楊 巍，劉瓊

（武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢 430081）

摘要：針對(duì)當(dāng)前夏比擺錘沖擊試驗(yàn)中夏比試樣擺放方式具有一定危險(xiǎn)性，且擺放位置精度易受影響問(wèn)題，提出一種改進(jìn) LSD的夏比試樣工位點(diǎn)定位方法。首先對(duì)采集到的夏比試樣圖像進(jìn)行預(yù)處理操作，基于預(yù)處理后的圖像，利用非極大值抑制改進(jìn) LSD算法中直線支撐域的種子點(diǎn)選取方法，實(shí)現(xiàn)加快直線檢測(cè)速度；然后對(duì)檢測(cè)得到的直線進(jìn)行共線篩選合并；最后進(jìn)行工位點(diǎn)定位。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的LSD算法在夏比試樣工位點(diǎn)定位用時(shí)更短、精度更高，具有較好的工程應(yīng)用價(jià)值。

0 引 言

隨著社會(huì)的不斷發(fā)展，對(duì)鋼鐵的質(zhì)量要求也越來(lái)越高，為了檢測(cè)生產(chǎn)的鋼鐵是否符合標(biāo)準(zhǔn)，需要對(duì)其進(jìn)行試驗(yàn)，夏比擺錘沖擊試驗(yàn)就是用來(lái)測(cè)定金屬材料抗缺口敏感性的試驗(yàn)[1]。將生產(chǎn)需要測(cè)試的鋼材制備成一定尺寸和具有 U 型或 V 型缺口形狀的金屬試樣，放置在試驗(yàn)機(jī)上，以試驗(yàn)機(jī)舉起的擺錘進(jìn)行一次擊打，使得試樣沿著缺口沖斷，從而判斷材料是否合格[2]。國(guó)標(biāo)中規(guī)定試樣缺口對(duì)稱面與試驗(yàn)機(jī)砧座間的中點(diǎn)位置偏差小于0.5 mm，若夏比試樣缺口的擺放位置出現(xiàn)偏差則影響測(cè)試數(shù)據(jù)的準(zhǔn)確度。夏比試樣缺口對(duì)稱面中心位置即為夏比試樣工位點(diǎn)，傳統(tǒng)定位方法是由人工利用特制的試樣對(duì)中夾鉗進(jìn)行試樣的放置，操作人員利用夾鉗夾取試樣，當(dāng)夾鉗的斜面與砧座的斜面正好吻合時(shí)則放置成功，完成定位，否則放置失敗。操作人員手動(dòng)放置試樣示意圖如圖1所示。

然而這種傳統(tǒng)擺放方式當(dāng)需要試驗(yàn)的試樣數(shù)量很大時(shí)，工作人員極易產(chǎn)生疲勞而影響試樣的擺放，若出現(xiàn)放置錯(cuò)誤，不僅測(cè)試數(shù)據(jù)的準(zhǔn)確度會(huì)受到影響，甚至?xí)斐稍嚇语w濺，對(duì)工作人員的人身安全產(chǎn)生威脅。隨著智能化產(chǎn)線在工廠的逐步應(yīng)用，通過(guò)人工擺放試樣的方式已經(jīng)無(wú)法滿足需要，因此，研究夏比試樣工位點(diǎn)定位的方法具有一定的重要性。目前國(guó)內(nèi)外利用圖像處理技術(shù)進(jìn)行夏比試樣工位點(diǎn)定位的研究尚有欠缺，夏比試樣工位點(diǎn)定位最為重要的部分就是直線檢測(cè)部分，檢測(cè)結(jié)果直接影響著測(cè)試數(shù)據(jù)的準(zhǔn)確性。

