基于HALCON的汽車(chē)輪轂分類系統(tǒng)實(shí)驗(yàn)研究

武洪恩　孫艷艷

（山東科技大學(xué)機(jī)械電子工程學(xué)院，青島266590）

?

基于HALCON的汽車(chē)輪轂分類系統(tǒng)實(shí)驗(yàn)研究

武洪恩孫艷艷

（山東科技大學(xué)機(jī)械電子工程學(xué)院，青島266590）

摘要：機(jī)器視覺(jué)識(shí)別技術(shù)具有非接觸、效率高、精度高、在線實(shí)時(shí)、長(zhǎng)時(shí)間穩(wěn)定工作等優(yōu)點(diǎn)，對(duì)提高生產(chǎn)的柔性和自動(dòng)化有重要作用，是實(shí)現(xiàn)集成制造技術(shù)的基礎(chǔ)。在分析了機(jī)器視覺(jué)在現(xiàn)代生產(chǎn)中應(yīng)用的基礎(chǔ)上，對(duì)機(jī)器視覺(jué)識(shí)別技術(shù)在汽車(chē)輪轂成型生產(chǎn)線上的在線識(shí)別系統(tǒng)進(jìn)行研究。通過(guò)對(duì)輪轂圖像的獲取、圖像預(yù)處理、特征提取，應(yīng)用德國(guó)MVetc公司的機(jī)器視覺(jué)軟件Halcon來(lái)搭建整個(gè)視覺(jué)系統(tǒng),提出了一種利用模板匹配來(lái)實(shí)現(xiàn)輪轂分類的方法,并用基于圖像處理底層的Halocn函數(shù)實(shí)現(xiàn)改進(jìn)的識(shí)別算法。

關(guān)鍵詞：圖像預(yù)處理特征提取模板匹配

引言

汽車(chē)輪轂大都是鑄件，鑄造完成以后要進(jìn)行精加工，根據(jù)不同的類型選擇不同的加工路線、加工機(jī)床、道具等。原來(lái)在輪轂流水生產(chǎn)線上，需要工人用眼睛來(lái)區(qū)分不同類型的輪轂，對(duì)輪轂進(jìn)行分類。小批量生產(chǎn)時(shí)，工人是可以應(yīng)對(duì)的；在大批量工業(yè)生產(chǎn)中，用人工視覺(jué)檢查產(chǎn)品質(zhì)量效率低、精度不高。而機(jī)器視覺(jué)系統(tǒng)能夠提高生產(chǎn)的柔性和自動(dòng)化程度，可以在最快的生產(chǎn)線上對(duì)產(chǎn)品進(jìn)行測(cè)量、引導(dǎo)、檢測(cè)、和識(shí)別，并能保質(zhì)保量的完成生產(chǎn)任務(wù)［1］。因此，在輪轂生產(chǎn)線上引入機(jī)器視覺(jué)識(shí)別技術(shù)有很大的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。

1 圖像預(yù)處理

從輪轂流水生產(chǎn)線上直接獲取的圖像是受過(guò)噪聲污染的，且圖像一般不清晰，如果直接對(duì)其分類會(huì)造成錯(cuò)分類，因此在對(duì)圖像進(jìn)行分類時(shí)需要先對(duì)圖像進(jìn)行預(yù)處理。數(shù)字圖像處理是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)［2］。

1.1 圖像灰度化

通過(guò)CCD攝像機(jī)獲得的原始圖像是彩色圖像，直接對(duì)彩色圖像進(jìn)行處理，計(jì)算量非常大。實(shí)際上，灰度圖像的描述與彩色圖像一樣可以反映整幅圖像的整體和局部的色度和亮度等級(jí)的分布和特征。因此我們經(jīng)常要把彩色圖像轉(zhuǎn)變成8位的灰度值圖像然后進(jìn)行處理。一般對(duì)彩色圖像進(jìn)行灰度化的方法有：分量法、最大值法、平均值法、加權(quán)平均法，本文的灰度化采用加權(quán)平均法，通過(guò)調(diào)用算子rgb2gray（）實(shí)現(xiàn)圖像灰度化。

