簡(jiǎn)介OpenCV實(shí)現(xiàn)Halcon卡尺工具的示例工程面向有一定OpenCV基礎(chǔ)、希望在工業(yè)視覺中完成精密測(cè)量的C開發(fā)者旨在提供一套可替代商業(yè)Halcon的輕量測(cè)量方案。資源打包為zip格式共3個(gè)文件、壓縮包僅5KB其中包含2個(gè)C源文件和1個(gè)頭文件分別承擔(dān)卡尺核心算法、測(cè)試調(diào)用入口與公共接口定義代碼緊湊且無復(fù)雜依賴便于直接移植或二次開發(fā)。已有5622人瀏覽學(xué)習(xí)說明該示例在原理講解和工程參考方面都有較高人氣。通過這份代碼讀者能完整看到圖像預(yù)處理、Canny/Sobel邊緣提取、Hough直線檢測(cè)和幾何測(cè)量在卡尺工具中的落地方式并理解從像素坐標(biāo)到實(shí)際物理尺寸的換算過程測(cè)試文件還直觀展示了如何調(diào)用接口方便驗(yàn)證不同圖像下的測(cè)量效果。在此基礎(chǔ)上還可擴(kuò)展多尺度分析、自適應(yīng)閾值等抗干擾策略適用于工業(yè)質(zhì)檢、零件尺寸測(cè)量、生物醫(yī)學(xué)圖像分析等場(chǎng)景。1. 為什么要折騰一個(gè)OpenCV版的卡尺工具去年做項(xiàng)目的時(shí)候遇到一個(gè)挺典型的場(chǎng)景產(chǎn)線上有個(gè)尺寸檢測(cè)工位要求測(cè)量某個(gè)金屬件邊緣到基準(zhǔn)邊的距離公差范圍只有±0.02mm?，F(xiàn)場(chǎng)的設(shè)備是常規(guī)的工業(yè)相機(jī)加普通工控機(jī)軟件框架用的是C。方案評(píng)審的時(shí)候提了Halcon各方面都很合適但客戶那邊卡在授權(quán)費(fèi)用上——一套runtime license加上每年更新的費(fèi)用對(duì)這個(gè)體量的小項(xiàng)目來說確實(shí)不劃算。后來我就開始考慮用OpenCV來做替代方案。說實(shí)話OpenCV本身沒有直接提供一個(gè)跟Halcon的measure_pos或metrology工具完全對(duì)等的函數(shù)但卡尺工具的本質(zhì)并不復(fù)雜拆開來看就是在一個(gè)定義的測(cè)量區(qū)域內(nèi)沿某個(gè)方向?qū)D像做灰度剖面分析找到邊緣點(diǎn)再做后續(xù)的幾何擬合。這個(gè)思路完全可以用OpenCV的基礎(chǔ)函數(shù)組合出來。之所以把這個(gè)小工具單獨(dú)拎出來做成一個(gè)類是因?yàn)樵诠I(yè)視覺里卡尺測(cè)量實(shí)在太常用了。不管是直線邊緣定位、圓孔直徑測(cè)量、還是寬度檢測(cè)本質(zhì)上都是同一個(gè)套路。如果每次遇到新項(xiàng)目都臨時(shí)寫一套邊緣檢測(cè)邏輯代碼復(fù)用性差校驗(yàn)也不完整而且最容易出問題的亞像素定位那塊容易被忽略。我在實(shí)際開發(fā)中發(fā)現(xiàn)把卡尺工具封裝成獨(dú)立的類之后后面接項(xiàng)目基本就是配置參數(shù)、調(diào)用接口、拿結(jié)果的事省了太多重復(fù)勞動(dòng)。今天這篇文章就從頭到尾梳理一下我實(shí)現(xiàn)這個(gè)工具的思路包括底層原理、C實(shí)現(xiàn)、亞像素精度處理以及幾個(gè)比較容易踩坑的細(xì)節(jié)。2. 先搞明白Halcon卡尺算子的底層邏輯2.1 measure_pos、metrology這些算子到底做了什么接觸過Halcon的應(yīng)該都知道測(cè)量這邊常用的有1D測(cè)量measure_pos、measure_pairs和2D計(jì)量find_metrology_object兩套工具。1D測(cè)量是最典型的卡尺工具你先定義一個(gè)測(cè)量矩形也就是卡尺的ROI然后算子會(huì)在矩形內(nèi)部沿著跟長邊垂直的方向逐行做灰度剖面采樣每個(gè)剖面都能得到一個(gè)或幾個(gè)邊緣點(diǎn)最后輸出邊緣位置和對(duì)比度。把這些算子拆到最底層其實(shí)就是三個(gè)步驟投影采樣、求導(dǎo)或梯度計(jì)算、極值定位。Halcon在這里做得比較出色的是極值定位的亞像素精度以及對(duì)于復(fù)雜背景的抗干擾處理。