周珂瑋

摘 要：隨著工業(yè)4.0智能化進程的推進，研究智能機器人代替重復性人工勞動是現(xiàn)在人工智能領域研究的一大熱門方向。本文主要以生產血壓計按類型進行分揀展開研究，開發(fā)基于機器視覺原理的智能分揀系統(tǒng)，該系統(tǒng)通過工業(yè)相機采集外形圖像，獲取目標圖像位置、姿態(tài)信息，矯正圖像后將正視圖像降采樣，根據(jù)圖像特征構成特征矢量，輸入機器學習網(wǎng)絡后輸出血壓計所屬類別，并發(fā)送控制命令給機器人完成分揀。分揀過程中同時記錄存儲分揀結果信息，并建立質量控制流水線，實現(xiàn)后續(xù)質檢、裝箱、報錯報警等操作。

關鍵詞：智能分揀系統(tǒng) 機器視覺原理 機器學習 血壓計外殼

一、引言

工業(yè)自動分揀是指在工件、產品隨機擺放后，根據(jù)類型實現(xiàn)自動識別、分揀、定位、抓取、分類放置的過程，是生產環(huán)節(jié)的主要組成部分。自動分揀與人工進行分揀作業(yè)相比，不僅更高效、更準確，而且在保障衛(wèi)生、質量等方面有著非常明顯的優(yōu)勢。近年來，我國自動分揀技術及分揀設備發(fā)展迅速，特別是工業(yè)視覺這種具有高度自動化、高效率、高精度和高適應能力的智能設備，為高速發(fā)展的分揀系統(tǒng)打開了“新視野”，而智能機器人的廣泛應用，也極大得解放了傳統(tǒng)人力勞動，在工作效率上也較以前有了大幅得提升。

本文主要以血壓計外殼按類型進行分揀問題展開研究，自主研制了一套基于機器視覺的血壓計外殼自動分揀系統(tǒng)。系統(tǒng)通過攝像頭捕捉血壓計圖像，采用人工神經(jīng)網(wǎng)絡分類算法實現(xiàn)不同類型的分揀操作，分揀結果存入數(shù)據(jù)庫，可以進行查詢、分類統(tǒng)計，并可控制執(zhí)行結構實現(xiàn)拾取、裝箱等功能。本課題研究實現(xiàn)的自動分揀系統(tǒng)，對小批量自動分揀應用推廣具有一定的理論意義和實用價值。

二、自動分揀系統(tǒng)總體方案設計

整個系統(tǒng)由硬件系統(tǒng)和軟件系統(tǒng)兩大部分組成，硬件系統(tǒng)包括工控機、機器視覺模塊、機器人控制器、光電開關觸發(fā)模塊和信號報警模塊，系統(tǒng)軟件主要包括圖像采集、處理算法，命令控制和數(shù)據(jù)管理三大部分。

軟件處理流程如圖1所示。工控機控制工業(yè)相機采集血壓計圖像后進行圖像預處理，預處理后采用基于邊緣特征的多模板目標對象定位算法確定其位置和角度，并將其矯正為正視圖像，以消除隨意擺放帶來的位置和角度干擾;最后通過預訓練好的三層人工神經(jīng)網(wǎng)絡分類器判別所屬類型，依據(jù)分類結果判別報警信號輸出，將分類結果顯示在人機交互界面上，并保存到本地數(shù)據(jù)庫中。

圖1 自動分揀系統(tǒng)軟件處理流程示意圖

三、血壓計外殼特征提取

3.1 血壓計外殼圖像定位矯正算法

本文采用基于圖像邊緣特征的匹配定位矯正算法，當目標圖像部分可見或與其他圖像混合時，該方法依然能夠搜索到目標圖像。算法實現(xiàn)時，采用給出迭代終止條件和金字塔模板進行搜索，對算法進行優(yōu)化，具有較高的計算效率，該算法分為三個步驟：

（1） 創(chuàng)建基于邊緣的模板圖像模型

首先使用Sobel算子提取原始模板圖像粗邊緣，在模板圖像上使用Sobel算子計算X和Y方向的梯度變化Gx，Gy，再通過公式（1）計算邊緣大小和方向。

（1）

提取圖像粗邊緣后將細化邊緣，其基本思想是在邊緣方向上查找極大值，通過非極大值抑制、高低閾值判斷后保存數(shù)據(jù)集，在提取邊緣之后，將所選邊緣的X和Y導數(shù)與坐標信息一起保存為模板模型。

（2） 在待搜索目標圖像上首先應用邊緣提取算法提取邊緣特征，然后采用互相關的圖像定位匹配算法，將模板模型與搜索目標圖像進行匹配。在匹配過程中，使用相似性度量將模板模型與所有位置的目標圖像進行比較，其思想是獲取模板圖像所有梯度向量的歸一化點積的總和，從而定位目標對象的位置和角度。

