基于機器視覺的瀝青延度儀試模測量系統的設計與實現

■許 林

（1.福建省交通科研院有限公司，福州 350004；2.福建省交科計量技術有限公司，福州 350004）

瀝青延度試驗儀是用于測定瀝青延度和彈性恢復變形能力的專用儀器，由主機、試模和底板組成[2]。 其中延度儀試模用于制作瀝青標準試件，配合主機進行瀝青拉伸試驗使用，由于其形狀為“8”字形，所以行業里也稱之為“八字模”。 通常延度儀試模的校準主要使用的計量器具是游標卡尺。 由于延度儀試模本身并非固定一體成型的，是分散的、由兩頭的弧形端模和兩側的側模拼接組成，在使用游標卡尺對試模尺寸進行測量的過程中，卡尺不可避免地會與試模發生觸碰、擠壓，從而導致試模部件間產生間隙，引入不小的測量的誤差；另外，校準延度儀試模時，由于每個試模都需要測量4～5 個幾何參數，批量校準、測量起來也是相當的非常費時費力的。 近年來機器視覺越來越廣泛地應用于檢測和測量領域，如：電子產品的生產、車身檢測、機械部件缺陷檢測及機械部件測量等。 結合實際計量校準、檢定工作中遇到的問題，研究以延度儀試模為測量對象，運用機器視覺的技術，設計了一套試模測量系統， 為求在不影響測量準確度的前提下，更高效、便捷地實現延度儀試模的校準工作。

1 系統整體設計方案

機器視覺測量的工作原理是通過視覺傳感器和圖像采集系統，將目標的光線信號轉換為圖像模擬電信號，傳送給圖像處理系統[1]，再利用計算機視覺算法和圖像處理技術，提高圖像質量，獲取被測物的輪廓，識別圖像特征，最終對目標被測物進行測量。

本系統主要由硬件和軟件兩大部分構成，其中硬件部分主要由光源、鏡頭、相機、圖像采集器等組成，軟件部分主要負責圖像處理及數據分析，最終輸出測量結果。

2 硬件的組成

硬件部分作為整個系統的基礎，包括5 個關鍵組件：照明裝置（光源）、鏡頭、攝像裝置、圖像采部件、圖像處理器，具體連接如圖1 所示。

圖1 硬件連接圖

本系統的光源選用了一款可調節亮度的平板作為背照式光源，選擇背照式的光源，主要考慮到所獲取的圖像用于試模的輪廓檢測和尺寸測量，并不需要被測物表面特征信息，背照式光源可以使被測物和背景產生很強的對比度，更易于圖像輪廓的提??；系統的攝像頭選擇一枚CMOS 攝像頭，因其低成本、低功耗的特點，成像質量雖然略低于CCD傳感器，但是對于拍攝普通靜態的圖片，完全可以滿足要求； 本次鏡頭采用了手動變焦工業相機鏡頭，焦距為16～48 mm，可以滿足拍攝的視野范圍和工作距離的要求。

3 軟件的設計和開發

系統的開發是基于python 語言，整個過程包括前期的圖像識別、處理以及后期的測量、計算，主要使 用 到opencv、numpy、scipy、matplotlib 等 擴 展 庫。整體軟件的設計考慮到以下幾個主要模塊：像素當量的標定、圖像的預處理、輪廓的提取、尺寸的測量，主要流程如圖2 所示。

圖2 測量系統流程圖

3.1 像素當量的標定

3.1.1 像素當量的定義

機器視覺測量中圖像處理的結果是以像素為單位的，為了得到被測物的實際尺寸，必須建立物理尺寸與像素尺寸之間的關系，標定每個像素對應的實際物理尺寸，即為像素當量[1]。 理論上任何物體都可以作為像素當量標定標準參照物，但是實際上使用形狀規則的標定參照物更便于圖像的處理以及像素計算，本文選取標稱長度為25 mm 的2 級量塊作為標定參照物，2 級量塊長度極限偏差為±0.60級量，遠小于被測試模測量允許誤差，可以忽略不計其長度偏差引入的測量誤差的不確定度。

