基于計算機視覺圖像精密測量的關鍵技術研究

張波

（天津電子信息職業技術學院，天津，300300）

1 計算機視覺圖像精密測量概述

1.1 工程應用過程中的計算機視覺系統建設目標

這個領域的很大一部分都集中在開發可以在現實世界中使用的應用程序上。一些例子包括制造過程中的質量控制，光學字符識別，駕駛員輔助系統，監控等領域，這些都有過分簡化討論的風險，我們將其稱為計算機視覺的“工程”方法。這種方法的目標是讓事情在短期內發揮作用。這些項目的工作主要是集中在解決現實世界中需要解決的問題，而不是研究人員發明的“玩具”問題;使視覺方法快到足以有用，與此同時使視覺系統更健壯，以便它們在更廣泛的環境中工作;最后一個設計研究目標是使用現有技術設計系統，以便更容易預測特定項目的成功完成

1.2 計算機視覺作為理解智能的途徑

人類大腦是有史以來最復雜、最迷人的結構的一個很好的候選者。它是已知的最熟悉但最不容易理解的結構之一。甚至頂尖的神經學家、神經科學家、心理學家、哲學家和計算機科學家都對人類大腦和人類視覺的能力感到困惑。有很多方法可以研究大腦，研究人類智力，研究行為。哲學家們研究一些基本問題，比如機器是否可能有意識，或者人類是否可能在一個確定的宇宙中擁有自由意志。心理學家形成一般的行為理論，然后在新的情景下評估它們，以測試它們的預測能力。神經科學家解剖尸體的大腦，并將電極植入活體動物(包括進行腦外科手術的猴子和人類) ，以記錄單個微納電子的活動。所有這些領域都為研究人類行為和大腦工作機制提供了寶貴的見解。額外的洞察力可以通過嘗試建立一些工作起來像，或工作起來像，甚至可能工作得比大腦更好在解決某些問題。在視覺系統上工作可能不能為這些問題提供準確的答案，但它肯定會迫使人們去處理這些問題。結果往往令人驚訝，而且與用其他研究方法得出的結論大相徑庭。這意味著計算機視覺是對其他理解智能方式的一個很好的補充。最后，似乎對大腦的徹底和深入的理解將需要所有提到的腦區做出重要的貢獻

2 基于計算機視覺的尺寸測量誤差修正研究

2.1 使用神經網絡模型實現誤差修正

神經網絡是一種功能強大的網絡技術，已成功地應用于制造系統的許多任務。有研究學者將一個具有最優生成特征的神經網絡應用于IC檢測。并且還能夠使用多層神經網絡結構的鍍鋅鋼板質量控制監測。利用反向傳播神經網絡，能夠開發光學檢測系統，檢測和分類處理金屬表面的缺陷。當一組輸入/輸出模式給予前饋神經網絡時，結構節點的權重和偏差不斷調整，以減小網絡輸出和目標模式之間的差異。反向傳播學習算法包括向前傳遞和向后傳遞。在訓練過程中，兩個過程都是針對每個模式演示的。當網絡達到滿意的性能水平后，定義了輸入模式和輸出模式之間的關系，并用它們來估計新輸入模式的輸出。換句話說，輸入節點的信息通過前向傳遞的輸出節點提供，計算和更新是一層一層地進行的。

計算網絡輸出與目標模式之間的差值，并計算隱含單元的誤差。然后根據訓練數據得到的 pth 模式的目標值與輸出單元的實際輸出值的平方差的總和，形成誤差函數。反向傳播算法在權值的誤差函數上使用梯度下降法。應用遞歸過程計算用于計算均衡器中權重變化的增量值，在這個遞歸過程中，可以從每次運行的結果中獲得新的增量權重。當所有輸出單元的誤差平方和(tss)小于選定的準則時，遞歸過程可以終止。結構化神經網絡導出了誤差修正比，該誤差修正比與初始測量值相乘以得到更好的測量結果。

2.2 校準圖像/坐標系

當使用物體邊緣點的坐標來計算其尺寸時，圖像的像素大小應該是精確的。然而，在大多數系統中，不僅x方向的像素單位長度不同于y方向的像素單位長度，而且不同位置的像素大小也不同。例如，對于ITEX100圖像處理系統中心周圍的像素，x方向的單位長度與y方向的單位長度之比為1.73。當一個像素離開中心時，它會改變為一個不同的比率。為了提高測量精度，在建立計算機視覺檢測系統之前，需要對圖像坐標系進行適當的標定。通過改進這些方法，我們可以開發一種模型化方法來校準不同地理位置的不同變化。單個像素在不同位置的方向與不同數量的誤差有關。不同的坐標標定比率必須適用于不同位置的圖像點。圖1示出了可用于建立真實物體坐標與其在不同位置上的圖像坐標之間的關系的標定點的檢查組。

