基于機(jī)器視覺的血壓計自動分揀系統(tǒng)的實現(xiàn)

周珂瑋

摘 要：隨著工業(yè)4.0智能化進(jìn)程的推進(jìn)，研究智能機(jī)器人代替重復(fù)性人工勞動是現(xiàn)在人工智能領(lǐng)域研究的一大熱門方向。本文主要以生產(chǎn)血壓計按類型進(jìn)行分揀展開研究，開發(fā)基于機(jī)器視覺原理的智能分揀系統(tǒng)，該系統(tǒng)通過工業(yè)相機(jī)采集外形圖像，獲取目標(biāo)圖像位置、姿態(tài)信息，矯正圖像后將正視圖像降采樣，根據(jù)圖像特征構(gòu)成特征矢量，輸入機(jī)器學(xué)習(xí)網(wǎng)絡(luò)后輸出血壓計所屬類別，并發(fā)送控制命令給機(jī)器人完成分揀。分揀過程中同時記錄存儲分揀結(jié)果信息，并建立質(zhì)量控制流水線，實現(xiàn)后續(xù)質(zhì)檢、裝箱、報錯報警等操作。

關(guān)鍵詞：智能分揀系統(tǒng) 機(jī)器視覺原理 機(jī)器學(xué)習(xí) 血壓計外殼

一、引言

工業(yè)自動分揀是指在工件、產(chǎn)品隨機(jī)擺放后，根據(jù)類型實現(xiàn)自動識別、分揀、定位、抓取、分類放置的過程，是生產(chǎn)環(huán)節(jié)的主要組成部分。自動分揀與人工進(jìn)行分揀作業(yè)相比，不僅更高效、更準(zhǔn)確，而且在保障衛(wèi)生、質(zhì)量等方面有著非常明顯的優(yōu)勢。近年來，我國自動分揀技術(shù)及分揀設(shè)備發(fā)展迅速，特別是工業(yè)視覺這種具有高度自動化、高效率、高精度和高適應(yīng)能力的智能設(shè)備，為高速發(fā)展的分揀系統(tǒng)打開了“新視野”，而智能機(jī)器人的廣泛應(yīng)用，也極大得解放了傳統(tǒng)人力勞動，在工作效率上也較以前有了大幅得提升。

本文主要以血壓計外殼按類型進(jìn)行分揀問題展開研究，自主研制了一套基于機(jī)器視覺的血壓計外殼自動分揀系統(tǒng)。系統(tǒng)通過攝像頭捕捉血壓計圖像，采用人工神經(jīng)網(wǎng)絡(luò)分類算法實現(xiàn)不同類型的分揀操作，分揀結(jié)果存入數(shù)據(jù)庫，可以進(jìn)行查詢、分類統(tǒng)計，并可控制執(zhí)行結(jié)構(gòu)實現(xiàn)拾取、裝箱等功能。本課題研究實現(xiàn)的自動分揀系統(tǒng)，對小批量自動分揀應(yīng)用推廣具有一定的理論意義和實用價值。

二、自動分揀系統(tǒng)總體方案設(shè)計

整個系統(tǒng)由硬件系統(tǒng)和軟件系統(tǒng)兩大部分組成，硬件系統(tǒng)包括工控機(jī)、機(jī)器視覺模塊、機(jī)器人控制器、光電開關(guān)觸發(fā)模塊和信號報警模塊，系統(tǒng)軟件主要包括圖像采集、處理算法，命令控制和數(shù)據(jù)管理三大部分。

軟件處理流程如圖1所示。工控機(jī)控制工業(yè)相機(jī)采集血壓計圖像后進(jìn)行圖像預(yù)處理，預(yù)處理后采用基于邊緣特征的多模板目標(biāo)對象定位算法確定其位置和角度，并將其矯正為正視圖像，以消除隨意擺放帶來的位置和角度干擾;最后通過預(yù)訓(xùn)練好的三層人工神經(jīng)網(wǎng)絡(luò)分類器判別所屬類型，依據(jù)分類結(jié)果判別報警信號輸出，將分類結(jié)果顯示在人機(jī)交互界面上，并保存到本地數(shù)據(jù)庫中。

圖1 自動分揀系統(tǒng)軟件處理流程示意圖

三、血壓計外殼特征提取

3.1 血壓計外殼圖像定位矯正算法

本文采用基于圖像邊緣特征的匹配定位矯正算法，當(dāng)目標(biāo)圖像部分可見或與其他圖像混合時，該方法依然能夠搜索到目標(biāo)圖像。算法實現(xiàn)時，采用給出迭代終止條件和金字塔模板進(jìn)行搜索，對算法進(jìn)行優(yōu)化，具有較高的計算效率，該算法分為三個步驟：

（1） 創(chuàng)建基于邊緣的模板圖像模型

首先使用Sobel算子提取原始模板圖像粗邊緣，在模板圖像上使用Sobel算子計算X和Y方向的梯度變化Gx，Gy，再通過公式（1）計算邊緣大小和方向。

（1）

提取圖像粗邊緣后將細(xì)化邊緣，其基本思想是在邊緣方向上查找極大值，通過非極大值抑制、高低閾值判斷后保存數(shù)據(jù)集，在提取邊緣之后，將所選邊緣的X和Y導(dǎo)數(shù)與坐標(biāo)信息一起保存為模板模型。

