焊接技術(shù)是我國(guó)工業(yè)發(fā)展中很重要的一門(mén)技術(shù)，隨著科技的發(fā)展，焊接機(jī)器人的效率問(wèn)題也越來(lái)越被人們重視起來(lái)。本文是一篇北京論文代理投稿的論文范文，主要論述了基于視覺(jué)的焊接工件在線識(shí)別與分類(lèi)算法研究。
　　摘要： 為提高焊接機(jī)器人的生產(chǎn)效率，設(shè)計(jì)了eye-in-hand焊接機(jī)器人視覺(jué)系統(tǒng)，提出了基于機(jī)器視覺(jué)的焊接工件自動(dòng)化識(shí)別與分類(lèi)算法。根據(jù)工件特征，提取區(qū)域面積、凸性、圓度、小孔數(shù)目、外接圓面積比等幾何特征和幾何距作為分類(lèi)器的訓(xùn)練數(shù)據(jù)輸入量，完成分類(lèi)器的訓(xùn)練。設(shè)計(jì)高斯混合模型、多層感知神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類(lèi)器，完成對(duì)不同焊接工件的分類(lèi)和識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法響應(yīng)速度快，且當(dāng)工件位置、大小、角度都存在變化時(shí)，仍能快速準(zhǔn)確地對(duì)工件進(jìn)行分類(lèi)，滿(mǎn)足生產(chǎn)線上對(duì)實(shí)時(shí)性的要求。

　　Abstract： In order to increase the productivity efficiency of the welding robot， eye-in-hand welding robot vision system is designed， the automatic recognition and classification algorithms of the welding machine on the basic of machine vision is put forward. According to the properties of the weldment， the area， convexity， roundness， number of holes， circumscribed circle area ratio and other geometric features and geometric distance are used as the training data input of the classifier to train the classifiers. The Gaussian mixture model and the vector machine classifier of multi-layered perception neural networks and support are used to classify and recognize the weldment. The experiments show that the algorithms responds fast and it is able to recognize the weldment when their size and angle are changing， and it can quickly and accurately classify the artifacts and meet the requirements of the production line in real-time.

　　關(guān)鍵詞： 機(jī)器視覺(jué),特征提取,GMM模型,MLP神經(jīng)網(wǎng)絡(luò),SVM分類(lèi)器

　　Key words： machine vision;feature extraction;Gaussian Mixture Model(GMM);multilayer perceptron neural network(MLP);support vector machine (SVM)

　　中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311(2016)04-0097-05

　　0 引言

　　當(dāng)前焊接機(jī)器人已經(jīng)在汽車(chē)生產(chǎn)、工程機(jī)械、造船業(yè)以及集裝箱生產(chǎn)等許多領(lǐng)域得到了應(yīng)用，焊接機(jī)器人通常采用示教再現(xiàn)[1]工作模式。然而示教過(guò)程需要花費(fèi)大量的時(shí)間，因此對(duì)于大規(guī)模的同種焊接工件比較有利，而對(duì)于小規(guī)模多品種，示教再現(xiàn)模式就不再適用。同時(shí)，為了提高

　　生產(chǎn)效率，充分利用焊接機(jī)器人工作范圍，通常需要在一個(gè)工位對(duì)不同工件的進(jìn)行焊接，因此研究出一種能適用于惡劣的焊接環(huán)境且能滿(mǎn)足自動(dòng)化焊接對(duì)實(shí)時(shí)性要求的識(shí)別與分類(lèi)算法具有重大實(shí)際意義。

