Een korte discussie over randdetectie in machine vision

Machine vision heeft de voordelen van hoge snelheid, hoge precisie, herhaalbaarheid, objectiviteit, enz. Nadat machine vision aan geautomatiseerde apparatuur is toegevoegd, zal de detectie- en assemblage-efficiëntie en -nauwkeurigheid aanzienlijk worden verbeterd in vergelijking met handmatig werk. Het veld van machine vision is nu een van de meest geavanceerde onderzoekshotspots geworden. Randdetectie is een essentieel onderdeel van machine vision en een belangrijke beeldvoorverwerkingstechnologie.

Omdat randen het resultaat zijn van discontinue grijswaarden, kan deze discontinuïteit vaak eenvoudig worden gedetecteerd met behulp van afgeleiden. Over het algemeen worden afgeleiden van de eerste en tweede orde geselecteerd om randen te detecteren. Bij machine vision-inspectie wordt deze methode gewoonlijk de lokale operatormethode voor randdetectie genoemd. Voor de detectie van beeldranden wordt het Canny-algoritme gebruikt om het beeld te verwerken en te segmenteren. De basisstappen van het specifieke algoritme zijn als volgt:

1. Filteren: Het algoritme voor randdetectie is hoofdzakelijk gebaseerd op de eerste en tweede orde afgeleiden van de beeldintensiteit, maar de berekening van de afgeleiden is zeer gevoelig voor ruis. Daarom moeten filters worden gebruikt om de prestaties van de randdetector met betrekking tot ruis te verbeteren. Opgemerkt moet worden dat de meeste filters ook een verlies aan randsterkte veroorzaken terwijl de ruis wordt verminderd. Er is dus een afweging tussen randverbetering en ruisonderdrukking.
2. Verbetering: De basis van randverbetering is het bepalen van de veranderingswaarde van de buurtintensiteit van elk punt in het beeld. Het verbeteringsalgoritme kan punten benadrukken met significante veranderingen in buurt- (of lokale) intensiteitswaarden. Randverbetering wordt in het algemeen bereikt door het berekenen van de gradiëntamplitude.
3. Detectie: Er zijn veel punten in het beeld met relatief grote gradiëntamplitudes, en deze punten zijn niet allemaal randen in specifieke toepassingsgebieden, dus er moet een methode worden gebruikt om te bepalen welke punten randpunten zijn. Het eenvoudigste randdetectiecriterium is het gradiëntamplitudedrempelcriterium.
4. Positionering: Als een toepassing het bepalen van de randpositie vereist, kan de randpositie worden geschat met een subpixelresolutie en kan ook de randoriëntatie worden geschat.

Bij algoritmen voor randdetectie worden de eerste drie stappen zeer vaak gebruikt. Dit komt doordat de randdetector in de meeste gevallen alleen hoeft aan te geven dat de rand nabij een bepaalde pixel in het beeld verschijnt, maar het is niet nodig om de exacte locatie of richting van de rand aan te wijzen.

Deze vier stappen zijn essentieel bij het gebruik van machine vision voor maatmetingen, vooral de precieze locatie en oriëntatie van de rand. Machine vision-inspectietechnologie, met zijn krachtige prestatievoordelen, standaardiseert de productkwaliteit, heeft een hoge inspectiesnelheid, betrouwbare en stabiele inspectieresultaten en kan lange tijd worden geïnspecteerd, en wordt veel gebruikt op verschillende gebieden.