本發(fā)明屬于基于機(jī)器視覺的瓷磚定位分割技術(shù)領(lǐng)域，特別涉及一種多特征融合的小瓷磚智能定位方法。

背景技術(shù)：

瓷磚通過在工廠的生產(chǎn)流水線上批量生產(chǎn)，燒制好的瓷磚從傳送帶上傳至包裝區(qū)域，此過程中通過工業(yè)機(jī)器人檢測并定位到瓷磚的位置，進(jìn)行抓取、搬運(yùn)和裝箱，這其中涉及到對(duì)于不同大小的瓷磚需要分析后分別包裝，目前瓷磚檢測的定位方法為兩種：一種是通過人工借助測量工具與經(jīng)驗(yàn)在線定位，另一種是借助特殊設(shè)計(jì)的機(jī)械結(jié)構(gòu)安裝傳感器(即工業(yè)機(jī)器人)完成定位。人工檢測受操作人員的經(jīng)驗(yàn)、測量工具、疲勞度等因素的影響，不可避免帶來定位誤差。機(jī)械定位主要是機(jī)械結(jié)構(gòu)無法適應(yīng)多種規(guī)格的瓷磚類型，需要耗費(fèi)較高的定位成本且適應(yīng)性較差，尤其對(duì)于大視場(Field of View)下的小規(guī)格瓷磚，由于無法預(yù)估當(dāng)前FOV下小瓷磚數(shù)量且運(yùn)動(dòng)位置存在不確定性，以上兩種方法均無法滿足小型瓷磚的定位需求。當(dāng)前國內(nèi)各大科研單位與院校對(duì)小瓷磚高精度定位方法研究還比較少，因此針對(duì)傳統(tǒng)定位方法成本高、適應(yīng)性差、精度低的問題，開發(fā)智能化的小瓷磚定位方法成為自動(dòng)化檢測必然趨勢。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為解決上述問題，提供了一種多特征融合的小瓷磚智能定位方法，結(jié)合機(jī)器視覺的梯度分割、顏色空間、幾何基元和ROI技術(shù)，完成了在大FOV下，任意放置角度、復(fù)雜環(huán)境當(dāng)中小瓷磚的高精度定位，為視覺檢測與機(jī)器人抓取提供精確的定位數(shù)據(jù)，而且多分割單元可在多線程系統(tǒng)中并發(fā)運(yùn)行，大大提高系統(tǒng)的實(shí)時(shí)性。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種多特征融合的小瓷磚智能定位方法，包括以下步驟：

步驟1，圖像采集

通過高速線陣CCD相機(jī)采集圖像；

步驟2，圖像預(yù)處理

先灰度化圖像，再進(jìn)行濾波去噪處理，對(duì)濾波圖采用邊緣檢測算法分割，再提取小瓷磚輪廓，得瓷磚輪廓圖；

步驟3，特征提取

基于步驟2的輪廓圖中瓷磚輪廓的幾何特性生成相應(yīng)的基元特征，基元特征包括寬度、高度和完整度；

先將輪廓圖轉(zhuǎn)為輪廓掩膜圖，利用步驟2的濾波圖與輪廓掩膜圖進(jìn)行邏輯與運(yùn)算得到運(yùn)算結(jié)果圖，運(yùn)算結(jié)果圖轉(zhuǎn)入HSV顏色空間，并生成顏色特征，顏色特征包括色調(diào)和飽和度；

將基元特征與顏色特征組合成組合特征，組合特征包括長度、寬度、完整度、色調(diào)和飽和度；

步驟4，圖像目標(biāo)判定

將步驟3的組合特征與標(biāo)準(zhǔn)特征參數(shù)進(jìn)行比較，若組合特征中任一參數(shù)不滿足門限閾值則判定為步驟1采集的圖像中不是定位瓷磚類型，若組合特征中所有參數(shù)均滿足對(duì)應(yīng)的門限閾值則判定采集的圖像是定位瓷磚類型；

