基于機器視覺的分揀技術研究概述

楊賽 張鵬博

摘 要：機器視覺在近幾年發展非常迅速，并滲透于各個行業中，極大地提高了工作效率。本文對機器視覺的整體結構布局進行了介紹，詳細介紹了圖像識別部分軟、硬件設備和相關算法，介紹了該技術在零件分揀領域的應用，并對機器視覺技術今后發展做出展望。

關鍵詞：機器視覺;圖像處理;視覺分揀;圖像預處理

中圖分類號：TP391文獻標識碼：A文章編號：1003-5168（2020）34-0031-03

Overview of Sorting Technology Research Based on Machine Vision

YANG Sai ZHANG Pengbo

（School of Mechanical， North China University of Water Resources and Electric Power，Zhengzhou Henan 450045）

Abstract： Machine vision has developed very rapidly in recent years， and has penetrated into various industries， greatly improving work efficiency. This paper introduced the overall structure layout of machine vision， introduced some software and hardware equipment of image recognition and related algorithms in detail， and introduced the application of this technology in the field of part sorting. The future development of machine vision technology was prospected.

Keywords： machine vision;the image processing;visual sorting;image preprocessing

機器視覺在最近20年里發展非常迅速。2017—2020年，在中國制造2025的推動下，中國機器視覺市場增速預計將保持在20%左右[1]。特別是隨著相機、半導體及大規模集成電路的發展，機器視覺被廣泛應用于機械加工、醫學、計算機、農業等領域。

1 視覺圖像處理結構

1.1 整體結構

對于一個典型的機器視覺分揀系統，其整體結構可以劃分為圖像采集模塊、圖像處理模塊、機械結構模塊、系統控制模塊、人機交互（可視化）模塊。當被測目標通過機械結構（如傳送帶）輸送到工業相機的檢測范圍時，被測目標會被光源照亮，工業相機進行拍照[2]。拍完的圖像傳遞到圖像處理模塊進行處理，然后系統控制模塊根據處理后的圖片信息對被測目標進行分揀分類，并將結果顯示在人機交互界面上，所有的處理過程都是在PC機控制下完成的。典型的機器視覺分揀系統整體結構如圖1所示。

1.2 子系統

本文主要對典型的機器視覺分揀系統圖像采集模塊和圖像處理模塊進行詳細分析。

1.2.1 圖像采集模塊

1.2.1.1 光照源。目前，市面上的光照源主要可分為鹵素燈、熒光燈、LED燈三種，選擇一種合適的光源能極大減少后續對圖像的處理工作，并且能提高系統的準確度。表1對這幾種光源進行了比較。

1.2.1.2 工業相機。工業相機猶如人的眼睛，采集到的數據信號發送給圖像采集卡。常用的工業相機有CCD（見圖2）和CMOS相機（見圖3），二者的區別是采用不同的感光芯片。CCD相機有線陣式和面陣式兩種，其成像質量較高，但因工藝復雜，導致成本較高。CMOS相機色彩還原能力弱，成像質量差，但耗電低，價格相對CCD便宜。

1.2.1.3 光學鏡頭。鏡頭通過光學成像，決定著成像質量的好壞，鏡頭要與選取的相機相匹配。在選取鏡頭時，要著重考慮其分辨率、焦距、視野角度。

1.2.2 圖像處理模塊

1.2.2.1 機器視覺編程語言及開發軟件。大多數編程語言如C++、C#、python、Visual basic等適用。主流的機器視覺圖像處理軟件包括MATLAB的圖像處理工具箱（Image Processing Toolbox）、OpenCV、LabVIEW、HALCON等。

1.2.2.2 圖像預處理操作。圖像預處理操作包括以下內容。

圖像增強處理：將圖像進行均衡化處理，以使圖像灰度分布均衡，縮小圖像灰度差異。

圖像濾波處理：受外界因素干擾，采集到的圖像會產生圖像噪聲，如椒鹽噪聲，可通過濾波處理消除噪聲。田曉東、張曉峰、孔侃等的研究中給出了中值濾波、形態學濾波、均值濾波、高斯濾波、小波變換、自適應濾波等多種濾波處理方法[3-5]。