3.1.2 量塊角點的識別

Harris 角點檢測與Shi-Tomasi 角點檢測都是經典且常用的角點檢測算法，這些算法可識別圖像中明顯變化（如顏色、亮度等）的區域，本文使用了Shi-Tomasi 角點檢測算法，因為相較于Harris 角點檢測算法，Shi-Tomasi 算法在計算速度和角點定位的準確性上表現得更好。

首先將獲取的原始圖像轉換為灰度圖像，接著使用Shi-Tomasi 角點檢測算法找到圖像中前4 個最強的角點，效果如圖3 所示。 可以看到圖中發生角點識別錯誤的情況，原因可能是拍攝過程中混入了灰塵、雜質，使得圖片產生小雜點，導致角點識別的錯誤。 為了去除這些零星小雜點，此處加入開運算處理， 即對目標區域進行先腐蝕再膨脹的處理，可以有效消除細小的噪聲如雜點、 毛刺等。 再通過cornerSubPix 函數對這些關鍵點進行亞像素調整以提高定位精度，運行效果如圖4 所示，4 個角點A、B、C、D 的像素坐標數據如表1 所示。

表1 量塊角點的像素坐標

圖3 量塊原始圖片角點檢測效果

圖4 經過圖像處理后角點識別效果

3.1.3 像素當量的計算

在像素坐標系中，一般使用歐氏距離來計算量塊2 個角點間的直線距離。假設圖4 中A、B 2 個點在像素坐標系中的坐標分別為（xa，ya）和（xb，yb），則兩點間的距離pixel_length 可以通過以下公式計算：

注意這個距離pixel_length 是以像素為單位的（即該距離中含有多少個像素點）。 根據式（1）中距離pixel_length 與量塊實際物理尺寸的比例關系，就可以計算出每個像素點的長度：

式中：real_length 為量塊邊長的物理尺寸，單位mm；pixel_length 為圖像中量塊邊長對應的像素數；length 為每個像素對應的實際長度（像素當量），單位mm/pixel。

像素當量換算結果顯示，AB 線段像素數189.642698，物理尺寸為25 mm，像素當量為0.131827 mm/pixel。

3.2 圖像預處理

圖5 為相機采集的延度儀試模的原始圖像，一般先要對圖像進行預處理，目的是提高圖像質量、減少噪聲、增強特征。 常見的機器視覺圖像預處理方法有：去噪、增強、平滑、灰度化、二值化、圖像分割、圖像校正等，這些方法可以根據具體的應用需求進行組合和調整，以達到最佳的圖像預處理效果。本文中主要對圖像依次進行了灰度化、去噪、二值化、形態學處理，最終提取試模的輪廓。

圖5 采集的原始圖像

3.2.1 圖像去噪

雖然在圖像拍攝采集過程已盡量控制環境因素、光照條件等因素的干擾，還是無法完全消除噪聲的影響，為了減少噪聲的干擾，在對圖像進行灰度化處理后，考慮加入濾波進行去噪處理。 常見的濾波算法有：中值濾波、均值濾波、維納濾波、高斯濾波等[1]，本文采集的圖像主要存在的是高斯噪聲，高斯濾波可以有效去除圖像中噪聲，其原理是通過對圖像進行平滑處理，使得噪聲被模糊掉，從而減少噪聲的影響。

高斯濾波函數其實就是正態分布函數，由于圖像是二維的，需要使用二維的高斯函數，表示為：

式（3）中σ 是高斯濾波的標準偏差，它決定了圖像的平滑程度，σ 值越大，濾波效果越好，但同時也會失去一些邊緣細節信息[1]。 本文選用3×3 的卷積核進行卷積處理，去噪后效果如圖6 所示，可以看出濾波處理后的圖像，有了明顯的平滑效果，有效消除了圖像中存在的高斯噪聲。

