面向分揀機器人的珍珠形狀視覺檢測方法

劉新穎，金守峰，嚴 楠

(1.西安工程大學 機電工程學院，西安 710048; 2.寧波職業技術學院，浙江 寧波 315800)

0 引言

珍珠為自然產物，其形狀不能完全一致，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，越來越多具有視覺感知的機器人取代人工應用到各個領域中。蘇澤斌等[1]提出基于參數核圖割計算紗線毛羽特征參數的算法，將紗線二值圖像與紗芯二值圖進行邏輯運算，分析毛羽參數特征，實驗表明該方法耗時少、誤分點少；謝佳等[2]利用最小外接矩算法測量鞋面尺寸，提高了尺寸測量的精度與速度；P.Vermeulen等[3]將近紅外高光譜成像法，與形態學結合，在面積、周長、圓形度、最大內核直徑、最小內核直徑、縱橫比、圓度、密實度等8個方面對硬粒小麥和普通小麥進行分類；周新文等[4]提出了一種基于數字圖像處理的DIP法，通過分析沙粒投影，測量沙子的特征參數來表征顆粒形態。N.Tsoulias等[5]采用光檢測與距離系統對蘋果樹在生長過程中去葉前和去葉后進行掃描，利用基于雷達三維點云提取線性度和曲率檢測蘋果的幾何特征；段宇飛等[6]采用光源透射方式采集雞蛋圖像，結合凸包算法提取雞蛋長短軸及蛋形，實現雞蛋尺寸分級；袁雷明等[7]利用多視角采集葡萄果穗不同角度圖像，通過提取輪廓曲線及顏色空間轉換實現葡萄外觀分級；王毓綜等[8]對國內珍珠形狀自動分級的技術現狀進行分析，提出了以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[9]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；張建華等[10]結合H-minima分水嶺分割方法和最小二乘圓法誤差理論，實現棉花葉部粘連病斑的分割，但當病斑粘連特別緊密時存在欠分割現象；孫衛紅等[11]針對粘連蠶繭難以分割定位的問題，采用凹點定向腐蝕的方法完成圖像分割，但該方法凹點檢測率較低；李革等[12]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；白莉娜等[13]針對顆粒圖像中粘連區域不易分割的問題，利用鏈碼進行邊界跟蹤并計算粘連區域邊界曲率，將匹配到的凹點利用分割線連接，從而實現粘連顆粒的分割；王雪奎等[14]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[15]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；楊輝華等[16]針對粘連細胞分割問題，利用水平集方法提取細胞輪廓，循環迭代檢測粘連細胞輪廓上的凹點區域，確定分割位置完成細胞分割，但該方法計算量大、效率低；李蓉娟等[17]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[18]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。

粘連珍珠的分割是機器視覺識別中的難點，目前，對類圓形物體的分割方法主要有凹點法[19]、膨脹腐蝕法[20]、輪廓曲線法[21]、分水嶺算法[22]等。以上算法針對具體情況均可以實現類圓形顆粒分割，但同時又都具備一定的局限性。例如，凹點法主要利用目標物粘連時的凹凸特性，根據凹點處的夾角進行粘連目標的分割，但凹點的確定和匹配容易出錯，計算量較大；膨脹腐蝕算法容易破壞珍珠的原始形狀，不利于本文對珍珠形狀特征參數的測量；輪廓曲線法計算時運算量大，識別率低，一般僅適用于2～3顆少數目標粘連的情況；分水嶺算法是一種分割重疊圖像的經典算法，具有快速準確有效的特點，但傳統的分水嶺算法會受到噪聲的干擾產生過分割或欠分割現象，產生大量的虛假邊緣或造成真實邊緣消失，尤其多顆珍珠粘連時，分割效果較差。對傳統分水嶺算法進行改進，是提高分割效果的關鍵。本文結合形態學算法和歐氏距離變換改進傳統分水嶺算法，分割粘連珍珠圖像。

