基于机器视觉的自动检测系统设计与实现研究

第３４卷　第６期　Ｖｏ１．３４　ＮＯ．６　新乡学院学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｘｉｎｘｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　２０１７年６月　Ｊｕｎ．２０１７　

基于机器视觉的车道线检测系统的研究　

杨　萍，杨　磊　

（安徽机电职业技术学院数控工程系，安徽芜湖２４１０００）　

摘要：提出一种基于梯度的Ｈｏｕｇｈ变换算法。从基于机器视觉的车道线检测系统着手，通过对ＣＣＤ采集的图像进行预　处理来进行车道线的检测。实验证明算法是可行的且具有良好的性能。　关键词：机器视觉；图像预处理；车道线检测；Ｈｏｕｇｈ变换　中图分类号：ＴＰ３９１．４；ＴＮ９１１．７３　文献标识码：Ａ　文章编号：２０９５—７７２６（２０１７）０６—００６８—０４　

随着经济的快速发展，汽车的使用量也大幅上升，　

这在为人们生活带来便利的同时，也带来了许多问题，　

如交通、环境、能源和安全等问题，其中以安全问题最　

为突出。如何有效地解决这个问题，已成为大众关注的　

热点。为了完善智能车辆驾驶系统中存在的驾驶决策　

运算时间长、定位不准确等问题，我们提出基于机器视　

觉的车道线检测系统。机器视觉主要指利用ＣＣＤ（摄　

像机）采集图像，然后再进行图像预处理。使用ＣＣＤ是　

因为它成本低廉、技术成熟且已被广泛应用。我们利用　

ＣＣＤ对道路进行图像采集，建立车道线模型并提出一　

种基于梯度的Ｈｏｕｇｈ算法，采用ＫＡＬＭＡＮ跟踪技术检　

测车道线，利用Ｐｃ和Ｖｃ＋＋软件对算法进行仿真实　

验。研究旨在为我国车辆辅助驾驶系统的研究和开发　

提供理论和技术参考。　

ｌ机器视觉及图像预处理　

１．１机器视觉　

机器视觉就是用机器代替人眼对事物做测量和判　

断…。因机器视觉主要通过ＣＣＤ来获取周围的图像信　

息，故标定ＣＣＤ的参数是非常重要的。　

（１）外部参数标定　

外部参数主要描述的是ＣＣＤ在世界坐标系内的　

方向和位置信息［　。为方便计算，我们把单位正交旋转　

矩阵　的横摆角　和侧倾角　都设置为０，得到　ｌ　１　０　Ｒ＝Ｊ　０　ＣＯＳ０　１　０一ｓｉｎ０　『　０　］　

基于机器视觉的检测系统

视觉系统可以快速、准确和高可重复性地自动完成诸如部件测量和检查的工作，这样就可以帮助制造商提高产品质量和生产力。视觉系统在制造过程中的每一步都可以生成有价值的监测数据，这同时也可以帮助控制工程师扩展过程诊断的功能。

非接触式测量更加快捷

机器视觉在质量控制上最普遍的应用就是测量。Cognex公司的In-Sight系列视觉传感器的市场销售部经理Bryan Boatner说，由于视觉系统测量部件特有的可以达到千分之一英寸的精度，使得它可以适用于很多从前需要采用接触式测量方法的应用场合。

他说道：“制造商采用基于视觉的测量是有诸多原因的。速度是主要的一点。采用接触式测量，难以跟上高吞吐量的流水线的步伐，因此，传统地测量一般都是在产品抽检时完成。”相对应地，机器视觉系统就可以跟上上述生产流水线的步伐，每分钟可以完成上千次的测量，而且机器视觉系统还可以嵌入流水线系统中进行100%的监测。

消除了物理接触，基于视觉的测量就可以“避免对零件的损伤并减少了对机械测量表面磨损和划痕的维护。最终，视觉系统可以测量某些不能用接触式方法测量的零件。”Boatner说道。

Matrox Imaging公司的图像软件小组组长Arnaud Lina，赞同道：机器视觉为物理计量学提供了很多新的可能，如物体的精确测量。Dalsa公司数码图像小组的集成产品开发战略发展部主任Ben Dawson介绍了一些要点，有助于组建机器视觉测量系统以及一些其他的应用。

[align=center]

图1：一些简单的工具－例如一把直尺、一台分光镜以及2 倍的长焦镜头－

能够帮助提高设置机器视觉的速度，DMCInc 公司的Ken Brey说。[/align]

诊断功能

Boatner说：除了测量，机器视觉还能为诊断提供一个有效数据采集工具，这些工具可以进行过程度量和分析数据走势。视觉系统可以为监控操作提供实时的图像，也可以将数字图像按时间标记存档，便于后期检索。

