北京论文代理基于视觉的焊接工件在线识别与分类算法研究

所属栏目：工业设计论文
发布时间：2016-03-08 15:18:06 更新时间：2016-03-08 15:06:04

　　焊接技术是我国工业发展中很重要的一门技术，随着科技的发展，焊接机器人的效率问题也越来越被人们重视起来。本文是一篇北京论文代理投稿的论文范文，主要论述了基于视觉的焊接工件在线识别与分类算法研究。
　　摘要：为提高焊接机器人的生产效率，设计了eye-in-hand焊接机器人视觉系统，提出了基于机器视觉的焊接工件自动化识别与分类算法。根据工件特征，提取区域面积、凸性、圆度、小孔数目、外接圆面积比等几何特征和几何距作为分类器的训练数据输入量，完成分类器的训练。设计高斯混合模型、多层感知神经网络和支持向量机分类器，完成对不同焊接工件的分类和识别。实验结果表明，该算法响应速度快，且当工件位置、大小、角度都存在变化时，仍能快速准确地对工件进行分类，满足生产线上对实时性的要求。

　　Abstract： In order to increase the productivity efficiency of the welding robot， eye-in-hand welding robot vision system is designed， the automatic recognition and classification algorithms of the welding machine on the basic of machine vision is put forward. According to the properties of the weldment， the area， convexity， roundness， number of holes， circumscribed circle area ratio and other geometric features and geometric distance are used as the training data input of the classifier to train the classifiers. The Gaussian mixture model and the vector machine classifier of multi-layered perception neural networks and support are used to classify and recognize the weldment. The experiments show that the algorithms responds fast and it is able to recognize the weldment when their size and angle are changing， and it can quickly and accurately classify the artifacts and meet the requirements of the production line in real-time.

　　关键词：机器视觉,特征提取,GMM模型,MLP神经网络,SVM分类器

　　Key words： machine vision;feature extraction;Gaussian Mixture Model(GMM);multilayer perceptron neural network(MLP);support vector machine (SVM)

　　中图分类号：TP391.4 文献标识码：A 文章编号：1006-4311(2016)04-0097-05

　　0 引言

　　当前焊接机器人已经在汽车生产、工程机械、造船业以及集装箱生产等许多领域得到了应用，焊接机器人通常采用示教再现[1]工作模式。然而示教过程需要花费大量的时间，因此对于大规模的同种焊接工件比较有利，而对于小规模多品种，示教再现模式就不再适用。同时，为了提高

　　生产效率，充分利用焊接机器人工作范围，通常需要在一个工位对不同工件的进行焊接，因此研究出一种能适用于恶劣的焊接环境且能满足自动化焊接对实时性要求的识别与分类算法具有重大实际意义。

　　对工件的分类研究，其关键技术在于对工件特征的提取与优化和分类器的设计与选择。工件的特征提取，应根据目标对象之间的差异，提取既能准确分割不同对象的同时又使同类对象之间的差异最小的特征值。图像的特征主要包括：颜色特征、灰度特征、形状特征、纹理特征及空间几何关系特征。基于颜色特征对目标进行分类，广泛应用于判断水果是否成熟或者腐烂[2-3]。文献[4]基于图像的灰度特征，对图像进行分割，同时采用金字塔分层算法，弥补了基于灰度特征计算量大的缺点。文献[5]分别提取大理石的纹理特征和小波特征，实验结果表明单一特征难以对大理石准确区分，融合多特征，可提高区分度。目前基于几何关系的特征提取分类算法研究，主要注重分类结果的准确性和鲁棒性，一般未考虑到实时性，而在实际的生产应用上，不仅要求分类器能准确无误地区分目标对象，而且要求响应速度快，满足生产过程对实时性的要求，提高生产效率。

　　本文分析焊接工件的图像特点，提取对象的区域面积、凸性、圆度、小孔数目、外接圆面积比等几何特征作输入量，这些特征的计算结果，分别只有一个输出量，这样就大大减少了训练数据，减少了训练和识别时间，提高了效率，同时计算图像的几何距，能使图像具有旋转、平移和尺度不变性。根据各个特征对目标识别的贡献量，提取能准确区分的特征值，并通过实验选取适当的特征值个数，优化输入量。对象特征提取后，分别设计了高斯混合模型分类器、多层感知神经网络系统和支持向量机分类器，对目标对象进行识别分类，分类后指导焊接机器人寻找相应焊接工件模板，校正示教轨并进行焊接。

　　1 系统介绍

　　本文设计了eye-in-hand焊接机器人系统，如图1所示。机器人为安川MOTOMAN-MA1400型号焊接机器人。设计视觉系统，视觉系统由摄像机、镜头和环形光源构成。摄像机型号为BASLER acA2500-14gm，水平和垂直分辨率分别为2592pix和1944pix。单位像素大小为2.2um.镜头型号为M2514-MP2百万像素镜头，焦距为25mm。采用环形结构光LDR2-90SW2，可有效减少环境光对图像的干扰。系统的软件平台是基于Microsoft Visual Studio 2010进行编程控制。焊接机器人与视觉系统分别通过单独的以太网与工业级计算机进行通讯，机器人与工业级计算机的通讯时间约为60ms。视觉部分，摄像机获取图像，图像采集卡对图像进行处理、特征提取及分类识别，识别结果传输给工业级计算机，计算机控制焊接机器人进行焊接。　　2 焊件图像特征提取

