摘" 要： 針對鋼絲繩直徑檢測過程中由于光線背景干擾導致圖像邊緣分割不準確的問題，提出一種改進的GrabCut輪廓增強方法進行鋼絲繩直徑檢測。首先，利用已知尺寸的標定物對圖像進行標定；采用高斯濾波對圖像進行去噪，同時針對光線背景復雜的情況，通過對輸入圖像進行RGB通道分離的限制對比度自適應直方圖均衡化提升圖像對比度，并利用圖像梯度幅度增強輪廓的改進GrabCut算法對鋼絲繩區(qū)域進行提取，用加權(quán)平均值法對提取后的圖像進行灰度化處理，經(jīng)過Canny邊緣檢測、形態(tài)學操作得到鋼絲繩的邊緣輪廓圖像；最后通過計算邊緣外切線之間的像素距離得到鋼絲繩的真實直徑，完成檢測。實驗結(jié)果顯示，利用該方法進行鋼絲繩直徑檢測，可以達到較好的精度且魯棒性好。

關(guān)鍵詞： 鋼絲繩； GrabCut； 直徑檢測； 輪廓增強； 輪廓提??； Canny

中圖分類號： TN911.73?34" " " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）19?0139?06

GrabCut?based wire rope diameter detection method

HE Huhai1， SUN Changjing2， CHEN Jiayan2， GU Xiaohong1， WANG Qiang3

（1. School of Mechanical and Electrical Engineering， China Jiliang University， Hangzhou 310018， China;

2. School of Quality and Standardization， China Jiliang University， Hangzhou 310018， China;

3. School of Energy Environment and Safety Engineering， China Jiliang University， Hangzhou 310018， China）

Abstract： In view of the inaccurate image edge segmentation caused by light background interference in the process of wire rope diameter detection， an improved GrabCut contour enhancement method is proposed for diameter detection. The image is calibrated by the calibration object with known size. The Gaussian filtering is used to denoise the image. In view of the complex light background， the image contrast is improved with the limited contrast adaptive histogram equalization obtained by RGB channel separation of the input image， and the improved GrabCut algorithm for image gradient amplitude enhancement contour is used to extract the wire rope area. The weighted average method is used to gray the extracted image. The edge contour image of the wire rope is obtained after Canny edge detection and morphological operation. The true diameter of the wire rope is obtained by calculating the pixel distance between the outer tangents of the edge， and the diameter detection is achieved. The experimental results show that the detection of the diameter of wire rope with this method can achieve better accuracy and robustness.

Keywords： wire rope; GrabCut; diameter detection; contour enhancement; contour extraction; Canny

0" "引" 言

鋼絲繩作為一種重要的載荷承載材料，廣泛應用在橋梁、電梯、客運索道等眾多領(lǐng)域中且發(fā)揮著關(guān)鍵作用。然而，由于長期使用和惡劣環(huán)境條件下產(chǎn)生的鋼絲繩磨損，對其強度和可靠性產(chǎn)生了潛在威脅。因此，及時準確地檢測和評估鋼絲繩的直徑成為確保設備安全運行、延長鋼絲繩使用壽命的重要任務。

在當前階段，鋼絲繩直徑測量主要依靠游標卡尺、千分尺以及激光測徑[1]等方法，這些方法在一定程度上雖然可以滿足測量的需求，但是還存在很多限制與不足之處，例如在使用游標卡尺和千分尺進行測量時，操作者的技能水平和經(jīng)驗對測量結(jié)果有很大影響，并且對于大量鋼絲繩的測量，使用傳統(tǒng)方法需要花費大量時間。近年來，機器視覺技術(shù)的快速發(fā)展為解決鋼絲繩直徑檢測問題帶來了新的機遇。通過機器視覺技術(shù)結(jié)合計算機視覺、圖像處理和模式識別等領(lǐng)域的知識，能夠?qū)D像和視頻數(shù)據(jù)進行處理和分析，實現(xiàn)對鋼絲繩磨損狀況的自動檢測和精確評估[2?3]。

