劉 剛，黃一鳴，陸雨婷，任興龍

（華中農業大學，湖北武漢 430070）

0 引言

在工業生產中，當前仍主要采用人工的方法進行機床上下物料的工作。由于機器人的重復定位精度很高（±0.5 mm左右），而人工操作存在錯誤率高等問題，因此機器人（手臂）代替人工可以大大提高準確率。但是，機器人并不知道自己需要從哪里抓取目標物體。現實情況中，螺母不可能是完全平放的，很多時候是層疊在一起的，這無疑加大了機器人進行視覺識別的難度。

本文從機器視覺系統出發，基于Kinect傳感器獲得的深度圖像，利用圖像處理技術與Python語言編程，實現了對復雜擺放情況下螺母中心位置的擬合，從而實現對螺母的定位。

1 深度圖像獲取

在桌面上有如圖1所示放置的螺母。采用Kinect傳感器獲得如圖2所示的深度圖。

圖1 實物圖

圖2 深度圖

2 視覺檢測方法

2.1 圖像預處理

為了增強圖像質量，提高擬合精度，需對傳感器獲得的深度圖像進行預處理。圖像的預處理包括插值填充、二值化和圖像平滑。通過編寫Python代碼實現了以上過程，經過圖像預處理后結果的如圖3所示。插值填充的目的是為了去除圖像中的噪聲；二值化處理的目的是為了分割圖像中的螺母與背景環境；圖像平滑的目的是為了提高圖像質量。

2.2 基于Canny算法的邊緣檢測

為了有效去除背景等因素的影響，采用Canny邊緣檢測的方法對二值化之后的圖像進行邊緣檢測。

圖3 圖像預處理結果

圖4 邊緣檢測結果

Canny邊緣檢測的最優性與以下因素有關[1-3]：

（1）高信噪比，即在進行邊緣判斷時的準確率高；

（2）定位準確，即檢測出的邊緣點要盡可能在實際邊緣的中心；

（3）對單一邊緣具有唯一一個像素響應。處理結果如圖4所示。

2.3 類圓分割方法

螺母為類圓圖像，因此在螺母的圖像中，經常會出現類圓螺母粘連和重疊的現象，為了更準確的統計類圓螺母的數量，首先需要將類圓目標分割成單獨螺母[4]。本文應用基于凹點的分割方法，對粘連的類圓螺母進行分割。

本文提出的凹點判斷原理[5]：在圓域邊緣上取3點C1，C2和A，其中A處于C1，C2之間，連接以上三點構成三角形，如圖5所示。

取連線的中點為D，根據D點左邊對應像素的灰度值來判斷D是否在層疊的目標螺母上。

在進行判定時，有兩種情況，一種情況是D在邊緣內側，則D∈O1O2，則直線AD上面所有的點都在圓域內，；另一種情況是D不在邊緣內側，則若直線AD上除A點以外的點不在邊際圓域內，則邊緣形成凹陷，點A為凹點。

將n個相鄰凹點集聚在一起構成的群稱為凹點群，當僅存在著唯一凹點，即當n=1時，稱凹點群為獨立凹點群。

設凹點深度d為邊緣特征點xi與線段xi-1、xi+1之間的直線距離p稱為凹點深度，其中xi-1、xi+1分別為點xi的鄰繼特征點。

借助輪廓圖，建立一個數組S用于存放凹點對應的邊緣特征點序號，同時將這些凹點分為孤立的凹點群以便于找出分割點。在搜索分割點的過程中，將每個凹點群中的凹點深度與閾值Y進行比較，如果某一凹點的深度值超過了閾值Y，則視這一凹點為備選分割凹點。當凹點群中有且僅有唯一備選分割凹點時，則認為該點就是分割凹點；對于另一種情況，即當凹點群中的備選分割凹點有多個時，需要依據N點方向編碼差法[6]減去非凹點。處理結果如圖6所示。

圖5 凹點搜索原理

圖6 類圓分割結果

3 螺母定位

3.1 基于OpenCV改進的Hough變換

經過以上的處理，可以認為螺母邊緣實際上已經弱化接近為一個圓。因此，擬合螺母的中心位置的問題可以轉化為尋找圓心的問題。Hough變換是目前應用較為廣泛的圓檢測方法，很多情況下，一些干擾或其他事物的遮蓋會引起目標區域邊界的間斷，對于這些情況，Hough變換具有很好的容錯性和魯棒性[6]。