現(xiàn)有文獻(xiàn)對(duì)直線檢測(cè)的算法主要可分為兩種：基于邊緣檢測(cè)的方法和基于梯度變化的方法。基于邊緣檢測(cè)的方法需要先檢測(cè)邊緣再進(jìn)行直線擬合，其擁有良好的運(yùn)行速度、能融合全部信息等優(yōu)點(diǎn)。文獻(xiàn)[3]對(duì)滿足條件的點(diǎn)進(jìn)行霍夫變換，檢測(cè)試卷邊緣直線進(jìn)行傾斜矯正。文獻(xiàn)[4]先使用Ratio算子進(jìn)行電力線的邊緣檢測(cè)，再利用霍夫變換的方法進(jìn)行電力線提取，霍夫變換易于實(shí)現(xiàn)，但易產(chǎn)生誤檢測(cè)，適用于線段長(zhǎng)且邊緣明顯的場(chǎng)景。文獻(xiàn)[5]先利用Canny算子進(jìn)行目標(biāo)邊緣檢測(cè)，根據(jù)檢測(cè)信息用最小二乘法對(duì)機(jī)器人末端直線進(jìn)行擬合，最小二乘法簡(jiǎn)單便捷、速度快，但易受干擾點(diǎn)影響，較適用于干擾少的場(chǎng)景。文獻(xiàn)[6]采用LSD（Line Segment Detector）算法進(jìn)行直線檢測(cè)來(lái)完成圖書分割，LSD 算法利用梯度信息檢測(cè)能有效區(qū)別相鄰線段，但較適用于直線連續(xù)性較低的場(chǎng)景。文獻(xiàn)[7]采用 EDLines 算法進(jìn)行遙感影像直線提取，EDlines算法擁有良好的抗噪性且運(yùn)行速度快，較適用于線段連續(xù)性要求不高的場(chǎng)景。考慮到夏比試樣邊緣粗糙且對(duì)線段連續(xù)性及檢測(cè)時(shí)間要求高，在研究了夏比試樣工位點(diǎn)定位原理后，本文提出一種基于改進(jìn)LSD的夏比試樣工位點(diǎn)定位方法。利用改進(jìn)的LSD算法快速準(zhǔn)確地檢測(cè)出圖片中所有的直線，再通過(guò)直線合并后篩選出特征直線，實(shí)現(xiàn)夏比試樣的工位點(diǎn)定位。

1 圖像處理工位點(diǎn)定位原理

國(guó)內(nèi)某鋼鐵廠生產(chǎn)的夏比試樣V型槽缺口面示意圖如圖2所示。標(biāo)準(zhǔn)尺寸的夏比試樣長(zhǎng)度為55 mm，寬度和高度均為10mm，在試樣長(zhǎng)度中間刻制有 V 型缺口，V 型缺口夾角為45°，其深度為2mm，底部曲率半徑[8]為0.25 mm。根據(jù)試樣擺放的要求，夏比試樣的工位點(diǎn)定位采用圖2中識(shí)別點(diǎn)坐標(biāo)的方法，通過(guò)檢測(cè)ab，bc，ac三條直線段計(jì)算工位點(diǎn)的位置信息。將該位置信息與標(biāo)準(zhǔn)件測(cè)得的位置信息進(jìn)行比較，將差值輸出給工業(yè)機(jī)器人，機(jī)器人根據(jù)偏差值進(jìn)行矯正進(jìn)而完成夏比試樣的擺放。

由以上分析可知，夏比試樣定位主要依靠檢測(cè)特征直線完成。根據(jù)國(guó)內(nèi)某鋼鐵廠要求，輸出識(shí)別點(diǎn)位置的時(shí)間不得超過(guò) 800 ms，因此只需快速準(zhǔn)確地檢測(cè)出夏比試樣圖像中的 V 型槽缺口特征直線即可。

2 夏比試樣工位點(diǎn)定位算法設(shè)計(jì)

2.1 夏比試樣工位點(diǎn)定位流程

為了對(duì)夏比試樣工位點(diǎn)進(jìn)行定位，本文首先對(duì)采集的圖像進(jìn)行預(yù)處理，對(duì)預(yù)處理后的圖像利用改進(jìn)的LSD算法獲取夏比試樣圖像中的線段，再對(duì)檢測(cè)的線段進(jìn)行篩選與共線合并，得到夏比試樣 V型缺口特征直線，最后通過(guò)計(jì)算得到夏比試樣工位點(diǎn)坐標(biāo)。算法流程如圖3所示。

2.2 圖像預(yù)處理

由于采集到的夏比試樣圖像較大，包含許多無(wú)關(guān)信息且存在很多噪聲，所以在進(jìn)行直線檢測(cè)前需要對(duì)夏比試樣圖像進(jìn)行預(yù)處理操作。首先對(duì)輸入圖像使用7×7模板的中值濾波，達(dá)到去除噪聲并保護(hù)邊緣的目的，再進(jìn)行感興趣區(qū)域（ROI）提取，將圖像截取為僅包含夏比試樣V型缺口部分，濾除與工位點(diǎn)定位的無(wú)關(guān)信息。夏比試樣原圖及預(yù)處理各個(gè)階段的效果如圖4所示。

