基于计算机视觉图像精密测量的关键技术研究

2021-06-26张波

电子测试 2021年3期

张波

（天津电子信息职业技术学院，天津，300300）

1 计算机视觉图像精密测量概述

1.1 工程应用过程中的计算机视觉系统建设目标

这个领域的很大一部分都集中在开发可以在现实世界中使用的应用程序上。一些例子包括制造过程中的质量控制，光学字符识别，驾驶员辅助系统，监控等领域，这些都有过分简化讨论的风险，我们将其称为计算机视觉的“工程”方法。这种方法的目标是让事情在短期内发挥作用。这些项目的工作主要是集中在解决现实世界中需要解决的问题，而不是研究人员发明的“玩具”问题;使视觉方法快到足以有用，与此同时使视觉系统更健壮，以便它们在更广泛的环境中工作;最后一个设计研究目标是使用现有技术设计系统，以便更容易预测特定项目的成功完成

1.2 计算机视觉作为理解智能的途径

人类大脑是有史以来最复杂、最迷人的结构的一个很好的候选者。它是已知的最熟悉但最不容易理解的结构之一。甚至顶尖的神经学家、神经科学家、心理学家、哲学家和计算机科学家都对人类大脑和人类视觉的能力感到困惑。有很多方法可以研究大脑，研究人类智力，研究行为。哲学家们研究一些基本问题，比如机器是否可能有意识，或者人类是否可能在一个确定的宇宙中拥有自由意志。心理学家形成一般的行为理论，然后在新的情景下评估它们，以测试它们的预测能力。神经科学家解剖尸体的大脑，并将电极植入活体动物(包括进行脑外科手术的猴子和人类) ，以记录单个微纳电子的活动。所有这些领域都为研究人类行为和大脑工作机制提供了宝贵的见解。额外的洞察力可以通过尝试建立一些工作起来像，或工作起来像，甚至可能工作得比大脑更好在解决某些问题。在视觉系统上工作可能不能为这些问题提供准确的答案，但它肯定会迫使人们去处理这些问题。结果往往令人惊讶，而且与用其他研究方法得出的结论大相径庭。这意味着计算机视觉是对其他理解智能方式的一个很好的补充。最后，似乎对大脑的彻底和深入的理解将需要所有提到的脑区做出重要的贡献

2 基于计算机视觉的尺寸测量误差修正研究

2.1 使用神经网络模型实现误差修正

神经网络是一种功能强大的网络技术，已成功地应用于制造系统的许多任务。有研究学者将一个具有最优生成特征的神经网络应用于IC检测。并且还能够使用多层神经网络结构的镀锌钢板质量控制监测。利用反向传播神经网络，能够开发光学检测系统，检测和分类处理金属表面的缺陷。当一组输入/输出模式给予前馈神经网络时，结构节点的权重和偏差不断调整，以减小网络输出和目标模式之间的差异。反向传播学习算法包括向前传递和向后传递。在训练过程中，两个过程都是针对每个模式演示的。当网络达到满意的性能水平后，定义了输入模式和输出模式之间的关系，并用它们来估计新输入模式的输出。换句话说，输入节点的信息通过前向传递的输出节点提供，计算和更新是一层一层地进行的。

计算网络输出与目标模式之间的差值，并计算隐含单元的误差。然后根据训练数据得到的 pth 模式的目标值与输出单元的实际输出值的平方差的总和，形成误差函数。反向传播算法在权值的误差函数上使用梯度下降法。应用递归过程计算用于计算均衡器中权重变化的增量值，在这个递归过程中，可以从每次运行的结果中获得新的增量权重。当所有输出单元的误差平方和(tss)小于选定的准则时，递归过程可以终止。结构化神经网络导出了误差修正比，该误差修正比与初始测量值相乘以得到更好的测量结果。

2.2 校准图像/坐标系

当使用物体边缘点的坐标来计算其尺寸时，图像的像素大小应该是精确的。然而，在大多数系统中，不仅x方向的像素单位长度不同于y方向的像素单位长度，而且不同位置的像素大小也不同。例如，对于ITEX100图像处理系统中心周围的像素，x方向的单位长度与y方向的单位长度之比为1.73。当一个像素离开中心时，它会改变为一个不同的比率。为了提高测量精度，在建立计算机视觉检测系统之前，需要对图像坐标系进行适当的标定。通过改进这些方法，我们可以开发一种模型化方法来校准不同地理位置的不同变化。单个像素在不同位置的方向与不同数量的误差有关。不同的坐标标定比率必须适用于不同位置的图像点。图1示出了可用于建立真实物体坐标与其在不同位置上的图像坐标之间的关系的标定点的检查组。

