基于貝葉斯分類與角點匹配的工件定位算法研究

饒 健

(三明學(xué)院 信息工程學(xué)院，福建 三明 365004)

機器視覺、物聯(lián)網(wǎng)和機器人已經(jīng)越來越多地用到了工業(yè)制造領(lǐng)域，其中以基于機器視覺的工件定位為核心展開的智能化項目是基礎(chǔ)，本研究以工件定位為研究對象，以貝葉斯分類、角點匹配為手段，讓機器知道工件位置，用于引導(dǎo)機器人的作業(yè)。

工件定位屬于計算機視覺領(lǐng)域中的目標定位，國內(nèi)研究人員已經(jīng)取得了一定研究成果。王翰[1]提出基于雙目視覺的帶圓特征工件空間定位，建立虛擬橢圓投影模型，然后建立虛擬橢圓錐面，計算圓面的姿態(tài)，解決圓面定位的二義性問題，獲得空間圓面準確的位姿。但是該技術(shù)缺乏大數(shù)據(jù)測試與論證，在實際流水線運作環(huán)境可能出現(xiàn)誤定位的問題。翟永杰[2]提出基于機器視覺的汽車工件抓取定位系統(tǒng)，以FANUC機器人為平臺，采用單應(yīng)性矩陣和最小外接矩形方法，完成定位。該技術(shù)過度依靠硬件支持，且成本較高。郭斌[3]基于工業(yè)相機完成圖像采集，由NI Vision軟件進行圖像處理，基于邊緣檢測提取質(zhì)心點，完成目標定位。該技術(shù)采用商業(yè)付費軟件，不僅底層應(yīng)用調(diào)取不靈活，而且成本較高。

為了增強復(fù)雜條件下工件定位的準確性，本文融合了圖像處理技術(shù)與機器學(xué)習(xí)來設(shè)計并實現(xiàn)了工件定位算法，并開發(fā)了一套了工件定位軟件系統(tǒng)。為保證算法和系統(tǒng)的普適性，本文算法面向多種工件進行定位，并且預(yù)留了增設(shè)其他工件定位的接口。最后，測試了本文算法的定位準確性。

1 本文工件定位算法

工廠智能化需要用到大量工業(yè)機器人，機器人具有機械手裝置，但是缺乏視覺與分析系統(tǒng)。需要開發(fā)出與之配套的視覺系統(tǒng)，給與其動作引導(dǎo)功能。為了達到引導(dǎo)機器人的目的，采用角點檢測的方式，保證定位準確度，采用貝葉斯分類的方式，保證識別的穩(wěn)定性，整個定位過程如圖1所示。利用工業(yè)相機完成工件圖像采集；采用角點檢測與角點匹配的方式，定位工件的區(qū)域與位置；利用貝葉斯分類，完成工件的精準定位；最后將定位機制從方案實現(xiàn)為代碼和系統(tǒng)，完成落地化應(yīng)用，以達到準確、快速識別工件目標的目的。典型的待定位的工件目標圖像如圖2所示。

1.1 基于角點匹配的工件定位

由于工件種類繁多且擺放隨意，本文以螺絲、螺帽和六角螺母為例，定位對象為六角螺母，即區(qū)分開螺絲、螺母。采用簡單的灰度閾值分割和形態(tài)學(xué)處理的方式很難滿足需要，因此本研究引入角點檢測。角點是輪廓交匯點，即同場景的視角發(fā)生變化，附近區(qū)域像素點在梯度方向和幅值上有較大變化[4]。六角螺母具有6個角的特點，這種特征點較為明顯。窗口在圖像上滑動，比較滑動前后窗口中灰度變化，如果存在較大灰度變化，則認為窗口中存在角點[5]：

E(u,v)=∑x,yw(x,y)[I(x+u,y+v)-I(x,y)]2

(1)

式中：[u,v]是偏移量；(x,y)是窗口內(nèi)坐標，w(x,y)是窗口函數(shù)。本算法中，w(x,y)函數(shù)以中心為原點二元正態(tài)分布[6]，變換式(1)為

(2)

式中：[u,v]代表窗口的偏移量；M代表窗口角點矩陣

(3)

式中：M是角點矩陣；w(x,y)是窗口函數(shù)；Ix和Iy代表像素梯度坐標，Harris角點檢測通過窗口內(nèi)像素的x與y方向上梯度統(tǒng)計分析[7-9]。

圖1 本文系統(tǒng)框架

對于所提算法而言，主要是根據(jù)Harris角點特征來完成對六角螺母的檢測。在此基礎(chǔ)上，本研究進行角點匹配，即將待檢圖像中的疑似角點與標準六角螺母的已知角點進行配對，從而得出六角螺母的6個角位置，完成角點檢測。對圖2角點檢測后的結(jié)果如圖3所示，正確定位到六角螺母的位置。

圖2 待定位的工件圖像 圖3 角點檢測結(jié)果

1.2 基于貝葉斯分類的定位結(jié)果

在實際應(yīng)用中，一次需要檢測的工件數(shù)量往往較多，而且待檢視野中還有其他工件，比如螺絲和螺帽。為了準確定位到螺母而不是螺絲，引入了機器學(xué)習(xí)技術(shù)，即貝葉斯分類器。貝葉斯分類基于概率統(tǒng)計進行分類，通過先驗概率，計算出其后驗概率，選擇最大后驗概率的類作為所屬類[10-11]。

