工业机器人视觉分拣识别系统设计.docx

《工业机器人视觉分拣识别系统设计.docx》由会员分享，可在线阅读，更多相关《工业机器人视觉分拣识别系统设计.docx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、工业机器人视觉分拣识别系统设计学 院：专 业：姓 名：指导老师：信息学院自动化易展昊学 号：职 称：160104105522杨聚庆教授中国珠海二二年五月北京理工大学珠海学院2020届本科生毕业设计诚信承诺书本人郑重承诺：本人承诺呈交的毕业设计工业机器人视觉分拣识别系统设计是在指导教师的指导下，独立开展研究取得的成果，文中引用他人的观点和材料，均在文后按顺序列出其参考文献，设计使用的数据真实可靠。本人签名： 日期：年 月 日中文题目摘 要面对工业自动化技术的不断发展，许多生产制造过程中逐渐不断地应用到工业机器人，通过智能工业机器人与智能相机系统相结合，构建起工业机器人视觉系统，使用智能化机器替代

2、人眼器官来完成观测与判断的生产步骤，以此能应用于各种各类不适合人的高危生产环境以及应用于那些使用人眼器官视觉都无法精确测量判断的场境，避免人眼视觉检测所带来的偏差和失误之余，能够长时间稳定工作，大大提高测量精度和速度；通过非接触性测量，更减少因人工检测操作所带来的产品损坏等问题，保障观察者安全，降低废品率与劳动成本，提高生产效率与系统可靠性，产生更大的经济效益。本文通过研究工业机器人分拣系统中的视觉识别系统，简要分析工业生产过程中，使用合适的光源，摄像机，计算机等部件，采用高斯滤波，均值滤波等方法降低所摄图像上提取的信息干扰，提高图像清晰度。采用斑点定位、灰度匹配、轮廓匹配等定位方式，实现工件

3、定位功能。根据工件图像选择适合的特征提取算法，优化改进现工业机器人分拣系统中的视觉识别系统，使其更好地应用于半导体晶片切割的位置识别，各类工件的分拣，印刷或者锯片的检测，工件序列号等图像的信息读取，火化塞间隙尺寸的测量，表面的划痕缺陷检测，封装检查等等环节所需的视觉检测场合。关键词：机器视觉；分拣系统；图像处理；识别Design of visual sorting and recognition system for industrial robotAbstractIn the face of the continuous development of industrial automatio

4、n technology, many production processes are gradually applied to industrial robots. Through the combination of intelligent industrial robots and intelligent camera systems, the vision system of industrial robots is constructed, and intelligent machines are used to replace human eye organs to complet

5、e the production steps of observation and judgment, so that it can be applied to all kinds of high-risk students who are not suitable for human beings The production environment and the field environment that cannot be accurately measured and judged by using the human eye organ vision can avoid the

6、deviation and error caused by the human eye vision detection, and can work stably for a long time, greatly improving the measurement accuracy and speed; through non-contact measurement, the product damage caused by the manual detection operation can be reduced, ensuring the safety of the observer an

7、d reducing the waste products Rate and labor cost, improve production efficiency and system reliability, and produce greater economic benefits.In this paper, the visual recognition system in the sorting system of industrial robot is studied. In the process of industrial production, the appropriate l

8、ight source, camera, computer and other components are used. Gaussian filtering, mean filtering and other methods are used to reduce the interference of information extracted from the image and improve the image clarity. Using spot positioning, gray matching, contour matching and other positioning m

9、ethods to achieve the workpiece positioning function. Select suitable feature extraction algorithm according to the workpiece image, optimize and improve the visual recognition system in the current industrial robot sorting system, so that it can be better applied to the position recognition of semi

10、conductor chip cutting, the sorting of all kinds of workpiece, the detection of printing or saw blade, the information reading of image such as workpiece serial number, the measurement of gap size of cremation plug, the detection of scratch defect on the surface, sealing Visual inspection occasions

11、required for installation inspection and other links.Keywords: Machine Vision; Sorting System; Image Processing; Distinguish目 录1 前言11.1 本设计的目的、意义及应达到的技术要求11.2 本设计在国内外的发展概况及存在的问题21.3 本设计应解决的主要问题32本设计主要组成及使用的功能模块32.1工业机器人分拣系统的分析32.2 智能相机基础设置42.3机器视觉图像处理软件模块62.3.1图像滤波62.3.2图像几何变换及定位72.3.3图像特征提取及测量82.3.

