一种基于随机点跟踪的金属材料断裂伸长率智能测试方法

摘要

本发明涉及一种基于随机点跟踪的金属材料断裂伸长率智能测试方法，在测试前先采用喷漆设备先在被检测金属材料表面上喷上大小、形状不规则的随机点作为标记。在测试过程中，利用机器视觉系统获取被测材料表面形变的图像序列，然后根据断裂位置和预先设定的局部伸长率，自动选择计算金属材料断裂伸长率的最佳原始标距和断后标距，精确地计算出金属材料的断裂伸长率。采用本发明所提出的方法，不仅能提高金属材料断裂伸长率检测精度，还能自动地分析和计算不同局部伸长率及材料在拉伸过程中的变形趋势，为材料检测和产品设计提供科学的依据。

说明书

技术领域

本发明涉及金属材料性能参数检测技术领域，特别是涉及一种基于随机点跟踪的金属材料断裂伸长率智能测试方法。

背景技术

拉伸试验是对试样施加连续增加单轴拉伸力并且同时检测试样伸长量的试验方法,其广泛应用于检测金属材料及产品力学性能。拉伸试验作为最广泛评价金属材料性能的试验方法,其试验结果的可靠性无论对于用户还是对于生产厂的质量管理和控制都非常重要。

目前测定金属材料断后伸长率常用方法是先在拉伸试样上确定原始标距，试样被拉断后，不管试样的断裂位置处于何处，直接测量断后标距，然后按照定义计算断后伸长率。这样的测试结果往往是不准确的，按GB/T228-2002规定，原则上只有断裂处与最接近标距标记位置点的距离不小于原始标距三分之一时，所测得的断后伸长率方为有效。当拉伸试样的断口在不同位置时，显然所测定得到的断后伸长率是不具有唯一性的，且只有当断口在原始标距的中点时，测量得到的断后标距才是最大值，由最大的断后标距所对应的断后伸长率才能真实代表材料的伸长变形特性。随着计算机控制拉伸机和引伸计技术的广泛采用，实现了人工装卸试样，然后由计算机自动测量计算拉伸试验结果。这些方法对部件测量可达到很高的精度，但由于测试方法存在诸多的缺陷，致使断后伸长率的测量可靠性存在问题。特别是金属材料在拉伸过程中，其断裂位置的随机性所引起自动测量的误差，是用户难以接受的。机器视觉和数字图像处理技术的发展，可直接准确地获取被测对象外观图像信息，从客观事物的图像中提取信息进行处理和分析，实现对金属材料断后伸长率的智能化、高精度的检测。

发明内容

本发明所要解决的技术问题是提供一种基于随机点跟踪的金属材料断裂伸长率智能测试方法，以解决测量断后伸长率时，对金属材料检测样本预先设定原始标距而导致金属材料断后伸长率检测精度差问题。

本发明解决其技术问题所采用的技术方案是：提供一种基于随机点跟踪的金属材料断裂伸长率智能测试方法，包括以下步骤：

（1）对带有标记点的金属材料进行拉伸，在拉伸的同时，采集拉伸开始到金属材料断裂为止的金属材料表面形变的连续图像序列F_s=f₁,f₂,...f_N，其中f₁为拉伸开始获取的图像，f_N为拉伸断裂时获取的图像；

（2）根据图像f_N的纹理特征，确定其在拉伸方向的断裂位置，并依次对图像序列进行逆向区域相关检测，推导该断裂位置在图像序列其它图像帧f_s在拉伸方向所对应的位置，并对图像序列的所有帧建立坐标系，其中，以被检测金属材料拉伸方向的中轴线为X轴，断裂位置为坐标原点O，通过原点O且与X轴垂直的方向为Y轴；

（3）对第一帧图像f₁，以X轴的原点O为基准，在预先确定的有效检测区内，将其左、右对称地分成大小相等的连续图像块，且规定每个图像块在X方向的位置坐标，是以图像块中点的X坐标表示；

