基于DWT的彩色圖像分量的紅棗分揀機器人定位系統

潘梁靜

(商丘職業技術學院，河南 商丘 476000)

0 引言

在紅棗生產過程中，需要根據棗果質量標準和紅棗實際大小、顏色、成熟度等方面進行分級，分級后便于棗果包裝、銷售、運輸和貯藏，也便于以質論價，提高經濟效益；而通常整個分級過程通常由人工完成，任務繁瑣且強度大。為了解放勞動力、提高分揀作業效率，本文結合紅棗分級特征，將DWT彩色圖像分量算法和視覺定位算法應用于分揀機器人的優棗識別作業中，實現了優質紅棗的自動分揀功能。

1 基于DWT的彩色圖像分量算法

離散小波變換因其可以解析出圖像各種低頻子帶的主要信息因子，被廣泛應用于圖像分量處理等研究學科。彩色圖像分量算法實際上是將攝像機拍攝的圖像轉換成固定像素的圖像格式，并做出顏色空間轉換，得到灰度圖像DWT，進而獲取圖像的特征信息，用于目標紅棗對象的篩選。

1.1 彩色圖像分量算法的重要步驟

在進行圖像分量算法的過程中，處理完成后的圖像的視覺信息不會發生大的變化，但會改變其圖像信息。通常情況下，為了獲得圖像視覺信息的固有特征，首先會對圖像進行簡單的預處理，得到一個統一大小的圖像，然后提取穩健的DWT特征點；最后對特征點進行計算分析，并根據特征集構建甄別條件。彩色圖像分量算法的重要步驟如圖1所示。

圖1 算法的重要步驟

1.2 預處理

圖像的預處理包括格式轉換和原圖像的獲取兩部分。格式轉換是采用雙H插值法將圖片轉變為規劃化格式，并利用RGB方法進行顏色空間轉換。RGB顏色空間模型如圖2所示。

圖2 RGB顏色空間模型

原圖像是利用CCD攝像機進行拍攝獲取的，圖像采集模塊可以對顏色空間和顏色特征進行分割，提高視覺特征點的穩健性。彩色圖像分量算法的圖像采集流程如圖3所示。

1.3 圖像DWT特征點的提取

1)利用DWT算法將預處理得到的圖像進行灰度處理，使其從空域轉換到頻率域。

2)將DWT轉換后頻率域的子帶LL分割成b×b塊，并對其進行編號，假設Bj為第j塊。

3)求出Bj的列項組成高維向量Xj。

4)將Xj分為n組，其中1組為

(1)

r=num(x)-n×a

(2)

在式(1)、式(2)中，[ ]里面求得的是整數；num(x)指元素的個數；r是余數，表示num(x)分成n組后余下來的部分。

5)計算圖像特征點。本文采用均值的方法提取圖像的特征點。假設Yi(k)是Yi的第k元素(1≤k≤K，K為每組最大的元素總數)，則求均值公式為

(3)

根據式(3)可以得到計算圖像特征點的特征點矩陣，即

(4)

圖3 圖像采集流程

1.4 圖像特征點的提取

一般情況下，提取到的特征點對圖像實際位置不會造成影響，因此可以利用特征點計算其距離。設A=[m1,m2, …,mp]，mp為A的列向量，則具體實現過程如下：

1)計算基向量m0=[m0(1),m0(2), …,m0(p)]。

(5)

其中，p為第p個元素；mp(i)為mp的第i個元素。

2)計算m0和mj之間的范數值。

可以得到特征集D=[d1,d2, …,dp]。

3)用特征集D構建甄別條件，用于目標對象的篩選。

2 紅棗分揀機器人整體設計

機器視覺與DWT彩色圖像分量處理系統是紅棗分揀機器人篩選的主要手段，可以對目標對象進行優劣分級作業。該系統主要功能為：①根據紅棗大小和色澤對其品質進行分級；②根據機器視覺對紅棗進行定位抓取。紅棗分揀機器人主要包括并聯機器人、靈巧手、運動控制、CCD攝像機、DWT彩色圖像分量、光源、鏡頭及光學器件等部分。整體框架如圖4所示。

圖4 紅棗分揀機器人整體框架圖

1)并聯機器人。并聯機器人由機械臂、靈巧手、運動控制器及各關節驅動電機構成，可根據視覺系統的分析判斷結果，驅動控制靈巧手去分揀紅棗，完成抓取動作。

2)視覺傳感器。本文所使用的是康耐視Checker 4G視覺傳感器，配備內置攝像頭、處理器、照明器件、光學器件和I/O原件，每秒最多可讀取100個目標對象，比傳統的CCD攝像機識別效率提高數10倍。本文采用該視覺傳感器，能夠大大提高紅棗篩選速度和正確率。

