传送带上运动物品的动态图像捕捉和几何参数测
1 引 言
在自动化生产过程中，传送带和物流系统是生产线的重要组成部分。通常情况下为了实现物品的分类处理或完成产品的质量控制等，我们需要了解物品的某些细节情况如几何参数，因此，基于图像处理的测量方法得到越来越多的应用。测量方式主要有静态和动态两种，静态是指目标对象相对摄像机静止，用这种方式可以获得清晰的图像，而动态方式下则得不到清晰的图像。
在某些场合下，无法获得静态图像，而运动目标的成像又会造成图像质量的下降, 为避免出现图像的降质，或者考虑到其它因素如机械传动系统、运动特性等，我们一般采用运动状态下的图像捕捉和处理的方法。虽然采用平稳运动系统可以减少传动过程中的振动，提高系统的运转效率，简化系统的设计，但同时图像处理的时间也会加长。
本文将动态的图像测量方法应用于羽毛球生产过程中的毛片弯度等参数的测量，介绍了整个系统的组成和运行的情况，并提供了过程的主要结果。
2 运动图像的恢复原理
了解运动图像的恢复原理，首先应了解图像的运动模型。
根据Gonzalez水平图像运动模型〔1〕，设原图像为f（x，y），在曝光时间T内原图像沿水平方向移动距离为a，移动速度恒定且曝光线性，则
这是一个递推关系式，说明当前位置的恢复图像可以由离当前位置a处的恢复图像推算得出，模糊图像g（x）的导数总可以求得。只要求出长度为a的图像，整个图像都可以根据上述递推关系获得。
设m为x／a的整数部分，恢复图像可以由下式近似得出〔2〕
图像恢复的质量取决于恢复关系式中各参数的选取。A和γ对恢复图像的背景和对比有影响，而a对恢复图像的质量起决定作用。通常情况下采用搜索方法获得合适的值。在参考文献〔2〕中采用均方误差准则下实现自动搜索的方法。本文的测量环境下，由于运动速度恒定，参数a一旦确定后当作一个参数来处理。
3 基于图像处理的几何参数计算
3．1 羽毛球毛片参数
羽毛球质量的重要指标是其飞行的稳定性，即在飞行中不出现摇摆或变线。羽毛球飞行的气动机理十分复杂，这里不作研究。只要能保证形状相同的毛片插在同一个球上，则在正常工序下生产出来的羽毛球就会具有良好的飞行稳定性。传统的测量方法不仅速度慢而且夹具对软性材料的测量结果产生影响。本文尝试利用图像捕捉设备对传送带上的毛片进行动态捕捉和处理，获得毛片的形状参数后按形状参数分档，保证具有相同形状的16根毛片插在同一个羽毛球上。
毛片的主要几何参数有毛杆的弯度、拱度和毛杆顶部的粗细等。这里的弯度指的是毛杆中心线与其切线在顶部位置处的水平距离，拱度为毛片在平放时的拱高。这里主要介绍弯度的测量方法，先提取毛杆的边缘并计算中心位置，然后拟合毛杆中心线，最后计算弯度值。在此过程中粗细也同时得出。
3．2 图像的边缘提取和边缘数据的采集
物体的边缘在图像上反映出局部特性的不连续性。理想的边缘有阶跃型、房顶型和凸缘型，由于图像噪声的存在，实际的边缘变得十分复杂。
边缘检测通常采用微分类算子实现。这类算子有Sobel算子、Kirsh算子和Laplacian算子等，前两个算子为梯度算子，后者为二阶微分算子。Sobel梯度算子在两个方向上选取微分大的值作为其梯度值，显然当两个方向上微分值大小相等时梯度的误差最大；而Kirsh则在八个方向上计算微分并以最大制作为梯度值〔3〕，算子法的计算结果作为边缘判别的依据；Laplacian算子则是不依赖边缘方向的二阶算子，具有旋转不变性。
由于微分类算子的固有特性，边缘检测都会受到噪声影响。采用滤波方法可以有效地抑制噪声的干扰，但同时也给边缘产生一定程度的钝化，这种钝化作用会影响边缘的提取 ，因此关键在于滤波方案的选择。上述微分类算子都采用了滤波方法 。Sobel算子采用了三点加权平均，当边缘在水平或竖直方向时，实际的滤波沿着边缘进行，因此滤波对边缘的钝化作用最小；而当边缘在45°或135°方向时，滤波点与边缘在方向上相差最大，此时滤波对边缘的钝化作用也最大。因此，选择与边缘较为一致的核（kernel）能在噪声抑制和边缘保持方面获得满意的结果。
