基于視覺技術的虛擬卷尺設計年月日摘要現實生活中，測量長度的工具非常常見，比如直尺、三角板、卷尺還有精度較高的游標卡尺等等，本次課題提出了一種基于視覺技術的虛擬卷尺設計，視覺處理技術具有處理效率高、精確度高、操作方法靈活等優點，且整個測量過程不需要借助測量儀器，只需通過獲取圖片然后進行一系列處理和運算即可得出被測物體的尺寸。這樣一來，既可減小人為測量的誤差，也可提高測量的可靠性和自動化水平。虛擬卷尺是利用了視覺圖像處理能力和神經網絡的學習和識別能力，對圖像中的物體尺寸進行測量。首先，將待測物體圖像轉換成灰度圖像、再經過中值濾波等函數做圖像降噪處理；其次，本設計采用灰度直方圖選取合適的閾值，通過圖像二值化將被測物體與背景區域劃分開來；其次，采用Canny邊緣檢測算子完成圖像的邊緣分割，有效地提取出物體的邊緣細節；然后獲取物體在圖像的像素距離值，通過對比訓練好的標準虛擬卷尺，最終獲得待測物體幾何尺寸。從實際測量結果可以看出，本文設計的基于視覺技術的虛擬卷尺能有效且較為精準地測量被測物體的尺寸長度。關鍵詞：測量；像素；視覺技術；邊緣檢測；

AbstractInreallife,lengthmeasuringtoolsareverycommon,suchasrulers,triangles,tapesandverniercaliperswithhighaccuracy,etc.Thispaperpresentsavirtualtapedesignbasedonvisiontechnology.Visualprocessingtechnologyhastheadvantagesofhighprocessingefficiency,highaccuracyandflexibleoperation.Thewholemeasurementprocessdoesnotrequiretheaidofmeasuringinstruments,andthesizeoftheobjectundertestcanbeobtainedbytakingpicturesandperformingaseriesofprocessingandcalculation.Inthisway,thismeasurementmethodcannotonlyreducetheerrorofartificialmeasurement,butalsoimprovethereliabilityandautomationlevelofmeasurement.Virtualtapemeasureusestheabilityofvisualimageprocessingandlearningandrecognitionofneuralnetworktomeasurethesizeofobjectsintheimage.Firstly,theimageoftheobjecttobemeasuredistransformedintograyimage,andthentheimageisdenoisedbymedianfiltering.Secondly,thedesignusesgrayhistogramtoselecttheappropriatethreshold,andusesimagebinarizationtoseparatethemeasuredobjectfromthebackgroundarea.Then,Cannyedgedetectionoperatorisusedtosegmenttheedgeoftheimageandextracttheedgedetailsoftheobjecteffectively.Thengetthedistancevalueoftheobject'spixelintheimage.Bycomparingthetrainedstandardvirtualtapes,thegeometricdimensionsoftheobjecttobemeasuredarefinallyobtained.Fromtheactualmeasurementresults,itcanbeseenthatthevirtualtaperulerbasedonvisiontechnologydesignedinthispapercaneffectivelyandaccuratelymeasurethesizeandlengthofthemeasuredobject.Keywords:Measurement;Pixel;Visualtechnology;Edgedetection;