所述的標(biāo)準(zhǔn)特征參數(shù)是采用帶有樣本標(biāo)準(zhǔn)瓷磚的圖像進(jìn)行組合特征提取，再將組合特征參數(shù)在高斯訓(xùn)練模型中訓(xùn)練所生成，組合特征參數(shù)包括長度、寬度、完整度、色調(diào)和飽和度五個(gè)特征的閾值；

步驟5，瓷磚定位：

針對(duì)判定是定位瓷磚類型的圖像，以瓷磚輪廓的外接矩形的角點(diǎn)為基準(zhǔn)生成對(duì)應(yīng)的ROI區(qū)域，將ROI區(qū)域分割成獨(dú)立處理單元，ROI區(qū)域即包含整塊瓷磚邊界區(qū)域的圖像；

計(jì)算瓷磚輪廓即獨(dú)立處理單元的質(zhì)心，該質(zhì)心作為工業(yè)機(jī)器人抓取瓷磚的定位基準(zhǔn)，將該質(zhì)心數(shù)據(jù)傳送至工業(yè)機(jī)器人系統(tǒng)中。

所述步驟2圖像預(yù)處理具體為：

灰度化圖像后，采用基于高斯核函數(shù)的雙邊濾波對(duì)采集圖像進(jìn)行濾波去噪處理，濾波公式如下：

其中，系數(shù)σ_s為空域高斯函數(shù)的標(biāo)準(zhǔn)差，σ_r為值域高斯函數(shù)的標(biāo)準(zhǔn)差，Ω表示卷積的定義域，f(x)與f(y)分別表示圖像鄰域的像素值；

小瓷磚分割采用Canny邊緣檢測算法，邊緣檢測成功后，采用8連通鏈碼區(qū)域的Freeman鏈碼對(duì)輪廓進(jìn)行存儲(chǔ)與表示。

所述步驟3特征提取具體為：

根據(jù)瓷磚自身的幾何特性，即瓷磚輪廓基元與最小斜外接矩形的擬合，利用最小斜外接矩形作為其輪廓的幾何基元，且生成相應(yīng)的基元特征，分別為寬度、高度、完整度；

將濾波圖與輪廓圖像作邏輯“與”運(yùn)算得到掩膜圖像，將生成的掩膜圖像轉(zhuǎn)換到符合人類認(rèn)知環(huán)境的HSV顏色空間，從中派生出兩個(gè)顏色指標(biāo)：色調(diào)分量與飽和度分量，生成用于瓷磚定位的顏色特征；

將顏色特征與基元特征一起構(gòu)成定位的組合特征。

所述步驟4圖像目標(biāo)判定公式為：

其中，i＝{0,1,2,3,4,5}，分別代表組合特征中的高度、寬度、完整度、色調(diào)、飽和度5個(gè)特征信息，g(f_ti)是特征判別的結(jié)果函數(shù)，當(dāng)函數(shù)值等于1時(shí)，判別其為定位目標(biāo)，即為含有瓷磚的圖像，否則判別其不是定位的目標(biāo)，即不含有瓷磚的圖像，f_ti.是判別目標(biāo)的某一特征參數(shù)值，f_si為經(jīng)過訓(xùn)練對(duì)應(yīng)的標(biāo)準(zhǔn)參數(shù)最優(yōu)值，T_i是判別容許的上下偏差，該值決定著對(duì)非定位目標(biāo)的包容程度。

所述步驟4的標(biāo)準(zhǔn)特征參數(shù)獲取步驟如下：

對(duì)樣本進(jìn)行先行的數(shù)據(jù)測試，得到樣本群的各個(gè)組合特征特征對(duì)應(yīng)的數(shù)據(jù)庫，所述樣本為去除復(fù)雜環(huán)境其他物體的干擾調(diào)節(jié)下采集的帶有瓷磚的圖像，樣本群包括了多個(gè)樣本；

單獨(dú)對(duì)各個(gè)特征數(shù)據(jù)進(jìn)行高斯建模，得到特定特征的高斯模型；所述高斯模型如下：

x_i，μ_i，σ_i，f(x_i)分別代表標(biāo)記特征i的數(shù)據(jù)集，均值，標(biāo)準(zhǔn)差以及對(duì)應(yīng)的概率密度；