　　對(duì)工件的分類(lèi)研究，其關(guān)鍵技術(shù)在于對(duì)工件特征的提取與優(yōu)化和分類(lèi)器的設(shè)計(jì)與選擇。工件的特征提取，應(yīng)根據(jù)目標(biāo)對(duì)象之間的差異，提取既能準(zhǔn)確分割不同對(duì)象的同時(shí)又使同類(lèi)對(duì)象之間的差異最小的特征值。圖像的特征主要包括：顏色特征、灰度特征、形狀特征、紋理特征及空間幾何關(guān)系特征�；�于顏色特征對(duì)目標(biāo)進(jìn)行分類(lèi)，廣泛應(yīng)用于判斷水果是否成熟或者腐爛[2-3]。文獻(xiàn)[4]基于圖像的灰度特征，對(duì)圖像進(jìn)行分割，同時(shí)采用金字塔分層算法，彌補(bǔ)了基于灰度特征計(jì)算量大的缺點(diǎn)。文獻(xiàn)[5]分別提取大理石的紋理特征和小波特征，實(shí)驗(yàn)結(jié)果表明單一特征難以對(duì)大理石準(zhǔn)確區(qū)分，融合多特征，可提高區(qū)分度。目前基于幾何關(guān)系的特征提取分類(lèi)算法研究，主要注重分類(lèi)結(jié)果的準(zhǔn)確性和魯棒性，一般未考慮到實(shí)時(shí)性，而在實(shí)際的生產(chǎn)應(yīng)用上，不僅要求分類(lèi)器能準(zhǔn)確無(wú)誤地區(qū)分目標(biāo)對(duì)象，而且要求響應(yīng)速度快，滿(mǎn)足生產(chǎn)過(guò)程對(duì)實(shí)時(shí)性的要求，提高生產(chǎn)效率。

　　本文分析焊接工件的圖像特點(diǎn)，提取對(duì)象的區(qū)域面積、凸性、圓度、小孔數(shù)目、外接圓面積比等幾何特征作輸入量，這些特征的計(jì)算結(jié)果，分別只有一個(gè)輸出量，這樣就大大減少了訓(xùn)練數(shù)據(jù)，減少了訓(xùn)練和識(shí)別時(shí)間，提高了效率，同時(shí)計(jì)算圖像的幾何距，能使圖像具有旋轉(zhuǎn)、平移和尺度不變性。根據(jù)各個(gè)特征對(duì)目標(biāo)識(shí)別的貢獻(xiàn)量，提取能準(zhǔn)確區(qū)分的特征值，并通過(guò)實(shí)驗(yàn)選取適當(dāng)?shù)奶卣髦祩�(gè)數(shù)，優(yōu)化輸入量。對(duì)象特征提取后，分別設(shè)計(jì)了高斯混合模型分類(lèi)器、多層感知神經(jīng)網(wǎng)絡(luò)系統(tǒng)和支持向量機(jī)分類(lèi)器，對(duì)目標(biāo)對(duì)象進(jìn)行識(shí)別分類(lèi)，分類(lèi)后指導(dǎo)焊接機(jī)器人尋找相應(yīng)焊接工件模板，校正示教軌并進(jìn)行焊接。

　　1 系統(tǒng)介紹

　　本文設(shè)計(jì)了eye-in-hand焊接機(jī)器人系統(tǒng)，如圖1所示。機(jī)器人為安川MOTOMAN-MA1400型號(hào)焊接機(jī)器人。設(shè)計(jì)視覺(jué)系統(tǒng)，視覺(jué)系統(tǒng)由攝像機(jī)、鏡頭和環(huán)形光源構(gòu)成。攝像機(jī)型號(hào)為BASLER acA2500-14gm，水平和垂直分辨率分別為2592pix和1944pix。單位像素大小為2.2um.鏡頭型號(hào)為M2514-MP2百萬(wàn)像素鏡頭，焦距為25mm。采用環(huán)形結(jié)構(gòu)光LDR2-90SW2，可有效減少環(huán)境光對(duì)圖像的干擾。系統(tǒng)的軟件平臺(tái)是基于Microsoft Visual Studio 2010進(jìn)行編程控制。焊接機(jī)器人與視覺(jué)系統(tǒng)分別通過(guò)單獨(dú)的以太網(wǎng)與工業(yè)級(jí)計(jì)算機(jī)進(jìn)行通訊，機(jī)器人與工業(yè)級(jí)計(jì)算機(jī)的通訊時(shí)間約為60ms。視覺(jué)部分，攝像機(jī)獲取圖像，圖像采集卡對(duì)圖像進(jìn)行處理、特征提取及分類(lèi)識(shí)別，識(shí)別結(jié)果傳輸給工業(yè)級(jí)計(jì)算機(jī)，計(jì)算機(jī)控制焊接機(jī)器人進(jìn)行焊接。 　　2 焊件圖像特征提取