工業(yè)測(cè)量中亞像素是剛需很多項(xiàng)目標(biāo)稱精度是0.01mm級(jí)別但實(shí)際像素分辨率可能只有0.05mm/pixel不做亞像素插值根本達(dá)不到要求。2.2 卡尺的幾個(gè)核心參數(shù)解析Halcon的measure_pos里有幾個(gè)參數(shù)我當(dāng)初反復(fù)調(diào)過理解透了對(duì)設(shè)計(jì)自己的工具很有幫助。Sigma是平滑系數(shù)實(shí)際上決定了高斯平滑核的寬度。這個(gè)值大了噪聲被壓下去但邊緣定位會(huì)偏也就是產(chǎn)生系統(tǒng)性的位置偏移邊緣越模糊偏得越明顯。Sigma小了定位準(zhǔn)了但容易受噪點(diǎn)干擾可能會(huì)把細(xì)小的紋理也當(dāng)邊緣抓出來。Threshold是邊緣閾值也就是對(duì)比度門限。Halcon內(nèi)部會(huì)把灰度剖面的一階導(dǎo)或二階導(dǎo)跟這個(gè)閾值比較只有幅值超過閾值的極值點(diǎn)才被認(rèn)為是有效邊緣。EdgeSelect參數(shù)用于控制選哪種邊緣這背后其實(shí)是極性的概念。實(shí)際應(yīng)用里從暗到亮的邊緣正極性和從亮到暗的邊緣負(fù)極性在檢測(cè)時(shí)一般需要區(qū)分。比如檢測(cè)一個(gè)黑色膠條在白色背景上的邊界如果只想抓膠條的某一邊極性設(shè)置錯(cuò)了就會(huì)抓到另一條邊甚至抓不到。2.3 一維邊緣檢測(cè)的本質(zhì)把圖像上的任意一條直線或曲線上的灰度值提出來就得到一條一維信號(hào)。邊緣在這個(gè)信號(hào)上表現(xiàn)為灰度突變。對(duì)信號(hào)求一階導(dǎo)突變處會(huì)出現(xiàn)一個(gè)峰求二階導(dǎo)峰的位置對(duì)應(yīng)過零點(diǎn)。所以一維邊緣檢測(cè)可以歸結(jié)為在一維信號(hào)上找極值點(diǎn)或過零點(diǎn)。具體到離散圖像上邊緣像素處的一階導(dǎo)數(shù)值通常不是整數(shù)像素處最大而是在兩個(gè)像素之間的某個(gè)位置。這時(shí)候就需要做亞像素插值常用的方法包括拋物線擬合、高斯擬合、以及矩方法。拋物線擬合速度最快實(shí)現(xiàn)也最簡(jiǎn)單在邊緣比較銳利的時(shí)候精度表現(xiàn)足夠好這也是我用得最多的方法。3. OpenCV實(shí)現(xiàn)卡尺工具的整體設(shè)計(jì)思路3.1 數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)一開始我嘗試直接用OpenCV的向量和基礎(chǔ)類型散著寫后面發(fā)現(xiàn)參數(shù)太多了散裝代碼根本維護(hù)不了。后來參考了Halcon的measure對(duì)象我做了一個(gè)Caliper類核心數(shù)據(jù)結(jié)構(gòu)大概長這樣struct CaliperROI { cv::Point2f center; // 矩形中心 float length; // 測(cè)量方向長度 float width; // 垂直于測(cè)量方向的寬度卡尺寬度 float angle; // 矩形長邊與圖像x軸的夾角 }; struct EdgePoint { cv::Point2f pt; // 邊緣點(diǎn)坐標(biāo) float contrast; // 對(duì)比度梯度幅值 float position; // 沿測(cè)量方向的一維位置 int polarity; // 極性1為暗到亮-1為亮到暗 }; struct CaliperResult { std::vectorEdgePoint edges; cv::Point2f fitLineStart; // 直線擬合結(jié)果 cv::Point2f fitLineEnd; // 圓擬合時(shí)需要的圓心和半徑 float centerX 0, centerY 0, radius 0; bool useCircleFit false; };這樣設(shè)計(jì)的好處是接口調(diào)用很直觀一個(gè)測(cè)量操作下來邊緣點(diǎn)、對(duì)比度、擬合結(jié)果都齊了上層業(yè)務(wù)拿去算距離、算尺寸都很方便。