12、4图像缺陷处理92.3.5图像字符读取102.3.6算法逻辑112.4组态监测页面113图像处理测试及测试结果124结论13参考文献15致谢16附录171 前言机器视觉是计算机软硬件、光学、机械、电子等方面相融合的科学技术，其中，涉及到光学成像，图像处理，传感器，计算机，人工智能，模式识别等多个领域。随着“中国制造2025”战略的提出以及中国经济的持续不断地飞跃发展，中国正逐渐成为了机器视觉技术发展最活跃技术应用次数超高的地区之一，其应用范围涵盖了工业、科研、军事、医药、农业、公安、交通、安全、天文、气象、航天等国民经济的多个行业。生活中，手机照相支付等APP软件中的人脸识别，二维码，文字等识

13、别功能，无人驾驶汽车，印刷品质量自动化检测，工业生产中的产品质量等级分类，芯片贴片，半导体晶片切割的位置识别，各类工件的分拣，印刷或者锯片的检测，工件序列号等图像的信息读取，火化塞间隙尺寸的测量，表面的划痕缺陷检测，封装检查等等都应用到机器视觉技术。而机器视觉系统，能够在一些不适合人的高危生产环境以及应用于那些使用人眼器官视觉都无法精确测量判断的场境，用机器代替人眼器官来做测量和判断。在工业场景中，一个典型的工业机器视觉系统包括：被测物，光源照明，触发图像采集的光敏传感器，摄像机，计算机存储，图像处理软件，监视器，控制执行机器，现场总线接口，遮光板等等。通过工业机器视觉系统，能够优化传统工业生

14、产制造中，人工检测产品表面缺陷速度慢等导致生产效率低下的各种各类生产环节，甚至解决在检测过程中容易出错导致检测结果不精确等人工检测局限性导致的相关问题。本文针对原有的工业机器人分拣系统存在的精度不高、工件有限定条件、生产环境影响、操作复杂等问题，以工业机器人视觉系统为基础，设计工业机器人分拣系统的视觉识别检测应用，并详细说明了系统的原理和结构组成，进而达到了理论与技术实践有效统一的目的，解决原有工业机器人分拣系统人工检测的不精确，人力检测的局限性，环境因素导致图像识别的不稳定性，不同工业应用场景对应设计识别算法的繁琐性等问题，具有产品部件精确测量的优势；解决了系统软件图像识别相关信息时实时检测

15、与测量的相关问题，迎合实际具体生产的需要，具备一定的实用性；解决了传统意义的视觉检测系统中需要多次识别导致产生大量数据，继而造成运行计算量大的问题，具有实时判别产品某项信息是否在允许误差范围内等的优点，且测量数据准确，满足生产需要。1.1本设计的目的、意义及应达到的技术要求以基本实现工业机器人视觉分拣识别系统为主要目标，以典型的机器视觉系统组成为依据，以panel_view.exe为开发设计工具，设计一套具备操作使用简单方便，降低人力成本，甚至克服人工所不能完成等优势的工业机器人视觉分拣识别系统。首先根据工业机器人分拣系统的场景，所要分拣的工件中其所需特征的颜色等等，选择合适分辨率，像素深度，

16、曝光方式，颜色，传感器类型等参数的智能相机。其次，通过麦克玛视公司研发的智能相机软件panel_view.exe，使用滤波，几何变换，定位，特征提取，测量，缺陷处理，测量，读取信息，通讯等功能模块识别分拣出各项指标都符合误差范围之内的目标工件。最后，通过相关组态软件，编辑出合适的监测页面以便观测工业机器人分拣过程中，智能相机所摄不同图像提取的各个所需识别提取检测的信息是否合适目标工件的要求。1.2本设计在国内外的发展概况及存在的问题在2017年由中国国务院发布的新一代人工智能发展规划，其中规划指出2030 年前中国的人工智能发展事业的总体战略计划，相关细则提及需要大力发展人工智能新型产业。根据