　　圖像的特征是指區(qū)別圖像信息的特征值，在對(duì)圖像進(jìn)行識(shí)別與分類(lèi)過(guò)程中，特征的選取是否準(zhǔn)確是分類(lèi)的關(guān)鍵。對(duì)同一批焊接工件分別基于灰度特征、紋理特征和本文的幾何特征進(jìn)行訓(xùn)練和識(shí)別，相應(yīng)時(shí)間如表1，可見(jiàn)基于灰度特征和紋理特征需要的時(shí)間太長(zhǎng)，不能滿(mǎn)足生產(chǎn)過(guò)程中對(duì)實(shí)時(shí)性的要求，且基于紋理特征只能用于特定的焊接工件。

　　3 分類(lèi)算法

　　3.1 高斯混合模型分類(lèi)器

　　3.2 多層感知器神經(jīng)網(wǎng)絡(luò)法

　　多層感知器神經(jīng)網(wǎng)絡(luò)分類(lèi)法是基于多層前饋神經(jīng)網(wǎng)絡(luò)[7]，采用誤差反饋的BP學(xué)習(xí)算法，即輸出結(jié)果與預(yù)期結(jié)果比較得到一個(gè)誤差信號(hào)，然后誤差信號(hào)從輸入端反向進(jìn)入多層感知器的網(wǎng)絡(luò)結(jié)構(gòu)。多層感知器神經(jīng)網(wǎng)絡(luò)其神經(jīng)節(jié)點(diǎn)分層排列，由輸入層，輸出層和隱層組成，同層神經(jīng)元節(jié)點(diǎn)間沒(méi)有連接，相鄰兩層之間兩兩連接，對(duì)于函數(shù)信號(hào)，前一層的輸出為下一層的神經(jīng)元的輸入，每層神經(jīng)節(jié)點(diǎn)只接受前一層的神經(jīng)元節(jié)點(diǎn)的輸出信號(hào)。對(duì)于誤差信號(hào)，計(jì)算誤差信號(hào)的梯度向量的大小，通過(guò)反方向傳播算法來(lái)調(diào)整權(quán)值大小。

　　隱函數(shù)的層數(shù)和神經(jīng)元的個(gè)數(shù)的選擇對(duì)于多層感知器神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)說(shuō)非常重要[8]，過(guò)少的隱層會(huì)降低多層感知器神經(jīng)網(wǎng)絡(luò)的精度，過(guò)多的隱層則會(huì)出現(xiàn)過(guò)渡擬合，影響系統(tǒng)的推廣能力，同時(shí)通過(guò)誤差反饋計(jì)算突觸權(quán)值需要的時(shí)間也越多。

　　3.3 基于SVM的分類(lèi)算法

　　支持向量機(jī)(SVM)分類(lèi)法是一種有監(jiān)督的分類(lèi)方法[9-10]，是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一種新的分類(lèi)方法。該分類(lèi)法以結(jié)構(gòu)化風(fēng)險(xiǎn)最小化為原則，即兼顧訓(xùn)練誤差(經(jīng)驗(yàn)風(fēng)險(xiǎn))與測(cè)試誤差(期望風(fēng)險(xiǎn))的最小化，因此其推廣能力優(yōu)于一般傳統(tǒng)模式識(shí)別方法，且SVM分類(lèi)方法在圖像分類(lèi)應(yīng)用廣泛，它不要求圖像類(lèi)別固定，也不要求圖像類(lèi)的先驗(yàn)概率己知，從而更具有實(shí)際意義。在進(jìn)行分類(lèi)時(shí)，給定一組訓(xùn)練樣本，每個(gè)樣本由一個(gè)向量和一個(gè)標(biāo)量組成：

