基于機(jī)器視覺的工件特征識(shí)別與分類方法研究

摘 要：機(jī)器視覺是計(jì)算機(jī)科學(xué)與人工智能研究領(lǐng)域的一項(xiàng)重要內(nèi)容，主要通過計(jì)算機(jī)應(yīng)用技術(shù)來模擬人的視覺功能，對(duì)從圖像中提取的信息進(jìn)行分析和處理，以達(dá)到實(shí)際檢測(cè)和控制的效果。本文主要對(duì)基于機(jī)器視覺的工件特征識(shí)別與分類方法進(jìn)行了分析和研究，以期幫助人們更好地了解機(jī)器視覺分類識(shí)別技術(shù)。

關(guān)鍵詞：機(jī)器視覺；特征識(shí)別；分類方法

機(jī)器視覺分類識(shí)別技術(shù)在工業(yè)領(lǐng)域中應(yīng)用得越來越廣泛，主要涉及到計(jì)算機(jī)科學(xué)、神經(jīng)生物學(xué)、模式識(shí)別、人工智能、圖像處理等多學(xué)科的內(nèi)容，該技術(shù)的引入，成功取代了傳統(tǒng)人工檢測(cè)的方法，在很大程度上提高了企業(yè)的檢測(cè)準(zhǔn)確性和生產(chǎn)效率，其應(yīng)用前景十分廣闊。現(xiàn)階段，對(duì)機(jī)器視覺的工件特征識(shí)別與分類方法進(jìn)行分析和研究，具有重要的理論指導(dǎo)和實(shí)踐意義。

1 基于機(jī)器視覺的工件特征識(shí)別方法

1.1 機(jī)器視覺檢測(cè)特征及圖像閥值分類方法

機(jī)器視覺分類識(shí)別技術(shù)主要應(yīng)用于工業(yè)領(lǐng)域，用來提取產(chǎn)品的形狀特征，這種特征提取也被稱之為對(duì)分割區(qū)域的描述。特征提取主要通過利用數(shù)學(xué)公式或特征描繪子等方式，對(duì)分割區(qū)域的形狀屬性進(jìn)行表達(dá)和描述。特征提取的關(guān)鍵環(huán)節(jié)在于圖像分割，圖像分割實(shí)際上完成的組成區(qū)域像素集合的劃分，即將其劃分為區(qū)域內(nèi)部和區(qū)域外部。對(duì)區(qū)域內(nèi)部進(jìn)行形狀特征提取，主要包括傅里葉描繪子、拓?fù)涿枥L子、矩描繪子以及幾何描繪子等內(nèi)容，對(duì)區(qū)域外部進(jìn)行形狀特征提取，主要包括邊界傅立葉描繪子、邊界幾何表示、Hough變換表示、B樣條表示等內(nèi)容。圖像特征的提取需要借助分割方法，圖像分割方法主要有區(qū)域提取法、邊緣檢測(cè)法和灰度閥值法三種，最常用的就是灰度閥值法，即根據(jù)圖像灰度值的分布特性來確定形狀特征的閥值，然后以閥值作為門限再對(duì)圖像進(jìn)行分割[1]。

1.2 機(jī)器視覺分類識(shí)別技術(shù)特征選擇的平臺(tái)設(shè)計(jì)

確定閥值方法，完成特征選擇后，便可以對(duì)待分類目標(biāo)圖像進(jìn)行采集，程序會(huì)對(duì)采集后的圖像進(jìn)行自動(dòng)分割，并選擇相應(yīng)的特征對(duì)目標(biāo)圖像加以計(jì)算，最終將計(jì)算結(jié)果顯示出來，以供選擇。特征選擇主要按照兩個(gè)基本方法來進(jìn)行，一個(gè)是直接選擇法，具體操作如下：

式中， 表示n個(gè)原始特征中的任意d個(gè)特征，從獲得的n個(gè)原始特征中任意選擇d個(gè)特征 ，便可以求得判斷J的值。

另一個(gè)是變換降維法，該種方法為了能夠使判斷J取最大值，要對(duì)n個(gè)原始特征進(jìn)行坐標(biāo)轉(zhuǎn)換，然后再取其子空間，目標(biāo)特征是通過x向子空間投影而獲取的[2]。

