朱志成ZHU Zhi-cheng

（重庆交通大学机电与车辆工程学院，重庆400074）

0 引言

近年来，由于互联网的飞速发展，网上购物也越来越频繁，网络购物以每年20%以上的速度增长，2020 年1 至6 月，全国网络销售额达5.15 万亿元，同比增长7.3%，连续四个月增长速度有所提升。电子商务的快速发展，对于物流配送也有了更高的要求，传统的物流配送已经显示出了其一部分不足之处了：配送时间不够灵活，具体表现在：配送员的配送时间与收件人收件时间的不匹配，主要有两种情况，配送员配送的时候，取件人没时间；取件人有时间时，快递没有配送到。节假日，特别是春节期间配送员人手不够导致节假日的物流积压；由于配送员追求配送速度而引起交通事故频发[1]；新冠肺炎疫情的爆发以来，“无接触”配送服务逐渐出现，阿里巴巴与京东公司也相继推出了无人快递机器人进行配送。在未来的“最后一公里”的配送中，无人快递机器人的配送会越来越普及[2]。无人快递机器人的一个关键技术是，对快递物品尺寸大小进行测量，并根据测量的结果推荐适合尺寸的快递包装盒。目前在这一领域的研究还很少。

杭州电子科技大学刘士伟（2019 年）针对陶瓷基片的测量需求，提出了基于OpenCV 的陶瓷基片视觉检测系统[3]。西安建筑科技大学的郭瑞峰，袁超峰等（2017 年）针对煤矿火车车厢的轮廓测量需求，提出了一种基于OpenCV 的单相机火车车厢单位尺寸测量，其搭建的测量系统测量偏差小于95mm，能够满足该场合的测量需求[4]。内蒙古工业大学的韩佳彤（2020 年）提出了一种基于机器视觉的测量方法用来解决道路车辆的高度测量问题[5]。目前，利用机器视觉对此汽车轮廓[6-7]以及汽车零部件[8]进行尺寸检测已经有了较多的研究。现阶段机器视觉在测量方面的应用越来越成熟[9-10]，但无人快递机器人还很少运用机器视觉技术来对快递物品进行轮廓测量，因此针对快递物品的轮廓尺寸测量，文中采用机器视觉对物品的轮廓尺寸进行了测量研究。

1 相机标定

利用相机进行测量所利用的图像与物体自身有相对应的关系，其模型为针孔成像模型，相机成像时会产生图像畸变，图像畸变会导致物体的形态大小发生变化、图像失真、扭曲变形。为提高测量的准确性需要对镜头畸变进行校正[11-12]。

相机的标定方法现阶段主要包含线性标定方法、非线性标定方法以及张正友相机标定方法等[113]。介于传统与自标定法之间的张正友相机标定法是目前最为经典的标定方法之一。因此文中采用基于MATLAB 的张正友标定法对相机进行标定。

标定板棋盘方格的边长为17mm，标定过程中为了保证其结果的真实性，分别从不同角度以及不同距离对标定板进行图片采集。

2 物体轮廓的识别和测量

2.1 灰度化

利用相机拍摄的图片一般以RGB 格式的彩色图像保存在计算机中，RGB 格式的图片有 R（红色）、G（绿色）、B（蓝色）三个颜色通道，每个通道的通道值都在0-255 范围内，而灰度图像只有一个颜色通道，只反映该像素点的明亮程度，数值越大像素点就越白，越小就越黑，将图像进行灰度化能减少计算机的计算量[14]其转换公式为式（1）所示：

2.2 图像滤波

图像滤波是为了在能够保留目标图像细节特点的条件下，对目标图像的噪声信号进行抑制，图像处理结果将对后面被处理的信号产生影响，是进行图像处理的重要一个步骤。滤波运算能够将图像中被数字化掺杂的噪声进行去掉和减少，增大了图像清晰度，对其视觉效果也进行了优化[15]。双边滤波作为一种非线性滤波器，以高斯滤波的基础上，在此基础上对像素间的数值差异进行了考虑，利用周边像素灰度值的加权平均值代替像素中的灰度值。以q 为中心的双边滤波可以表示为：

y（p）—噪声像素；F—以 q 为中心的大小（2r+1）*（2r+1）的领域；w滓s—空间内核；w滓r—值域内核。其中空间内核和值域内核为：

2.3 边缘检测

边缘性检测技术就是视觉处理学中对图形信息进行处理的基本方法，一般适合应用于对特征的提取以及对特征的检测，其目标主要是对各类数字图像中明显发生变化的地点进行检测。边缘检测可以使得需要进行处理的图像信息数据的工作量大大减小，对于与之相关的信息也进行了删除，保留为图像主要组成部分。目前，常见的一阶微分算子主要有 roberts 算子、sobel 算子、prewitt 算子。此外在机器视觉领域常见的检测算子还有Laplacian 算子以及Canny 算子[16-17]。