　　對(duì)于需要核函數(shù)的SVM分類(lèi)器，核函數(shù)的參數(shù)?琢值對(duì)精度會(huì)有較大的影響，而不同的核函數(shù)對(duì)分類(lèi)器精度影響較小[11]，本文通過(guò)實(shí)驗(yàn)選擇參數(shù)?琢=0.02。

　　4 實(shí)驗(yàn)結(jié)果及分析

　　本實(shí)驗(yàn)是在AMD Athlon(tm)7750 Dual-Core Processor 處理器，2.70GHz內(nèi)存的硬件和Windows XP系統(tǒng)的環(huán)境下進(jìn)行。采用Microsoft visual studio 2010開(kāi)發(fā)人機(jī)交互平臺(tái)和Halcon軟件開(kāi)發(fā)圖像處理算法。對(duì)各個(gè)焊接工件分別采集36幅圖像，每個(gè)焊接工件取6幅圖用于分類(lèi)器訓(xùn)的練，剩余30幅圖像用于分類(lèi)識(shí)別。由于焊接環(huán)境的強(qiáng)烈弧光、焊接工件表面的不平整及焊接工件本身的工藝結(jié)構(gòu)等多種因素的影響，直接獲取的圖像數(shù)存在大量噪聲，這些噪聲對(duì)后續(xù)的分類(lèi)識(shí)別及焊接軌跡的追蹤會(huì)產(chǎn)生不利影響，因此本文首先采用5′5的均值濾波器對(duì)圖像進(jìn)行預(yù)處理，過(guò)濾部分噪聲，實(shí)驗(yàn)表明預(yù)處理過(guò)程可以有效的濾去噪聲。鑒于前文基于灰度特征值和紋理特征值訓(xùn)練及識(shí)別時(shí)間較長(zhǎng)，不能滿(mǎn)足工業(yè)上實(shí)時(shí)性的要求。本文根據(jù)分類(lèi)對(duì)象的形狀特征，分別提取區(qū)域面積、凸性、圓度、區(qū)域小孔數(shù)、外接圓面積比、幾何不變距作為特征向量。對(duì)焊件圖像進(jìn)行預(yù)處理后，提取幾何特征輪廓如圖2，可見(jiàn)每個(gè)焊件都有特殊的幾何特征值。

　　用于訓(xùn)練的各個(gè)焊接工件的特征向量值如圖3所示，由圖3可知通過(guò)面積特征可以識(shí)別出焊件1、焊件4、焊件6，焊件7，外接圓面積比可以識(shí)別焊件3、焊件4、焊件6、凸性特征可以識(shí)別焊件1、焊件2、焊件5、焊件6，小孔數(shù)目可以識(shí)別焊件1、焊件3、焊件6，外接圓面積比可以有效識(shí)別出焊件4、焊件6，而其中由幾何特征向量的輸出值PSI2、PSI2、PSI3、PSI4其性質(zhì)在于保證對(duì)象具有線性及旋轉(zhuǎn)不變性。因此分別選擇面積特征、凸性特征、小孔數(shù)及不變矩為第1組特征向量;面積特征、凸性特征、外接圓面積比及不變矩為第2組特征向量。