（3） 以第二步返回的位置為中心，將待搜索圖像旋轉對應的角度，實現(xiàn)將隨機位置圖像矯正為正視圖像。

3.2 血壓計外殼圖像特征提取算法

采用矯正后的目標圖像作為輸入圖像，采用特征向量提取算法提取目標圖像的水平投影、垂直投影，加上圖像灰度信息組成一個一維向量，作為神經(jīng)網(wǎng)絡分類器的輸入?；舅惴ú襟E為：

（1） 如圖2所示，采用高斯金字塔降采樣算法，把圖像統(tǒng)一為64pix×64pix大小的圖像，并保留圖像的灰度信息，像素間采用雙線性插值。

圖2 金字塔模板模型

（2） 計算圖像的灰度水平投影，即將圖像每一行所有像素的灰度值相加作為該行像素的特征值。

（3） 計算圖像灰度的垂直投影，即將圖像每一列所有像素的灰度值相加作為該列像素的特征值。

（4） 創(chuàng)建一維特征向量，該向量由水平投影、垂直投影、圖像像素灰度值按順序組成。

四、血壓計外殼圖像分類器

4.1 人工神經(jīng)網(wǎng)絡

大腦中的每一個神經(jīng)元都可以被比作是一個處理單元（神經(jīng)核），每個神經(jīng)元上都含有許多的輸入（樹突）和一個輸出（軸突）。大腦的神經(jīng)網(wǎng)絡結構示意圖如圖3所示。

圖3 大腦的神經(jīng)元示意圖

4.2 BP神經(jīng)網(wǎng)絡分類器設計及實現(xiàn)

本文主要針以A、B、C、D、E共5類型號的血壓計進行分類識別，每組類型準備300張圖像作為訓練樣本，在上一章節(jié)已經(jīng)針對5種血壓計類型的圖像進行特征提取，去除了位置、旋轉角度等的外部干擾量，獲得了高魯棒性的特征向量，為進一步設計人工神經(jīng)網(wǎng)絡分類器提供了可靠數(shù)據(jù)。

根據(jù)圖像水平、垂直投影以及圖像灰度特征為分類標準設計分類器，針對64×64pix圖像計算了1×4224維特征矢量作為輸入，輸出設計一個對應A，B，C，D，E五種不同類型輸出5×1維（5行1列）的數(shù)組。通過捕捉每種類型血壓計外殼圖像300張，將經(jīng)過圖像定位、矯正及特征提取后的特征矢量作為訓練輸入，最后通過在OpenCV視覺庫的基礎上實現(xiàn)了三層的人工神經(jīng)網(wǎng)絡（Artificial Neural Networks， ANN）分類器結構。

五、總結

隨著工業(yè)4.0智能化進程的推進，對常規(guī)簡單分揀任務逐步采用智能設備代替人工的需求將會越來越大。本文以血壓計外殼分揀為例，研制了一套自動分揀系統(tǒng)。后期改進設計可對本套系統(tǒng)進行更加深入的研究、更加合理的優(yōu)化，使這套系統(tǒng)工作性能、穩(wěn)定性得到提高，更好的投入生產、物流工作中。

參考文獻：

[1] 唐鎮(zhèn)城.視覺分揀系統(tǒng)研究[J].價值工程，2018，37（18）：186-188.

[2] 萬龍，吳仁杰.分揀機器人在郵政企業(yè)應用前景淺析[J].中國郵政，2017，（07）：44-45.

[3] 伍錫如，黃國明，孫立寧.基于深度學習的工業(yè)分揀機器人快速視覺識別與定位算法[J].機器人，2016，38（06）：711-719.

[4] 劉佳文，王粲，劉源，易煦東.機器人自動分揀試驗系統(tǒng)流程與軟件方案研究[J].價值工程，2018，37（30）：115-116.

[5] 鄧廣偉.基于深度學習的圖像哈希檢索方法研究[D].湖南省：湖南大學，2018.

[6] 李元鵬.基于AHP和BP神經(jīng)網(wǎng)絡的人工濕地運行狀態(tài)評估研究[D].山東?。荷綎|建筑大學，2018.

[7] 陳偉，周浩;，潘文杰，熊永華.基于人工神經(jīng)網(wǎng)絡的烤煙評吸質量評估模型及實現(xiàn)[J].湖北農業(yè)科學，2018，57（24）：108-111+123.

[8] 王先通.基于機器視覺的紙病檢測系統(tǒng)的研究與實現(xiàn)[D].陜西?。荷轿骺萍即髮W，2016.