2.3 改進(jìn)的 LSD 算法

LSD算法是一種可直接在灰度圖像中進(jìn)行邊緣直線檢測(cè)的算法[9?10]，其主要優(yōu)點(diǎn)有：無(wú)需參數(shù)設(shè)定，能夠在線性時(shí)間內(nèi)得到亞像素級(jí)精度的檢測(cè)結(jié)果，可很好地區(qū)分出相鄰線段，但其存在過(guò)分割問(wèn)題，且在夏比試樣 V型槽特征直線檢測(cè)中耗時(shí)超過(guò)800 ms。本文對(duì)LSD算法中直線支撐域增長(zhǎng)種子點(diǎn)的選取過(guò)程進(jìn)行了改進(jìn)，使用非極大值抑制篩選種子點(diǎn)。算法具體可分為以下步驟：

1）梯度信息計(jì)算。針對(duì)圖像中的鋸齒效應(yīng)會(huì)影響檢測(cè)結(jié)果，對(duì)原始圖像進(jìn)行高斯降采樣，使圖像按比例縮小為原圖的80%。然后計(jì)算圖像的像素梯度信息，LSD算法的梯度信息使用如圖5所示的2×2模板進(jìn)行計(jì)算。

圖5中i (x, y) 為點(diǎn)(x,y) 的灰度值。i(x,y) 處x,y方向上梯度值gx (x, y )，gy(x,y)的定義如式（1）與式（2）所示：

2）種子點(diǎn)選擇。像素點(diǎn)的梯度值越高則說(shuō)明該處為強(qiáng)邊緣，所以直線支撐域增長(zhǎng)從高梯度值像素開始，改進(jìn)LSD算法采用在梯度方向上進(jìn)行非極大值抑制（NMS）[11?12]的方法選取直線支撐區(qū)域增長(zhǎng)的種子點(diǎn)。NMS可理解為局部最大值搜索，主要進(jìn)行邊緣細(xì)化，在邊緣檢測(cè)、人臉檢測(cè)、目標(biāo)檢測(cè)等領(lǐng)域廣泛應(yīng)用，在本文中用來(lái)進(jìn)行種子點(diǎn)的選擇。設(shè)置采樣頻率為3，對(duì)比中心像素與其梯度方向上的點(diǎn)dTmp1與dTmp2的梯度值，

若中心像素的梯度為極大值，則保留，反之舍棄。對(duì)于像素C進(jìn)行 NMS 計(jì)算的示意圖如圖6所示。像素C在x方向梯度為gx，y 方向梯度為gy，當(dāng)|gy|>|gx|，x，y方向的梯度方向一致時(shí)，對(duì)應(yīng)圖中直線1，方向不一致時(shí)對(duì)應(yīng)圖中直線2；當(dāng)|gy|<|gx|，方向一致時(shí)，對(duì)應(yīng)圖中直線4，方向不一致時(shí)，對(duì)應(yīng)圖中直線3。

數(shù)字圖像中的像素點(diǎn)是離散的二維矩陣，點(diǎn)C處的梯度方向上的點(diǎn) dTmp1 與 dTmp2 的梯度值需要通過(guò)對(duì)其兩側(cè)的點(diǎn)進(jìn)行插值計(jì)算得到[13]。其計(jì)算公式如下：

式中：M (g1)，M(g2)分別為g1，g2處的梯度幅值；M(g3)，M(g4)分別為點(diǎn)g3，g4 處的梯度幅值；w 為權(quán)重。w 的計(jì)算公式如下：

式中g(shù)x，gy分別為中心像素的 x方向和 y方向梯度值。

通過(guò)上述非極大值抑制后得到候選種子點(diǎn)，設(shè)置梯度幅值閾值篩選種子點(diǎn)像素來(lái)提高直線檢測(cè)算法的效率及效果。該閾值計(jì)算公式為：

式中：q為灰度量化誤差上限；τ為直線支撐區(qū)域生長(zhǎng)時(shí)梯度方向角的最大容差。經(jīng)過(guò)閾值篩選后可得到種子點(diǎn)。

