论文部分内容阅读
摘 要：本文以工业制造自动生产线中的零件位置识别为研究主题，采用图像处理等方法来自动智能识别零件位置。首先使用二维单目的方式，采集数据集中的零件图像，然后对图像进行均衡化处理、灰度化与小波去噪算法等一系列预处理，使用基于区域算法与最优化算子Canny边缘检测方法的图像分割模型，对同一空间中的两个不同零件进行分割，得到的两个零件的图像分别作为基于Blob算法的零件位置识别模型的输入，从而识别出附件中两个不同零件的位置坐标。
关键词：小波去噪算法；Canny边缘检测；Blob算法
1 图像的采集与预处理
采集数据集中的数据，对图像进行灰度化处理，处理时的公式为：
其中，R＼G＼B为红色、绿色、蓝色分量。Gray为灰度值。W为权值。在MATLAB中求得处理结果ans =0.539062500000，在图像灰度化处理后，使用小波去噪算法对图像作进一步的预处理（见图1）。步骤如下：
STEP 1：二维信号的小波分解。即选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解；
STEP 2：对高频系数进行阈值量化。即对于从1至N的每一层，选择每一层的一个阈值，并对这一层的高频系数进行软阈值量化处理；
STEP 3：二维小波重构。根据小波分解的第N层的低频系数和经过修改的从第一层到第N的各层高频系数，计算二维信号的小波重构。
2 图像分割
2.1 区域算法
区域算法包括改进的聚类算法：
2.2 边缘算法
边缘算法即最优化算子Canny边缘检测方法，使用二维高斯函数：
通过图像分割，将原始数据集中的图像转化两个单独的零件图像，即将多零件的识别转化为单个零件的单独识别。使用图像分割领域中较成熟的基于区域和边缘的双向分割算法，以对多个零件进行分割，并确定每个零件和坐标系的关系。
3 基于Blob算法的双零件位置识别模型
Blob算法用来从背景中分离目标，并测量任意形状目标物的形态参数，如面积、质心、周长、方位、数量等参数。当图像为二值图像时，可用矩来描述图像中一些区域的形状特征区域R的i、j阶矩，点（x，y）都是区域R的内点或边界点。因此，区域的MOO值即为区域的像素点数。x方向和y方向的一阶矩分别可求得。
由于描述区域的形状对区域的平移旋转、尺度变换不具有不变特性，因此要对该矩进行变换处理，即先将坐标点移到区域的形心，再新计算区域的中心矩：
其中，（x，y）为区域R的形心，虽然中心距对区域平移具有不变性，但对旋转和尺度变化依然敏感。为了降低其敏感性，可通过归一化得到尺度的不变性。故可求出一组归一化的中心矩。同样地，将中心距归一化后进行整合，可得六个不变的矩组合，当区域发生平移、旋转、尺度等变化时，不会改变如上矩的值。因此，不变矩具备良好的形状特征与普适性。结合摄像机的标定工作，将使用Blob算法得到的中心坐标（x，y）转换为实际坐标（center X ，center Y）。
将图像分割的结果作为输入，首先，对图像分割之后的图形群进行二值化或者多值化；然后，对N值化后的矩阵进行深度优先遍历，使用数组记忆之前遍历的二值情况；最后，确定每个圆所在的位置，进而根据零件的标准属性来确定零件的位置。使用C语言运行深度优先遍历算法来确定三个圆的坐标与零件的中心点，从而实现识别。
则零件的中心点为：
在建立的标准坐标系内，确定了两个零件的中心位置坐标为：（293.65，493.57）、（478.56，201.98）
4 结语
使用Blob算法从背景中分离出目标，并测量任意形状目标物的形态参数。图像的每一行都用游程长度编码来表示相邻的目标范围。所以，Blob方法与基于象素的算法相比，处理速度能够加快。为了适应各种不同的需求，Blob提供了很多过滤和分类模式来定义测量参数，而且有较好的操作性能。本文基于Blob算法的零件位置识别模型具有普适性，可推广至多零件时的位置确定情形，且对于不规则零件的位置识别效果较好，对于生产过程中的零件位置识别与机械手操作具有实际的应用指导意义。
参考文献：
[1]康牧. 图像处理中几个关键算法的研究[D]. 西安电子科技大学， 2009.