在檢測方面，文獻[4]提出一種基于Franklin正交矩的亞像素邊緣檢測方法，利用Franklin矩的卷積獲取圖像邊緣點特征，最終對圖像邊緣實現(xiàn)更準確的定位。文獻[5]設計了一種基于視覺的零件尺寸測量方法，利用快速中值濾波算法進行濾波，并將多項式插值融入亞像素邊緣定位來準確提取邊緣，實現(xiàn)了零件尺寸的準確測量。針對機械零件尺寸測量過程中檢測速度慢、精度低等問題，文獻[6]提出利用HALCON進行邊緣檢測以及邊緣直線擬合得到邊線尺寸，內(nèi)孔尺寸通過最小二乘法擬合圓來得到。對于轉(zhuǎn)子沖片的測量，文獻[7]利用加入OTSU算法的自適應閾值Canny邊緣檢測，并使用改進的Zernike矩對邊緣進行亞像素定位，通過K?Means聚類實現(xiàn)骨架輪廓邊緣的分割，最后用最小二乘法擬合骨架實現(xiàn)測量。文獻[8]提出了一種基于自適應GrabCut的SGBM（半全局塊匹配）改進算法，用于實現(xiàn)紙箱尺寸的自動測量。

本文以鋼絲繩直徑檢測為研究對象，提出了一種基于GrabCut的鋼絲繩直徑檢測方法，該方法利用單目成像方法對其直徑進行檢測，通過標定物對鋼絲繩圖像進行標定，利用改進的GrabCut對鋼絲繩圖像進行目標分割，再通過對預處理后的圖像分析，提取圖像邊緣等步驟進行鋼絲繩直徑的檢測。

1" "鋼絲繩直徑檢測

1.1" 圖像標定

由于需要對直徑進行測量，首先要進行的就是圖像的標定工作，標定物可以作為圖像中的已知長度或尺寸，提供距離測量的參考基準。通過已知標定物的實際尺寸和在圖像中的尺寸，建立圖像中場景的尺度關(guān)系，從而計算出其他物體在圖像中的實際距離。通過使用標定物可以使圖像距離測量更加準確和精確。

1.2" 鋼絲繩圖像預處理

1.2.1" 濾波去噪

在圖像采集的過程中難免會引入一些干擾因素，這些干擾因素統(tǒng)稱為噪聲。噪聲會降低圖像的清晰度和可辨識度，使得圖像中的特征和細節(jié)被隱藏，對圖像邊緣檢測等后續(xù)處理產(chǎn)生一定的影響，因此對圖像進行濾波去噪具有非常重要的意義。

本文采用高斯濾波[9]對噪聲進行處理，高斯濾波是一種線性濾波，其原理是用卷積核掃描圖像中的每一個像素，并用卷積核確定的鄰域內(nèi)像素的加權(quán)平均灰度值來取代卷積核中心像素點的值，這種加權(quán)平均的過程能夠減少圖像中的噪聲，使圖像變得更加平滑。本文通過3×3的卷積核對整幅圖像進行加權(quán)平均，對采集到的圖像進行濾波增強。二維高斯函數(shù)如下：

[G（x，y）=12πσ2exp-x2+y22σ2] （1）

式中：[σ]表示正態(tài)分布的標準偏差；[G（x，y）]是高斯函數(shù)在點[（x，y）]的值。

1.2.2" 改進的GrabCut鋼絲繩區(qū)域分割

采集到的鋼絲繩圖像中可能包含許多噪聲、陰影和反光等干擾因素，這些干擾因素會影響后續(xù)邊緣檢測的準確性，將圖像中的鋼絲繩區(qū)域與其他無關(guān)區(qū)域分離可以減少干擾對測量結(jié)果的影響。

本文使用改進的GrabCut算法對鋼絲繩區(qū)域進行分割。GrabCut[10]算法是一種基于迭代GraphCut圖分割算法實現(xiàn)的一種交互式圖像分割算法，通過人工選取包含目標與背景的矩形框，其在RGB顏色空間利用高斯混合模型（GMM）對前景和背景的顏色分布進行建模，模型中各含有[K]個高斯分量，存在一個額外的向量[K={k1，k2，…，kn，…，kN}]，[kn]指代第[n]個像素對應的高斯分量，[kn∈{1，2，…，K}]。這意味著每個子像素只可能來自于目標GMM的某個高斯分量或者來自于背景GMM的某個高斯分量[11]。GrabCut算法巧妙地將目標提取問題轉(zhuǎn)換成了能量函數(shù)最優(yōu)解問題，其用于整個圖像的Gibbs能量公式如下：