3.2 采樣與投影的具體實(shí)現(xiàn)矩形ROI內(nèi)的采樣有兩種做法一種是直接在原圖上做逐點(diǎn)采樣一種是把ROI區(qū)域旋轉(zhuǎn)到水平用warpAffine或getRotationMatrix2D然后按行提取。我推薦用第二種方式也就是先把ROI旋轉(zhuǎn)到跟圖像坐標(biāo)軸對(duì)齊。原因很簡(jiǎn)單旋轉(zhuǎn)之后水平方向?qū)?yīng)測(cè)量方向垂直方向?qū)?yīng)卡尺寬度方向這樣只需要循環(huán)每一行用cv::Mat::ptr或者直接訪問像素就能拿到一維剖面。效率很高而且后續(xù)做梯度計(jì)算和極值定位都可以用現(xiàn)成的OpenCV函數(shù)。cv::Mat Caliper::extractProfile(const cv::Mat gray, const CaliperROI roi) { // 將ROI旋轉(zhuǎn)至水平寬度方向?yàn)樾蟹较?cv::Mat rotMat cv::getRotationMatrix2D(roi.center, roi.angle * 180.0 / CV_PI, 1.0); cv::Mat rotated; cv::warpAffine(gray, rotated, rotMat, gray.size(), cv::INTER_LINEAR); // 計(jì)算ROI在旋轉(zhuǎn)圖像中的范圍 cv::Rect rectRoi( roi.center.x - roi.length / 2, roi.center.y - roi.width / 2, roi.length, roi.width ); cv::Mat region rotated(rectRoi); // 按列累加對(duì)寬度方向做均值得到一個(gè)一維剖面 cv::Mat columnMean; cv::reduce(region, columnMean, 1, cv::REDUCE_AVG); return columnMean.reshape(1, roi.length); }這里需要注意的是矩形ROI的width方向卡尺寬度的像素在做投影均值時(shí)能把隨機(jī)噪聲抵消掉一部分相當(dāng)于一個(gè)內(nèi)置的小平滑。但前提是邊緣主體在這個(gè)寬度范圍內(nèi)是直的如果邊緣有傾斜或者彎曲過大的寬度反而會(huì)模糊邊緣后面擬合時(shí)會(huì)體現(xiàn)出來。另一種做法是逐點(diǎn)沿測(cè)量方向取法線方向的灰度值這種做法適合邊緣彎曲程度很大的情況。但效率低一些代碼也復(fù)雜我目前只在圓弧測(cè)量里用到了。3.3 亞像素邊緣定位實(shí)現(xiàn)拿到一維剖面之后定位邊緣點(diǎn)的流程是這樣對(duì)一維信號(hào)做高斯平滑可選取決于噪聲情況計(jì)算一階導(dǎo)數(shù)用Sobel核卷積一行信號(hào)找到一階導(dǎo)數(shù)的局部極值點(diǎn)也就是梯度幅值的峰對(duì)每個(gè)峰做拋物線插值得到亞像素位置根據(jù)配置的極性、閾值篩選邊緣點(diǎn)這里我直接說一下拋物線插值的公式。假設(shè)在一維信號(hào)g(x)上位置x0處是梯度幅值最大的整數(shù)像素位置前后相鄰位置的梯度值分別是g(x0-1)、g(x0)、g(x01)那么亞像素偏移量delta為delta (g(x0-1) - g(x01)) / (2 * (g(x0-1) - 2*g(x0) g(x01)))這個(gè)公式的來源是對(duì)局部梯度幅值做二次多項(xiàng)式擬合然后求極值點(diǎn)。我在實(shí)測(cè)中發(fā)現(xiàn)在邊緣比較銳利的情況下這個(gè)插值方法的重復(fù)性可以做到0.05像素以內(nèi)對(duì)于大部分工業(yè)測(cè)量足夠了。