本發明屬于單目視覺鈑金測量系統中提升測量精度領域，具體涉及提升輪廓精度方法。

背景技術：

鈑金是在工業中被加工成平面薄片的一種金屬，具有強度高、屏蔽性強、成本低、易于批量生產等特點，在工業、航天業、汽車業、電子通信、醫療甚至家居等領域有著廣泛的應用，是空調、冰箱、手機、電視的必不可少的原料之一。鈑金經常被加工成各式各樣的形狀以滿足產品的外觀和功能需求。通常，同一鈑金零件的厚度是均勻的，厚度范圍在1mm到5mm之間且為整數，大多數鈑金零件的外輪廓呈矩形。鈑金零件加工是否合格一個重要的判別標準是其加工尺寸和設計尺寸的偏差程度。

傳統的檢測做法是使用游標卡尺等測量工具進行測量。工業中使用的游標卡尺精度大多為0.05mm，也有部分使用的精度為0.02mm，對于小型的部件(尺寸在500mm×500mm以下)，可以使用游標卡尺較為準確的測量其外部輪廓和關鍵點的信息，經驗豐富的生產線工人對這類零件的尺寸測量可將精度保持在0.1mm左右。然而，尺寸較大的鈑金零件通常無法進行一次性測量，即使使用市面上3m及3m以上量程的游標卡尺，其測量效率也十分低下，并會很大程度的影響測量精度。

單目視覺在目前的圖像處理領域應用廣泛，它使用一臺視覺傳感器來進行拍攝，這種方法結構簡單，相機標定簡單，算法也相對比較簡單，而且能得到較好的效果，甚至在某些領域效果更加顯著。基于單目視覺的鈑金零件測量系統就是用來避免傳統使用游標卡尺進行測量的諸多弊端。國內外近年來出現了很多的基于該類技術的商業產品，技術成熟，功能也十分的全面。這類產品配套的硬件設備操作簡單方便，測量時間較快，測量結果也較為精確。并且考慮了相機模型、鏡頭畸變、光照強度等因素，通過各類模型真實的還原了鈑金輪廓。

機器學習作為近年來人工智能領域，乃至計算機領域相當熱門的技術，在許多領域有著十分廣泛的應用。目前機器學習的理論研究和相關技術都非常的成熟。它是一種多領域交叉學科，擬在研究出利用機器來模擬與人類學習行為相似的行為，使得機器有著自我學習和優化的功能，并可以獲得新的知識，不斷完善自身。作為人工智能的核心，機器學習會利用現有數據和先驗的經驗來優化自身。一般情況下，機器學習的過程就是，首先我們把學習的信息提供給系統的學習部分，接著計算機通過對訓練集的學習來修改自身的知識庫，增進自身的各項效能，最后，更好地執行根據知識庫完成的任務，并將結果反饋給訓練部分。

技術實現要素：

本發明基于單目視覺的鈑金測量系統中獲取鈑金零件的二維真實輪廓，針對拍攝圖的單雙邊緣共存、鈑金區域與背景區域分離、存在畸變現象、拍攝平面與鈑金平面不完全平行等特點，利用邊緣檢測算法但又不限于以此作為鈑金零件的真實邊界。本發明的主要內容如下：

1)使用單目視覺鈑金測量系統獲取到的圖像為二維圖像，受拍攝角度、拍攝距離以及相機本身的影響，帶有一定的畸變并且無法表示真實的尺寸信息。本發明利用相機標定所得到的的相機內參和外參等信息對畸變圖像進行校正，并利用真實相機坐標系和虛擬相機坐標系之間的轉換還原輪廓的真實尺寸和輪廓點的真實位置。

2)采用圖像處理的方式提取高精度輪廓點。針對鈑金檢測中拍攝圖像的背景區域與鈑金區域分離的特殊性，提出了基于高斯影響的亞像素偏移算法，在已知背景區域和鈑金區域的灰度值的前提下，利用像素點的灰度值和灰度梯度方向使用該算法快速高效的對像素級邊緣點進行亞像素級定位。

3)采用機器學習進一步提高輪廓點提取精度。為了能夠讓提取到的輪廓點達到更好的精度，分析輪廓提取過程中使用到的模型和計算所帶來的誤差，對可能對輪廓點造成偏移的因素進行分析建模，以此作為特征空間，引入softmax回歸來對輪廓提取的結果進行優化。

附圖說明

圖1為空間坐標系矯正示意圖。

圖2為二值函數增加高斯影響的示意圖。

圖3為本發明的softmax回歸訓練運行過程示意圖。

圖4為本發明的效果對比示意圖。

具體實施方式

1)空間坐標系矯正

如圖1所示，已知輪廓點p(u,v)，首先需要求得其在三維坐標系中的位置，若要對二維點進行三維空間的映射，需要借助平面f，相機坐標系的o點與p連線過平面f的焦點即為p的三維坐標系中的位置。令f為以相機坐標系為基準的鈑金平臺平面，現要求得其表達式。在此引入方格標定板作為輔助工具來檢測，用于獲取f平面上的物理標尺以及與成像平面的夾角信息，也即平移向量t和旋轉矩陣r。在此建立世界坐標系，以標定板的左下角角點為原點，角點向右方向為x方向，角點向上方向為y方向，垂直于標定板平面向上的方向為z方向。

