基于SVM的圖像識(shí)別在零件分揀系統(tǒng)中的應(yīng)用*

孫小權(quán)，鄒麗英

(浙江工業(yè)大學(xué) 之江學(xué)院，浙江 紹興 312030)

0 引 言

隨著自動(dòng)化技術(shù)的發(fā)展，在零件生產(chǎn)中的許多人工所做的工作也逐步被自動(dòng)生產(chǎn)裝置所取代，自動(dòng)上料是零件自動(dòng)化生產(chǎn)的重要一環(huán)。對(duì)于小型零件而言，排序上料最常用的裝置就是振動(dòng)盤。振動(dòng)盤利用零件本身的外觀形狀、質(zhì)心分布等特征進(jìn)行分揀排序，讓零件按照設(shè)計(jì)要求的狀態(tài)沿軌道送出。而當(dāng)零件的外觀形狀、質(zhì)心分布無法確定零件的送出狀態(tài)時(shí)，振動(dòng)盤送料就無法實(shí)現(xiàn)。

文獻(xiàn)[1]通過對(duì)圖像分割確定零件在傳送帶上的位置，控制機(jī)械手對(duì)零件進(jìn)行了抓??；文獻(xiàn)[2]對(duì)圖像進(jìn)行了孔洞分析，結(jié)合零件的結(jié)構(gòu)特征從而識(shí)別不同的零件；文獻(xiàn)[3]通過角點(diǎn)檢測(cè)和模板匹配實(shí)現(xiàn)了零件方位識(shí)別，識(shí)別正確率在90%左右；文獻(xiàn)[4]利用PCA與SVM對(duì)人臉圖片進(jìn)行識(shí)別，取得了較高的識(shí)別率。

本研究將針對(duì)外觀形狀、質(zhì)心分布較均勻的零件在自動(dòng)化生產(chǎn)中難以實(shí)現(xiàn)有方位要求的自動(dòng)送料問題，對(duì)零件的圖像采集、圖像處理、圖像特征提取和分類識(shí)別等進(jìn)行研究和分析，提出以圖像識(shí)別為核心的零件分揀系統(tǒng)。

1 零件分揀系統(tǒng)方案設(shè)計(jì)

正畸帶環(huán)如圖1所示。

圖1 零件的兩個(gè)狀態(tài)

由于生產(chǎn)的需要，該零件在后續(xù)加工過程中要求按狀態(tài)一的方位送到加工位置。該零件可以利用下部的圓弧缺口實(shí)現(xiàn)帶環(huán)中心軸與輸送方向垂直，但由于圖1零件A上下兩邊相差一個(gè)很小的凹坑，圖1零件B上下兩邊僅是圓弧角度有較小的差異，形狀差異很小，質(zhì)心位置基本居中，振動(dòng)盤無法將上下兩邊分出，達(dá)不到上料要求。

根據(jù)前述的圖像識(shí)別的思路，本研究在振動(dòng)盤出料口安裝圖像識(shí)別裝置，控制系統(tǒng)根據(jù)圖像識(shí)別的結(jié)果，控制推桿將不符合方位要求的零件推出送料軌道，如此圖像識(shí)別技術(shù)與振動(dòng)盤相結(jié)合，就能較好地解決正畸帶環(huán)上料方位問題。

零件分揀系統(tǒng)如圖2所示。

圖2 控制系統(tǒng)組成框圖

2 圖像的小波變換

目前，CCD攝像機(jī)拍攝的照片像素較高，數(shù)據(jù)量較大，須經(jīng)適當(dāng)處理，但又要保證圖像的主要特征不能丟失。二維小波變換既能降噪，又能在保留主要特征的情況下具有較大壓縮比例。

小波變換的原理是通過構(gòu)造一對(duì)正交鏡像濾波器[5]，對(duì)圖像進(jìn)行濾波處理，得到不同尺度不同方向的高低頻分量。對(duì)二維圖像進(jìn)行小波變換是分別在水平方向與垂直方向作一維小波變換來實(shí)現(xiàn)一層二維小波變換，圖像通過一層二維小波變換分解可以得到4個(gè)區(qū)域：低頻區(qū)域LL、高頻區(qū)域HL、LH、HH。其中，低頻區(qū)域LL表示近似分量，為原圖的平滑像，高頻區(qū)域HL、LH、HH分別表示水平分量、垂直分量和對(duì)角分量。對(duì)于每次變換得到的低頻區(qū)域LL可以再次進(jìn)行小波變換，一幅圖像作n次二維小波變換后，低頻區(qū)域圖像的尺寸為原圖像尺寸的1/4n。

