劉 剛，黃一鳴，陸雨婷，任興龍

（華中農(nóng)業(yè)大學，湖北武漢 430070）

0 引言

在工業(yè)生產(chǎn)中，當前仍主要采用人工的方法進行機床上下物料的工作。由于機器人的重復定位精度很高（±0.5 mm左右），而人工操作存在錯誤率高等問題，因此機器人（手臂）代替人工可以大大提高準確率。但是，機器人并不知道自己需要從哪里抓取目標物體?，F(xiàn)實情況中，螺母不可能是完全平放的，很多時候是層疊在一起的，這無疑加大了機器人進行視覺識別的難度。

本文從機器視覺系統(tǒng)出發(fā)，基于Kinect傳感器獲得的深度圖像，利用圖像處理技術與Python語言編程，實現(xiàn)了對復雜擺放情況下螺母中心位置的擬合，從而實現(xiàn)對螺母的定位。

1 深度圖像獲取

在桌面上有如圖1所示放置的螺母。采用Kinect傳感器獲得如圖2所示的深度圖。

圖1 實物圖

圖2 深度圖

2 視覺檢測方法

2.1 圖像預處理

為了增強圖像質(zhì)量，提高擬合精度，需對傳感器獲得的深度圖像進行預處理。圖像的預處理包括插值填充、二值化和圖像平滑。通過編寫Python代碼實現(xiàn)了以上過程，經(jīng)過圖像預處理后結果的如圖3所示。插值填充的目的是為了去除圖像中的噪聲；二值化處理的目的是為了分割圖像中的螺母與背景環(huán)境；圖像平滑的目的是為了提高圖像質(zhì)量。

2.2 基于Canny算法的邊緣檢測

為了有效去除背景等因素的影響，采用Canny邊緣檢測的方法對二值化之后的圖像進行邊緣檢測。

圖3 圖像預處理結果

圖4 邊緣檢測結果

Canny邊緣檢測的最優(yōu)性與以下因素有關[1-3]：

（1）高信噪比，即在進行邊緣判斷時的準確率高；

（2）定位準確，即檢測出的邊緣點要盡可能在實際邊緣的中心；

（3）對單一邊緣具有唯一一個像素響應。處理結果如圖4所示。

2.3 類圓分割方法

螺母為類圓圖像，因此在螺母的圖像中，經(jīng)常會出現(xiàn)類圓螺母粘連和重疊的現(xiàn)象，為了更準確的統(tǒng)計類圓螺母的數(shù)量，首先需要將類圓目標分割成單獨螺母[4]。本文應用基于凹點的分割方法，對粘連的類圓螺母進行分割。

本文提出的凹點判斷原理[5]：在圓域邊緣上取3點C1，C2和A，其中A處于C1，C2之間，連接以上三點構成三角形，如圖5所示。

取連線的中點為D，根據(jù)D點左邊對應像素的灰度值來判斷D是否在層疊的目標螺母上。

在進行判定時，有兩種情況，一種情況是D在邊緣內(nèi)側，則D∈O1O2，則直線AD上面所有的點都在圓域內(nèi)，；另一種情況是D不在邊緣內(nèi)側，則若直線AD上除A點以外的點不在邊際圓域內(nèi)，則邊緣形成凹陷，點A為凹點。

將n個相鄰凹點集聚在一起構成的群稱為凹點群，當僅存在著唯一凹點，即當n=1時，稱凹點群為獨立凹點群。

設凹點深度d為邊緣特征點xi與線段xi-1、xi+1之間的直線距離p稱為凹點深度，其中xi-1、xi+1分別為點xi的鄰繼特征點。

借助輪廓圖，建立一個數(shù)組S用于存放凹點對應的邊緣特征點序號，同時將這些凹點分為孤立的凹點群以便于找出分割點。在搜索分割點的過程中，將每個凹點群中的凹點深度與閾值Y進行比較，如果某一凹點的深度值超過了閾值Y，則視這一凹點為備選分割凹點。當凹點群中有且僅有唯一備選分割凹點時，則認為該點就是分割凹點；對于另一種情況，即當凹點群中的備選分割凹點有多個時，需要依據(jù)N點方向編碼差法[6]減去非凹點。處理結果如圖6所示。

圖5 凹點搜索原理

圖6 類圓分割結果

3 螺母定位

3.1 基于OpenCV改進的Hough變換

經(jīng)過以上的處理，可以認為螺母邊緣實際上已經(jīng)弱化接近為一個圓。因此，擬合螺母的中心位置的問題可以轉化為尋找圓心的問題。Hough變換是目前應用較為廣泛的圓檢測方法，很多情況下，一些干擾或其他事物的遮蓋會引起目標區(qū)域邊界的間斷，對于這些情況，Hough變換具有很好的容錯性和魯棒性[6]。