（4）对第一帧图像f₁所划分的每个图像块，以其所在位置的X坐标点作垂线，将图像块分成左、右两部分，每一部分内选择一个最显著的随机斑点，作为表示该图像块在X方向位置的代表点，并由亚像素定位算法获取该两个代表点的精确坐标后，计算该图像块X坐标到两代表点X坐标的比例系数k；

（5）通过对其它图像帧f_s直接前帧f_s-1的所有图像块所选定的代表点进行跟踪，确定f_s-1所有代表点对应其在f_s内的位置，再利用比例系数k，计算出图像帧f_s内所有连续图像块的X坐标；

（6）构建二维表格，存储图像序列各帧内所有图像块在X方向的位置坐标，以方便计算拉伸过程中，随时间变化的相邻图像块间的局部伸长率及各图像块的位移信息；

（7）根据预先设定计算金属材料断裂伸长率的局部伸长率的值，对二维表格数据进行处理，选择计算金属材料断裂伸长率最佳的图像块，并由此确定第一帧图像f₁的计算点和拉伸断裂时图像f_N的计算点；

（8）根据所确定的计算点，分别求出原始标距和断后标距，计算出计算金属材料断裂伸长率。

所述步骤（1）前还包括采用喷漆设备在被检测金属材料样本的表面均匀地喷上大小和形状不规则的随机标记点晾干后形成带标记点的金属材料。

所述步骤（5）中对所有图像块所选定的代表点进行跟踪是利用点区域相关的方法先进行像素级精度跟踪，然后采用相关函数主峰分布模型拟合算法，实现亚像素精度跟踪。

所述步骤（7）中对二维表格数据进行处理是通过对二维表格数据的搜索和计算，在第一帧图像f₁和拉伸断裂时的图像f_N内搜索与断裂位置对称的左、右两组相邻图像块，使其满足局部伸长率与预设值最为接近，并在第一帧图像f₁和拉伸断裂时的图像f_N中，分别以所确定的两组相邻图像块中点位置分别作为计算原始标距和断后标距的计算点，原始标距和断后标距则分别为两组计算点的距离。

所述步骤（2）中拉伸断裂图像帧f_N的断裂位置坐标的确定是通过对金属材料试样表面出现裂痕纹理线进行跟踪，并在提取纹理主骨架线后，分别计算纹理主骨架线在X和Y方向伸展矢量，以断裂纹理主骨架线在Y方向的矢量大于某一阈值时，判断金属材料被拉断，取断裂纹理主骨架线在X方向伸展矢量的中值位置，作为其在拉伸方向的断裂坐标位置。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

1）采用图像序列事后处理的方法，能在获取金属材料断裂点的精确位置后，以断裂位置为中心，在其左右对称地自动搜寻局部伸长率与预设值最接近的相邻图像块，从而优选出原始标距和断后标距的大小和位置，最大限度地减小断裂点位置随机性所引起检测结果的误差。

2）具有各向同性的随机标记点，能随金属材料表面形变而发生位移，精确地表示金属表面变形特征。同时通过随机点跟踪定位技术，能巧妙将断裂点及代表点位置随材料的变形映射到整个图像序列各帧内，为测试过程中，动态分析金属材料力学特征提出最效方法。

3）利用机器视觉和图像处理技术对金属材料断裂伸长率进行检测，实现了检测过程智能化和自动化，具有检测方便、快速和测量精度高等特点。

附图说明

图1是本发明采用的系统结构示意图；

图2是本发明检测样本图像连续区域划分及最佳图像块选择示意图；

图3是本发明块运动信息二维存储表示意图；

图中：计算机1，显示器2，CCD图像控制器3，光源控制器4，LED光源5，镜头6，信号适配器7，金属材料样本8，拉伸机构9，选择计算标距的左相邻图像块10，选择计算标距的右相邻图像块11。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明涉及一种基于随机点跟踪的金属材料断裂伸长率智能测试方法。该方法可通过如图1所示的系统结构实现，该系统结构在现有的金属材料拉伸设备的基础上加装机器视觉系统和计算机系统；所述计算机系统包括计算机1和显示器2，所述机器视觉系统包括CCD图像传感器3、LED光源5和镜头6，所述显示器2与计算机1连接成一体，所述计算机1还分别CCD图像传感器3、光源控制器4和信号适配器7相连，所述信号适配器7连接拉伸机构9的控制系统，所述CCD图像传感3的镜头6正对其前方的被测试金属材料样本8的表面且位于LED光源5的下端。其中，所述LED光源可以为可控光强的白色LED光源。

