机器图像视觉检测技术的研发与应用

机器图像视觉检测技术的研发与应用

尤容

 无锡云兴智能科技有限公司

摘要：随着计算机技术和通信技术的不断发展，机器图像视觉检测技术的技术已经日趋成熟，它已经成为了现代制造业中不可缺少的一项技术，在产品生产、国防科技、建筑安全、汽车制造、交通管理等领域中得到了广泛的应用。

关键词：机器视觉；检测；研发

引言：在近十年来，伴随着科技的不断发展和智能化生产的不断深入，视觉检测装置得到了飞速的发展。那些在技术、灵活性、有效性、精确性等领域具有较高创造性的产品，将会在这个变化的市场中获得巨大的成功。如今，随着技术的不断进步，交通系统也在逐步向智能化方向发展，而在检测的方法上，也逐渐倾向于用高科技的检测方式来取代传统的手工调查，这样不但可以防止信息遗漏，而且能够防止调查员的投机行为，还可以降低调查费用。因此，机器图像视觉检测技术在现代化的交通管理中起到了很大的作用。

1机器视觉原理及视觉测量的关键技术

机器视觉，字面上就可以明白，是基于机器的“双眼”看待外界实物，即将人眼替换为机器，进行科学化分析。机器视觉系统指的是：利用图像采集设备，将采集到的物体信号转换成电信号，再通过图像系统处理，按照一定的规则，能够有效的提取出图像中的目标实物，根据目标实物的行为判断出应该采取的动作。

机器图像视觉检测系统的技术主要包括以下四个过程：

1.图像采集

图像的采集，实质上是把被测物体的可视化影像及其固有特性转化成可由电子计算机处理的各种信息,它的主要内容分为照明影像的形成、影像确定与形成输出信息三方面。

2.图像处理

图像采集完毕后，机器内部会采用科学化计算将图像信号转化为电信号，进行图像处理分析，包括了图像滤波、图像增强、特征提取、图像识别等。

3.高精度系统标定

相机标定是对相机内外参量、目标空间参量、相机空间参量、等进行精确标定的过程。然而，由于透镜在成像过程中必然会发生变形，且小孔径投影模式假定下的图像也会有一定的偏差，因此，寻求一种简便且具有较高准确度的定标方法，是影响视觉测量结果准确性的重要原因。

4.亚像素边缘定位技术

在工业探测等领域，人们对图像的精细程度提出了越来越高的要求，像素级已经无法满足现在的测量要求，因此提出了一种新的、更精确的图像边界处理方法——亚像素边缘定位技术。

2机器图像视觉检测技术的应用

目前，在我们的周围已经出现了各种各样的机器人，它们在生产、运输、生活等各个方面都发挥着十分重要的作用。比如扫地机器人之类的。而给了它们“智慧”眼睛的，就是机器视觉技术，在未来的机器人行业中，将会有着巨大的发展潜力。其中最有代表性的例子就是在道路交通中运用了计算机图像的视觉探测技术。

由于图像处理装置的成本较高，而且处理速度较慢，所以在一些特定的场合应用也比较少。从70年代到现在，相关理论的发展和集成电路的革命，激发计算机技术的发展，图像处理的应用也随着越来越广泛。美国高速公路管理局于1978年聘请希尔伯特、卡尔、格罗斯、汉森、奥莱布和约翰逊等人研发了一套宽带监测系统（WADS)，其他国家（日本，法国，英国，瑞典）也在这项技术上投入了大量的资金，取得了很好的效果。与国外相比，我国将图像处理技术应用于交通的发展，在最近几年中，我国已经取得了很大的进展，比如，我国现在比较流行的车牌识别，有多个厂商推出了相应的产品。接下来，对机器图像视觉检测技术在交通上的应用，分三个部分进行简要的介绍。

2.1车辆检测

车辆检测的方法可大致分为样本点检测、检测线检测和全图像检测等方式，此外，对于夜间车辆检测的具体内容有：

2.1.1样本点检测

在道路的某个区域，选择一个像矩阵一样的样本点，当有车辆经过时，样本点的灰阶值与原来的道路有很大的差异，如果这两个数据的差值大于一定的阈值，就表明有车辆出现。

2.2.2检测线的探测

本项目提出了一种基于多个像素的检测线，即在一条垂直或水平的车流中，建立一条由像素组成的虚拟检测线，从而实现对有车流和没有车流进行有效识别。当两个灰色度数的差值超过一定的阈值时，表明有车经过。采用样点或探测线上探测方法，只提取一部分像素数据来进行处理，大大降低了数据的处理量，大大降低了操作时间；为了满足实时（Real-Time）检测的需求，当前已被实际运用于交通检测的图像处理系统 AUTOSCOPE就是以检测线进行处理。

