一种导向杆内径测量的形状先验约束改进Chan-Vese模型方法

本发明涉及机器视觉测量，尤其涉及一种导向杆内径测量的形状先验约束改进chan-vese模型方法。

背景技术：

1、汽车导向杆的内径精度直接决定装配间隙和运动稳定性，是影响产品质量的关键参数。现有技术在传统的接触式测量方法中，如手动量规或三坐标测量机，存在效率低、适应性差的问题，难以满足在线检测需求。非接触式视觉测量方法具有快速、灵活、易自动化的优势，但在工业环境下面临两大关键挑战：一是强金属反射和灰度不均匀导致的低梯度弱边缘分割不可靠；二是非均匀边缘点分布引起的严重系统拟合偏差。

2、现有技术在主动轮廓模型在工业内径检测中存在明显缺陷。传统chan-vese模型假设分段恒定灰度，在光照不均匀条件下性能较差，且对初始轮廓放置高度敏感，不同初始化可能导致截然不同的分割结果；同时，水平集函数需要周期性重新初始化，计算成本高昂。现有的改进模型虽然在灰度不均匀适应、初始化鲁棒性、噪声抑制等方面有所进步，但仍无法同时解决强反射下弱边缘捕获和避免非目标区域过分割的矛盾。

3、现有技术在圆拟合阶段，传统最小二乘法对非均匀分布的边缘点高度敏感，不均匀光照下提取的轮廓不可避免地呈现高频锯齿特征和非均匀点分布，导致不可接受的拟合偏差。这些误差传播到圆拟合阶段，引入系统参数偏差，扭曲内径测量结果，使圆度评估失效。

技术实现思路

1、本发明提供一种导向杆内径测量的形状先验约束改进chan-vese模型方法以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供的一种导向杆内径测量的形状先验约束改进chan-vese模型方法，包括：

3、s1.获取导向杆的原始图像，通过边缘梯度模板匹配进行快速粗定位，得到导向杆内径的初步定位区域；

4、s2.基于初步定位区域的边缘信息，引导自适应卡尺提取亚像素边缘点集，所述亚像素边缘点集作为几何形状先验；

5、s3.以所述亚像素边缘点集初始化并约束混合驱动chan-vese模型，所述混合驱动chan-vese模型集成cv全局区域项、gac边缘引导项和弱锚点约束项，进行高精度边缘优化分割；

6、s4.对分割得到的轮廓点集采用两阶段鲁棒圆拟合，先通过ransac进行粗去离群点得到初始圆参数，再通过动态加权最小二乘优化补偿非均匀点分布的拟合偏差，最终得到导向杆内径的精确测量参数。

