[发明专利]一种汽车纵梁图像去抖动及边缘校准方法和系统

说明书

本发明属于计算机视觉技术领域，具体涉及图像去抖动及边缘校准方法、系统、设备及存储介质。该方法包括：获取线扫描相机采样的汽车纵梁图像，采用自适应阈值OTSU算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点，根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界，计算得到预测的汽车纵梁上下边界的理论位置，基于预测的汽车纵梁上下边界的理论位置，计算每一帧图像中的钢梁宽度，并取平均值得到所述汽车纵梁的平均宽度，将当前图像帧的钢梁宽度变换为所述平均宽度，并映射到理论位置中，得到去抖动及边缘校准后的目标图像。本发明适用于大部分刚性材质的图像去抖动及边缘校准。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种汽车纵梁图像快速去抖动及边缘校准方法、系统、设备及存储介质。

背景技术

随着计算机视觉技术在工业生产中应用的逐渐推广，机器识别精度逐渐增高并被逐步用于工件加工和质检过程中的识别。在车辆纵梁生产中，会在其的特定位置进行冲孔，以降低车辆整体重量、增强车身抗撞击能力、并方便后续的工件安装。然而在生产过程中，冲孔机械会受到环境等因素的影响，可能会造成漏打、多打孔或者打孔偏移过大，从而严重影响车辆安全及后续安装过程。若采用视觉方案对冲孔后的汽车纵梁进行冲孔位的识别检测，冲孔机的大幅震动，也会对图像的采样质量产生极大地影响，即采样图像中会存在明显的图像抖动痕迹及边缘振幅现象，从而进一步影响了后续冲孔位的检测精度。

因此，目前对于汽车纵梁冲孔的检测主要依赖于人工质检，即生产线依赖于特定的模具或者蒙版对冲孔后的纵梁进行手工检验。这种方法效率、精度都不高，批量采样和依赖肉眼判断的质检方式无法保证精准度且耗费了大量的人力成本。

在其他生产领域中的检测环节，有采用计算机视觉中的一些算法对图像中的特定位置进行识别匹配及检测。然而，当前在汽车纵梁的质检环节中并没有这样一种通用方法可以直接适用于线上的冲孔位识别及尺寸检测。其原因主要在于以下几点：

1、受生产环境影响，大部分汽车纵梁冲孔作业的震动很大，对图片采样的稳定性及图像的清晰度造成极大地影响。大部分汽车纵梁冲孔位及尺寸的检测误差范围需要控制在50mm以内。如果是线上作业的检测模式，即采用置于数位冲孔机之后的固定点位的相机对当前正在加工的汽车纵梁进行采样及检测，这种模式的好处是保证了检测环节不会影响生产节拍，然而风险就是冲孔作业的震动幅度很大，往往会导致长10m的纵梁末端的振幅超过2cm，远远超过了检测误差范围，也对采样精度造成了严重影响。同时，也会造成采样的纵梁图像边界抖动明显，从而进一步影响检测精度。

2、大部分检测及识别方法对于图像的质量要求很高，需要定制化的图像预处理流程为后期检测算法提供稳定性高的测试样本。比如在其他生产领域中的检测环节，有采用霍夫变换等检测方法对轮廓识别。此类传统方法虽然效率高，但是该类方法往往对于图像质量及预制参数的敏感度极高，且对于图像中的噪音点极为敏感。现有的深度学习等方法虽然在大量实验上证明了其算法的准确性，但是这类算法的计算量过大，算法难以部署在实际生产中的低成本工控设备中。

发明内容

为解决针对汽车纵梁图像采集过程中，因数位冲孔机造成的剧烈抖动对图像采集设备采样过程的问题，本发明提供了一种汽车纵梁图像去抖动及边缘校准方法、系统、设备及存储介质，基于双线性校正的方式将采集到的汽车纵梁图片快速去抖动并进行边缘校准。

本发明采用以下技术方案实现：

一种汽车纵梁图像去抖动及边缘校准方法，包括：

获取线扫描相机采样的汽车纵梁图像；

对所述汽车纵梁图像采用自适应阈值OTSU算法进行二值化处理，确定所述汽车纵梁图像中的所有上下边界点；

根据所述上下边界点获得上边界点训练集和下边界点训练集，并通过线性回归模型分别拟合汽车纵梁上下边界；