　　特征向量提取后，分別設(shè)計(jì)高斯混合模型分類(lèi)器、多層感知神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類(lèi)器。其中是高斯模型的階數(shù)M為7，協(xié)方差矩陣為正定矩陣。多層感知神經(jīng)網(wǎng)絡(luò)的隱層數(shù)目和每層神經(jīng)元數(shù)目對(duì)分類(lèi)器構(gòu)造的準(zhǔn)確度有影響很大，通過(guò)實(shí)驗(yàn)確定多層感知神經(jīng)網(wǎng)絡(luò)隱層數(shù)為5，每層7個(gè)神經(jīng)單元，準(zhǔn)確率達(dá)到最高。支持向量機(jī)的核函數(shù)選取徑向基函數(shù)RBF，一對(duì)一投票決策。分別以上述兩組特征向量作為輸入，對(duì)分類(lèi)器進(jìn)行訓(xùn)練。然后分別對(duì)對(duì)剩下210個(gè)焊接工件圖像進(jìn)行分類(lèi)識(shí)別，其分類(lèi)結(jié)果如表2所示�？芍�選擇第2組特征向量作為輸入時(shí)，分類(lèi)識(shí)別的準(zhǔn)確率更高，其中支持向量機(jī)分類(lèi)器的總體準(zhǔn)確率為0.9857，識(shí)別結(jié)果最好。

　　同時(shí)，為了驗(yàn)證特征輸入量個(gè)數(shù)對(duì)分類(lèi)識(shí)別結(jié)果準(zhǔn)確率的影響，選取不變矩的4個(gè)輸出作為開(kāi)始輸入值，并在開(kāi)始輸入值的基礎(chǔ)上分別依次增加面積特征值、凸性特征值、外接圓面積比特征值、圓度特征值、小孔數(shù)目特征，三類(lèi)分類(lèi)器對(duì)目標(biāo)的分類(lèi)識(shí)別結(jié)果如圖4所示�？梢钥闯龈咚够旌夏Ｐ蛢H僅基于不變矩就有較好的分類(lèi)效果，在不變矩的基礎(chǔ)上增加面積特征值就可以達(dá)到0.9952的準(zhǔn)確率，但是基于高斯模型的分類(lèi)算法對(duì)噪聲敏感，當(dāng)周?chē)�環(huán)境惡劣時(shí)，識(shí)別準(zhǔn)確率很低，不能滿(mǎn)足焊接環(huán)境下的要求。基于多層感知混合模型與支持向量機(jī)分類(lèi)器的分類(lèi)，在只有不變矩作為輸入向量時(shí)，分類(lèi)效果較差，隨著特征向量的增加，識(shí)別準(zhǔn)確率也隨著提高，在增加面積特征值、外接圓面積比特征值、凸性特征值組成特征向量時(shí)，分類(lèi)準(zhǔn)確率達(dá)到最高，分別為0.9429和0.9857，可知選擇7個(gè)特征值構(gòu)成特征向量，并選用基于支持向量機(jī)分類(lèi)器，分類(lèi)識(shí)別準(zhǔn)確率最高。

　　由圖4可知特性向量的個(gè)數(shù)對(duì)分類(lèi)識(shí)別的準(zhǔn)確率有很大影響。過(guò)少的特征向量不能有效對(duì)目標(biāo)對(duì)象進(jìn)行分類(lèi)識(shí)別，過(guò)多的特征向量則使分類(lèi)器在訓(xùn)練時(shí)，過(guò)渡擬合，降低了分類(lèi)器的推廣能力和預(yù)判能力。圖5是對(duì)各個(gè)焊接工件分類(lèi)識(shí)別結(jié)果圖。

　　5 結(jié)論

　　采用中值濾波器對(duì)圖像進(jìn)行濾波去噪，有效的減少了圖像噪聲，增加了分類(lèi)識(shí)別結(jié)果的準(zhǔn)確率。通過(guò)分析焊接工件特征，提取圖像區(qū)域面積、圓度、凸性、外接圓面積比、小孔數(shù)目及幾何不變矩特征值，構(gòu)成特征向量。與其他輸入特征相比，本文所提取的特征向量具有分類(lèi)準(zhǔn)確且響應(yīng)時(shí)間短等優(yōu)點(diǎn)。設(shè)計(jì)了高斯混合模型、多層感知神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、支持向量機(jī)分類(lèi)器，選取區(qū)域面積、圓度、凸性、外接圓面積比、小孔數(shù)目及幾何不變矩特征值作為輸入，高斯混合模型在只有不變矩輸入時(shí)，分類(lèi)識(shí)別準(zhǔn)確率最高達(dá)到99.8%，但是高斯混合模型對(duì)噪聲敏感。多層感知神經(jīng)網(wǎng)絡(luò)分類(lèi)器和支持向量機(jī)分類(lèi)器在輸入特征為7個(gè)時(shí)，分別為區(qū)域面積、凸性外接圓面積比及幾何不變矩，分類(lèi)效果最好，分類(lèi)準(zhǔn)確率達(dá)到94.29%和98.57%。實(shí)驗(yàn)表明該方法不僅能快速識(shí)別目標(biāo)，而且抗噪聲干擾能力強(qiáng)，相應(yīng)速度快，能滿(mǎn)足實(shí)際應(yīng)用要求。 　　參考文獻(xiàn)：

