圖像處理系統在自動化設備中用作位置反饋的一種方法

　　1. 在自動化設備中應用圖像處理系統的優點

　　自動化設備為了獲得準確的位置精度，通常采用兩種方法，一種是采用滾珠絲桿加交流伺服電機組成半閉環位置控制系統;另一種是采用位置傳感器，如：光柵尺、磁柵尺，以及高級控制器組成閉環控制系統。這兩種方法技術成熟，但成本較高。

　　我們采用國產圖像卡、鏡頭、臺灣產攝像頭和PC機，再加上滑動絲桿、步進電機和多軸運動控制器等元器件構成位置反饋控制系統。PC機通過處理圖像信息，檢測工件平面位置，控制電機運動，補償系統誤差。

　　采用這種結構我們成功的開發出多種自動化設備，如：自動點膠機、自動超聲波焊機等。其特點是：設備的精度高、成本低;由于有圖像顯示，調節點膠針頭、超聲波焊針和工裝的初始位置十分方便，對工裝的一致性要求也不高。

　　2. 系統結構與定位方法

　　下面以自動點膠機為例介紹該系統結構。圖1為該設備的外形，圖2為該設備的系統框圖。

　　圖1 自動點膠機外形

　　PC機通過攝像頭、圖像卡采集工件的平面圖像，經過圖像處理后，得到工件的當前位置;PC機通過RS-232串行端口，將運動指令發送給多軸運動控制器，控制器控制X-Y平臺、Z軸平臺運動以及點膠閥的開關。[1]

　　攝像頭固定在機架上不動，其放大倍數也是固定的，所以，圖像上的像素點對應工件上的長度是一定的，計算像素點個數，就能推算出距離及位置。

　　在正常工作之前，要將圖像系統和X-Y平臺位置、點膠針頭建立起對應關系。如圖3所示，將X-Y平臺從其原點開始移動，使工裝上的第一個工件出現在攝像頭拍攝的畫面中央， 系統軟件記錄下X-Y平臺的初始位置(X0，Y0);調整固定在Z軸平臺上的點膠針頭的位置，使其落在圖像畫面的針頭定位框內，從而針頭和攝像頭的相對位置就確定了。

　　正常工作時，系統軟件控制X-Y平臺從原點運動到第1個工件位置;抓取工件圖像，通過模板匹配技術，獲取工件當前位置;和理想位置比較后，調整X-Y平臺位置，消除誤差，并運動到點膠啟始位; Z軸下降到點膠高度，然后打開點膠閥開始點膠; X-Y平臺按點膠軌跡運動;關點膠閥，Z軸抬起，完成一個工件的點膠過程。

　　然后，X平臺平移距離d，第2個工件進入圖像畫面，取圖像、調整位置、點膠;如此重復，完成5個工件的點膠過程。

　　3. 模板匹配算法的改進

　　模板就是一幅已知的小圖像。模板匹配就是在一幅大圖像中搜尋目標，已知該圖中有要找的目標，且該目標同模板有相同的尺寸、方向和圖像，通過一定的算法可以在圖中找到目標，確定其坐標位置。

　　如圖4所示，模板T( m ′ n個像素)疊放在被搜索圖S( W ′ H個像素)上平移，模板覆蓋被搜索圖的那塊區域叫子圖Sij。I，j為子圖左上角在被搜索圖S上的坐標。搜索范圍是：

　　一種算法是衡量T和Sij的誤差，其公式為：

　　E( i, j )為最小值處即為匹配目標。為提高計算速度，取一個誤差閾值E0，當E( i, j )> E0時就停止該點的計算，繼續下一點計算。

　　為了提高模板匹配處理速度，設計了二次匹配誤差算法，即：

　　第一次匹配是粗略匹配。取模板的隔行隔列數據，即四分之一的模板數據，在被搜索圖上進行隔行隔列掃描匹配，即在原圖的四之分一的數據內匹配。由于數據量大幅度減少，匹配速度顯著提高。

　　為了合理的給出一個誤差閾值E0，設計了一個確定誤差閾值E0的準則：

　　E0 = e0 * (m+1)/2 * (n+1)/2

　　式中：e0為各點平均的最大誤差，一般取40～50即可;

　　m，n為模板的長和寬。

　　第二次匹配是精確匹配。在第一次誤差最小點( imin，jmin )的鄰域內，即在對角點為( imin-1, jmin-1), ( imin+1, jmin+1)的矩形內，進行搜索匹配，得到最后結果。

　　表1是無閾值誤差法、有閾值誤差法、二次匹配誤差法這三種模板匹配算法對兩幅圖像進行模板匹配的結果比較：

　　結果表明：被搜索圖越大，匹配速度越慢;模板越小，匹配速度越快。誤差法閾值的大小對匹配速度影響大，和模板的尺寸有關。改進后的二次匹配誤差法的速度大幅提高。

　　圖5是自動點膠機的PC機界面。為了提高匹配速度，被搜索圖由藍色框決定，大小可調;黃色框為模板，及工件的右下角;紅色框為工件外沿。從圖中可看出，工件偏向右側，說明位置有誤差，但圖像系統通過辨識工件的右下角，確定了工件的準確位置。點膠將在紅色框內進行。

　　4.二次匹配誤差法的主要代碼

　　#define AvEthreshold 40 // 各點平均誤差

　　int Ethreshold; // 誤差閾值

　　//計算誤差閾值

　　Ethreshold=AvEthreshold*((lTemplateHeight+1)/2)*((lTemplateWidth+1)/2);

　　// 第一次粗略匹配，找出誤差最小位置(nMaxHeight，nMaxWidth)

　　// 僅使用模板中隔行隔列的數據，在被搜索圖中隔行隔列匹配

　　nMinError = 99999999;

　　for (i = 0; i < lHeight - lTemplateHeight +1; i=i+2)

　　{

　　for(j = 0; j < lWidth - lTemplateWidth + 1; j=j+2)

　　{

　　nError = 0;

　　for (m = 0; m < lTemplateHeight; m=m+2)

　　{

　　for(n = 0; n < lTemplateWidth; n=n+2)

　　{

　　// 指向被搜索圖像倒數第i+m行，第j+n個象素的指針

　　lpSrc = (char *)lpDIBBits + lLineBytes * (i+m) + (j+n);

　　// 指向模板圖像倒數第m行，第n個象素的指針

　　lpTemplateSrc = (char *)lpTemplateDIBBits + lTemplateLineBytes * m + n;

　　pixel = (unsigned char)*lpSrc;

　　templatepixel = (unsigned char)*lpTemplateSrc;

　　nDelta=(int)pixel-templatepixel;

　　if (nDelta<0) // 做絕對值運算

　　{nError = nError-nDelta;}

　　else{nError = nError+nDelta;}

　　}

　　if (nError>(Ethreshold)) break; // 誤差大于閾值，進入下一點計算

　　}

　　if (nError < nMinError) //與最小誤差比較

　　{

　　nMinError = nError; // 記錄最小誤差及其坐標

　　nMaxWidth = j;

　　nMaxHeight = i;

　　}

　　}

　　}