首先，建立工件圖像種類庫，將其作為貝葉斯分類器的輸入端。其中，圖像、工件種類作為一條特征行：

x={a1,a2,...,am}]

(4)

式中：x代表特征行；a代表特征；m代表特征個數(shù)。

其次，把每條特征行存入樣本數(shù)據(jù)庫，接著針對人工標注的工件種類，建立類別集合[12]：

C={y1,y2,...,yn}]

(5)

式中：C代表結(jié)果類別集合，y代表文本文字內(nèi)容；n代表文本文字個數(shù)。

貝葉斯分類算法解釋了一個識別結(jié)果的可能性，基于對同類事物理解的經(jīng)驗和知識[13]，數(shù)學(xué)表達式為

(6)

式中：c代表待識別的工件種類；a代表支撐判斷的證據(jù)特征。

隨后，在上述基礎(chǔ)上引入概率密度函數(shù)，完成數(shù)據(jù)訓(xùn)練和結(jié)果識別[14-15]：

(7)

式中：c代表待識別的工件種類；a代表支撐判斷的證據(jù)特征；u代表特征均值。

以圖3的角點檢測結(jié)果為數(shù)據(jù)，利用貝葉斯分類器來定位工件，結(jié)果如圖4所示。由圖4可知，工件定位準確。

圖4 定位結(jié)果

3 實驗與討論

本次實驗將算法以代碼實現(xiàn)，并且集成在軟件系統(tǒng)中進行實驗，角點參數(shù)為 [0.65，0.78]。為了凸出所提技術(shù)的優(yōu)勢，將文獻技術(shù)[1-2]的定位結(jié)果作為對照組。

待定位的圖像如5所示，有2個六角螺母待檢測定位。工件定位系統(tǒng)界面如圖6所示，功能有：貝葉斯分類、角點匹配和工件定位。

本文算法采用Harris角點檢測，完成螺母工件的粗定位，并基于貝葉斯分類，完成螺母工件的識別確認和精定位如圖7所示。螺母工件定位正確，定位到兩個螺母工件，沒有對螺絲螺帽誤定位。文獻[1]算法通過建立虛擬橢圓投影模型，然后根據(jù)虛擬橢圓錐面來計算圓面的姿態(tài)，該技術(shù)缺乏大數(shù)據(jù)訓(xùn)練，在實際流水線運作環(huán)境中，往往出現(xiàn)系統(tǒng)不穩(wěn)定的問題。文獻[2]技術(shù)以機器人軟件系統(tǒng)為基礎(chǔ)平臺，基于單應(yīng)性矩陣的原理，用平臺自帶的最小外接矩形定位工件目標，該技術(shù)過度依靠商業(yè)硬件平臺支持，且成本較高，缺乏靈活性。文獻[1]和文獻[2]定位結(jié)果如圖8和圖9所示，定位結(jié)果有一定的誤差，圖8誤定位了一個螺帽，圖9誤定位了一個螺帽，少定位了一個螺母。通過實驗對比發(fā)現(xiàn)，本文算法對工件定位更為準確，具備更好的準確度與穩(wěn)定性。

圖5 待定位圖像 圖6 系統(tǒng)界面圖

圖7 本文算法的定位結(jié)果 圖8 文獻[1]算法的定位結(jié)果

圖9 文獻[2]算法的定位結(jié)果

為了客觀反映本文算法的穩(wěn)定性，自行構(gòu)建10組測試樣本，每一組中均含有8個螺母，10個螺釘，以及12個螺栓，但是所有的零件尺寸與形狀都不一樣。再利用所提算法與文獻算法[1-2]來檢測其中的螺釘，并統(tǒng)計各自的準確性，結(jié)果如表1所示。由表1可知，所提算法具備更好的準確性，例如，對于第1組實驗，其能夠準確定位出10個螺釘，無誤檢和漏檢現(xiàn)象。而文獻[1]的檢測正確度不佳，只將其中的6個螺釘識別出來，并存在誤檢目標，把3個螺栓誤判為螺釘。同樣，文獻[2]方案的準確性也不理想，雖然能夠?qū)?0個螺釘全部檢測出來，但是也存在誤檢，將1個螺母和3個螺栓誤判為識別目標。同樣，對于其他幾組實驗，也具有類似的檢測結(jié)果。

表1 不同算法的穩(wěn)定性測試

3 結(jié) 語

為了解決現(xiàn)場復(fù)雜環(huán)境下工件目標難定位的問題，本文設(shè)計并實現(xiàn)了一套基于貝葉斯分類與角點檢測的工件定位算法。該技術(shù)分別從角點特征、檢測匹配、貝葉斯分類出發(fā)，根據(jù)工件定位應(yīng)用場景，分析并建立了Harris角點檢測方程，檢測出六角螺母的特征角點位置，以此定位六角螺母；建立貝葉斯分類模型，通過特征集訓(xùn)練，基于訓(xùn)練出的分類器確認所定位的工件為六角螺母，實現(xiàn)算法與系統(tǒng)并落地于實際產(chǎn)線量產(chǎn)，達到準確定位工件目標的目的，為后續(xù)智能化設(shè)備奠定了智能算法基礎(chǔ)。在實際生產(chǎn)中，逐步研發(fā)增加各種工件目標定位的技術(shù)是下一步深入研究的內(nèi)容。