Jenis Target Kalibrasi: Analisis Perbandingan Corak dan Kelebihannya

Kalibrasi kamera yang tepat adalah asas kepada kejayaan sebarang aplikasi penglihatan mesin/komputer. Pemilihan sasaran kalibrasi memberi kesan besar kepada ketepatan kalibrasi, namun terdapat pelbagai jenis corak—setiap satu mempunyai sifat-sifat tersendiri. Panduan ini menganalisis kelebihan dan kekurangan sasaran biasa (papan semak, grid bulat, dan CharuCo) untuk membantu pemilihan yang optimum.

I. Saiz Sasaran Kalibrasi: Pertimbungan Penting

Dimensi fizikal sasaran kalibrasi mempengaruhi ketepatan pengukuran secara langsung, terutamanya melalui hubungannya dengan Medan Penglihatan (FOV). Prinsip-prinsip utama merangkumi:

1. Liputan FOV: Untuk kalibrasi yang mantap, sasaran harus memenuhi >50% daripada keseluruhan piksel imej apabila dilihat secara frontal. Sasaran yang kecil membenarkan pelbagai kombinasi parameter kamera untuk menerangkan ciri-ciri yang diperhatikan, menurunkan kekangan model.

2. Kestabilan Fokus: Kalibrasi mengandaikan jarak kerja yang tetap. Mengubah panjang fokus atau bukaan akan membatalkan kalibrasi sebelumnya disebabkan oleh peralihan fokus dan aberasi optik.

3. Tip Praktikal: Pilih saiz sasaran yang sepadan dengan medan penglihatan (FOV) anda. Untuk pengukuran berskala besar (contoh: pemeriksaan kenderaan), gunakan sasaran bersaiz besar atau penangkapan berbilang kedudukan.

II. Jenis Sasaran Kalibrasi: Corak dan Prestasi

1. Sasaran Papan Semak

Corak yang paling umum, disokong oleh OpenCV, Halcon, dan MATLAB.

Alur Kerja Pengesanan:

Imej binari → Kesanan sisi empat (petak gelap) → Penapisan mengikut saiz/keteraturan grid → Padankan dengan dimensi yang ditakrifkan pengguna.

Kelebihan:

Ketepatan Subpiksel: Sudut (secara matematik titik pelana) adalah infinitesimal, membolehkan penempatan yang tidak berat sebelah di bawah sisihan perspektif (kejituan: ±0.1 px).

Pemodelan Sisihan: Kepadatan pinggir yang tinggi meningkatkan anggaran sisihan jejari/tangen.

Kekangan:

Penglihatan Penuh Diperlukan: Seluruh papan mesti kelihatan dalam semua imej, mengekang pengumpulan data sudut (penting untuk pemodelan sisihan di pinggir imej).

Kekangan Simetri: Untuk kalibrasi stereo, elakkan keambiguan 180° dengan memastikan barisan genap + lajur ganjil (atau sebaliknya).

Terbaik Untuk: Kalibrasi kamera tunggal di mana penglihatan papan penuh adalah berkemungkinan.

2. Sasaran Grid Bulatan

Varian biasa: bulatan hitam pada latar belakang putih atau bulatan putih pada latar belakang hitam.

Alur Kerja Pengesanan:

Mengesan "blob" → Menapis mengikut keluasan, kebulatan, dan kecembungan → Mengenal pasti struktur grid.

Kelebihan:

Rintangan Hingar: Penyesuaian bulatan memanfaatkan semua piksel perimeter, mengurangkan kepekaan hingar.

Toleransi Pemencilan: Bulatan yang kelihatan sebahagian masih boleh dikesan.

Kekangan:

Bias Perspektif: Bulatan dipaparkan sebagai elips di bawah perspektif. Sela lensa seterusnya memutar bentuk, memperkenalkan ralat pemasangan kecil.

Kembara Stereo: Kisi simetri mengalami kekaburan 180°; gunakan kisi tak simetri untuk konfigurasi berbilang kamera.

Terbaik Untuk: Aplikasi belakang berlampu dan persekitaran dengan pencahayaan berubah-ubah.

3. Sasaran CharuCo

Corak hibrid yang menggabungkan sudut papan semak dengan penanda ArUco.

Alur Kerja Pengesanan:

Kenal pasti penanda ArUco → Cari titik pelana yang diselang-seli di antara penanda.

Kelebihan:

Sokongan Kelihatan Sebahagian: Penyulitan penanda unik membolehkan kalibrasi dengan sasaran yang terhalang atau dipotong di tepi.

Pengendalian Pencahayaan yang Teguh: Rintang kegagalan akibat pencahayaan tidak sekata (contohnya, pantulan berkilau).

Pembaikan Subpiksel: Mencapai ketepatan titik pelana yang setanding dengan papan semak.

Kekangan:

Kerumitan Algoritma: Memerlukan pustaka khas (OpenCV 3.0+).

Penempatan Penanda: Penanda yang dicetak dengan buruk akan merosotkan pengesanan.

Terbaik Untuk: Sistem berbilang kamera, kanta berkelegaan tinggi, dan ruang sempit.

III. Amalan Terbaik Pelaksanaan

1. Kualiti pencetakan:

Gunakan sasaran bercetak laser atau diukir pada substrat bukan pantulan.

Pastikan rata (toleransi penyimpangan: <0.1 mm/m²).

2. Protokol Pengambilan:

Ambil 15–30 imej dengan sasaran pada pelbagai orientasi (lengkapkan penjuru FOV).

Kekalkan pencahayaan dan fokus yang konsisten.

3. Nota Berdasarkan Pustaka:

OpenCV: Papan semak memerlukan keseluruhan kelihatan; CharuCo memerlukan modul aruco.

Halcon: Dioptimumkan untuk kisi bulat dengan pengendalian asimetri terbina.

Pemilihan sasaran kalibrasi menyeimbangkan keperluan ketepatan, kekangan persekitaran, dan sokongan algoritma. Walaupun papan semak memberikan ketepatan maksimum dalam keadaan terkawal, CharuCo menawarkan ketahanan yang tiada tandingan untuk aplikasi industri. Kisi bulat mencapai keseimbangan praktikal untuk konfigurasi stereo. Dengan menyelaraskan sifat-sifat sasaran dengan keperluan sistem penglihatan anda, anda membentuk asas bagi pengukuran yang sah dari segi metrologi—penjuru utama untuk penglihatan mesin yang boleh dipercayai.