面向数控机床群的上下料机器人视觉识别定位研
面向数控机床群的上下料机器人视觉识别定位研 面向数控机床群的上下料机器人视觉识别定位研
具有物体识别能力是机器人具有智能性的一个重要标志。智能机器人通过感知目标物体的位置和形状,才能实现抓取或跟踪等任务。形状信息是一种高层视觉特征,通过形状信息特征可以让机器人实现对物体形状的理解。如何让机器人将目标图像从自然图像中抽象并表示出来,是计算机视觉的一个核心。关于纯形状的分析研究虽然取得了大量成果,但是受噪声、形状建模等因素影响,实际应用却很少。本文对服务于数控机床群协同加工的上下料机器人所抓取的工件、卡盘等目标物体的识别、定位进行了研究,受到格式塔心理认知机制的启发,采用了自底向上的特征提取和自顶向下的形状指导相结合混合策略,解决了工件和卡盘识别定位中的关键问题。论文的研究工作及取得的成果如下:
(1)针对目标物体和背景混合在一起的自然图像,提出了一种基于格式塔心理感知理论的高层视觉引导下的不连续轮廓段的识别方法。该算法提出了局部形状片段描述子,并建立了形状片段相似度评价函数,确定片段与模型间的从属概率,增强了局部形状片段对模型的作用,提高了拟合过程的收敛速度。对不连续轮廓链,在图模型基础上对不连续轮廓链进行“完形”操作,以寻找虚实交错的最小代价的简单环将高次问题转化为优化问题,并将计算复杂度降低到多项式级。通过邻域投票机制,对背景噪声边缘进行剔除和抑制,剔除异值轮廓后,减少了数据计算量,提高了定位精度。通过对物体轮廓的曲线拟合,准确的得到了上下料的空间位置信息。
(2)为了对毛坯工件进行准确选择,保证最小的加工余量,提出了基于修正的贝塞尔点扩散函数的亚像素边缘检测方法。根据初步定位边缘的灰度分布特征,采用最小二乘法拟合原理进行亚像素定位。拟合函数采用了修正贝塞尔点扩散函数。修正后的贝塞尔点扩散函数吸取了高斯点扩散函数的优点,引入可变参数对贝塞尔点扩散函数进行一次修正和二次修正,提高了的贝塞尔点扩散函数灵活性和精确性,其实验结果表明修正后的贝塞尔拟合比高斯拟合具有更高的精度,而且一次修正速度较快,满足了对于边缘检测的实时性要求。
(3)研究了摄像机标定的主要方法,分析摄像机标定产生误差的主要原因,进行了误差纠正。在实验数据分析的基础上,总结了基线距、焦距、物距与标定精度的非线性关系,绘制了标定误差变化的曲线图。通过摄像机标定的内外参数和基线距的选择优化,使双目视觉标定的精度和稳定性得到提高。
(4)在图像的降噪处理方面,提出了一种保留图像边缘细节特征的平滑滤波方法。该方法构造了基于九邻域的由五边形和六边形组成的窗口掩模,该掩模设计具有一个优势,当像素点位于一个形状复杂邻域的锐角处,该掩模也能找一个与边缘形状基本相符的均匀的邻域,这样在去除噪声的同时也尽可能的保留了边缘细节。上述研究工作为面向数控机床群的上下料机器人的工程实践奠定了理论基础,并且对提高加工制造业的自动化水平,增强计算机视觉技术在工业领域的适用性具有重要意义。 摘要6-8ABSTRACT8-13第一章 绪论13-29
1.1 引言13-21
1.
1.1 面向数控机床群上下料机器人的整体构架14-16
1.
1.2 上下料机器人的视觉系统16
1.
1.3 视觉系统的实验平台16-21
1.2 研究目的和意义21-22
1.3 计算机视觉的国内外研究状况22-25
1.4 当前研究存在的问题及发展趋势25-26
1.5 本文的总体结构26-27本章小结27-29第二章 工件图像检测关键技术研究29-45
2.1 引言29
2.2 图像去噪29-35
2.
2.1 图像噪声29-30
2.
2.2 图像噪声处理30-35
2.
2.
2.1 均值滤波30-32
2.
2.
2.2 中值滤波32-33
2.
2.
2.3 保留边缘的非线性平滑滤波33-35
2.3 图像分割35-40
2.
3.1 图像分割的数学定义36
2.
3.2 阈值分割方法36-40
2.4 图像边缘检测40-44
2.
4.1 边缘检测的作用40
2.
4.2 图像边缘检测的方法总结与比较40-44本章小结44-45第三章
基于外极线约束的摄像机的标定45-71
3.1 引言45-47
3.2 摄像机标定模型47-50
3.3 摄像机标定的误差因素分析50-52
3.4 摄像机标定靶标制作及特征点提取52-58
3.5 双目立体视觉测量58-64
3.
5.1 双目立体视觉三维测量原理58-60
3.
5.2 基于外极线约束的双目立体视觉数学模型60-62
3.
5.3 双目视觉测量系统误差分析62-64
3.6 基于外极线约束的外参求取64-69
3.7 实验数据分析69-70本章小结70-71第四章 基于拟合的亚像素工件边缘检测71-93
4.1 引言71-72
4.2 亚像素细分原理72-74
4.3 基于灰度梯度拟合的亚像素边缘检测算法74-79
4.
3.1 Canny边缘检测算子74-77
4.
3.2 亚像素定位过程77-79
4.4 修正贝塞尔型点扩散函数79-82
4.5 高斯拟合与贝塞尔拟合实验比较82-84
4.6 对于贝塞尔点扩散函数的修正及实验分析84-91本章小结91-93第五章 基于高层视觉引导的非连续轮廓识别93-115
5.1 引言93-95
5.
1.1 格式塔心理感知理论94
5.
1.2 格式塔认知中不连续轮廓的显著性94-95
5.2 形状信息在目标提取中的使用95-96
5.3 基于格式塔完形理论的显著性轮廓检测算法96-104
5.
3.1 不连续轮廓片段的表示模型97-98
5.
3.2 不连续轮廓链的描述98-104
5.
3.
2.1 不连续轮廓链提取98-100
5.
3.
2.2 不连续轮廓链的描述100-102
5.
3.
2.3 不连续轮廓链形状片段描述子的性质102-104
5.4 不连续轮廓链的形状片段相似度评价104
5.5 基于高层视觉引导的显著性轮廓识别104-110
5.
5.1 基于高层视觉引导的的显著性轮廓提取104-108
5.
5.2 基于邻域投票的背景边缘剔除算法108-110
5.6 实验分析110-114本章小结114-115第六章 总结和展望115-119
6.1 全文
115-116
6.2 论文的主要创新点116
6.3 工作展望116-119
参考文献
119-126致谢126-127攻读博士学位期间参加的科研项目和发表的论文127