基于視覺(jué)的小型沖壓件識(shí)別定位研究

盧 軍， 秦豆豆， 羅 昊

(陜西科技大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710021)

?

基于視覺(jué)的小型沖壓件識(shí)別定位研究

盧 軍， 秦豆豆， 羅 昊

(陜西科技大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710021)

結(jié)合機(jī)器視覺(jué)的優(yōu)越實(shí)時(shí)性，對(duì)雙半圓頭小型沖壓件的識(shí)別與定位進(jìn)行了研究.相機(jī)標(biāo)定遵循張正友標(biāo)定法，利用Visual studio2012的開(kāi)發(fā)平臺(tái)和OpenCV函數(shù)庫(kù)實(shí)現(xiàn).通過(guò)視覺(jué)系統(tǒng)采集圖像，分析對(duì)比各類(lèi)灰度和平滑的預(yù)處理方法的效果，確定雙邊濾波和閉開(kāi)運(yùn)算的方法.基于輪廓查找和旋轉(zhuǎn)卡殼算法提取特征參數(shù)，基于幾何參數(shù)的識(shí)別算法識(shí)別工件類(lèi)型，由最小面積和最小外接矩得到中心坐標(biāo)和角度.實(shí)驗(yàn)結(jié)果表明，小片識(shí)別率為100%，外殼、重疊或側(cè)立的工件識(shí)別率為97%.該研究識(shí)別準(zhǔn)確率高，定位精確，自動(dòng)化和柔性化程度較高，滿足裝配作業(yè)的實(shí)際工程要求.

機(jī)器視覺(jué)； 相機(jī)標(biāo)定； 圖像處理； 識(shí)別與定位

0 引言

工業(yè)生產(chǎn)逐漸向柔性自動(dòng)化方向發(fā)展，工業(yè)機(jī)器人更多應(yīng)用于沖壓流水線的抓取作業(yè)中.工件識(shí)別的正誤和定位的精度將直接影響抓取的準(zhǔn)確度，機(jī)器視覺(jué)因其具有非接觸、定位柔性最好、采樣周期短、信息量大、成本低、穩(wěn)定性好、精度高、智能化、抗電磁輻射干擾能力強(qiáng)等優(yōu)勢(shì),已被廣泛應(yīng)用[1].

由于流水線作業(yè)環(huán)境復(fù)雜多變、工件工藝信息和位姿改變等偶然因素的影響，人工示教再現(xiàn)和離線編程將無(wú)法自適應(yīng)實(shí)際生產(chǎn).基于機(jī)器視覺(jué)的優(yōu)越實(shí)時(shí)性，將其用于工件的識(shí)別定位中，對(duì)實(shí)現(xiàn)工業(yè)自動(dòng)化和智能化具有重要的現(xiàn)實(shí)意義和研究?jī)r(jià)值.基于以上事實(shí)，本文以一種小型沖壓件為對(duì)象，研究了其特征識(shí)別和定位.具體的檢測(cè)過(guò)程為[2]：視覺(jué)系統(tǒng)由圖像的采集、處理和分析、輸出反饋組成，該系統(tǒng)對(duì)流水線作業(yè)的沖壓件進(jìn)行監(jiān)測(cè).首先搭建視覺(jué)平臺(tái)采集圖像；其次對(duì)圖像進(jìn)行點(diǎn)運(yùn)算、濾波、形態(tài)學(xué)等預(yù)處理；最后通過(guò)綜合邊緣檢測(cè)、分割、特征提取檢測(cè)等相關(guān)算法尋找出適合該工件的識(shí)別定位最佳的一套算法，并輸出特征參數(shù)，如圖1所示.

圖1 計(jì)算機(jī)視覺(jué)檢測(cè)過(guò)程

1 搭建視覺(jué)平臺(tái)

1.1 視覺(jué)系統(tǒng)操作平臺(tái)

本文所搭建的視覺(jué)系統(tǒng)操作平臺(tái)如圖2所示.該系統(tǒng)由相機(jī)、光源、圖像采集、計(jì)算機(jī)四大模塊組成.

