基于機器視覺的運動鞋自動裝箱檢測技術

毛麗鳳 夏漢均

（1、廣東職業技術學院，廣東 佛山 528000 2、東風日產乘用車公司，廣東 廣州 510000）

1 概述

隨著機器視覺技術的迅猛發展，其在工業方面的檢測應用也越來越廣泛，例如：食品包裝缺陷檢測、汽車涂膠檢測、瓶裝啤酒填充液位檢測、醫療圖像檢測等。但是國內還沒有運用機器視覺進行運動鞋自動裝箱檢測的案例。

目前國內運動鞋裝箱流水線采用人工檢測的方式匹配運動鞋與對應的鞋盒，防止裝箱錯誤。但在生產流水線上，人長時間工作很容易疲勞，導致生產效率降低，甚至出現失誤。

本文采用基于機器視覺的運動鞋自動裝箱檢測技術，將采集的運動鞋與鞋盒上的標簽圖像，進行灰度化、Log 濾波、邊緣檢測、銳化等圖像處理，再將處理后的圖像，進行角點檢測和特征匹配，最終達到自動檢測目的。該技術可以代替人工檢測，從而提高檢測的質量和效率。

2 圖像采集及灰度化

檢測對象選取安踏男籃球鞋，通過改變工業機器人攝像機的位置和角度，獲取運動鞋與鞋盒上標簽的圖像，并灰度化結果如圖1 所示。

圖1 獲取帶有標簽的運動鞋與鞋盒圖像

3 圖像增強

采集的圖像由于受外界因素的干擾，經常需要改善圖像的質量，以增強圖像的視覺效果。將一幅圖像中的有用信息（即感興趣信息）進行增強，同時將無用信息（即干擾信息或噪聲）進行抑制，以提高圖像的可觀察性，利于計算機處理。

具體操作流程如圖2 所示。

圖2 圖像增強操作流程

基于二階微分的拉普拉斯算子對于細節（細線和孤立點）能產生更強的響應，并且各向同性，因此在圖像增強中較一階的梯度算子更受我們的青睞。然而，它對于噪聲點的響應也更強。為了在取得更好銳化效果的同時把噪聲干擾降到最低，可以先對帶有噪聲的原始圖像進行平滑濾波，再進行銳化增強邊緣和細節。Marr 等根據人類視覺特性，將高斯濾波和拉普拉斯邊緣檢測技術相結合，提出了高斯- 拉普拉斯算子，簡稱LoG（Laplacian of Gauss）算法。其形狀酷似墨西哥草帽，因此也被稱為墨西哥草帽算子，如圖3 所示。

圖3 LoG 算子

該算法的主要思路和步驟是：

（1）濾波：首先對原始圖像f（x，y）進行高斯平滑濾波，即：

LoG 算子先將圖像進行高斯濾波，濾除服從高斯分布的噪聲，且孤立的噪聲點和小組織結構也被濾除；再用拉普拉斯銳化突現圖像的邊緣信息。LoG 算子與拉普拉斯算子相比，噪聲得到了有效的抑制，銳化效果較好。

運用LoG 算子處理采集的運動鞋與鞋盒標簽圖像效果如圖4、5 所示。

圖4 LoG 算子處理運動鞋標簽效果

圖5 LoG 算子處理鞋盒標簽效果

4 圖像角點匹配

4.1 角點提取

特征點是一幅圖像中最典型的特征標志之一，因其易于匹配，在影像匹配、圖像拼接等諸多方面都具有重要作用。角點特征與直線、圓、邊緣等其他特征相比，具有提取過程簡單、結果穩定、提取算法適應性強的特點，成為圖像特征匹配算法的首選。

經過實驗比較，本文采用Harris 角點檢測算法。該算法是Chris Harris 和Mike Stephens 在1988 年提出的一種基于信號的點特征提取算子，該算子通過簡單的一階差分計算，可以提取穩定、均勻的角點特征并且可以定量提取特征點。運用Harris算法對運動鞋與鞋盒標簽銳化圖像進行角點提取結果如圖6所示。

圖6 Harris 算法提取運動鞋與鞋盒標簽角點

4.2 角點特征匹配

所謂角點特征匹配是判斷圖像間的角點特征是否存在對應關系，在提取出角點后，計算角點間的相似程度，尋找兩兩角點進行匹配對。將上述通過Harris 算法提取的角點進行匹配，角點特征匹配結果如圖7 所示。

圖7 運動鞋與鞋盒標簽圖像角點匹配

5 結論

本文通過采集運動鞋與鞋盒上的標簽圖像，經過灰度化、平滑濾波、邊緣檢測、銳化等圖像增強處理，再將處理后的圖像進行角點提取、特征匹配，最終將標簽中貨號、鞋碼等關鍵信息進行匹配，匹配效果良好。綜上所述，可將此自動檢測技術運用在運動鞋裝箱流水線上，代替人工檢測，提高檢測的質量和效率。