目錄1. 緒論 緒論1.1虛擬測量設計的課題背景測量技術是一個較為健全的科學體系，其涵蓋理學和工學等學科門類[1]。在工業自動化迅速發展，特別是國家提到工業4.0的當下，工業制造水平和加工水平也在高速發展，隨之而來，物體測量也面臨著多樣化、多標準化的要求，物體測量不再局限于傳統的人工手動借助直尺、卷尺和游標卡尺等實物，尤其是在工業工廠批量生產大環境下，利用人工測量物件，顯然不符合生產實際。檢測物體尺寸是把控產品品質的重要環節，在量化生產和加工精度要求愈加嚴格的大背景下，迫切需要尋求一種高效而精度高的測量設計系統。在傳統的生產和設計過程中，物體的尺寸測量主要采取人工測量，利用肉眼觀察借助直尺、游標卡尺等傳統測量工具實現測量。但這種傳統的測量方法很容易遭受測頭大小、外形以及測量力度的影響，其測量精度和完成效率得不到有力的保障，并且測量精度和效率經常受到操作者的技術經驗和個人狀態的影響。這樣一來，是很難符合一些工業企業和公司對物體尺寸越來越高的精度要求的[2]。所以研究一種操作簡單，受人為因素低以及自動化程度高的測量設計系統顯得尤為重要。1.2國內外測量方式的研究現狀基于以上背景，國內外許多科研人員和設計工程師著手對物體尺寸的測量方法進行了大批的理論剖析與試驗，尋求找到測量各類物體尺寸的最優措施。隨著視覺技術和數字圖像處理技術的不停發展，基于視覺的各類檢測技術在工業的自動化系統體系中得到越來越寬泛的運用，使得工業測量水平向前進一步[3]。基于視覺技術的測量手段，作為一種十分有用的檢測技術，在工業化加工生產中廣泛應用于各類產品的尺寸檢測中，如今許多基于視覺技術的尺寸測量系統開發出來應用于各行各業產品的檢測中。在國內，基于視覺技術的測量方式應用得比較晚，最近幾年得到了快速的發展和應用。在視覺測量技術上，國內學者在相關領域進行了廣泛的研究和探索，不過目前開發的成熟的應用于工業化視覺測量的產品并不多見，許多產品還處于研究階段，推出的產品多為針對規則的產品如圓形工件、條形道具等。例如馮鍇等人研究一種基于機器視覺技術，用于測量金屬手機外殼尺寸的測量系統，其精度可達0.03毫米[4]；范娟等人研究了一種基于視覺技術的小型工件測量系統，可實時且自動化地對工件作測量，并且測量精度較高[5]；劉雨航等人設計了一種工件測量系統，不僅可以測量小型工件，還采用了圖片拼接技術實現對大工件測量[6]。而相對國外，基于視覺技術的尺寸測量方式應用比較早，具體可以追溯到上世紀八十年代，在視覺技術發展初期，由美國率先研究出了基于視覺技術的測量系統，至今國外眾多發達國家推出了不少成熟的產品，并研究出不少完整的視覺尺寸測量系統，所以研究應用領域比國內更為廣泛[7]。例如維也納工業大學的Reiterer等人研究出一種基于圖像技術的測量系統，可用于土木工程質量的檢測[8];Chin-TunChuang等人提出一種基于圖像視覺技術的面積測量系統，可將目標圖像的像素點轉化為實際面積[9];HongruDu等人提出一種基于機器視覺技術的非接觸性齒輪測量設計，該設計可以對齒輪的外徑、直徑以及齒數等參數作測量[10]。1.3課題的內容及章節安排有時在測量工具攜帶不便的情況下，需要尋求一種操作簡單、測量快捷以及受人為影響低的測量技術手段，從而實現對被測物體的檢測和形狀測量等工作。本次課題試想在不需要借助直尺、三角板、卷尺或高精度的游標卡尺等工具下，對厚度可以忽略不計的物體攝取圖片，通過視覺圖像處理技術實現對待測物體的高精度測量，最后進行實物測量，記錄并分析數據，認真總結測量結果，作誤差分析。本文共六章，具體安排為：第1章為緒論。主要就基于視覺技術的虛擬卷尺設計課題的背景和國內外研究發展現狀等作簡單的闡述。第2章為基于視覺技術的虛擬卷尺總體設計與實現。本章主要就虛擬卷尺的總體構成及其實現基礎作說明。第3章為虛擬標準卷尺設計思路與圖像的預處理。本章主要闡述了虛擬卷尺的的設計思路和被測物體的圖像預處理及其實現辦法作說明。第4章為BP神經網絡。本章簡單地介紹了神經網絡其特點及功能；結合課題實際，設計建立一個BP神經網絡，并對其進行可靠性驗證。第5章為虛擬卷尺的測量效果及誤差分析。主要包括虛擬卷尺設計的平臺介紹、對虛擬卷尺作檢驗、記錄并分析測量結果和作誤差分析等。第6章為結束語。本章分為兩節，其中一節是對基于視覺技術的虛擬卷尺設計課題作總結，另一節是對本課題的展望。1.4本章小節本章就基于視覺技術的虛擬卷尺設計課題的開題背景、研究目的及其意義作簡要的說明；而后，闡述了基于視覺技術的虛擬測量在國內外類似研究的發展狀況；本章較為充分地說明了本課題對自動化測量的進一步發展具有比較深遠的意義。基于視覺技術的虛擬卷尺總體設計與實現2.1虛擬卷尺的總體構成本課題所需的的硬件設備主要有攝像頭、固定攝像頭的支架、白色背景用紙以及計算機等，另外還需要較為充足的光照條件。利用這些設備構成2-1所示的虛擬卷尺設計實物圖，虛擬卷尺設計的總體框圖如圖2-2所示。圖2-1虛擬卷尺設計實物圖圖2-2虛擬卷尺設計的組成框圖本課題所構建的虛擬卷尺具體工作流程是：首先要在明亮的環境下，使被測物體在攝像頭下處于較好狀態。再利用PC端控制攝像頭進行圖像拍攝，拍攝取得的圖像將保存在PC端，最終運用MATLAB圖像處理功能，對圖像信息進行分析研究，最終完成對被測物體的測量。2.2虛擬卷尺的實現基礎2.2.1攝像頭攝像頭普遍具備拍攝視頻和捕獲靜態圖像等基本功能，它通過鏡頭采集圖像后，經過內部的控制元件電路及感光元件對鏡頭獲取到的圖像進行處理并轉換，形成計算機能夠讀取的數字信號，然后通過并行端口或USB相連，將數字信號輸入到計算機，最終利用計算機軟件對其作圖像還原。