[E（a，k，θ， z）=Ua，k，θ， z+V（a， z）] （2）

式中：[E]為Gibbs能量；[U]為區(qū)域項；[V]為邊界項。區(qū)域項主要反映像素樣本集合的整體特性，而邊界項主要反映相鄰兩個像素之間的差異。區(qū)域項定義如下：

[Ua，k，θ， z=nDan，kn，θ， zn] （3）

式中：[D]為數(shù)據(jù)項，其表示某一像素被歸類為目標或者背景的懲罰，即某一像素屬于目標或背景的概率的負對數(shù)，如式（4）所示。

[Dan，kn，θ， zn=-logπan，kn+12logdetΣan，kn+" " " " " " "12zn-μan，knTΣan，kn-1zn-μan，kn] （4）

式中[θ]為GMM的模型參數(shù)，其組成如式（5）所示：

[θ={πa，k， μa，k，Σa，k，a=0，1，k=1，2，…，K}] （5）

式中：[π]為每一個高斯分量的權(quán)重系數(shù)；[μ]為每個高斯分量的均值向量；[Σ]為協(xié)方差矩陣；[k]為混合高斯模型參數(shù)。

邊界項采用RGB三通道的歐氏距離來衡量兩像素之間的相似性，兩鄰域像素差別越大，邊界項能量越小。邊界項的計算公式如下：

[V（a， z）=γ（m，n）∈Can≠amexp-βzm-zn2] （6）

綜合區(qū)域項和邊界項，GrabCut算法通過模型參數(shù)的迭代來優(yōu)化Gibbs能量函數(shù)，使其能量最小化，并利用最大流最小分割方法實現(xiàn)鋼絲繩和背景的分割，最終得到分割結(jié)果。用GrabCut分割鋼絲繩結(jié)果如圖1b）所示。

針對光線的干擾問題，本文對GrabCut的分割過程進行了改進。首先，將原始圖像拆分為紅（R）、綠（G）、藍（B）三個通道，分別對每個通道進行限制對比度自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE），通過拆分處理，可以針對每個顏色通道的特性進行獨立的對比度增強，從而更好地保留圖像中的顏色信息。在CLAHE處理過程中，每個通道的直方圖都被分割成多個小塊，并分別進行直方圖均衡化操作。通過設置對比度限制閾值，可以有效地控制局部對比度的增強程度，避免噪聲的過度放大。經(jīng)過RGB通道拆分的CLAHE預處理后，圖像的對比度得到顯著提升，同時顏色信息也得到了更好的保留。接著，利用Sobel[12]算子計算圖像的方向梯度和幅度，并對梯度幅度進行歸一化處理，以梯度幅度作為權(quán)重對待分割圖像進行輪廓增強。最后，基于上述預處理后的圖像，再執(zhí)行GrabCut算法進行鋼絲繩區(qū)域分割。選取光線干擾因素較大的圖像進行實驗，分別用傳統(tǒng)的GrabCut算法和改進后的GrabCut算法進行鋼絲繩區(qū)域分割，對比效果圖如圖2所示。

由于拍攝時鋼絲繩表面有大量反光，導致傳統(tǒng)GrabCut算法對鋼絲繩的分割效果不佳，丟失了反光區(qū)域，反光區(qū)域的丟失可能會導致邊緣信息的丟失。而改進的GrabCut算法能夠得到更好的分割效果，并且可以將反光區(qū)域很好地分割出來。改進后的GrabCut算法擁有更好的魯棒性與精確性。

1.2.3" 灰度化

通過圖像處理來提取鋼絲繩輪廓信息，如果直接對原圖像進行邊緣提取，多余的色彩會導致計算量非常大，影響處理時間，因此對GrabCut提取的鋼絲繩圖像進行灰度化處理[13]，灰度化將彩色圖像轉(zhuǎn)化為灰度圖像，從而簡化了圖像矩陣，降低了計算復雜度。本文使用的是加權(quán)平均值法對鋼絲繩圖像進行灰度化處理，該方法是將圖像中每個像素的RGB值按照一定的權(quán)重進行組合得到其灰度值。該過程計算公式如下：