　　图像的特征是指区别图像信息的特征值，在对图像进行识别与分类过程中，特征的选取是否准确是分类的关键。对同一批焊接工件分别基于灰度特征、纹理特征和本文的几何特征进行训练和识别，相应时间如表1，可见基于灰度特征和纹理特征需要的时间太长，不能满足生产过程中对实时性的要求，且基于纹理特征只能用于特定的焊接工件。

　　3 分类算法

　　3.1 高斯混合模型分类器

　　3.2 多层感知器神经网络法

　　多层感知器神经网络分类法是基于多层前馈神经网络[7]，采用误差反馈的BP学习算法，即输出结果与预期结果比较得到一个误差信号，然后误差信号从输入端反向进入多层感知器的网络结构。多层感知器神经网络其神经节点分层排列，由输入层，输出层和隐层组成，同层神经元节点间没有连接，相邻两层之间两两连接，对于函数信号，前一层的输出为下一层的神经元的输入，每层神经节点只接受前一层的神经元节点的输出信号。对于误差信号，计算误差信号的梯度向量的大小，通过反方向传播算法来调整权值大小。

　　隐函数的层数和神经元的个数的选择对于多层感知器神经网络的结构来说非常重要[8]，过少的隐层会降低多层感知器神经网络的精度，过多的隐层则会出现过渡拟合，影响系统的推广能力，同时通过误差反馈计算突触权值需要的时间也越多。

　　3.3 基于SVM的分类算法

　　支持向量机(SVM)分类法是一种有监督的分类方法[9-10]，是以统计学习理论为基础的一种新的分类方法。该分类法以结构化风险最小化为原则，即兼顾训练误差(经验风险)与测试误差(期望风险)的最小化，因此其推广能力优于一般传统模式识别方法，且SVM分类方法在图像分类应用广泛，它不要求图像类别固定，也不要求图像类的先验概率己知，从而更具有实际意义。在进行分类时，给定一组训练样本，每个样本由一个向量和一个标量组成：

　　对于需要核函数的SVM分类器，核函数的参数?琢值对精度会有较大的影响，而不同的核函数对分类器精度影响较小[11]，本文通过实验选择参数?琢=0.02。

　　4 实验结果及分析

　　本实验是在AMD Athlon(tm)7750 Dual-Core Processor 处理器，2.70GHz内存的硬件和Windows XP系统的环境下进行。采用Microsoft visual studio 2010开发人机交互平台和Halcon软件开发图像处理算法。对各个焊接工件分别采集36幅图像，每个焊接工件取6幅图用于分类器训的练，剩余30幅图像用于分类识别。由于焊接环境的强烈弧光、焊接工件表面的不平整及焊接工件本身的工艺结构等多种因素的影响，直接获取的图像数存在大量噪声，这些噪声对后续的分类识别及焊接轨迹的追踪会产生不利影响，因此本文首先采用5′5的均值滤波器对图像进行预处理，过滤部分噪声，实验表明预处理过程可以有效的滤去噪声。鉴于前文基于灰度特征值和纹理特征值训练及识别时间较长，不能满足工业上实时性的要求。本文根据分类对象的形状特征，分别提取区域面积、凸性、圆度、区域小孔数、外接圆面积比、几何不变距作为特征向量。对焊件图像进行预处理后，提取几何特征轮廓如图2，可见每个焊件都有特殊的几何特征值。

　　用于训练的各个焊接工件的特征向量值如图3所示，由图3可知通过面积特征可以识别出焊件1、焊件4、焊件6，焊件7，外接圆面积比可以识别焊件3、焊件4、焊件6、凸性特征可以识别焊件1、焊件2、焊件5、焊件6，小孔数目可以识别焊件1、焊件3、焊件6，外接圆面积比可以有效识别出焊件4、焊件6，而其中由几何特征向量的输出值PSI2、PSI2、PSI3、PSI4其性质在于保证对象具有线性及旋转不变性。因此分别选择面积特征、凸性特征、小孔数及不变矩为第1组特征向量;面积特征、凸性特征、外接圆面积比及不变矩为第2组特征向量。
北京论文代理投稿

　　特征向量提取后，分别设计高斯混合模型分类器、多层感知神经网络和支持向量机分类器。其中是高斯模型的阶数M为7，协方差矩阵为正定矩阵。多层感知神经网络的隐层数目和每层神经元数目对分类器构造的准确度有影响很大，通过实验确定多层感知神经网络隐层数为5，每层7个神经单元，准确率达到最高。支持向量机的核函数选取径向基函数RBF，一对一投票决策。分别以上述两组特征向量作为输入，对分类器进行训练。然后分别对对剩下210个焊接工件图像进行分类识别，其分类结果如表2所示。可知选择第2组特征向量作为输入时，分类识别的准确率更高，其中支持向量机分类器的总体准确率为0.9857，识别结果最好。