攝像頭依照感光元件不同分為CCD（電荷耦合元件）相機，一般是用于專業攝影方面，成像品質好，拍攝得到的圖片較為清晰，但缺點在于價格較貴；CMOS（金屬氧化物半導體元件）相機，應用于對成像品質要求不高的產品中，它與CCD相比來說價格低，功耗較小，但缺點在于成像效果一般[11]。在選擇相機時，首先要明確虛擬卷尺設計的測量精度以及被測物體的尺寸大小等要求。相機像素不應該一味地追求高像素高清晰度，因為像素和清晰度越高，生成的圖像文件也就越大，在后期圖像處理時所需的時間也就越長，最終影響整個設計的測量效率變低。本文選用10moons天敏網絡攝像頭，搭載CMOS感光元件，30萬像素，完全能夠達到課題拍攝要求。攝像頭圖片如圖2-3所示，其主要性能及參數如表2-1所示。圖2-310moons天敏網絡攝像頭表2-110moons天敏網絡攝像頭相關參數相機型號10moons天敏網絡攝像頭感光元件CMOS攝像頭像素30萬分辨率640×480接口類型USB2.0對焦方式手動對焦2.2.2計算機計算機在整個虛擬卷尺的設計中主要起控制、處理和存儲作用，控制協調硬件的工作情況，完成MATLAB軟件部分的程序編寫，實現對圖像的分析與處理。在選用計算機時需要從以下這幾個方面判斷：1、結合所要處理的圖像大小，選取合適的屏幕，選擇有合適存儲容量的顯卡；2、計算機的內存和外部存儲器；3、具有一定的可擴展接口或；4、能較為流暢地運行大型軟件。本課題選用了：IntelCOREi5處理器，2G獨立顯卡，500G硬盤存儲，8G內存的宏碁筆記本式計算機，經試驗驗證，該計算機完全滿足課題要求。2.2.3支架及白色背景待測區支架用于固定和支撐攝像頭即可；白色背景待測區采用A3純白紙鋪成，然后將其固定并確定待測區的中心點。2.3本章小結本章詳述了本課題設計的硬件構造。學習研究了有關相機的工作原理及工作方式，并結合課題實際情況確定硬件的具體類型或型號。虛擬標準卷尺設計思路與圖像的預處理3.1虛擬標準卷尺的設計思路本次課題需要實現的是對尺寸在0-20厘米的待測物體進行測量，并且利用虛擬卷尺測量物體的誤差控制在毫米級別。為了較好地完成這一設計要求，本課題設計的標準虛擬卷尺采用每隔0.4厘米割取20厘米的純黑色紙片，共計51份標準純黑色紙片樣本，為保證51份純黑色紙片的尺寸與實際需求尺寸基本吻合，需要利用刻刀一刀一刀地割除多余部分的紙片，每割一次，用直尺測量一次，逐步逼近，最后得到需求尺寸長度的純黑紙片。圖3-1左半圖為割紙板及刻刀右半圖為測量黑紙尺寸下一步，將測量好的標準尺寸黑紙放置在待測區域（如下圖3-2所示），攝像頭經過USB與PC端相連，而后使用計算機控制攝像頭對標準尺寸的黑紙進行拍攝，得到標準尺寸黑紙的圖像并將其保存至PC端的文件夾下。利用攝像頭拍攝51份標準尺寸黑紙，得到與之對應的51張標準尺寸黑紙的圖像。圖3-2拍攝過程圖為了保證虛擬卷尺測量的結果可靠，51份標準尺寸黑紙圖像要逐一進行預處理，并將預處理完的圖像用Canny邊緣檢測算子畫出黑紙圖像的邊界，然后取黑紙圖像的長邊界上的相應兩點坐標，通過兩點Y坐標數值相減，可得到每個標準尺寸黑紙在圖像對應的像素值，即得到標準尺寸長度與其在圖像上具體的像素值的對應關系。利用Excel軟件記錄標準尺寸長度與其在圖像上具體的像素值，最后，標準尺寸黑紙在圖像上的像素值作為網絡輸入，實際標準尺寸作為網絡輸出，運用BP網絡，即反向傳播網絡，通過51組網絡輸入和輸出數據訓練神經網絡，最終得到一個訓練好的神將網絡，即得到一個虛擬的標準卷尺。3.2被測物體圖像的處理方案基于視覺技術的數字圖像處理，交匯了美學、工程技術、數學、計算機技術等繁多類別的學科，運用計算機對數字圖像作相應的數學運算與處理，從而符合所需求的處理要求[12]。當下21世紀，人類進入了數字時代，數字圖像處理發展得非常迅速，從最開始與成像有關的小眾領域到越來越廣泛地應用在飛行機器、生物識別、醫學領域、地理考察、遙感等眾多用途，與人們生活和社會生產的各個層面都一脈相連[13]。本設計課題主要是對被測物體的邊界測量，而這些邊界主要由直線構成。而虛擬卷尺設計選用的圖像采集器件是30萬像素USB數字攝像頭，在采集圖像過程中，難免受攝像頭傳輸介質和自身性質、結構的影響，進而采集到的被測物體圖像會含有許多圖像噪聲的污染，招致圖像品質變低，最終導致測量的精度降低。所以，為了后續的尺寸測量，需要對采集到的被測物體圖像進行數字圖像處理，這是本課題設計必不可少的組成部分。它主要是運用MATLAB將采集到的物體圖像作灰度轉換、中值濾波降噪、圖像二值化和邊緣檢測四個部分，是本課題設計的中心內容，圖像預處理算法流程如圖3-3。圖3-3圖像預處理算法流程圖3.3圖像灰度化處理在平常的攝像頭拍攝的圖像中，大多數得到的圖像都是彩色圖，它們是用一組色光三原色的色度值，代表每個像素的顏色，色度值存在圖像數組中的圖像，其占的存儲空間較大，而在本次課題設計應用到的是簡單的識別算法，對于圖像顏色的依賴性非常低，所以可以采用圖像灰度化處理，在保留圖像梯度信息的前提下，大幅度地提高了圖像處理的運算速度[14]。