[gray=0.299R+0.587G+0.144B] （7）

式中：gray為灰度圖像像素點的灰度值；[R]為原始彩色圖像的紅色通道值；[G]為原始彩色圖像的綠色通道值；[B]為原始彩色圖像的藍色通道值。

灰度化效果圖如圖3所示。

1.3" 邊緣檢測

對于直徑測量而言，輪廓的完整性和準確性對于直徑的計算至關(guān)重要，因此能否對這些特征信息進行正確處理決定了后續(xù)是否能夠精確地測量鋼絲繩的直徑。

邊緣檢測主要依賴于圖像中像素灰度值的不連續(xù)性，這種不連續(xù)性通常表現(xiàn)為像素灰度值的顯著變化。為了檢測這種變化，通常使用導數(shù)運算的方法。本文采用Canny[14]算子進行邊緣檢測，Canny算子會對平滑處理后的圖像進行梯度幅值和方向的計算。完成所有像素的梯度大小和方向計算后，遍歷每個像素，并根據(jù)其梯度大小在其梯度方向上是否是鄰域內(nèi)的局部最大值進行判斷。如果滿足條件，則將該像素標記為邊緣像素，否則，將其灰度值設為0。接下來，根據(jù)設定的兩個閾值來區(qū)分強邊緣、弱邊緣和非邊緣，通過連接強邊緣像素和與其直接相連的弱邊緣像素形成邊緣圖像[15]。最后對邊緣圖像進行形態(tài)學操作，可以達到填補邊緣空洞、平滑邊緣以及增強邊緣特征的效果。直接使用Canny邊緣檢測得到的鋼絲繩邊緣圖像如圖4所示，利用本文方法分割得到的鋼絲繩區(qū)域后的Canny邊緣檢測效果如圖5所示。

可以看出，圖4中鋼絲繩上邊緣存在許多毛刺干擾，這會影響鋼絲繩直徑的計算，而用改進的GrabCut分割出鋼絲繩區(qū)域再進行邊緣檢測能夠減少邊緣上的干擾，獲得更好的邊緣檢測效果。

1.4" 直徑計算

在獲得鋼絲繩的邊緣線后，可以看出，其邊緣線是波浪型邊緣，根據(jù)鋼絲繩的直徑測量要求，需要測量鋼絲繩至少相鄰兩股上下外切線之間的距離，測量示意圖如圖6所示。

為了測量鋼絲繩的直徑，需要求出其上下邊緣的外切線，再通過求外切線之間的像素距離來計算鋼絲繩的直徑。設定鋼絲繩圖像上邊緣相鄰兩股外切直線段的兩個切點為[x1，y1]和[x2，y2]，下邊緣相鄰兩股外切直線段的兩個切點為[x3，y3]和[x4，y4]，對其中兩點進行距離求取，得出邊緣直線之間距離所占有的像素個數(shù)。計算公式為：

[N=（x3+x4）-（x1+x2）22+（y3+y4）-（y1+y2）22] （8）

式中[N]為邊緣外切直線之間所占有的像素個數(shù)。據(jù)此，可以求出圖像中已知寬度為[W1]的標定物其寬度在圖中所占的像素個數(shù)[N1]，于是可以計算出每個像素所代表的真實距離。計算公式為：

[P=W1N1] （9）

式中[P]為單個像素所代表的實際距離。

根據(jù)像素的個數(shù)可以求出邊緣直線之間的真實距離，計算其真實距離的公式為：

[I=PN] （10）

式中：[I]為邊緣外切直線之間的真實距離，即鋼絲繩直徑；[P]為每一個像素在圖像中的實際距離；[N]為鋼絲繩直徑所占的像素個數(shù)。

2" 實驗分析

為了驗證本文方法的準確性，在上述的實驗條件下，設置了10個實驗小組對該方法進行驗證。

2.1" 實驗準備

在進行測試之前，將鋼絲繩鋪平使其處于松弛狀態(tài)。在自然光源條件下，選取邊長為1 cm的黑色方形紙片作為標定物，選用海康機器人1 200萬像素的工業(yè)相機進行拍攝，相機型號為MV?CU120?10GC。本次測試中的代碼實現(xiàn)是在Python編程環(huán)境下完成的。

