CN108230327A - 一种基于mvp平台的包装定位与分类研究通用方法 - Google Patents

Abstract

本发明公开了视觉分类定位技术领域的一种基于MVP平台的包装定位与分类研究通用方法，该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下：S1：运用全局阈值分割和连通性分析对图像进行预处理；S2：得到包装边缘的精确位置和方向，创建模板；S3：对包装在图像上位置的精确获取；S4：对不同包装进行训练，分类建模；S5：提取包装区域；本发明通过机器视觉***进行包装定位与分类研究，实现对包装图像位置的精确获取，为机械手抓取奠定基础，同时可避免人为因素造成的包装分类错误，实现对包装准确分类。

Description

一种基于MVP平台的包装定位与分类研究通用方法

技术领域

本发明涉及视觉分类定位技术领域，具体为一种基于MVP平台的包装定位与分类研究通用方法。

背景技术

劳动密集型制造业对“机器换人”的需求日益提升。我国人口结构的老龄化，促使劳动力成本进一步抬高，加之我国制造业自动化水平较低，自动化设备较为老旧，导致我国劳动密集型制造业有较大的设备采购和更新换代的需求，所以我国劳动密集型制造业对机器视觉***需求潜力巨大。

智能视觉***相对于传统机械***，具有准确性高、速度快、精度高等优点。现代化工业的飞速发展，人口红利的衰减和第三次工业革命的到来，使得科学技术飞速发展，智能视觉***与工业机器人的结合，使得复杂的自动化控制成为可能，智能视觉***在各大领域广泛应用。

MVP能将机器视觉软件标准化，各个功能模块能够达到高度的复用性，并且能够自由灵活的组装，产品开发不需要专业的软件人员，只需要产品组员懂得按手册进行拼装即可，大大节省了人力资源，缩短了产品研发时间，同时还能保证产品具有高度的稳定性。

以往包装订单完成是人工读取订单、手动取货、打包，耗时、耗力、易出错，比较智能的做法是通过控制机械手示教抓取固定位置处的包装，完成订单码垛，当包装种类数目较多时，需要占用较大空间，不利于形成统一的生产线。为此，我们提出了一种基于MVP平台的包装定位与分类研究通用方法投入使用，以解决上述问题。

发明内容

本发明的目的在于提供一种基于MVP平台的包装定位与分类研究通用方法，已解决上述背景技术中提出的以往包装订单完成是人工读取订单、手动取货、打包，耗时、耗力、易出错，比较智能的做法是通过控制机械手示教抓取固定位置处的包装，完成订单码垛，当包装种类数目较多时，需要占用较大空间，不利于形成统一的生产线问题。

为实现上述目的，本发明提供如下技术方案：一种基于MVP平台的包装定位与分类研究通用方法，该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下：

S1：运用全局阈值分割和连通性分析对图像进行预处理，将包装区域从图像中分离；

S2：对步骤S1包装进行边缘检测与跟踪，得到包装边缘的精确位置和方向，创建模板；

S3：基于图像边缘的模板匹配，采用金字塔搜索策略在图像中寻找模板，缩小搜索范围，达到对包装在图像上位置的精确获取；

S4：基于支持向量机的包装分类方法，利用灰度共生矩阵，通过计算能量、相关性、对比度、熵、均值、方差和各向异性7个纹理特征量，对不同包装进行训练，分类建模；

S5：提取包装区域，利用步骤S4中的分类器，实现对包装的分类。

优选的，所述步骤S1中高清彩色图像由CCD高清面阵彩色相机借助光源采集获得。

优选的，所述步骤S3中，在进行模板匹配时，模板所有边缘点与离它最近的图像边缘点之间的均方距离最小，采用距离变换找出最近距离。

优选的，所述步骤S4中的分类建模图像为多张包装高清彩色图像采用统计平均法合成。

优选的，所述步骤S4中创建模分类器包括如下步骤：

S41：利用灰度共生矩阵，从均值、方差、能量、相关性、对比度、熵和各向异性7个特征来训练样本，特征空间维度设为7，对15类包装进行分类，样本分类个数设为15；

S42：添加、分析包装样本，提取样本7个不同特征，训练样本构成不同类。

与现有技术相比，本发明的有益效果是：本发明对包装分类定位更加准确，有利于形成统一的生产线，节省人力、物力，提高了生产效率，本发明通过机器视觉***进行包装定位与分类研究，实现对包装图像位置的精确获取，为机械手抓取奠定基础，同时可避免人为因素造成的包装分类错误，实现对包装准确分类。

