方法通過識別指針輪廓指向及判斷指針輪廓在儀表表盤中所在象限，確定儀表指針指向，其過程不需要定位表盤圓心因此識別結果避免了表盤圓心定位誤差。通過計算指針角度變化獲得儀表的示數變化，經計算機采集實現儀表數據的自動獲取。最后通過構建實驗平臺，對應用所提出的儀表識別方法的機器視覺自動獲取技術進行驗證，結果表明：該方法可實現機械儀表的智能識別，其識別誤差小于0.4μm，識別精度達到了微米級，適用于機械儀表數據自動讀取。

[參考文獻]

[1] 陶冰潔,韓佳樂,李恩.一種實用的指針式儀表讀數識別方法[J].光電工程,2011,38(4):145-150.

[2] 岳國義,李寶樹,趙書濤.智能型指針式儀表識別系統的研究[J].儀器儀表學報,2003,24(S2):430-431.

[3] 張冀,王俊宏,尉遲明,等.基于計算機視覺的汽車儀表指針檢測方法[J].計算機工程與科學,2013,35(3):134-139.

[4] 張少偉.基于機器視覺的邊緣檢測算法研究與應用[D].上海:上海交通大學,2013.

[5] 孫鳳杰,安田江,范杰清,等.電力變壓器溫度表指針位置識別研究[J].中國電機工程學報,2007,27(7):70-75.

[6]CorrêaAlegriaF,CruzSerraA.Computervisionappliedtotheautomaticcalibrationofmeasuringinstruments[J].Measurement.2000,28(3):185-195.

[7] 楊耀權,趙艷琴,何曉燕,等.基于計算機視覺技術的指針式儀表自動檢定方法[J].儀器儀表學報,2001,22(S1):233-234.

[8] 何林遠,畢篤彥,熊磊,等.基于計算機視覺的座艙儀表識別檢測方法[J].中南大學學報(自然科學版),2014,45(5):1469-1475.

[9]QiW,WangW,WuM,etal.Researchonautomaticreadingrecognitionofindexinstrumentsbasedoncomputervision[J].ComputerScienceandNetworkTechnology(ICCSNT),2013(3):10-13.

[10]BelanPA,AraujoSA,LibrantzAFH.Segmentation-freeapproachesofcomputervisionforautomaticcalibrationofdigitalandanaloginstruments[J].Measurement. 2013, 46(1):177-184.

[11] 曾志偉,蔣代君.刀具切削刃鈍圓半徑的圖像測量法[J].組合機床與自動化加工技術,2014(9):88-91.

[12]StéphaneM.AWaveletTourofSignalProcessing[M].Elsevier/AcademicPress,2009.

[13] 王發牛,粱棟,唐俊,等.小波變換模極大值多尺度邊緣檢測[J].儀器儀表學報,2006,27(S3):2147-2149.

[14] 趙麗科,宋偉東,王競雪.一種基于鏈碼的線特征提取方法[J].測繪科學,2014,39(9):107-110.

[15] 趙麗科,宋偉東,王競雪.Freeman鏈碼優先級直線提取算法研究[J].武漢大學學報(信息科學版),2014,39(1):42-46.

[16] 羅曉暉,李見為.基于DOG模型的線條檢測算法[J].計算機輔助設計與圖形學學報,2003,15(4):425-431.

[17] 朱錚濤,李波鋒,何修遠.基于機器視覺的圓環電阻片缺陷檢測算法研究[J].組合機床與自動化加工技術,2015(5):76-79.

[18]GonzalezRC,WoodsRE,EddinsSL.DigitalImageProcessingUsingMATLAB[M].PublishingHouseofelectronicsindustry,2013.

(編輯李秀敏)

文章編號：1001-2265(2016)07-0019-04

DOI:10.13462/j.cnki.mmtamt.2016.07.006

收稿日期：2015-09-04；修回日期：2015-10-21

*基金項目：國家自然科學基金資助項目(51005158)；國家科技重大專項“高檔數控機床與基礎制造設備”項目(2013ZX04008-011-02)

作者簡介：林獻坤(1975—)，男，福建仙游人，上海理工大學副教授，博士，研究方向為精密加工和智能加工技術方面研究，(Email)linxk333@126.com。

中圖分類號：TH166;TG659

文獻標識碼：A

Data Acquisition Methodology for Mechanical Measurement Instrument with Machine Vision

LIN Xian-kun,LIN Yi-jiang,ZHU Lin

(CollegeofMechanicalEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

Abstract：In order to realize automatic recognition for micron-scale mechanical measurement instruments, a data acquisition technique for the instrument based on machine vision is proposed.Firstly,wavelet modulus maxima of multiscale edges is applied for image segmentation.Secondly,mathematical morphology is utilized to denoise the image of the instrument. Thirdly, modified Grads Hough Transform method that combined with the gradient of the image are presented to search for the pointer.Finally,an experiment was conducted on a self-construction platform to verify the accuracy of this algorithm for the instrument recognition.The result of the experiment shows that this data collecting technique can recognize the pointer position of the micron-scale instrument exactly and collect the pointer data automatically with 0.4μm acquisition accuracy.As a result the proposed methodology offers a new intelligent recognition and data collecting technique for mechanical measurement instrument.

Key words：mechanical instrument; machine vision;automatic detection;image recognition