3)靈巧手和運動控制。在實際的應用中，靈巧手安裝在分揀機器人末端控制器上，通過運動控制系統控制靈巧手進行分揀操作。

4)分揀對象。分揀系統采用皮帶輸送機傳送紅棗，不同大小、色澤度的紅棗被放在托盤中，供分揀機器人篩選。

3 紅棗分揀機器人定位系統設計

紅棗分揀機器人在分揀過程中，靈巧手選取目標紅棗的Z軸高度始終不會發生改變，而托盤在滾帶上運行時位置會有變化，因此在整個分揀過程中只需對x、y坐標進行定位。分揀機器人必須通過視覺系統才能測量出目標紅棗的準確位置。分揀過程示意圖如圖5所示。

圖 5 分揀過程示意圖

3.1 建立分揀對象數學模型

分揀機器人在對目標紅棗進行作業過程中，紅棗的位置與其起始位置及皮帶移動速度有關。由于皮帶是勻速轉動，因此首要問題是對目標紅棗的準確定位。在靈巧手作業過程中，對目標紅棗的現場感知和判斷都需要機器視覺的支撐，因此建立分揀對象機器視覺模型意義重大。分揀過程數學模型坐標系如圖6所示。

圖6 分揀坐標系

3.2 建立托盤定位數學模型

托盤定位數學模型坐標系建立在皮帶運輸周轉箱上，托盤上紅棗在坐標系中的位置可以用坐標集合表示，即

m1(u1,v1),m2(u2,v2),…,m8(u8,v8)

(7)

每顆紅棗的坐標在托盤上都有固定的位置坐標，可以根據托盤的位置確定紅棗的坐標(u1,v1)。托盤定位數學模型坐標系uov如圖7所示。

圖7 托盤定位坐標系

3.3 uov與xoy間的關系

托盤定位坐標系uov與分揀坐標系xoy的對應關系為

(8)

其中，R為托盤基坐標系發生偏轉的矩陣值。

(9)

其中，x0、y0、θ為托盤位置和偏轉角度。

托盤位置旋轉示意圖如圖8所示。

圖8 托盤位置旋轉示意圖

3.4 托盤上每顆紅棗的定位

托盤上紅棗mi(ui,vi)在xoy坐標系中的位置mi(xi,yi)為

(10)

3.5 算法仿真實驗設計

為驗證該基于DWT彩色圖像分量視覺定位算法是否符合設計要求，本文利用MatLab仿真軟件進行測試分析。在模擬仿真中，系統對多幅拍攝有紅棗托盤的圖片進行識別，并對符合等級要求的紅棗進行定位。算法仿真流程如圖9所示。

圖9 自動定位算法仿真流程圖

算法仿真流程說明如下：

1)設定信標節點：初始化，選取100張不同圖片作為試驗材料。

2)加入隨機噪聲：對處理過的圖片理論顏色分量值加入信號噪聲，構成加入環境因素的實際參數值。

3)篩選：篩除掉圖片信息較弱的個別信標節點。

4)確定優化初值：利用極大似然法優化初值。

5)優化計算：優化計算函數，減少紅棗定位誤差。

6)輸出結果。

4 試驗結果與分析

為了檢驗紅棗分揀機器人分揀作業的準確性，驗證其是否能成功分揀符合要求的紅棗，特將該系統應用到新疆貢果的分揀作業中。要求分揀機器人挑出縱徑5.3～5.5cm、粗橫徑3.7～3.9cm、細橫徑3.1～3.5cm、皮色紫紅的紅棗。在試驗中，共有紅棗5 000顆，符合貢果要求的有2 986顆。分揀機器人作業結果如表1所示。

表1 分揀機器人作業結果

由表1可以看出：在3次分揀作業中，機器人分揀成功率均在88.5%以上，能夠實現對目標紅棗的精確定位，可以完成對符合要求紅棗的分揀作業。

5 結論

本文首先分析了基于DWT的彩色圖像分量算法中從預處理到提取DWT特征點、計算特征點距離等重要步驟；進而對分揀機器人整體架構進行了設計，主要包括并聯機器人、視覺傳感器、靈巧手和運動控制等核心部分；最后，建立了分揀對象和托盤定位等數學模型，實現了紅棗分揀機器人定位系統的設計。試驗結果表明：機器人分揀成功率均在88.5%以上，能夠實現對目標紅棗的精確定位，可以完成對符合要求紅棗的分揀作業。