基于贝叶斯分类与角点匹配的工件定位算法研究

饶 健

(三明学院 信息工程学院，福建 三明 365004)

机器视觉、物联网和机器人已经越来越多地用到了工业制造领域，其中以基于机器视觉的工件定位为核心展开的智能化项目是基础，本研究以工件定位为研究对象，以贝叶斯分类、角点匹配为手段，让机器知道工件位置，用于引导机器人的作业。

工件定位属于计算机视觉领域中的目标定位，国内研究人员已经取得了一定研究成果。王翰[1]提出基于双目视觉的带圆特征工件空间定位，建立虚拟椭圆投影模型，然后建立虚拟椭圆锥面，计算圆面的姿态，解决圆面定位的二义性问题，获得空间圆面准确的位姿。但是该技术缺乏大数据测试与论证，在实际流水线运作环境可能出现误定位的问题。翟永杰[2]提出基于机器视觉的汽车工件抓取定位系统，以FANUC机器人为平台，采用单应性矩阵和最小外接矩形方法，完成定位。该技术过度依靠硬件支持，且成本较高。郭斌[3]基于工业相机完成图像采集，由NI Vision软件进行图像处理，基于边缘检测提取质心点，完成目标定位。该技术采用商业付费软件，不仅底层应用调取不灵活，而且成本较高。

为了增强复杂条件下工件定位的准确性，本文融合了图像处理技术与机器学习来设计并实现了工件定位算法，并开发了一套了工件定位软件系统。为保证算法和系统的普适性，本文算法面向多种工件进行定位，并且预留了增设其他工件定位的接口。最后，测试了本文算法的定位准确性。

1 本文工件定位算法

工厂智能化需要用到大量工业机器人，机器人具有机械手装置，但是缺乏视觉与分析系统。需要开发出与之配套的视觉系统，给与其动作引导功能。为了达到引导机器人的目的，采用角点检测的方式，保证定位准确度，采用贝叶斯分类的方式，保证识别的稳定性，整个定位过程如图1所示。利用工业相机完成工件图像采集；采用角点检测与角点匹配的方式，定位工件的区域与位置；利用贝叶斯分类，完成工件的精准定位；最后将定位机制从方案实现为代码和系统，完成落地化应用，以达到准确、快速识别工件目标的目的。典型的待定位的工件目标图像如图2所示。

1.1 基于角点匹配的工件定位

由于工件种类繁多且摆放随意，本文以螺丝、螺帽和六角螺母为例，定位对象为六角螺母，即区分开螺丝、螺母。采用简单的灰度阈值分割和形态学处理的方式很难满足需要，因此本研究引入角点检测。角点是轮廓交汇点，即同场景的视角发生变化，附近区域像素点在梯度方向和幅值上有较大变化[4]。六角螺母具有6个角的特点，这种特征点较为明显。窗口在图像上滑动，比较滑动前后窗口中灰度变化，如果存在较大灰度变化，则认为窗口中存在角点[5]：

E(u,v)=∑x,yw(x,y)[I(x+u,y+v)-I(x,y)]2

(1)

式中：[u,v]是偏移量；(x,y)是窗口内坐标，w(x,y)是窗口函数。本算法中，w(x,y)函数以中心为原点二元正态分布[6]，变换式(1)为

(2)

式中：[u,v]代表窗口的偏移量；M代表窗口角点矩阵

(3)

式中：M是角点矩阵；w(x,y)是窗口函数；Ix和Iy代表像素梯度坐标，Harris角点检测通过窗口内像素的x与y方向上梯度统计分析[7-9]。

图1 本文系统框架

对于所提算法而言，主要是根据Harris角点特征来完成对六角螺母的检测。在此基础上，本研究进行角点匹配，即将待检图像中的疑似角点与标准六角螺母的已知角点进行配对，从而得出六角螺母的6个角位置，完成角点检测。对图2角点检测后的结果如图3所示，正确定位到六角螺母的位置。

图2 待定位的工件图像 图3 角点检测结果

1.2 基于贝叶斯分类的定位结果

在实际应用中，一次需要检测的工件数量往往较多，而且待检视野中还有其他工件，比如螺丝和螺帽。为了准确定位到螺母而不是螺丝，引入了机器学习技术，即贝叶斯分类器。贝叶斯分类基于概率统计进行分类，通过先验概率，计算出其后验概率，选择最大后验概率的类作为所属类[10-11]。