17、相关政策指引表示：未来机器人将向着高柔性的协作型机器人以及智能机器人的方向发展前进。近年来，我国已经连续数年成为全球第一大工业机器人的应用市场，国内机器人市场一直维持着高速地增长，而且，每年累计销售量和增长率持续攀高，占据着全球市场的机器人销售份额不可忽视的位置。在3c制造业，应用行业里以汽车整车制造、汽车零部件以及配件制造为代表的汽车制造业等工业领域上，关于对应的工业制造等机器人的需求量不断持续增加，相关人工智能企业的产量不断持续攀升。随着国内的电子商务，快递等行业的高速发展，智能机器人的出现，除了很好地优化了传统人力劳动作业时所带来的局限性，工作效率上也有了大幅提升。在工业机器人分拣识别系

18、统中，无需人工进行干预，完成高工作量，具有较低的分拣破损率和错误率的优势深受市场欢迎。首先需要摄像机对工件进行相应的图像采集，然后对对应的图像进行分析计算识别处理， 对工件进行识别定位，并根据建立的坐标转化关系得到对应工件的机器人坐标，通过发送设定的运动指令，从而控制机器人抓取不同特征的工件，将指定的目标工件放入指定安放的位置中。但是，现今拥有机器视觉的工业机器人的行业面临着生产研发成本极高的困境，需要具备大量的物力人力才能完成相应的具有机器视觉能力的工业机器人系统的设计、算法、仿真、测试、验证等等一系列研究开发。并且由于相关的研发设备的价格都十分昂贵，故不具有强大的经济实力支撑，就更难产生突

19、破。部分企业还需要同时面对自身项目周期过长，人力资源不足，付款条件严苛，资金风险较大等人事因素，因此，目前在国内，工业机器人的大部分市场依旧被各类外资知名品牌生产的工业机器人所占据着。但是，与此同时，国内部分企业通过收购或者自主研发的方式掌握本体和零部件的研制技术，并结合中国本土系统的主要优势，积极在工业机器人产业链上游以及中游，想通过差异化的竞争路线来发展属于中国本土的工业机器人视觉识别技术，使国产工业机器人能拥有一定的竞争力以及一定的技术优势，相信未来随着工业机器人的核心技术研发的进一步突破，工业机器人视觉分拣系统不断完善，最后中国将成为全球第一大，拥有机器视觉的工业机器人制造市场。1.3

20、本设计应解决的主要问题目前，现有的工业机器人分拣系统的视觉检测识别应用主要存在图像精度不高、工件有限定条件、生产环境影响、操作复杂等问题。如：a、从总体的典型机器视觉系统组成角度出发，根据智能相机的参数，原始图像噪声干扰程度，图像处理软件中对待处理图像的预处理质量等均会不同程度地影响图像精度；b、不同类型样式的目标工件中所需检测各自不同的感兴趣特征不一，使得工业机器人分拣系统分拣可能局限单一，对工件有一定的限定条件；c、从外界干扰角度出发，流水线生产车间环境会影响相机拍摄的原始图像效果。2本设计主要组成及使用的功能模块以基本实现工业机器人视觉分拣识别系统为主要目标，以典型的机器视觉系统组成为依

21、据，以panel_view.exe为开发设计工具，设计一套具备操作使用简单方便，降低人力成本，甚至克服人工所不能完成等优势的工业机器人视觉分拣识别系统。首先根据工业机器人分拣系统的场景，所要分拣的工件中其所需特征的颜色等等，选择合适分辨率，像素深度，曝光方式，颜色，传感器类型等参数的智能相机。其次，通过麦克玛视公司研发的智能相机软件panel_view.exe，使用滤波，几何变换，定位，特征提取，测量，缺陷处理，测量，读取信息，通讯等功能模块识别分拣出各项指标都符合误差范围之内的目标工件。最后，通过相关组态软件，编辑出合适的监测页面以便观测工业机器人分拣过程中，智能相机所摄不同图像提取的各个所