下面是核心的亞像素邊緣提取代碼std::vectorEdgePoint Caliper::findEdgesInProfile(const std::vectorfloat profile, float threshold, int polarity) { std::vectorEdgePoint edges; int n profile.size(); if (n 3) return edges; // 計(jì)算一階梯度中央差分 std::vectorfloat grad(n, 0.0f); for (int i 1; i n - 1; i) { grad[i] profile[i 1] - profile[i - 1]; } // 找局部極值且幅值超過閾值的點(diǎn) for (int i 1; i n - 1; i) { // 極性篩選polarity1 需要梯度為正polarity-1 需要梯度為負(fù) if (polarity * grad[i] 0) continue; bool isMax (grad[i] grad[i-1]) (grad[i] grad[i1]); bool isMin (grad[i] grad[i-1]) (grad[i] grad[i1]); if (isMax || isMin) { float absGrad std::abs(grad[i]); if (absGrad threshold) continue; // 拋物線插值 float denom grad[i-1] - 2.0f * grad[i] grad[i1]; if (std::abs(denom) 1e-6) continue; float delta 0.5f * (grad[i-1] - grad[i1]) / denom; // 限制delta范圍防止過沖 if (delta 1.0f) delta 1.0f; if (delta -1.0f) delta -1.0f; EdgePoint ep; ep.position i delta; ep.contrast absGrad; ep.polarity (polarity 0) ? 1 : -1; edges.push_back(ep); } } return edges; }一個(gè)比較隱蔽的坑是當(dāng)剖面兩端剛好有邊緣時(shí)由于差分計(jì)算需要前后像素剖面兩端的梯度往往不準(zhǔn)確。我在處理時(shí)會(huì)人為丟掉剖面兩端各一個(gè)像素范圍內(nèi)的候選點(diǎn)避免虛假邊緣。4. 從邊緣點(diǎn)到幾何量測(cè)量后處理4.1 直線卡尺與矩形ROI結(jié)合有了邊緣點(diǎn)之后直線測(cè)量的任務(wù)基本上就變成對(duì)一堆二維點(diǎn)做直線擬合。但這里有個(gè)麻煩事ROI在傾斜angle不為0的情況下邊緣點(diǎn)在圖像坐標(biāo)系里的坐標(biāo)需要換算回去。換算其實(shí)很簡(jiǎn)單。前面我在提取剖面的時(shí)候使用了旋轉(zhuǎn)矩陣rotateMat那么從旋轉(zhuǎn)圖像里的橫坐標(biāo)x_rot反算到原圖坐標(biāo)只需要取旋轉(zhuǎn)矩陣的逆變換cv::Point2f Caliper::rotateBack(const cv::Point2f ptInRotated, const CaliperROI roi) { // 相當(dāng)于 getRotationMatrix2D 的逆運(yùn)算 float cosA cos(-roi.angle); float sinA sin(-roi.angle); float dx ptInRotated.x - roi.center.x; float dy ptInRotated.y - roi.center.y; float x roi.center.x dx * cosA - dy * sinA; float y roi.center.y dx * sinA dy * cosA; return cv::Point2f(x, y); }然后對(duì)這些邊緣點(diǎn)用cv::fitLine做直線擬合得到直線的方向向量和一個(gè)點(diǎn)轉(zhuǎn)成兩個(gè)端點(diǎn)用于輸出。實(shí)測(cè)下來只要邊緣點(diǎn)干凈沒有誤抓fitLine的穩(wěn)定性和精度都很好。但如果邊緣點(diǎn)里有離群點(diǎn)fitLine會(huì)受影響所以我在實(shí)際代碼里加了RANSAC或者簡(jiǎn)單的迭代去離群邏輯具體在后文的踩坑章節(jié)細(xì)說。