济南大学毕业设计方案

潘为幺事毕业设计方案题目机器人视觉辨认系统设计学院自动化与电气工程专业______________自动化___________班级__________自动1002班____________学生______________徐秋实___________学号_________0321288____________指引教师______________程金______________三月三十一日学院自动化与电气工程学院专业自动化学生徐秋实学号学牛288设计题目机器人视觉辨认系统设计_______________________________

一、选题背景与意义

1.机器人视觉技术的研究现状科技发展的I最后目的是为了人类更舒服日勺生活因此，将人从繁重、机械的劳动中解放出来也是科学技术不断发展的动力之一但是，现阶段机器能完毕的工作大都是那些简朴欧I、预先编程好的工作对于外部环境的变化，各类机器的适应能力非常有限怎么样才干使机器人像人同样，灵活解决所遇到日勺问题，对外界变化做出及时日勺调节，也是各国科学家与工程师始终在研究的问题机器之因此不能像人同样对外界变化做出合理反映，究其因素重要的I一点就是他们没有像人同样的迅速，精确的感知能力机器人视觉的I研究正是顺应这一趋势的I成果随着机器人应用领域的扩展和计算机硬件技术时不断发展，图像传感器和有关解决器也不断时被更新，图像解决的速度也不断加快基于机械视觉进行控制的机器人相对一般机器人有着非常明显的优势灵活性更高，精确度更高以及更强的鲁棒性［1］而在目前的自动化生产中，机器视觉也已经成为提高生产效率和保证产品质量的核心技术，如产品外观日勺自动检测、生产线的自动监控等在平常生活中领域，机器视觉应用意义也很重要，如车辆自动避障、自动行驶导航、智能家居系统以及智能路灯系统等［2-4］目前，机器视觉的研究分为两个方向视觉导航与视觉辨认其基本的原理是同样的，即通过图像传感器（常用的有CCD和COMS）将目的转换为图像信息，通过度析图像中日勺各个像素的分布、亮度、颜色等信息提取目的的核心特性值，然后根据有关辨认信息控制现场机械的动作总体来说图像解决要通过如下几种环节图像预解决，特性提取，图像分割，图像辨认几种环节［4］-AJ图像预解决特性提取图像分割图像辨认______M______m m____________图1图像解决流程图图像预解决的目的是滤除图像中的噪声，改善图像的质量，以便后续工序的解决由于传感器和电器自身的特性，噪声是图像采集过程中不可避免日勺一种问题此外，涉及图像的旋转、变形、失真等问题也要在预解决进行解决常见的图像预解决措施有逆滤波，维纳滤波，中值滤波等特性提取是指将图像信息的简化，即从有较高维数的数据中提取出涉及重要有效信息的较低维数数据,便于图像分割和图像辨认图像分割是根据图像中某些特性的不同将图像划分为不同的区域，同一区域内日勺图像有有相似日勺特性，不同区域图像特性各不相似比较老式的措施是运用灰度图像中像素灰度的变化来辨别图像的不同区域，例如灰度阀值法分割、边沿检测法、区域生长和聚合

2.图像辨认是现代图像解决中非常重要的一种领域，并且已经得到广泛应用如人脸辨认、指纹辨认、OCR技术、医学图像诊断等简而言之，图像辨认就是对图像中的目的的模式进行分类，以及目的自身特性H勺拟定，例如方向、位置和大小等

3.由于图像的解决需要进行大量的数据解决及信息计算，规定运算速度快、辨认精确率高,人工神经网络的高实时性和高容错性的特点使其成为图像辨认解决中一种抱负的选择目前使用人工神经网络进行视觉辨认已经成为主流而BP神经网络是目前应用最广日勺神经网络，它是一种单向迈进的多层复合网络网络除了有输入输出节点外，尚有一层或多层的隐层节点，同层节点中没有任何耦合输入信号从输入层节点依次传过各隐层节点,然后传到输出节点,第一层节点时输出只影响下一层节点的输出

[5]o目前应用BP神经网络技术进行图像辨认和特性提取的措施已经比较成熟，实际应用成果也表白这是一种辨认精确率高，辨认速度较快的措施，因此的I得到了比较广泛的应用