（2） 在待搜索目標(biāo)圖像上首先應(yīng)用邊緣提取算法提取邊緣特征，然后采用互相關(guān)的圖像定位匹配算法，將模板模型與搜索目標(biāo)圖像進(jìn)行匹配。在匹配過程中，使用相似性度量將模板模型與所有位置的目標(biāo)圖像進(jìn)行比較，其思想是獲取模板圖像所有梯度向量的歸一化點積的總和，從而定位目標(biāo)對象的位置和角度。

（3） 以第二步返回的位置為中心，將待搜索圖像旋轉(zhuǎn)對應(yīng)的角度，實現(xiàn)將隨機(jī)位置圖像矯正為正視圖像。

3.2 血壓計外殼圖像特征提取算法

采用矯正后的目標(biāo)圖像作為輸入圖像，采用特征向量提取算法提取目標(biāo)圖像的水平投影、垂直投影，加上圖像灰度信息組成一個一維向量，作為神經(jīng)網(wǎng)絡(luò)分類器的輸入。基本算法步驟為：

（1） 如圖2所示，采用高斯金字塔降采樣算法，把圖像統(tǒng)一為64pix×64pix大小的圖像，并保留圖像的灰度信息，像素間采用雙線性插值。

圖2 金字塔模板模型

（2） 計算圖像的灰度水平投影，即將圖像每一行所有像素的灰度值相加作為該行像素的特征值。

（3） 計算圖像灰度的垂直投影，即將圖像每一列所有像素的灰度值相加作為該列像素的特征值。

（4） 創(chuàng)建一維特征向量，該向量由水平投影、垂直投影、圖像像素灰度值按順序組成。

四、血壓計外殼圖像分類器

4.1 人工神經(jīng)網(wǎng)絡(luò)

大腦中的每一個神經(jīng)元都可以被比作是一個處理單元（神經(jīng)核），每個神經(jīng)元上都含有許多的輸入（樹突）和一個輸出（軸突）。大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

圖3 大腦的神經(jīng)元示意圖

4.2 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計及實現(xiàn)

本文主要針以A、B、C、D、E共5類型號的血壓計進(jìn)行分類識別，每組類型準(zhǔn)備300張圖像作為訓(xùn)練樣本，在上一章節(jié)已經(jīng)針對5種血壓計類型的圖像進(jìn)行特征提取，去除了位置、旋轉(zhuǎn)角度等的外部干擾量，獲得了高魯棒性的特征向量，為進(jìn)一步設(shè)計人工神經(jīng)網(wǎng)絡(luò)分類器提供了可靠數(shù)據(jù)。

根據(jù)圖像水平、垂直投影以及圖像灰度特征為分類標(biāo)準(zhǔn)設(shè)計分類器，針對64×64pix圖像計算了1×4224維特征矢量作為輸入，輸出設(shè)計一個對應(yīng)A，B，C，D，E五種不同類型輸出5×1維（5行1列）的數(shù)組。通過捕捉每種類型血壓計外殼圖像300張，將經(jīng)過圖像定位、矯正及特征提取后的特征矢量作為訓(xùn)練輸入，最后通過在OpenCV視覺庫的基礎(chǔ)上實現(xiàn)了三層的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN）分類器結(jié)構(gòu)。

五、總結(jié)

隨著工業(yè)4.0智能化進(jìn)程的推進(jìn)，對常規(guī)簡單分揀任務(wù)逐步采用智能設(shè)備代替人工的需求將會越來越大。本文以血壓計外殼分揀為例，研制了一套自動分揀系統(tǒng)。后期改進(jìn)設(shè)計可對本套系統(tǒng)進(jìn)行更加深入的研究、更加合理的優(yōu)化，使這套系統(tǒng)工作性能、穩(wěn)定性得到提高，更好的投入生產(chǎn)、物流工作中。

參考文獻(xiàn)：

[1] 唐鎮(zhèn)城.視覺分揀系統(tǒng)研究[J].價值工程，2018，37（18）：186-188.

[2] 萬龍，吳仁杰.分揀機(jī)器人在郵政企業(yè)應(yīng)用前景淺析[J].中國郵政，2017，（07）：44-45.

[3] 伍錫如，黃國明，孫立寧.基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺識別與定位算法[J].機(jī)器人，2016，38（06）：711-719.

[4] 劉佳文，王粲，劉源，易煦東.機(jī)器人自動分揀試驗系統(tǒng)流程與軟件方案研究[J].價值工程，2018，37（30）：115-116.

[5] 鄧廣偉.基于深度學(xué)習(xí)的圖像哈希檢索方法研究[D].湖南省：湖南大學(xué)，2018.

[6] 李元鵬.基于AHP和BP神經(jīng)網(wǎng)絡(luò)的人工濕地運行狀態(tài)評估研究[D].山東省：山東建筑大學(xué)，2018.

[7] 陳偉，周浩;，潘文杰，熊永華.基于人工神經(jīng)網(wǎng)絡(luò)的烤煙評吸質(zhì)量評估模型及實現(xiàn)[J].湖北農(nóng)業(yè)科學(xué)，2018，57（24）：108-111+123.

[8] 王先通.基于機(jī)器視覺的紙病檢測系統(tǒng)的研究與實現(xiàn)[D].陜西省：山西科技大學(xué)，2016.