圖2 視覺(jué)系統(tǒng)操作平臺(tái)

視覺(jué)系統(tǒng)中的相機(jī)采用德國(guó)巴斯勒Basler工業(yè)相機(jī)acA4600-10uc，采樣最高頻率可達(dá)60 Hz,水平/垂直分辨率為4 608像素×3 288像素，水平/垂直像素尺寸為1.4μm×1.4μm,幀速率為10 fps,像素位深為12 bits.光學(xué)鏡頭采用焦距為12 mm的定焦鏡頭，主要提供正上方打光的大角度光照，圖像采集選擇USB3.0接口的計(jì)算機(jī)方式.通過(guò)專(zhuān)用智能-機(jī)器視覺(jué)實(shí)驗(yàn)測(cè)試臺(tái)架，支撐適應(yīng)實(shí)驗(yàn)室的可操作環(huán)境，利用微調(diào)滑臺(tái)，固定不同的相機(jī)光源，可更好的實(shí)現(xiàn)相機(jī)和光源平移和旋轉(zhuǎn)，達(dá)到調(diào)整工作距離的功能.

1.2 相機(jī)標(biāo)定原理

在機(jī)器視覺(jué)領(lǐng)域，圖像采集存在的內(nèi)部結(jié)構(gòu)失衡、相機(jī)光學(xué)組件加工和裝配誤差等問(wèn)題，使相機(jī)標(biāo)定成為保證視覺(jué)系統(tǒng)精確性的先決條件.標(biāo)定技術(shù)是從二維圖像信息中提取三維信息的關(guān)鍵，目前相機(jī)標(biāo)定方法主要有4種：傳統(tǒng)標(biāo)定法、自標(biāo)定法、基于主動(dòng)視覺(jué)的標(biāo)定法、基于神經(jīng)網(wǎng)絡(luò)的標(biāo)定法；其中傳統(tǒng)標(biāo)定法的典型代表為張正友平面標(biāo)定法、DLT方法、考慮畸變補(bǔ)償?shù)腡sai經(jīng)典兩步法[3].為更好的消除圖像采集畸變的缺陷并校正圖像，研究采用魯棒性好且精度高的張正友標(biāo)定法為工件識(shí)別定位提供了重要保證.

張正友標(biāo)定法(基于2D平面標(biāo)靶的標(biāo)定法)，是一種介于傳統(tǒng)標(biāo)定法與自標(biāo)定法之間的基于移動(dòng)平面模板的相機(jī)標(biāo)定法[4].它考慮了鏡頭畸變的二階徑向畸變，同時(shí)引入徑向、切向畸變和薄棱鏡畸變的校正，其算法旨在將圖像像素灰度有階躍或屋頂變化的像素點(diǎn)作為特征點(diǎn)并獲取其坐標(biāo)，完成基于高斯-拉普拉斯算子的亞像素角點(diǎn)提取.該方法對(duì)應(yīng)的畸變模型為：

(1)

式(1)中：(x,y)為畸變點(diǎn)初始坐標(biāo)值；k1,k2,p1,p2為畸變系數(shù)；s1,s2為薄鏡畸變值；xjz,yjz為校正畸變點(diǎn)坐標(biāo)值.

在具體實(shí)踐中，忽略薄鏡畸變?cè)谝欢ǔ潭壬峡山档托〗嵌日`差進(jìn)而提高標(biāo)定的準(zhǔn)確性.本文采用張正友標(biāo)定法，可實(shí)現(xiàn)小視場(chǎng)微距環(huán)境下的視覺(jué)系統(tǒng)標(biāo)定.該方法具有低成本、易實(shí)現(xiàn)、高精度等優(yōu)勢(shì)，實(shí)現(xiàn)了節(jié)約開(kāi)發(fā)新算法的時(shí)間和推進(jìn)研究進(jìn)度和深度的功能.