去除特征數(shù)據(jù)落在對(duì)應(yīng)高斯模型(μ-3σ，μ+3σ)以外的區(qū)域部分；

對(duì)處理后的數(shù)據(jù)進(jìn)行均值化處理，得到訓(xùn)練模型的最優(yōu)參數(shù)值作為標(biāo)準(zhǔn)特征參數(shù)。

所述步驟5計(jì)算瓷磚輪廓即處理單元的質(zhì)心具體是：

設(shè)瓷磚提取的輪廓模型為v＝{Ci|Ci＝(xi,yi),i＝1,2…N}，N為輪廓點(diǎn)集總數(shù)，其質(zhì)心的坐標(biāo)為O(x0,y0)，計(jì)算方法如下式所示：

采用上述技術(shù)方案后，本發(fā)明具有以下優(yōu)點(diǎn)：

1、將機(jī)器視覺多特征融合技術(shù)引入到瓷磚定位，其檢測流程不受操作人員的經(jīng)驗(yàn)、測量工具、疲勞度等因素的影響。

2、采用基于高斯核函數(shù)的雙邊濾波對(duì)采集圖像進(jìn)行濾波，保證了瓷磚輪廓的邊緣。

3、可以完成在大FOV(視場)下，任意放置角度、復(fù)雜環(huán)境當(dāng)中小瓷磚的高精度定位，定位精度可達(dá)0.2mm。

3、基于幾何基元與顏色分量的組合特征大大提高了瓷磚定位的魯棒性與準(zhǔn)確性。

4、沒有采用傳統(tǒng)人工經(jīng)驗(yàn)預(yù)估值，而是采用基于高斯函數(shù)的訓(xùn)練模型得到標(biāo)準(zhǔn)參數(shù)的最優(yōu)值，準(zhǔn)確度更高。

5、設(shè)計(jì)了門限閾值的組合特征判別公式，采用串聯(lián)模塊化程序設(shè)計(jì)，提前跳出終止判定，減少定位的時(shí)間。

6、使用ROI技術(shù)將定位瓷磚目標(biāo)分離成為獨(dú)立的分割單元，以其質(zhì)心作為機(jī)器人定位抓取的位置依據(jù)。

附圖說明

此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

圖1是本發(fā)明的流程簡圖；

圖2a是小瓷磚采集部分灰度濾波圖；

圖2b是小瓷磚輪廓提取效果圖；

圖3是小瓷磚ROI分割圖。

具體實(shí)施方式

為了使本發(fā)明所要解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚、明白，以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示的一種多特征融合的小瓷磚智能定位方法，包括以下步驟：

步驟1，圖像采集

通過高速線陣CCD相機(jī)采集圖像；

步驟2，圖像預(yù)處理

先灰度化圖像，再進(jìn)行濾波去噪處理，對(duì)濾波圖采用邊緣檢測算法分割，再提取小瓷磚輪廓，得瓷磚輪廓圖；

步驟3，特征提取

基于步驟2的輪廓圖中瓷磚輪廓的幾何特性生成相應(yīng)的基元特征，基元特征包括寬度、高度和完整度；

先將輪廓圖轉(zhuǎn)為輪廓掩膜圖，利用步驟2的濾波圖與輪廓掩膜圖進(jìn)行邏輯與運(yùn)算得到運(yùn)算結(jié)果圖，運(yùn)算結(jié)果圖轉(zhuǎn)入HSV顏色空間，并生成顏色特征，顏色特征包括色調(diào)和飽和度；

將基元特征與顏色特征組合成組合特征，組合特征包括長度、寬度、完整度、色調(diào)和飽和度；

步驟4，圖像目標(biāo)判定

將步驟3的組合特征與標(biāo)準(zhǔn)特征參數(shù)進(jìn)行比較，若組合特征中任一參數(shù)不滿足門限閾值則判定為步驟1采集的圖像中不是定位瓷磚類型，即該圖像對(duì)應(yīng)的瓷磚為不需要定位的目標(biāo)，若組合特征中所有參數(shù)均滿足對(duì)應(yīng)的門限閾值則判定采集的圖像是定位瓷磚類型，即該圖像對(duì)應(yīng)的瓷磚為需要定位的目標(biāo)；