彩色圖轉化為灰度圖像，像素點灰度值的轉換計算為：gx式（3-1）中g(x)代表圖像像素轉化后的灰度值，R表示原圖像紅色通道的灰度值，G表示彩色圖像綠色通道的灰度值，B表示彩色圖像藍色通道的灰度值。在Matlab中，如果需要將真彩色圖像轉化成灰度圖像，則可以直接調用轉換函數——rgb2gray（）。圖像灰度化處理結果如圖3-3所示。圖3-3圖像灰度化灰度圖像濾波處理的選擇3.4.1高斯濾波高斯濾波其實就是利用一種加權平均算法的濾波方法，它的原理是將灰度圖像的像素點的灰度值利用加權平均算法計算該像素點和其附近一定范圍內的其它像素灰度值的加權平均值，并賦予給該像素點的灰度值。加權平均其實是通過高斯模板實現的，高斯模板實際上模擬了高斯函數，繼承了它的特征，具有中心稱并且加權系數由中心向四周不斷遞減的特點。經典的3*3高斯模板如下所示：1212421213.4.2均值濾波均值濾波的實質就是利用一個模板，計算出模板內像素點的灰度均值，并將該灰度均值賦予待處理的像素點，該模板就是待處理像素點及其周圍鄰域的像素。3.4.3中值濾波在實際的灰度圖像濾波處理中，大多采用的是非線性濾波處理，因為非線性濾波能更好地保留圖像的細節部分。而中值濾波就是一種平滑的非線性濾波，它與加權平均的濾波方式不同，因為它的本質是先確立一個適宜的模板（即包含圖像某像素點和它的鄰域的模板），該模板在待濾波圖像區域中逐步移動，將模板內的灰度值按順序進行排列，取該模板下灰度值排序列的中間值，并將該中間灰度值賦予該模板下的像素點[15]。從中值濾波的原理可以看出，中值濾波能很好的防止圖像像素點的灰度值被較大或較小值替代，能十分有效地濾掉圖像中孤立的噪聲，同時也很大程度上地保留目標物體邊緣部分。以下圖3-4為中值濾波對加椒鹽噪聲的處理結果，從圖可以看出，中值濾波能出色地過濾掉椒鹽噪聲的干擾。（1）含椒鹽噪聲的圖像（2）中值濾波去噪結果圖3-4中值濾波效果3.4.4關于濾波的選擇以上高斯濾波和均值濾波處理都是屬于線性濾波處理，因此，它們在圖像細節保護上有所欠缺，在圖像去噪處理的同時也會破壞圖像的細節部分，而本次設計課題至關重要的部分就是圖像的邊緣檢測，圖像的邊緣屬于圖像的細節部分，所以引用高斯濾波或者均值濾波處理灰度圖像顯然不符合課題實際，而中值濾波不僅有較好的降噪效果，同時還能出色地保留圖像細節部分，因此中值濾波更貼近設計課題的要求。3.5圖像的二值化處理本次設計課題中，設計的主要目的是要獲取被測物體的長度信息，而在圖像方面，課題設計主要是需要被測物體的外形信息和它的邊緣信息，所以為了減少不必要的計算或處理，課題設計需要對得到的灰度圖像作進一步簡化——二值化，這樣將得到二值圖像，二值圖像即只有黑白顏色的圖像，它的像素點的值是0或255，即要么是黑色的要么是白色的，所以說二值圖像需要存儲空間很小；它不僅方便于提取圖像中的需要關鍵信息，還能大大地降低后續圖像處理的處理速度[16]。圖像的二值化處理基本方法是首先選用適合課題的算法確定閾值，再利用定好的閾值對灰度圖像進行灰度值重置，對于圖像像素的灰度值大于設定值的，將該像素點的灰度值置為255，即顯示白色；而對于圖像像素的灰度值小于設定值的，將該像素點的灰度值置為0，即顯示黑。本次設計課題將被測物體的像素點置為0，而白色背景的灰度值置為255，符合后續圖像再處理的基本要求[17]。圖像二值化處理重中之重在于閾值的獲取，所以很多學者和科研人員目前研究出了多種多樣的應用于不同實際應用需求的計算閾值的方法，方法大多成熟可靠。設待測物體圖像的灰度圖像表示為a(x,y),取閾值為T,則灰度圖像轉化后的二值圖像i(x,y)可以表示為i(x,y)=0，a由上式（3-3）可知，為了準確的把待測物體和背景區域劃分開來，設定值的選取顯得非常重要，因為如果設定值值取得很小時，背景區域的像素點會有可能與實物的像素點灰度值被一并置為0，相反，如果如果閾值取得過高，實物的像素點會有可能與背景區域的像素點被一并置為255。3.5.1灰度直方圖閾值法在實際圖像二值化實例應用中，如果要區分的區域與背景區域存在較大差異，我們可以利用灰度直方圖將這種差異展現出來;在被測物體目標和背景差異明顯的直方圖中，往往存在兩個山峰狀的灰度頻率，兩個峰狀灰度頻率與之對應的一個是待測物體像素點灰度帶，另一個為背景區域像素點的灰度帶;一般地，我們取兩個灰度帶的中心灰度值作為二值化圖像的閾值，這樣一來，取得的二值圖像既保證了背景區域不被劃為被測物體區域，又完好地保留了被測物體的圖像信息;灰度直方圖閾值法適用范圍有限，當灰度直方圖存在多個灰度范圍及有多個峰時，這種情況下不適合運用這種方法將圖像二值化[18]。3.5.2平均灰度閾值法該方法的原理較為簡單，即算出灰度圖像所有像素點的平均灰度值，并將其作為二值化圖像的閾值。3.5.3最大類間方差閾值法最大類間方差法也稱大津法，由日本科學家大津展之提出。