3）直線支撐區(qū)域增長(zhǎng)。遍歷步驟2）中的種子點(diǎn)，且種子點(diǎn)不重復(fù)使用，以選取的種子點(diǎn)水平線的平均角度作為區(qū)域初始生長(zhǎng)角度，搜索其8鄰域內(nèi)未被搜索過(guò)的像素，當(dāng)該像素的水平線角度與區(qū)域生長(zhǎng)角度小于容忍度τ，則將其加入直線支撐區(qū)，并按照式（9）更新平均角度[14]。

式中θ為像素j的水平線角度。再以更新后的β繼續(xù)搜索，當(dāng)該直線支撐區(qū)域無(wú)新的滿足條件像素點(diǎn)加入時(shí)，則停止生長(zhǎng)，遍歷種子點(diǎn)并重復(fù)執(zhí)行，可得到全部支撐區(qū)域。

4）直線生成。首先計(jì)算支撐區(qū)域的最小外接矩形，再計(jì)算得出該矩形的中心、方向角、長(zhǎng)和寬等信息，經(jīng)過(guò)該中心并且方向?yàn)樵摼匦蔚姆较蚪堑闹本€為其矩形包圍的支撐域所生成的直線。根據(jù) Helmholtz 原則對(duì)生成的直線進(jìn)行檢測(cè)[15]。定義直線區(qū)域 r的錯(cuò)誤報(bào)警數(shù)（NFA）計(jì)算公式如下：

式中：N和M分別為該直線支撐域r的寬和高；n為區(qū)域內(nèi)像素?cái)?shù)目；k為與區(qū)域方向一致的像素點(diǎn)數(shù)目；p為給定精度。p的計(jì)算公式為：

式中τ為支撐域生長(zhǎng)時(shí)梯度方向角的最大容差。如果直線支撐區(qū)域r的NFA小于ε，r為有意義的支撐域，可用于生成直線[16]。

2.4 線段篩選與合并

LSD算法易產(chǎn)生過(guò)分割，在完成直線檢測(cè)后，需要對(duì)LSD算法檢測(cè)得到的線段進(jìn)行合并。首先對(duì)得到的線段集合P設(shè)置長(zhǎng)度閾值α，過(guò)濾掉短線段后將剩余直線按照長(zhǎng)度進(jìn)行降序排列，從最長(zhǎng)的線段L1開始依次搜索后面的線段，設(shè)L1線段的長(zhǎng)度為len1，斜率為k1，截距為b1，遍歷剩余線段斜率和截距值，依次比對(duì)除該線段外的剩余線段的斜率和截距值，若兩條直線斜率和截距分別滿足閾值γ與β，則認(rèn)為這兩條直線共線，需要進(jìn)行合并，并將合并后的線段加入下一次搜索，否則認(rèn)為其為非共線直線且不加入下一次搜索，線段篩選與合并流程圖如圖7所示。

對(duì)需要合并的線段L1，Li，合并后的斜率和截距計(jì)算公式如下：

式中：len1和k1分別為線段L1的長(zhǎng)度和斜率；leni 和ki分別為剩余線段Li 的長(zhǎng)度和斜率。若L1的長(zhǎng)度大于需要合并線段長(zhǎng)度的5倍，則取L1線段的斜率和截距為合并后的斜率和截距；若L1的長(zhǎng)度大于需要合并線段且小于其5倍長(zhǎng)度，則將直線L1的斜率和截距權(quán)重設(shè)為0.95，需要合并線段的斜率和截距按權(quán)重為0.05進(jìn)行計(jì)算；若需要合并線段長(zhǎng)度相等，則將兩條線段的斜率和截距權(quán)重均設(shè)置為0.5，計(jì)算合并后的斜率和截距值。

3實(shí)驗(yàn)結(jié)果及分析

本文方法是在Windows 10系統(tǒng)下以Matlab 2018a作為實(shí)驗(yàn)運(yùn)行環(huán)境，處理器為Core i7?4510U@2.00GHz。實(shí)驗(yàn)中LSD算法參數(shù)設(shè)置為：圖像縮放尺度為0.8，梯度方向角度閾值為22.5，最小外接矩形內(nèi)部點(diǎn)數(shù)密度閾值為0.7，線段長(zhǎng)度閾值α設(shè)置為30，斜率和截距閾值γ與β均設(shè)置為1.5。通過(guò)對(duì)國(guó)內(nèi)某鋼鐵廠生產(chǎn)現(xiàn)場(chǎng)采集得到的夏比試樣V型缺口圖像進(jìn)行實(shí)驗(yàn)，分別使用 Hough變換、最小二乘法、LSD算法、LSD算法結(jié)合直線篩選合并和本文算法進(jìn)行直線檢測(cè)，檢測(cè)效果如圖 8所示。