小波變換分解如圖3所示。

圖3 小波變換圖

圖3中，低頻區(qū)域LL集中了圖像的大部分信息，而高頻區(qū)域則包含了大量的冗余信息和干擾，所以本研究直接對(duì)低頻區(qū)域進(jìn)行特征提取。由于圖像信息相對(duì)集中，小波變換不僅能有效地降低維數(shù)，去除冗余干擾信息，還能節(jié)省空間，提高計(jì)算效率。

3 特征提取

識(shí)別圖片經(jīng)小波變換，大小已縮小至原圖像的1/4n,但是維數(shù)仍然太多，不利于后續(xù)識(shí)別計(jì)算，需要進(jìn)一步進(jìn)行特征提取，主成分分析法(PCA)是一種常用的基于變量協(xié)方差矩陣對(duì)信息進(jìn)行處理、壓縮和提取的有效方法，由于其在降維和特征提取方面的有效性，在圖像識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。PCA算法主要利用K—L變換提取圖像的主要成分，構(gòu)成特征空間，識(shí)別時(shí)將測(cè)試圖像投影到此空間，得到一組投影系數(shù)，即該測(cè)試圖像的特征向量[6]。

主成分分析(PCA)具體算法是：(1)將圖像的二維矩陣按行轉(zhuǎn)換成一維向量，把一幅大小為M×N的圖像的像素矩陣的每行連在一起構(gòu)造成一個(gè)長(zhǎng)度D=M×N的特征向量，設(shè)有n個(gè)訓(xùn)練樣本，則構(gòu)成D×n向量矩陣；(2)求每列均值；(3)計(jì)算每列值與均值的差，構(gòu)建新的D×n向量矩陣；(4)構(gòu)建協(xié)方差矩陣；(5)求協(xié)方差矩陣的特征值和特征向量，構(gòu)造特征圖像空間；(6)為了減少維數(shù)，可以按照特征值的影響選取影響最大的前q個(gè)特征值及其特征向量。由此，原始的M×N維圖像經(jīng)上述轉(zhuǎn)換變成q維。根據(jù)這一維數(shù),從主成分系數(shù)矩陣和訓(xùn)練樣本投影矩陣中取出相應(yīng)的構(gòu)成新的主成分系數(shù)矩陣和樣本投影矩陣。識(shí)別時(shí),只需將識(shí)別樣本向主成分系數(shù)矩陣上投影就得到要提取的特征向量[7]。

4 圖像識(shí)別

根據(jù)特征向量進(jìn)行分類識(shí)別的技術(shù)較多，如距離分類、聚類分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)等。支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，能解決小樣本、維數(shù)災(zāi)難、過學(xué)習(xí)等問題。支持向量機(jī)以構(gòu)造最優(yōu)超平面為目標(biāo)，將不可分的數(shù)據(jù)映射到高維特征空間中，在高維特征空間中正確區(qū)分各類樣本。

設(shè)有兩類線性可分的樣本集合：

(1)

它可以被一個(gè)最優(yōu)分類超平面沒有錯(cuò)誤地分開，并且離超平面最近的向量與超平面的距離是最大的。最優(yōu)分類面函數(shù)為：

(2)

式中:xi—支持向量;ai—拉格朗日系數(shù);b—分類閾值。

對(duì)于數(shù)據(jù)為線性不可分的情況，支持向量機(jī)的分類過程則是通過核函數(shù)K(xi,yi)定義的非線性變換將輸入空間映射到一個(gè)線性可分的高維空間，然后在高維空間進(jìn)行線性分類。其相應(yīng)的分類函數(shù)也變?yōu)椋?/p>

支持向量機(jī)最初是針對(duì)二分類問題的，當(dāng)用于多分類問題時(shí)，可以以二分類為基礎(chǔ)，構(gòu)造多個(gè)二類分類器，求解多個(gè)分類器的分類超平面而獲得分類問題的最優(yōu)解[8-9]。

使用訓(xùn)練集建立支持向量機(jī)模型需要根據(jù)數(shù)據(jù)特征向量選擇合適的核函數(shù)和相關(guān)參數(shù)。徑向基函數(shù)應(yīng)用較廣泛，可以適應(yīng)大多數(shù)的應(yīng)用場(chǎng)合。徑向基核函數(shù)需要設(shè)置兩個(gè)參數(shù)，分別是核函數(shù)的寬度參數(shù)g和誤差懲罰系數(shù)c。合適的參數(shù)可以通過多種方法進(jìn)行尋優(yōu)得到，如網(wǎng)格算法、遺傳算法、粒子群算法等。