所述的標(biāo)準(zhǔn)特征參數(shù)是采用帶有樣本標(biāo)準(zhǔn)瓷磚的圖像進(jìn)行組合特征提取，再將組合特征參數(shù)在高斯訓(xùn)練模型中訓(xùn)練所生成，組合特征參數(shù)包括長度、寬度、完整度、色調(diào)和飽和度五個(gè)特征的閾值；

步驟5，瓷磚定位：

針對(duì)判定是定位瓷磚類型的圖像，以瓷磚輪廓的外接矩形的角點(diǎn)為基準(zhǔn)生成對(duì)應(yīng)的ROI區(qū)域，將ROI區(qū)域分割成獨(dú)立處理單元，ROI區(qū)域即包含整塊瓷磚邊界區(qū)域的圖像；

計(jì)算瓷磚輪廓即獨(dú)立處理單元的質(zhì)心，該質(zhì)心作為工業(yè)機(jī)器人抓取瓷磚的定位基準(zhǔn)，將該質(zhì)心數(shù)據(jù)傳送至工業(yè)機(jī)器人系統(tǒng)中。

本實(shí)施例的步驟2圖像預(yù)處理具體為：

灰度化圖像后，采用基于高斯核函數(shù)的雙邊濾波對(duì)采集圖像進(jìn)行濾波去噪處理，如圖2a所示，濾波公式如下：

其中，系數(shù)σ_s為空域高斯函數(shù)的標(biāo)準(zhǔn)差，σ_r為值域高斯函數(shù)的標(biāo)準(zhǔn)差，Ω表示卷積的定義域，f(x)與f(y)分別表示圖像鄰域的像素值；為了獲取高精度的瓷磚邊緣，采用基于高斯核函數(shù)的雙邊濾波對(duì)采集圖像進(jìn)行濾波去噪處理，雙邊濾波通過在卷積的過程中采用組合空域函數(shù)和值域核函數(shù)來實(shí)現(xiàn)，相比其他常見的濾波算法，保邊效果更好。

小瓷磚分割采用Canny邊緣檢測算法，邊緣檢測成功后，采用8連通鏈碼區(qū)域的Freeman鏈碼對(duì)輪廓進(jìn)行存儲(chǔ)與表示，小瓷磚輪廓提取效果圖如圖3所示。

所述步驟3特征提取具體為：

根據(jù)瓷磚自身的幾何特性，即瓷磚輪廓基元與最小斜外接矩形的擬合，利用最小斜外接矩形作為其輪廓的幾何基元，且生成相應(yīng)的基元特征，分別為寬度、高度、完整度；斜外接矩形是隨瓷磚的輪廓隨動(dòng)的基元包絡(luò)線，因此可以保證在任意角度捕捉到瓷磚的目標(biāo)，不受瓷磚擺放位置的影響。這里提取的寬度、高度、完整度信息是基于小瓷磚輪廓基元的幾何特征，并不是直接從提取的邊緣上獲得；基元幾何特征計(jì)算時(shí)間快，穩(wěn)定性更高，因?yàn)槠鋵儆谟?jì)算機(jī)圖形學(xué)包絡(luò)線的一種，對(duì)目標(biāo)具有很好的描述特性，且會(huì)生成輪廓本身不具備的信息。

先將輪廓圖轉(zhuǎn)為輪廓掩膜圖，輪廓掩膜圖最大特征是可以控制任意形狀的感興趣區(qū)域，將與瓷磚目標(biāo)無關(guān)的特征全部屏蔽，再將濾波圖與輪廓掩膜圖作邏輯“與”運(yùn)算，的運(yùn)算結(jié)果圖，再將運(yùn)算結(jié)果圖轉(zhuǎn)換到符合人類認(rèn)知環(huán)境的HSV顏色空間，從中派生出兩個(gè)顏色指標(biāo)：色調(diào)分量與飽和度分量，生成用于瓷磚定位的顏色特征；忽略掉V(亮度分量)的原因在于亮度通道容易受外界環(huán)境光的影響，造成一定的特征波動(dòng)，不具有穩(wěn)定的描述特性；