1.3 張正友標(biāo)定法的實(shí)現(xiàn)

本文從標(biāo)定和算法流程闡述了張正友標(biāo)定法，結(jié)合Visual studio2012的操作環(huán)境和OpenCV函數(shù)庫(kù)，獲取相機(jī)的內(nèi)參數(shù)、畸變參數(shù)、偏移向量和旋轉(zhuǎn)向量，最終實(shí)現(xiàn)相機(jī)標(biāo)定機(jī)制.本文的主要標(biāo)定流程如下：

(1)制作標(biāo)準(zhǔn)的黑白棋盤(pán)格標(biāo)定模板及界面：標(biāo)定板設(shè)定為6×6方格，每個(gè)黑白格尺寸為8 mm×8 mm.借助HP LaserJet Pro M1136 MFP打印機(jī)打印棋盤(pán)圖像，并貼于平面保證所有點(diǎn)共面.

(2)基于Harris角點(diǎn)檢測(cè)算子的旋轉(zhuǎn)不變性，本文采用該算法檢測(cè)圖像的特征點(diǎn).

(3)采用acA4600-10uc相機(jī)，改變棋盤(pán)圖像的角度，分別拍攝角度均勻分布的25張棋盤(pán)模板；相機(jī)高度為255 mm，利用Harris角點(diǎn)檢測(cè)算法提取36個(gè)特征點(diǎn).

(4)根據(jù)詳細(xì)的計(jì)算公式獲取相機(jī)標(biāo)定的相應(yīng)參數(shù)結(jié)果，優(yōu)化參數(shù)模型并獲取更加精確的數(shù)據(jù).標(biāo)定模板及界面如圖3所示.

圖3 標(biāo)定模板及界面

算法主要流程如下[5]：

(1)目標(biāo)平面與圖像平面的單應(yīng)性矩陣估計(jì)，反映了兩幅圖像間旋轉(zhuǎn)、偏移等變換關(guān)系.

(2)相機(jī)標(biāo)定求取投影和攝影內(nèi)外參數(shù)，根據(jù)基本約束條件估計(jì)相機(jī)的內(nèi)外參數(shù).

(3)采用最小二乘法估計(jì)鏡頭的畸變系數(shù)，并對(duì)參數(shù)進(jìn)行優(yōu)化求解.常用的非線性最小二乘法有：高斯-牛頓法、最速下降法、阻尼最小二乘法(LM).

(4)極大似然法實(shí)現(xiàn)迭代優(yōu)化，實(shí)質(zhì)在于對(duì)未知參數(shù)進(jìn)行良好的估計(jì)，使似然函數(shù)取得最大值來(lái)提高估計(jì)精度，最終的標(biāo)定參數(shù)見(jiàn)表1所示.

表1 標(biāo)定參數(shù)

2 沖壓件圖像預(yù)處理

針對(duì)采集圖像因光照、外界環(huán)境的變化而受到光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、拍攝鏡頭的雜質(zhì)、光強(qiáng)、周?chē)鷼怏w介質(zhì)及電產(chǎn)品輻射等因素干擾的現(xiàn)狀，對(duì)圖像作預(yù)處理則顯得尤為重要.預(yù)處理主要作平滑和灰度化處理，達(dá)到濾噪、降噪、抑制背景、加強(qiáng)感興趣區(qū)域圖像特征的目的.

2.1 圖像灰度化

灰度化針對(duì)單像素操作，實(shí)現(xiàn)對(duì)比度和閾值處理，其常用方法有平均值法、最大值法、加權(quán)平均值法.本文采用加權(quán)平均值法，給予紅綠藍(lán)分量不同的權(quán)值[6]，由YUV顏色空間獲得最合理的灰度圖像的變換公式為：

R=G=B=0.299R+0.588 7G+0.114B

(2)

2.2 濾波處理

為進(jìn)一步降低各種干擾因素引入的隨機(jī)噪聲以改善圖像質(zhì)量并提高識(shí)別精度，特對(duì)圖像作濾波處理.濾波處理主要增強(qiáng)工業(yè)流水線環(huán)境下的視覺(jué)效果，突出感興趣的成分.本文采用方框?yàn)V波、均值濾波、高斯濾波、中值濾波、雙邊濾波等算法對(duì)圖像進(jìn)行增強(qiáng)處理.每種濾波算法分別在3×3、7×7、11×11、15×15鄰域卷積模板中進(jìn)行，選取效果最佳的一組模板作為結(jié)果樣本，其結(jié)果如圖4所示.

