用于工业现场的视觉检测系统成像质量评价方法与流程

1.本发明属于计算机图像处理领域，特别是涉及工业现场的视觉检测系统的成像质量评价方法。


背景技术：

2.新能源、半导体、电路板、3c等精密制造业的迅速发展，现代生产线大多采用机器视觉技术，而视觉检测系统的成像质量决定了后续图像处理准确度，是其中最基础也是最重要的环节之一。主观图像质量评价方法是以观察者的感受为主体，因此符合人类观察者主观感受，能在工业现场实现快速评价的客观成像质量方法受到广泛关注。
3.根据是否需要参考原始图像，客观成像质量评价可分为全参考(fr)、半参考(rr)和无参考(nr)三种类型。全参考(fr)评价方法是通过对比失真图像与无失真原始图像之间的特征差异，通过衡量这些差异得到对失真图像的评价结果。半参考(rr)评价方法是通过对比失真图像和原始图像部分特征信息进行评价。无参考(nr)评价方法是根据失真图像自身的特征对图像进行评估。全参考(fr)评价方法与主观评价一致性最好，具有鲁棒性，计算速度快，因此本发明采用全参考评价方法。
4.工业生产中由于不对焦造成的散焦模糊占图像失真的主要地位。现有的评价方法中基于变化域的方法主要是针对图像高频分量衰减造成的模糊，主要方法是小波变换和离散余弦变换，这类方法虽然精度较高，但是计算复杂，难以满足工业现场快速性的要求；基于空间域的方法不依赖于图像内容，通过对图像灰度变化进行评价，计算简单，特别对于离焦模糊可以通过图像边缘信息来判断清晰度，适用于实际现场检测。
5.目前大多数成像质量评价系统只对相机拍摄后的数字图像进行评价，未考虑了相机畸变的部分，如果镜头畸变较大将会对后续的成像质量评价造成较大影响。本发明提供了一种在考虑相机畸变的情况下对工业现场的视觉检测系统进行成像质量快速评价的方法。


