面向分揀機器人的珍珠形狀視覺檢測方法

劉新穎，金守峰，嚴 楠

(1.西安工程大學 機電工程學院，西安 710048; 2.寧波職業(yè)技術(shù)學院，浙江 寧波 315800)

0 引言

珍珠為自然產(chǎn)物，其形狀不能完全一致，作為飾品的珍珠對形狀要求很高，需要按不同等級進行分選，現(xiàn)有的珍珠形狀分選主要以人工為主，依靠肉眼或手工測量，勞動強度大、分選精度不穩(wěn)定。隨著機器人技術(shù)、機器視覺技術(shù)的飛速發(fā)展，越來越多具有視覺感知的機器人取代人工應(yīng)用到各個領(lǐng)域中。蘇澤斌等[1]提出基于參數(shù)核圖割計算紗線毛羽特征參數(shù)的算法，將紗線二值圖像與紗芯二值圖進行邏輯運算，分析毛羽參數(shù)特征，實驗表明該方法耗時少、誤分點少；謝佳等[2]利用最小外接矩算法測量鞋面尺寸，提高了尺寸測量的精度與速度；P.Vermeulen等[3]將近紅外高光譜成像法，與形態(tài)學結(jié)合，在面積、周長、圓形度、最大內(nèi)核直徑、最小內(nèi)核直徑、縱橫比、圓度、密實度等8個方面對硬粒小麥和普通小麥進行分類；周新文等[4]提出了一種基于數(shù)字圖像處理的DIP法，通過分析沙粒投影，測量沙子的特征參數(shù)來表征顆粒形態(tài)。N.Tsoulias等[5]采用光檢測與距離系統(tǒng)對蘋果樹在生長過程中去葉前和去葉后進行掃描，利用基于雷達三維點云提取線性度和曲率檢測蘋果的幾何特征；段宇飛等[6]采用光源透射方式采集雞蛋圖像，結(jié)合凸包算法提取雞蛋長短軸及蛋形，實現(xiàn)雞蛋尺寸分級；袁雷明等[7]利用多視角采集葡萄果穗不同角度圖像，通過提取輪廓曲線及顏色空間轉(zhuǎn)換實現(xiàn)葡萄外觀分級；王毓綜等[8]對國內(nèi)珍珠形狀自動分級的技術(shù)現(xiàn)狀進行分析，提出了以機器視覺為主導的未來在線實時檢測的解決方案；鄭春煌等[9]采用特殊的照明方式對珍珠圖像進行采集，在極坐標下獲取珍珠長短徑，通過直徑差對珍珠形狀大小進行檢測；張建華等[10]結(jié)合H-minima分水嶺分割方法和最小二乘圓法誤差理論，實現(xiàn)棉花葉部粘連病斑的分割，但當病斑粘連特別緊密時存在欠分割現(xiàn)象；孫衛(wèi)紅等[11]針對粘連蠶繭難以分割定位的問題，采用凹點定向腐蝕的方法完成圖像分割，但該方法凹點檢測率較低；李革等[12]通過珍珠圖像的坐標轉(zhuǎn)換，采用模糊識別方法對多視圖珍珠圖像特征判斷珍珠形狀并分類；白莉娜等[13]針對顆粒圖像中粘連區(qū)域不易分割的問題，利用鏈碼進行邊界跟蹤并計算粘連區(qū)域邊界曲率，將匹配到的凹點利用分割線連接，從而實現(xiàn)粘連顆粒的分割；王雪奎等[14]采用數(shù)字圖像技術(shù)對黏性土顆粒在長徑比、圓度及粗糙度等參數(shù)進行分析；鄧翔宇等[15]針對交通標識的分類，通過顏色特征分割，提出了基于邊緣走勢統(tǒng)計特征算法，實現(xiàn)快速識別交通標識；楊輝華等[16]針對粘連細胞分割問題，利用水平集方法提取細胞輪廓，循環(huán)迭代檢測粘連細胞輪廓上的凹點區(qū)域，確定分割位置完成細胞分割，但該方法計算量大、效率低；李蓉娟等[17]為了提高作業(yè)目標的抓取精度，設(shè)計了基于目標形狀特征的識別定位方法，有效識別、抓取作業(yè)目標；許偉棟等[18]利用機器視覺獲取馬鈴薯圖像，通過PCA-SVM算法提取馬鈴薯特征向量，在SVM模型中進行分類，提高分級精度。

粘連珍珠的分割是機器視覺識別中的難點，目前，對類圓形物體的分割方法主要有凹點法[19]、膨脹腐蝕法[20]、輪廓曲線法[21]、分水嶺算法[22]等。以上算法針對具體情況均可以實現(xiàn)類圓形顆粒分割，但同時又都具備一定的局限性。例如，凹點法主要利用目標物粘連時的凹凸特性，根據(jù)凹點處的夾角進行粘連目標的分割，但凹點的確定和匹配容易出錯，計算量較大；膨脹腐蝕算法容易破壞珍珠的原始形狀，不利于本文對珍珠形狀特征參數(shù)的測量；輪廓曲線法計算時運算量大，識別率低，一般僅適用于2～3顆少數(shù)目標粘連的情況；分水嶺算法是一種分割重疊圖像的經(jīng)典算法，具有快速準確有效的特點，但傳統(tǒng)的分水嶺算法會受到噪聲的干擾產(chǎn)生過分割或欠分割現(xiàn)象，產(chǎn)生大量的虛假邊緣或造成真實邊緣消失，尤其多顆珍珠粘連時，分割效果較差。對傳統(tǒng)分水嶺算法進行改進，是提高分割效果的關(guān)鍵。本文結(jié)合形態(tài)學算法和歐氏距離變換改進傳統(tǒng)分水嶺算法，分割粘連珍珠圖像。

