如何使用MV-UB300相机做单目视觉测量（长度和外形）

使用迈德威视（MindVision）的MV-UB300相机进行单目视觉测量（长度和外形）需要结合相机标定、图像处理和几何算法。以下是详细的步骤指南：

1. 硬件和软件准备

• 硬件：
  • MV-UB300相机（支持USB3.0接口，分辨率640×480，帧率60fps）。
  • 标定板（如棋盘格、圆形网格标定板）。
  • 固定支架（确保相机稳定无振动）。
  • 光源（均匀照明被测物体，减少阴影和反光）。
• 软件：
  • 迈德威视官方SDK（用于相机控制和图像采集）。
  • OpenCV（Python或C++版本，用于图像处理和标定）。
  • 开发环境（如Visual Studio、PyCharm）。

2. 相机标定（关键步骤）

标定目的是获取相机的内参（焦距、畸变系数）和外参（位置、姿态），确保测量结果准确。

步骤：

0. 采集标定图像：

   • 将标定板（如8×6棋盘格）放置在相机视野内的不同位置和角度，拍摄10-20张图像。
   • 确保标定板覆盖整个视野，避免模糊或过曝。

1. 使用OpenCV标定：

   import cv2
   import numpy as np
   
   # 标定板参数
   pattern_size = (8, 6)  # 内角点数量（棋盘格交点）
   obj_points = []  # 3D世界坐标
   img_points = []  # 2D图像坐标
   
   # 生成标定板的理论3D点（Z=0）
   objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32)
   objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)
   
   # 遍历所有标定图像
   for img_path in calibration_images:
       img = cv2.imread(img_path)
       gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
       # 查找角点
       ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
       if ret:
           obj_points.append(objp)
           img_points.append(corners)
   
   # 标定相机
   ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
       obj_points, img_points, gray.shape[::-1], None, None
   )

2. 保存标定结果：

   • 内参矩阵（mtx）和畸变系数（dist）需保存，后续用于图像去畸变。

3. 图像采集与预处理

• 通过SDK获取图像：

  from MindVision import Camera  # 示例代码，具体接口参考官方文档
  camera = Camera()
  frame = camera.capture_frame()

• 去畸变：

  h, w = frame.shape[:2]
  new_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1)
  undistorted = cv2.undistort(frame, mtx, dist, None, new_mtx)

• 预处理：

  • 灰度化：gray = cv2.cvtColor(undistorted, cv2.COLOR_BGR2GRAY)
  • 去噪：blur = cv2.GaussianBlur(gray, (5, 5), 0)
  • 二值化：ret, thresh = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY)

4. 特征提取与测量

长度测量：

0. 边缘检测：

   edges = cv2.Canny(thresh, 50, 150)
   contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

1. 选择目标轮廓：

   target_contour = max(contours, key=cv2.contourArea)

2. 计算实际长度：

   • 假设已知标定板的一个方格边长为 L（单位：毫米），对应图像中的像素数为 P。

   • 像素当量（单位：mm/pixel）为 scale = L / P。

   • 测量目标轮廓的长度（像素）并转换为实际长度：

     length_pixel = cv2.arcLength(target_contour, closed=True)
     length_real = length_pixel * scale

外形测量：

0. 多边形拟合：

   epsilon = 0.02 * cv2.arcLength(target_contour, True)
   approx = cv2.approxPolyDP(target_contour, epsilon, True)

1. 绘制轮廓：

   cv2.drawContours(undistorted, [approx], -1, (0, 255, 0), 2)

5. 提高精度的关键点

• 亚像素边缘检测：

  corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), 
                           (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))

• 多帧平均：采集多张图像取平均值，减少噪声。

• 透视校正：若物体倾斜，使用透视变换（Homography）将其校正为正视图：

  pts_src = np.array([approx[0], approx[1], approx[2], approx[3]])
  pts_dst = np.array([[0, 0], [w, 0], [w, h], [0, h]])
  M, _ = cv2.findHomography(pts_src, pts_dst)
  warped = cv2.warpPerspective(undistorted, M, (w, h))

6. 验证与调试

• 测试已知尺寸物体：使用标准件（如已知长度的标定块）验证系统误差。
• 调整光照和焦距：确保图像清晰且无运动模糊。
• 输出结果可视化：在图像上标注测量结果（如长度、轮廓）。

7. 注意事项

• 被测物体需与标定板处于相同平面，或已知深度信息。
• 光照变化会显著影响测量结果，建议使用稳定光源。
• 高精度测量需使用更高分辨率的相机（如MV-UB300的640×480可能受限）。

通过以上步骤，可以实现基于MV-UB300的单目视觉测量系统。如果涉及复杂三维测量，建议升级为双目或多目视觉系统。