由于圖像出現(xiàn)了邊緣被干擾的情況，因此選擇Hough變換以實現(xiàn)較好的擬合效果。

但是，由于其自身的原理，Hough變換也存在著一些不足。比如，在進行運算時，Hough變換往往要進行全局的累加運算，會導致計算量急劇上升從而耗費大量的存儲空間，同時所用時間也會隨之增加。事實上，通過Kinect傳感器獲得的圖像往往受到外界噪聲的干擾，這會造成傳統(tǒng)Hough變換在進行參數(shù)空間的搜索時性能急劇下降。

為了克服Hough變換的這一不足，利用OpenCV對Hough變換進行了改進。改進之后的算法不僅對噪聲敏感度低，而且在檢測圓心時速度大大增加。

改進Hough算法尋找圓心的基本步驟如下。

（1）利用遍歷法找到滿足以下條件的像素點不是邊緣點：對相鄰的像素點分別進行向左和向右搜索，分別找到兩邊的第一個相鄰的邊緣像素點，記為rwp(右 )和lwq(左 ) ；pwj-lwq=rwp-owj。

（2）對滿足上一步驟條件的owj，采用改進后的Hough變換在一維的空間中進行累加計數(shù)。

（3）在參數(shù)空間中，通過步驟(2)累加計數(shù)的最大值所對應的owj即為圓心對應的橫坐標c=owj。

同理，可以求出圓心的縱坐標，這樣就可以得到圓心坐標（c，d）。

根據(jù)以上步驟求得的圓心坐標（c，d），將邊際像素點代入(x-c)2+(x-d)2=r2（圓的方程），可得出一個備選半徑，然后在單維空間中再利用經(jīng)過OpenCV改進后的Hough變換對備選半徑進行累加計算。最后，依據(jù)的計數(shù)值是否滿足構成圓所允許的最小點數(shù)來確定圓，得到如圖7所示的圖像。

圖7 改進Hough變換結果

圖8 邊緣曲率處理結果

3.2 邊緣曲率的重疊螺母分割方法

通過先得出的四個類圓環(huán)，可以得到其他三個重疊類圓環(huán)的邊緣曲率范圍。由于螺母相互重疊的區(qū)域在彼此交界處，邊緣點曲率會發(fā)生突變，利用這一特征可以實現(xiàn)重疊區(qū)域邊緣的分割[7]。

式（2）中，x1、y1為前采樣點的坐標，x2、y2為后采樣點坐標。θ是兩相鄰采樣點連線與x軸夾角。

式（3）中，v代表采樣間隔，θ1是當前點到前一點連線與x軸夾角，θ2是后一點到當前點連線與x軸夾角，C為當前采樣點曲率。

式（4）中，x，y表示圓上點坐標，b，c，d表示方程系數(shù)。

由于各邊緣點未必都恰好在同一圓上，這些邊緣點有可能處在不同的圓上，邊緣點處在不同的圓上時情形與處在同一圓上有巨大的差距。因此，不能確保所有邊緣點的E值都恰好等于0。各點與回歸圓（即擬合出的圓）上相應點的偏差為

式（5）中，xi、yi表示輪廓邊緣點坐標。

用最小二乘原理，使各點偏差平方和最小，進而求得圓的回歸方程，擬合出螺母邊緣圓，擬合出的圓為回歸圓。將回歸圓疊加到原圖上，如圖8所示。

4 結束語

本文采用OpenCV改進的Hough算法進行螺母中心位置的確定。改進后的Hough算法不僅具有很好的魯棒性和容錯性，而且在檢測圓心時速度大大增加。結果證明，本文所用方法不僅在圓邊界輕微間斷的情況下表現(xiàn)出了很好的擬合效果，而且當實物在空間中重疊導致圖像中實物部分遮蓋時也同樣表現(xiàn)出了很好的擬合效果。因此，在螺母定位時能夠實現(xiàn)很好的效果。

參考文獻：

［1］蔡健榮，周小軍，李玉良，等.基于機器視覺自然場景下成熟柑橘識別［J］.農(nóng)業(yè)工程學報，2008，24（01）：175-178.

［2］王植，賀賽先.一種基于Canny理論的自適應邊緣檢測方法［J］.中國圖像圖形學報，2004，9（08）：957-962.

［3］王會江.結合Canny算法和Hough變換的軸類零件邊緣提?。跩］.機電工程技術，2016（9）：27-30.

［4］陳健，廖唯.機器視覺概況及其在軸系部件測量中的應用［J］.現(xiàn)代機械，2011（03）：24-26.

［5］蘇威.基于機器視覺的重疊類圓顆粒計數(shù)系統(tǒng)［D］.鎮(zhèn)江：江蘇大學，2009.

［6］謝忠紅，姬長英，郭小清，等.基于凹點搜索的重疊果實定位檢測算法研究［J］.農(nóng)業(yè)機械學報，2011，42（12）：191-196.

［7］尚璐，李銳，宋信玉.改進的Hough變換圓檢測算法［J］.電子設計工程，2011，19（14）：168-171.