本发明的方法是：先采用标准的模板对数字CCD及光学系统进行畸变矫正，再采用精度为10μm的标定板，对成像系统进行标定，以获取成像系统单个像素所对应的实际物理面积。本发明采用标准棋盘图像校正方法，采用标准棋盘图像方格的内角点为特征点，根据其在空间坐标平面与采集图像本身坐标的对应关系，求出摄像镜头的畸变参数，实现其矫正。然后，利用高精度的标定模板，对系统进行标定。

在项目的实施过程中，其信号适配器是利用采用FreeScale_HCS12系列的微控制器实现。先建立控制器与计算机系统的通信协议，并将该控制器的模拟量输入口，直接连接拉伸机的控制器，取出其启动信号，并转换成数字信号传给控制计算机。

另外，在成像方面，还可以在成像系统的镜头前加装光反射抑制膜的方法，来消除由被检测对象对光的反射，提高对检测对象的成像质量，获取清晰的金属材料表面检测区域图像，以提高系统的检测精度。

本发明在实施过程中，可采用下列器材：

（1）PC机：其主要参数为：双核处理器，主频为3GHz，支持JPEG硬件编解码，最大支持8192×8192分辨率，内存为4GbitsDDR3。支持RGB24Bit接口及TVOUT视频输出。

（2）数字CCD：采用的CMOS型号为OV3460，2048*1536像素，成像区域大小为3626μmx2709μm，像素大小为1.75μmx1.75μm，最高速度可达30帧每秒。

（3）光源:LED条形白光源，电气参数24v/8.6w，外形尺寸(mm)为212×44×22，发光面尺寸为199×36，带漫射片，环境温度为25℃时，亮度和安装角度均可调、高亮度、低温、均衡、无闪烁。

（4）光学镜头：M3Z1228C-MPFA工业300万象素镜头，规格Format,2/3"；接口方式：C；焦距（mm）：12-36（可变）；光圈（F）：2.8-16C；视场角（水平HOR）°：41.0-13.6；最近物像距离（M）：0.2；有效口径：前Front：27.2;后Rear：12.1；前置滤光镜螺纹外形尺寸

（5）信号适配器：采用FreeScale_HCS12微控制器作为信号转换器。其中，HCS12微控制器中AD转换模块相关参数为：8/10精度，10-位单次转换时间为7μs,采样缓冲放大器,可编程采样时间,外部触发控制,转换完中断,连续转换模式,模拟输入8通道复用,并具有多通道扫描方式。

一种基于随机点跟踪的金属材料断裂伸长率智能测试方法包括以下步骤：

步骤1：采用自带标准模板对成像系统镜头6的畸变进行矫正，调整焦距和光强度,并利用高精度的标定板对视觉系统进行精确标定；

步骤2：在测试前,采用喷漆设备在被检测金属材料样本的表面均匀地喷上大小和形状不规则的随机标记点，并在稍晾干后等候处理；

步骤3：将被标记的金属材料安装到拉伸装置的指定位置，并按常规的检测要求，设置好拉伸参数等；

步骤4：启动拉伸检测设备，开始对金属材料进行拉伸。同时，拉伸启动信号通过信号适配器后传给计算机，控制高精度成像系统，采集拉伸开始到金属材料断裂为止金属材料表面形变的连续图像序列F_s=f₁,f₂,...f_N，其中f₁为拉伸开始获取的图像，f_N为拉伸断裂时获取的图像；