(a)原圖像 (b)方框?yàn)V波 (c)均值濾波

(d)高斯濾波 (e)中值濾波 (f)雙邊濾波圖4 各類(lèi)濾波方法的效果圖

分析對(duì)比圖4所示的各類(lèi)濾波方法可知：均值濾波是方框?yàn)V波歸一化的特殊情況；均值濾波在去噪的同時(shí)破壞了圖像的細(xì)節(jié)部分，也使圖像更加模糊；高斯濾波降噪的同時(shí)不能有效的保護(hù)圖像的邊緣和紋理信息；中值濾波雖很好的去噪但導(dǎo)致圖像信息丟失；采用雙邊濾波則對(duì)沖壓件圖像增強(qiáng)效果最佳.雙邊濾波是結(jié)合圖像的空間鄰近度和像素值相似度的一種折中處理，同時(shí)考慮空間域信息和灰度相似性，達(dá)到保留邊緣且去除噪聲的目的.為更加清晰的突出邊緣和細(xì)節(jié)，需通過(guò)拉普拉斯銳化進(jìn)行邊緣增強(qiáng)處理.采用451、891等模板實(shí)驗(yàn)，最終確定邊緣特征最佳的卷積模板.

2.3 圖像二值化

借助MATLAB軟件體現(xiàn)統(tǒng)計(jì)特性，采用imhist(I)函數(shù)繪制直方圖，[counts,x]=imhist(…)函數(shù)繪制圖5所示的歸一化灰度直方圖.

圖5 歸一化灰度直方圖

由圖5可知：背景分布區(qū)域在0～100，沖壓件的灰度分布區(qū)域在100～250，需進(jìn)行閾值分割.為得到合理閾值，本文提出了一種閾值分割算法.該算法基于顏色閾值，通過(guò)對(duì)沖壓件圖像三原色通道進(jìn)行分割，獲得初閾值；其次對(duì)顏色閾值處理的灰度圖進(jìn)行Otsu算法分割，對(duì)比驗(yàn)證確定最佳閾值為140.Otsu法(最大類(lèi)間方差法)作為經(jīng)典的全局、非參數(shù)、無(wú)監(jiān)督自適應(yīng)閾值法，可明顯的降低錯(cuò)分概率[7].閾值處理的結(jié)果如圖6所示.

(a)基于顏色閾值灰度圖 (b)Otsu自適應(yīng)閾值法圖6 閾值處理結(jié)果圖

2.4 形態(tài)學(xué)處理

經(jīng)過(guò)閾值分割后的圖像存在各種噪點(diǎn)，為提高后續(xù)的定位精度，需對(duì)圖像進(jìn)行去噪處理，從而精確的提取有效信息.形態(tài)學(xué)通過(guò)組合腐蝕、膨脹、開(kāi)運(yùn)算和閉運(yùn)算等算子實(shí)現(xiàn)圖像分割、圖像濾波、圖像增強(qiáng)和恢復(fù)、邊緣檢測(cè)、特征提取的功能[8].形態(tài)學(xué)特征閉開(kāi)運(yùn)算的處理結(jié)果如圖7所示.

圖7 閉開(kāi)運(yùn)算結(jié)果圖

圖像的閉運(yùn)算對(duì)目標(biāo)圖像采用先膨脹后腐蝕的方法進(jìn)行恢復(fù)，其可以消除沖壓件內(nèi)部黑色噪點(diǎn).圖像的開(kāi)運(yùn)算對(duì)目標(biāo)圖像采用先腐蝕后膨脹的方法進(jìn)行恢復(fù)，其消除外部白色噪點(diǎn).本文基于形態(tài)學(xué)特征基本運(yùn)算理論，利用先閉后開(kāi)的算法，解決了二值圖像中存在的白色目標(biāo)與黑色背景夾雜白色小區(qū)域和不規(guī)則孔洞的問(wèn)題.