它的基本原理是根據灰度圖像像素點的灰度值情況，將灰度圖像劃分為對象區域和背景區域兩個部分，求兩個部分的方差，當計算得兩部分灰度值的方差最大時，取此時對應的灰度值作為閾值。在本設計課題中，灰度圖像上的被測物體和白色背景灰度值相差明顯，而且灰度直方圖有分明的雙峰，所以采用灰度直方圖閾值法選取閾值較為合適。灰度圖像及其直方圖如圖3-5所示，采用灰度直方圖閾值法選取閾值，得到被測物體的二值化圖像如圖3-6所示。圖3-5灰度圖像及其灰度直方圖圖3-6被測物體二值化圖像3.6圖像的邊緣檢測圖像的邊緣其實就是圖像灰度或結構等變化很快處，邊緣是一個區域的開始處，也是一個區域的結束處。圖像的邊緣檢測其本質就是一種圖像的濾波算法，它的本質是識別并劃出灰度圖像中灰度值變化趨勢明顯的像素點，這種變化趨勢包括像素點x軸和y軸像素灰度值的突然變化（變大或變小）[19]。而在數字圖像上，為了計算出這些變化，通常不能通過求導得到，而是通過差分運算來獲取灰度變化信息，其一階差分運算公式為：△△對方向的差分為：△式中g(i,j)為圖像的像素點，△xg(i,j)為像素點在x軸上的灰度差分，△yg(i,j)為像素點在y軸上的灰度差分,△ag(i,j)為方向上的灰度梯度。圖像中物體的邊緣檢測在圖像處理過程中非常重要，特別是本次設計課題涉及到物體的測量，邊緣檢測的質量直接關系到虛擬卷尺的精度是否達標。下面對常用的邊緣檢測算子Sobel、Laplace、canny算子就特點和適用范圍等作介紹。3.6.1Sobel檢測算子Sobel算子的原理是利用圖像X、Y軸方向3*3矩陣的卷積模，該卷積模將在圖像中運動，使得圖像中每一個像素點與這兩卷積核實現卷積運算，這樣可得出像素點橫向與縱向的灰度差分值，再對兩個灰度差分值分別平方再開方即可得到該像素點的灰度變化程度，最后如果該點灰度變化度大于設定的閾值，則認為該點為邊緣點，反之，則不劃為邊緣點。該算子利用了卷積函數，方法有效且易于實現，但它對于目標區域和背景區域的劃分度并不高，所以在精確的輪廓提取中效果并不太好。3.6.2Laplace檢測算子Laplace算子的實際原理是利用一個卷積模板在圖像上運動，像素點與卷積模板做卷積運算，運算后像素點的值若為線性變化或保持不變時，則判斷它不為邊緣點；若像素點的值變化呈非線性時，則該像素點表示為邊緣點。可以看出該算子能較為準確地劃出圖像的邊緣點，但圖像中獨立的噪聲或孤立端點也可能會被識別為邊緣點，所以一般利用該算法之前需要對圖像作消噪、平滑處理。3.6.3Canny檢測算子該算子在處理圖像時，需要對圖像作濾波處理，它的方法是將圖像上的每一像素點與高斯濾波模板作卷積，高斯平滑數學表達式如下式：G式（3-7）中G(i,j)是平滑后的圖像灰度梯度，f(m,n)是圖像的像素點函數，這樣可以過濾掉大量噪聲，使得圖像變平滑；然后計算像素點在X與Y方向上的偏導數（圖像不能求導，故用差分求取），表達式為：MN上式中Mx(i,j)為像素點在X方向上的差分數，Ny(i,j)為像素點在X方向上的差分數。之后，利用像素點X、Y方向上的差分數可得到灰度梯度方向θ（i,j），兩差分數平方相加再開方可得到像素點的灰度梯度值h(i,j),公式下所示：θh然后像素點的梯度值與幅角方向的相鄰像素梯度作比較，取最大梯度值像素點為邊緣點，置其灰度值為0；為了能準確劃出邊緣，Canny算子采用雙閾值檢測邊緣，設閾值為s1和s2，一般有關系s2=2.5s1，把圖像像素灰度值小于s1的像素點置為0，得到圖像一，把圖像像素點灰度值小于s2的像素點置為0，得到圖像二；最后，掃描圖像二，遇到一個非0灰度值的像素點時，跟蹤該像素點的輪廓線，直到掃描到輪廓的終點，取圖像一與圖像二掃描到的終點所對應的像素點z(x,y),繼續掃描z(x,y)像素點的鄰近8像素點，若存在不為零像素點，則將其在圖像二中劃出，跟蹤該點輪廓線，重復上述操作，當圖像二掃不到非0灰度值像素且圖像一像素中8鄰域像素都為0灰度值時，說明邊緣檢測已掃描完畢，已完成邊緣檢測[20]。綜上可知，Canny算子比較合適本次設計課題實際，它能較為準確地尋找圖像邊緣，劃出的輪廓也較為精準，故本設計課題采用Canny算子對二值化圖像作進一步處理，處理效果如圖3-7所示。圖3-7邊緣檢測3.7本章小結本章主要細述如何對采集到圖像的進行預處理和識別分析。真彩圖像信息量大，包含冗余信息，可以通過轉換圖像類型、提取圖像關鍵信息部分，這樣既能極大地保留所需部分的信息，減少存儲空間，又可以極大地提升處理速度；另一方面，針對設計課題實際，選擇合適的算法。