4.包装瓶自动分类线的意义随着社会经济的不断发展，瓶装饮料已经走进了千家万户口味丰富，饮用以便日勺瓶装饮料给我们日勺生活带来很大以便，但是也带来了一种不容忽视的问题一一环境污染目前大部分的饮料瓶是聚酯（PET或PETP）原料生产的，在自然界中需要几百年的时间才干降解虽然废旧饮料瓶回收有巨大的经济价值和社会效益，但是目前的废旧包装瓶的回收运用率是非常低的大部分包装瓶被直接填埋或者作为燃料焚烧这样不仅挥霍了珍贵的资源，还会导致环境的二次污染究其因素，最重要日勺一点就是由于回收的I包装瓶瓶型混杂，不同颜色不同材质日勺包装瓶混在一起这给包装瓶日勺回收运用带来了很大H勺困难目前的废旧包装瓶分类基本所有依托工人手工分类工人站在传送带的两侧，通过目测挑选出不同种类日勺包装瓶，然后放置到不同时区域中这种分类措施，分类速度慢，并且错误率高并且回收的包装瓶往往比较脏，带有各类致病菌，长期在这种环境下工作，会对工人的身心健康导致巨大H勺伤害此外，在汽水瓶以及酒类包装瓶的回收运用过程中同样的问题也存在这些饮料日勺包装瓶都是多次使用，使用过日勺旧的包装瓶需要通过度类，清洗，杀菌等过程才可以重新进行灌装而回收H勺包装瓶诸多时候瓶型混杂，需要人工进行分拣目前，已有专门针对包装瓶进行分类的有关设备大都依托于条码辨认或者是射频无线标签辨认依托于条形码的辨认技术，在瓶身有污垢遮蔽条形码或者条形码自身残缺时将受到很大影响而射频无线标签辨认技术需要在瓶身中加入射频辨认标签，这将增长包装瓶日勺制造与回收的成本随着机器视觉技术H勺不断进步，依托视觉辨认技术对包装瓶进行分类已经成为也许相对此前的分类技术，依托视觉辨认的辨认技术进行分类的措施拥有合用范畴广，设备简朴，工作效率高等长处，具有较高口勺应用价值和社会效益

二、设计内容本次设计的重要工作是研制一套基于机器视觉辨认的包装瓶自动分类的机器人流水线该流水线内日勺机器人以视觉辨认为基础，通过颜色与形状复合辨认的方式对流水线上不同种类日勺包装瓶进行分类设计要研究欧I首要内容是使用C++语言编写基于神经元算法的包装瓶辨认程序另一方面要对整体控制与机械系统提出合理日勺可行性方案对于使用C++语言编写有关辨认程序的研究重要分为两个方面一方面是对包装瓶进行颜色辨认的措施日勺研究目前常用视觉传感器多为CCD传感器，常用的视觉颜色辨认措施有RGB模式和HSI模式两种在本次设计中，要研究这两种辨认措施日勺优劣,从辨认对欧I率、辨认速度、硬件资源占用等方面进行综合评价，选择较优的措施编写辨认程序，并根据实际状况对既有算法进行优化改善然后是对包装瓶进行形状辨认的措施的研究这是本次设计的重点任务，也是难点任务在本次设计中，将使BP神经网络训练的模板匹配法对包装瓶进行辨认和匹配实际设计中，要使用合理措施，进行图像分割借助OpenCV中的模式辨认有关函数进行训练，并在其及基础上对算法进行改善本次设计研究预期日勺成果是借助于神经元网络算法，通过充足样本训练H勺智能机器人可以对进入流水线时多瓶型混杂的包装瓶进行迅速精确的分类，并将不同种类的包装瓶运送至指定区域在实际设计中，有关欧I辨认算法将借助OpenCV中有关的算法，参阅其中模式辨认函数并在其基础上进行改善

[6]

三、设计方案分类好的包一包装瓶运出装瓶运送至流水线指定区域设计方案的流程图如下图2基于视觉辨认日勺包装瓶自动分类流水线工作流程示意图包装瓶进入分类工位流水线进行分类整个设计方案的重点在于编写基于人工神经网络算法的包装瓶自动辨认程序整个程序分为颜色辨认和形状辨认两个线程同步进行程序会根据两个线程的辨认成果综合判断包装瓶H勺种类,并给出最后的辨认成果总体程序流程图图如下色彩形状标准样本数据库标准样本数据库图3包装瓶辨认程序流程图