1.2 圖像去噪

現(xiàn)實(shí)中數(shù)字圖像在數(shù)字化和傳輸過(guò)程中常常會(huì)受到成像設(shè)備與外部環(huán)境噪聲干擾等的影響，會(huì)嚴(yán)重影響輪轂圖像的分割、特征提取的精度［3］。因此，消除輪轂圖像的噪聲在輪轂識(shí)別系統(tǒng)中是十分重要。常見(jiàn)的去噪方法有均值濾波、中值濾波。

（1）均值濾波。均值濾波也稱為線性濾波，其采用的主要方法為鄰域平均法。線性濾波的基本原理是用均值代替原圖像中的各個(gè)像素值,公式如下［4］：

其中:f（i,j）代表了圖像的平均像素值，gk（i,j）代表k點(diǎn)的像素值。

（2）中值濾波。它是一種常用的非線性平滑濾波器,其基本原理：把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)領(lǐng)域中各點(diǎn)值的中值代換。主要功能是讓周?chē)笏鼗叶戎档牟畋容^大的像素改取與周?chē)南袼刂到咏闹?從而可以消除孤立的噪聲點(diǎn)。

平均濾波與中值濾波都可以實(shí)現(xiàn)去噪的功能，但是均值濾波在去噪的同時(shí)會(huì)破壞圖像的細(xì)節(jié)，不利用輪轂的分類。中值濾波可以很好的實(shí)現(xiàn)去噪并能夠保護(hù)圖像的邊緣，更有利于基于模板匹配的輪轂分類［5］。

1.3 數(shù)學(xué)形態(tài)學(xué)處理

在獲取到的輪轂圖像中，有些可能會(huì)帶有毛刺，需要利用形態(tài)學(xué)的基本運(yùn)算，對(duì)圖像進(jìn)行觀察和處理，從而達(dá)到改善圖像質(zhì)量的目的。

（1）膨脹和腐蝕。膨脹是使圖像中的目標(biāo)“生長(zhǎng)”或“變粗”的操作。這種特殊的方法和變粗的程度由一種被稱為結(jié)構(gòu)元的形狀來(lái)控制。具體操作是：用一個(gè)結(jié)構(gòu)元素掃描圖像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1。

腐蝕是“收縮”或“細(xì)化”圖像中的物體。像膨脹一樣，收縮的方法和程度由結(jié)構(gòu)元控制。腐蝕的具體操作是：用一個(gè)結(jié)構(gòu)元素掃描圖像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0［6］。

（2）開(kāi)運(yùn)算與閉運(yùn)算。開(kāi)運(yùn)算在數(shù)學(xué)上是先腐蝕后膨脹的結(jié)果，其結(jié)果完全刪除了不能包含結(jié)構(gòu)元素的對(duì)象區(qū)域，平滑了對(duì)象的輪廓，斷開(kāi)了狹窄的連接，去掉了細(xì)小的突出部分。

閉運(yùn)算在數(shù)學(xué)上是先膨脹再腐蝕的結(jié)果，其結(jié)果也平滑對(duì)象的輪廓，但是與開(kāi)運(yùn)算不同的是，閉運(yùn)算一般會(huì)將狹窄的缺口連接起來(lái)形成細(xì)長(zhǎng)的彎口，并填充比結(jié)構(gòu)元素小的洞。

2 輪轂特征提取

在模板匹配的分類方法中輪轂的輪廓邊緣特征非常重要，輪轂特征提取就是把輪轂的邊緣提取出來(lái)。輪轂邊緣是通過(guò)邊緣檢測(cè)實(shí)現(xiàn)的。其通過(guò)檢測(cè)灰度級(jí)或者結(jié)構(gòu)具有突變的地方，表明一個(gè)區(qū)域的終結(jié)，也是另一個(gè)區(qū)域開(kāi)始的地方。這種不連續(xù)性稱為邊緣。常見(jiàn)的邊緣提取算子有以下幾類：