22、需识别提取检测的信息是否合适目标工件的要求。2.1工业机器人分拣系统的分析分拣，就是根据物品部件的品种种类参数特征等要点信息，按一定的先后顺序进行摆放在不同的位置，分门别类。工业生产中的工件分拣也是如此，能够把不同种类的目标工件进行区分并拣出，或者在大量同种工件中分拣出存在质量缺陷的问题工件。随着中国制造业的发展，由于传统的流水线分拣作业中依靠人工分拣工人长时间、重复性进行分拣动作导致的工作效率低，准确性低等问题，已经不能适用于现代化的高生产效率，智能自动化的大批量生产，故现时工业机器人视觉分拣系统越来越广泛。工件分拣的方式主要有两种，动态分拣和静态分拣。此次研究分析的工业机器人视觉分拣识别系

23、统为静态分拣，即工业机器人分拣过程中与流水线上的传输带是间歇性运动状态。其系统硬件主要包括执行模块与视觉模块，主要由天机TR8型号的六关节工业机器人，智能相机，光源，控制器，气动装置（气泵），计算机等部件组成，在工业机械臂的末端使用小型吸盘作为执行工具，通过示教器信号控制与气动装置实现对工件的释放与抓取，从而基本控制机械臂运动，进而实现对应目标工件的智能分拣。本文主要研究讨论工业机器人视觉分拣识别系统视觉模块的图像处理部分，其余六关节工业机器人的编程运动路线操作，机器人控制器与计算机连接通信，目标工件识别定位等相关问题，暂且不作研究讨论说明。设计实际操作平台如图2.1.1所示。图2.1.1 设

24、计实际操作平台2.2智能相机基础设置智能相机是一种高度集成化的微小型机器视觉系统。一般由光源、CCD 或 CMOS 相机、图像采集卡、图像处理软件以及一台PC机构成3。其中，工业生产中应用到的智能相机需要具有高精度、低噪声、高清晰度、色彩还原好等特点，在通过计算机后能够使用图像处理软件控制曝光时间、亮度、增益等参数。智能相机的主要基本参数包括 : 分辨率、像素深度、曝光方式和快门速度、像元尺寸（Pixel Size）、光谱响应特性等3。考虑到由于现实生产环境中工件旋转，光照条件不一致，工件外观的正常变化等条件变化因素需要选择合适的智能相机工件定位工具；其次，为了使智能相机与PC机，用于执行分拣

25、的工业机器人机械臂，以及其他自动化装置建立通信连接，需要考虑到智能相机内置的网络通信装置性能；再者，在执行分拣过程中，需要智能相机大量搜索寻找读取生产线上的工件的文字，长度，条码等图形数据信息，对于此过程中的相机寻找特性，如图像确认能力，读取速率，应变工件与工件之间位置变化的可重复性与可靠性等，由此得需考虑智能相机的寻找特性和测量工具的可重复性；对于原始图像需要进行预处理突出显示测量的特征，不标示突出甚至消除不需要的特征，如通过相对应的图像处理软件基础设置智能相机参数等配置，调节所摄图像中目标工件边缘和背景间的对比度，减少图像中不需要的无关的无意义的特征，减少或消除因光照射工件表面产生的干扰性

26、的光线，对图像中粗糙纹理的特征位置进行平滑处理，对此智能相机是否具备良好的优化原始图像数据的能力，足够的图像预处理功能，能否能提高后续处理的图像精确度和耐用性，也是此次选择智能相机的考虑因素之一；最后，对于智能相机的附件，如照明光源，P C机等部件与智能相机同时运行时产生的兼容问题，直接影响着工业机器人视觉分拣识别系统能否有效快速稳定运作，对此也需要进行检测与考虑。结合本次工业机器人视觉分拣识别系统要求，根据上述的智能相机选择依据，此次设计中的智能相机使用的类型系列是MICRO 6000/6100。本设计所用智能相机实际主要参数指标如表2.2.1所示：表2.2.1 所用智能相机实际主要参数指标

27、型号MICRO-6003CE(-C)MICRO-6013CEMICRO-6013CM分辨率0.3MPixel 640*4801.3MPixel 1280*1024帧率120fps60fps30fps颜色黑白（彩色）黑白曝光模式全局快门电子卷席快门感光芯片1/3”CMOS1/1.8” CMOS1/2” CMOS为了避免智能相机的分辨率可能较低，导致拍摄得到的原始图像因为各种的条件限制甚至乎外界的随机干扰，造成不同程度的噪声，影响后续对图像的特征信息提取，故需要在图像处理提取图像特征信息的早期对图像进行预处理。这里使用麦克玛视的图像处理软件panel_view.exe在一定的图像处理的硬件环境支持

