黃婧

摘要：為了保障產(chǎn)品的質(zhì)量，許多生產(chǎn)現(xiàn)場都會對顆粒的粒度特征進(jìn)行實時監(jiān)測，以便能夠在線調(diào)整、控制生產(chǎn)設(shè)備。在檢測過程中，一般都要求粒度檢測不能影響顆粒的生產(chǎn)過程，這就要求檢測方案必須具有非接觸性、準(zhǔn)確性以及實時性等特點。尤其是在測量直徑為1毫米以下的微小型顆粒粒度信息時，如何保證測量的精準(zhǔn)性已成為本技術(shù)領(lǐng)域中的研究重點和難點。經(jīng)實踐表明，傳統(tǒng)的測量方法，往往具有測量誤差大，精度低，重復(fù)性差等缺陷。為此，本課題以提高微小型顆粒測量精度為研究目標(biāo)，旨在設(shè)計一種基于分層改進(jìn)式遺傳算法的微小顆粒檢測系統(tǒng)標(biāo)定方法，該方法能夠從多方面提高顆粒測量結(jié)果的精度，使整個系統(tǒng)更具魯棒性。

關(guān)鍵詞：圖像處理；攝像機(jī)內(nèi)參數(shù)優(yōu)化；畸變校正；分層改進(jìn)式遺傳算法

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）18-0161-02

1引言

近年來，隨著國民經(jīng)濟(jì)與科學(xué)技術(shù)的飛速的發(fā)展，在醫(yī)學(xué)、工業(yè)、科研等領(lǐng)域?qū)?xì)微物體的精密測量技術(shù)提出了越來越高的要求。在眾多的測量技術(shù)中，圖像識別與處理技術(shù)具有檢測速度快、精度高、重復(fù)性好，且檢測具有非接觸性等特點，已成為當(dāng)前細(xì)微粒度測量研究的一個熱點和發(fā)展趨勢。然而，典型的圖像識別與處理技術(shù)很難滿足高精度的測量要求，因此，如何提高微小型物件的測量精度已成為該技術(shù)領(lǐng)域的主要研究方向之一。本文以尺寸0.23mm-0.32mm的片狀微小顆粒為待測物體，研究攝像機(jī)標(biāo)定的相關(guān)技術(shù)和方法，獲取并優(yōu)化攝像機(jī)的有關(guān)參數(shù)，矯正圖像畸變，精確建立起三維空間物體與二維圖像間的對應(yīng)關(guān)系，為細(xì)微物體的精密測量提供可靠方法。

2基于分層改進(jìn)式遺傳算法的攝像機(jī)內(nèi)參數(shù)優(yōu)化

遺傳算法（Genetic Algorithms，GA）從模擬生物的遺傳進(jìn)化機(jī)制入手，以種群方式自適應(yīng)搜索，以此來構(gòu)造人工智能系統(tǒng)模型。

2.1分層改進(jìn)式遺傳算法的基本思想

為了進(jìn)一步提高遺傳算法性能，避免算法陷入局部最優(yōu)解，本文對標(biāo)準(zhǔn)的分層遺傳算法做了部分改進(jìn)，改進(jìn)點如下：

（1）針對本文的實際使用環(huán)境，以先驗知識初始化各個子種群。

由于本文遺傳算法的使用是為了進(jìn)一步提高攝像機(jī)標(biāo)定參數(shù)的精準(zhǔn)性，因此，本文以該參數(shù)值作為導(dǎo)向，在初始值周圍的一定范圍內(nèi)尋找最優(yōu)解。將上述方法總結(jié)如下：首先歸一化各個參數(shù)值，然后在歸一化值的±0.05范圍內(nèi)，隨機(jī)初始化種群。

（2）在各個低層子種群遺傳操作中加入精英策略。

（3）交叉、變異概率采用自適應(yīng)方式。

（4）基于滑動窗口的自適應(yīng)搜索區(qū)間調(diào)整。

自動調(diào)整搜索區(qū)間的方法如下：

①如圖1所示，設(shè)置兩個搜索區(qū)間，大區(qū)間表示變量可能的取值范圍，即整個搜索空間，小區(qū)間表示變量當(dāng)前的搜索范圍，即滑動窗口，它包含在大區(qū)間內(nèi)，以固定區(qū)間大小在大區(qū)間上移動。變量編碼時，按小區(qū)間編碼，既可保證搜索精度，又可擴(kuò)大搜索范圍。如某變量x，設(shè)它可能的取值范圍為[1，100]，當(dāng)前的取值范圍為[45，55]，在編碼長度保持10位不變時，在小區(qū)間內(nèi)的編碼，精度為0.0098，而對于大區(qū)間編碼，精度降為0.098。