3 沖壓件識(shí)別定位方法

3.1 幾何特征提取

為實(shí)現(xiàn)圖像匹配，獲取目標(biāo)區(qū)域的數(shù)據(jù)，需完成特征的提取.研究使用了多種邊緣檢測(cè)算法，相應(yīng)的算子為梯度算子、方向算子、拉普拉斯算子[9].綜合分析圖像特征發(fā)現(xiàn)：Roberts、Sobel、Prewitt算子存在沖壓件邊緣不連續(xù)而斷線的現(xiàn)象，其對(duì)噪聲較敏感且內(nèi)邊緣多.LOG、Canny算子檢測(cè)出的邊緣連續(xù)而噪聲小，結(jié)果較佳.

針對(duì)預(yù)處理后的二值圖像發(fā)現(xiàn)，存在將背景識(shí)別為沖壓件的情況.采用輪廓查找算法獲得輪廓序列集:A={C1，C2,C3,…,CI,…,CN},將幾何規(guī)則作為約束條件,經(jīng)過(guò)輪廓的識(shí)別和優(yōu)選確定沖壓件的輪廓[10].判斷規(guī)則為：距離圖像邊緣四周寬度小于20像素，靠近邊緣輪廓小于10像素的區(qū)域視為錯(cuò)誤識(shí)別而被排除的序列，即確定最終的輪廓序列集為：B={C1，C2,C3,…,CI}

獲取沖壓件輪廓的最小外接矩形，考慮到算法時(shí)間的復(fù)雜度，優(yōu)選高效的旋轉(zhuǎn)卡殼算法[11].算法實(shí)現(xiàn)流程：首先計(jì)算出沖壓件多邊形在x,y方向的四個(gè)極值點(diǎn)xmin,xmax,ymin,ymax；其次構(gòu)造四條切線決定卡殼集合，當(dāng)1或2條線與一條邊重合，計(jì)算此時(shí)矩形的面積記作最小值；緊接著順時(shí)針旋轉(zhuǎn)線直到1條線和多邊形的1條邊重合，構(gòu)造新的外接矩形并計(jì)算面積；最后循環(huán)重復(fù)構(gòu)造多個(gè)外接矩形，當(dāng)線旋轉(zhuǎn)過(guò)的角度大于90 °即為外接矩形的最小面積.針對(duì)沖壓件的特征設(shè)定不同的面積閾值，得到如圖8所示的最小外接矩形面積.

圖8 沖壓件最小外接矩形

3.2 特征識(shí)別定位

機(jī)器視覺(jué)識(shí)別算法包括基于顏色空間、基于特征提取、基于幾何參數(shù)[12].關(guān)于顏色空間，選擇RGB、HIS、YUV(YCrCb)，調(diào)試發(fā)現(xiàn)：RGB顏色空間中B、2R、2B-G-R組合效果最優(yōu);HIS顏色空間中，H分割效果最優(yōu)，沖壓件和背景可明顯區(qū)分；YUV(YCrCb)顏色空間中色度分量Cr效果最優(yōu)，適合分割.進(jìn)一步分析三類(lèi)顏色空間的最優(yōu)方法可知:Cr色度綜合效果最佳，2B-G-R組合效果次之，H分量較差.

對(duì)比分析沖壓件的特征后采用基于幾何參數(shù)的識(shí)別算法，一般的特征參數(shù)為面積、周長(zhǎng)、質(zhì)心、球形度、矩形度、圓形度、矩形等.本文主要根據(jù)工件的背景面積和長(zhǎng)寬比完成識(shí)別.

沖壓件識(shí)別定位的特征有尺寸大小、基于水平方向的角度(<90 °)、中心坐標(biāo).通過(guò)最小外接矩形長(zhǎng)寬比(LW)和面積(S)識(shí)別規(guī)則如下：

2.15

2.7

1.032 &&S<280mm2;側(cè)立或重疊.