附图说明

图1为本发明工作流程图；

图2为本发明实施例一中图像金字塔模型结构图；

图3为本发明实施例二中支持向量机映射结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

在计算待测图像边缘与模板图像相似度时，采用模板所有边缘点与离它最近的待测图像边缘点之间的均方距离最小作为相似度。此过程中可以采用距离变换找出最近距离，也可以缩小搜索范围，最后计算相似度的局部最小值，均方边缘距离(SED)为：

如果不使用停止标准，上述模板匹配算法的复杂度为O(whn)，w为图像的宽度，h为图像的高度，n为模板中点的个数，即使使用停止标准，并不能改变算法复杂度，算法速度提升比例也只是个常数。机器视觉应用中，要尽可能降低图像处理时间，要想提高算法速度，必须减少w、h、n数值，图像金字塔正是通过减小图像宽高来提升算法运行效率的方法。

请参阅图2，图像金字塔是对图像或者模板进行二次抽样，将图像大小多次缩小为上一层图像的一半，构成金字塔图像。随着图层的增加，宽高减半，分辨率也逐渐降低，为了消除抽样后图像锯齿效应，使用均值滤波平滑图像。当在高层搜索到模板实例以后，将匹配结果映射到金字塔下一层，即将坐标乘以2，考虑到匹配位置可能存在偏差，将匹配结果周围的一个区域作为搜索区域，最终追踪到图像金字塔最底层，由于是在小区域内进行相似度计算、阈值分割、提取局部极值，所以运行速度非常快。

实施例二

在样本数量足够多时，高斯混合模型对于分类具有较好的鲁棒性，但对于解决小样本、非线性及高维模式识别问题时，高斯混合模型却表现的不尽人意，支持向量机却很大的优势，将统计学***面，然后基于Mercer核展开定理，通过非线性映射ψ，通过将样本空间映射到高维乃至于无穷维的特征空间，从而使得在特征空间中可以应用线性学习机的方法解决样本空间中的高维非线性分类和回归等问题。由于支持向量机应用了基于核的展开和计算理论，所以不需要求解非线性映射的显示表达式，相比于线性模型，在高维空间中应用线性学习机，可以避免“维灾数”和计算的复杂度。

非线性SVM分类函数好比一个神经网络，每个中间层节点是输入样本与一个支持向量的内积，输出是若干个中间层节点的线性组合。

请参阅图3，灰度共生矩阵表示像素对的联合分布概率，为一对称矩阵，不仅反映图像灰度在相相邻间隔、邻的方向、变化幅度的综合信息，也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。计算得到包装灰度共生矩阵以后，往往不直接应用它，而是在此基础上计算纹理特征量，本***采用能量、相关性、对比度、熵、均值、方差、各向异性等特征量来表示。借助于以上7个特性，对15类包装进行分类。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于MVP平台的包装定位与分类研究通用方法，其特征在于：该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下：

S1：运用全局阈值分割和连通性分析对图像进行预处理，将包装区域从图像中分离；

S2：对步骤S1包装进行边缘检测与跟踪，得到包装边缘的精确位置和方向，创建模板；

S3：基于图像边缘的模板匹配，采用金字塔搜索策略在图像中寻找模板，缩小搜索范围，达到对包装在图像上位置的精确获取；

S4：基于支持向量机的包装分类方法，利用灰度共生矩阵，通过计算能量、相关性、对比度、熵、均值、方差和各向异性7个纹理特征量，对不同包装进行训练，分类建模；

S5：提取包装区域，利用步骤S4中的分类器，实现对包装的分类。

2.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法，其特征在于：所述步骤S1中高清彩色图像由CCD高清面阵彩色相机借助光源采集获得。

3.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法，其特征在于：所述步骤S3中，在进行模板匹配时，模板所有边缘点与离它最近的图像边缘点之间的均方距离最小，采用距离变换找出最近距离。

4.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法，其特征在于：所述步骤S4中的分类建模图像为多张包装高清彩色图像采用统计平均法合成。

5.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法，其特征在于：所述步骤S4中创建模分类器包括如下步骤：

S41：利用灰度共生矩阵，从均值、方差、能量、相关性、对比度、熵和各向异性7个特征来训练样本，特征空间维度设为7，对15类包装进行分类，样本分类个数设为15；

S42：添加、分析包装样本，提取样本7个不同特征，训练样本构成不同类。