任娟娟，馮中強

(1.陜西工業(yè)職業(yè)技術學院 商貿與流通學院，陜西 咸陽 712000；2.西安工程大學 機電工程學院，陜西 西安 710048)

0 引 言

在工業(yè)生產過程中，物料分揀是不可缺少的環(huán)節(jié)，但人工完成的生產線已經無法滿足長時間作業(yè)的要求。工業(yè)機器人能夠代替人工進行分揀，但依然存在因物料識別不準確導致的機械臂抓取目標失敗等問題。目前，基于機器視覺的圖像處理算法逐漸成熟，國內外相關學者開始引入機器視覺技術進行物料的識別和定位，從而實現不同物料的分揀工作[1-5]。文獻[6]采用了一種多目標分塊處理算法，通過局部特征匹配確定工件種類，在工件的分類碼垛上有著較好的效果。文獻[7] 基于蟻群算法，建立評價模型, 利用蟻群算法的正反饋及強魯棒性,提高揀貨效率,縮短揀貨時間。文獻[8]采用機器視覺圖像處理算法，通過抓取投籃一體化結構設計,使物料抵達投射區(qū)、瞄準目標區(qū)，再通過圓桿推動物料實現發(fā)射,該機器人在復雜環(huán)境下能快速完成分揀任務。文獻[9]基于并聯機器人設計了一種分揀控制系統，根據PID算法設計位置跟蹤控制器，從而提高抓取精度,判斷出物體的位置，并根據已經判斷出來的物體位置實時控制調整并聯機器人,完成目標物體的動態(tài)抓取。文獻[10]為了使分揀的準確性和穩(wěn)定性得到提升，運用形狀內容分析方法對物料的分類識別進行強化，取得了一定的效果。文獻[11]在NI智能相機的視覺檢測平臺內置高性能處理器實現獨立視覺檢測,完成工件識別和分揀。上述方法效果較好，但物料分揀技術和方法仍存在移動不便、操作單一、適應性不強，無法根本實現智能分選。為此，本文提出了一種基于機器視覺的物料識別與定位方法，實驗驗證了此方法對物料的抓取有較高的識別率和準確率，滿足物料分揀的要求。

1 系統設計

1.1 系統工作流程

以螺栓、螺母配件生產過程的分揀環(huán)節(jié)為研究對象，設計基于機器視覺的物料自動化識別分揀系統，系統的主要構成如圖1所示。系統主要由輸送單元、識別定位單元、控制單元和分揀單元構成。輸送單元包括傳送帶、物料存放臺等；識別定位單元包括光源、工業(yè)相機、PC機和圖像處理軟件，原始圖像用工業(yè)相機來采集，然后對采集到的原始圖像進行處理，從而判斷出物料的類別，確定物料的位置?？刂茊卧蒔C機端向控制板發(fā)出指令，機械臂接受激勵做出相應動作完成指令；分揀單元由機械臂、吸盤構成，執(zhí)行指令將物料分揀出來[12-15]。圖像處理與分揀目標識別的流程主要由獲取圖像、圖像預處理、邊緣檢測、特征提取、識別與定位[16]等構成。本文以螺栓和螺母工件為例進行特征提取和識別定位。

圖 1 系統主要構成Fig.1 Main components of the system

1.2 圖像預處理

數字圖像在采集與傳輸等環(huán)節(jié)容易受到干擾，造成一些無關信息分布在采集到的圖像中，最終影響到圖像識別的結果[17]。本文的識別方法需要提取工件的邊緣信息，在進行濾波處理時，首先需要保留工件圖像邊緣信息，非局部均值濾波器[18-19]和雙邊濾波器[20-21]均可以滿足此要求。雙邊濾波器采用的是加權平均的方法，像素的強度是使用高斯分布加權平均的周邊像素亮度值來表示。另外，高斯低通濾波只考慮到位置對中心像素的影響，但是相比較而言雙邊濾波的權重同時考慮到像素的歐式距離和像素范圍內的輻射差異，如中心像素同卷積核中像素深度距離、相似程度、色度等諸多因素[22]。在計算中心像素時同時考慮這2個因素，然后用該濾波模板與原始圖像進行卷積，得到濾波后的圖像。采用雙邊濾波器濾波后的圖像不僅能濾除噪聲，而且能保留圖像邊緣，因此本文采用由區(qū)域濾波器內核和值域濾波器內核構成的雙邊濾波器。其中2個濾波器內核分別表示內核窗口中各個像素點離中心點距離和內核窗口內中心點像素值同各個點像素值的相似度，中心點附近的像素點具有較大權值且灰度差值較小，經雙邊濾波后輸出像素的值可表示為

(1)

式中：ω(i,j,k,l)為加權系數；f(k,l)為圖像在點(k,l)處的像素值。其計算公式為

(2)

(3)