步骤5：根据图像f_N的纹理特征，确定其在拉伸方向的断裂位置，并依次对图像序列进行逆向区域相关检测，推导该断裂位置在图像序列其它图像帧f_s（1≤s≤N-1）在拉伸方向所对应的位置。对图像序列的所有帧建立坐标系，其中，以被检测金属材料拉伸方向的中轴线为X轴，断裂位置为坐标原点O，通过原点O且与X轴垂直的方向为Y轴，单位长度为像素。

步骤6：对第一帧图像f₁，以X轴的原点O为基准，在预先确定的有效检测区内，将其左、右对称地分成大小严格相等的连续图像块，且规定每个图像块在X方向的位置坐标，是以图像块中点的X坐标表示。

步骤7：对f₁所划分的每个图像块，以其所在位置的X坐标点作垂线，将图像块分成左、右两部分，每一部分内选择一个最显著的随机斑点，作为表示该图像块在X方向位置的代表点，并由亚像素定位算法获取该两个代表点的精确坐标后，计算该图像块X坐标到两代表点X坐标的比例系数k。

步骤8：其它图像帧f_s（2≤s≤N），其图像内的连续图像块在X方向位置坐标的计算，是先通过对其直接前帧f_s-1的所有图像块所选定的代表点进行跟踪，确定f_s-1所有代表点对应其在f_s内的位置，再利用比例系数k，计算出图像帧f_s内所有连续图像块的X坐标。

步骤9：构建二维表格，存储图像序列各帧内所有图像块在X方向的位置坐标，以方便计算拉伸过程中，随时间变化的相邻图像块间的局部伸长率及各图像块的位移信息。

步骤10：根据预先设定计算金属材料断裂伸长率的局部伸长率的值，对二维表格数据进行计算，选择计算金属材料断裂伸长率最佳的图像块，并由此确定第一帧图像f₁的计算点和拉伸断裂时图像f_N的计算点。

步骤11：根据所确定的计算点，分别求出原始标距和断后标距，然后根据GB/T228-2002对断后伸长率的定义，计算出计算金属材料断裂伸长率。同时，可根据用户选择，从二维表提取相关信息，自动地分析和计算金属材料在拉伸过程中的变形趋势。

下面以一个具体的实施例来进一步说明本发明。

在检测实施前还需要采用雾粒大小尺寸可控的喷漆设备，在被检测金属材料样本的表面均匀地喷上大小和形状不规则的随机标记点，点的大小与图像块的划分有关，满足其在图像块中存在其最大径向尺寸应为图像块在X方向宽度的1/5最为合适。并在稍晾干后安装在检测位置等候处理。如图2所示，在金属材料在拉伸过程中，往往并不一定恰好在中间O′O′断裂，而有可能在随机位置的OO处断裂。断裂点位置的确定，是通过裂纹图像处理，包括灰度化、二值化、并采用区域膨胀腐蚀、开闭操作和细化处理，提取出裂纹的骨架图像，并在得到裂纹骨架图像的基础上，采用数据结构对裂纹骨架信息进行存储分析，以递归的方法准确地除去裂纹的枝干，提取纹理主骨架线后，计算出裂纹的长度。分别计算其在X和Y方向伸展矢量，并以断裂纹理主骨架线在Y方向的矢量大于某一阈值时，判断金属材料被拉断；并在此条件下，计算此时断裂纹理主骨架线在X方向伸展矢量的中值位置，作为其在拉伸方向的断裂坐标位置。在确定其在拉伸方向的断裂位置后，并依次对图像序列进行逆向区域相关检测，推导该断裂位置在图像序列其它图像帧f_s（1≤s≤N-1）在拉伸方向所对应的位置。对图像序列的所有帧建立坐标系，其中，以被检测金属材料拉伸方向的中轴线为X轴，断裂位置为坐标原点O，通过原点O且与X轴垂直的方向为Y轴，单位长度为像素。然后对第一帧图像f₁，以X轴的原点O为基准，在预先确定的有效检测区内，将其左、右对称地分成大小严格相等的连续图像块，块的尺寸与多少，根据图像的分辨率及检测精度来确定。对分割得到的连续图像块，规定其在X方向的位置坐标，由图像块中点的X坐标表示。对f₁所划分的每个图像块，以其所在位置的X坐标点作垂线，将图像块分成左、右两部分，每一部分内选择一个最显著的随机斑点，作为表示该图像块在X方向位置的代表点，并由亚像素定位算法获取该两个代表点的精确坐标后，计算该图像块X坐标到两代表点X坐标的比例系数k。如在实施过程中，对于长度为100mm的有效检测区域，可以将其分配100连续的图像块(可以根据精度要求进行调整)，即图像块在X方向所占长度为1mm，我们可以在图像块中线的左、右区域搜索离X轴最近，且大小为区域1/8～1/2的圆或椭圆相似特征的斑点作为该图像块的两个代表点。而与f₁相对应的其它图像帧f_s（2≤s≤N），其图像内的连续图像块在X方向位置坐标的计算，是先通过对其直接前帧f_s-1的所有图像块代表点进行跟踪，确定f_s-1所有代表点在f_s内相应的位置，再利用比例系数k，计算出图像帧f_s内所有连续图像块的X坐标。

