基于灰度值金字塔算法的零件识别系统设计

任楷飞， 孟令军， 顾泽凌

(中北大学 电子测试技术国家重点实验室，山西 太原 030051)

0 引 言

零件的识别是工业自动化检测中的重要环节[1]。对于不同形状的零件，人工检测效率低、工作量大[2]。机器视觉技术具有效率高、非接触式测量的优点[3-4]，开发机器视觉系统可以准确识别和定位目标。目前神经网络在零件识别上的优势在于具有学习能力，但神经元数目多，计算量大并且需要样本训练[5]。零件的轮廓特征利用傅里叶变换转换为频域特性，互相关系数作为识别依据[6]。基于曲率和Hough变换的平面轮廓图元方法识别零件[7]。利用Harris 角点检测，根据零件的特殊点进行识别匹配[8]。在Matlab上使用连通域标识法识别目标，不适用于零件发生遮挡的情况[9]。基于LabVIEW的模板匹配能够实现模糊情况的识别[10]。在滚动体反装轴承件识别中，以LabVIEW为开发平台区分正反面[11]。以LabVIEW和Vision的虚拟仪器，从图像中建立模板,通过模板匹配对金刚石晶体类型分类与数目统计[12]。当前机器视觉系统基于halcon、opencv等软件较多，LabVIEW的机器视觉检测研究处于发展阶段。

本文提出基于LabVIEW的零件识别方法，该方法中灰度值金字塔算法既可以利用灰度值归一化的抗干扰性，又可以利用金字塔算法从顶层运算减小运算量的优势，提高匹配速度。在设计模板匹配过程中使能亚像素精度，有效提高零件识别的精度。在不同条件进行零件识别测试，准确识别目标个数并框选目标进行标识，识别匹配结果给出像素坐标，尤其在部分遮挡的情况下，系统识别的准确性高、抗干扰性强。

1 系统总体结构

系统软件采用LabVIEW结合IMAQ Vision视觉工具包进行开发，通过虚拟仪器LabVIEW的模块化设计，将各个功能模块实现并整合，实现系统设计功能。硬件搭建采用USB高级工业相机、环形LED光源。系统实现过程：通过采集图像并缓存，预处理后选定目标ROI区域进行模板的创建与学习，选用灰度值金字塔算法并设置参数，模式匹配完成后进行结果显示。系统处理结构如图1所示。

2 匹配关键算法

模式匹配是根据计算模板与被测目标的相似度来判别目标[13]，本文采用灰度值金字塔算法，该算法使用灰度值归一化特性和金字塔算法结合的原理，适合边缘复杂或模板包含大量相似灰度信息的情况。

对于发生旋转的目标，需要将搜索空间进行离散化。图像金字塔增加一层时旋转角度步幅可以增大两倍，因此在图像金字塔的最高层进行所有角度旋转，在底层创建搜索区域能有效降低计算量。对于识别旋转目标应使用亚像素精度[14]进行处理，提高识别精度。

图1 系统处理结构

2.1 灰度值匹配算法

该算法通过计算模板与图像的相似度，利用模板图像可以在感兴趣区域T内进行平移，移动模板至某一位置的相似性度量s：

其中T为感兴趣区域，f(r+u,c+v)为移动至模板区域的灰度值。将计算相似性度量具体化，引入模板与图像之间差的绝对值求和sad、差的平方求和ssd：

其中n为模板感兴趣区域像素点的数量。

相似性度量大说明与模板差别大。当光线发生线性变化时，同样会引起灰度值的变化，导致识别出错。为防止线性光照变化的影响，采用归一化互相关函数ncc，表达式为

2.2 金字塔算法

复杂度与模板中像素点的数量有关，将图像与模板缩小多次，图像的上一层的长宽均减小一半，形似金字塔形状的算法称为金字塔算法[15]。图像金字塔经过低通滤波，对图像进行缩小比例的抽样，得到分辨率和尺寸不同的图像。分辨率最高的图像在金字塔的底部，向上是分辨率逐渐变低的图像。

图像金字塔模型如图2所示，每个level代表每一层，图像金字塔中如果每增加一层，图像的边长始终为下一层边长的一半，像素点数均为原来的1/4。图像金字塔算法将顶层的结果映射到底层，在匹配分值较高的区域搜索，可以缩小匹配范围。

图2 图像金字塔模型

3 系统软件设计

3.1 图像采集及预处理

NI公司的LabVIEW软件使用图形化G语言开发，可以降低开发难度、缩短开发周期[16]，IMAQ Vison视觉模块提供完善的机器视觉算法，能够实现图像处理与视觉检测任务。

图像采集过程：首先创建会话句柄选择摄像头，打开并配置USB相机，调用IMAQ Create.vi创建数据缓冲区，配置Grab采集图像并创建图像显示控件，调用Imaq Write File.vi将图片保存。