圖像分割處理：根據圖像某方面的相似性將其分割開，這是圖像處理的關鍵步驟。傳統的圖像分割方法有單閾值分割法、多閾值分割法和大津法。另外，姜楓等人還提出了基于內容的圖像分割方法[6]。

圖像邊緣檢測：邊緣檢測也屬于圖像分割的一種，里面包含了很多算子，不同的算子原理不同，最后得出的圖像邊緣效果也不盡相同。一階微分算子有Prewitt、Sobel、Roberts等，二階微分算子有Marr、Laplacian、Canny。

2 機器視覺分揀技術的應用

由于機器視覺分揀技術在各個領域內都有獨特的優勢，因此幾乎各個領域都有其身影。

Jahanbakhshi Ahmad等人選取56個規則的和79個不規則的胡蘿卜樣品進行視覺處理，通過一系列圖像處理后，根據胡蘿卜的形狀特征成功地將胡蘿卜進行篩選分類[7]。

由山東大學和山東農業大學設計的一種小型的自動識別分揀系統，通過小型機械手臂可以實現多種小物件的識別分揀，分類成功率接近98%[8]。機器視覺機械手測試平臺如圖5所示。

Keyur D. Joshi等人提出了一種支持向量機和神經網絡混合的方法，并成功設計出了一種零件分揀系統[9]，整體結構如圖6所示。在傳送帶上可對硬幣、齒輪和引腳管進行自動識別并分揀。

Wisam T. Abbood等人設計出一種可以識別物體顏色、形狀及位置的可視化機器視覺系統[10]。顏色識別采用HSV（Hue、Saturation、Value）模式進行色彩分選，該系統結構見圖7。大致流程為，相機采集圖像后在PC上進行相應算法處理，然后Arduino微控制器根據處理信息控制機械手對物體進行分揀。

3 結語

本文主要分析了機器視覺的整體結構，并列舉了一些機器視覺分揀技術的例子。目前，機器視覺發展非常迅速，相應的硬件、軟件技術日趨成熟，筆者認為，該技術仍然存在較大的發展空間。比如，在機械行業中要進一步提高對高精尖零件的檢測精度，大多數視覺檢測系統只能針對某一特征物體進行檢測，不能對多種特征、多種物體同時進行檢測，難以達到檢測精度高、效率高的目的。

另外，圖像處理過程中去噪和特征提取相關算法可以進一步改善，使圖像的處理和特征提取效果更加明顯，從而提高機器視覺的識別精度。

參考文獻：

[1]阮晉蒙.機器視覺：讓中國制造2025“看”得更遠[J].新經濟導刊，2017（Z1）：80-83.

[2]傅田.基于機器視覺的帶式輸送機糾偏系統設計[J].煤礦機械，2020（8）：183-185.

[3]田曉東.聲吶圖像濾波方法的比較分析[J].聲學與電子工程，2007（1）：22-25，30.

[4]張曉峰.基于視覺的齒輪檢測及相機標定方法研究[D].合肥：合肥工業大學，2018：12.

[5]孔侃.螺母機器視覺檢測與篩選系統研究與設計[D].贛州：江西理工大學，2013：23.

[6]姜楓，顧慶，郝慧珍，等.基于內容的圖像分割方法綜述[J].軟件學報，2017（1）：160-183.

[7] Jahanbakhshi A，Kheiralipour K . Evaluation of image processing technique and discriminant analysis methods in postharvest processing of carrot fruit[J]. Food ence & Nutrition，2020（3）：1-7.

[8] Zhou K ， Meng Z ， He M ， et al. Design and Test of a Sorting Device Based on Machine Vision[J]. IEEE Access， 2020（99）：1.

[9]Joshi， K.D.， Chauhan， V. & Surgenor， B. A flexible machine vision system for small part inspection based on a hybrid SVM/ANN approach[J]. Journal of Intelligent Manufacturing，2020（1）：103-125.

[10] Abbood W T ， Abdullah O I ， Khalid E A . A real-time automated sorting of robotic vision system based on the interactive design approach[J]. International Journal on Interactive Design and Manufacturing，2020（3）：201-209.