圖6 高斯濾波后效果圖

3.2.2 圖像二值化

圖像的二值化處理是將灰度圖進行閾值分割，大于閾值的像素調為白色，小于或等于閾值的調整為黑色，也可以反過來。 常用的方法有：全局閾值法、自適應閾值法、Otsu 閾值法、迭代法等[3]，由于此次測量采用背光拍攝， 背景和被測物灰度分明，形狀顏色單一，沒有復雜的細節，故選用全局固定閾值更為適用。

（1）OTSU 法。 OTSU 算法是一種常用的圖形分割算法，可以自動確定圖像的閾值，無需人為干預。它的基本原理是以最佳閾值將圖像的灰度值分割成兩部分（前景和背景）， 使兩部分之間的方差最大，即有最大的分離性。 圖7 即為經過OTSU 法處理后的二值化效果，雖然整體效果較好，但是可以看到試模兩頭端模圓孔處以及內槽邊緣，還存在一些陰影無法處理。

圖7 OTSU 法二值化處理效果圖

（2）直方圖法。 由于OSTU 算法表現不是太理想，于是利用灰度直方圖查看像素實際分布情況，如圖8（a）所示，可以看出直方圖呈明顯的雙峰狀態，即：在灰度值0 點和255 點處2 個波峰（局部最大值），主要是被測試模和背景的像素[3]。 局部放大直方圖灰度0 點附近區域，此區域主要是被測試模及其邊緣陰影的像素集合，如圖8（b）所示。 可以看到灰度值0 點附近的像素主要分布在[0，15），因此認為把閾值分割點選在灰度值20～50 可以有效消除陰影區域，選擇固定閾值30，實際運行效果如圖9 所示，較OSTU 算法，更有效地去除了邊緣的陰影，整體表現比較理想。

圖8 灰度直方圖

圖9 直方圖法閾值分割效果圖

3.2.3 形態學圖像處理

圖像經過高斯濾波、二值化處理后對于陰影部分去除的效果比較完美，但是可以看到被測物內部還是存在一些零星的小點和小裂縫，經過canny 算法提取邊緣輪廓后如圖10 所示， 可以明顯看出瑕疵。 此處考慮使用閉運算去除這些瑕點、瑕縫，其原理是對二值圖像先進行膨脹操作， 再進行腐蝕操作， 最終達到填補圖像中的空洞及狹縫的作用，運行后效果令人滿意，如圖11 所示。 另外考慮到實際檢測中試模的多樣性、環境的復雜性，通常被測物還會存在毛刺、 小橋以及背景中混入一些小雜點，代碼中也可以加入能夠除去孤立的小點、毛刺和小橋的開運算，使圖像處理能力具有更強的適應性。

圖10 canny 算法處理后的輪廓提取

圖11 閉運算處理后的輪廓提取

3.3 試模尺寸的測量

3.3.1 主要測量的參數

根據《瀝青延度試驗儀檢定規程》（JJG（交通）023-2020）[2]中試模的計量性能要求：組裝后的試模如圖12 所示，內腔尺寸應符合表3 的要求。

表3 試模尺寸標稱值

圖12 試模形狀示意圖

3.3.2 試模特征提取

大部分機械部件的邊緣都是由直線和圓弧組合而成，本文中的試模特征基本上也可以歸結于直線和圓的結合[4]。 霍夫變換（Hough Transform）廣泛地應用于圖像中直線和幾何形狀的識別，此處在上文Canny 邊緣檢測的基礎上，分別使用了霍夫直線檢測（HoughLines）、霍夫圓檢測（HoughCircles）2 個函數，從圖像中識別并擬合目標直線和圓，并通過直線和直線、直線和圓弧的交點，結合角點檢測算法，獲取目標特征點，效果如圖13 所示。