作者简介：梁肖裕（1998 -）、女、汉、山东科技大学、山东聊城 、研究方向：信息管理与信息系统.
昝道广 （1997-）、男、汉、山东科技大学、山东济宁、研究方向：智能硬件.
徐西彤 （1997 -）、男、汉、 山东科技大學、山东济宁 、研究方向：大数据.
关键词：小波去噪算法；Canny边缘检测；Blob算法
1 图像的采集与预处理
采集数据集中的数据，对图像进行灰度化处理，处理时的公式为：
其中，R＼G＼B为红色、绿色、蓝色分量。Gray为灰度值。W为权值。在MATLAB中求得处理结果ans =0.539062500000，在图像灰度化处理后，使用小波去噪算法对图像作进一步的预处理（见图1）。步骤如下：
STEP 1：二维信号的小波分解。即选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解；
STEP 2：对高频系数进行阈值量化。即对于从1至N的每一层，选择每一层的一个阈值，并对这一层的高频系数进行软阈值量化处理；
STEP 3：二维小波重构。根据小波分解的第N层的低频系数和经过修改的从第一层到第N的各层高频系数，计算二维信号的小波重构。
2 图像分割
2.1 区域算法
区域算法包括改进的聚类算法：
2.2 边缘算法
边缘算法即最优化算子Canny边缘检测方法，使用二维高斯函数：
通过图像分割，将原始数据集中的图像转化两个单独的零件图像，即将多零件的识别转化为单个零件的单独识别。使用图像分割领域中较成熟的基于区域和边缘的双向分割算法，以对多个零件进行分割，并确定每个零件和坐标系的关系。
3 基于Blob算法的双零件位置识别模型
Blob算法用来从背景中分离目标，并测量任意形状目标物的形态参数，如面积、质心、周长、方位、数量等参数。当图像为二值图像时，可用矩来描述图像中一些区域的形状特征区域R的i、j阶矩，点（x，y）都是区域R的内点或边界点。因此，区域的MOO值即为区域的像素点数。x方向和y方向的一阶矩分别可求得。
由于描述区域的形状对区域的平移旋转、尺度变换不具有不变特性，因此要对该矩进行变换处理，即先将坐标点移到区域的形心，再新计算区域的中心矩：
其中，（x，y）为区域R的形心，虽然中心距对区域平移具有不变性，但对旋转和尺度变化依然敏感。为了降低其敏感性，可通过归一化得到尺度的不变性。故可求出一组归一化的中心矩。同样地，将中心距归一化后进行整合，可得六个不变的矩组合，当区域发生平移、旋转、尺度等变化时，不会改变如上矩的值。因此，不变矩具备良好的形状特征与普适性。结合摄像机的标定工作，将使用Blob算法得到的中心坐标（x，y）转换为实际坐标（center X ，center Y）。
将图像分割的结果作为输入，首先，对图像分割之后的图形群进行二值化或者多值化；然后，对N值化后的矩阵进行深度优先遍历，使用数组记忆之前遍历的二值情况；最后，确定每个圆所在的位置，进而根据零件的标准属性来确定零件的位置。使用C语言运行深度优先遍历算法来确定三个圆的坐标与零件的中心点，从而实现识别。
则零件的中心点为：
在建立的标准坐标系内，确定了两个零件的中心位置坐标为：（293.65，493.57）、（478.56，201.98）
4 结语
使用Blob算法从背景中分离出目标，并测量任意形状目标物的形态参数。图像的每一行都用游程长度编码来表示相邻的目标范围。所以，Blob方法与基于象素的算法相比，处理速度能够加快。为了适应各种不同的需求，Blob提供了很多过滤和分类模式来定义测量参数，而且有较好的操作性能。本文基于Blob算法的零件位置识别模型具有普适性，可推广至多零件时的位置确定情形，且对于不规则零件的位置识别效果较好，对于生产过程中的零件位置识别与机械手操作具有实际的应用指导意义。
参考文献：
[1]康牧. 图像处理中几个关键算法的研究[D]. 西安电子科技大学， 2009.
作者简介：梁肖裕（1998 -）、女、汉、山东科技大学、山东聊城 、研究方向：信息管理与信息系统.
昝道广 （1997-）、男、汉、山东科技大学、山东济宁、研究方向：智能硬件.
徐西彤 （1997 -）、男、汉、 山东科技大學、山东济宁 、研究方向：大数据.