分析圖像識(shí)別技術(shù)在零件裝配自動(dòng)識(shí)別中的應(yīng)用

張曉棟

摘要：該文簡要介紹了圖像識(shí)別技術(shù)的程序組成與識(shí)圖功能，分別從圖像濾波、圖像分割、特征歸納、位置確定等視角，詳細(xì)解析了零件識(shí)圖程序的運(yùn)行過程，采取實(shí)驗(yàn)形式驗(yàn)證此種識(shí)圖方式的可操作性。

關(guān)鍵詞：零件;閾值;圖像識(shí)別技術(shù)

中圖分類號(hào)：TP3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）08-0065-02

在原有裝配生產(chǎn)體系中，裝配智能程序的各項(xiàng)操作采取預(yù)設(shè)計(jì)形式，完成固定操作的生產(chǎn)程序編輯，借助傳感器增強(qiáng)生產(chǎn)控制效果。在裝配時(shí)完成各類操作程序設(shè)定，確保零件、包裝箱等要素位置的精準(zhǔn)性，以期獲取高性能零件產(chǎn)品。

1技術(shù)概述

識(shí)圖技術(shù)嵌入在監(jiān)控單元中，以子模塊形式完成添加，以期對零件監(jiān)控圖像進(jìn)行多項(xiàng)處理，比如信息采集、圖像處理、位置識(shí)別等，達(dá)成智能裝配目標(biāo)，作為程序運(yùn)行的關(guān)鍵技術(shù)。識(shí)圖程序的處理過程如表1所示。

識(shí)圖模塊在運(yùn)行期間，需以零件圖像為視角，對其進(jìn)行濾波處理，加強(qiáng)噪音消除，再分割處理圖像，確定零件功能特點(diǎn)，對零件位置進(jìn)行精確鎖定[1]。

2零件識(shí)圖程序

2.1圖像濾波

采集圖像期間會(huì)面臨多種信息采集干擾問題，引起噪聲問題。為有效消除識(shí)圖誤差問題，需規(guī)范進(jìn)行濾波處理。為此，以濾波算法為操作方法，在消除隨機(jī)產(chǎn)生噪音的基礎(chǔ)上，維護(hù)圖像邊緣信息完整性，表現(xiàn)出圖像處理較強(qiáng)的適應(yīng)能力。

2.2圖像分割

在進(jìn)行圖像分割操作時(shí)，零件物理顏色較為明亮，零件材質(zhì)為金屬。在操作時(shí)，采取漆黑處理工序，調(diào)整盛裝零件的工具盤，使捕獲零件與裝載工具形成色彩差異，確保圖像處理簡化性，提升圖像識(shí)別精確性。零件圖像顯示時(shí)，含有突出雙峰，可使用二值化分割處理圖像信息。在圖像分割處理時(shí)，采取最優(yōu)閾值處理方式，獲取程序閾值。同時(shí)使用正態(tài)分布方法，借助概率密度函數(shù)，獲取相似結(jié)果。閾值確定方式參照多組正態(tài)分布中峰值間隔位置，選擇此處概率最小值對應(yīng)的灰度結(jié)果。

閾值最優(yōu)解的確定方法：

2.3確定連通區(qū)域

在分割處理圖像時(shí)，使用連通域標(biāo)記方法，逐一標(biāo)記各節(jié)點(diǎn)。結(jié)合序貫算法標(biāo)準(zhǔn)，二次處理采集捕獲的零件圖像。序貫算法使用方法如下：

2.3.1初次掃描

掃描采取由左向右、自上而下的順序，對采集捕獲的零件圖像R進(jìn)行初步掃描。假設(shè)算法鎖定了圖像中的兩個(gè)節(jié)點(diǎn)，對節(jié)點(diǎn)像素非零位置進(jìn)行[R（m，n）]賦值，保證賦值結(jié)果為非零狀態(tài)，結(jié)合相鄰節(jié)點(diǎn)標(biāo)號(hào)情況，進(jìn)行賦值選擇。

（1）如果相鄰位置的背景像素結(jié)果為零，則坐標(biāo)位置[R（m，n）]將會(huì)成為新標(biāo)記點(diǎn)。

（2）如果相鄰節(jié)點(diǎn)中僅有一個(gè)位置滿足[N（m，n）]=1條件，且此坐標(biāo)位置標(biāo)記結(jié)果為[L]，則此標(biāo)記坐標(biāo)賦值結(jié)果為[R（m，n）]。

（3）如果相鄰節(jié)點(diǎn)中兩個(gè)位置均滿足[N（m，n）]=1條件，同時(shí)標(biāo)記結(jié)果為[L]，則對標(biāo)記坐標(biāo)賦值[R（m，n）];如果兩個(gè)坐標(biāo)位置標(biāo)記結(jié)果分別為[I]與[J]，則采取標(biāo)記合并處理，進(jìn)行標(biāo)號(hào)存儲(chǔ)時(shí)，采取等價(jià)處理方式，將坐標(biāo)存儲(chǔ)在獨(dú)立的數(shù)據(jù)表中，相同價(jià)表中含有的各類連通成分均被標(biāo)記了唯一碼。