將顏色特征與基元特征一起構(gòu)成定位的組合特征。本發(fā)明關(guān)鍵在于同時(shí)使用HSV顏色空間的H(色調(diào)分量)與S(飽和度分量)，描述特性更加全面，H(色調(diào)分量)作為HSV顏色空間中最為重要和穩(wěn)定的描述特征，可以區(qū)別不同顏色色譜之間的差別，對(duì)瓷磚描述非常重要，RGB顏色空間的最大的缺陷在于三個(gè)顏色特征耦合性太大，不獨(dú)立，易造成描述特征混淆與干擾。

步驟4圖像目標(biāo)判定公式為：

其中，i＝{0,1,2,3,4,5}，分別代表組合特征中的高度、寬度、完整度、色調(diào)、飽和度5個(gè)特征信息，g(f_ti)是特征判別的結(jié)果函數(shù)，當(dāng)函數(shù)值等于1時(shí)，判別其為定位目標(biāo)，即為含有瓷磚的圖像，否則判別其不是定位的目標(biāo)，即不含有瓷磚的圖像，f_ti.是判別目標(biāo)的某一特征參數(shù)值，f_si為經(jīng)過訓(xùn)練對(duì)應(yīng)的標(biāo)準(zhǔn)參數(shù)最優(yōu)值，T_i是判別容許的上下偏差，該值決定著對(duì)非定位目標(biāo)的包容程度。

步驟4的標(biāo)準(zhǔn)特征參數(shù)獲取步驟如下：

對(duì)樣本進(jìn)行先行的數(shù)據(jù)測試，得到樣本群的各個(gè)組合特征特征對(duì)應(yīng)的數(shù)據(jù)庫，所述樣本為去除復(fù)雜環(huán)境其他物體的干擾調(diào)節(jié)下采集的帶有瓷磚的圖像，樣本群包括了多個(gè)樣本；

單獨(dú)對(duì)各個(gè)特征數(shù)據(jù)進(jìn)行高斯建模，得到特定特征的高斯模型；所述高斯模型如下：

x_i，μ_i，σ_i，f(x_i)分別代表標(biāo)記特征i的數(shù)據(jù)集，均值，標(biāo)準(zhǔn)差以及對(duì)應(yīng)的概率密度；

去除特征數(shù)據(jù)落在對(duì)應(yīng)高斯模型(μ-3σ，μ+3σ)以外的區(qū)域部分；

對(duì)處理后的數(shù)據(jù)進(jìn)行均值化處理，得到訓(xùn)練模型的最優(yōu)參數(shù)值作為標(biāo)準(zhǔn)特征參數(shù)。

所有的樣本組合特征數(shù)據(jù)都是基于高斯模型的訓(xùn)練優(yōu)化得到；高斯訓(xùn)練模型使各項(xiàng)特征數(shù)據(jù)更具有準(zhǔn)確性與穩(wěn)定性，且高斯模型可以剔除不好的學(xué)習(xí)訓(xùn)練樣本點(diǎn)，消除了傳統(tǒng)的人工經(jīng)驗(yàn)閾值與平均求取閾值帶來的干擾。

所述步驟5計(jì)算瓷磚輪廓即處理單元的質(zhì)心具體是：

設(shè)瓷磚提取的輪廓模型為v＝{Ci|Ci＝(xi,yi),i＝1,2…N}，N為輪廓點(diǎn)集總數(shù)，其質(zhì)心的坐標(biāo)為O(x0,y0)，計(jì)算方法如下式所示：

上述說明示出并描述了本發(fā)明的優(yōu)選實(shí)施例，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文發(fā)明構(gòu)想范圍內(nèi)，通過上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。