4.2 環(huán)形卡尺用極坐標(biāo)變換測(cè)量圓圓孔測(cè)量在工業(yè)現(xiàn)場(chǎng)出現(xiàn)的頻率也很高。Halcon里面做圓測(cè)量一般用metrology模型或者用極坐標(biāo)變換。用OpenCV實(shí)現(xiàn)時(shí)極坐標(biāo)變換是一個(gè)很自然的思路。OpenCV 4.5.1之后的版本提供了cv::warpPolar可以直接把環(huán)形區(qū)域展開成矩形。展開之后圓的邊緣就變成了近似豎直或水平的直線邊緣剩下的處理和直線卡尺完全一致。唯一的區(qū)別在于展開圖里的橫坐標(biāo)對(duì)應(yīng)極坐標(biāo)的角度縱坐標(biāo)對(duì)應(yīng)半徑。亞像素定位得到的是半徑方向的亞像素位置再加上圓心坐標(biāo)就是最終的半徑值。// 環(huán)形ROI定義 struct CircleROI { cv::Point2f center; float innerRadius; float outerRadius; float startAngle; // 起始角度 float endAngle; // 終止角度 }; void Caliper::measureCircle(const cv::Mat gray, const CircleROI circleRoi, std::vectorEdgePoint radialEdges, float fittedRadius, cv::Point2f fittedCenter) { // 展開環(huán)形區(qū)域 cv::Mat polarImg; cv::Size polarSize(360, circleRoi.outerRadius - circleRoi.innerRadius); cv::warpPolar(gray, polarImg, polarSize, circleRoi.center, circleRoi.outerRadius, cv::INTER_LINEAR | cv::WARP_POLAR_LINEAR); // 在展開圖的每一列上沿徑向找邊緣點(diǎn) // 這里可以復(fù)用findEdgesInProfile std::vectorcv::Point2f edgePts; for (int col 0; col polarImg.cols; col) { std::vectorfloat prof(polarImg.rows); for (int r 0; r polarImg.rows; r) { prof[r] polarImg.atuchar(r, col); } auto edges findEdgesInProfile(prof, threshold, polarity); if (edges.size() 0) { // 取第一個(gè)滿足條件的邊緣 float radius circleRoi.innerRadius edges[0].position; float angleDeg col; // 對(duì)應(yīng)角度 float angleRad angleDeg * CV_PI / 180.0; cv::Point2f pt(circleRoi.center.x radius * cos(angleRad), circleRoi.center.y radius * sin(angleRad)); edgePts.push_back(pt); } } // 圓擬合 cv::RotatedRect rr cv::fitEllipse(edgePts); fittedCenter rr.center; fittedRadius (rr.size.width rr.size.height) / 4.0f; }這里有個(gè)細(xì)節(jié)需要注意cv::warpPolar的參數(shù)里第三個(gè)Size的寬度對(duì)應(yīng)角度范圍默認(rèn)360度高度對(duì)應(yīng)半徑范圍。如果只想測(cè)量某個(gè)弧段可以把Size寬度設(shè)為弧段對(duì)應(yīng)的角度像素?cái)?shù)并配合角度偏移參數(shù)。4.3 邊緣分組與選擇策略有時(shí)候ROI里有不止一條邊緣比如測(cè)寬度時(shí)會(huì)出現(xiàn)兩條邊緣。