采集图像过程中会受到干扰，预处理可以抑制噪声和去除干扰，使得处理后的图像更适合机器视觉系统。彩色经过灰度化，提高处理速度，抽取单个颜色平面，减小计算量又能保留图像特征，本文抽取图像的Green颜色分量，灰度化如图3 (a)所示。采用高斯滤波，邻域内像素的加权平均值代替该点像素的值，抑制噪声且保护边缘，效果如图3 (b)所示。

图3 预处理效果

3.2 LabVIEW软件设计

基于图像化编程的LabVIEW是计算机和仪器的紧密结合。前面板实现人机交互，界面包括：图像采集、模板创建、执行匹配、匹配结果显示部分。界面左侧为原始图像采集、模板创建的操作控件及显示；右侧为识别结果显示，识别的零件会进行框选，产生的匹配数据通过表格显示；右下侧为参数设置部分及系统运行操作控件，界面如图4所示。

图4 界面设计

软件使用模块化设计，便于测试，依据功能需求，通过IMAQ ConstructROI模块构建ROI区域，Extract模块完成模板的抽取，将模板输入IMAQ LearnPattern模块进行学习。设置匹配的最大个数、最低匹配分数、角度范围，最低匹配分数太高会出现目标遗漏，太低会引起错误检测，最低匹配分数设置为600分。

亚像素是将相邻的两个像素进行细分，每个像素被分为更小的单元。如图5为对比像素和亚像素精度处理零件细节，图5 (a)为像素精度，在处理边缘最大间距时受到ROI框右边界干扰，起始点Start Point和结束点End Point计算不准；图5 (b)为亚像素精度，在最大间距中起始与结束点位置准确。模板匹配中使能亚像素精度，在细节方面处理更好，提高识别零件的准确性。程序面板的高级选项模块中亚像素精度布尔控件为True，图4前面板右下方的高级选项控件，显示Enable-Subpixel。

图5 亚像素处理对比

选用灰度值金字塔算法，使能亚像素精度；调用IMAQ Match实现模式匹配。结果利用“按名称解除捆绑”控件，创建表格对像素坐标、旋转角度、匹配分数等显示。

4 实验结果分析

针对生产中对不同零件进行学习并识别的需求，本文选取3种不同零件分别编号为A、B、C，在目标发生旋转、光照变化、部分遮挡的条件下进行3组实验。选定待识别零件目标区域进行模板创建，零件A、B、C创建的模板图像分别如图6 (a)、图6 (b)、图6 (c)所示。

图6 模板图像

实验1：针对零件旋转的情况，选取3个零件A进行实验，识别效果如图7所示。

图7 旋转识别结果

图中检测到目标数量为3，识别效果良好，对识别与定位的目标进行框选。目标A匹配结果如表1所示，坐标(x,y)为对应像素位置，目标零件相对于模板发生旋转时产生旋转角度，匹配分数越高，目标与模板相似程度越高。

表1 目标A匹配结果

表1中坐标为(321.50，644.00)的目标匹配分数为1 000分，该目标为模板图像，像素坐标为(837.61，634.28)、(1 350.87，640.77)的目标旋转角度分别为70.10°、154.74°，不同旋转角度时均可以很好地识别与定位。

实验2：选取5个零件B在照明发生变化的情况下进行测试，从左至右分别进行编号，识别效果如图 8所示。

图8 不同亮度识别结果

图8(a)为较暗光照1的识别效果，较亮光照2识别效果如图8 (b)所示，均可以有效识别。结果如表2所示，可以看出，较暗光照1匹配分数较低于光照2的分数。采用归一化互相关处理，在光照变化时仍然可以识别，但合适的光照更有利于突出目标特征并获得更高的相似度。

表2 目标B匹配结果

实验3：对零件C受到部分遮挡的情况进行测试，识别效果如图9所示。左边第1个目标未发生遮挡，第2、3、4、5、6目标发生不同程度的遮挡，识别结果数据见表3所示。

图9 遮挡匹配结果

表3 目标C匹配结果

由图可以看出，目标6遮挡较少，同时表3中目标6的匹配分数为878.28，相似度较高。目标2、5遮挡较多，对应的匹配分数分别为645.79、733.21，与模板相似度程度差异较大，但仍能正确识别。目标3、4匹配分数分别为792.56、825.83，可以准确识别。在实验3中目标发生部分遮挡，系统可准确地识别零件。

5 结束语

本文基于灰度值金字塔算法进行模式匹配，有效减小运算量，增强对不同条件的适应性，提高匹配性能。同时使能亚像素精度，更精确地实现零件的识别，通过匹配结果中的像素坐标实现目标定位。经过试验测试，不同旋转角度的目标可以准确识别与定位；光照不同，识别结果匹配分数有差异，说明合适的光照可以更好地突出目标的特征；在测试零件发生不同程度部分遮挡时，系统识别定位准确。通过LabVIEW设计人机交互界面和程序功能，实现了对不同零件的识别与定位，图像化编程开发周期短、效率高。文中识别系统针对常规生产应用，面对高速生产、零件复杂的情况有待进一步研究。