　　[1]Chen SB， Qiu T. Intelligentlized technologies for robotic welding [J]. Series Lecture Notes in Control and Information Sciences， 2004， 299：123-143.

　　[2]Varghese Z， Morrow C T， Heinemann P H， et al. Automated inspection of golden delicious apples using color computer vision [J]. American Society of Agricultural Engineers， 1991(7002)， 16：1682-1689.

　　[3]Lee D J， Archibald J K， Xiong G M. Rapid color grading for fruit quality evaluation using direct color mapping [J]. IEEE Trans. Autom. Sci. Eng.， 2011， 8(2)： 292-302.

　　[4]Kwang I K， Keechul J， Jin H K. Texture-based approach for text detection in images using support vector machines and continuously adaptive mean shift algorithm [J].Transactions on Pattern Analysis and Machine Intelligence， 2003， 25：1631-1639.

　　[5]Selver M A， Akay O， Ardali E， et al. Cascaded and hierarchical neural networks for classifying surface images of marble slabs [J]. Systems， Man， and Cybernetics， Part C： Applications and Reviews， IEEE Transactions on， 2009， 39(4)： 426-439.

　　[6]Zhou X， Cui N， Li Z， et al. Hierarchical gaussianization for image classification[C]//Computer Vision， 2009 IEEE 12th International Conference on. IEEE， 2009： 1971-1977.

　　[7]Haykin S. Neural networks： a comprehensive foundation [M]. Prentice Hall PTR， 1994：645-656.

　　[8]Abdullah M Z， Mohamad-Saleh J， Fathinul-Syahir A S， et al. Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system [J]. Journal of Food Engineering， 2006， 76(4)： 506-523.
　　北京論文投稿期刊推薦《湖南工業(yè)大學(xué)學(xué)報(bào)》是由湖南省教育廳主管、湖南工業(yè)大學(xué)主辦、國(guó)內(nèi)外公開(kāi)發(fā)行、具有國(guó)際視野的包裝行業(yè)學(xué)術(shù)型期刊，其刊號(hào)為：ISSN號(hào)為1674-7100、CN號(hào)為43-1499/TB，于2009年10月創(chuàng)刊。本刊立足學(xué)術(shù)研究，以科學(xué)發(fā)展觀為指導(dǎo)，及時(shí)報(bào)道和刊發(fā)包裝科技領(lǐng)域的新技術(shù)、新成果，促進(jìn)包裝科技進(jìn)步與交流、繁榮包裝文化、搭建包裝產(chǎn)學(xué)研結(jié)合的橋梁，推動(dòng)我國(guó)包裝產(chǎn)業(yè)可持續(xù)發(fā)展和包裝工業(yè)科技進(jìn)步�！栋�裝學(xué)報(bào)》暫定的主要欄目有：基礎(chǔ)研究、設(shè)備及過(guò)程控制、運(yùn)輸包裝、商品包裝鏈循環(huán)、銷(xiāo)售包裝、綠色包裝、文化與教育、發(fā)展論壇等。

---

轉(zhuǎn)載請(qǐng)注明來(lái)自：http://www.jinnzone.com/gongyeshejilw/56985.html