針對人工進行珍珠形狀分選勞動強度大、效率低及分選精度不穩(wěn)定等問題，提出面向珍珠分揀機器人的形狀視覺檢測方法。通過機器視覺獲取珍珠圖像信息，在珍珠圖像預(yù)處理基礎(chǔ)上，采用改進的分水嶺算法進行珍珠圖像分割并計算珍珠輪廓及質(zhì)心位置，建立基于圖像信息的珍珠形狀參數(shù)模型，對珍珠形狀進行量化表征。

1 分揀機器人系統(tǒng)

本文構(gòu)建如圖1所示的基于機器視覺的珍珠分選機器人系統(tǒng)，由分辨率為2 448×2 048工業(yè)相機、25 mm光學鏡頭及照度為40 000 Lux面光源構(gòu)成了珍珠圖像獲取的機器視覺系統(tǒng)；珍珠分選的執(zhí)行機構(gòu)為四自由度機器人，重復(fù)定位精度為0.2 mm，最大負載為500 g，最大延伸距離為320 mm；末端執(zhí)行器為氣動吸盤；計算機為上位機對獲取的珍珠圖像進行預(yù)處理、珍珠圖像分割及珍珠形狀的計算與等級分類。

圖1 珍珠分揀機器人系統(tǒng)

由于珍珠表面存在紋理、光澤，當光源直接照射珍珠表面時會產(chǎn)生反射導致成像質(zhì)量下降，因此本文設(shè)計的珍珠分選機器人系統(tǒng)采用了背光成像方式，獲取的珍珠圖像邊緣輪廓清晰，消除了珍珠表面紋理、光澤的干擾。

2 基于分水嶺算法的相互接觸珍珠的分割

2.1 珍珠圖像預(yù)處理

獲取的珍珠圖像背景灰度分布不均導致對比度低，因此采用同態(tài)濾波算法壓縮亮度范圍和增強對比度來改善珍珠圖像的質(zhì)量。珍珠區(qū)域與背景對比度增強，通過最大類間方差法對珍珠灰度圖像進行二值化處理[23]。珍珠區(qū)域與背景區(qū)域完全分開，但是珍珠圖像中存在相互接觸的珍珠，將影響到珍珠形狀輪廓的提取，必須將相互接觸的珍珠進行分割處理成單獨的區(qū)域。

2.2 分水嶺算法原理

如圖2所示，分水嶺算法的原理是將圖像表示為測地學上的拓撲地貌，圖像中每一點像素值表示該點的海拔高度，每一個區(qū)域極小值及其影響區(qū)域表示集水盆地，集水盆地的邊界即為分水嶺。在刺穿每一個區(qū)域極小值表面，再將整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，即形成了分水嶺[24]，將集水盆地分開，實現(xiàn)了對圖像的分割。

圖2 分水嶺算法原理

2.3 基于分水嶺算法的接觸珍珠的分割

對于分割后的珍珠圖像既要保留珍珠邊緣輪廓區(qū)域，滿足形狀測量精度，同時還要消除噪聲和微小誤分割區(qū)域的影響，因此本文基于形態(tài)學構(gòu)建珍珠梯度圖像，由于珍珠為類圓形狀，本文設(shè)計圓形結(jié)構(gòu)元素對珍珠圖像進行形態(tài)學梯度運算，其表達式為:

grad(f)=[(f⊕g)-(fΘg)]

(1)

式中,grad(f)為梯度值，f為珍珠分割圖，g為圓形結(jié)構(gòu)元素，⊕為膨脹運算，Θ為腐蝕運算。

2.4 分水嶺與集水盆的構(gòu)建

由分水嶺算法的原理可知，水是由各集水盆底逐漸向分水嶺上蔓延，被珍珠各區(qū)域內(nèi)部逐漸向接觸區(qū)域的邊緣遞推，通過形態(tài)學梯度計算得到接觸珍珠與獨立珍珠的邊緣輪廓，該輪廓為理想的分水嶺邊界。為實現(xiàn)接觸珍珠的分割，要將各珍珠區(qū)域的盆底之間進行分離，且不與分水嶺邊界粘連，并為整個區(qū)域的低值區(qū)。因此設(shè)定本文中的珍珠二值圖為B，Bij為第i行第j列的像素值，圖像中珍珠區(qū)域的像素點構(gòu)成了前景，其集合為Z={(i,j)|Bij=1}；像素值為0的像素點構(gòu)成背景，其集合為G={(i,j)|Bij=0}。對珍珠圖像進行距離變換來確定珍珠區(qū)域低值區(qū)。珍珠圖像B中各像素點之間的最小距離的表達式為:

