王成軍 朱梓豪 韋志文

（①安徽理工大學(xué)人工智能學(xué)院，安徽 淮南 232001；②安徽理工大學(xué)機(jī)械工程學(xué)院，安徽 淮南 232001）

視覺(jué)是物體影像刺激視網(wǎng)膜所產(chǎn)生的感覺(jué)[1]。視覺(jué)系統(tǒng)是人們觀察和感受外界的主要系統(tǒng)，其中人們將近80%的信息獲取要經(jīng)過(guò)視覺(jué)感官[2]。機(jī)器視覺(jué)的發(fā)展是當(dāng)今世界高科技領(lǐng)域備受關(guān)注的熱點(diǎn)課題之一，由于機(jī)器視覺(jué)是一種非接觸的機(jī)械化測(cè)量方式，機(jī)器視覺(jué)常用來(lái)代替人工視覺(jué)，相較于人工視覺(jué)識(shí)別其檢測(cè)結(jié)果不僅更加客觀，而且可以完成很多人眼難以勝任的工作。

鑄造生產(chǎn)是獲得機(jī)械產(chǎn)品毛坯的主要方法之一，在國(guó)民經(jīng)濟(jì)中占有重要的位置，發(fā)達(dá)國(guó)家的鑄件生產(chǎn)不僅效率高、產(chǎn)品質(zhì)量好而且已實(shí)現(xiàn)機(jī)械化、自動(dòng)化、機(jī)器人操作。目前我國(guó)鑄造行業(yè)的分布大體呈現(xiàn)出小而密的分布狀態(tài)[3]，整體技術(shù)水平及裝備落后，鑄件產(chǎn)品質(zhì)量低，因此鑄件分揀檢測(cè)尤其重要。目前我國(guó)的鑄件分揀檢測(cè)主要由人工完成，但隨著我國(guó)機(jī)械化進(jìn)程的不斷加快，自動(dòng)化水平的不斷提高，工業(yè)系統(tǒng)對(duì)產(chǎn)品性能的要求越來(lái)越高，對(duì)生產(chǎn)過(guò)程中質(zhì)量控制的要求也越來(lái)越高，在工業(yè)生產(chǎn)中使用機(jī)器化生產(chǎn)被越來(lái)越多的公司所接受。

本文在基于機(jī)器視覺(jué)技術(shù)分揀檢測(cè)應(yīng)用的大背景下，通過(guò)介紹機(jī)器視覺(jué)技術(shù)在不同分揀檢測(cè)領(lǐng)域的應(yīng)用，對(duì)未來(lái)鑄件分揀檢測(cè)的應(yīng)用趨勢(shì)進(jìn)行了展望。

1 機(jī)器視覺(jué)技術(shù)

1.1 工作原理

機(jī)器視覺(jué)系統(tǒng)就是利用機(jī)器代替人眼做各種測(cè)量和判斷。它是一種集機(jī)械工程、圖像處理、控制工程、成像技術(shù)和計(jì)算機(jī)技術(shù)等各個(gè)學(xué)科為一體的一項(xiàng)綜合技術(shù)，其發(fā)展與圖像處理、光學(xué)成像、傳感器及處理器等技術(shù)的快速崛起密切相關(guān)。

基于機(jī)器視覺(jué)鑄件分揀檢測(cè)平臺(tái)就是用機(jī)器替代人工對(duì)鑄件完成分揀檢測(cè)，具體實(shí)現(xiàn)的過(guò)程是用工業(yè)相機(jī)采集被檢測(cè)鑄件的圖像，因?yàn)橐獙⒈徊杉骷枰獧z測(cè)的具體特征都體現(xiàn)出來(lái)，所以圖像采集的過(guò)程是機(jī)器視覺(jué)中極為重要的一個(gè)環(huán)節(jié)，采集完成后需要對(duì)圖像進(jìn)行圖像處理，即利用專(zhuān)業(yè)的圖像處理軟件將圖像的模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)；然后再對(duì)數(shù)字信號(hào)進(jìn)行運(yùn)算，抽取工件的待檢測(cè)特征，比如鑄件表面是否有缺陷[4]、質(zhì)量是否合格[5]以及鑄件位姿是否易于夾取[6]等；輸出結(jié)果，然后反饋到機(jī)械端對(duì)器件進(jìn)行分檢檢測(cè)，可以將鑄件從其所處位置精準(zhǔn)且高效地分揀出來(lái)，再由分揀機(jī)器人將鑄件搬運(yùn)到預(yù)定位置進(jìn)行分類(lèi)、集中。