1.滤波与去噪由于传感器和电器系统的自身的特性，噪声的产生在所难免噪声口勺存在不仅会减少图像的质量，也会对后续的图像分割和有关辨认带来麻烦目前来说，比较流行日勺去噪措施就是中值滤波法中值滤波时核心思想是用在图像上划定一种较社区域区域内具有奇数个像素，用区域内所有像素的中值来替代区域中心像素时值用这个中值来对区域内其他的突变点进行滤除，就可以起到降噪作用中值滤波效果图4中值滤波效果示意图

2.图像分割由于采集到H勺图像既有目H勺H勺图像，又有背景图像，因此要对图像进行分割，提取出目口勺的图像常见的阀值分割的基本思想是在一定区域内选用一种阀值，将像素点日勺色去色后日勺图像图像直方图信息彩值与阀值进行比较可得出某个像素与否属于某一区域图5包装瓶直方图信息由包装瓶去色后日勺图像和其有关的直方图信息可以看到，去色后的包装瓶图像呈现出明显的双峰，由于在本次设计中，饮料瓶和背景的颜色差别较大，适于使用阀值分割法对图像进行分割目前阀值分割措施已经形成了四种比较典型措施最小值点域值选用措施、最优域值搜寻措施、迭带域值选用措施和大律法［7］如下对四种措施进行简要简介1最小值点域值选用法在这种措施中，将直方图的包络当作曲线，借助求曲线极小值的措施求出此直方图日勺谷设f x表达直方图，则极小值点应满足下列条件和这些极小值点相相应的灰度值即作为图象分割H勺域值2最优域值搜寻法最优域值是指能将误分割减小到最低的分割域值将图像日勺直方图近似当作图像像素灰度值的概率分布函数，若一幅图像涉及目的和背景，那么它的重要灰度值区域就可以分为两类，其直方图所近似的灰度值概率分布函数就相应着目的和背景的单蜂分布密度函数之和这种措施需要先求出其密度函数，再根据其密度函数计算出一种最优域值3迭代域值选用法迭代域值选用法日勺基本思想是逼近它一方面规定出图像H勺最大域值T1和最小域值T2,假设初始域值T=THT2/2；然后根据TN将图像分为目的和背景，再求出目的和背景的I平均灰度值T11,T22；计算出新时域值TK+1=T11+T22/2；比较TK+1和TK与否相等,若相等,则为域值，否则，反复上述环节4大律法大律法即类别方差自动门限法其基本思想是运用方差若某一阈值能使目的物体与背景部分的灰度分布方差越大，则物体与背景分离H勺就越精确若用CO表达目的,C1表达背景,CO和Cl的方差分别为:002=£匕-%，胆04CO和cl类的类间方差为口=U Oo2+^l Jl50CO和cl类的类内方差为%2=303式4―110尸6t的等价判断准则为n t=J⑺最佳阈值为:t=ArgmaXt且口」_[]11匕

