柯阳 王世雄

摘要：从封建时期的手工生产到近代工业革命后的工业自动化，生产力在不断提高，工业生产的产品种类和数量都有巨大的增长。随着工业4.0概念和“中国制造2025”战略目标的提出，传统的制造技术以及生产管理方式正在进行巨大变革，机械制造行业正朝着高速、高质量、大批量和智能化生产方向发展。

关键词：机器视觉  工件定位  工件类型识别  计算机应用

工件定位

从封建时期的手工生产到近代工业革命后的工业自动化，生产力在不断提高，工业生产的产品种类和数量都有巨大的增长。随着工业4.0概念和“中国制造2025”战略目标的提出，传统的制造技術以及生产管理方式正在进行巨大变革，机械制造行业正朝着高速、高质量、大批量和智能化生产方向发展。而机器视觉技术由于其具有快速性、可重复性、客观性、非接触等优点，越来越多的引入到产品检测、工件识别、自动化流水线等工业领域中。

机器视觉技术结合了计算机软硬件、光学系统、数字图像处理和模式识别等多方面的技术，利用视觉传感器代替人眼或检测工具来进行识别和测量。它通过图像摄取装置采集目标的图像，再利用图像处理算法及相关软件对获取的图像进行处理，通过提取特征进行相关的识别和测量，然后再根据获取的信息对设备进行控制，完成生产过程中相应的操作。机器视觉系统一般由五个部分姐成：光源、工业相机、图像采集卡、工业计算机和执行机构。

由于机器视觉系统的独特优点，越来越被广泛的引入工业生产过程中，常见的应用有：

1）尺寸检测

机器视觉技术最初的研究目标主要是尺寸检测，尺寸往往是衡量产品是否合格的一个重要指标，所以对尺寸测量的要求十分严格。使用机器视觉系统可以的对产品进行大批量的尺寸精密检测，而且能够及时剔除不合格品。

2）外观检测

表面检测也是控制产品质量的重要手段，产品表面的缺陷不仅影响产品外观，而且可能会影响其使用性能，通过视觉系统对工件表面的划痕、粗糙度、毛刺等进行检测来判断工件是否存在缺陷，不用接触工件表面，很好的避免了人工造成的二次损害。

3）型号识别

同一生产流水线中往往会生产不同型号的零件，这就需要针对不同的零件型号进行相应的分类和检测，机器视觉系统可以在线实时的识别零件型号，进行分类，以便进行后续操作。

4）引导定位

机器视觉系统能够快速准确的找到被测工件并确认其位姿，然后引导工业机器人完成焊接、抓取或卸装等后续工作。

工件定位与识别是机器视觉技术在工业领域的典型应用，自上世纪七八十年代起，国外就开始了相关研究。Jakubowski等提出了一种工件轮廓的旋转类描述结构，由此可以识别某个工件是否属于特定类别;TsaiDu-Ming等，使用二维傅里叶变换测量工件表面的粗糙度，并将神经网络技术引入机器视觉中来识别工件种类。TrikaW等提出了一种多面体工件特征提取技术，通过利用各面的柜邻信息获得工件特征从而识别工件;Miura等通过研究工件的定位与识别，在零部件装配中使用了机器视觉技术。国内的相关研究从上世界九十年代末开始兴起，大多分布于高校和科研机构。

类型识别

对于工件识别的方面，由于工业环境复杂，受光照和其他干扰较多，并且传送带的运行速度较快，为了能够满足在复杂的工作环境下多类型工件分拣实时性、分拣速度快和误差小等要求，设计一套鲁棒性和稳定性强的分拣和测量算法尤为关键，所以，研究一套能够满足上述要求的分拣和测量系统具有很大的市场价值和应用前景，对工厂智能化的生产具有重大影响。

基于机器视觉的多工件类型识别和测量系统功能需求包括以下六个方面：目标工件的识别与尺寸测量、工件识别率、工件尺寸测量精度、视野大小、工作距离和工作速度等。

（1）分类识别与测量目标。

系统的分类识别与测量目标，选用 3 种常见类型工件作为目标，分别为四方平垫、长形自攻钉和长形铁片。系统自动分类识别出这 3 种类型的工件，并对其进行直线和圆的亚像素精度测量。此外，系统还能识别其他多种类型工件，设计能够灵活配置，且适用性强。

（2）分类识别率。

系统的分类识别率要求达到 98%以上，才能满足工业生产的需求。

（3）测量精度。

每个工件的尺寸测量精度需小于 0.25mm。

（4）视野大小。

为了能够尽可能多地分类识别出目标工件，视野大小为30*30cm。

（5）工作距离。

为了能够让机械臂安全的吸取工件，工作距离设为 40cm。

（6）工作速度。

每一个工件的分类识别与测量速度需达到 1s 以内。

基于 SVM 分类器、MLP 神经网络模型、图像的像素特征和模板匹配算法进行分类识别取得一定的应用效果，但都存在相应弊端。SVM 算法并不适用于大规模训练样本的实施;MLP 神经网络模型在训练过程中，误差函数具有局部极小值或鞍点，导致此处的梯度为 0，从而得不到全局最优解。根据像素特性进行分类的方法并不具备通用性;而模板匹配需要先建立模板，当工件种类多、单种工件多种尺寸时，建立模板耗时较长。仅仅基于不变矩、Sobel 算法和 canny 算法检测边缘时，当目标形状和纹理特征复杂，检测精度不高。最小二乘法拟合边缘时受噪声干扰较大，测量精度受到影响。

总结

本篇文章对于机器视觉在工件定位以及工件类型识别等方面的应用均有浅薄的介绍和深入的探究，但在实际的应用中仍会遇见不少的问题，希望后来者能继往开来，为智能化时代开辟道路。