技术实现要素：

6.本发明提供用于工业现场的视觉检测系统成像质量快速评价方法，该方法在考虑镜头畸变的基础上，对相机镜头进行建模求解，实现视觉检测系统的成像质量的快速评价。技术方案如下：
7.一种用于工业现场的视觉检测系统成像质量评价方法，采用带有直线的标定板，包括以下步骤：
8.(1)在相机聚焦情况下对标定板进行拍摄，考虑径向畸变，畸变中心为图像中心(0,0)，理想位置坐标为(xu,yu)，实际位置为(xd,yd)，二者有以下关系：
9.10.其中畸变系数k1，k2，由于理想坐标点在同一条直线上，xu，yu存在yu＝axu b关系；
11.(2)对拍摄的标定板图片直线上的t个特征点进行提取，构建以下目标函数，采用最优化方式求解k1，k2，a，b，其中c1表示ak2，c2表示k2，c3表示ak1，c4表示k1，c5表示a：
[0012][0013]
(3)给定k1，k2初值为0，a，b的初值利用相距最远的两点通过(1)式得到，根据(2)式建立levenberg-marquardt最优化求解模型，求解f极小值时的畸变系数k1，k2，参数a，b，经过迭代搜索到最优值，得到实际位置为(xd，yd)的表达式，根据此绘制曲线；
[0014]
(4)利用步骤(3)所生成的曲线作为参考图像i，利用sobel算子计算水平梯度gx和竖直梯度gy，其中sx，sy分别为水平和竖直sobel算子，通过水平梯度gx和竖直梯度gy得到梯度图l：
[0015][0016]
用下式对梯度图l进行阈值分割，得到水平和竖直方向上的强边缘wx，wy：
[0017][0018]
其中m，n分别为梯度图l的横纵坐标个数；
[0019]
(5)在步骤(4)得到的梯度图l中找到灰度值为255的白色像素点位置，为参考图像i的边缘点；
[0020]
(6)在参考图像i的每一行的灰度值曲线中，把步骤(5)找到的边缘点记为pa，存在以下两种情况，第一种：当边缘点pa的左邻近灰度值大于右邻近灰度值时，在灰度值曲线上，选取距离边缘点pa左端最近的极大值点记为pa1与距离最近边缘点pa右端的极小值点记为pa2；这两极值点认为是边缘的起始点与结束点，pa2与pa1的间距大小即为边缘宽度w；第二种：当边缘点pa的左邻近灰度值小于右邻近灰度值时，在灰度值曲线上，选取距离边缘点pa左端最近的极小值点记为pa1与距离边缘点pa右端最近的极大值点记为pa2；这两极值点认为是边缘的起始点与结束点，pa2与pa1的间距大小即为边缘宽度w；
[0021]
(7)对步骤(6)得到的不同边缘宽度w用以下公式进行计算，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数：
[0022][0023]
(8)用下式得到加权平均边缘宽度：
[0024]
awid＝p(wi)wiꢀꢀꢀ
(6)
[0025]
(9)通过步骤(4)-(8)得到参考图像i的加权平均边缘宽度记为q1，对于利用视觉检测系统拍摄的待评价图像im，通过步骤(4)-(8)得到待评价图像im的加权平均边缘宽度，记为q2，令当q越接近1表示系统成像越清晰，越接近正常聚焦状态。
[0026]
本发明的有益效果如下：
[0027]
(1)可以在满足用户对成像质量评价的同时，实现工业现场对图像质量的快速检测。
[0028]
(2)克服现有评价方法未考虑相机畸变因素，提供一种视觉检测系统成像质量评价方法，该方法在考虑相机镜头畸变的基础上，基于微分算子法的边缘宽度提取，基于空间域边缘信息的工业现场成像质量评价方法，有效的提高了测量速度。
附图说明
[0029]
图1是标定板1示意图。
[0030]
图2是畸变后拟合曲线示意图。
[0031]
图3是图像一行灰度值示意图。
[0032]
具体实施方法
[0033]
本发明提供一种用于工业现场的视觉检测系统成像质量评价方法，如图1，采用标定板1。经过计算，直线对镜头畸变的灵敏程度最高，因此标定板上为直线。具体包括以下步骤：
[0034]
(1)在相机聚焦情况下对标定板进行拍摄，会因相机畸变导致标定板上实际成像位置与理想位置不一样，只考虑径向畸变，畸变中心为图像中心(0，0)，理想位置坐标为(xu，yu)，实际位置为(xd，yd)，二者有以下关系：
[0035][0036]
其中畸变系数k1，k2，由于理想坐标点在同一条直线上，xu，yu存在yu＝axu b关系。
[0037]
(2)对拍摄的图片直线上的n个特征点进行提取，为加快运算速度，采用最优化方式求解k1，k2，a，b。通过标定板上n个点，n取20～25，构建以下目标函数，其中c1表示ak2，c2表示k2，c3表示ak1，c4表示k1，c5表示a。
[0038][0039]
(3)k1，k2很小接近于0，给定k1，k2初值为0，a，b的初值利用相距最远的两点通过(1)式得到。根据(2)式建立levenberg-marquardt最优化求解模型，求解f极小值时的畸变系数k1，k2，参数a，b，由于初始值已经接近最优值，几次迭代便可搜索到最优值，得到实际点
