龙源期刊网 http://www.qikan.com.cn
基于机器视觉的工件特征识别与分类方法研究
作者：杨萌 赵亮
来源：《无线互联科技》2014年第12期
摘 要：机器视觉是计算机科学与人工智能研究领域的一项重要内容，主要通过计算机应用技术来模拟人的视觉功能，对从图像中提取的信息进行分析和处理，以达到实际检测和控制的效果。本文主要对基于机器视觉的工件特征识别与分类方法进行了分析和研究，以期帮助人们更好地了解机器视觉分类识别技术。 关键词：机器视觉；特征识别；分类方法
机器视觉分类识别技术在工业领域中应用得越来越广泛，主要涉及到计算机科学、神经生物学、模式识别、人工智能、图像处理等多学科的内容，该技术的引入，成功取代了传统人工检测的方法，在很大程度上提高了企业的检测准确性和生产效率，其应用前景十分广阔。现阶段，对机器视觉的工件特征识别与分类方法进行分析和研究，具有重要的理论指导和实践意义。
1 基于机器视觉的工件特征识别方法 1.1 机器视觉检测特征及图像阀值分类方法
机器视觉分类识别技术主要应用于工业领域，用来提取产品的形状特征，这种特征提取也被称之为对分割区域的描述。特征提取主要通过利用数学公式或特征描绘子等方式，对分割区域的形状属性进行表达和描述。特征提取的关键环节在于图像分割，图像分割实际上完成的组成区域像素集合的划分，即将其划分为区域内部和区域外部。对区域内部进行形状特征提取，主要包括傅里叶描绘子、拓扑描绘子、矩描绘子以及几何描绘子等内容，对区域外部进行形状特征提取，主要包括边界傅立叶描绘子、边界几何表示、Hough变换表示、B样条表示等内容。图像特征的提取需要借助分割方法，图像分割方法主要有区域提取法、边缘检测法和灰度阀值法三种，最常用的就是灰度阀值法，即根据图像灰度值的分布特性来确定形状特征的阀值，然后以阀值作为门限再对图像进行分割[1]。 1.2 机器视觉分类识别技术特征选择的平台设计
确定阀值方法，完成特征选择后，便可以对待分类目标图像进行采集，程序会对采集后的图像进行自动分割，并选择相应的特征对目标图像加以计算，最终将计算结果显示出来，以供选择。特征选择主要按照两个基本方法来进行，一个是直接选择法，具体操作如下：
龙源期刊网 http://www.qikan.com.cn
式中， 表示n个原始特征中的任意d个特征，从获得的n个原始特征中任意选择d个特征 ，便可以求得判断J的值。
另一个是变换降维法，该种方法为了能够使判断J取最大值，要对n个原始特征进行坐标转换，然后再取其子空间，目标特征是通过x向子空间投影而获取的[2]。 2 基于机器视觉的工件特征分类方法 2.1 基于机器视觉的模板匹配算法
模板匹配算法是将样本模式集中在一起，各样奔都能够成为标准模板，将待测样本与这些标准模板进行比较，从这些标准模板中找出与待测样本最接近的标准模板，待测样本便归于此类。模板匹配算法在原理上遵循了近邻准则，应用比较简单、而且比较容易实现，是目前机器视觉进行分类识别的首选方法。但是模板匹配算法也存在很大的缺点，无论是计算量还是系统资源开销等比较大，因此，有必要对其进行改进，使模板匹配能够更好地应用于工业产品的在线识别。在此，提出了改进型的模板匹配算法，以便进一步提高模板匹配的计算效率。基于机器视觉的快速模板匹配算法，对于分类识别的计算总量应满足以下公式： 计算总量=标准模板数×搜索位置数×相关计算量
式中，标准模板数表示的是样本集中后的标准图像模板数量，搜索位置数表示的是某一标准模板相关计算的位置数，相关计算量是根据改进后模板匹配的效率来确定的。模板匹配算法的改进实际上遵循的是分层搜索的思想，大大缩短了图像模板在实时图像上所消耗的时间，也使得分类识别的运算时间得以降低，而且能够达到在线识别的要求[3]。 2.2 基于机器视觉的神经网络分类器
神经网络结合了生物脑的若干特性，对其进行了人工模拟，基于神经生物学建立起来的神经网络分类器实际上是由大量神经元构成的非线性动力系统，通过非线性映射来整体各变量之间的关系，借助阀值和权重来对图像特征进行分类。基于机器视觉的神经网络分类器不仅不会对数据分布提出附加要求，还能够有效解决非线性评价问题，因此被引入识别领域并被广泛应用。但是这种分类器也存在着一定的缺陷，例如学习算法比较复杂，无法计算隐藏单元的误差，因此有必要对神经网络分类器进行改进。鉴于神经网络分类器依照的是BP三层前馈神经网络的基本原理，对其进行改进，实质上就是要加强BP三层前馈神经网络的设计，在设计中应注意以下问题：其一，样本集中的训练样本要能够出图像特征空间整体分布的代表性；其二，在训练过程中应注意对学习结果进行实时识别；其三，应增加神经网络的层次以降低误差；其四，应增加隐藏节点的数目来提高分类器的识别精度[4]。 3 结论
龙源期刊网 http://www.qikan.com.cn
综上所述，机器视觉分类识别技术在工业领域的应用越来越广泛，已经成功取代了传统人工检测的方法。现阶段，分析和研究机器视觉的工件特征识别与分类方法，对机器视觉分类识别系统的构建具有重要的理论指导意义， [参考文献]
[1]潘武，张莉彦，徐俊成.基于机器视觉的工件的在线检测[J].组合机床与自动化加工技术.2012，14（7）：75-77.
[2]管经纬，周虎，杨慧斌.基于机器视觉的工件自动分拣系统的研究[J].机械工程师.2014，15（8）：18-20.
[3]朱代先.基于双目视觉的工件定位与抓取研究[J].计算机测量与控制.2011，13（1）：92-94.
[4]廖强，金大标，甘平.基子主动机器视觉的工件精密测量系统设计[J].激光杂志.2011，17（6）：38-40.
基于机器视觉的工件特征识别与分类方法研究
