本發(fā)明屬于零部件識(shí)別技術(shù)領(lǐng)域，具體涉及了基于機(jī)器視覺的機(jī)械裝配過程中零部件的自動(dòng)識(shí)別方法。

背景技術(shù)：

在現(xiàn)代化的大生產(chǎn)之中，涉及到各種各樣的檢驗(yàn)、生產(chǎn)監(jiān)視及零件識(shí)別應(yīng)用，視覺檢測往往是不可缺少的環(huán)節(jié)需要眾多的檢測工人，通過肉眼或結(jié)合顯微鏡進(jìn)行觀測檢驗(yàn)，大量的檢測人工不僅影響工廠效率，而且?guī)聿豢煽康囊蛩?，直接影響產(chǎn)品質(zhì)量與成本。此外，大部分檢測工序不僅僅要求外觀的檢測，同時(shí)需要準(zhǔn)確獲取檢測數(shù)據(jù)，例如零配件批量加工的尺寸檢查，自動(dòng)裝配的完整性檢查，電子裝配線的元件自動(dòng)定位，通常人眼無法連續(xù)、穩(wěn)定地完成這些帶有高度重復(fù)性和智能性的工作，其它物理量傳感器也難有用武之地。采用機(jī)器視覺可以有效的解決這一問題，而且，機(jī)器視覺系統(tǒng)比光學(xué)或機(jī)器傳感器有更好的可適應(yīng)性。

因零件前道工序(鑄造)預(yù)留的相位識(shí)別特征孔并未加工處理，較易出現(xiàn)毛刺、鑄瘤甚至不圓等缺陷，這些不穩(wěn)定因素對(duì)機(jī)器視覺系統(tǒng)識(shí)別的智能化提出了較高的要求。自動(dòng)化系統(tǒng)中的視覺系統(tǒng)輸出的定位精度和魯棒性直接關(guān)系到系統(tǒng)運(yùn)行的安全性和穩(wěn)定性，為此需要專門開發(fā)穩(wěn)定有效的圖像處理算法以提高視覺系統(tǒng)的穩(wěn)定性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)中的不足之處，提供一種基于機(jī)器視覺的機(jī)械裝配過程中零部件識(shí)別的方法，通過攝像頭模擬人的視覺功能，攝取零部件圖像，并提取信息加以處理，最終使機(jī)器獲得自動(dòng)識(shí)別零部件的能力，為機(jī)械的自動(dòng)裝配提供前向過程。

為解決上述技術(shù)問題本發(fā)明的具體步驟如下：

1.構(gòu)建所要裝配的機(jī)器的零部件裝配序列庫。將所要裝配的機(jī)械零部件在裝配過程中每一步所需要的零部件的特征依照裝配順序存儲(chǔ)于裝配零部件機(jī)械臂的終端計(jì)算機(jī)中。

2.零部件堆的圖像采集。采集辦法是采用工業(yè)CCD(電荷耦合器件)，采集到機(jī)械零件的二維平面圖像并提取灰度信息。由于零散環(huán)境中零部件存在遮擋以及同種零部件不同尺寸的情況，對(duì)同一零部件堆進(jìn)行360度范圍不同角度的圖像采集，即每四十五度采集一次圖像，共采集零件堆八個(gè)方向的圖像。

3.零部件堆圖像的預(yù)處理。對(duì)采集到的零散環(huán)境中的零部件堆圖像進(jìn)行必要的去噪、二值化、梯度銳化、分割歸一化處理，以提高圖像質(zhì)量。

4.零部件堆圖像的三維立體構(gòu)建。采用基于深度圖像與計(jì)算的統(tǒng)一裝置結(jié)構(gòu)(Compute Unified Device Architecture)的實(shí)時(shí)重建的方法，將步驟2，3完成后的圖像在計(jì)算機(jī)中進(jìn)行零部件三維立體模型構(gòu)建。

5.零部件堆圖像的特征提取。步驟4構(gòu)建完成零部件的三維立體圖像后，提取零部件圖像的尺度，形狀，顏色特征以及現(xiàn)有廣泛使用的sift特征進(jìn)行步驟6操作。