2.1 Sobel邊緣檢測(cè)算子

Sobel邊緣算子的原理：圖像中的每一個(gè)點(diǎn)分別與圖1中的兩個(gè)核做卷積。其中的一個(gè)核對(duì)垂直邊緣影響最大，另一個(gè)核對(duì)水平邊緣影響最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出，結(jié)果是一幅邊緣幅度圖像［7］。

圖1 Sobel算子的兩個(gè)核

2.2 Roberts邊緣檢測(cè)算子

Roberts邊緣算子是一種利用局部差分算子尋找邊緣的算子。公式如下：

其中f（x,y）是具有整數(shù)像素坐標(biāo)的輸入圖像。

2.3 Canny邊緣檢測(cè)算子

根據(jù)對(duì)信噪比與定位乘積進(jìn)行測(cè)度，得到最優(yōu)化逼近算子。有效地抑制噪聲，精確提取邊緣。

圖2

圖2（a）表示中值濾波后的圖像。（b）（c）（d）表示經(jīng)過(guò)Sobel、Robrets、Canny邊緣算子處理后的圖像。通過(guò)以上圖像比較后，選擇Canny邊緣檢測(cè)算子來(lái)提取輪轂邊緣。

3 輪轂分類方法

（1）統(tǒng)計(jì)模式識(shí)別。這類識(shí)別技術(shù)理論較為完善，方法也很多，通常較為有效，現(xiàn)在已形成一個(gè)完整的體系。主要有貝葉斯分類器、最近鄰分類器、投票分類器。

（2）支持向量機(jī)分類器。要解決輪轂識(shí)別方面的擴(kuò)充性問(wèn)題目前比較困難，還沒(méi)有成功的例子出現(xiàn)。支持向量機(jī)分類一般用于二分類。要把它用于多值分類，則需要組合多個(gè)SVM分類器，這樣的話不僅效率低，而且容易產(chǎn)生多義性和較大的誤差［8］。

（3）模板匹配。考慮到實(shí)際情況以及識(shí)別效率的問(wèn)題，本文采用模板匹配的分類方法。

4 輪轂識(shí)別

模板匹配是在圖像處理軟件HALCON下實(shí)現(xiàn)的。它是德國(guó)MVTEC公司的專業(yè)圖像處理軟件，已在世界范圍內(nèi)廣泛使用，它由一千多個(gè)各自獨(dú)立的函數(shù)。模板匹配正是利用了其中函數(shù)，對(duì)其進(jìn)行開(kāi)發(fā)，實(shí)現(xiàn)了輪轂分類。

基于HALCON的模板匹配方法主要有三種，分別是基于組件（或成分、元素）的匹配、基于灰度值的匹配和基于形狀的匹配［9］。根據(jù)鑄造輪轂的特殊性，選用基于形狀的匹配。形狀匹配過(guò)程包括確定ROI（圖像中用于匹配的區(qū)域）、獲取ROI、創(chuàng)建模板、匹配模板。

在輪轂圖像中，ROI就是整個(gè)輪轂，通過(guò)函數(shù)creat_shape_model（）來(lái)創(chuàng)建模板。這個(gè)函數(shù)包含很多參數(shù)，每個(gè)參數(shù)的設(shè)置與更改直接影響到創(chuàng)建模板的條件與后期匹配搜索的時(shí)間。

模板匹配是通過(guò)函數(shù)find_shape_model（）來(lái)匹配。這個(gè)函數(shù)同樣包含很多參數(shù)，每個(gè)參數(shù)的給定都要仔細(xì)推敲，根據(jù)實(shí)際情況而定。圖3是用一幅輪轂作為模板，對(duì)另外一個(gè)型號(hào)相同的輪轂進(jìn)行匹配得到的結(jié)果。匹配所用時(shí)間為7.68s。在匹配時(shí)用到的圖像都是比較清晰。實(shí)際中受到環(huán)境影響嚴(yán)重的圖像，可能會(huì)在匹配時(shí)間上有一定的延遲。