在拍攝時將標定物放置在鋼絲繩的附近，相機垂直于鋼絲繩進行實驗圖像的采集。在鋼絲繩上每隔30 cm處取樣10次為1組實驗小組，共采集10組，并用游標卡尺對每一組的取樣點進行三次手動測量，取平均值作為對比的公稱直徑。最后將采集到的圖像進行存儲。

2.2" 測試與分析

采集好實驗圖像后，對圖像進行高斯濾波，用改進的GrabCut對圖像進行鋼絲繩區(qū)域分割，灰度化后運用Canny算子提取鋼絲繩的邊緣信息，得到其邊緣輪廓圖像。對鋼絲繩輪廓圖像進行膨脹再腐蝕的形態(tài)學操作，得到更加完整的邊緣圖像后利用算法計算出鋼絲繩的直徑，每次測量結(jié)果取三次重復測量的平均值，最后記錄實驗結(jié)果。

2.2.1" 測試結(jié)果

利用本文方法分別對10組實驗小組進行測量，實驗測量圖如圖7所示。

記錄各實驗小組測量出的平均鋼絲繩直徑數(shù)據(jù)，及其與實測尺寸的誤差值，并計算每一組數(shù)據(jù)與實測的最大誤差值和測量準確率。測量準確率定義為：

[ACC=IDN×100%] （11）

式中：ACC為測量準確率；[I]為測量直徑；DN為公稱直徑。

鋼絲繩直徑測量結(jié)果如表1所示。

由實驗結(jié)果可知，本文方法測量的鋼絲繩直徑與人工測量的最大偏差為0.48 mm，通過本文方法測量鋼絲繩直徑的準確率均達到98%以上，測量偏差在公稱直徑的0～5%范圍內(nèi)，符合GB 8918—2006重要用途鋼絲繩規(guī)范要求。

2.2.2" 誤差分析

以上實驗數(shù)據(jù)的誤差證明了本文方法可以在一般的檢測場合應用，如果要求更高的精度標準就不太適用了，接下來具體分析一下誤差的來源。誤差的來源主要如下。

1） 在使用相機進行圖像攝取和處理過程中，由于相機本身的設計、制造和裝配等因素導致的誤差。

2） 拍攝時鏡頭只能盡量保持與實驗對象垂直，而不能保證其能夠完全垂直于實驗對象所在平面，因此會有一定的偏差。同時標定物的制作精度也是一個比較重要的干擾因素。

3） 在圖像采集之后經(jīng)過各種圖像算法處理，在這個過程中一定程度上降低了圖像邊緣的質(zhì)量，導致了一定的誤差。

2.2.3" 測量不確定度分析

針對本次實驗進行測量不確定度的分析，根據(jù)表1數(shù)據(jù)計算如下。

單次測量的標準差：[σ=]0.115 126 5 mm

平均值的標準差：[σ=0.11510=]0.036 406 2 mm

不確定度：[uc=σ=0.036 406 2 mm]

自由度：[v=10-1=9]

取置信概率[p]=95%，其自由度[v]=9，查[t]分布表得[t0.95（9）=]2.262。即包含因子[k]=2.262。通過公式可計算鋼絲繩直徑的擴展不確定度[u]。

[u=kuc=2.262×0.036 406 2 mm≈0.082 mm] （12）

通過擴展不確定度評價鋼絲繩直徑檢測的不確定度[uR]為：

[uR=（28.335±0.082） mm] （13）

3" 結(jié)" 語

本文針對鋼絲繩直徑測量中的問題，探究了基于機器視覺的鋼絲繩直徑測量技術(shù)。通過基于輪廓增強的GrabCut分割鋼絲繩區(qū)域進行邊緣檢測的方法實現(xiàn)了鋼絲繩邊緣輪廓的提取，由圖像標定計算出每個像素所表示的真實距離，然后根據(jù)鋼絲繩直徑所占像素數(shù)求出鋼絲繩的真實直徑。實驗結(jié)果表明，運用本文方法進行鋼絲繩的直徑檢測能夠達到較為不錯的測量效果，有一定的應用參考價值。