28、下，设置智能相机的合适参数，如曝光时间，放大灰度值倍数，工作模式等，从而完成图像预处理的过程。通过设置相机工作模式参数，选择切换拍照次数，根据触发通讯方式不同选择相机工作模式（如触发一次，连续触发，通信触发，软触发等），使相机工作更加灵活。通过改变智能相机的抓图控制功能参数，在较强信号条件下，调节进光量时间，从而有效控制曝光时间长短，增加信噪比，使图像更加清晰；在信号弱如在暗处，由于曝光时间过长导致产生的噪音也随之积累，故想在曝光时间合适一定的情况条件下，通过改变放大灰度值倍数，减小增益，减小噪点，使图像更清晰。再者控制外触发干扰时间，可排除微小的外触发干扰信号，使图像更清晰，以便后续达到智能

29、相机图像采集的目的。2.3 机器视觉图像处理软件模块通过上述的六关节工业机器人机械臂对目标工件抓取，分别使用3部智能相机分别给目标工件的正面，侧面，俯面，进行拍照。经过智能相机图像预处理后，通过机器人，智能相机与电脑组态软件间的协同控制与通信，传递检测系统，并在计算机图像处理软件上得到拍摄图像。由于图像上的特征好坏会直接影响着图像处理软件进行图像匹配时，是否能识别到目标工件。因此，设定目标工件的特征选取时，由于不相同类的目标工件特征值相差较大，需要选择目标工件其同类之余，还要选择不同目标部位的特征值非常相近的数值范围，从而能够通过待识别工件的目标特征是否落在参考工件目标特征的数值允许误差范围作

30、为判别依据，处理图像。通过通信连接在计算机图像处理软件得到的原始图像，还可以在软件上进行滤波，以此降低智能相机图像提取的信息干扰，提高图像清晰度，增强图像，使工件信息提取识别更为精准。通过运用智能相机识别程序与算法对工件表面相关特征信息，进行图像分割，特征提取，特征处理与识别。编写功能算法，对智能相机所传递来的图像进行几何变换、定位、特征提取、测量、缺陷检测、读取等图像处理，能够基本在图像处理软件上描述图像特征，如长度，角度，文字，面积等特征信息。2.3.1图像滤波在图像滤波操作过程中，可以使用图像处理软件具备的算数运算、色彩转换、边缘增强、边缘滤波、高斯滤波、灰度形态学、亮度均匀化、均值滤波

31、、中值滤波以及灰度拉升等智能算法模块，消除出现在图像当中一些无关紧要的信息，提高了有关信息的检测度。如对所摄图像灰度化后进行线性平滑滤波的高斯滤波处理，去消除图像中的高斯噪声块，使图像变得平滑。使用中值滤波对所摄图像进行非线性的平滑调整，通过把图像每一像素点的灰度值设置为该点某邻域的窗口内所有像素点灰度值的中值，以此滤除脉冲噪声，同时保护目标图像边缘。还可以根据图像卷积理论，合理地通过使用低通滤波来消除噪声干扰，使用高通滤波来增强边缘等高频信号，针对待处理图像的干扰信号以及必要信号进行处理，有效显著地改善获取图像的像素质量，让原来模糊的图像变得清晰明了；使用亮度均匀化能对指定区域范围进行亮度均

32、匀化处理。使用均值滤波（线性滤波），通过根据邻域平均法的方法，使用均值来替代原需处理图像中的各个像素值，进而使图像平滑起来，算法简单，速度更快。但是由于典型的随机噪声是由灰度级的急剧变化组成，因此常见的平滑处理的应用就是降低噪声，而均值滤波器的主要是去除了图像中的不相关细节，如与滤波器模板尺寸相比较小的像素区域。由于均值滤波具有降低噪声的同时，特别是针对景物的边缘和细节部分，使图像产生模糊现象的处理缺点，故均值滤波不做考虑使用。如图2.3.1.1为在软件上使用中值滤波的前后图像及相应功能算法模块流程设置。图2.3.1.1 在软件上使用中值滤波的前后图像及相应功能算法模块流程设置2.3.2图像几