對(duì)于鑄件來(lái)說(shuō)其最主要的就是缺陷檢測(cè)，機(jī)器視覺(jué)設(shè)備工作原理如圖1 所示，一般來(lái)說(shuō)，機(jī)器視覺(jué)硬件最主要的組成成分為圖像采集和視覺(jué)處理，圖像采集就是將圖像經(jīng)過(guò)采樣、量化后轉(zhuǎn)換為數(shù)字圖像并輸入、存儲(chǔ)到幀存儲(chǔ)器的過(guò)程。視覺(jué)處理就是將獲取的二維圖像通過(guò)視覺(jué)處理器進(jìn)行分析和解釋?zhuān)D(zhuǎn)換為符號(hào)，讓機(jī)器能夠識(shí)別物體并確定其方位[7]。

圖1 工作原理圖

1.2 機(jī)器視覺(jué)技術(shù)的發(fā)展

機(jī)器視覺(jué)自起步發(fā)展到現(xiàn)在，已有幾十年的發(fā)展歷史。機(jī)器視覺(jué)作為一種應(yīng)用系統(tǒng)，隨著工業(yè)自動(dòng)化的發(fā)展而逐漸完善。機(jī)器視覺(jué)最早始于20 世紀(jì)50 年代，其主要應(yīng)用于統(tǒng)計(jì)模式識(shí)別，特別是集中在二維圖像的分析和識(shí)別上[8]。20 世紀(jì)60 年代，Roberts L G[9]開(kāi)創(chuàng)了三維機(jī)器視覺(jué)的研究，其研究以理解三維場(chǎng)景為目的，研究范圍由邊、角、點(diǎn)等的特征提取過(guò)渡到了平面、曲面等幾何要素的分析最終到圖像的明暗、紋理、運(yùn)動(dòng)以及成像幾何等。20 世紀(jì)70 年代中期，由國(guó)際著名學(xué)者Horn B K P 教授[10]講授的“機(jī)器視覺(jué)”[11]課程在美國(guó)的麻省理工學(xué)院人工智能實(shí)驗(yàn)室開(kāi)設(shè)，該課程一經(jīng)開(kāi)設(shè)就吸引了許多有關(guān)視覺(jué)領(lǐng)域的國(guó)際知名學(xué)者參與研究，其中包括Marr D 教授[12]，其在1977 年提出的Marr 視覺(jué)理論[13]更是成了20 世紀(jì)80 年代機(jī)器視覺(jué)研究領(lǐng)域中的一個(gè)十分重要的理論框架。該理論系統(tǒng)地概括了計(jì)算機(jī)科學(xué)所取得的核心成果，極大地推動(dòng)了在相關(guān)領(lǐng)域機(jī)器視覺(jué)技術(shù)的研究及其發(fā)展。