所述对所有图像块的代表点进行跟踪，是利用点区域相关的方法，先进行像素级精度跟踪，然后采用相关函数主峰分布模型拟合算法，实现亚像素精度跟踪。在本发明中，考虑到金属材料表面所喷涂的斑点，其形状大多近似为椭圆形，且与背景有较好的区分度，所以选择采用椭圆中心的二次拟合算法，有利于实现斑点亚像素精度定位。该算法基于最小二乘准则，通过对目标的坐标或灰度进行拟合，就可以得到目标的连续函数形式，从而可以确定描述物体的各个参数值。在本发明，所选定具有与圆或椭圆相似特征的斑点，先提取斑点目标边界的一组点，再进行椭圆最小二乘拟合，从而可确定目标的中心位置和主轴方向。一般地，二次曲线方程表示为：

x²+2Bxy+Cy²+2Dx+2Ey+F=0      （1）

若（1）则满足：B²-C<0且(1+C)(CF+2BDE-D²C-B²F-E²)<0条件，则（1）式就表示椭圆方程。其均方差和表示为：

$>E^2=\underset{i=1}{\overset{N}{\Sigma }}{(x_i^2+2B{x}_i{y}_i+C{y}_i^2+2D{x}_i+2E{y}_i+F)}^2---\left(2\right)$>

对式（2）中的B,C,D,E,F分别取偏导，并令每个式子为零，可以得到一个包含5个方程和5个未知参数的方程组，通过解这个方程组可以计算出斑点的中心坐标(x₀,y₀)，表示为：

$>x_0=\frac{\mathrm{BE}-\mathrm{CD}}{C-B^2},y_0=\frac{\mathrm{BD}-E}{C-B^2}---\left(3\right)$>

实际上，除了第一帧图像所划分的图像块大小尺寸是严格相等的外，随着金属材料的拉伸，材料变形使得在后续获取的图像所对用图像块形状和大小均在不断的变化中。但本发明所关心的是，在拉伸过程中，图像序列中的图像块在其拉伸方向的位置的变化，以获取材料在拉伸过程中在X方向的形变信息。因此需要采用点跟踪的方法对图像序列其它各帧内相应图像块所对应代表点位置进行定位，以便获取在金属材料检测中，图像块位置的变化。在本发明中，代表点的跟踪算法的精度，同样是实现图像块精确定位的关键步骤。采用对图像序列各图像内的代表点依次进行跟踪，求出图像序列所有对应块内代表点的精确位置。一般来说，基于图像中点目标的匹配，可以达到1/2像素(半个像素)精度。考虑到本发明对金属材料断裂伸长率达到高精度的测量，需要对图像块的代表点的跟踪达到亚像素精度。在本发明的实施过程中，先对代表点进行像素级的跟踪匹配，然后再通过建模拟合，进一步提高跟踪精度。假设图像序列的连续的两幅图像分别为f_t-1和f_t。其中，我们将f_t看成为当前图像，而f_t-1是当前图像的直接前帧。跟踪的任务就是根据f_t-1图像上的已知代表点p(x,y)所在的特征斑点图像d,采用相关匹配的方法在f_t图像上进行搜索，找到与之最匹配的斑点图案d′。搜索成功后,则由斑点图案d′所对应的点p′(x,y)点，就是d变形后p(x,y)的位置。其中,由点p(x,y)到p′(x,y)点之间在X方向的距离，表示了该点在图像f_t-1和f_t间隔间在X方向的位移。为了实现点匹配，可以定义一个相关函数，来表示p(x,y)和p′(x,y)两点所在特征斑点图案d和d′的匹配程度。设两幅进行匹配计算的图像为f_t-1和f_t，在f_t-1中选择的特征斑点图案d所在的区域图像为Ω_d，其大小为m×n，而在图像f_t选定的匹配区域图为S，其大小为M×N，用S_x,y表示S中以(x,y)为左上角点与Ω_d大小相同的子块。用式（4）表示相关计算表达式，当γ的值达到最大时，其极值点(最大值)所对应的坐标(x,y)表示最佳匹配。式中和分别表示其图像区域的灰度均值。