圖13 特征提取

3.3.3 測量算法

（1）試模內腔總長l1。 首先識別內腔2 個半圓，對半圓輪廓進行圓擬合，連接弧形端模2 個小圓孔圓心C1、C2， 直線C1C2與內腔2 個半圓弧相交點A1、A2，線段A1A2即為內腔總長。 （2）（最?。M斷面寬b1。 獲取側模2 條斜邊，擬合直線，求其交點B1、B2，2 個交點的距離線段B1B2即為試模（最?。M斷面寬。（3）端?？趯抌2。利用Shi-Tomasi 角點檢測算法在試模內腔中選取了E、F、M、N 這4 個角點為最佳候選點，線段EF、線段MN 即為端?？趯?。 （4）內腔兩半圓中心間距l2。 線段EM 和線段FN 的平均值就是內腔兩半圓中心距。

3.4 運行效果展示

運行效果如圖14 所示。

圖14 運行效果展示圖

4 實驗結果與分析

4.1 測量系統與傳統測量方式結果對比

測量系統與傳統測量方式結果對比如表2 所示。

4.2 誤差分析

從軟件實際運行測試結果來看，機器視覺與傳統校準方式對比未發生明顯的數據偏差，當然測量系統還是存在各種各樣的誤差， 就本系統而言，主要的誤差來源考慮以下幾個方面。

4.2.1 環境因素的影響

機器視覺檢測的效果很容易受到環境因素的影響，比如外界光照的強弱不均、拍攝過程中混入的雜質、被測試模表面劃痕、臟污都會增加圖像噪聲，產生測量誤差，影響圖像的識別、輪廓的提取。

4.2.2 測量設備本身的誤差

設備本身的誤差主要包括鏡頭畸變、相機分辨率不足等。 鏡頭畸變分為徑向畸變和切向畸變，通常來說鏡頭畸變是沒辦法完全消除的，一般來說可以通過相機標定算法來改善， 比如張正友標定法，通過校正算出鏡頭的畸變系數，一定程度優化了圖片的徑向畸變。

相機分辨率不足往往限制了測量的精度，從而增大了測量誤差，本文中主要采用亞像素細分技術來提高圖像系統的分辨率，降低分辨率引入的測量誤差，同時也節省了系統硬件的投入成本。

4.2.3 人員操作引入的誤差

測量過程中常常由于人員操作的不規范或者人工難以達到而引入測量誤差，比如：鏡頭與被測物是否完全平行，被測物中心是否處于鏡頭的光軸上，被測物是否放置在鏡頭的工作距離上等，這些問題往往都需要從人員操作規范上加以控制，盡可能地降低誤差[3]。 分析了誤差產生的原因，可以采取措施減小環境、操作等引入的隨機誤差，通過技術手段有效控制相機分辨率、鏡頭畸變等系統誤差。同時操作中也要綜合考慮測量的需求，在合理范圍內優化測量系統、控制誤差的發生，但也不宜一味地為了提高測量精度、降低測量誤差而過度投入，比如本文的測量對象瀝青延度儀試模本身并非高精密零部件，檢定規程對其測量結果的允許誤差要求不高，所以此次設計中并未對成像模型的誤差、透視誤差、邊緣檢測算法的誤差等展開分析與處理。

5 結語

由于研究時間以及實驗條件有限，在系統的設計和實現上還有很多可以改進的地方，如誤差的分析還不夠系統很全面；圖像采集設備的精度還有升級的空間；現有相機和鏡頭組成的硬件系統不適應于微距拍攝，對于小尺寸、高精度的機械部件的測量效果不佳等[4]。 總體來說，系統對于瀝青延度儀試模的測量效果還是令人滿意的，非接觸式的測量方式，避免了傳統人工測量的誤差，自動化識別測量也很大程度上提高了工作效率，對應用于各類試?；蛘咂渌惒考臋z測、校準工作，具有一定實際意義。