20 世紀(jì)80 年代以后，全球開(kāi)始了機(jī)器視覺(jué)技術(shù)的研究熱潮，有關(guān)機(jī)器視覺(jué)技術(shù)的研究和算法[14]水平得到了很大的提高，機(jī)器視覺(jué)技術(shù)進(jìn)入了全新的發(fā)展階段。20 世紀(jì)90 年代機(jī)器視覺(jué)技術(shù)的相關(guān)算法[15]開(kāi)始成了研究熱點(diǎn)，如Zhang Z Y[16]于20 世紀(jì)末提出了一種新的標(biāo)定方法，與經(jīng)典技術(shù)方法相比，所提出的技術(shù)更易于使用且靈活，該方法的提出將3D 計(jì)算機(jī)視覺(jué)從實(shí)驗(yàn)室環(huán)境推進(jìn)到現(xiàn)實(shí)世界；21 世紀(jì)初期，Lowe D C[17-18]提出了一種從圖像中提取獨(dú)特不變特征的方法，該方法可用于在物體或場(chǎng)景的不同視圖之間進(jìn)行可靠的匹配。該方法在機(jī)器視覺(jué)、三維重建等領(lǐng)域得到了廣泛應(yīng)用；Hinton C E 等[19]在2006 年開(kāi)啟了以深度學(xué)習(xí)為核心的機(jī)器視覺(jué)技術(shù)的發(fā)展；2020 年Ren Z H 等[20]詳述了深度學(xué)習(xí)在缺陷檢測(cè)上的應(yīng)用，介紹了機(jī)器視覺(jué)在缺陷檢測(cè)上的可行性；Belan P A[21]等在2020 年提出了一種軟硬件組成的質(zhì)量檢測(cè)的機(jī)器視覺(jué)系統(tǒng)（machine vision studio，MVS），該軟件是根據(jù)提出的分割、分類(lèi)和缺陷檢測(cè)方法構(gòu)建的，硬件由使用低成本機(jī)電材料開(kāi)發(fā)的設(shè)備組成。并通過(guò)實(shí)驗(yàn)證明了MVS 的魯棒性和可行性。

1.3 視覺(jué)技術(shù)和人工智能

機(jī)器視覺(jué)技術(shù)是實(shí)現(xiàn)人工智能的重要途徑之一，在人工智能里融合機(jī)器視覺(jué)技術(shù)可以代替人類(lèi)進(jìn)行目視檢查[22]和缺陷檢測(cè)[23-24]、定位[25]和測(cè)量零件[26]，以及對(duì)產(chǎn)品進(jìn)行識(shí)別[27-28]、分類(lèi)[29]和追蹤[23-31]等，如今機(jī)器視覺(jué)已經(jīng)成為取代人工視覺(jué)檢測(cè)的有效途徑。

機(jī)器視覺(jué)技術(shù)是人工智能的核心領(lǐng)域之一，從某種程度上說(shuō)機(jī)器視覺(jué)的飛速發(fā)展也極大推動(dòng)了人工智能的發(fā)展。機(jī)器視覺(jué)技術(shù)與人工智能以及其他領(lǐng)域的關(guān)系如圖2 所示。

圖2 機(jī)器視覺(jué)技術(shù)與其他領(lǐng)域的關(guān)系

在人工智能時(shí)代的大背景下，機(jī)器視覺(jué)技術(shù)與很多的領(lǐng)域都有著極其密切聯(lián)系，屬于一種交叉學(xué)科。其中與人工智能的關(guān)系又最為密切，機(jī)器視覺(jué)技術(shù)的發(fā)展使我國(guó)工業(yè)生產(chǎn)的自動(dòng)化程度和精度得到了極大的提升，同時(shí)基于機(jī)器視覺(jué)的人工智能也大規(guī)模應(yīng)用于商用，例如自動(dòng)駕駛[32-34]、AlphaGo[35-36]、消費(fèi)電子[37]，以及食品包裝[38]等。未來(lái)，機(jī)器視覺(jué)會(huì)有更廣闊的發(fā)展空間，基于機(jī)器視覺(jué)技術(shù)的產(chǎn)品將會(huì)應(yīng)用到眾多領(lǐng)域。

2 分揀檢測(cè)系統(tǒng)