圖1 坐標校準構造神經網絡的數據點示意圖

掃描這些圓后，由于x方向和y方向的單位長度不同，得到了橢圓圖像的數據集。利用橢圓圖像的幾何中心映射物理圓的幾何中心坐標。一旦定義了圖像位置與其真實物理位置之間的關系，就可以對掃描圖像點的圖像坐標進行標定。

3 精密定位工作臺面內位移實時跟蹤案例

具有納米級分辨率和精度的精密定位平臺已廣泛應用于精密工程應用，如掃描探針顯微鏡精密機械掃描，微/納操作和制造和光學對準。與此同時，如何快速有效地衡量他們的行動，已經成為進一步推動這些PPSs實施的關鍵問題。事實上，在微/納米尺度上精確檢測和測量位移是困難和具有挑戰性的，特別是當同時需要高精度、大范圍和多自由度(DOF)測量能力時。檢測單個自由度的位移是相對容易的。人們可以簡單地使用市場上已經有的各種傳感器，例如電容傳感器、激光干涉儀、光柵尺和渦流位移傳感器。另一種方法是使用基于干涉測量的方法，由于它的優勢高分辨率，大測量范圍，高帶寬。由于視覺傳感技術具有低成本、非接觸、高精度和多自由度測量能力的基本優點，在刨床剛性運動測量中引起了廣泛的關注。現有的視力測量方法大致可分為兩類:基于相位相關的方法和基于強度的方法。對于基于相位相關的方法，其基本原理是兩個圖像序列之間的微小移動可以在傅里葉域內轉換為線性相位差。文中提出了一種高效的亞像素精度相位相關算法，該算法采用矩陣乘離散傅里葉變換和上采樣技術，稱為上采樣相位相關法(UPC)。在UPC的基礎上，馮等人實現了某土建結構的動態位移監測。雖然上采樣過程可以提高UPC算法的準確性，但是成本在20秒計算時間內會有顯著的增加。此外，一旦兩個圖像序列之間的轉移過大，一個錯誤的結果可能產生。為了克服這些缺點，一個可能的解決方案是設計一個包含某些頻率信息的特殊模式。然而，特殊圖案的設計和制作會增加成本和復雜性。提出了一種基于顯微視覺的精密定位工作臺面內位移實時高精度跟蹤測量方法。為了實現被測舞臺表面的高放大率和高視頻率成像，建立了顯微視覺成像系統。此外，提出了一種加速逆向優化搜索(AIOS)算法，該算法采用最優模板選擇策略(OTC)和分段更新策略(PU)，并與 IOS 方法相結合，實現了高精度、高幀率的模板匹配。仿真研究分別驗證了OTC策略、PU策略和AIOS算法的有效性。實驗結果表明，該方法能夠有效地實現精密定位工作臺在數百赫茲頻率下的位移測量，精度達到納米級。通過設計基于機器視覺的算法，圖1顯示了由顯微鏡捕捉到的分辨率為1624×1234的柔順變位機表面的圖像。模板的大小設置為80×80。實施 OTC 策略后，選擇了七個具有不同角響應值的模板，如圖1所示(帶有框標記)。

圖1 模擬中使用的參考圖像和模板示意圖

為了檢驗這些模板的收斂特性，我們首先給它們相同的初始偏差。在此基礎上，采用15次迭代的方法對每個模板的位置進行搜索。當前估計結果與模板的實際位置之間的距離稱為殘差。除了第六個模板之外，所有的模板在15次迭代之后都會聚合。然而，只有前三種方法收斂到真正的解，而其余三種方法收斂到局部最優。可以發現，收斂速度與模板的r值幾乎呈正相關。此外，當r小于106時，迭代優化可能進入局部最優，甚至不能收斂。該方法不需要人工標記或特殊圖案，具有準確率高、幀頻高的優點。仿真試驗和實驗測試都證明了該方法對高精度、高頻率精密定位工作臺面內位移跟蹤的有效性。采用 OTC 策略設計顯微圖像序列實時處理的 AIOS算法，該方法可以作為運動性能評價和運動控制系統閉環控制的替代方法，也可以作為長期微動監測的輔助視覺傳感器。

4 結束語

隨著當前技術的進步，計算機視覺系統可以成為一種用途廣泛的非接觸檢測系統，用于精密測量。然而，在使用計算機視覺系統進行測量時，原始測量數據的修正是必須的。本文提出了一種基于神經網絡的硬件系統誤差修正方法和測量算法中的測量誤差修正方法。