33、何变换及定位在选择了合适的滤波功能模块后，需要对图像进行切割处理。在进行图像切割前，为了保证被测工件图像中所需特征的范围部分总是出于同样的位置和方向，需要应对这种情况下的图像里被测物的位置与方向变化（被测物的位姿变化）进行处理，调整这种变化可以使用到几何变换。一般情况下，针对流水线上被测物的位置和旋转角度不能保持恒定，摄像机和被测物间的距离产生了变化等情况，可以使用到投影变换（Projective Transformations），仿射变换（Affine Transformations），以图像处理检测软件页面以及方便检测所需要的图像特征部分作为条件标准，进行图像变换，摆正图像中所需要检测的目

34、标特征，以便后续对的图像目标特征的切割处理。如，把处理图像进行坐标变换（把图像进行关于X轴、Y轴的镜像变换，方便后续特征信息提取）、位置估计（Pose Estimate）、缩放（实现缩小或者放大图像分辨率的功能）、旋转（实现输入图片依设定的角度旋转功能）、极坐标变换（实现将输入图像指定区域的弧形区域图像变换成水平方向图像，即圆形极坐标转换成直角坐标系，矫正所需处理图像中圆形物体或被包含在圆环中的物体，使圆形物体中的被测工件图像特征后续更容易读取）等几何变换处理，摆正目标特征。通过选择适当的几何变换可以以最大程度地消除由被测物的位姿变化所带来的不良影响，有助于在后面的图像处理和识别工作步骤中把处

35、理重点关注在子图像内容本身，更准确地说是后续直接处理图像中的对象，而不是仍然要对该对象的角度和位置等处理后再处理图像中的对象。为了减少几何变换处理后的图像上需处理的大量特征信息，仅提取对图像中感兴趣并且需要的目标特征相对应的那些区域，对图像进行分割操作处理。在这个对被测工件图像的特征信息进行定位分割的图像处理环节时，需要从图像中裁切出指定相关需要的特征区域图像。首先在定位算法中，除了坐标定位以外，可以使用图像处理软件中的斑点定位（配合斑点分析工具得出的斑点区域坐标信息得到匹配位置信息，定位出圆圈的位置信息。）、圆定位（也称外圆定位，在目标图像的检测区域内拟合出圆，给出圆心的坐标信息。）、颜色匹

36、配（需要有清晰的色彩值，并且模板当中不要有很多的干扰色，才能搜寻出图像中颜色色块在图像中所在的区域。）、边缘定位（通过给定指定坐标信息生成新的坐标信息用于实现定位功能。）、灰度匹配（根据目标的区域的灰度信息，学习模板后，给出目标的位移和角度信息。）、轮廓匹配等功能算法模块，在待处理的图像中选择定位出需要的目标特征区域。选择合适的定位功能算法，能够加快图像特征区域定位的速度，从而满足图像处理的快速性需求，为进一步准确提取图像特征区域里的特征信息增加把握。2.3.3图像特征提取及测量由于分割结果中经常包含不想要的干扰，所以为了更有效的实现分类识别，提取工件边缘区域或轮廓等图像细节，辨认出图像分割结

37、果中的非原始描述的特征区域，可以使用图像处理软件中的特征提取功能模块，如对待处理图像中的斑点信息进行提取的斑点分析（使用对图像中具有相似颜色、纹理等特征所组成的一块连通区域进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到斑点块的功能算法）、斑点特征（对已分析出来的斑点根据设定的再次筛选斑点的斑点特征条件对现有的斑点进行筛选，得到符合设定的斑点特征条件的斑点数量。）、斑点变换（把指定的斑点区域变换到指定的形状）、彩色斑点（在检测区域内搜寻与模板区域具有相同色彩分量的颜色分离区域数量。）；对图像指定区域进行运算，检测图像灰度信息以及标定需要感兴趣的特征的集合运算（对两个输入的区域依设

38、定算法进行区域的交集，补集，并集的集合运算，并随后选定运算后得到的区域。）、对比度（检测指定的区域图像内像素矩阵中最大灰度值与最小灰度值的差即指定区域的灰度值。）、创建ROI（在图像指定区域创建指定形状、大小及颜色的ROI，即在待处理的图像上，进行特征标记。）；通过这些图像处理软件上的功能模块，根据应用场景的不同，对那些模棱两可，似是而非不易判别的特征去掉，提供具有很好可分性与独立性的特征，使分类器容易判别。在待处理图像对特征区域进行分割后，对图像中的所需要的目标测量特征进行标定，随后可以通过图像处理软件中的测量类型的功能模块，依据几何关系等方法，测量计算二维平面上的工件相关物理尺寸。这种基于