BP神經網絡4.1了解神經網絡神經網絡全名為人工神經網絡，BP網絡稱為反向傳播網絡，它也屬于神經網絡。神將網絡一般采用計算機來模擬生物學上神經網絡的一些構造和組織功能，且廣泛地應用于各種設計及工程領域。準確來說，神經網絡最主要的不是利用各種器件完全模擬復刻生物神經網絡，而是實現會學習、控制、識別和通過訓練獲取經驗等具有大腦神經網絡功能的而計算機等其他系統不能完成的問題。隨著生物結構科學和認知科學的不斷深入地學習、探究，人類對大腦的解析越來越深刻，神經網絡的進步空間和應用領域定將更加廣闊。雖然神經網絡和生物大腦中的神經網絡存在差異，但它是在吸收大腦神經網絡的優點基礎上建立的，故具有些一般特性：（1）神經網絡含有大量的處理單元，它們相互連接，能夠輕松地獲取完成識別和計算，具有較快速度。（2）神經網絡具有較高的容錯率，因為即使小范圍的神經元損壞后，也不會對整體的活動造成破壞。（3）神經網絡的記憶數據存放在神經元當中的連接權值上，僅從單個神經元是得不到存放的數據內容的，故神經網絡是分布式存儲。（4）它的學習能力十分強大，網絡的連接權值和連接構造可以通過學習得到。4.2BP神經網絡BP神經網絡能較為準確地建立輸入量和輸出量兩者間非線性的全局映射關系，從大量實際數據中分析歸納出該數據的內在聯系和規律[21]。已有較多研究表明，BP神經網絡的近似求解、模式識別和回歸分析等已在測量科學中應用相當廣泛，并取得不俗的成績[22-24].本設計課題中，被測物體在圖像上的像素距離與其實際尺寸受成像效果的影響，兩者存在較為復雜的非線性的映射關系。本次設計課題的BP神經網絡應用中，輸入層的結果作為輸入變量進到隱藏層，進入到隱藏層的數據將作算法處理，得到的輸出數據將放置在輸出層，當輸出層的數據與預期結果存在差異時，偏差會在該網絡中作反向傳播，調整神經元之間的連接權值，使得誤差將至最小，同時計算得到的結果也愈加切近預期值。本設計課題利用ginput函數獲取被測物體的邊緣檢測圖像標定長度的兩個點，然后通過line函數確定這兩點的一個線段，該線段所占的像素點數即為被測物體在圖像上所對應的尺寸，被測物體在圖像上標定長度所對應的像素長度距離如圖4-1所示。圖4-1被測物體在圖像上像素點的距離值按上述步驟，可以得到51組為建立標準虛擬卷尺所對應的像素距離值，為了讓這些像素距離值標準化、易于計算，利用mapminmax函數把他們歸一化至[-1,1]區間。Mapminmax函數的計算公式為:z=式（4-1）中，默認max和min分別取1和-1，x為待歸一化的數據，z為x歸一化后的數值。本研究設計中，選取51組標準虛擬卷尺所對應的像素距離值為輸入變量，51組標準尺寸長度為輸出變量，而隱藏層層數一般由公式推出，經驗公式如下H=式（4-2）中H為隱藏層層數，I為輸入層層數，J為輸出層層數，C為0-10的任意常數，故本課題采用2個隱藏層節點。運用MATLABR2016a軟件工具箱中的newff函數，采用雙極性S型函數tansig作輸入層到隱藏層傳遞函數，可微傳遞函數purelin作隱藏層到輸出層的傳遞函數，trainlm函數作為訓練函數，神經網絡拓撲圖如圖4-2所示，訓練樣本如表4-1所示。圖4-2BP神經網絡拓撲圖表4-1訓練樣本編號標準尺的像素距離值對應標準尺寸/CM1456.089620.02446.525719.63438.754719.24428.592818.85419.626418.46410.660018.07404.084717.68393.325017.29386.151916.8編號標準尺的像素距離值對應標準尺寸10374.196716.411367.621516.012358.057315.613347.297715.214338.929014.815329.962614.416320.996314.017310.834313.618303.063513.219292.901712.820283.935312.421275.566612.022266.002511.623256.438411.224247.472010.825238.505610.426229.539210.027219.97519.628211.00879.229202.04238.830192.47828.431184.10958.032174.54557.633165.57917.234156.01496.835147.04866.436138.67996.037127.92065.638120.14945.239111.18314.840101.61904.44191.45714.04283.08843.64374.12203.24465.15572.84556.18932.44647.22292.04738.25651.64828.69241.24920.32380.85010.75960.4510.00000.0（續表4-1）由擬建立的神經網絡拓撲圖中可以看出，該神經網絡有1個輸入層，2個隱含層，1個輸出層，51個物體像素距離值作輸入對應著51個標準尺寸值作輸出，得到訓練好的BP神經網絡如圖4-3所示。圖4-3BP神經網絡訓練結果在BP神經網絡數據訓練過程中，網絡訓練過程的誤差曲線如圖4-4所示，由圖可以看圖4-4神經網絡訓練得到的均方誤差曲線出，設置均方誤差為4×10-5時，當訓練迭代數達到5代時，訓練達到預設訓練目標（即均方誤差滿足4×10-5），此時網絡對輸入數據和輸出數據之間非線性映射關系的擬合是很精準的，網絡的性能好，迭代數達到5代后停止訓練。