7、在一个优选的实施方式中，所述获取导向杆的原始图像，通过边缘梯度模板匹配进行快速粗定位，得到导向杆内径的初步定位区域，包括：

8、对所述原始图像进行canny边缘检测，提取边缘轮廓并计算像素梯度幅值和方向；

9、构建基于梯度向量点积的相似度度量，计算模板与候选子图像对应边缘点的梯度方向对齐程度；

10、采用贪心提前终止策略和多分辨率金字塔搜索策略，结合simd并行加速，快速定位导向杆的位置和姿态。

11、在一个优选的实施方式中，所述采用贪心提前终止策略和多分辨率金字塔搜索策略，结合simd并行加速，快速定位导向杆的位置和姿态，包括：

12、动态监测累积相似度，当剩余点的最大可能贡献无法使总分达到预设阈值时，提前终止当前候选的评估；

13、构建图像金字塔，在低分辨率层进行快速粗搜索，在高分辨率层进行精细定位；

14、采用多线程并行匹配和simd向量运算，同时处理多个像素和向量，加速匹配过程。

15、在一个优选的实施方式中，所述基于初步定位区域的边缘信息，引导自适应卡尺提取亚像素边缘点集，包括：

16、沿初步定位的内径轮廓生成均匀分布的锚点；

17、在每个锚点处，沿局部梯度方向构建矩形卡尺区域，所述卡尺方向垂直于边缘切线；

18、在每个卡尺区域内进行灰度投影分析，通过高斯平滑、一阶导数计算和非极大值抑制，提取最优亚像素边缘点。

19、在一个优选的实施方式中，所述沿初步定位的内径轮廓生成均匀分布的锚点，包括：

20、提取初步定位轮廓的最高点和最低点，以两点连线为参考基线；

21、以基线中点为旋转中心，按固定角度间隔旋转基线，与轮廓的交点即为锚点；

22、对缺失锚点进行线性插值，确保沿圆周均匀分布。

23、在一个优选的实施方式中，所述以所述亚像素边缘点集初始化并约束混合驱动chan-vese模型，进行高精度边缘优化分割，包括：

24、将所述亚像素边缘点集连接成闭合多边形，生成有符号距离场作为水平集函数的初始值；

25、构建混合能量函数，包含cv区域保真项、gac边缘引导项和弱锚点约束项；

26、引入距离正则化项，消除水平集函数的重复重新初始化；

27、通过梯度下降法迭代演化水平集函数，直至收敛得到精确分割轮廓。

28、在一个优选的实施方式中，所述构建混合能量函数，包含cv区域保真项、gac边缘引导项和弱锚点约束项，包括：

29、所述混合能量函数由cv区域保真能量、gac边缘引导能量和弱锚点约束能量按预设权重系数加权求和构成；

30、所述弱锚点约束项仅在前30次迭代中激活，引导初始收敛方向，后续迭代中移除以允许无约束优化。

31、在一个优选的实施方式中，所述gac边缘引导项通过边缘停止函数实现，包括：

32、所述边缘停止函数以平滑后图像的梯度幅值为输入，梯度幅值越大则函数值越小；

33、在目标边缘处梯度幅值较大，边缘停止函数值趋近于零，使轮廓精确停止在真实边界。

34、在一个优选的实施方式中，所述对分割得到的轮廓点集采用两阶段鲁棒圆拟合，包括：

35、第一阶段：随机采样三个非共线点构建候选圆模型，计算所有点到候选圆的几何距离残差，统计内点数量，选择内点最多的模型，对该内点集进行最小二乘拟合得到粗圆参数；

36、第二阶段：基于粗圆参数，采用高斯-牛顿法进行加权最小二乘迭代优化，权重根据点的分布密度和残差动态调整，直至收敛得到精确圆参数。

37、在一个优选的实施方式中，所述采用高斯-牛顿法进行加权最小二乘迭代优化，权重根据点的分布密度和残差动态调整，包括：

38、所述加权最小二乘优化以各边缘点到拟合圆周的几何距离残差为基础，按对应权重加权后求和构建目标函数；

39、所述权重随迭代进程动态调整：早期迭代采用密度自适应权重抑制局部密集点的过度影响，后期迭代采用残差自适应权重进一步抑制残余离群点。

40、在一个优选的实施方式中，所述权重随迭代进程动态调整，包括：

41、早期收敛阶段，采用基于角度分箱的密度补偿权重，将全圆周等分为72个角度区间，根据每个区间内的点数计算密度补偿权重，并归一化到预设数值区间；

42、后期精化阶段，引入huber鲁棒权重与密度补偿权重融合，融合系数从零线性过渡到一，huber权重基于当前残差的中位绝对偏差自适应确定阈值，抑制残余离群点的影响；

43、对组合权重设置下限值，防止高斯-牛顿迭代的数值不稳定性。

44、为了解决上述问题，本发明还提供一种导向杆内径测量的形状先验约束改进chan-vese模型系统，所述系统包括：

45、图像采集与粗定位模块，用于获取导向杆的原始图像，通过边缘梯度模板匹配进行快速粗定位，得到导向杆内径的初步定位区域；

46、自适应卡尺边缘提取模块，用于基于初步定位区域的边缘信息，引导自适应卡尺提取亚像素边缘点集，所述亚像素边缘点集作为几何形状先验；

47、混合驱动主动轮廓分割模块，用于以所述亚像素边缘点集初始化并约束混合驱动chan-vese模型，所述混合驱动chan-vese模型集成cv全局区域项、gac边缘引导项和弱锚点约束项，进行高精度边缘优化分割；

48、两阶段鲁棒圆拟合模块，用于对分割得到的轮廓点集采用两阶段鲁棒圆拟合，先通过ransac进行粗去离群点得到初始圆参数，再通过动态加权最小二乘优化补偿非均匀点分布的拟合偏差，最终得到导向杆内径的精确测量参数。

49、与现有技术相比，本发明具有以下有益效果：

50、1.本发明通过边缘梯度模板匹配结合贪心提前终止和金字塔搜索策略，实现导向杆的快速鲁棒粗定位，对光照变化、表面划痕和金属反射具有强抗干扰能力；自适应卡尺方法利用粗定位边缘信息引导，自动生成均匀分布的锚点并提取亚像素边缘点，消除了传统卡尺方法需要反复手动选择区域的低效问题，为主动轮廓模型提供高质量的初始轮廓。

51、2.本发明提出的混合驱动改进chan-vese模型，创新性地将卡尺提取的高精度边缘点作为形状先验，构建弱锚点约束项引导初始收敛，同时集成cv全局区域保真和gac边缘引导，既解决了传统cv模型对初始化敏感的问题，又能在强金属反射区域可靠捕获弱边缘，有效抑制过分割；距离正则化项消除了水平集重复初始化，大幅提升计算效率，在边缘缺失和伪影干扰场景下均能保持准确分割。

52、3.本发明的两阶段鲁棒圆拟合方法，通过ransac粗估计有效去除锯齿分割结果中的离群点，获得可靠的初始圆参数；后续动态加权最小二乘优化根据点分布密度和残差自适应调整权重，从根本上补偿了非均匀点分布导致的拟合偏差，最终半径误差仅0.2%，较传统等权最小二乘拟合降低一个数量级以上。以三坐标测量机为基准，本发明方法的内径平均绝对误差达91.8μm，相对误差0.38%，完全满足汽车导向杆在线检测的精度要求。