對(duì)于零部件堆圖像尺度特征的提取，首先選定工業(yè)零件待測量部分區(qū)域，對(duì)選定的兩個(gè)區(qū)域用Sobel邊緣檢測算法進(jìn)行邊緣檢測，進(jìn)而用高斯曲線擬合法進(jìn)行亞像素定位；其次選定工業(yè)零件的最左邊邊緣和最右邊邊緣，在任意處設(shè)定坐標(biāo)原點(diǎn)，以平行于CCD感光元素的方向?yàn)閤軸(以像素為單位)，求出兩個(gè)邊緣的x坐標(biāo)值MaxX和MinX；然后令x的坐標(biāo)值MaxX與MinX相減，取兩者差的絕對(duì)值，得出兩邊緣之間的像素個(gè)數(shù)PixelWidth；然后通過攝像機(jī)的標(biāo)定系數(shù)k,即可得出選定區(qū)域的寬度值；RegionWidth＝k*PixelWidth；最后，為了得到精確結(jié)果，選取不同的測量區(qū)域進(jìn)行多次測量后取平均值。對(duì)于零部件堆圖像形狀特征的提取，采用基于邊緣檢測圖像的逐像素特征提取法，通過對(duì)圖像進(jìn)行逐行逐列的掃描，當(dāng)遇到黑色像素時(shí)取其特征值為l，遇到白色像素時(shí)取其特征值為0，這樣當(dāng)掃描結(jié)束以后就形成了一個(gè)維數(shù)與圖像中像素點(diǎn)的個(gè)數(shù)相同的特征向量矩陣。以此特征向量矩陣作為圖像的形狀特征。對(duì)于零部件堆圖像顏色特征的提取，采用顏色直方圖的方法進(jìn)行描述。顏色直方圖運(yùn)算速度非常快，對(duì)圖像平移、旋轉(zhuǎn)及尺度變化較不敏感，魯棒性強(qiáng)。使用顏色特征檢索圖像時(shí)計(jì)算每一幅圖像的顏色直方圖(見(1)式，其中設(shè)一幅圖像的灰度級(jí)為N，)、累計(jì)直方圖(見(2)式)，

ni為第i中顏色在整幅圖中的像素?cái)?shù)；

顏色直方圖

累計(jì)直方圖

及每種顏色在圖像像素點(diǎn)中的比例，作為圖像的顏色特征加以保存。對(duì)于零部件堆圖像sift特征的提取，首先進(jìn)行尺度空間的生成；然后檢測尺度空間極值點(diǎn)，并精確定位極值點(diǎn)；然后為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)；最后生成關(guān)鍵點(diǎn)的描述子作為sift特征。

6.零部件的配準(zhǔn)識(shí)別。將步驟1已構(gòu)建完成的零部件裝配序列庫中將要裝配的零部件特征與步驟5獲取到的零散環(huán)境中的零部件堆的圖像特征進(jìn)行配準(zhǔn)識(shí)別。若找到所需的零部件，則機(jī)器臂抓取零部件進(jìn)行機(jī)器的裝配，重復(fù)步驟6的工作，直到所要進(jìn)行的裝配過程結(jié)束；若找不到所需的零部件，則通過機(jī)械裝置將零部件堆重置，重復(fù)步驟2到步驟6的工作。

本發(fā)明的有益效果：

本發(fā)明是面向零散環(huán)境機(jī)械裝配過程中的零部件自動(dòng)識(shí)別方法，適用于大型機(jī)械自動(dòng)組裝的前向過程，方法原理簡單且快速，自動(dòng)化程度高，魯棒性強(qiáng)，為機(jī)器全自動(dòng)化生產(chǎn)提供了前向的技術(shù)鋪墊，使機(jī)器的自動(dòng)裝配具有多樣性、靈活性和可重組性。當(dāng)需要改變生產(chǎn)過程時(shí)，對(duì)機(jī)器視覺來說“工具更換”僅僅是零件庫的變換而不是更換昂貴的硬件。當(dāng)生產(chǎn)線重組后，視覺系統(tǒng)可以重復(fù)使用。

