面向珍珠分揀機器人的形狀視覺檢測方法

魏 哲，王 盼

(西安工程大學，陜西 西安 710048)

0 引言

珍珠作為自然產物，其形狀不可能完全一致，作為飾品的珍珠對形狀要求很高，需要按不同等級進行分選。現有的珍珠形狀分選主要以人工為主，依靠肉眼或手工測量，勞動強度大、分選精度不穩定。隨著機器人技術、機器視覺技術的飛速發展，具有視覺感知的機器人越來越多地取代人工應用到各個領域中。王毓綜等[1]對國內珍珠形狀自動分級的技術現狀進行分析，提出了基于機器視覺為主導的未來在線實時檢測的解決方案；鄭春煌等[2]采用特殊的照明方式對珍珠圖像進行采集，在極坐標下獲取珍珠長短徑，通過直徑差對珍珠形狀大小進行檢測；李革等[3]通過珍珠圖像的坐標轉換，采用模糊識別方法對多視圖珍珠圖像特征判斷珍珠形狀并分類；李益紅等[4]設計邊緣鏈碼相似性算法，計算4個象限中邊緣鏈碼之間的相似度判定珍珠形狀的勻稱性；王雪奎等[5]采用數字圖像技術對黏性土顆粒在長徑比、圓度及粗糙度等參數進行分析；鄧翔宇等[6]針對交通標識的分類，通過顏色特征分割，提出了基于邊緣走勢統計特征算法，實現快速識別交通標識；郗厚印等[7]根據采摘機器人自動抓取果實的要求，設計了自然環境下的對重疊的番茄進行分割、識別及定位，實現對果實的定位；張青等[8]針對草莓分級精度不高的問題，利用草莓圖像信息提取周長、面積參數，通過多元線性回歸分析建立重量分級模型，通過支持向量機建立形狀分級模型，對草莓進行有效分級；李蓉娟[9]為了提高作業目標的抓取精度，設計了基于目標形狀特征的識別定位方法，有效識別、抓取作業目標；許偉棟等[10]利用機器視覺獲取馬鈴薯圖像，通過PCA-SVM算法提取馬鈴薯特征向量，在SVM模型中進行分類，提高分級精度；王紅軍等[11]對馬鈴薯圖像進行多個特征參數的提取，通過多元數據回歸分析，建立質量和形狀分級預測模型，實現基于圖像信息的馬鈴薯自動分級。

針對人工進行珍珠形狀分選勞動強度大、效率低及分選精度不穩定等問題，提出面向珍珠分揀機器人的形狀視覺檢測方法。通過機器視覺獲取珍珠圖像信息，在珍珠圖像預處理基礎上，采用分水嶺算法進行珍珠圖像的分割計算珍珠輪廓及質心位置，建立基于圖像信息的珍珠形狀參數模型，對珍珠形狀進行量化表征。

1 珍珠分揀機器人系統

本文構建如圖1a所示的基于機器視覺的珍珠分選機器人系統，由分辨率為2 448×2 048工業相機、25 mm光學鏡頭及照度為40 000 lx面光源構成了珍珠圖像獲取的機器視覺系統；珍珠分選的執行機構為4自由度機械臂，末端執行器為氣動吸盤；計算機為上位機，可對獲取的珍珠圖像進行預處理、珍珠圖像分割及珍珠形狀的計算與等級分類。

由于珍珠表面存在紋理、光澤，當光源直接照射珍珠表面時會產生反射導致成像質量下降，因此本文設計的珍珠分選機器人系統采用了背光成像方式，獲取珍珠圖像如圖1b所示，珍珠邊緣輪廓清晰，消除了珍珠表面紋理、光澤的干擾。

2 基于分水嶺算法的相互接觸珍珠的分割

2.1 珍珠圖像預處理

獲取的珍珠圖像背景灰度分布不均導致對比度低，因此，采用同態濾波算法壓縮亮度范圍和增強對比度來改善珍珠圖像的質量，結果如圖1b所示，珍珠區域與背景對比度增強。然后通過最大類間方差法對珍珠灰度圖像進行二值化處理[12]，結果如圖1b所示，珍珠區域與背景區域完全開。但是珍珠圖像中存在相互接觸的珍珠，將影響到珍珠形狀輪廓的提取，必須將相互接觸的珍珠進行分割處理成單獨的區域。

2.2 分水嶺算法原理

分水嶺算法原理如圖2所示，將圖像表示為測地學上的拓撲地貌，圖像中每一點像素值表示該點的海拔高度，每一個局部極小值及其影響區域稱為積水盆地，而積水盆地的邊界則形成分水嶺。在刺穿每一個局部極小值表面，再將整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在2個積水盆匯合處構筑大壩，即形成了分水嶺[13]，將積水盆地分開，實現了對圖像的分割。

圖2 分水嶺算法原理

2.3 基于分水嶺算法的接觸珍珠的分割

由于珍珠為類圓形狀，本文設計圓形結構元素對珍珠圖像進行形態學梯度運算，其表達式為

gradf=[(f⊕g)-(f?g)]