39、机器视觉技术的尺寸测量方法，具有安装简易、精度高、成本低等优点，其精确性、灵活性、实时性和非接触性等特点能够有效的解决传统检测方法存在的相关问题。其中，能够距离，圆，对角度或线线坐标等特征信息进行提取检测出来。如，角度测量（根据直线位置坐标求出给定的两条直线之间的角度。）、圆拟合（将图像上已知圆弧上坐标点拟合成圆）、圆测量（在设定的检测范围内按任意方向进行扫描，检测圆。）、直线拟合（用于将图像上已知直线上坐标点拟合成直线。）、线线交点（通过线线交点工具，根据直线位置坐标，学习模板后，给出两条直线之间的交点信息。）、线到线（通过线到线算法工具，根据直线位置坐标求出两条直线之间的距离。）、点到线距

40、离（通过使用点到线距离工具，根据点和直线位置坐标计算出点到直线之间的距离。）点到点距离（通过使用点到点距离算法工具，用于求取设定两点之间的距离及中点信息。）、轮廓距离、椭圆测量等。运用图像处理软件上的测量功能算法可以快速有效检测计算出工件图像相关区域上的基本几何特征信息，不但能够对产品做出在线实时判定和分拣，同时还能够获取在线工件上的特征尺寸参数。如图2.3.3.1为在软件上直线拟合图像处理的情况图2.3.3.1 在软件上直线拟合图像处理的情况2.3.4图像缺陷处理缺陷检测被广泛使用于航空航天领域、工件表面质量检测、布匹瑕疵检测等。传统的算法对规则缺陷以及场景较为简单的场合，可以较好地运用；但

41、是对于那些特征不明显的、场景比较混乱、形状多样等场合，则不能再适用。一般情况下，关于图像的缺陷检测有两种方法，一种是通过对标准目标工件图像与待测工件图像进行预处理，阈值分割，最后进行比较；而另一种是待测工件图像在进行预处理，阈值分割后与其继续进行数学形态学处理后形成的工件图像进行比较。为了满足实际工业生产所需系统图像检测重复率高，检测时间短等需求，同时针对不同的工件检测目标特征的不同图像类型，使用以下几类缺陷检测算法，如轮廓缺陷（根据输入图像在选择检测的目标区域后，通过设置轮廓灰度区间与容差值，检测判断轮廓边缘平滑度是否超过设定值，并标示出缺陷位置进行标记。）、颜色检测（检测当前检测区域内的图

42、像色彩值与之前训练的标准图像色 彩差异值是否在设定容差范围内。）、比对（根据目标工件的形状特点记录其所需观察检测的目标特征，通过对待处理图像进行亮度校正，对比图像区域的边缘宽度数值，检测目标区域内图像的比对度值，比对区域面积，得到待处理图像中的某目标特征值与目标工件图像标准的同类型特征值的差异，并标示出来。）针对各类不同的工件生产需求，应用到实际工业分拣系统生产图像检测中。如图2.3.4.1为在软件上轮廓缺陷图像处理的情况。图2.3.4.1 在软件上轮廓缺陷图像处理的情况2.3.5图像字符读取经过了采集、图像预处理、定位、特征提取以及缺陷检测之后，根据工件图像上相关印刷的需要检测字符的目标特征

43、使用字符读取类型功能模块进行字符识别。通过读取工件的文字字符特征信息，如序列号，能够追溯该工件在生产制造流程环节中的情况，以便跟进控制把握该工件的生产问题。一般情况下，字符识别首先是通过图像处理后得到的单个字符分割出来，根据当前从图像区域识别出的字符与预先设定的标准字符做比对，从而把字符进行分类，也就是把分割得到的区域之中的图像字符分配一个符号并标记。工业生产上目标字符所对应的字体，大小，图像中字符的行数，颜色极性，笔画粗细字符方向，字符倾斜程度等都可以有所不同。因此，在图像字符读取上，可以使用图像处理软件的各种字符读取器功能模块，如颜色分类（使用算法工具识别颜色之前需预先完成颜色种类的训练，