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，采用改進的分水嶺算法進行珍珠圖像分割并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 分揀機器人系統

本文構建如圖1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 Lux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四自由度機器人，重復定位精度為0.2 mm，最大負載為500 g，最大延伸距離為320 mm；末端執行器為氣動吸盤；計算機為上位機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。

圖1 珍珠分揀機器人系統

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，獲取的珍珠圖像邊緣輪廓清晰，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。珍珠區域與背景對比度增強，通過最大類間方差法對珍珠灰度圖像進行二值化處理[23]。珍珠區域與背景區域完全分開，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

如圖2所示，分水嶺算法的原理是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，每一個區域極小值及其影響區域表示集水盆地，集水盆地的邊界即為分水嶺。在刺穿每一個區域極小值表面，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，在兩個集水盆匯合處構筑大壩，即形成了分水嶺[24]，將集水盆地分開，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

對于分割后的珍珠圖像既要保留珍珠邊緣輪廓區域，滿足形狀測量精度，同時還要消除噪聲和微小誤分割區域的影響，因此本文基于形態學構建珍珠梯度圖像，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:

grad(f)=[(f⊕g)-(fΘg)]

(1)

式中,grad(f)為梯度值，f為珍珠分割圖，g為圓形結構元素，⊕為膨脹運算，Θ為腐蝕運算。

2.4 分水嶺與集水盆的構建

由分水嶺算法的原理可知，水是由各集水盆底逐漸向分水嶺上蔓延，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中各像素點之間的最小距離的表達式為:

Dij=min{Dist[(i,j),(x,y)],(x,y)∈Z}

(2)

式中,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)

式中,(a1,b1)、(a2,b2)分別為平面內任意兩點的坐標。

距離變換三維圖形如圖3(a)所示，最短距離為谷底位置，該位置對應圖3(b)中黑色區域為最小值區域，目標之間的白色分割線為分水嶺的脊線。由分水嶺脊線可以確定集水盆地和分水嶺，將前景珍珠目標標記為1，確定珍珠圖像的集水盆；圖像的背景標記為0，確定多顆珍珠的分水嶺。使得相互接觸的珍珠都有了獨立的集水盆及分水嶺，各珍珠圖像由集水盆底向分水嶺遞推計算過程中，像素梯度變化均勻，不存在集水盆中噪聲過多而產生的干擾情況，實現了對相互接觸珍珠的分割。再通過連通區域的顏色標記，相互粘連的珍珠通過不同顏色劃分成獨立的個體，結果如圖3(c)所示。

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3(c)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。利用質心算法[25]求取每個珍珠的質心坐標為:

(4)

式中,(xc,yc)為珍珠質心。

圖3 分水嶺算法分割接觸珍珠

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3(c)的白色輪廓，利用兩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)

(6)

式中,m為邊緣點個數。

(7)

式中,X為形狀參數模型。

由式(7)可知，半徑百分比越小則說明珍珠越接近正圓，反之則次之。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

4.1 實驗用珍珠

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60顆作為檢測目標。

4.2 實驗數據分析

人工根據國標要求采用游標卡尺進行測量，將本文方法的計算值與人工測量值進行對比如圖4所示，由圖可知本文方法的計算值與人工測量值的分布一致，通過式(8)計算的誤差百分比為0.63%，滿足使用要求。

(8)

如圖4中點劃線為正圓和圓的分割線，虛線為圓和近圓的分割線，對比手工測量和本文方法測量3種形狀珍珠，每一類珍珠均正確分布在相應區域。統計兩種方式下測得的不同形狀珍珠顆數如表2所示，3種形狀測量精度均為100%。對實驗用60顆樣本進行多次重復檢測，算法檢測所用時間為24 ms。

圖4 實驗數據

等級人工/顆本文方法/顆精度/%正圓2020100圓2323100近圓1717100

5 結束語

1)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對60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。

2)對多顆珍珠存在的相互接觸影響珍珠輪廓提取的問題，采用改進的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。

3)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兩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。