在此默認已經對相機的內參進行標定并求得相應的內參。點p(u,v)在成像平面上的物理坐標為：在點o與點p連接線上與其延長線op上的任意一點m(xc,yc,zc)都可以講圖像物理坐標映射為(x,y)，當且僅當

將op與面f的交點作為輪廓點p在三維坐標系中的映射點。將該點利用進行平移旋轉的逆操作得到其在世界坐標系中的坐標p(xw,yw,zw)。由于m(xc,yc,zc)是在f平面上，而f平面正好是世界坐標系中的xoy平面，因此求得的zw＝0，也即世界坐標系坐標為p(xw,yw,1)。此時令p′為p點在xoy平面的映射點，則p′＝((xw,yw)。p′即為經過空間坐標系校正后的點。

2)輪廓計算

初始化變量鈑金區域灰度值lsum和背景區域灰度值hsum以及相應的像素個數和hn，并引入狀態變量state。state表示當前正在背景區域中1或是在鈑金區域中0，初始化為1。對灰度圖ggray自左向右、自上向下進行遍歷，若state＝1，則lsum增加當前像素的灰度值，且ln自增1，否則hsum增加當前像素的灰度值，且hn自增1。遍歷過程中，當前后兩個像素坐標在圖gcanny分別為輪廓點和非輪廓點時，反轉state的值。重復此過程，直到遍歷完整張灰度圖，得到h＝hsum/hn和l＝lsum/ln。將l和h的值分別作為二值曲線的下限和上限，分段函數表達式為將高斯的影響加入真實邊緣的二值函數，如圖2，則邊緣處的灰度值沿梯度方向的變化函數g(n)表達式為g(d)＝l+(h-l)·其中自變量d表示梯度方向上的像素坐標和亞像素坐標的直線距離，l和h表示鈑金區域和背景區域的灰度值平均值，sgn(x)為標準0-1分段函數，σ表示高斯影響因子，σ值越大，對目標像素點提取時，周圍灰度值對其灰度值的影響越大。

由于圖像的gr(x)的分布值是離散的，可取有限的x的取值集合，令每一個x滿足g(x-d)＝gr(x)，求得d，最后將所有的d值取平均值dave。則p在灰度梯度方向α上移動的坐標為從而，求得亞像素坐標(x+diffx,y+diffy)。

3)softmax回歸優化。

由于受到輪廓提取模型本身的限制以及計算過程中帶來的一些的誤差，并不能完全保證提取到的輪廓與真實值完全相等。而我們除了擁有大量的標準鈑金件的拍攝圖作為原始數據，還擁有相應的設計圖，在這里可以理解為真實值，利用機器視覺測量出圖像中的鈑金輪廓便有了“最終目標”。經過圖形匹配后建立了鈑金輪廓與相應cad圖形元素的對應關系，可以認為通過圖像提取到的輪廓點有理論上的真實坐標位置。值得注意的是：在實際應用的過程中，雖然每一張鈑金的拍攝圖都有其對應的cad圖，但并不能主觀的將每一個輪廓點貼近cad圖，這是由于受加工工藝限制，鈑金的實際輪廓并不一定能和cad圖完全重合。

使用softmax回歸進行優化的目的是提高鈑金輪廓與cad圖的匹配度，即令式取得最小值。輪廓提取的過程使用的策略為使用畸變模型、針孔模型以及邊緣檢測等方法盡可能的還原由鈑金到圖像的整個變換過程，讓輪廓上的所有的點接近真實值。將以每一個輪廓點及其相應真實點作為訓練單元，將真實點和偏差點之間的距離作為訓練集中的輸出空間，將影響真實點移動到偏差點的因素一個作為訓練集中的特征，依次對每幅圖中每組訓練單元進行訓練并建立模型，具體過程如圖3所示。也就是說，為了使所有輪廓點與cad圖形元素的距離之和盡可能的最小，采用單點的方式讓輪廓點接近cad圖，即減小n個點中每一個距離dist(mi,minmi(c))。

4)回歸優化效果展示

圖4為經過對訓練集訓練之后對測試集的校正效果數據。訓練過程耗時55.806s，測試集的計算過程耗時0.238s。測試集的計算結果分為兩組：第一組為當θ的取值范圍為(-π/2,π/2)時的輪廓點集，第二組為θ取值范圍為(-π/2,π/2)之外的輪廓點集。對比指標中，sdiv為測試集中輪廓點到cad圖的輸出值的平均值，mae為對測試集利用模型計算出的預測值的平均值與sdiv的差值，而masr表示回歸優化對結果優化的比率，公式為mse為測試集利用模型計算出的預測值與輪廓點到cad圖的輸出值的平局值差值的平均方差，rmse為測試集利用模型計算出的預測值與輪廓點到cad圖的輸出值的平局值差值的平均方差的平方。accu為對輪廓點偏移亞像素值的預測準確率，假設為隨機預測，該值應為1/(2/pr+1)＝4.76％。結果顯示，使用回歸優化之后，對輪廓點的精度定位有一定的提高，并且，對相機可以拍攝到鈑金輪廓側面的部分，使用softmax回歸之后效果要優于拍攝不到輪廓側面的部分。