极智AI | 谈谈工业质检中的二维测量算子

  欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享

  O_o   >_<   o_O   O_o   ~_~   o_O

  本文主要聊一下工业质检中的二维测量算子。

  视觉测量在智能制造、智慧交通等领域中有着重要作用，在实际应用中测量算子又往往和定位算子结合起来使用，关于二维定位算子的介绍，可以参考我的这篇《【经验分享】谈谈工业质检中的二维定位算子》。

一、标定

  视觉测量不同于实际中用测量工具进行测量，因为数字图像的图像坐标系和世界坐标系是独立的，而且图像往往存在畸变现象，所以若要通过机器视觉来测量物体实际尺寸，标定是必不可少的步骤。标定是一个解畸变的过程，也是一个将图像坐标系和世界坐标系建立联系的过程，通常可通过一个仿射变换矩阵将图像坐标系转换为实际坐标系，进而可将图像尺寸转换为实际尺寸。常用的标定方法有棋盘格标定、N点标定等。

  棋盘格标定使用图像如下，再找像素坐标的时候主要是去找黑白相间 “+” 的角点。

  N 点标定又称为 9 点标定，其实用 4 个点就能定平面，用 9 个点的话精度会更高。这里的点实际指的是圆心，一般 N 点标定会比棋盘格标定精度更高，这种标定方法常用于机械手的标定，标定的时候让机械手依次走位走位就可以了。N 点标定使用的图像如下。

  关于标定其实是有大学问，有很多应用场景，如单目标定、双目标定、手眼标定等，但总体而言，就是要找到像素坐标和真实坐标的变换矩阵，后面考虑这个专门写几篇。

二、测量算子

  测量算子往往结合定位算子一起使用，常用的定位算子有模板匹配、斑点检测、找边、找圆等。一般模板匹配、斑点检测用于粗定位，找边、找圆算子用于精定位。
  常见的测量算子有：

• 直线与直线的角度
• 点与点生成的直线与图像坐标系的角度
• 圆与圆之间的距离
• 直线与圆之间的距离
• 点与圆之间的距离
• 点与直线之间的距离
• 点与点之间的距离
• 点与线段之间的距离
• 线段与圆之间的距离
• 线段与直线之间的距离
• 线段与线段之间的距离
• 圆同心度计算(两圆心之间的距离)
• 圆与圆的交点
• 圆与直线的交点
• 直线与直线的交点
• 线段与圆的交点
• 线段与线段的交点
• 线段与直线的交点
• 拟合线
• 拟合圆

三、测量算子使用案例

  和定位算子那篇一样，这里演示使用康耐视算法平台 visionPro ，演示两圆之间距离测量案例。
  标定：使用 CogCalibCheckerboard 算子，求出 像素 - 真实 坐标转换关系，效果如下：

 

  定位：在实际流水线中，每次相机捕捉到的工件位置不是定的，使用 CogPMAlignTool 模板匹配算子，先把工件给定位到，这样任你工件怎么动，我要测量的圆相对于工件的位置是一直不动的，效果如下：

  测量：测量两圆圆心之间的距离，在定位到工件后，就可以使用 CogFindCircleTool 算子缩小并固定检索区域先把圆找到，再用 CogDistanceCircleCircleTool 算子来连接测量两个圆，效果如下：

  以上就完成了流水线上工件上两圆距离的测量，其中找圆算子和找边算子的原理都是卡尺，而卡尺的原理是利用了投影，详细的可以参考 halcon。

  你说以上场景用深度学习来说可以吗，我觉得定位工件那部分可以替代，目标检测相对于以上介绍的传统算法对硬件要求会高很多，也就是成本会下不去，且传统算法一般效率更高，但目标检测一般精度和泛化能力更好。所以还是要看场景，成本、算法效率、精度、来料的复杂度等影响因素来评估。

  我现在专注于深度学习模型推理加速和部署，之前也有过机器视觉偏传统算法的经历，我觉得工业领域很长一段时间传统算法还是很实用，会发光发热，但深度学习在工业领域中的应用也会越来越多，两者兼容的场景会越来越多。比如上面的场景，我用深度学习去做定位，用传统算法去做测量；比如读码，同样可以用深度学习去做定位，用传统算法去做解码；还有 OCR 快递面单识别等，字符识别你要用传统算法去做那就有点离谱了。

  现在的智能制造已经不是简单的机械手、AGV 的堆叠应用，而是一个系统工程，机器视觉在里面的作用也越来越重要，做这一块的公司、创业者也越来越多，蛋糕很大，所以你们加油。

  收工了~

扫描下方二维码即可关注我的微信公众号【极智视界】，获取更多AI经验分享，让我们用极致+极客的心态来迎接AI ！