韩 璇，顾寄南，黎良臣

（江苏大学机械工程学院，江苏 镇江 212013）

1 引言

在现代自动化生产过程中，机器视觉系统广泛地用于各种工况监视、成品检验和质量控制等领域[1]。在汽车制造行业，轮毂的视觉定位、识别与测量技术也应用广泛[2]。目前，人工识别的效率已经无法满足快速的自动化生产需求，需要采用基于机器视觉的方法实现对轮毂的分类。

基于机器视觉的轮毂分类方法的研究国内也进行了很多，文献[3]提取出轮毂的形状特征并采用模板匹配的方法对轮毂进行分类；文献[4]研究了轮毂基于灰度信息的模板匹配分类方法；文献[5]对轮毂图像进行旋转模板匹配，完成对轮毂的识别。但是，模板匹配方法受光照的稳定性，均匀性以及图像上轮毂与背景对比度的影响较大，不稳定的光照条件会降低轮毂识别分类的精度。此外，模板匹配法过度地依赖模板图像的质量。

为了降低上述因素对轮毂图像识别分类精度的影响，采用一种基于梯度方向直方图特征（HOG）和支持向量机（SVM）的轮毂图像分类方法。首先对采集的样本轮毂图像进行预处理，接着提取出正负样本的HOG 特征，利用SVM 对样本数据进行训练得到相应的分类模型并输入测试数据完成轮毂的识别实验。其算法大致流程图，如图1 所示。

图1 算法流程图Fig.1 Algorithm Flowchart

2 轮毂图像的采集和预处理

样本图片的来源是成型轮毂分拣系统中的原始图像，轮毂的图片由欧姆龙CCD 工业相机拍摄所得，光源为LED 环形光源，照明方式为前向照明，为了验证提出的方法是否可行，调节光源控制器使光源呈现弱光、正常光和强光三种状态，大量地拍摄不同光源状态下的轮毂图片，并将其转化为灰度图像，从中选择合适的图片用于正负样本的制作。……