5 實(shí)驗(yàn)結(jié)果分析

本研究選取圖1所示兩個(gè)零件各一批，一半在向上方位、一半在向下方位采集圖片樣本，選取不同的樣本數(shù)作為訓(xùn)練樣本，另外樣本作為測(cè)試樣本，借助Matlab程序開發(fā)平臺(tái)和臺(tái)灣大學(xué)林智仁教授等的LIBSVM模式識(shí)別與回歸的軟件包，進(jìn)行小波變換、PCA降維和分類識(shí)別。

(1)小波變換。程序讀出圖片后，依次進(jìn)行灰度化、三層小波變換、向量化，保存向量矩陣。零件A的三層小波變換如圖4所示。

圖4 零件A的三層小波變換

零件B的三層小波變換如圖5所示。

圖5 零件B的三層小波變換

(2)PCA特征提取。圖像經(jīng)過三層小波變換，成為保留零件主要特征的圖片并保存為向量矩陣，向量矩陣經(jīng)PCA變換，按90%的影響力選取p值，提取適當(dāng)維數(shù)的特征向量。將變換得到的主成分系數(shù)矩陣(即變換矩陣)、樣本投影矩陣、列向量平均值保存，以供訓(xùn)練和識(shí)別使用。選取B零件20個(gè)作為訓(xùn)練樣本經(jīng)PCA處理后主成分系數(shù)矩陣如表1所示。

訓(xùn)練樣本投影矩陣如表2所示。

表2 訓(xùn)練樣本投影矩陣20×10

(3)SVM訓(xùn)練與識(shí)別。SVM的分類函數(shù)和懲罰因子選擇是關(guān)鍵，本例根據(jù)經(jīng)驗(yàn)選擇徑向基函數(shù)，核函數(shù)的寬度參數(shù)g選2，懲罰因子c選1。

訓(xùn)練時(shí)，訓(xùn)練樣本投影矩陣中每行為一個(gè)樣本的10維向量，與樣本的分類標(biāo)簽作為支持向量機(jī)的輸入，調(diào)用LIBSVM中的svmtrain函數(shù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果模型保存在文件中，以供識(shí)別時(shí)調(diào)用。

識(shí)別測(cè)試時(shí)，本研究讀取待檢測(cè)樣本，進(jìn)行灰度化、3層小波變換和向量化，通過訓(xùn)練時(shí)得到的變換矩陣進(jìn)行變換，得到檢測(cè)樣本投影矩陣，將前述訓(xùn)練得到的分類模型和檢測(cè)樣本投影矩陣，以及檢測(cè)樣本的分類標(biāo)簽輸作為SVM預(yù)測(cè)模塊的輸入，即可得到識(shí)別率。工程應(yīng)用時(shí)，直接從攝像頭獲得圖片，進(jìn)行適當(dāng)裁剪后按上述程序可以得到一個(gè)圖片的識(shí)別結(jié)果，從而驅(qū)動(dòng)控制裝置的動(dòng)作。實(shí)驗(yàn)結(jié)果如表3所示。

表3 實(shí)驗(yàn)結(jié)果

6 結(jié)束語(yǔ)

本文以正畸帶環(huán)排位送料為例，通過對(duì)零件結(jié)構(gòu)的分析，在振動(dòng)盤出料口安置CCD采集圖像，通過小波變換算法對(duì)零件圖像進(jìn)行去噪和降維，使零件圖像從40萬像素轉(zhuǎn)換成6 000多像素；通過主成分分析法從6 000多像素中提取10維向量作為零件主要特征，10維向量特征作為支持向量機(jī)的輸入，從而對(duì)零件方位進(jìn)行正確地識(shí)別，根據(jù)零件的方位狀態(tài)，控制驅(qū)動(dòng)裝置將不合要求的零件推出軌道，為下道工序的生產(chǎn)實(shí)現(xiàn)自動(dòng)送料。

實(shí)驗(yàn)結(jié)果表明：訓(xùn)練樣本達(dá)到20以上時(shí)，兩種零件的識(shí)別正確率都達(dá)到了100%，單個(gè)零件的識(shí)別時(shí)間在1 s以內(nèi)，能滿足實(shí)際生產(chǎn)要求。