Halcon的measure_pairs就是專門處理這種情況的它會(huì)把相鄰的正負(fù)極性邊緣配成對(duì)輸出兩個(gè)邊緣點(diǎn)以及它們之間的距離。我在實(shí)現(xiàn)的時(shí)候也給Caliper類加了類似的邏輯edgeSelection有first、last、all和pair四種模式。first模式直接取剖面里第一個(gè)超過閾值的邊緣適合找基準(zhǔn)邊pair模式找到所有正負(fù)邊緣對(duì)配對(duì)輸出。代碼邏輯不復(fù)雜就是拿到edges向量之后按位置排序、按極性配對(duì)這里就不詳細(xì)貼代碼了。5. 跟Halcon的實(shí)測(cè)對(duì)比5.1 測(cè)試環(huán)境與方法為了驗(yàn)證這個(gè)OpenCV卡尺工具的實(shí)際表現(xiàn)我專門做了一組對(duì)比實(shí)驗(yàn)。測(cè)試平臺(tái)是i5-8500 CPU、16GB內(nèi)存相機(jī)用的是500萬像素的工業(yè)面陣相機(jī)拍攝一個(gè)標(biāo)準(zhǔn)陶瓷量塊邊緣量塊標(biāo)稱厚度是5.0000mm像素分辨率約0.045mm/pixel。同一個(gè)ROI分別用Halcon的measure_pos和自研OpenCV工具測(cè)量每組取50次測(cè)量數(shù)據(jù)。5.2 精度數(shù)據(jù)對(duì)比測(cè)量方式均值mm標(biāo)準(zhǔn)差mm最大偏差mmHalcon measure_pos5.00060.00420.0081OpenCV卡尺拋物線插值4.99980.00510.0095OpenCV卡尺僅整數(shù)像素4.99730.00890.0180數(shù)據(jù)上能看出幾個(gè)結(jié)論一是加了拋物線插值之后重復(fù)精度從接近0.009mm提升到0.005mm級(jí)別提升非常明顯說明亞像素處理不是錦上添花而是必需環(huán)節(jié)二是跟Halcon對(duì)比均值偏差差了不到1個(gè)微米標(biāo)準(zhǔn)差差了大約0.001mm這個(gè)差距在絕大多數(shù)尺寸測(cè)量場(chǎng)景下完全夠用。需要坦誠地講Halcon在邊緣定位上還有其他優(yōu)化手段比如它可能使用了更復(fù)雜的邊緣模型擬合而不是簡(jiǎn)單的拋物線插值。在邊緣比較模糊或者有干擾時(shí)Halcon的魯棒性確實(shí)更好一點(diǎn)。但就常規(guī)的、邊緣清晰的工業(yè)件測(cè)量來說這個(gè)差距基本可以忽略。5.3 實(shí)際項(xiàng)目中的測(cè)試結(jié)果后來這個(gè)工具實(shí)在一個(gè)金屬端子高度測(cè)量項(xiàng)目里上了產(chǎn)線。每個(gè)產(chǎn)品需要測(cè)兩個(gè)位置的高度差節(jié)拍要求是2秒內(nèi)完成測(cè)量和判斷。相機(jī)分辨率是2048x1536ROI區(qū)域約300x100像素整個(gè)測(cè)量流程包括圖像采集、預(yù)處理、卡尺測(cè)量、輸出平均耗時(shí)約28ms遠(yuǎn)遠(yuǎn)滿足節(jié)拍要求。產(chǎn)線連續(xù)跑了一個(gè)月尺寸誤判率大概在0.3%左右后續(xù)分析發(fā)現(xiàn)誤判主要來自來料本身邊緣磕碰而不是測(cè)量算法的穩(wěn)定性問題。6. 踩過的坑和調(diào)參建議6.1 邊緣極性搞反測(cè)量結(jié)果全線崩潰有一次在測(cè)透明薄膜的邊緣時(shí)我一直以為是暗到亮的邊緣但在特定打光角度下薄膜邊緣呈現(xiàn)的是亮到暗。當(dāng)時(shí)沒加極性判斷工具把薄膜兩邊加上背景干擾全抓了擬合出來的直線位置差了將近20個(gè)像素。從那之后我在Caliper類里強(qiáng)制加了極性篩選參數(shù)并且在調(diào)試模式下把剖面數(shù)據(jù)和選中的邊緣點(diǎn)可視化出來。這個(gè)可視化調(diào)試功能幫了大忙后續(xù)很多參數(shù)問題都是通過看剖面曲線一眼定位的。6.2 高斯平滑Sigma的選擇邏輯很多人在做邊緣檢測(cè)時(shí)會(huì)習(xí)慣性地加高斯模糊覺得能降噪。