式中：d(i,j,k,l)為定義域核；r(i,j,k,l)為域值核；f(i,j)為圖像在點(i,j)處的像素值；(k,l)為中心坐標；中心點以外的坐標為(i,j)；σr為域值核高斯函數標準差；σd為域核高斯函數標準差。雙邊濾波權重函數是將定義域核和值域核相乘后生成的，即

(4)

由以上公式可以得出，當灰度距離達到一定程度時，高斯平滑系數的作用相對較小，可起到保護邊緣的作用。

1.3 邊緣提取

圖像的邊緣一般指局部不連續(xù)的圖像特征，即變化最明顯、差異最大的部分。目前常用的邊緣檢測方法有Canny算子、Prewitt算子、Sobel算子等，圖2為螺栓、螺母在不同檢測方法下的檢測效果圖。

(a) Canny算子

(b) Prewitt算子

(c) Sobel算子圖 2 邊緣檢測效果對比圖Fig.2 Comparison of edge detectioneffect

從圖2可以看出，Canny邊緣檢測效果較好，從表面效果上看，Canny算法是對Sobel、Prewitt等算子效果的進一步細化和更加準確的定位，它采用4個最優(yōu)指數項的和來近似，極大地抑制了噪聲引起的偽邊緣，并可把參數調節(jié)到合適的值，運用此算子也能將對比度較低的圖像處理得較好，增加了處理的可操控性。綜合考慮，本文選用Canny算子。二值圖像的函數fs(x,y)梯度可表示為

(5)

幅值和方向角的計算為

(6)

式中：M[i,j]為反映圖像的邊緣強度；θ[i,j]為反映邊緣的方向角。邊緣的方向可以用M[i,j]局部最大值的方向角來反映。然后對梯度幅值進行非極大值抑制(non-maxima suppression)，從而在各自的梯度方向上提取出梯度最大的像素，即

(7)

式中：ξ[i，j]為對梯度方向的標定，按照方向角θ[i,j]的大小平均劃分，并分別標定為0、1、2、3等4個范圍，再使用非極大值抑制在各個方向上判定。即，如果1個像素的梯度幅值大于方向上相鄰像素的梯度幅值，那么這個像素就被標定為零。然后用雙閾值算法檢測和連接邊緣。雙閾值計算公式為

τ2=2τ1

(8)

式中：τ2為決定邊緣；τ1為追蹤邊緣斷線。梯度值大于τ2的為邊緣；小于τ1的為非邊緣；介于τ1和τ2之間的，則需要找出它們鄰近像素是否存在大于高閾值的像素。如果有，則這些像素就是邊緣像素，否則，則不是[23]。

1.4 特征提取

一般情況下，輪廓特征和區(qū)域特征是形狀特征的2種表示方法。圖像的輪廓特征表達物體的外邊界，而圖像的區(qū)域特征與形狀區(qū)域的關系非常密切。本文采用大津法選取閾值，根據圖像的灰度特征將圖像分為背景和前景2部分，部分前景和背景的錯分可導致類間方差變小。因此,當錯分概率最小時，類間方差的分割最大，理想的閾值就是當被分割的兩組間方差最大時的閾值。當提取二值圖像的邊緣輪廓后，再計算每個提取到的邊緣輪廓面積(S)。根據物料識別分揀過程中物料實際的大小設定S1、S2、S3、S4等4個輪廓面積閾值，若S1

2 物料圖像識別結果

為了驗證文中所采用的圖像識別方法的可行性和有效性，以螺栓和螺母為研究對象，模擬真實工況，將每個工件按照任意位置和角度擺放。然后按照圖像處理流程，得到處理結果，如圖3所示。

圖 3 圖像處理結果Fig.3 Image processing results

從圖3可以看出，雜亂分布的螺栓和螺母物料采用本文方法能夠準確識別，螺母顯示標注為0，螺栓顯示標注為1，且可以將物料位置準確標出，根據標記結果可進一步確定物料位置，從而實現下一步物料的分揀工作。為了驗證識別算法的準確性，設定200個樣本數量，其中螺栓、螺母各100個，結果表明，螺栓、螺母物料的識別率可以達到99.35%。然后使用本方法選取其他2種物料：墊片和彈簧進行實驗，與文獻[6](多目標分塊處理算法)進行對比，結果如圖4所示。

圖 4 識別率對比Fig.4 Comparison of recognition rate

從圖4可以看出，本文方法在對螺栓、螺母和彈簧的識別率上高于文獻[6]，但墊片的識別率低于文獻[6]，原因可能是墊片的體積較小且存在上下疊合情況，特征抓取不夠準確。

3 結 語

以螺栓、螺母為研究對象，提出了一種基于圖像處理技術的形狀特征提取與識別方法。利用圖像處理方法實現圖像去噪、邊緣提取、識別和定位等功能。為了驗證本方法的有效性，結合實際工業(yè)機器人進行實驗驗證。結果表明，所述方法物料識別的正確率為99.35%，分揀成功率可達到99.25%，能夠滿足物料分類的操作要求。但此方法在對更小更薄的物料分揀時，識別率依然不高，這將是下一步的研究重點。