(1)

gradf為梯度值；f為珍珠分割圖；g為圓形結構元素；?為膨脹運算；?為腐蝕運算。

2.4 分水嶺與積水盆的構建

由分水嶺算法的原理可知，水是由各積水盆底逐漸向分水嶺上蔓延，由被珍珠各區域內部逐漸向接觸區域的邊緣遞推，通過形態學梯度計算得到了接觸珍珠與獨立珍珠的邊緣輪廓，該輪廓為理想的分水嶺邊界。為實現接觸珍珠的分割，要將各珍珠區域的盆底之間進行分離，且不與分水嶺邊界粘連，并為整個區域的低值區。因此，設定本文中的珍珠二值圖為B，Bij為第i行第j列的像素值，圖像中珍珠區域的像素點構成了前景，其集合為Z={(i,j)|Bij=1}；像素值為0的像素點構成背景，其集合為G={(i,j)|Bij=0}。對珍珠圖像進行距離變換來確定珍珠區域低值區。珍珠圖像B中各像素點之間最小距離的表達式為

Dij=min{Dist[(i,j),(x,y)],(x,y)∈Z}

(2)

Dist為距離度量函數；x為珍珠輪廓點的橫坐標；y為珍珠輪廓點的縱坐標。

由于珍珠為類圓形，其質心到最近的輪廓點的距離最大，近似為珍珠半徑，故以歐氏距離作為距離度量函數，其表達式為

(3)

(a1,b1)、(a2,b2)為平面內任意2點的坐標。

距離變換的二維圖形如圖3a所示，分水嶺線將圖像分為4個黑色區域，即為積水盆地區域，對應于圖3b中的錐形區域，錐頂為局部最小值，進而將接觸珍珠進行了分割，使相互接觸的珍珠都有了獨立的積水盆及分水嶺。各珍珠圖像由內部向相互接觸區域邊界遞推計算過程中，像素梯度變化均勻一致，不存在出現小積水盆干擾的情況，實現了對相互接觸珍珠的分割，再通過連通區域的標記，結果如圖3c所示。

圖3 分水嶺算法分割接觸珍珠

3 珍珠形狀參數模型的建立及分級標準

珍珠區域的邊緣輪廓作為珍珠形狀的有力描述，是珍珠分級的重要參數。由圖3c可知，在珍珠圖像分割的基礎上，每個連通域的珍珠均為獨立個體，當圖像中連通域個數為n時，設連通域中的珍珠圖像為fi(x,y)，其中i取值為1-n。則每個珍珠的質心坐標為

(4)

(xc,yc)為珍珠質心。

本文采用形態學邊緣跟蹤算法對珍珠圖像進行輪廓特征提取，結果如圖3c的白色輪廓。利用2點之間距離公式計算珍珠輪廓邊緣點(x1,y1)到質心的距離，其表達式為

(5)

由式(2)可以計算出珍珠的半徑序列，其表達式為Rk(k=1,2,…,m-1),其中，m為邊緣點個數。

(6)

X為形狀參數模型。

由式(6)可知，半徑百分比越小則說明珍珠越接近圓。以此為依據，建立了如表1所示的珍珠圓形類分級標準。

表1 珍珠圓形類分級標準

4 實驗數據分析

本文主要針對圓形類的珍珠進行形狀檢測，實驗中選用正圓、圓、近圓3種形狀的淡水珍珠共90顆作為檢測目標。

根據國標要求采用游標卡尺進行人工測量，將本文方法的計算值與人工測量值進行對比如圖4所示。由圖4可知，本文方法的計算值與人工測量值的分布一致，通過式(7)計算的誤差百分比為0.63%，滿足使用要求。

圖4 實驗數據

(7)

圖4中點劃線為正圓和圓的分割線，雙點劃線為圓和近圓的分割線，統計3種不同形狀的珍珠顆數如表2所示。對實驗用90顆樣本進行檢測，本文算法檢測完所有珍珠用時為24 ms。

表2 形狀分級統計

5 結束語

本文通過基于機器視覺的珍珠形狀檢測方法，對珍珠形狀進行檢測，并進行相關實驗，得出以下結論。

a.針對珍珠形狀的人工分揀效率低、精度不穩定等問題，提出基于機器視覺的珍珠形狀檢測方法，構建了檢測系統實驗平臺，并對90顆不同形狀的珍珠樣本進行實驗分析，檢測誤差為0.63%，形狀統計精度為100%，算法耗時24 ms。

b.對多顆珍珠存在的相互接觸影響珍珠輪廓提取的問題，采用分水嶺算法對多顆珍珠圖像進行分割，實現了對相互接觸珍珠的分割，通過連通區域的標記確定其質心位置。

c.基于珍珠圖像信息建立了珍珠形狀參數模型，通過珍珠輪廓各點與質心2點之間距離計算珍珠半徑序列，提取最大、最小及平均半徑，建立珍珠形狀參數，定量表征珍珠形狀。