由于圖像出現了邊緣被干擾的情況，因此選擇Hough變換以實現較好的擬合效果。

但是，由于其自身的原理，Hough變換也存在著一些不足。比如，在進行運算時，Hough變換往往要進行全局的累加運算，會導致計算量急劇上升從而耗費大量的存儲空間，同時所用時間也會隨之增加。事實上，通過Kinect傳感器獲得的圖像往往受到外界噪聲的干擾，這會造成傳統Hough變換在進行參數空間的搜索時性能急劇下降。

為了克服Hough變換的這一不足，利用OpenCV對Hough變換進行了改進。改進之后的算法不僅對噪聲敏感度低，而且在檢測圓心時速度大大增加。

改進Hough算法尋找圓心的基本步驟如下。

（1）利用遍歷法找到滿足以下條件的像素點不是邊緣點：對相鄰的像素點分別進行向左和向右搜索，分別找到兩邊的第一個相鄰的邊緣像素點，記為rwp(右 )和lwq(左 ) ；pwj-lwq=rwp-owj。

（2）對滿足上一步驟條件的owj，采用改進后的Hough變換在一維的空間中進行累加計數。

（3）在參數空間中，通過步驟(2)累加計數的最大值所對應的owj即為圓心對應的橫坐標c=owj。

同理，可以求出圓心的縱坐標，這樣就可以得到圓心坐標（c，d）。

根據以上步驟求得的圓心坐標（c，d），將邊際像素點代入(x-c)2+(x-d)2=r2（圓的方程），可得出一個備選半徑，然后在單維空間中再利用經過OpenCV改進后的Hough變換對備選半徑進行累加計算。最后，依據的計數值是否滿足構成圓所允許的最小點數來確定圓，得到如圖7所示的圖像。

圖7 改進Hough變換結果

圖8 邊緣曲率處理結果

3.2 邊緣曲率的重疊螺母分割方法

通過先得出的四個類圓環，可以得到其他三個重疊類圓環的邊緣曲率范圍。由于螺母相互重疊的區域在彼此交界處，邊緣點曲率會發生突變，利用這一特征可以實現重疊區域邊緣的分割[7]。

式（2）中，x1、y1為前采樣點的坐標，x2、y2為后采樣點坐標。θ是兩相鄰采樣點連線與x軸夾角。

式（3）中，v代表采樣間隔，θ1是當前點到前一點連線與x軸夾角，θ2是后一點到當前點連線與x軸夾角，C為當前采樣點曲率。

式（4）中，x，y表示圓上點坐標，b，c，d表示方程系數。

由于各邊緣點未必都恰好在同一圓上，這些邊緣點有可能處在不同的圓上，邊緣點處在不同的圓上時情形與處在同一圓上有巨大的差距。因此，不能確保所有邊緣點的E值都恰好等于0。各點與回歸圓（即擬合出的圓）上相應點的偏差為

式（5）中，xi、yi表示輪廓邊緣點坐標。

用最小二乘原理，使各點偏差平方和最小，進而求得圓的回歸方程，擬合出螺母邊緣圓，擬合出的圓為回歸圓。將回歸圓疊加到原圖上，如圖8所示。

4 結束語

本文采用OpenCV改進的Hough算法進行螺母中心位置的確定。改進后的Hough算法不僅具有很好的魯棒性和容錯性，而且在檢測圓心時速度大大增加。結果證明，本文所用方法不僅在圓邊界輕微間斷的情況下表現出了很好的擬合效果，而且當實物在空間中重疊導致圖像中實物部分遮蓋時也同樣表現出了很好的擬合效果。因此，在螺母定位時能夠實現很好的效果。

參考文獻：

［1］蔡健榮，周小軍，李玉良，等.基于機器視覺自然場景下成熟柑橘識別［J］.農業工程學報，2008，24（01）：175-178.

［2］王植，賀賽先.一種基于Canny理論的自適應邊緣檢測方法［J］.中國圖像圖形學報，2004，9（08）：957-962.

［3］王會江.結合Canny算法和Hough變換的軸類零件邊緣提取［J］.機電工程技術，2016（9）：27-30.

［4］陳健，廖唯.機器視覺概況及其在軸系部件測量中的應用［J］.現代機械，2011（03）：24-26.

［5］蘇威.基于機器視覺的重疊類圓顆粒計數系統［D］.鎮江：江蘇大學，2009.

［6］謝忠紅，姬長英，郭小清，等.基于凹點搜索的重疊果實定位檢測算法研究［J］.農業機械學報，2011，42（12）：191-196.

［7］尚璐，李銳，宋信玉.改進的Hough變換圓檢測算法［J］.電子設計工程，2011，19（14）：168-171.