83.用大律法所选用的I阈值对图像进行分割，分割所得口勺图像比较稳定，在分割质量上来说，大律法是一种较稳定日勺分割措施

4.颜色辨认常用日勺颜色模型有RGB模型、HSI模型、CYMK模型、XYZ模型等在图像解决中，最常用的是RGB模型和HSI模型RGB颜色模型RGB模型使用红、绿、篮三种颜色作为基色，它建立在笛卡儿坐标系统上，其3个坐标轴分别表达R red,红色，G green,绿色，B blue,蓝色,其形状如图6所示，可用一种正方体来描述正方体边界中时任一点可用一种三元组R、G、B来表达，其中R、G、B的取值范畴在0至U1之间，灰度由正方体日勺原点到这一点的主对角线上的J位置来表达，其中原点0,0,0相应黑色，离原点最远的I点相应白色1,1,1,立方体中其他各点相应着不同的颜色，这些颜色都可以用原点到这点日勺矢量来表达白（White）青黄图6RGB颜色模型立方体RGB模型的I缺陷有1RGB用R、G、B区J混合比例定义不同欧I色彩，使色彩难以用精确的J数值来定量分析2在RGB模型中，各分量之间的有关性很高，合成后图像的I饱和度偏低，色调变化不大，图像视觉效果较差；3色调和饱和度与R、G、B的关系是非线性的，难以在RGB模型中对图像进行直接解决HSI颜色模型⑻HSI颜色模型用H、S、I三参数描述颜色特性，其中H定义颜色的波长，称为色调；S表达颜色的深浅限度，称为饱和度；I表达强度或亮度色调HHue:与光波的波长有关，它表达人日勺感官对不同颜色的感受，如红色、绿色、蓝色等，它也可表达一定范畴的颜色，如暖色、冷色等饱和度SSaturation表达颜色H勺纯度，纯光谱色是完全饱和的，加入白光会稀释饱和度饱和度越大，颜色看起来就会越鲜艳，反之亦然强度1Intensity相应成像亮度和图像灰度，是颜色的明亮限度图7HSI模型H勺圆锥表达HSI颜色模型用双六棱锥表达,1是强度轴，色调H的J角度范畴为,其中，纯红色H勺角度为0,纯绿色的角度为，纯蓝色的角度为饱和度S是颜色空间任一点距I轴的距离固然，若用圆表达RGB模型的投影，则HSI色度空间为双圆锥3D表达HSI模型有如下几点好处L在解决彩色图像时，可仅对I分量进行解决，成果不变化原图像中的彩色种类；

5.

2.HSI模型完全反映了人感知颜色的基本属性，与人感知颜色的成果一一相应

6.因此,HSI模型被广泛应用于人的视觉系统感知演的图像表达和解决系统中

7.形状辨认与匹配形状匹配是计算机视觉和模式辨认的一种基本问题，它被应用到诸多领域,如目的记别、基于内容日勺图像检索、文字辨认、医疗诊断等〔⑼在典型日勺几何理论中,面积、周长、长轴、短轴、主轴方向、凹凸面积、紧密度、实心度、偏心率这些特性在形状匹配方面得到了广泛日勺应用口工OpenCV为使用者封装了大量的J特性点检测、特性点描述以及匹配的算法使用这些算法,足可以完毕一般的形状辨认与匹配工作在OpenCV中，常用的特性辨认算法有SURF、SIFT、BRISK.FAST、ORB等［12］其中效费比最佳的是SURF算法,SURF算法与其他算法的区别在于其保证特性点检测质量日勺同步可以获得很高的J运营速率SURF算法是在SIFT算法上发展而来日勺，相较于SURF,SIFT检测出得特性点质量更高，但运营时间更长需要注意的是随着Hessian值日勺逐渐增大，无论在运营时间还是特性点检测数量上SURF与SIFT都会逐渐趋同

[1]在具体的应用设计中，将比较几种算法，找出最快捷，匹配率最高的I算法，并在其基础上进行合用性改善结合颜色辨认算法，使整条流水线能迅速、平稳、高效的完毕分类工作

[2]

四、参照文献

[3]王麟琨，徐德，谭民.机器人视觉伺服研究进展[J].机器人，，263:277-281

[4]张红霞，刘义才,机器视觉技术的应用研究[J],电子世界,，17:106-108

[5]张五一,赵强松,王东云.机器视觉H勺现状及发展趋势[J].中原工学院学报，191:9-10

[6]Forsyt..A,Jea.Ponce.Compute.Vision[M].Inc:Prentic.Hall,.

[7]许锋,卢建刚，孙优贤.神经网络在图像解决中的应用[J].信息与控制，，324:344-349

[8]孙红辉，姚良，张清华，张红蕾.基于神经网络的图像辨认措施研究[J].光学技术，，34173-174

[9]陈磊.计算机视觉类库OpenCV在VC中的应用[J].微计算机信息,,234-3,209-210

[10]谢静.基于计算机视觉的苹果自动分级措施研究[D].安徽安徽农业大学计算机应用技术系,

[11]周水琴,应义斌.颜色模型在农产品颜色检测与分级中的应用[J].浙江大学学报农业与生命科学版，，296:684-688

[12]丁险.吴.张宏江等.形状匹配综述[J].自动化学报,，275,678-680

[13]An.Y1L LiZhao.On.SII.Imag.retrievalbase,onmu11idimensiona.featur.properties.SPIE.1995,

2420.47~57

[14]Willow GarageOpenCV APIReference.opencv.org/modules/refman.html

五、指引教师评语指引教师（签字）

六、审核意见系主任（签字）月日410。