机器视觉一直是机器人学研究的热点问题,是人工智能与机器人学的一个结合点。其中,工件分拣系统是机器视觉在工业领域最常见的应用之一,也是衡量工业自动化水平的重要指标。因此,研究基于机器视觉的机械工件分拣技术,具有重要的工业价值和深刻的现实意义。本文以机械工件和工业机器人为研究对象,对基于机器视觉的工件分拣系统展开了研究。本文的主要工作和研究成果如下:(1)基于标定原理和本文的实验环境,提出了一种基于圆形特征的标定方法,解决了机器人抓手和标定板定位不精确的问题。通过相机标定实验,确定了工件坐标系和机器人基坐标系之间的空间关系。(2)针对相机获取的原始图像,设计了工件图像的预处理流程。通过图像增强、滤波、二值化和边缘检测四个步骤,把工件从背景图像中分割出来,最终提取出准确的工件边缘信息。(3)采用基于不变矩的几何特征提取法进行形状识别。本文通过工件轮廓不变矩的表达式以及对比实验,分析了Hu矩和Zernike矩提取轮廓特征信息的优缺点,并提出了一种修正的Zernike矩快速算法,提高Zernike矩算法的速度。同时引入SVM,作为离线训练和在线识别的分类器。(4)设计了一套基于机器视觉的工业机器人工件分拣系统,系统主要由机器视觉和控制执行两个功能模块构成。在搭建好的分拣系统平台上,模拟工业流水线进行完整的工件分拣过程测试。经实验分析对比,Hu结合修正的Zernike矩快速算法性能较优,识别率高且达到了实时性的要求。