基于机器视觉的血压计自动分拣系统的实现

周珂玮

摘 要：随着工业4.0智能化进程的推进，研究智能机器人代替重复性人工劳动是现在人工智能领域研究的一大热门方向。本文主要以生产血压计按类型进行分拣展开研究，开发基于机器视觉原理的智能分拣系统，该系统通过工业相机采集外形图像，获取目标图像位置、姿态信息，矫正图像后将正视图像降采样，根据图像特征构成特征矢量，输入机器学习网络后输出血压计所属类别，并发送控制命令给机器人完成分拣。分拣过程中同时记录存储分拣结果信息，并建立质量控制流水线，实现后续质检、装箱、报错报警等操作。

关键词：智能分拣系统 机器视觉原理 机器学习 血压计外壳

一、引言

工业自动分拣是指在工件、产品随机摆放后，根据类型实现自动识别、分拣、定位、抓取、分类放置的过程，是生产环节的主要组成部分。自动分拣与人工进行分拣作业相比，不仅更高效、更准确，而且在保障卫生、质量等方面有着非常明显的优势。近年来，我国自动分拣技术及分拣设备发展迅速，特别是工业视觉这种具有高度自动化、高效率、高精度和高适应能力的智能设备，为高速发展的分拣系统打开了“新视野”，而智能机器人的广泛应用，也极大得解放了传统人力劳动，在工作效率上也较以前有了大幅得提升。

本文主要以血压计外壳按类型进行分拣问题展开研究，自主研制了一套基于机器视觉的血压计外壳自动分拣系统。系统通过摄像头捕捉血压计图像，采用人工神经网络分类算法实现不同类型的分拣操作，分拣结果存入数据库，可以进行查询、分类统计，并可控制执行结构实现拾取、装箱等功能。本课题研究实现的自动分拣系统，对小批量自动分拣应用推广具有一定的理论意义和实用价值。

二、自动分拣系统总体方案设计

整个系统由硬件系统和软件系统两大部分组成，硬件系统包括工控机、机器视觉模块、机器人控制器、光电开关触发模块和信号报警模块，系统软件主要包括图像采集、处理算法，命令控制和数据管理三大部分。

软件处理流程如图1所示。工控机控制工业相机采集血压计图像后进行图像预处理，预处理后采用基于边缘特征的多模板目标对象定位算法确定其位置和角度，并将其矫正为正视图像，以消除随意摆放带来的位置和角度干扰;最后通过预训练好的三层人工神经网络分类器判别所属类型，依据分类结果判别报警信号输出，将分类结果显示在人机交互界面上，并保存到本地数据库中。

图1 自动分拣系统软件处理流程示意图

三、血压计外壳特征提取

3.1 血压计外壳图像定位矫正算法

本文采用基于图像边缘特征的匹配定位矫正算法，当目标图像部分可见或与其他图像混合时，该方法依然能够搜索到目标图像。算法实现时，采用给出迭代终止条件和金字塔模板进行搜索，对算法进行优化，具有较高的计算效率，该算法分为三个步骤：

（1） 创建基于边缘的模板图像模型

首先使用Sobel算子提取原始模板图像粗边缘，在模板图像上使用Sobel算子计算X和Y方向的梯度变化Gx，Gy，再通过公式（1）计算边缘大小和方向。

（1）

提取图像粗边缘后将细化边缘，其基本思想是在边缘方向上查找极大值，通过非极大值抑制、高低阈值判断后保存数据集，在提取边缘之后，将所选边缘的X和Y导数与坐标信息一起保存为模板模型。

（2） 在待搜索目标图像上首先应用边缘提取算法提取边缘特征，然后采用互相关的图像定位匹配算法，将模板模型与搜索目标图像进行匹配。在匹配过程中，使用相似性度量将模板模型与所有位置的目标图像进行比较，其思想是获取模板图像所有梯度向量的归一化点积的总和，从而定位目标对象的位置和角度。

（3） 以第二步返回的位置为中心，将待搜索图像旋转对应的角度，实现将随机位置图像矫正为正视图像。

3.2 血压计外壳图像特征提取算法

采用矫正后的目标图像作为输入图像，采用特征向量提取算法提取目标图像的水平投影、垂直投影，加上图像灰度信息组成一个一维向量，作为神经网络分类器的输入。基本算法步骤为：

（1） 如图2所示，采用高斯金字塔降采样算法，把图像统一为64pix×64pix大小的图像，并保留图像的灰度信息，像素间采用双线性插值。

图2 金字塔模板模型

（2） 计算图像的灰度水平投影，即将图像每一行所有像素的灰度值相加作为该行像素的特征值。

（3） 计算图像灰度的垂直投影，即将图像每一列所有像素的灰度值相加作为该列像素的特征值。

（4） 创建一维特征向量，该向量由水平投影、垂直投影、图像像素灰度值按顺序组成。

四、血压计外壳图像分类器

4.1 人工神经网络

大脑中的每一个神经元都可以被比作是一个处理单元（神经核），每个神经元上都含有许多的输入（树突）和一个输出（轴突）。大脑的神经网络结构示意图如图3所示。

图3 大脑的神经元示意图

4.2 BP神经网络分类器设计及实现

本文主要针以A、B、C、D、E共5类型号的血压计进行分类识别，每组类型准备300张图像作为训练样本，在上一章节已经针对5种血压计类型的图像进行特征提取，去除了位置、旋转角度等的外部干扰量，获得了高鲁棒性的特征向量，为进一步设计人工神经网络分类器提供了可靠数据。

根据图像水平、垂直投影以及图像灰度特征为分类标准设计分类器，针对64×64pix图像计算了1×4224维特征矢量作为输入，输出设计一个对应A，B，C，D，E五种不同类型输出5×1维（5行1列）的数组。通过捕捉每种类型血压计外壳图像300张，将经过图像定位、矫正及特征提取后的特征矢量作为训练输入，最后通过在OpenCV视觉库的基础上实现了三层的人工神经网络（Artificial Neural Networks， ANN）分类器结构。

五、总结

随着工业4.0智能化进程的推进，对常规简单分拣任务逐步采用智能设备代替人工的需求将会越来越大。本文以血压计外壳分拣为例，研制了一套自动分拣系统。后期改进设计可对本套系统进行更加深入的研究、更加合理的优化，使这套系统工作性能、稳定性得到提高，更好的投入生产、物流工作中。

参考文献：

[1] 唐镇城.视觉分拣系统研究[J].价值工程，2018，37（18）：186-188.

[2] 万龙，吴仁杰.分拣机器人在邮政企业应用前景浅析[J].中国邮政，2017，（07）：44-45.

[3] 伍锡如，黄国明，孙立宁.基于深度学习的工业分拣机器人快速视觉识别与定位算法[J].机器人，2016，38（06）：711-719.

[4] 刘佳文，王粲，刘源，易煦东.机器人自动分拣试验系统流程与软件方案研究[J].价值工程，2018，37（30）：115-116.

[5] 邓广伟.基于深度学习的图像哈希检索方法研究[D].湖南省：湖南大學，2018.

[6] 李元鹏.基于AHP和BP神经网络的人工湿地运行状态评估研究[D].山东省：山东建筑大学，2018.

[7] 陈伟，周浩;，潘文杰，熊永华.基于人工神经网络的烤烟评吸质量评估模型及实现[J].湖北农业科学，2018，57（24）：108-111+123.

[8] 王先通.基于机器视觉的纸病检测系统的研究与实现[D].陕西省：山西科技大学，2016.