但對(duì)于測(cè)量場(chǎng)景我建議保守一點(diǎn)如果原始圖像噪聲不大盡量別用高斯平滑因?yàn)楦咚蛊交瑫?huì)改變邊緣的位置尤其是模糊半徑大于邊緣寬度時(shí)。我用測(cè)試圖做過量化驗(yàn)證sigma從0增大到3邊緣位置偏移最多能達(dá)到1.2個(gè)像素這是一個(gè)很大的系統(tǒng)性誤差。如果一定要平滑優(yōu)先考慮在投影時(shí)把卡尺寬度方向的像素做均值這相當(dāng)于把多行信號(hào)的噪聲平均掉不會(huì)引入測(cè)量方向上的邊緣偏移。只有當(dāng)單行信號(hào)本身噪聲都很大時(shí)才考慮在測(cè)量方向上做輕度高斯平滑sigma不超過1.0但此時(shí)必須做標(biāo)定補(bǔ)償。6.3 擬合時(shí)的離群點(diǎn)處理fitLine和fitEllipse對(duì)這些邊緣點(diǎn)里的離群點(diǎn)都比較敏感。我遇到過邊緣點(diǎn)里有幾個(gè)點(diǎn)因?yàn)榫植颗K污或者毛刺導(dǎo)致位置偏了好幾個(gè)像素直線擬合結(jié)果被拉偏的情況。解決辦法不復(fù)雜先做一次初步擬合計(jì)算每個(gè)點(diǎn)到擬合直線的距離把距離超過閾值比如2~3像素的點(diǎn)剔除再做第二次擬合。兩輪迭代基本能解決大部分場(chǎng)景的問題。如果邊緣本身有規(guī)律性的彎曲比如輕微弧形單純?cè)黾娱撝禌]用這時(shí)候需要檢查是不是鏡頭畸變或者產(chǎn)品本身變形而不是一味在算法層加大容忍度。6.4 性能優(yōu)化的一些經(jīng)驗(yàn)OpenCV的warpAffine和warpPolar雖然方便但在需要高速處理的場(chǎng)景里還是有點(diǎn)重。我在優(yōu)化版本里做了一些處理對(duì)于固定ROI的重復(fù)測(cè)量預(yù)先計(jì)算好旋轉(zhuǎn)矩陣和映射表避免每幀重復(fù)計(jì)算投影的均值操作通過cv::reduce來完成比自己寫雙重循環(huán)快很多另外圖像預(yù)處理和卡尺測(cè)量可以分開線程測(cè)量線程只處理ROI區(qū)域而不是全圖。在CPU上跑300x100的ROI優(yōu)化前后的耗時(shí)差異大概有3到4倍。如果換到帶GPU的工控機(jī)這個(gè)工具基本可以實(shí)現(xiàn)實(shí)時(shí)測(cè)量不再成為瓶頸。7. 寫在最后的經(jīng)驗(yàn)總結(jié)從我自己的實(shí)踐來看用OpenCV復(fù)刻一個(gè)能用、夠用的卡尺工具是完全可行的。Halcon的優(yōu)勢(shì)主要體現(xiàn)在開發(fā)效率、成熟算子庫和極端場(chǎng)景的魯棒性上但如果項(xiàng)目預(yù)算有限而且被測(cè)物的成像條件可控有穩(wěn)定的打光、邊緣清晰OpenCV方案在精度和穩(wěn)定性上并不遜色多少。如果你打算在自己的項(xiàng)目里用這個(gè)工具我有幾個(gè)建議第一一定要保留調(diào)試可視化接口測(cè)量算法這種東西盲調(diào)參數(shù)效率太低看到剖面曲線和邊緣點(diǎn)疊加圖問題往往一目了然第二處理真實(shí)產(chǎn)品之前先找標(biāo)準(zhǔn)件做重復(fù)性測(cè)試評(píng)估測(cè)量系統(tǒng)的GRR不要只看單次測(cè)量的精度第三不同項(xiàng)目的ROI參數(shù)、極性、閾值一定要配置化不要寫死在代碼里后面換產(chǎn)品型號(hào)時(shí)你會(huì)感謝自己當(dāng)初的設(shè)計(jì)。最后說點(diǎn)實(shí)在話。這個(gè)工具遠(yuǎn)沒有到完美的程度和Halcon在邊界模糊、低對(duì)比度、復(fù)雜紋理這些極惡劣條件下的表現(xiàn)還有差距。但它的價(jià)值在于完全可控、零授權(quán)成本、可以深度定制。對(duì)有經(jīng)驗(yàn)的機(jī)器視覺工程師來說手頭有一個(gè)自己維護(hù)的卡尺工具庫很多項(xiàng)目的前期方案評(píng)估和demo驗(yàn)證會(huì)從容很多。后續(xù)我還在考慮加入邊緣輪廓跟蹤和更穩(wěn)健的邊緣模型擬合到時(shí)候有結(jié)果了再來分享。本文還有配套的精品資源點(diǎn)擊獲取