Dij=min{Dist[(i,j),(x,y)],(x,y)∈Z}

(2)

式中,Dist為距離度量函數(shù)，x為珍珠輪廓點的橫坐標，y為珍珠輪廓點的縱坐標。

由于珍珠為類圓形，其質(zhì)心到最近的輪廓點的距離最大，近似為珍珠半徑，故以歐氏距離作為距離度量函數(shù)，其表達式為:

(3)

式中,(a1,b1)、(a2,b2)分別為平面內(nèi)任意兩點的坐標。

距離變換三維圖形如圖3(a)所示，最短距離為谷底位置，該位置對應(yīng)圖3(b)中黑色區(qū)域為最小值區(qū)域，目標之間的白色分割線為分水嶺的脊線。由分水嶺脊線可以確定集水盆地和分水嶺，將前景珍珠目標標記為1，確定珍珠圖像的集水盆；圖像的背景標記為0，確定多顆珍珠的分水嶺。使得相互接觸的珍珠都有了獨立的集水盆及分水嶺，各珍珠圖像由集水盆底向分水嶺遞推計算過程中，像素梯度變化均勻，不存在集水盆中噪聲過多而產(chǎn)生的干擾情況，實現(xiàn)了對相互接觸珍珠的分割。再通過連通區(qū)域的顏色標記，相互粘連的珍珠通過不同顏色劃分成獨立的個體，結(jié)果如圖3(c)所示。

3 珍珠形狀參數(shù)模型的建立及分級標準

珍珠區(qū)域的邊緣輪廓作為珍珠形狀的有力描述，是珍珠分級的重要參數(shù)。由圖3(c)可知，在珍珠圖像分割的基礎(chǔ)上，每個連通域的珍珠均為獨立個體，當圖像中連通域個數(shù)為n時，設(shè)連通域中的珍珠圖像為fi(x,y)，其中i取值為1-n。利用質(zhì)心算法[25]求取每個珍珠的質(zhì)心坐標為:

(4)

式中,(xc,yc)為珍珠質(zhì)心。

圖3 分水嶺算法分割接觸珍珠

本文采用形態(tài)學邊緣跟蹤算法對珍珠圖像進行輪廓特征提取，結(jié)果如圖3(c)的白色輪廓，利用兩點之間距離公式計算珍珠輪廓邊緣點(x1,y1)到質(zhì)心的距離，其表達式為:

(5)

由式(2)可以計算出珍珠的半徑序列，其表達式為:

Rk(k=1,2…,m-1)

(6)

式中,m為邊緣點個數(shù)。

(7)

式中,X為形狀參數(shù)模型。

由式(7)可知，半徑百分比越小則說明珍珠越接近正圓，反之則次之。以此為依據(jù)，建立了如表1所示的珍珠圓形類分級標準。

表1 珍珠圓形類分級標準

4 實驗數(shù)據(jù)分析

4.1 實驗用珍珠

本文主要針對圓形類的珍珠進行形狀檢測，實驗中選用正圓、圓、近圓3種形狀的淡水珍珠共60顆作為檢測目標。

4.2 實驗數(shù)據(jù)分析

人工根據(jù)國標要求采用游標卡尺進行測量，將本文方法的計算值與人工測量值進行對比如圖4所示，由圖可知本文方法的計算值與人工測量值的分布一致，通過式(8)計算的誤差百分比為0.63%，滿足使用要求。

(8)

如圖4中點劃線為正圓和圓的分割線，虛線為圓和近圓的分割線，對比手工測量和本文方法測量3種形狀珍珠，每一類珍珠均正確分布在相應(yīng)區(qū)域。統(tǒng)計兩種方式下測得的不同形狀珍珠顆數(shù)如表2所示，3種形狀測量精度均為100%。對實驗用60顆樣本進行多次重復(fù)檢測，算法檢測所用時間為24 ms。

圖4 實驗數(shù)據(jù)

等級人工/顆本文方法/顆精度/%正圓2020100圓2323100近圓1717100

5 結(jié)束語

1)針對珍珠形狀的人工分揀效率低、精度不穩(wěn)定等問題，提出基于機器視覺的珍珠形狀檢測方法，構(gòu)建了檢測系統(tǒng)實驗平臺對60顆不同形狀的珍珠樣本進行實驗分析，檢測誤差為0.63%，形狀統(tǒng)計精度為100%，算法耗時24 ms。

2)對多顆珍珠存在的相互接觸影響珍珠輪廓提取的問題，采用改進的分水嶺算法對多顆珍珠圖像進行分割，實現(xiàn)了對相互接觸珍珠的分割，通過連通區(qū)域的標記確定其質(zhì)心位置。

3)基于珍珠圖像信息建立了珍珠形狀參數(shù)模型，通過珍珠輪廓各點與質(zhì)心兩點之間距離計算珍珠半徑序列，提取最大、最小及平均半徑，建立珍珠形狀參數(shù)，定量表征珍珠形狀。