圖3 輪轂匹配結(jié)果

5 結(jié)束語(yǔ)

計(jì)算機(jī)視覺(jué)技術(shù)是成熟的非接觸式觀測(cè)方法，在許多行業(yè)和領(lǐng)域中都有成功的案例。本文對(duì)基于HALCON模板匹配的分類系統(tǒng)進(jìn)行了若干基礎(chǔ)性研究，取得了一定的成果。但是分類是在挑選出的比較清晰的輪轂圖像下進(jìn)行的，實(shí)際生產(chǎn)中從流水生產(chǎn)線獲取到的圖像未必都會(huì)如此清楚，所以該研究結(jié)果還存在一定的不足。在一定程度上使得輪轂流混流生產(chǎn)線的生產(chǎn)效率以及輪轂分類的準(zhǔn)確率得到了提高，對(duì)保證企業(yè)產(chǎn)品質(zhì)量有重大意義。

參考文獻(xiàn)

［1］阮秋奇譯.數(shù)字圖像處理［M］.清華大學(xué)出版社，2013.4:58-60.

［2］趙玉良，劉偉軍，劉永賢.汽車(chē)輪轂在線識(shí)別系統(tǒng)的研究,機(jī)械設(shè)計(jì)與制造［J］,2007,10.

［3］吳曉軍，鄒廣華.基于邊緣幾何特征的模板匹配算法.儀器儀表學(xué)報(bào)［J］,2013,07.

［4］楊光，王作斌，秦永左.基于模板匹配的輪型代碼自動(dòng)識(shí)別系統(tǒng)的研究，制造業(yè)自動(dòng)［J］,2011,07.

［5］陳兵旗等.visualc+十實(shí)用圖像處理專業(yè)教［M］,北京:清華大學(xué)出版社2004,164-186.

［6］鄭南寧.計(jì)算機(jī)視覺(jué)與模式識(shí)別［M},北京:國(guó)防工業(yè)出版社, 1998,3巧-323.

［7］E.Osuna,R.Freund,etal.AnimProvedtrainingalgorithmforsuP Portvectormahines,IEEEWorkshoPonNeuralNetworksandSignalProcessing,AllleliaIsland,（1997）:276-285.

［8］YuM.mY.D.MaPProaeh to KOreanlieense Platere Eognitionbasedonvertieal edgematehing.In:Proeeedingsof Intemational Confereneeon Systems,Man,and Cybernaeties,Nashville,2000,4:29752980

［9］JIANGXY,BUNKEH-SimPleandfasteomPutationofmoments,Pattern-Recognition,1991,24（8）:801-806.

［10］LiBC,ShenJ.FasteomPutationofmomentinvariant,Patternreeognition, 1991,24:807-813.

Experimental Study of Automobile Wheel Hub Classification System Based on HALCON

WU Hongen, SUN Yanyan
（College of mechanical and Electronic Engineering,Shandong University of Science and Technology,Qingdao 266590）

Abstract:Machine vision recognition technology has the advantages of non-contact, high efficiency, high precision, online real time and long time stable work, to improve the flexibility and automation of production has an important role, is to achieve integrated manufacturing technology based. Based on the analysis of the application of machine vision in modern production, the on-line identification system of the machine vision recognition technology in the automobile wheel hub forming production line is studied. Through the hub of image acquisition, image pre processing, feature extraction, application German company MVetc machine vision software Halcon to build the entire visual system, put forward a kind of using template matching to achieve hub classification method, and based on the bottom of the Halocn function improved recognition algorithm in image processing.

Key Words:image preprocessing, feature extraction, template matching