在網絡擬合訓練中，訓練樣本、驗證樣本、測試樣本和所有樣本的回歸系數如圖4-5所示，該圖表示的是BP神經網絡訓練后，各樣本標準化的輸出值與目標值兩者間的線性相關回歸系數，回歸系數R都在0.9999以上，而R值越接近1，說明神經網絡模型對數據的預測越精準。圖4-5各樣本與目標值兩者間的線性相關回歸系數4.3本章小結本章介紹了BP神經網絡的特點及通過該神經網絡能實現的功能，通過神經網絡建立標準虛擬卷尺，然后利用均方差曲線和線性相關回歸系數等驗證訓練好的網絡的可靠性和有效性。虛擬卷尺的測量效果及誤差分析5.1設計課題平臺介紹本設計課題搭建了如圖5-1所示的實驗平臺，各類硬件名稱及其型號參數、功能如表5-1所列。圖5-1實驗平臺表5-1硬件說明表硬件型號和主要參數實現功能攝像頭天敏-10moons，30萬像素收集被測物體的反射光并將其聚集在相機的成像處，獲取圖像計算機宏碁E5系列雙核處理器，8G內存用于軟件算法的實現，程序的運行和開發，存儲攝像頭拍攝到的圖像信息攝像頭支架自制用于支撐和固定攝像頭，保證拍攝范圍和距離符合要求5.2實驗過程及結果虛擬卷尺設計對被測物體的測量步驟如下：調整和標定攝像頭，掌握攝像頭的各項參數；將攝像頭取到的圖像作處理，處理包括對圖像的作灰度化、濾波、二值化及其邊緣提取等；根據標準長度的黑紙在圖像中標定線段的坐標值，計算該標定線段的像素距離值，再結合黑紙對應的實際長度，利用BP神經網絡對兩者做擬合，得到用于測量物體的標準虛擬卷尺。隨機選取長度不一的物體，利用虛擬卷尺測量其尺寸，并與實際尺寸作比較，驗證虛擬卷尺的精度，最后分析誤差。在實驗流程中，利用直尺或游標卡尺測量物體得到的尺寸數據作真實值，而本設計課題基于視覺技術的虛擬卷尺測量的尺寸作測量值，得到的各項實驗數據如表5-2所示。表5-2檢測虛擬卷尺測量結果被測物體編號對應像素距離值虛擬卷尺測量值/cm游標卡尺測量真實值/cm絕對誤差/cm相對誤差準確度1436.961419.078519.0840.00550.0288%99.9712%2399.900417.490117.5500.05990.3413%99.6587%3325.180614.253414.1920.06140.4326%99.5674%4251.058510.980310.9900.00970.0883%99.9117%5249.863010.927210.9100.01720.1577%99.8423%6234.919010.262810.2320.03080.3010%99.6990%7199.65138.69418.7000.00590.0678%99.9322%8182.31637.92407.9660.04200.5272%99.4728%9169.76347.36737.4020.03470.4688%99.5312%10163.78587.10267.1280.02540.3563%99.6437%11114.76964.94574.9860.04030.8083%99.1917%1291.45713.93143.9980.06661.6658%98.3342%1386.07723.69873.7400.04131.1043%98.8957%1462.76462.69672.7000.00330.1222%99.8778%1560.97142.62012.6400.01990.7538%99.2462%1650.80942.18742.1880.00060.0274%99.9726%1733.47451.43141.4540.02261.5543%98.4457%187.17310.33550.3400.00451.3235%98.6765%整個實驗過程驗證了虛擬卷尺測量尺寸精度，從上表5-2可以看出，所有虛擬卷尺測量誤差不大于0.1cm（本次驗證中，最大誤差來自編號12物體，誤差為0.0666cm），相對誤差不大于2%（最大相對誤差來自編號12物體，相對誤差為1.6658%），測量準確度達98%以上，驗證虛擬卷尺的測量范圍廣，驗證數據充分，可排除一般偶然性，說明基于視覺技術的虛擬卷尺設計能有效且較為精準地測量被測物體的尺寸長度。5.3誤差分析本設計實驗雖然能達到毫米級別的精度，但從實驗數據中可以看出，還存在一定的誤差。下面對這些誤差作分析：1.攝像頭整體成像效果本設計課題采用30萬像素攝像頭，在拍攝被測物體時，可能存在圖像模糊、邊界不夠清晰等情況，會導致在后續圖像處理中產生較大的誤差，從而影響虛擬卷尺。一般來說，測量精度像素級別越高，被測物體成像效果越好。2.光照條件雖然本次課題不將光照納入設計的環境因素，但充足亮度的環境影響著攝像頭成像效果，從而也會影響虛擬卷尺的測量精度。3.標準尺子的測量設計課題為了建立標準虛擬卷尺，采用了標準長度的黑紙圖像，獲取標準長度黑紙過程中，采用的是人工截取和測量黑紙，故標準尺寸的黑紙可能存在誤差，從而建立的標準虛擬卷尺本身可能存在誤差。4.