文中采用了Canny 算法。Canny 算法在Sobel 算子基础上又添加了高斯滤波、双阀值边缘点筛选以及非极大值抑制[18]。其基本思想为选择一定的高斯滤波器对图像作平滑处理，再进行非极大值的抑制处理，最后得到边缘图像[19]。

3 系统实验

3.1 实验系统构成

实验系统包括：操作系统：64 位Windows 10。相机：LeTMC-520，分辨率为1280*720/640*480 像素。计算机：CPU：1.6GHz 四核、内存：4G、硬盘：500G、显卡：AMD Radeon R6 M340DX。

3.2 实验设计

实验对尺寸为8.3cm，宽为6.6cm，高为2.9cm 的小盒子进行测量，由于长度和宽度能够表示小盒子特征以及能检测测量系统的测量效果。故对小盒子的长宽进行了6 次测量，图1 为物体尺寸测量效果图，表1 为盒子的尺寸测量数据。

图1 物体尺寸测量效果图

表1 盒子尺寸测量数据

3.3 实验结果及误差分析

经过6 次对盒子的测量，由表1 可知其平均测量长度为8.67cm，平均测量宽度为7.42cm。其长度误差为4.27%，宽度误差为11%。

通过对整个实验过程进行分析，引起该实验系统出现测量误差主要有以下几方面原因：

3.3.1 LeTMC-520 相机自身误差

在测量系统的工作中，摄像机内部的大多数电子元件都是电阻元器件，在工作时会产生热电子噪声，即使通过图像滤波和对小盒子多次测量取平均值可以进行减噪，但是长时间运作还是会影响测量精度。

3.3.2 系统误差

通过视觉来对物品尺寸进行测量，测量过程是通过成像原理中的函数对应关系来进行的。因此在图像处理过程中的相关计算都有可能会带来误差，该误差是系统误差，无法通过多次测量对误差进行消除。

3.3.3 测量误差

在利用相机进行测量时，相机与待测量物品的距离以及测量的角度都会对测量结果产生影响。通过实验发现角度的影响对于测量精度的影响较大，相机正对物品时测量尺寸更准确，当角度有倾斜时测量误差较大。

通过对测量结果的分析发现，利用该测量系统对于测量的数据都比实际的尺寸偏大了一定范围，测量盒子长度测量偏大4.27%，宽度尺寸偏大11%。因此对于文中测量系统的测量值加了一个修正系数，让其在测量数据的基础上进行一定比例修正，使其降低测量误差使其测量结果更为准确。进行修正之后在对盒子进行了6 次测量，测量效果图如图2 所示，测量的具体数据如表2 所示。由表2 可知其平均测量长度为8.26cm，其平均测量宽度为6.72cm。修正之后长度测量误差缩减至0.48%，宽度测量误差缩减至1.77%。从测量数据说明添加修正系数提高了测量准确性。

图2 修正后尺寸测量效果图

表2 修正后盒子尺寸测量数据

4 结论与展望

①文中提出了一种基于机器视觉的单目相机物品尺寸测量方法，实现了单目相机对物品尺寸的测量。其精度满足在无人快递机器人的使用。

②文中的创新点在于将机器视觉应用到了无人快递机器人上，使其能对物品进行尺寸的测量，根据测量结果，推荐合适的快递包装盒，提高了无人快递机器人的智能程度。

③文中实验在相机与物品垂直的视觉方向测量效果较为理想，在相机与测量物体有一定倾斜角的时候测量效果还不够理想。

受实验设备的影响，现有设备的测量速度较慢。在后续应用中还需要提高计算机的运算能力；对于有倾斜角度的测量目前测量效果不理想，后续应用中还需优化算法，降低倾斜角度对测量的影响。