2 基于機(jī)器視覺的工件特征分類方法

2.1 基于機(jī)器視覺的模板匹配算法

模板匹配算法是將樣本模式集中在一起，各樣奔都能夠成為標(biāo)準(zhǔn)模板，將待測(cè)樣本與這些標(biāo)準(zhǔn)模板進(jìn)行比較，從這些標(biāo)準(zhǔn)模板中找出與待測(cè)樣本最接近的標(biāo)準(zhǔn)模板，待測(cè)樣本便歸于此類。模板匹配算法在原理上遵循了近鄰準(zhǔn)則，應(yīng)用比較簡(jiǎn)單、而且比較容易實(shí)現(xiàn)，是目前機(jī)器視覺進(jìn)行分類識(shí)別的首選方法。但是模板匹配算法也存在很大的缺點(diǎn)，無論是計(jì)算量還是系統(tǒng)資源開銷等比較大，因此，有必要對(duì)其進(jìn)行改進(jìn)，使模板匹配能夠更好地應(yīng)用于工業(yè)產(chǎn)品的在線識(shí)別。在此，提出了改進(jìn)型的模板匹配算法，以便進(jìn)一步提高模板匹配的計(jì)算效率。基于機(jī)器視覺的快速模板匹配算法，對(duì)于分類識(shí)別的計(jì)算總量應(yīng)滿足以下公式：

計(jì)算總量=標(biāo)準(zhǔn)模板數(shù)×搜索位置數(shù)×相關(guān)計(jì)算量

式中，標(biāo)準(zhǔn)模板數(shù)表示的是樣本集中后的標(biāo)準(zhǔn)圖像模板數(shù)量，搜索位置數(shù)表示的是某一標(biāo)準(zhǔn)模板相關(guān)計(jì)算的位置數(shù)，相關(guān)計(jì)算量是根據(jù)改進(jìn)后模板匹配的效率來確定的。模板匹配算法的改進(jìn)實(shí)際上遵循的是分層搜索的思想，大大縮短了圖像模板在實(shí)時(shí)圖像上所消耗的時(shí)間，也使得分類識(shí)別的運(yùn)算時(shí)間得以降低，而且能夠達(dá)到在線識(shí)別的要求[3]。

2.2 基于機(jī)器視覺的神經(jīng)網(wǎng)絡(luò)分類器

神經(jīng)網(wǎng)絡(luò)結(jié)合了生物腦的若干特性，對(duì)其進(jìn)行了人工模擬，基于神經(jīng)生物學(xué)建立起來的神經(jīng)網(wǎng)絡(luò)分類器實(shí)際上是由大量神經(jīng)元構(gòu)成的非線性動(dòng)力系統(tǒng)，通過非線性映射來整體各變量之間的關(guān)系，借助閥值和權(quán)重來對(duì)圖像特征進(jìn)行分類?；跈C(jī)器視覺的神經(jīng)網(wǎng)絡(luò)分類器不僅不會(huì)對(duì)數(shù)據(jù)分布提出附加要求，還能夠有效解決非線性評(píng)價(jià)問題，因此被引入識(shí)別領(lǐng)域并被廣泛應(yīng)用。但是這種分類器也存在著一定的缺陷，例如學(xué)習(xí)算法比較復(fù)雜，無法計(jì)算隱藏單元的誤差，因此有必要對(duì)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行改進(jìn)。鑒于神經(jīng)網(wǎng)絡(luò)分類器依照的是BP三層前饋神經(jīng)網(wǎng)絡(luò)的基本原理，對(duì)其進(jìn)行改進(jìn)，實(shí)質(zhì)上就是要加強(qiáng)BP三層前饋神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，在設(shè)計(jì)中應(yīng)注意以下問題：其一，樣本集中的訓(xùn)練樣本要能夠出圖像特征空間整體分布的代表性；其二，在訓(xùn)練過程中應(yīng)注意對(duì)學(xué)習(xí)結(jié)果進(jìn)行實(shí)時(shí)識(shí)別；其三，應(yīng)增加神經(jīng)網(wǎng)絡(luò)的層次以降低誤差；其四，應(yīng)增加隱藏節(jié)點(diǎn)的數(shù)目來提高分類器的識(shí)別精度[4]。

3 結(jié)論

綜上所述，機(jī)器視覺分類識(shí)別技術(shù)在工業(yè)領(lǐng)域的應(yīng)用越來越廣泛，已經(jīng)成功取代了傳統(tǒng)人工檢測(cè)的方法。現(xiàn)階段，分析和研究機(jī)器視覺的工件特征識(shí)別與分類方法，對(duì)機(jī)器視覺分類識(shí)別系統(tǒng)的構(gòu)建具有重要的理論指導(dǎo)意義，

[參考文獻(xiàn)]

[1]潘武，張莉彥，徐俊成.基于機(jī)器視覺的工件的在線檢測(cè)[J].組合機(jī)床與自動(dòng)化加工技術(shù).2012，14（7）：75-77.

[2]管經(jīng)緯，周虎，楊慧斌.基于機(jī)器視覺的工件自動(dòng)分揀系統(tǒng)的研究[J].機(jī)械工程師.2014，15（8）：18-20.

[3]朱代先.基于雙目視覺的工件定位與抓取研究[J].計(jì)算機(jī)測(cè)量與控制.2011，13（1）：92-94.

[4]廖強(qiáng)，金大標(biāo)，甘平.基子主動(dòng)機(jī)器視覺的工件精密測(cè)量系統(tǒng)設(shè)計(jì)[J].激光雜志.2011，17（6）：38-40.