1　引　言
    在自動(dòng)化生產(chǎn)過程中，傳送帶和物流系統(tǒng)是生產(chǎn)線的重要組成部分。通常情況下為了實(shí)現(xiàn)物品的分類處理或完成產(chǎn)品的質(zhì)量控制等，我們需要了解物品的某些細(xì)節(jié)情況如幾何參數(shù)，因此，基于圖像處理的測量方法得到越來越多的應(yīng)用。測量方式主要有靜態(tài)和動(dòng)態(tài)兩種，靜態(tài)是指目標(biāo)對象相對攝像機(jī)靜止，用這種方式可以獲得清晰的圖像，而動(dòng)態(tài)方式下則得不到清晰的圖像。
    在某些場合下，無法獲得靜態(tài)圖像，而運(yùn)動(dòng)目標(biāo)的成像又會(huì)造成圖像質(zhì)量的下降, 為避免出現(xiàn)圖像的降質(zhì)，或者考慮到其它因素如機(jī)械傳動(dòng)系統(tǒng)、運(yùn)動(dòng)特性等，我們一般采用運(yùn)動(dòng)狀態(tài)下的圖像捕捉和處理的方法。雖然采用平穩(wěn)運(yùn)動(dòng)系統(tǒng)可以減少傳動(dòng)過程中的振動(dòng)，提高系統(tǒng)的運(yùn)轉(zhuǎn)效率，簡化系統(tǒng)的設(shè)計(jì)，但同時(shí)圖像處理的時(shí)間也會(huì)加長。
    本文將動(dòng)態(tài)的圖像測量方法應(yīng)用于羽毛球生產(chǎn)過程中的毛片彎度等參數(shù)的測量，介紹了整個(gè)系統(tǒng)的組成和運(yùn)行的情況，并提供了過程的主要結(jié)果。
    2　運(yùn)動(dòng)圖像的恢復(fù)原理
    了解運(yùn)動(dòng)圖像的恢復(fù)原理，首先應(yīng)了解圖像的運(yùn)動(dòng)模型。
    根據(jù)Gonzalez水平圖像運(yùn)動(dòng)模型〔1〕，設(shè)原圖像為f（x，y），在曝光時(shí)間T內(nèi)原圖像沿水平方向移動(dòng)距離為a，移動(dòng)速度恒定且曝光線性，則
    這是一個(gè)遞推關(guān)系式，說明當(dāng)前位置的恢復(fù)圖像可以由離當(dāng)前位置a處的恢復(fù)圖像推算得出，模糊圖像g（x）的導(dǎo)數(shù)總可以求得。只要求出長度為a的圖像，整個(gè)圖像都可以根據(jù)上述遞推關(guān)系獲得。
    設(shè)m為x／a的整數(shù)部分，恢復(fù)圖像可以由下式近似得出〔2〕
    圖像恢復(fù)的質(zhì)量取決于恢復(fù)關(guān)系式中各參數(shù)的選取。A和γ對恢復(fù)圖像的背景和對比有影響，而a對恢復(fù)圖像的質(zhì)量起決定作用。通常情況下采用搜索方法獲得合適的值。在參考文獻(xiàn)〔2〕中采用均方誤差準(zhǔn)則下實(shí)現(xiàn)自動(dòng)搜索的方法。本文的測量環(huán)境下，由于運(yùn)動(dòng)速度恒定，參數(shù)a一旦確定后當(dāng)作一個(gè)參數(shù)來處理。
    3　基于圖像處理的幾何參數(shù)計(jì)算
    3．1　羽毛球毛片參數(shù)
    羽毛球質(zhì)量的重要指標(biāo)是其飛行的穩(wěn)定性，即在飛行中不出現(xiàn)搖擺或變線。羽毛球飛行的氣動(dòng)機(jī)理十分復(fù)雜，這里不作研究。只要能保證形狀相同的毛片插在同一個(gè)球上，則在正常工序下生產(chǎn)出來的羽毛球就會(huì)具有良好的飛行穩(wěn)定性。傳統(tǒng)的測量方法不僅速度慢而且夾具對軟性材料的測量結(jié)果產(chǎn)生影響。本文嘗試?yán)脠D像捕捉設(shè)備對傳送帶上的毛片進(jìn)行動(dòng)態(tài)捕捉和處理，獲得毛片的形狀參數(shù)后按形狀參數(shù)分檔，保證具有相同形狀的16根毛片插在同一個(gè)羽毛球上。
    毛片的主要幾何參數(shù)有毛桿的彎度、拱度和毛桿頂部的粗細(xì)等。這里的彎度指的是毛桿中心線與其切線在頂部位置處的水平距離，拱度為毛片在平放時(shí)的拱高。這里主要介紹彎度的測量方法，先提取毛桿的邊緣并計(jì)算中心位置，然后擬合毛桿中心線，計(jì)算彎度值。在此過程中粗細(xì)也同時(shí)得出。
    3．2　圖像的邊緣提取和邊緣數(shù)據(jù)的采集
    物體的邊緣在圖像上反映出局部特性的不連續(xù)性。理想的邊緣有階躍型、房頂型和凸緣型，由于圖像噪聲的存在，實(shí)際的邊緣變得十分復(fù)雜。
    邊緣檢測通常采用微分類算子實(shí)現(xiàn)。這類算子有Sobel算子、Kirsh算子和Laplacian算子等，前兩個(gè)算子為梯度算子，后者為二階微分算子。Sobel梯度算子在兩個(gè)方向上選取微分大的值作為其梯度值，顯然當(dāng)兩個(gè)方向上微分值大小相等時(shí)梯度的誤差較大；而Kirsh則在八個(gè)方向上計(jì)算微分并以較大制作為梯度值〔3〕，算子法的計(jì)算結(jié)果作為邊緣判別的依據(jù)；Laplacian算子則是不依賴邊緣方向的二階算子，具有旋轉(zhuǎn)不變性。
    由于微分類算子的固有特性，邊緣檢測都會(huì)受到噪聲影響。采用濾波方法可以有效地抑制噪聲的干擾，但同時(shí)也給邊緣產(chǎn)生一定程度的鈍化，這種鈍化作用會(huì)影響邊緣的提取 ，因此關(guān)鍵在于濾波方案的選擇。上述微分類算子都采用了濾波方法 。Sobel算子采用了三點(diǎn)加權(quán)平均，當(dāng)邊緣在水平或豎直方向時(shí)，實(shí)際的濾波沿著邊緣進(jìn)行，因此濾波對邊緣的鈍化作用較??；而當(dāng)邊緣在45°或135°方向時(shí)，濾波點(diǎn)與邊緣在方向上相差較大，此時(shí)濾波對邊緣的鈍化作用也較大。因此，選擇與邊緣較為一致的核（kernel）能在噪聲抑制和邊緣保持方面獲得滿意的結(jié)果。