机器视觉在物体位姿检测中的应用

伊力亚尔·达吾提

（新疆建设职业技术学院，乌鲁木齐 830026）

1 引言

工业零件制造行业，在进行零件的分解以及甄别时，就将机器视觉技术引入其中，大大提高了实际的分类效率以及甄别效率。而在进行分裂的过程中，需要进行甄别的零件数目非常多，所以也就需要应用机器视觉来对各零件的位姿数据进行检测。

2 机器视觉在物体位姿检测中的应用

2.1 采样图像处理

2.1.1 图像背景处理

对于目标图像进行采集作业时要确保采集位置的光照是充足的，并且相机在采集过程中不会出现移动。当采集到相关图像之后，需要在目标图像和背景图像之间做差，最终得到目标区域。但所得到的目标区域，仍然存在高光区域，需要在形态学运算过程中对其进行去除。

2.1.2 形态学的计算

采用以数学形态学为基础的边缘检测算法对目标图像进行提取，可以降低由噪声所带来的影响，确保在提取过程中，边缘处于平滑状态[1]。在进行形态学运算的过程中，膨胀以及腐蚀属于该算法的最基础运算，其中，前者能够对在提取过程中所出现的小空洞进行填补，后者则能够对在提取过程中所出现的一些连线和小点进行去除。

2.2 图像的边缘检测和匹配

2.2.1 图像边缘检测

图像拥有诸多特征，在对这些特征进行检测时，图像的边缘以及角点是最主要的特征之一，在实际检测过程中，检测方法以及检测技术有许多种，本文论述过程中所选择的方法是Hough变换法，通过该方法对图像的直线边缘实现检测处理。该方法在实际检测过程中是将皮卡尔坐标系当中采用斜率和截距来进行反应的直线，在极坐标系当中，通过极径以及极角对该直线进行表示，同时还对该直线的相关参数实现了累加，从而达到对该直线进行检测的目的。因为该检测属于局部检测，并且想通过局部检测对全面的数据参数进行计算，所以采用此方法能够将因噪声和被其他目标覆盖所引起的影响因素降低到最低，具有较高的容错性以及鲁棒性。

2.2.2 直线匹配

为了得出直线所在三维空间的相关坐标，需要对角点进行匹配。对于机器视觉来讲，角点匹配操作难度非常高，但也同时是机器视觉相关功能实现中最重要的步骤。在实际匹配的过程中，为了能够使匹配的效果达到最优，需要增加以下三个约束条件，分别是极限约束，灰度相似性约束以及直线约束[2]。

2.3 物体坐标计算

本文所描述的机器视觉主要用于工厂生产过程中，进行批量零件制作检测与识别，所以其所面对的目标大多数都是相同的工件，虽然背景不同，但是物体的样式却都是相同的，所以在进行图像采集的过程中，若出现了遮挡会导致某一个物体或者是工件全部信息不能够得到反馈。但采用已知的物体模板信息，还是能够对相关的物体进行检测与识别。例如，在进行检测的过程中，检测目标为立方体，但工作人员对于立方体的相关信息仅仅知道其边长，并且边长的数值为100mm。对于该物件的位姿确定，能够通过多种方法来实现。第1种方法，确定立方体的质心以及角点；第2种方法则是将立方体的质心以及一条边进行准确定位；第3种是通过立方体相互垂直的三条边来进行位姿确定；第4种是通过立方体的三个角点对其进行确定，除此之外还有很多种方法。在实际检测过程中，可能在检测过程中所得到的并不是完整边界，所以可以通过计算立方体的质心以及角点，来进行位姿确定。

在进行具体计算之前，还需要寻找到能够符合以下条件的线段，线段数量为三条。①两线段之间的间距不会比立方体边长的根号2倍要大；②所寻找到的三条线段，处于相互垂直的关系；③在三条线段空间位置中至少有一个交点。

在后续的计算过程中，为了能够准确得到线段的坐标，需要将图像像素与实际坐标进行转换，从而得到所寻找的三条线段的端点。然后对已经确定好坐标的三条线段进行单位方向向量的计算，同时对于三条线段的交点坐标也需要进行计算，从而求出长方体质心坐标。

3 结语

机器视觉在工业领域当中的应用越来越广泛，通过机器视觉能够很好地对工业生产过程中相关产品进行检测以及定位。所以需要对机器视觉在位姿确定过程中的实际应用原理进行深入分析，并且基于此原理不断对其进行改善，提高机器视觉在实际应用过程中对各种影响因素的排除效率，增加位姿定位的准确率。通过提高机器视觉的实际使用效率，提升其在工业领域中的实际应用效果，为工业生产改革提供更强的助力。