機器視覺在工件定位與類型識別方面的應用

柯陽 王世雄

摘要：從封建時期的手工生產到近代工業革命后的工業自動化，生產力在不斷提高，工業生產的產品種類和數量都有巨大的增長。隨著工業4.0概念和“中國制造2025”戰略目標的提出，傳統的制造技術以及生產管理方式正在進行巨大變革，機械制造行業正朝著高速、高質量、大批量和智能化生產方向發展。

關鍵詞：機器視覺 ?工件定位 ?工件類型識別 ?計算機應用

工件定位

從封建時期的手工生產到近代工業革命后的工業自動化，生產力在不斷提高，工業生產的產品種類和數量都有巨大的增長。隨著工業4.0概念和“中國制造2025”戰略目標的提出，傳統的制造技術以及生產管理方式正在進行巨大變革，機械制造行業正朝著高速、高質量、大批量和智能化生產方向發展。而機器視覺技術由于其具有快速性、可重復性、客觀性、非接觸等優點，越來越多的引入到產品檢測、工件識別、自動化流水線等工業領域中。

機器視覺技術結合了計算機軟硬件、光學系統、數字圖像處理和模式識別等多方面的技術，利用視覺傳感器代替人眼或檢測工具來進行識別和測量。它通過圖像攝取裝置采集目標的圖像，再利用圖像處理算法及相關軟件對獲取的圖像進行處理，通過提取特征進行相關的識別和測量，然后再根據獲取的信息對設備進行控制，完成生產過程中相應的操作。機器視覺系統一般由五個部分姐成：光源、工業相機、圖像采集卡、工業計算機和執行機構。

由于機器視覺系統的獨特優點，越來越被廣泛的引入工業生產過程中，常見的應用有：

1）尺寸檢測

機器視覺技術最初的研究目標主要是尺寸檢測，尺寸往往是衡量產品是否合格的一個重要指標，所以對尺寸測量的要求十分嚴格。使用機器視覺系統可以的對產品進行大批量的尺寸精密檢測，而且能夠及時剔除不合格品。

2）外觀檢測

表面檢測也是控制產品質量的重要手段，產品表面的缺陷不僅影響產品外觀，而且可能會影響其使用性能，通過視覺系統對工件表面的劃痕、粗糙度、毛刺等進行檢測來判斷工件是否存在缺陷，不用接觸工件表面，很好的避免了人工造成的二次損害。

3）型號識別

同一生產流水線中往往會生產不同型號的零件，這就需要針對不同的零件型號進行相應的分類和檢測，機器視覺系統可以在線實時的識別零件型號，進行分類，以便進行后續操作。

4）引導定位

機器視覺系統能夠快速準確的找到被測工件并確認其位姿，然后引導工業機器人完成焊接、抓取或卸裝等后續工作。

工件定位與識別是機器視覺技術在工業領域的典型應用，自上世紀七八十年代起，國外就開始了相關研究。Jakubowski等提出了一種工件輪廓的旋轉類描述結構，由此可以識別某個工件是否屬于特定類別;TsaiDu-Ming等，使用二維傅里葉變換測量工件表面的粗糙度，并將神經網絡技術引入機器視覺中來識別工件種類。TrikaW等提出了一種多面體工件特征提取技術，通過利用各面的柜鄰信息獲得工件特征從而識別工件;Miura等通過研究工件的定位與識別，在零部件裝配中使用了機器視覺技術。國內的相關研究從上世界九十年代末開始興起，大多分布于高校和科研機構。

類型識別

對于工件識別的方面，由于工業環境復雜，受光照和其他干擾較多，并且傳送帶的運行速度較快，為了能夠滿足在復雜的工作環境下多類型工件分揀實時性、分揀速度快和誤差小等要求，設計一套魯棒性和穩定性強的分揀和測量算法尤為關鍵，所以，研究一套能夠滿足上述要求的分揀和測量系統具有很大的市場價值和應用前景，對工廠智能化的生產具有重大影響。

基于機器視覺的多工件類型識別和測量系統功能需求包括以下六個方面：目標工件的識別與尺寸測量、工件識別率、工件尺寸測量精度、視野大小、工作距離和工作速度等。

（1）分類識別與測量目標。

系統的分類識別與測量目標，選用 3 種常見類型工件作為目標，分別為四方平墊、長形自攻釘和長形鐵片。系統自動分類識別出這 3 種類型的工件，并對其進行直線和圓的亞像素精度測量。此外，系統還能識別其他多種類型工件，設計能夠靈活配置，且適用性強。

（2）分類識別率。

系統的分類識別率要求達到 98%以上，才能滿足工業生產的需求。

（3）測量精度。

每個工件的尺寸測量精度需小于 0.25mm。

（4）視野大小。

為了能夠盡可能多地分類識別出目標工件，視野大小為30*30cm。

（5）工作距離。

為了能夠讓機械臂安全的吸取工件，工作距離設為 40cm。

（6）工作速度。

每一個工件的分類識別與測量速度需達到 1s 以內。

基于 SVM 分類器、MLP 神經網絡模型、圖像的像素特征和模板匹配算法進行分類識別取得一定的應用效果，但都存在相應弊端。SVM 算法并不適用于大規模訓練樣本的實施;MLP 神經網絡模型在訓練過程中，誤差函數具有局部極小值或鞍點，導致此處的梯度為 0，從而得不到全局最優解。根據像素特性進行分類的方法并不具備通用性;而模板匹配需要先建立模板，當工件種類多、單種工件多種尺寸時，建立模板耗時較長。僅僅基于不變矩、Sobel 算法和 canny 算法檢測邊緣時，當目標形狀和紋理特征復雜，檢測精度不高。最小二乘法擬合邊緣時受噪聲干擾較大，測量精度受到影響。

總結

本篇文章對于機器視覺在工件定位以及工件類型識別等方面的應用均有淺薄的介紹和深入的探究，但在實際的應用中仍會遇見不少的問題，希望后來者能繼往開來，為智能化時代開辟道路。