2.1 分揀檢測(cè)系統(tǒng)的組成

典型的視覺(jué)鑄件分揀檢測(cè)系統(tǒng)主要由光學(xué)照明、圖像采集、圖像處理與缺陷檢測(cè)3 個(gè)模塊組成，良好的照明條件是圖像采集獲得高質(zhì)量圖像的先決條件，因此一個(gè)好的照明條件對(duì)分揀檢測(cè)平臺(tái)尤其重要。圖像采集的主要目的是對(duì)圖像進(jìn)行特征提取，從而對(duì)其進(jìn)行分類(lèi)、定位和分割等一系列操作。圖像的處理與分析是機(jī)器視覺(jué)中的一項(xiàng)關(guān)鍵技術(shù)[39]。計(jì)算機(jī)通過(guò)對(duì)圖像的處理和分析，可以自動(dòng)理解、分析、判斷圖像特征，進(jìn)而控制自動(dòng)生產(chǎn)線的執(zhí)行機(jī)構(gòu)，使機(jī)器能夠自發(fā)完成對(duì)產(chǎn)品的分揀檢測(cè)工作。

2.2 分揀檢測(cè)系統(tǒng)的關(guān)鍵技術(shù)

2.2.1 圖像處理和分析技術(shù)

圖像是機(jī)器視覺(jué)的信息載體。圖像處理和分析是視覺(jué)檢測(cè)系統(tǒng)中自動(dòng)理解硬件獲取的圖像的關(guān)鍵技術(shù)。

圖像處理有著悠久的發(fā)展歷史。數(shù)字圖像處理技術(shù)[40]起源于20 世紀(jì)20 年代，第一張圖像成功地通過(guò)數(shù)字壓縮技術(shù)從倫敦通過(guò)海底電纜傳輸?shù)郊~約。在早期，通過(guò)原語(yǔ)濾波方法可以實(shí)現(xiàn)簡(jiǎn)單的缺陷檢測(cè)，并在早期工業(yè)生產(chǎn)中得到了應(yīng)用[41]。隨后Hara Y 等[42]人提出了一種算法，將待檢測(cè)圖案的局部特征與參考圖案的局部特征進(jìn)行比較，并應(yīng)用于PCB 自動(dòng)檢測(cè)系統(tǒng)。

而對(duì)于鑄件分揀檢測(cè)其檢測(cè)任務(wù)主要是看鑄件是否存在缺陷，然后進(jìn)行分揀任務(wù)，其缺陷檢測(cè)任務(wù)主要有3 類(lèi)：分類(lèi)、定位和分割。因此需要圖像處理來(lái)提取足夠的特征來(lái)理解缺陷信息。

在對(duì)圖像處理之前首先要對(duì)進(jìn)行圖像預(yù)處理，其目的是讓機(jī)器更好地理解圖像，為下一步的圖像分析做準(zhǔn)備。圖像預(yù)處理的原理是消除不相關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)圖像的可檢測(cè)性。圖像預(yù)處理一般包括空間域方法和頻域方法[43]。

空域增強(qiáng)方法可以表示為

式中：f(x,y) 表示增強(qiáng)前的圖像；g(x,y)表示增強(qiáng)后的圖像；T表示增強(qiáng)操作。

頻域增強(qiáng)的原理十分簡(jiǎn)單，其應(yīng)用的重點(diǎn)問(wèn)題在于濾波半徑閾值如何選取。濾波數(shù)學(xué)表達(dá)式：

式中：G(μ,ν)、H(μ,ν)、F(μ,ν)分別是g(x,y)、h(x,y)、f(x,y)的傅里葉變換。

2.2.2 圖像捕捉關(guān)鍵技術(shù)

機(jī)器視覺(jué)系統(tǒng)的標(biāo)定其實(shí)是獲取攝像機(jī)坐標(biāo)系與機(jī)器人坐標(biāo)系之間轉(zhuǎn)換關(guān)系的過(guò)程，相機(jī)成像的系統(tǒng)中，共包含4 個(gè)坐標(biāo)系[44]：世界坐標(biāo)系、相機(jī)坐標(biāo)系、圖像坐標(biāo)系和像素坐標(biāo)系。關(guān)系如圖3 所示。