$>\gamma (x,y)=\frac{\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{S}_{x,y}(i,j)-{\bar{S}}_{x,y})({\Omega }_d(i,j)-{\bar{\Omega }}_d)}{\sqrt{\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{(S_{x,y}(i,j)-{\bar{S}}_{x,y})}^2}\sqrt{\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{({\Omega }_d(i,j)-{\bar{\Omega }}_d)}^2}}---\left(4\right)$>

实际上，上述匹配搜索算法给出的结果只可以达到像素级的精度,在本发明的实施过程中，为了达到更高匹配的精度，本发明利用亚像素求解的方法，进一步将代表点的匹配提高到亚像素级精度。假设相关函数的主峰分布符合某一模型γ(x,y),其中x,y为空间坐标。通过主峰上若干已知整像素点的相关系数(本发明取整像素的峰值点为中心的3×3的邻域)来确定模型γ(x,y)中的未知参数,最后通过求解以下方程组：

$>\left(\begin{array}{c}\frac{\partial \gamma (x,y)}{\partial x}=0\\ \frac{\partial \gamma (x,y)}{\partial y}=0\end{array}\right)---\left(5\right)$>

得出亚像素的极值点和最大相关系数。根据γ(x,y)模型选择的不同,其求解方法多种多样。在本发明中，γ(x,y)选择9个参数的计算模型，即：

γ(x,y)=ax²y²+bxy²+cx²y+dx²+ey²+fxy+gx+hy+i      （6）

该模型的9个参数可以由其对称的3×3坐标点所计算得到的9个点的值，即:γ₁(x₁,y₁),γ₂(x₂,y₂),...,γ₉(x₉,y₉)来求得。然后将确定的曲面形式代入式(6)式，便可求得亚像素精度的最大γ_max值所对应的点(x_s,y_s)。

在测量过程中，存储图像序列图像帧的块运动矢量的二维表格，如图3所示，其中，横向表头为图像的块号，列向表头为图像序列的帧号，与帧号和块号相对应的表值，表示图像序列不同图像帧内块的位置坐标。采用这种格式，可以方便计算指定图像块在两图像帧之间的位移，特别是能快速搜索随时间变化的相邻图像块间的局部伸长率，实现自动分析和计算金属材料在拉伸过程中的变形趋势。

通过对二维表格数据的搜索和计算，在f₁和f_N内搜索与断裂位置对称的左、右两组相邻图像块，满足局部伸长率与预设值最为接近。在f₁和f_N中，确定的两组相邻图像块中点位置，作为计算原始标距和断后标距的计算点。最后根据所确定的计算点，分别求出原始标距和断后标距，然后根据GB/T228-2002对断后伸长率的定义，计算出金属材料断裂伸长率。

本发明能克服现有金属材料断裂伸长率智能测试方法缺点，实现快速、高精度智能化检测的要求，为金属材料生产的质量检测与设计应用提供科学实验数据。