為了更好地量化檢測(cè)效果，本文采用平均放置誤差P 對(duì)以上幾種方法的直線檢測(cè)效果進(jìn)行評(píng)估，平均放置誤差P定義如下：

式中：Pi為夏比試樣放置精度；N為試驗(yàn)次數(shù)；Pix為檢測(cè)得到的夏比試樣工位點(diǎn) x坐標(biāo)信息；Bix為該圖像對(duì)應(yīng)的夏比試樣實(shí)際測(cè)量的工位點(diǎn) x坐標(biāo)信息；Piy為檢測(cè)得到的工位點(diǎn)y坐標(biāo)信息；Biy為實(shí)際測(cè)量的工位點(diǎn)y坐標(biāo)信息。采用的幾種算法直線檢測(cè)量化結(jié)果如表1所示，本次試驗(yàn)次數(shù)N為200。

從圖 8b）可以看出，Hough變換能檢測(cè)出夏比試樣V 型缺口圖片中的部分線段，但有誤檢測(cè)，無(wú)法直接檢測(cè)出所需的特征直線，且需要根據(jù)不同的圖設(shè)置不同閾值。圖 8c）使用最小二乘法檢測(cè)，面對(duì)圖像中存在多個(gè)邊緣方向的情況下只擬合出一條直線，雖然平均用時(shí)最短，但由于干擾點(diǎn)過(guò)多導(dǎo)致特征直線檢測(cè)失敗。圖8d）中，LSD算法能有效檢測(cè)出圖像中的所有直線，由于邊緣粗糙導(dǎo)致過(guò)分割問(wèn)題嚴(yán)重，且無(wú)法直接得出特征直線。圖 8e）使用LSD算法結(jié)合直線篩選合并，能檢測(cè)出V型缺口的部分特征直線，但部分線段依舊存在過(guò)分割問(wèn)題且無(wú)法滿足時(shí)效性，特征直線存在殘缺導(dǎo)致平均放置誤差為 0.13 mm。圖8f）使用本文算法，從圖中可以看出，有效檢測(cè)出了夏比試樣 V 型缺口的特征直線，且平均放置誤差為0.07 mm，低于其余方法且滿足國(guó)標(biāo)規(guī)定。本文算法的平均用時(shí)也明顯低于除最小二乘法以外的其余方法，這是由于本文提出的方法在種子點(diǎn)選擇時(shí)進(jìn)行了非極大值抑制，使得種子點(diǎn)數(shù)量減少，在直線支撐域生長(zhǎng)時(shí)種子點(diǎn)遍歷的時(shí)間復(fù)雜度為O(n)，種子點(diǎn)數(shù)量n的值減少，則時(shí)間復(fù)雜度也隨之降低，從而擁有更高效率。綜上可知，本文提出的方法無(wú)論是放置誤差還是用時(shí)均符合生產(chǎn)實(shí)際要求。

4 結(jié) 論

為了對(duì)夏比試樣的工位點(diǎn)進(jìn)行實(shí)時(shí)定位，本文根據(jù)夏比試樣特征提出了一種基于改進(jìn) LSD 的夏比試樣工位點(diǎn)定位方法。在傳統(tǒng)LSD算法的基礎(chǔ)上改進(jìn)了直線支撐區(qū)域生長(zhǎng)種子點(diǎn)生成方法，利用非極大值抑制來(lái)提取直線支撐區(qū)域的種子點(diǎn)從而進(jìn)行直線檢測(cè)，最后通過(guò)直線篩選與合并，對(duì)過(guò)分割的線段進(jìn)行合并來(lái)提取特征直線完成工位點(diǎn)定位。實(shí)驗(yàn)結(jié)果表明，本文方法檢測(cè)速度更快，平均放置精度更高，有效解決了LSD算法的過(guò)分割和耗時(shí)長(zhǎng)的問(wèn)題。另外，由于夏比試樣制備時(shí)會(huì)產(chǎn)生毛刺，在未來(lái)研究中，可以對(duì)夏比試樣圖像邊緣進(jìn)行進(jìn)一步優(yōu)化，以減弱邊緣毛刺對(duì)檢測(cè)結(jié)果的影響。

審核編輯：湯梓紅