圖3 坐標(biāo)關(guān)系圖

圖像捕捉的核心是攝像頭標(biāo)定技術(shù)，因此在標(biāo)定機(jī)器人視覺(jué)系統(tǒng)之前，首先要對(duì)攝像機(jī)進(jìn)行標(biāo)定。攝像機(jī)鏡頭存在的徑向畸變、切心畸變和薄棱鏡畸變等不同程度的畸變?nèi)菀讓?dǎo)致捕捉的圖像產(chǎn)生幾何失真問(wèn)題[45]，其中徑向畸變大小取決于透鏡形狀，切向畸變來(lái)自攝像機(jī)的組裝過(guò)程，對(duì)于大多數(shù)透鏡來(lái)說(shuō)，徑向分量是主要的是影響圖像精度的主要原因。Hartley R[46]根據(jù)空間直線投影到圖像上依然是直線的原理提出了一種無(wú)參數(shù)校正透鏡畸變的方法，Dailey M N[47]提出了一種基于鉛垂線方法的徑向畸變矯正方法，通過(guò)比較了不同的圓擬合方法如何有助于準(zhǔn)確的失真參數(shù)估計(jì)的統(tǒng)計(jì)分析對(duì)各種各樣具有挑戰(zhàn)性的真實(shí)圖像提供定性結(jié)果。Alvarez L[48-49]提出了一種基于圖像中直線校正的透鏡畸變參數(shù)估計(jì)的代數(shù)方法。通過(guò)在多個(gè)變量中最小化一個(gè)四次多項(xiàng)式，得到了透鏡畸變參數(shù)。

標(biāo)定以后就可以進(jìn)行目標(biāo)識(shí)別與定位，目標(biāo)識(shí)別與定位是一種常見(jiàn)的機(jī)器視覺(jué)技術(shù)，目標(biāo)識(shí)別和定位的精度直接決定分揀系統(tǒng)的效率與精度。呂繼東等[50]采用經(jīng)過(guò)加速優(yōu)化改進(jìn)的去均值歸-化積相關(guān)模板匹配算法來(lái)跟蹤識(shí)別圖像的目標(biāo)果實(shí)，將目標(biāo)識(shí)別時(shí)間從1.15 s 減少到0.74 s。Tan S H 和Lam C K 等[51]使用Canny 邊緣檢測(cè)方法對(duì)蘋(píng)果、檸檬和芒果3 種水果的450 張圖像進(jìn)行邊緣特征提取，然后采用向量機(jī)分類(lèi)器根據(jù)提取的特征向量對(duì)水果進(jìn)行分類(lèi)識(shí)別，該系統(tǒng)使用SVM 模型對(duì)水果的識(shí)別精度達(dá)到86%準(zhǔn)確率，具有不錯(cuò)的分類(lèi)效果。Liu Q 等[52]將SURF 算子的準(zhǔn)確性和BRISK 算子的快速性相結(jié)合，得到一種快速準(zhǔn)確的匹配方法。利用SURF-BRISK 算法對(duì)目標(biāo)進(jìn)行圖像特征提取的初始匹配，然后對(duì)特征點(diǎn)進(jìn)行特征匹配的相似度測(cè)量。消除不匹配的點(diǎn)對(duì)，以實(shí)現(xiàn)目標(biāo)圖像的識(shí)別。

