论文部分内容阅读
随着工业4.0的发展、人工智能时代的到来,机器视觉的应用更加广泛和深入。基于机器视觉的工业检测是工业自动化中尤其重要的组成部分,先进的工业检测对视觉系统检测的准确性、稳定性、自适应性提出了更高的要求。通过提升硬件设备的性能来提升视觉系统的检测性能往往意味着成倍增长的成本投入,因此通过成本低、效率高的算法提升检测性能一直是工业界和学术界重要的研究内容。边缘检测是图像处理、机器视觉的关键内容,其作为一种底层方法,是目标检测、目标识别、目标跟踪和区域分割等高层应用的基础手段,边缘检测算法性能的提升往往能够有效促进图像处理和机器视觉中众多应用的发展。经典的边缘检测方法只能得到像素级精度的检测结果,难以满足精度要求;现有的亚像素边缘检测方法存在抑制噪声能力差、重复定位精度低、环境适应性弱等问题。亚像素边缘检测仍然是工业检测性能提升的限制之一。本文总结工业场景中目标轮廓边缘的分布特点,提出“历史边缘连续性”假设,即后续边缘点总是位于历史边缘点的延伸半平面上,基于该假设采用轮廓跟踪思想提出梯度中心跟踪算法进行像素级别的边缘检测,同时针对快速性需求,使用“强化的历史边缘连续性”假设,将延伸半平面强化到四分之一平面,利用结构化的方向算子实现像素级别的快速梯度中心跟踪算法。像素级别实验表明,本文提出的梯度中心跟踪算法能够有效减小工业场景中噪声和小杂斑对边缘信息的干扰,同时提升目标轮廓的完整性,可以作为其他亚像素边缘检测方法的预检测工具,有效降低这些算法在非边缘位置的冗余计算,提升噪声干扰下的稳定性。本文进一步提出边缘向量函数,将梯度中心跟踪算法推广到亚像素边缘级别,结合样条插值、高斯曲线拟合等方法获得亚像素精度边缘点位置,在实验中取得了比Canny/Devernay方法、Zernike矩方法、原始的Steger亚像素边缘检测方法更高的检测精度以及更小的重复检测误差。直线轮廓边缘检测均方根误差小于0.05个像素,圆轮廓检测边缘检测均方根误差达到0.1个像素;在随机噪声标准差不大于0.2时,拟合直线斜率的误差为0.0012,直线纵截距的误差为0.16。