2.3.2二次掃描

在等價(jià)結(jié)果中，選擇其中一個(gè)節(jié)點(diǎn)進(jìn)行標(biāo)記處理，同時(shí)對連通域中各節(jié)點(diǎn)分配標(biāo)號(hào)。一般情況下，一個(gè)連通域會(huì)獲得較小的標(biāo)記結(jié)果。二次掃描中保證每個(gè)連通域獲得了分配碼具有唯一性。在分割處理零件采集圖像時(shí)，使用二值化分割方法，加強(qiáng)區(qū)域閾值消除環(huán)境噪音，再使用序貫算法對圖像進(jìn)行標(biāo)記處理，各類連通域逐一完成標(biāo)記[2]。

2.4歸納零件特征

一定數(shù)量的零件，外觀形狀以圓形、方形為表現(xiàn)形式，具有幾何外觀的簡易性。因此，借助零件外觀特征，進(jìn)行零件特征識(shí)圖分析。在識(shí)圖分析時(shí)，使用圓形、方形兩種零件的外觀特點(diǎn)，比如圓形弧度、矩形角度、幾何面積、圓形外周長等。充分借助零件自身表現(xiàn)出的幾何外觀特點(diǎn)，減少樣本訓(xùn)練問題，提升特征匹配識(shí)別準(zhǔn)確性。零件特征定義方式，具體表現(xiàn)為：

（1）幾何面積S：[S=m=0j-1n=0i-1b[m，n]]。

（2）幾何周長C：以目標(biāo)零件區(qū)域?yàn)橐暯牵瑴y定各像素外圍長度。

（3）圓形弧度E：[E=4πS×（C2）-1]。

（4）矩形角度K：[K=S×（Sk）-1]。其中[Sk]表示矩形面積的最小值。

如表2所示，為某裝配廠選出的目標(biāo)零件特征分析結(jié)果。

在識(shí)別零件幾何特征期間，以定位算法為切入點(diǎn)，優(yōu)先獲取幾何區(qū)域中心值，同時(shí)結(jié)合零件標(biāo)準(zhǔn)圖的具體情況，進(jìn)行圖像匹配，獲得初步圖像匹配結(jié)果。獲取零件特征的方法，分別使用幾何面積、幾何周長等特征項(xiàng)，精細(xì)匹配目標(biāo)零件。使用圖像匹配方法，具有圖像識(shí)別高效性，順應(yīng)智能在線識(shí)圖操作需求，同時(shí)保證匹配質(zhì)量[3]。

2.5鎖定零件位置

2.5.1確定零件坐標(biāo)信息

鎖定零件位置時(shí)，獲取零件信息包括零件坐標(biāo)位置、零件所指方向。在定位處理時(shí)，優(yōu)先確定零件質(zhì)心位置。在二值圖像中，零件中心與質(zhì)心所指為相同位置，確定方法為公式（4）、公式（5）：

此過程是對圖像全部位置進(jìn)行識(shí)別獲得的結(jié)果，此時(shí)圖像噪音處理效果不理想。

2.5.2判斷零件所指方向

在判斷零件方向時(shí)，需采取目標(biāo)零件分析形式，獲取相對應(yīng)的零件特征。在程序中，將少部分程序設(shè)定為擴(kuò)展分析單元，以裝配零件為視角，創(chuàng)設(shè)單獨(dú)處理虛擬空間，結(jié)合操作需求進(jìn)行創(chuàng)設(shè)與刪除。此種程序設(shè)計(jì)方式有效增強(qiáng)了程序功能的延展性，加強(qiáng)了程序?qū)α慵幚淼撵`活性。比如，在定位特殊外觀零件所指方向時(shí)，其中一個(gè)零件的幾何外觀附帶圓孔，可以圓孔為幾何特點(diǎn)，連線處理孔中心，獲取零件所指方向。另一個(gè)零件幾何特征為凹矩形，在確定此零件所指方向時(shí)，使用二階矩軸的最小值，判斷長軸所指方向，同時(shí)結(jié)合凹槽與物體中位坐標(biāo)信息，辨識(shí)零件旋轉(zhuǎn)情況。

二階矩陣軸的最小值以直線為幾何外觀表現(xiàn)，是指物體各節(jié)點(diǎn)位置與二階矩軸相距的長度最小，對此結(jié)果進(jìn)行平方和處理，獲取平方和的最小值。假設(shè)二值圖像坐標(biāo)信息為[b[m，n]]，獲取物體節(jié)點(diǎn)與特定直線之間的二乘方結(jié)果最小值，以獲取各節(jié)點(diǎn)與特定直線間距長度平方相加結(jié)果的最小值，計(jì)算方式如式（6）：

3結(jié)論

綜上所述，借助視覺智能技術(shù)提升自動(dòng)裝配生產(chǎn)精確性，發(fā)揮識(shí)圖技術(shù)零件位置鎖定功能，為零件裝配工序發(fā)展奠定技術(shù)基礎(chǔ)。識(shí)圖技術(shù)具有操作簡便、識(shí)圖能力優(yōu)異等優(yōu)勢，能夠順應(yīng)各類裝配生產(chǎn)需求。

參考文獻(xiàn)：

[1] 洪慶，宋喬.基于智能視覺的機(jī)械零件圖像分割技術(shù)[J].機(jī)械制造與自動(dòng)化，2020，49（5）：203-206.

[2] 魏中雨，黃海松.基于機(jī)器視覺和深度神經(jīng)網(wǎng)絡(luò)的零件裝配檢測[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020（3）：74-77，82.

[3] 朱博文，馬立.自動(dòng)軸孔裝配系統(tǒng)的現(xiàn)狀與關(guān)鍵技術(shù)[J].現(xiàn)代制造工程，2019（5）：156-161.

【通聯(lián)編輯：代影】