算法上的誤差獲取得到被測物體的圖像需要做濾波、選取合適閾值作二值化和邊緣檢測等處理，而期間圖像灰度化處理可能不可靠，濾波效果不夠好，二值化圖像可能存在誤置灰度值，邊緣檢測效果不夠好等，進而造成虛擬卷尺測量存在誤差。5.神經網絡建立的BP神經網絡在處理數據時，采用的是4位小數處理精度，處理精度有限，從而影響了虛擬卷尺的測量精度。5.4本章小結本章介紹了虛擬卷尺的硬件組成，并簡述了它們的參數及功能。此外，對建立好的基于視覺技術的虛擬卷尺作檢測，發現絕對誤差在1毫米以下，相對誤差在2%以下，符合實際設計要求，能應用于對測量精度要求在毫米范圍的被測物體作測量。結束語6.1總結基于視覺技術的虛擬卷尺設計主要包括攝像頭取圖、圖像的處理及識別和利用神經網絡建立標準虛擬卷尺等方面。現就這些方面依次作闡述和分析，本設計的工作總結：1.搭建虛擬卷尺設計平臺。合理選用攝像頭，利用支架固定攝像頭，再將攝像頭與PC端連接，初步實現取圖平臺。2.選擇合理的方案，對圖像作處理。圖像灰度化后，要選用合適的閾值將圖像轉為二值圖，結合課題設計實際，選用直方圖取閾值法顯然較為合適；另外，在邊界提前上，選用Sobel算子，因為它更注重并保留邊緣的細節部分，這也是虛擬卷尺設計測量精度達到要求的關鍵。3.利用神經網絡，建立標準虛擬卷尺。不同長度的物體在成像后，它的像素點數是不同的，利用神經網絡將這一非線性映射關系表達、搭建起來。一般來說，獲取的樣本數越多，訓練好的神經網絡越能準確地表達兩者的非線性關系。4.實現待測物體的測量，記錄數據，并檢驗虛擬卷尺的精度。對建立好的基于視覺技術的虛擬卷尺作檢測，記錄并對比分析測量數據，虛擬卷尺符合設計要求，能應用于對測量精度要求在毫米范圍的被測物體作測量。6.2展望從檢驗虛擬卷尺測量精度的數據來看，本文基于視覺技術的虛擬卷尺設計符合課題設計要求，但結合測量誤差可知，仍然存在有缺陷的地方，但由于課題時間有限，不能做到十全十美，現就本設計哪些地方可做進一步改進進行簡單總結：1.選取更高級別的攝像頭。本設計僅僅采用30萬像素就能實現精度在毫米級別的虛擬卷尺測量誤差，如果采用50萬甚至上百萬的像素級別更高的攝像頭，它對物體的成像更加的細膩，特別是在物體邊緣部分，這將大大有利于邊緣的提取，從而進一步提高虛擬卷尺的精度。2.改進算法。本設計所采用的轉化二值圖像閾值是通過多次試驗手動獲取的，在以后課題的深一步開展中，有望實現自動獲取閾值，從而提高測量效率。3.定制標準尺寸的標尺，作為建立標準虛擬卷尺的基礎。本設計的標準虛擬卷尺是建立在人工測量的基礎上實現的，所以有可能存在測量誤差。試想如果像直尺那樣定制每個標準長度的樣本，這將大大減小人為因素造成的誤差。4.本虛擬卷尺對測量的物體有一定要求，不能測量立方物體，解決這個問題可以通過建立拍攝同一物體在不同高度的圖像，獲取物體的在各高度的像素點，再利用神經網絡對不同高度和其物體對應的像素點做擬合，最后結合本設計課題，理論上得到的設計成果可用于立方物體的測量，不再局限于平面不計高度的物體。

致謝時光荏苒，逝如流水。轉眼間大學四年美好的學習和生活時光就要暫時畫上句號了，這期間體會了辛酸、疲倦、驚喜、喜悅，終而言之，是充滿收獲感和幸福感的。而我收獲的滿足和幸福，離不開老師們的殷切指導，親友們的盡心支持，還有校園同學們的熱情幫助。首先，要感謝我尊敬的劉瑞琪導師。劉老師治學態度嚴謹，對工作充滿熱情、一心一意的負責任精神一直熏陶著我，勉勵著我，讓我受益良多。從課題的選題開始，劉老師就悉心教誨并嚴苛把關。正是在老師的悉心指導和幫助下，我才能順利地完成畢業論文的相關工作。在此向劉老師致以崇高的敬意和真摯的感謝。感謝“復興2019”團隊的黃永捷老師和余玲老師，在開展設計課題時，兩位老師在論文開題工作和論文開展安排上提供了諸多支持和建議，此外還提供了良好的實驗室環境和許多實驗器材等資源，為本人的課題后續開展工作提供了有力的保障。感謝實驗室的同學們，我們在一起學習、一起探究課題，共同成長，共同分享收獲知識的喜悅。感謝我的父母，他們是我學習和工作得以順利進行的堅強后盾，感謝他們在生活上給予我無私幫助和支持。最后，再次感謝大學四年里所有關心、支持和幫助過我的老師、同學以及家人，祝大家身體健康，工作順利，永遠幸福！

參考文獻李巖,花國梁.精密測量技術[M]//北京：中國計量出版社,2001.王苗苗.基于機器視覺的圓形零件尺寸測量方法研究[D].遼寧大學,2012.范祥,盧道華,王佳.機器視覺在工業領域中的研究應用[J].現代制造工程,2007(6):129-133.馮鍇.基于機器視覺的金屬手機外殼尺寸測量與表面典型缺陷檢測研究[D].華南理工大學,2018.范娟.基于機器視覺的小型工件尺寸測量系統研究[D].西南交通大學,2017.劉雨航.基于機器視覺的工件尺寸測量系統的設計與實現[D].中國科學技術大學,2017.李福建.基于機器視覺的工件尺寸測量系統設計[D].中國計量大學,2017.ReitererA,LehmannM.AnImage-BasedMeasurementSystemfor