首先，建立工件图像种类库，将其作为贝叶斯分类器的输入端。其中，图像、工件种类作为一条特征行：

x={a1,a2,...,am}]

(4)

式中：x代表特征行；a代表特征；m代表特征个数。

其次，把每条特征行存入样本数据库，接着针对人工标注的工件种类，建立类别集合[12]：

C={y1,y2,...,yn}]

(5)

式中：C代表结果类别集合，y代表文本文字内容；n代表文本文字个数。

贝叶斯分类算法解释了一个识别结果的可能性，基于对同类事物理解的经验和知识[13]，数学表达式为

(6)

式中：c代表待识别的工件种类；a代表支撑判断的证据特征。

随后，在上述基础上引入概率密度函数，完成数据训练和结果识别[14-15]：

(7)

式中：c代表待识别的工件种类；a代表支撑判断的证据特征；u代表特征均值。

以图3的角点检测结果为数据，利用贝叶斯分类器来定位工件，结果如图4所示。由图4可知，工件定位准确。

图4 定位结果

3 实验与讨论

本次实验将算法以代码实现，并且集成在软件系统中进行实验，角点参数为 [0.65，0.78]。为了凸出所提技术的优势，将文献技术[1-2]的定位结果作为对照组。

待定位的图像如5所示，有2个六角螺母待检测定位。工件定位系统界面如图6所示，功能有：贝叶斯分类、角点匹配和工件定位。

本文算法采用Harris角点检测，完成螺母工件的粗定位，并基于贝叶斯分类，完成螺母工件的识别确认和精定位如图7所示。螺母工件定位正确，定位到两个螺母工件，没有对螺丝螺帽误定位。文献[1]算法通过建立虚拟椭圆投影模型，然后根据虚拟椭圆锥面来计算圆面的姿态，该技术缺乏大数据训练，在实际流水线运作环境中，往往出现系统不稳定的问题。文献[2]技术以机器人软件系统为基础平台，基于单应性矩阵的原理，用平台自带的最小外接矩形定位工件目标，该技术过度依靠商业硬件平台支持，且成本较高，缺乏灵活性。文献[1]和文献[2]定位结果如图8和图9所示，定位结果有一定的误差，图8误定位了一个螺帽，图9误定位了一个螺帽，少定位了一个螺母。通过实验对比发现，本文算法对工件定位更为准确，具备更好的准确度与稳定性。

图5 待定位图像 图6 系统界面图

图7 本文算法的定位结果 图8 文献[1]算法的定位结果

图9 文献[2]算法的定位结果

为了客观反映本文算法的稳定性，自行构建10组测试样本，每一组中均含有8个螺母，10个螺钉，以及12个螺栓，但是所有的零件尺寸与形状都不一样。再利用所提算法与文献算法[1-2]来检测其中的螺钉，并统计各自的准确性，结果如表1所示。由表1可知，所提算法具备更好的准确性，例如，对于第1组实验，其能够准确定位出10个螺钉，无误检和漏检现象。而文献[1]的检测正确度不佳，只将其中的6个螺钉识别出来，并存在误检目标，把3个螺栓误判为螺钉。同样，文献[2]方案的准确性也不理想，虽然能够将10个螺钉全部检测出来，但是也存在误检，将1个螺母和3个螺栓误判为识别目标。同样，对于其他几组实验，也具有类似的检测结果。

表1 不同算法的稳定性测试

3 结 语

为了解决现场复杂环境下工件目标难定位的问题，本文设计并实现了一套基于贝叶斯分类与角点检测的工件定位算法。该技术分别从角点特征、检测匹配、贝叶斯分类出发，根据工件定位应用场景，分析并建立了Harris角点检测方程，检测出六角螺母的特征角点位置，以此定位六角螺母；建立贝叶斯分类模型，通过特征集训练，基于训练出的分类器确认所定位的工件为六角螺母，实现算法与系统并落地于实际产线量产，达到准确定位工件目标的目的，为后续智能化设备奠定了智能算法基础。在实际生产中，逐步研发增加各种工件目标定位的技术是下一步深入研究的内容。