②滑動窗口在尋找最優(yōu)解時，如果變量連續(xù)n代的取值都落在滑動窗口的上界bmax或者下界bmin，說明搜索區(qū)間已受限制，需將整個窗口向右或向左移動的距離，然后在新區(qū)間內(nèi)繼續(xù)執(zhí)行尋優(yōu)操作。

2.2算法的實現(xiàn)

本文采用分層改進(jìn)式遺傳算法實現(xiàn)攝像機(jī)內(nèi)參數(shù)的優(yōu)化，其算法流程如圖2所示。

3結(jié)果分析

為驗證上述方法的有效性，本文將分層改進(jìn)式遺傳算法、普通遺傳算法、普通分層遺傳算法優(yōu)化過的內(nèi)參與matlab標(biāo)定工具箱、OpenCV函數(shù)庫計算得到的參數(shù)值作比較，其中遺傳算法的參數(shù)設(shè)置如下：

上述設(shè)置方式在最大程度上保證了3種遺傳算法的參數(shù)一致性，由此得出的結(jié)論更具有說服力。

5種方法計算得到的內(nèi)參結(jié)果如表2所示：

從表2中可以發(fā)現(xiàn)，雖然使用了5種不同的方法，但計算得出的結(jié)果相似度達(dá)90%以上，由此證明了本文使用OpenCV初始值作為先驗知識，并在該值附近尋找最優(yōu)解，能夠提高算法精度，使算法更快收斂。

表2雖然列出了五種方法的內(nèi)參結(jié)果，但無法評判內(nèi)參值的優(yōu)劣程度，因而需要引入絕對投影誤差加以比較。絕對投影誤差值越小，說明理論模型越準(zhǔn)確，該內(nèi)參結(jié)果越優(yōu)良。因此，本文將經(jīng)過優(yōu)化處理后的內(nèi)參值重新帶回攝像機(jī)模型中計算絕對投影誤差，并將該誤差與matlab標(biāo)定工具箱、OpenCV、普通遺傳算法、普通分層遺傳算法計算得到內(nèi)參數(shù)值的絕對投影誤差作對比，對比結(jié)果如下：

從表中數(shù)據(jù)可以看出，由OpenCV計算得到的攝像機(jī)參數(shù)已經(jīng)比較接近最優(yōu)值，因此進(jìn)一步證明了本文在遺傳算法初始化種群時，選用該內(nèi)參值附近的點，是非常有必要的。此外，本文使用的分層改進(jìn)式遺傳算法在尋找全局最優(yōu)解時，更大程度地避免了局部最優(yōu)解的出現(xiàn)，因此相較于另外兩種遺傳算法，本文的方法在算法尋優(yōu)能力等方面擁有更強(qiáng)的優(yōu)勢。

4小結(jié)

本文研究了怎樣發(fā)揮遺傳算法的優(yōu)勢，使其適用于攝像機(jī)標(biāo)定系統(tǒng)，并利用遺傳算法的特點對攝像機(jī)標(biāo)定參數(shù)進(jìn)行優(yōu)化，使整個攝像機(jī)成像模型更接近于真實模型，有利于系統(tǒng)誤差的減小，提高了微小顆粒檢測系統(tǒng)的測量精度。然后，本章還針對普通分層遺傳算法在攝像機(jī)標(biāo)定應(yīng)用中的不足，提出了更適用的分層改進(jìn)式遺傳算法，有效彌補(bǔ)了遺傳算法收斂速度緩慢、容易陷入局部最優(yōu)解等缺點，提高了算法性能和標(biāo)定效率，從而在一定程度上提高了微小顆粒的測量精度。

參考文獻(xiàn)：

[1] 馬頌德，張正友.計算機(jī)視覺—計算理論與實踐[M].北京：科學(xué)出版社，1998.

[2] W.G，M.S.Complete two-plane camera calibration and experimental comparisons[C].In：Proc.ICCV93，1993.

[3] 姚靜，李軍.攝像機(jī)標(biāo)定相關(guān)問題研究[D].南京理工大學(xué)，2012.

[4] 張浩鵬，王宗義，吳攀超，等.基于LCD和改進(jìn)棋盤格模板的攝像機(jī)標(biāo)定[J].計算機(jī)與應(yīng)用化學(xué)，2012，33（7）：1541-1547.

[5] 劉國瑛，薛月菊，鄒湘軍，等.基于圖像參差的攝像機(jī)標(biāo)定精度比較[J].農(nóng)機(jī)化研究，2011（10）： 118-121.

[6] 熊彥銘，毛凌，楊戰(zhàn)平.基于遺傳算法的時間決策系統(tǒng)標(biāo)定優(yōu)化方法[J].電子科技大學(xué)學(xué)報，2012， 41（1）：80-84.