　　同时，为了验证特征输入量个数对分类识别结果准确率的影响，选取不变矩的4个输出作为开始输入值，并在开始输入值的基础上分别依次增加面积特征值、凸性特征值、外接圆面积比特征值、圆度特征值、小孔数目特征，三类分类器对目标的分类识别结果如图4所示。可以看出高斯混合模型仅仅基于不变矩就有较好的分类效果，在不变矩的基础上增加面积特征值就可以达到0.9952的准确率，但是基于高斯模型的分类算法对噪声敏感，当周围环境恶劣时，识别准确率很低，不能满足焊接环境下的要求。基于多层感知混合模型与支持向量机分类器的分类，在只有不变矩作为输入向量时，分类效果较差，随着特征向量的增加，识别准确率也随着提高，在增加面积特征值、外接圆面积比特征值、凸性特征值组成特征向量时，分类准确率达到最高，分别为0.9429和0.9857，可知选择7个特征值构成特征向量，并选用基于支持向量机分类器，分类识别准确率最高。

　　由图4可知特性向量的个数对分类识别的准确率有很大影响。过少的特征向量不能有效对目标对象进行分类识别，过多的特征向量则使分类器在训练时，过渡拟合，降低了分类器的推广能力和预判能力。图5是对各个焊接工件分类识别结果图。

　　5 结论

　　采用中值滤波器对图像进行滤波去噪，有效的减少了图像噪声，增加了分类识别结果的准确率。通过分析焊接工件特征，提取图像区域面积、圆度、凸性、外接圆面积比、小孔数目及几何不变矩特征值，构成特征向量。与其他输入特征相比，本文所提取的特征向量具有分类准确且响应时间短等优点。设计了高斯混合模型、多层感知神经网络结构、支持向量机分类器，选取区域面积、圆度、凸性、外接圆面积比、小孔数目及几何不变矩特征值作为输入，高斯混合模型在只有不变矩输入时，分类识别准确率最高达到99.8%，但是高斯混合模型对噪声敏感。多层感知神经网络分类器和支持向量机分类器在输入特征为7个时，分别为区域面积、凸性外接圆面积比及几何不变矩，分类效果最好，分类准确率达到94.29%和98.57%。实验表明该方法不仅能快速识别目标，而且抗噪声干扰能力强，相应速度快，能满足实际应用要求。　　参考文献：

　　[1]Chen SB， Qiu T. Intelligentlized technologies for robotic welding [J]. Series Lecture Notes in Control and Information Sciences， 2004， 299：123-143.

　　[2]Varghese Z， Morrow C T， Heinemann P H， et al. Automated inspection of golden delicious apples using color computer vision [J]. American Society of Agricultural Engineers， 1991(7002)， 16：1682-1689.

　　[3]Lee D J， Archibald J K， Xiong G M. Rapid color grading for fruit quality evaluation using direct color mapping [J]. IEEE Trans. Autom. Sci. Eng.， 2011， 8(2)： 292-302.

　　[4]Kwang I K， Keechul J， Jin H K. Texture-based approach for text detection in images using support vector machines and continuously adaptive mean shift algorithm [J].Transactions on Pattern Analysis and Machine Intelligence， 2003， 25：1631-1639.

　　[5]Selver M A， Akay O， Ardali E， et al. Cascaded and hierarchical neural networks for classifying surface images of marble slabs [J]. Systems， Man， and Cybernetics， Part C： Applications and Reviews， IEEE Transactions on， 2009， 39(4)： 426-439.

　　[6]Zhou X， Cui N， Li Z， et al. Hierarchical gaussianization for image classification[C]//Computer Vision， 2009 IEEE 12th International Conference on. IEEE， 2009： 1971-1977.

　　[7]Haykin S. Neural networks： a comprehensive foundation [M]. Prentice Hall PTR， 1994：645-656.

　　[8]Abdullah M Z， Mohamad-Saleh J， Fathinul-Syahir A S， et al. Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system [J]. Journal of Food Engineering， 2006， 76(4)： 506-523.
　　北京论文投稿期刊推荐《湖南工业大学学报》是由湖南省教育厅主管、湖南工业大学主办、国内外公开发行、具有国际视野的包装行业学术型期刊，其刊号为：ISSN号为1674-7100、CN号为43-1499/TB，于2009年10月创刊。本刊立足学术研究，以科学发展观为指导，及时报道和刊发包装科技领域的新技术、新成果，促进包装科技进步与交流、繁荣包装文化、搭建包装产学研结合的桥梁，推动我国包装产业可持续发展和包装工业科技进步。《包装学报》暂定的主要栏目有：基础研究、设备及过程控制、运输包装、商品包装链循环、销售包装、绿色包装、文化与教育、发展论坛等。

学术指导老师

学术指导老师二维码