图1 坐标校准构造神经网络的数据点示意图

扫描这些圆后，由于x方向和y方向的单位长度不同，得到了椭圆图像的数据集。利用椭圆图像的几何中心映射物理圆的几何中心坐标。一旦定义了图像位置与其真实物理位置之间的关系，就可以对扫描图像点的图像坐标进行标定。

3 精密定位工作台面内位移实时跟踪案例

具有纳米级分辨率和精度的精密定位平台已广泛应用于精密工程应用，如扫描探针显微镜精密机械扫描，微/纳操作和制造和光学对准。与此同时，如何快速有效地衡量他们的行动，已经成为进一步推动这些PPSs实施的关键问题。事实上，在微/纳米尺度上精确检测和测量位移是困难和具有挑战性的，特别是当同时需要高精度、大范围和多自由度(DOF)测量能力时。检测单个自由度的位移是相对容易的。人们可以简单地使用市场上已经有的各种传感器，例如电容传感器、激光干涉仪、光栅尺和涡流位移传感器。另一种方法是使用基于干涉测量的方法，由于它的优势高分辨率，大测量范围，高带宽。由于视觉传感技术具有低成本、非接触、高精度和多自由度测量能力的基本优点，在刨床刚性运动测量中引起了广泛的关注。现有的视力测量方法大致可分为两类:基于相位相关的方法和基于强度的方法。对于基于相位相关的方法，其基本原理是两个图像序列之间的微小移动可以在傅里叶域内转换为线性相位差。文中提出了一种高效的亚像素精度相位相关算法，该算法采用矩阵乘离散傅里叶变换和上采样技术，称为上采样相位相关法(UPC)。在UPC的基础上，冯等人实现了某土建结构的动态位移监测。虽然上采样过程可以提高UPC算法的准确性，但是成本在20秒计算时间内会有显著的增加。此外，一旦两个图像序列之间的转移过大，一个错误的结果可能产生。为了克服这些缺点，一个可能的解决方案是设计一个包含某些频率信息的特殊模式。然而，特殊图案的设计和制作会增加成本和复杂性。提出了一种基于显微视觉的精密定位工作台面内位移实时高精度跟踪测量方法。为了实现被测舞台表面的高放大率和高视频率成像，建立了显微视觉成像系统。此外，提出了一种加速逆向优化搜索(AIOS)算法，该算法采用最优模板选择策略(OTC)和分段更新策略(PU)，并与 IOS 方法相结合，实现了高精度、高帧率的模板匹配。仿真研究分别验证了OTC策略、PU策略和AIOS算法的有效性。实验结果表明，该方法能够有效地实现精密定位工作台在数百赫兹频率下的位移测量，精度达到纳米级。通过设计基于机器视觉的算法，图1显示了由显微镜捕捉到的分辨率为1624×1234的柔顺变位机表面的图像。模板的大小设置为80×80。实施 OTC 策略后，选择了七个具有不同角响应值的模板，如图1所示(带有框标记)。

图1 模拟中使用的参考图像和模板示意图

为了检验这些模板的收敛特性，我们首先给它们相同的初始偏差。在此基础上，采用15次迭代的方法对每个模板的位置进行搜索。当前估计结果与模板的实际位置之间的距离称为残差。除了第六个模板之外，所有的模板在15次迭代之后都会聚合。然而，只有前三种方法收敛到真正的解，而其余三种方法收敛到局部最优。可以发现，收敛速度与模板的r值几乎呈正相关。此外，当r小于106时，迭代优化可能进入局部最优，甚至不能收敛。该方法不需要人工标记或特殊图案，具有准确率高、帧频高的优点。仿真试验和实验测试都证明了该方法对高精度、高频率精密定位工作台面内位移跟踪的有效性。采用 OTC 策略设计显微图像序列实时处理的 AIOS算法，该方法可以作为运动性能评价和运动控制系统闭环控制的替代方法，也可以作为长期微动监测的辅助视觉传感器。