附圖說明

圖1是面向機(jī)械裝配過程的零部件自動(dòng)識(shí)別方法的操作流程圖。

具體實(shí)施方式

本發(fā)明公開了一種機(jī)械裝配過程中的零部件自動(dòng)識(shí)別方法。該方法構(gòu)建了機(jī)械零部件裝配過程中零部件特征庫，用于實(shí)現(xiàn)機(jī)械裝配的全自動(dòng)化，在進(jìn)行機(jī)械裝配過程中，能夠逐步從零部件特征庫中提取需要裝配的零部件特征與待識(shí)別的零部件特征進(jìn)行配準(zhǔn)識(shí)別，直至裝配完成，節(jié)省了在裝配過程中人為指定每步裝配所需零部件的繁瑣步驟，可以極大的節(jié)約機(jī)械裝配的時(shí)間。此外，在更換裝配機(jī)械時(shí)，由于已構(gòu)建零部件特征庫，我們只需將零部件特征庫中零部件特征進(jìn)行更換而不需將裝配過程中的昂貴硬件進(jìn)行更換，可以極大的節(jié)約生產(chǎn)成本。在對(duì)待識(shí)別零部件堆圖像采集過程中，由于零散環(huán)境中的零部件有可能存在遮擋，以及零部件本身在鑄造過程中可能產(chǎn)生的毛刺、鑄瘤甚至不圓的缺陷以及零部件尺度不一的問題，僅僅采集圖像一個(gè)方位的信息不能很好的解決這些問題，因此我們通過工業(yè)攝像機(jī)采集零散環(huán)境中零部件圖像360度范圍內(nèi)的信息(每45度進(jìn)行一次圖像采集，共采集8個(gè)不同方向的待識(shí)別零部件圖像)。將待識(shí)別的零部件堆圖像進(jìn)行必要的預(yù)處理后對(duì)圖像進(jìn)行三維構(gòu)建。零部件堆三維圖像模型的特征提取用于解決零散環(huán)境中零部件極易出現(xiàn)遮擋以及零部件本身尺度不一的問題，改進(jìn)了僅提取待識(shí)別零部件圖像的二維平面圖像中的特征方式的缺陷。通過我們已經(jīng)構(gòu)建好的三維模型，可以更好的提取待識(shí)別零部件的形狀，尺度等特征，極大方便了我們解決遮擋及尺度不一的問題，使零部件的識(shí)別更加容易，減少了識(shí)別不到而進(jìn)行零部件重置的情況的發(fā)生。最后進(jìn)行零部件的配準(zhǔn)識(shí)別。本發(fā)明具有原理簡單、效率高、檢測精確度高、魯棒性強(qiáng)等優(yōu)點(diǎn)。

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。如圖1所示,機(jī)械裝配的零部件識(shí)別方法具體包括以下步驟：

1.構(gòu)建所要裝配的機(jī)器的零部件裝配序列庫。將所要裝配過程中每一步所要裝配的零部件與其特征存儲(chǔ)于控制裝配的機(jī)械手臂的終端計(jì)算機(jī)中。通過工業(yè)攝像機(jī)CCD攝像機(jī)對(duì)每一步所要裝配的零部件采集八個(gè)方位的圖像，再對(duì)采集到的零部件圖像進(jìn)行三維構(gòu)建，將通過圖像的特征提取提取到的零部件特征當(dāng)作標(biāo)簽存儲(chǔ)在轉(zhuǎn)配過程中。

2.零部件堆圖像采集。采用工業(yè)攝像機(jī)CCD在360度的范圍內(nèi)對(duì)零部件堆進(jìn)行圖像采集，每45度進(jìn)行一次圖像采集共獲得八個(gè)方位的圖像，

3.零部件堆圖像的預(yù)處理。并對(duì)采集到的圖像進(jìn)行必要的圖像處理，如去噪、二值化、梯度銳化和分割歸一化處理。

4.零部件堆圖像的三維立體構(gòu)建。對(duì)于零部件堆中存在同種零部件不同尺寸以及零部件被部分遮擋的問題，通過采集到的零部件堆八個(gè)方位的圖像構(gòu)建零部件的三維圖像，我們采用基于深度圖像與計(jì)算的統(tǒng)一裝置結(jié)構(gòu)(Compute Unified Device Architecture)的實(shí)時(shí)重建的方法構(gòu)建零部件三維圖像，增強(qiáng)系統(tǒng)的魯棒性。

5.零部件堆圖像特征提取。構(gòu)建完成零部件堆的三維圖像后，提取零部件圖像的尺度，形狀，顏色以及現(xiàn)有的sift特征提取算法提取零部件堆圖像的sift特征作為零部件堆的特征，以提高系統(tǒng)的準(zhǔn)確度?，F(xiàn)有的sift特征是一種非常穩(wěn)定的局部特征，對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化等保持不變性。

6.零部件的配準(zhǔn)識(shí)別。提取零部件圖像的特征之后，將零部件裝配庫中當(dāng)前待裝配零部件圖像的特征與步驟5獲取到的零部件堆的圖像特征進(jìn)行配準(zhǔn)識(shí)別。首先采用向量的幾何特性對(duì)特征點(diǎn)進(jìn)行粗略匹配，然后采用最近鄰NN(NearestNeighbor)方法進(jìn)行特征匹配，并采用雙向匹配方法去除誤匹配，最后采用隨機(jī)抽樣一致RANSAC(Random sample consensus)算法繼續(xù)進(jìn)行去除誤匹配操作。匹配結(jié)束后，設(shè)置判別閾值，計(jì)算匹配到的特征點(diǎn)與提取到的特征點(diǎn)的比值與閾值對(duì)比，判定是否找到當(dāng)前所要裝配的零部件。若找到所需零部件，則進(jìn)行零部件的裝配，并從計(jì)算機(jī)裝配庫中提取下一個(gè)裝配零件的特征重復(fù)步驟6直到裝配過程結(jié)束；如果找不到所需的零部件，則用機(jī)械裝置將零部件堆重置，重新進(jìn)行步驟2到步驟6的操作。