基于上述識(shí)別算法，計(jì)算沖壓件的位姿，從而完成沖壓件的定位.對(duì)二值圖像而言，質(zhì)量分布均勻而使質(zhì)心與中心重合[13].對(duì)M×N大小的數(shù)字圖像f(x,y)，計(jì)算公式為：

(3)

根據(jù)最小面積確定中心坐標(biāo)，最小外接矩確定角度(最小外接矩形長(zhǎng)邊與水平方向的正向角度).為更清晰的區(qū)分各特征，前期實(shí)驗(yàn)采集的樣本圖像中同時(shí)包含小片、外殼、重疊或側(cè)立的特征.按照?qǐng)D8自下而上的順序得到的參數(shù)情況如表2所示.

表2 沖壓件識(shí)別定位參數(shù)

4 實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證上述方法及結(jié)果的可靠性和可行性，本文進(jìn)行以下實(shí)驗(yàn)：按照每幅圖像的特征數(shù)量進(jìn)行分組采集，主要分為5特征、6特征、7特征、8特征.每組采集25幅圖像，每幅圖像中的小片、外殼、重疊或側(cè)立三種特征隨機(jī)組合，滿足各組總特征數(shù)量即可.本實(shí)驗(yàn)在相相同條件下完成，共計(jì)100次.統(tǒng)計(jì)分析100次實(shí)驗(yàn)的結(jié)果如表3所示.

表3 實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果

實(shí)驗(yàn)以雙半圓頭小型沖壓件為研究對(duì)象，通過(guò) PD-151 數(shù)字型的游標(biāo)卡尺進(jìn)行理論測(cè)量，其誤差為±0.02 mm/±0.001″(<100 mm).采用多次測(cè)量取平均值的方法得到小片的理論面積為74.029 6 mm2，外殼的理論面積為134.646 2 mm2.實(shí)驗(yàn)所得的4組小片和外殼面積參數(shù)分布情況如圖9所示.

圖9 小片和外殼面積參數(shù)分布圖

實(shí)驗(yàn)數(shù)據(jù)表明：小片的識(shí)別率為100%，外殼、重疊或側(cè)立的識(shí)別率為97%，隨著各組特征數(shù)量的增加，識(shí)別率呈降低趨勢(shì).該識(shí)別率的降低原因在于外殼、重疊或側(cè)立兩種特征面積閾值差異較小，識(shí)別過(guò)程中存在模糊現(xiàn)象，使得兩種特征混淆.由圖9分析可知，小片的面積均勻分布在理論值上下，而外殼的面積在理論值周?chē)▌?dòng)較大，則小片的精確度較好，其實(shí)驗(yàn)數(shù)據(jù)更可靠.100次實(shí)驗(yàn)平均耗時(shí)為9.946 4 s，進(jìn)一步驗(yàn)證了本文識(shí)別定位方法的可行性，可廣泛應(yīng)用于沖壓工業(yè)流水線作業(yè).

5 結(jié)論

本文主要經(jīng)過(guò)張正友標(biāo)定法標(biāo)定，對(duì)沖壓件進(jìn)行適宜的預(yù)處理，優(yōu)選輪廓查找算法和基于幾何參數(shù)的識(shí)別算法研究了沖壓件的識(shí)別與定位，并獲得具體的特征參數(shù).大量實(shí)驗(yàn)數(shù)據(jù)說(shuō)明了該研究具有特征識(shí)別的準(zhǔn)確度高、機(jī)器視覺(jué)系統(tǒng)設(shè)置精度高、平均耗時(shí)滿足生產(chǎn)線的實(shí)時(shí)性等優(yōu)點(diǎn).算法魯棒性較好，為流水線的柔性和自動(dòng)化的發(fā)展奠定了良好的基礎(chǔ)，對(duì)其它機(jī)器視覺(jué)的研究也具有一定的借鑒和指導(dǎo)作用.