xd，yd的表达式，根据此绘制曲线如图2。
[0040]
(4)步骤(3)所生成的曲线作为参考图像i。通过下式，利用sobel算子计算水平梯度gx和竖直梯度gy，其中sx，sy分别为水平和竖直sobel算子，通过水平梯度gx和竖直梯度gy得到梯度图l。
[0041][0042]
用下式对梯度图l进行阈值分割，得到水平和竖直方向上的强边缘wx，wy。
[0043][0044]
其中m，n为梯度图l的横纵坐标个数。
[0045]
(7)在梯度图l中找到像素值为1的白色像素点位置记为pa、pb，pa、pb为参考图像i的边缘点。
[0046]
(8)在参考图像i中分别计算竖直方向上和水平方向上的强边缘。以竖直方向上为例，竖直方向上的强边缘是在参考图像i的水平方向上寻找最接近边缘点的左右灰度极值点。
[0047]
如图3，为参考图像i中的某一行的灰度值曲线，当边缘点(pa)的左邻近灰度值大于右邻近灰度值时，选取距离边缘点pa最近的左极大值点pa1与右极小值点pa2；这两极值点可以认为是边缘的起始点与结束点，两点之差定义为边缘宽度w，pa2与pa1间距大小即为边缘宽度；当边缘点(pb)左邻近灰度值小于右邻近灰度值时，选取距离边缘点pb最近的左极小值点pb2与右极大值点pb1，两点之差为边缘宽度，pb1与pb2间距大小即为边缘宽度w。水平方向上的强边缘方法与上述类似。
[0048]
(7)对步骤(6)得到的不同强边缘用以下公式进行计算，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数：
[0049][0050]
(8)用下式得到加权平均边缘宽度：
[0051]
awid＝p(wi)wiꢀꢀꢀ
(12)
[0052]
(9)通过步骤(4)(5)(6)(7)(8)得到参考图像i的加权平均边缘宽度记为q1，对于利用视觉检测系统拍摄的待评价图像im，通过步骤(4)(5)(6)(7)(8)得到待评价图像im的加权平均边缘宽度，记为q2，令当q越接近1表示系统成像越清晰，越接近正常聚焦
状态。
[0053]
下面结合附图和具体实施方式对本发明作详细描述。最佳实施方式使用的设备有标定板1。
[0054]
第1步：在相机聚焦情况下对标定板进行拍摄得到带有畸变的图像，理想位置坐标为(xu，yu)，实际位置为(xd，yd)，二者有以下关系：
[0055][0056]
第2步：对拍摄的图片直线上的n个特征点进行提取，采用最优化方式求解k1，k2，a，b。通过标定板上n个点，n取20～25，构建以下目标函数，其中c1表示ak2，c2表示k2，c3表示ak1，c4表示k1，c5表示a。
[0057][0058]
第3步：建立levenberg-marquardt最优化求解模型，求解f极小值时的畸变系数k1，k2，参数a，b，由于初始值已经接近最优值，几次迭代便可搜索到最优值，得到实际点xd，yd的表达式。通过表达式绘制畸变后的拟合曲线。
[0059]
第4步：第3步的拟合后曲线作为参考图像i，利用sobel算子计算水平梯度gx和竖直梯度gy，sx，sy为水平和竖直sobel算子。通过水平梯度gx和竖直梯度gy得到梯度图l。
[0060][0061]
用下式对梯度图l进行阈值分割，得到水平和竖直方向上的强边缘wx，wy。
[0062][0063][0064]
其中m，n为梯度图l的横纵坐标个数。
[0065]
第5步：在梯度图l中找到像素值为1的白色像素点位置记为pa、pb，pa、pb为参考图像i的边缘点。
[0066]
第6步：在参考图像i中分别计算竖直方向上和水平方向上的强边缘。具体操作如下：
[0067]
(1)竖直方向上的强边缘是在参考图像i的水平方向上寻找最接近边缘点的左右灰度极值点。在参考图像i中的每一行灰度值曲线中，当边缘点(pa)的左端灰度值大于右端
灰度值时，选取距离边缘点pa的左极大值点pa1与右极小值点pa2；这两极值点可以认为是边缘的起始点与结束点，两点之差定义为边缘宽度，pa2与pa1之差即为边缘宽度；当边缘点(pb)左端灰度值小于右端时，选取距离边缘点pb的左极小值点pb2与右极大值点pb1，两点之差为边缘宽度，pb1与pb2之差即为边缘宽度。
[0068]
(2)水平方向上的强边缘是在参考图像i的竖直方向上寻找最接近边缘点的左右灰度极值点。在梯度图l的每一列灰度值曲线中，用(1)中相同方法，寻找边缘宽度。
[0069]
第7步：计算边缘宽度概率，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数。
[0070][0071]
第8步：计算加权边缘宽度。
[0072]
awid＝p(wi)wiꢀꢀꢀ
(18)
[0073]
第9步：参考图像i的加权平均边缘宽度记为q1。
[0074]
第10步：当相机产生离焦时，对于利用视觉检测系统拍摄待评价图像im，通过第4，5，6，7，8，9步得到待评价图像im加权平均边缘宽度记为q2，令当q越接近1表示系统成像越清晰，越接近正常聚焦状态。