3 應(yīng)用現(xiàn)狀

機(jī)器視覺(jué)作為一種非接觸、無(wú)損的檢測(cè)手段可以代替人們完成分揀工作，如圖4 所示為基于機(jī)器視覺(jué)的分揀平臺(tái)，其可以減少人力要求，提高檢測(cè)效率和自動(dòng)化程度，同時(shí)相較于人眼機(jī)器視覺(jué)檢測(cè)技術(shù)具有更高的精度識(shí)別特性，因此機(jī)器視覺(jué)技術(shù)在缺陷檢測(cè)上也得到了很好的應(yīng)用，如圖5 所示為基于機(jī)器視覺(jué)的缺陷檢測(cè)系統(tǒng)，相較于人眼其檢測(cè)結(jié)果更加客觀，不會(huì)因視覺(jué)疲勞產(chǎn)生誤差，同時(shí)其識(shí)別精度得到提高，解決了微小缺陷的識(shí)別問(wèn)題。將工業(yè)生產(chǎn)與機(jī)器視覺(jué)結(jié)合可以很容易地實(shí)現(xiàn)信息集成、自動(dòng)化、智能化和精確控制，機(jī)器視覺(jué)作為一種測(cè)量和判斷技術(shù)在分揀檢測(cè)領(lǐng)域發(fā)揮著非常重要的作用。

圖4 分揀平臺(tái)

3.1 機(jī)器視覺(jué)在缺陷檢測(cè)上的應(yīng)用

機(jī)器視覺(jué)技術(shù)的發(fā)展提高了缺陷檢測(cè)的效率、質(zhì)量和可靠性。近年來(lái)由于基于機(jī)器視覺(jué)技術(shù)的發(fā)展，有關(guān)工業(yè)缺陷檢測(cè)技術(shù)的視覺(jué)檢測(cè)算法和技術(shù)也得到了不斷地改善和發(fā)展。其中Liu Z C 等[53]提出的基于機(jī)器視覺(jué)的PCB 缺陷在線檢測(cè)關(guān)鍵技術(shù)，他們通過(guò)數(shù)學(xué)形態(tài)學(xué)方法獲得的參考圖像用作系統(tǒng)的自檢模板。然后，引入圖像像差檢測(cè)算法，對(duì)PCB 缺陷圖像閾值進(jìn)行分割，去除多余點(diǎn)，標(biāo)記PCB 圖像缺陷識(shí)別結(jié)果，改進(jìn)視覺(jué)檢測(cè)算法，識(shí)別精度和檢測(cè)時(shí)間都有了明顯提高。Li D 等[54]提出的基于目標(biāo)檢測(cè)算法的木材缺陷檢測(cè)方法，該方法通過(guò)計(jì)算機(jī)視覺(jué)對(duì)YOLOX 目標(biāo)檢測(cè)算法的特征融合模塊進(jìn)行改進(jìn)，增加高效通道注意（ECA）機(jī)制，自適應(yīng)空間特征融合機(jī)制（ASFF），并改進(jìn)Focal loss 和Efficient Intersection over Union（EIoU）損失等置信損失和定位損失函數(shù)，提高了對(duì)橡膠木材的缺陷識(shí)別精度，與其他目標(biāo)檢測(cè)算法相比具有顯著優(yōu)勢(shì)。Lin J 等[55]針對(duì)X 射線檢測(cè)中鑄件缺陷的誤檢和漏檢問(wèn)題提出了一種基于視覺(jué)注意機(jī)制和特征圖深度學(xué)習(xí)的魯棒檢測(cè)方法。通過(guò)該方法鑄件缺陷檢測(cè)的誤檢率和漏檢率都得到了明顯改善。Zhou P等[56]通過(guò)分析BR 表面缺陷特點(diǎn)，設(shè)計(jì)了高效的全圖像獲取方案，開(kāi)發(fā)出了BRs 全表面檢測(cè)方法。通過(guò)該方法進(jìn)一步降低了良品誤檢率和不良品漏檢率。