當然，該方法還存在許多不足的地方，比如算法還沒有完全優(yōu)化好，鋼絲繩的選材較為單一，標定物精度要求高等。接下來應當持續(xù)優(yōu)化算法，總結(jié)在圖像采集時遇到的各種因素對測量結(jié)果帶來的影響，并針對這些問題做出研究分析和記錄。

注：本文通訊作者為陳家焱。

參考文獻

[1] 李宏達，焦龍飛.高精度非接觸式激光測徑儀設計與研究[J].中國設備工程，2021（6）：95?96.

[2] 李鑫.基于機器視覺的鋼絲繩直徑在線檢測研究[D].西安：西安石油大學，2023.

[3] POYRAZ A G， KACMAZ M， GURKAN H， et al. Sub?pixel counting based diameter measurement algorithm for industrial machine vision [J]. Measurement： Journal of the international measurement confederation， 2024， 225： 114063.

[4] 吳一全，鄒宇，劉忠林.基于Franklin矩的亞像素級圖像邊緣檢測算法[J].儀器儀表學報，2019，40（5）：221?229.

[5] ZHANG L G， YANG Q L， SUN Q， et al. Research on the size of mechanical parts based on image recognition [J]. Journal of visual communication and image representation， 2019， 59： 425?432.

[6] 高茂源，王好臣，叢志文，等.基于HALCON的機械零件尺寸快速精密測量[J].機電工程技術(shù)，2020，49（3）：71?74.

[7] 顧良玉，吳繼薇.基于機器視覺轉(zhuǎn)子沖片亞像素精度尺寸測量研究[J].計算機測量與控制，2024，32（4）：29?36.

[8] 顧浩文，鄒光明，王眾玄，等.基于雙目視覺的紙箱尺寸測量立體匹配方法研究[J].電子測量技術(shù)，2024，47（2）：98?105.

[9] 杜麗峰，周正，王天琪.基于機器視覺的鋁合金輪轂尺寸測量[J].機械設計，2022，39（z2）：193?198.

[10] WU H， LIU Y， XU X， et al. Object detection based on the grabcut method for automatic mask generation [J]. Micromachines， 2022， 13（12）： 2095.

[11] 王茜，何小海，吳曉紅，等.基于GrabCut的改進分割算法[J].信息技術(shù)與網(wǎng)絡安全，2021，40（10）：43?47.

[12] 李志遠，王光輝.基于傳統(tǒng)邊緣算子的車道線識別研究[J].現(xiàn)代電子技術(shù)，2024，47（7）：61?65.

[13] 李執(zhí)，閆坤，傅琪，等.基于機器視覺的金屬工件尺寸測量[J].儀表技術(shù)與傳感器，2022（3）：92?97.

[14] 杜杰，薛宇.圖像邊緣檢測方法對計算分析風機凈空的研究[J].現(xiàn)代電子技術(shù)，2023，46（15）：43?48.

[15] 樊鑒樂，費勝，姚建南.基于機器視覺的強漫反射圓狀工件直徑測量方法[J].傳感器與微系統(tǒng)，2023，42（3）：148?151.

作者簡介：何胡海（2000—），男，江西南昌人，碩士研究生，主要研究方向為圖像處理、深度學習。

孫長敬（1968—），男，安徽淮南人，博士研究生，教授，主要研究方向為質(zhì)量檢測與自動化裝置。

陳家焱（1979—），男，江蘇泗洪人，博士研究生，副教授，主要研究方向為質(zhì)量控制與可靠性工程。

谷小紅（1977—），男，安徽廬江人，博士研究生，副教授，主要研究方向為檢測技術(shù)與自動化裝置。

王" 強（1976—），男，內(nèi)蒙古人，博士研究生，教授，主要研究方向為特種設備安全檢測技術(shù)、結(jié)構(gòu)健康監(jiān)測技術(shù)。

收稿日期：2024?04?09" " " " " "修回日期：2024?04?26

基金項目：國家重點研發(fā)計劃（2022YFC3005103）項目資助