44、对现有的待测图像颜色进行识别分类）、读码（根据待测图像所需检测解析编码信息的目标图像区域，在进行当前所需解析的编码类型（如QR、DataMatrix、条形码），编码背景图像极性，图像编码特征点的信息间间隙参数等设置后识别条码和二维码，所包含的编码信息。）、字符识别（根据图像字符中笔画粗细，倾斜，方向颜色极性等信息设置识别目标区域的数字英文字母等字符。）实际系统图像字符读取时，根据数据维度的不同以及相关实际需求，选择最合适的字符读取功能模块，有利于提高生产效率，消除人力识别出错率。2.3.6算法逻辑由于在工业生产的流水线分拣过程中需要图像处理软件进行大量重复性，循环性甚至需要逻辑判断标示等图像识

45、别行为，因此需要在运用图像处理软件时调用一些算法逻辑，如脚本（把编写的自定义逻辑运算、数学运算程序导入指定输入框，执行自定义编写的程序），分支（判断待检测的图像工件特征是否符合标准工件相对应的目标特征误差范围之内），计数，延时，For循环（可在有多个但数量是确定的待处理工件图像数据中，需要重复进行相同的图像处理时使用），List循环（与For循环功能模块不同，可在有多个不确定数量的待处理工件图像数据中，需要重复进行相同的图像处理时使用），终止循环（跳出循环循环体）等算法逻辑性的功能模块，使进行图像特征识别提取的一系列功能模块调用更加合理逻辑地表达，继而，使在图像处理软件上进行的目标工件特征信息

46、提取算法更加条理，增加工件分拣的可能性与合理性。因此，通过运用图像处理软件，针对某个图像需要提取的工件特征信息数据，有针对性并且适用性地编辑调用功能算法，使工业机器人视觉分拣识别系统得到处理图像中工件所含的各相关特征信息数据，如工件边长，工件某范围区域面积大小，工件标签字符文字信息，工件某个面的中心点，工件某范围区域与工件边缘之间的长度等；并设置图像处理软件分析鉴别图像中工件所含的各相关特征信息数据，与标准模板工件进行匹配，判断相关特征是否符合在规定的误差范围之内，是否合格，从而得出整块目标工件的检测结果。2.4组态监测页面图像处理软件中的组态监控页面的设计要素包括显示所需监控的检测次数，所需

47、监测特征的工件合格个数及不合格个数，相机工作状态，控制图像处理算法运行停止的属性组态控件设置，数据清零的属性组态控件设置，甚至可设定运行次数的属性组态控件设置等等。软件上的组态编辑页面如图2.4.1所示。图2.4.1 软件上的组态编辑页面在图像处理监控界面中，主要包括检测结果，监测总数以及相机工作运行状态显示。其中，主控界面的属性控件主要包括参数设置，信息查看，数据清零，运行。大致组态页面设置如图2.4.2所示。图2.4.2 组态页面设置3图像处理测试及测试结果a. 测量工件对角线的处理图像（左侧为实验原始图像，右侧为检测图像） b. 测量工件中局部范围中线的处理图像（左侧为实验原始图像，右侧

48、为检测图像） c. 识别工件字符信息的处理图像（左侧为实验原始图像，右侧为检测图像） 4结论现有的工业机器人视觉分拣识别系统由于受到人眼器官视觉无法精确测量判断，或受到其他生产环境的缘故，使拍摄出来的图像精度不高，出现噪音等图像现象，如果图像处理不恰当，甚至会导致监测出错，这在实际的工业机器人生产检测等重要生产环节中会造成经济损失等巨大不良影响。因此，在工业生产中工业机器人视觉图像处理能力的要求显得至关重要。本设计工业机器人视觉分拣识别系统，除了分析工业机器人分拣系统的组成等要素及组态监测页面编辑设置，还重点探讨了关于工业机器人视觉分拣识别系统图像处理部分针对不同情况的相关应对方法，主要从滤波，几何变换及定位，特征提取及测量，缺陷处理，字符读取，逻辑进行剖析。最后以测量工件对角线，测量工