3.2 機(jī)器視覺(jué)在分揀機(jī)器人上的應(yīng)用

機(jī)器視覺(jué)在工件分揀機(jī)器人早已得到應(yīng)用，研究機(jī)構(gòu)和企業(yè)推出了具有自主知識(shí)產(chǎn)權(quán)的工件分揀系統(tǒng)。美國(guó)普渡大學(xué)的Rahardja K[57]在分揀機(jī)器人上合作開(kāi)發(fā)出了一種視覺(jué)算法，該算法為機(jī)器人分揀操作提供了足夠的信息。日本FANUC 公司綜合了經(jīng)典和DRC 機(jī)器人位置控制系統(tǒng)，開(kāi)發(fā)出一種基于機(jī)器視覺(jué)的M-430iA 工業(yè)機(jī)器人[58]，該機(jī)器人最大負(fù)載為2 kg，每分鐘能夠完成120 次的分揀動(dòng)作，由于其負(fù)載較小，主要應(yīng)用于輕型物體的分揀工作。日本Epson 公司研發(fā)了一款基于機(jī)器視覺(jué)的工件分揀系統(tǒng)[59]，該分揀系統(tǒng)可對(duì)工件形狀及其位姿進(jìn)行識(shí)別，然后由機(jī)器人對(duì)其進(jìn)行分揀工作。我國(guó)深圳眾為興公司生產(chǎn)的4軸SCARA 分揀機(jī)器人[60]，其最大負(fù)載5 kg，在視覺(jué)系統(tǒng)的引導(dǎo)下，能夠分揀一些形狀規(guī)則的幾何工件。

目前隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，其技術(shù)逐漸成熟。Ning T 等[61]開(kāi)發(fā)了一種小型伸縮式分揀機(jī)器人，該機(jī)器人在機(jī)械臂中嵌入了RealSense 深度視覺(jué)伺服，大大提高了水果目標(biāo)識(shí)別、檢測(cè)等方面的協(xié)調(diào)對(duì)稱(chēng)性。Sadeghian R 等[62]設(shè)計(jì)了一種三峰自適應(yīng)末端執(zhí)行器機(jī)械手，通過(guò)與機(jī)器視覺(jué)技術(shù)的結(jié)合，該機(jī)械手可針對(duì)不同物體的尺寸和孔隙率實(shí)行自適應(yīng)夾取。Liu X 等[63]基于四自由度DOBOT 機(jī)器人構(gòu)建了具有視覺(jué)感知的分揀機(jī)器人，其提出的分揀機(jī)器人多目標(biāo)視覺(jué)識(shí)別定位方法可以對(duì)形狀復(fù)雜、位置隨機(jī)的多物體進(jìn)行識(shí)別定位使分揀機(jī)器人能夠自主進(jìn)行抓取和分揀任務(wù)。

4 結(jié)語(yǔ)

鑄件分揀檢測(cè)理論方面涉及機(jī)械學(xué)、人工智能、控制科學(xué)與工程、鑄造成形和圖像處理等諸多領(lǐng)域，隨著科技水平的不斷提高且對(duì)各個(gè)學(xué)科的研究不斷深入，機(jī)器視覺(jué)技術(shù)鑄件分揀檢測(cè)領(lǐng)域具有很大的發(fā)展?jié)摿Α１疚膹臋C(jī)器視覺(jué)的角度對(duì)分揀系統(tǒng)的組成和關(guān)鍵技術(shù)進(jìn)行了介紹，梳理了機(jī)器視覺(jué)在缺陷檢測(cè)以及分揀系統(tǒng)的應(yīng)用現(xiàn)狀，剖析了機(jī)器視覺(jué)未來(lái)在鑄件分揀檢測(cè)的發(fā)展方向。

由于機(jī)器視覺(jué)檢測(cè)在精度上具有的明顯優(yōu)勢(shì)，機(jī)器視覺(jué)在缺陷檢測(cè)上也展現(xiàn)出了良好的應(yīng)用前景。在未來(lái)基于機(jī)器視覺(jué)技術(shù)的鑄件分揀檢測(cè)平臺(tái)可識(shí)別分揀具有微小缺陷的鑄件，甚至可識(shí)別鑄件內(nèi)部是否存在缺陷，極大地提高了篩選過(guò)后的產(chǎn)品質(zhì)量。