对于行驶简单的道路，采用样点法和探测法，可以取得较好的探测效果；但是，在复杂的交叉路口，由于汽车除了行驶，还需要转弯，因此，在交叉路口的任意一个方向上，如何设置采样点（探测线）是一个难点问题。

2.2.3全图像检测

采用全图像检测处理的车辆交通能够获取更多的信息，但是需要处理的数据量也显著增大。属于这个检测的方法有两种，一种是背景相减方法,另一种则为二值化方法:背景相减方法指的是选取一个没有汽车出现过的图像当做背景,把所有有关汽车的图片和背景图像进行逐点相减之后,就能够获得所有和汽车有关的部分,例如TRIP系统。二值化的方法是将一幅画面切成一定的阈值，大于这个阈值的像素就会被切成255像素，小于这个阈值的像素就会被切成0像素，这样就能将对象和背景分开了。

背景相减和二值化都有很多不足之处，比如背景相减需要频繁地更新，而二值化的步骤比较繁琐，而且这两种方法都有一个共同的不足，那就是在目标与背景接近的情况下，目标的分割会失败，另外，阈值的设定也很难实现，所以才会有多值分割的方法被提出来，但是过程比较复杂。

2.2.4夜间车辆检测

根据国外 R. Taktak、 Rita Cucchiara、 Cucchiara等人的观点，由于夜晚图像所含有的信息不同于白天图像，因此，在算法的运用和检测过程中，将会有较大的不同。通常情况下，在夜晚或黑暗中，最引人注目的是汽车前灯、灯光、街灯以及斑马线等强反射物。他们发现，动态检测算法计算夜间拍摄的图像并不合适。

2.2车辆识别

因为国内外交通的差异，所以在国外，只对大车和小车进行区分，而在我国，情况就比较复杂了。但是，在通常的研究中，都会将车辆简化为大车、小车与机车，用这三种类型来进行区分。对于车辆种类的辨识，使用检测线或样点方法，因其数据之小，对车辆种类之辨识较为不利，所以使用该方法之方法并不多见。

“类神经网络”（Neural Network）是近年来快速发展并广泛应用于车辆种类识别中的一种新方法。另外，还可以通过车牌信息进行二值化处理，通过特征匹配实现车牌信息的识别和记录，通过与数据库的对比，实现每一种车辆的识别，从而实现对违章车辆的抓拍、车辆计数、车辆种类识别、起止点调查和行车时间分析等功能。

2.2.1车牌识别

目前，我国的车牌照识别技术已趋于完善，一些学者把汽车牌照的识别分为三个步骤：首先对汽车牌照进行预处理，对图像二值化后进行去噪处理。然后对牌照进行定位，使用联结元件标记方法，找到并分析联结元件，从而确定牌照的位置。在将所有的字符进行切割之后，根据字符的大小来决定各个构件的尺寸，然后再使用形态学的方法来寻找这些构件的特点，最后进行对比。

也有的学者采取了其他的方法，比如在搜索到牌照后，用图像分割法将字符切下来，然后再使用类神经网络进行文字的识别；也可以用灰阶转换数的方法来寻找车牌可能存在的部位,进而对字符加以拆分,然后再通过笔画分析法来确定字符,还可利用在图形上的灰阶数值的变化特征来找出车牌的方位,再通过垂直投影直方图来拆分字符,最后通过灰阶数值关联点来进行确定车牌位置。

2.2.2车辆跟踪

在一幅连续的图像上，对一辆汽车进行跟踪。安东尼 P.西沃是第一个通过检测和定位来实现对汽车的持续追踪的人。其中，用样本点或检测线来当作跟踪人，因为所选择的像素只限于某个固定的区域，所以处在一种被动的状态，这对于跟踪来说是非常不利的。N.Hoose便是以各临近方向均为双向二车道的T字型路口为例，在进入路口前和离开路口后的车道上，布设横向检测线屏蔽（Mask)，用来记录汽车驶入和驶出的接近方向的数字，同时通过照片上汽车的形状，大小，位置等信息，从而实现汽车的追踪，不过这样的方式有很大的误差。

3结语：随着科技的发展，机器图像视觉检测技术的应用范围越来越广，给人们的生活带来了很多方便，目前该项技术广泛应用于车辆交通管理方面，为相关部门的车辆交通管理提供了很大的便利，在未来我们应该不断探索机器图像视觉检测技术的其他用处。

参考文献：

[1]盛遵冰. 机器视觉图像检测与定位系统关键技术研究[D].哈尔滨工业大学,2009.

[2]陈铁健. 智能制造装备机器视觉检测识别关键技术及应用研究[D].湖南大学,2016.

[3]石争浩,冯亚宁,黄士坦,李长河.用于铸件表面缺陷机器视觉检测的快速图像处理技术[J].铸造技术,2005(04):325-327+347.