视觉伺服平台视觉检测技术的研究

视觉检测

河北工业大学

硕士学位论文

视觉伺服平台视觉检测技术的研究

姓名：赵刚

申请学位级别：硕士

专业：机械制造及其自动化

指导教师：孙立新

20081101

视觉检测

河北工业大学硕士学位论文

视觉伺服平台视觉检测技术的研究

摘 要

随着现代制造技术的进步，传统的检测方法已无法完全满足制造业的特殊要求。基于机器视觉的检测已成为当前机器视觉领域的研究热点，有着广泛的应用前景。本文基于机器视觉的基本理论，以构建一个开放性多功能视觉伺服系统为基础，进行视觉检测方面的研究。

传统的锂锰扣式电池的分选检测主要靠人工来完成，检测时存在速度慢、精度不统一、劳动量大等问题，应用机器视觉可有效解决这些问题，实现大批量产品的快速、准确检测。扣式电池的外壳由不锈钢制造，本文采用人工LED光源照明解决了金属表面的反光问题；通过大量实验选取中值滤波及灰度变换的图像预处理方法，为图像准确匹配打下基础；利用LabVIEW软件提供的模板匹配相关的函数，综合运用非均匀采样、边缘检测等匹配方法，提出了针对多个电池目标分区域进行模板匹配的检测方案，最终实现了快速、准确的电池分选检测。

本课题构建的视觉伺服平台实现的另一功能为简单背景下运动目标的检测，在光照较好的实验条件下，通过减背景法，实现了目标图像与背景的良好分离效果，准确定位出目标的中心坐标，该坐标值与视野中心坐标相减，得到运动偏移量，再根据系统标定的像素尺寸计算出运动单元的控制量，将数据传递到伺服控制系统从而完成目标的抓取。

整个系统以LabVIEW为开发工具，研究IMAQ Vision图像处理软件中的图像处理技术，解决了机器视觉编程和修改困难等问题，满足了机器视觉更快、更准确、更可靠的发展需要。软件设计充分利用其图像处理功能的模块化，在反复试验的基础上，选择最佳的图像处理过程，使系统的结构清晰，界面友好，成功完成了软件系统的开发。

关键词：视觉检测，图像匹配，IMAQ Vision，视觉伺服

i

视觉检测

原创性声明

本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文不包含任何他人或集体已经发表的作品内容，也不包含本人为获得其他学位而使用过的材料。对本论文所涉及的研究工作做出贡献的其他个人或集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。

学位论文作者签名： 日期：

关于学位论文版权使用授权的说明

本人完全了解河北工业大学关于收集、保存、使用学位论文的以下规定：学校有权采用影印、缩印、扫描、数字化或其它手段保存论文；学校有权提供本学位论文全文或者部分内容的阅览服务；学校有权将学位论文的全部或部分内容编入有关数据库进行检索、交流；学校有权向国家有关部门或者机构送交论文的复印件和电子版。

（保密的学位论文在解密后适用本授权说明）

学位论文作者签名： 日期：

导

师签名： 日期：

视觉检测

河北工业大学硕士学位论文

第一章 绪论

§1-1 引言

人类感知外部世界主要是通过视觉、触觉、听觉和嗅觉等感觉器官，而视觉是人类最重要的感觉功能。据统计，人所感知的外界信息有80%以上是由视觉得到[1]。计算机视觉又称为机器视觉，机器视觉主要研究用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制[2]。

机器视觉技术是近几十年来发展的一门新兴技术。机器视觉是研究使机器具有类似于生物视觉部分功能的一门新兴学科。因此在工业过程质量检测、监控、非接触位置几何测量、视觉伺服控制、机器人遥操作、透视3D成像和遥视等研究与工业领域有着不可替代的作用和巨大发展前景。

§1-2 机器视觉的发展现状及应用

1-2-1机器视觉的发展现状

机器视觉是一个发展速度非常快的新兴研究领域。人们对机器视觉的研究工作始于20世纪50年代对二维图像的统计模式识别。60年代Roberts开始对三维机器视觉进行研究。70年代中期，MTI人工智能实验室(MITAI)正式开设“机器视觉”课程，并吸引国际上许多知名学者进行机器视觉的深入研究，Dvad Marr在此期间提出了机器视觉研究中迄今为止最完善的视觉理论。80年代，全球掀起了机器视觉的研究热潮，机器视觉因此得到了蓬勃的发展。直至今天，机器视觉仍然是非常活跃的研究领域。不过，机器视觉仍处于十分不成熟的阶段，其发展仍落后于人们所期望的发展水平。图像的多义性、环境因素的影响、知识导引和大量要处理的数据都是机器视觉研究中面临的难题。为解决这些问题，研究人员不断寻求新的解决途径和手段，如主动视觉(Active Vision)[3-5]、面向任务的视觉(Task-oriented Vision)[6,7]、

这些方法为机器视觉的进一步发展基于模型和知识的视觉以及多传感器信息融合和集成视觉等方法[8]，

奠定了基础。

近年来，关于图像处理方法的研究有了很大进展。Bhuiyan[9]、Srinivasan[10] 、Chuan[11]、杨海军[12]、夏哲雷[13]、甘领[14]等提出了基于不同神经网络的边缘检测方法；Wang和Tsai研究了数学形态学在边缘检测领域中的应用[15]，并提出了几种具有抗噪能力的数学形态边缘算子。机器人技术国家工程研究中心在若干多尺度边缘检测方法的基础上，提出了把线结构作为一种尺度空间特征的直线抽取方法[16]；E

多传感器数据融合的概念、Triend和D J Kringman介绍了利用图搜索和动态规划方法检测边缘的方法[17]。

方法和实现介绍了基于边界点方向的边界检测方法[18]，这种方法能有效地去除伪边界点同时避免真边界点的丢失，定位精度高，且提取的边界为单像素宽，运算效率高，能达实时处理。

阈值分割方法也有进一步的研究。例如，Zenzo等提出了用模糊熵进行图像阈值分割的方法[19]；姚宇华等提出了基于局部最大方差分割的图像二值化算法，对目标与背景灰度混迭严重的图像具有很好的分割效果[20]。Downie[21]、Abramovich[22]、陈华丽[23]等将小波理论应用到图像阈值分割算法中，取得了 1

视觉检测

视觉伺服平台视觉检测技术的研究

良好的效果。另外，区域生长法、分裂合并法也是图像分割的有效方法。

图像理解是机器视觉中的上层建筑，是一个引起人们极大兴趣的前沿研究领域。80年代初，Marr提出了视觉计算理论后，图像理解技术有了较大发展。立体视觉技术、利用单目2-D图像恢复3-D目标形状信息技术、视觉知识的表达、使用、匹配和理解技术等都发展很快。在机器视觉中，匹配技术对智能机器理解场景含义起着重要作用。匹配的对象可以是具体图像的匹配也可以是抽象目标的匹配，不同的匹配对象可用不同的方法来匹配。目前，常用模板匹配法匹配整体或局部的图像，利用字符串匹配、特征点匹配或形状匹配进行目标匹配，用几何参数法、不变矩法、边界方向直方图法、小波系数法、小波轮廓表示法进行形状匹配，还可对颜色和纹理进行匹配，例如，用模板匹配法识别数字[24]，用小波变 …… 此处隐藏：17140字，全部文档内容请下载后查看。喜欢就下载吧 ……