基于机器视觉的智能巡检系统设计与实现

智能巡检系统已经在许多工业领域被广泛应用。通过使用机器视觉技术，该系统能够实时监测和检测设备和工作环境中的问题。本文将介绍基于机器视觉的智能巡检系统的设计和实现。

首先，智能巡检系统的设计需要进行详细的需求分析。我们需要考虑巡检的对象是什么，包括设备、工作区域还是其他。此外，我们还需要确定巡检的频率和检测的指标，以及系统应该具备的功能，如异常检测、图像识别等。同时，对于系统的部署方式和网络连接也需要进行合理的规划。

基于机器视觉的智能巡检系统的核心是图像识别技术。该技术可以通过分析图像中的特征和模式，来确定设备是否存在异常。在系统实施前，我们需要首先进行训练模型的建立。这可以通过使用深度学习方法，如卷积神经网络，来进行图像分类和目标检测。

在建立模型之后，我们需要收集并标记大量的图像样本，以供训练使用。样本应该包括正常情况下的图像和可能存在异常情况下的图像。通过训练模型，系统可以学习并识别各种不同情况下的异常情况。

一旦图像识别模型建立完成，我们需要将其应用于实际的巡检环境中。这包括选择合适的摄像头设备，并进行位置和角度的调整，以确保能够获取清晰的图像。此外，我们还需要考虑如何优化图像的采集和存储，以确保系统运行的效率和稳定性。

在实际应用中，智能巡检系统可以通过以下步骤进行工作。首先，摄像头会定期拍摄目标设备或工作区域的图像。然后，这些图像将被传输到后台服务器进行处理和分析。在服务器端，图像将被送入图像识别模型进行分析。如果模型检测到异常情况，则系统将立即发出警报，以便及时采取相应的措施。

除了图像识别技术，智能巡检系统还可以与其他技术相结合，以提高系统的性能和功能。例如，可以使用传感器技术来收集设备的温度、压力等数据，以更全面地评估设备的状态。此外，系统还可以与数据分析技术相结合，以预测和预防可能的故障。 最后，为了确保系统的可靠性和精确性，智能巡检系统需要进行定期的检查和维护。这包括监测摄像头的工作状态、检查图像识别模型的准确性，并对系统进行必要的更新和优化。

基于机器视觉的工业自动化检测系统设计

随着现代制造业的高速发展，工厂所需的高效、准确、稳定的检测系统也越来越重要。而基于机器视觉的工业自动化检测系统已经成为了现代工业检测系统的重要组成部分。本文将详细讲解基于机器视觉的工业自动化检测系统的设计。

一、系统架构

基于机器视觉的工业自动化检测系统，一般由视觉传感器、图像采集卡、工业计算机和运行在其中的检测软件等四个部分构成。其中，视觉传感器用于实时捕捉工件的图像信息，图像采集卡用于传输图像信号，工业计算机用于接收并处理传来的图像信息，软件则用于对图像信息进行处理和分析，最终输出检测结果。

二、系统特点

基于机器视觉的工业自动化检测系统具有以下几个特点：

1、自适应性

传统检测方法往往需要经过一个繁琐而漫长的研究和试验过程，才能够适应不同的工件和不同的环境。而机器视觉检测系统则具有自适应性，能够根据工件的形状和颜色等特征自动调整系统参数，适应不同的工件和不同的环境。

2、高精度

机器视觉检测系统能够准确地分辨工件的形状、大小、颜色等特征，并能够在微米级别的误差范围内检测工件的缺陷、变形等情况。

3、高速度

机器视觉检测系统具有高速的图像采集和处理能力，能够在极短的时间内完成对工件的检测。 三、系统设计

基于机器视觉的工业自动化检测系统的设计需要考虑以下几个方面：

1、视觉传感器的选择

视觉传感器是机器视觉检测系统最重要的组成部分之一，不同类型的传感器都具有各自的优缺点。如CCD传感器精度高，但价格昂贵；CMOS传感器价格相对便宜，但其精度相对于CCD传感器稍逊。因此，在系统设计时需要根据具体情况选择合适的视觉传感器。

2、图像采集卡的选择

图片采集卡是图像和计算机之间的一个接口，其性能和稳定性都对检测结果产生重要影响。因此，在系统设计时需要仔细考虑采集卡的选择，并严格把控其质量。

3、软件的开发

软件的开发是整个系统设计中最关键的一环。在开发软件时，需要借助各种计算机视觉算法，对图像进行处理和分析，并最终给出检测结果。同时需要考虑软件的稳定性和实时性，确保检测结果的准确性和及时性。