[1] 王 彥.基于視覺(jué)的機(jī)械手目標(biāo)識(shí)別及定位研究[D].西安：西安理工大學(xué)，2010.

[2] 區(qū)炳煜.基于機(jī)器視覺(jué)的鋸條缺陷檢測(cè)系統(tǒng)開(kāi)發(fā)[D].廣州：廣東工業(yè)大學(xué),2016.

[3] 林冬梅,張愛(ài)華,王 平,等.張氏標(biāo)定法在雙目視覺(jué)脈搏測(cè)量系統(tǒng)中的應(yīng)用[J].蘭州理工大學(xué)學(xué)報(bào),2016,42(2)：78-85.

[4] 田 苗,郝向陽(yáng),劉松林,等.基于點(diǎn)離散度的張正友標(biāo)定法[J].全球定位系統(tǒng)，2015，40(6)：86-88.

[5] 游 迪,楊世洪,趙汝進(jìn),等.高階徑向畸變對(duì)張正友平面標(biāo)定算法精度的影響[J].計(jì)算機(jī)與現(xiàn)代化，2016(8)：118-122.

[6] 左 飛.數(shù)字圖像處理原理與實(shí)踐:MATLAB版[M].北京：電子工業(yè)出版社，2014.

[7] 李亞碩,毛文華,胡小安,等.基于機(jī)器視覺(jué)識(shí)別雞冠顏色的病雞檢測(cè)方法[J].機(jī)器人技術(shù)與應(yīng)用，2014(5)：23-25.

[8] 黃博才,劉少君,黃道平.數(shù)控玻璃雕刻機(jī)上Mark點(diǎn)視覺(jué)定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].輕工機(jī)械，2012，30(4)：61-64.

[9] 李少華.基于機(jī)器視覺(jué)的甘藍(lán)識(shí)別及定位研究[D].重慶：西南大學(xué),2014.

[10] 葉伯生,杜寶森,唐小琦.基于幾何特征的快速位姿識(shí)別算法研究[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2014(12)：73-76.

[11] 朱 良.機(jī)器視覺(jué)在工業(yè)機(jī)器人抓取技術(shù)中的應(yīng)用[D].沈陽(yáng)：中國(guó)科學(xué)院研究生院計(jì)算技術(shù)研究所，2016.

[12] 張傳凱.基于機(jī)器視覺(jué)的LED芯片定位與檢測(cè)技術(shù)研究[D].西安：陜西科技大學(xué),2016.

[13] 查 英,劉鐵根,杜 東.圖像識(shí)別技術(shù)在零件裝配自動(dòng)識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程，2006，32(10)：178-179.

【責(zé)任編輯：蔣亞儒】

Research on recognition and location of small stamping parts based on machine vision

LU Jun, QIN Dou-dou , LUO Hao

(College of Mechanical and Electrical Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China)

Combining with superior real-time of machine vision,the recognition and location of small semi-circular stamping parts are studied.Camera calibration follows Zhang Zhengyou calibration method,using development platform of Visual studio 2012 and OpenCV function library to achieve.Acquiring images through the visual system,and comparing various types of gray and smooth pre-processing methods to determine the effect of bilateral filtering and open and close operation.Extracting feature parameters based on contour search and rotating block algorithm,identifying types based on geometric parameters ,and the center coordinates and angles are obtained by minimum area and minimum circumscribed torque.The experiment shows that recognition rate of the small slice is 100%,and recognition rate of the shell and overlap or side is 97%.The study identifies a high degree of accuracy,positioning accuracy,high automation and flexibility to meet the practical assembly requirements.

machine vision; camera calibration; image processing; identification and location

2017-04-09

陜西省科技廳自然科學(xué)基金項(xiàng)目(2016GY-049)

盧 軍(1961-)，男，陜西咸陽(yáng)人，教授，博士，研究方向:智能機(jī)器人技術(shù)、機(jī)器視覺(jué)與數(shù)字圖像處理

2096-398X(2017)04-0147-06

TP242.2

A