魏 哲，王 盼

(西安工程大學，陜西 西安 710048)

0 引言

珍珠作為自然產(chǎn)物，其形狀不可能完全一致，作為飾品的珍珠對形狀要求很高，需要按不同等級進行分選?，F(xiàn)有的珍珠形狀分選主要以人工為主，依靠肉眼或手工測量，勞動強度大、分選精度不穩(wěn)定。隨著機器人技術、機器視覺技術的飛速發(fā)展，具有視覺感知的機器人越來越多地取代人工應用到各個領域中。王毓綜等[1]對國內(nèi)珍珠形狀自動分級的技術現(xiàn)狀進行分析，提出了基于機器視覺為主導的未來在線實時檢測的解決方案；鄭春煌等[2]采用特殊的照明方式對珍珠圖像進行采集，在極坐標下獲取珍珠長短徑，通過直徑差對珍珠形狀大小進行檢測；李革等[3]通過珍珠圖像的坐標轉(zhuǎn)換，采用模糊識別方法對多視圖珍珠圖像特征判斷珍珠形狀并分類；李益紅等[4]設計邊緣鏈碼相似性算法，計算4個象限中邊緣鏈碼之間的相似度判定珍珠形狀的勻稱性；王雪奎等[5]采用數(shù)字圖像技術對黏性土顆粒在長徑比、圓度及粗糙度等參數(shù)進行分析；鄧翔宇等[6]針對交通標識的分類，通過顏色特征分割，提出了基于邊緣走勢統(tǒng)計特征算法，實現(xiàn)快速識別交通標識；郗厚印等[7]根據(jù)采摘機器人自動抓取果實的要求，設計了自然環(huán)境下的對重疊的番茄進行分割、識別及定位，實現(xiàn)對果實的定位；張青等[8]針對草莓分級精度不高的問題，利用草莓圖像信息提取周長、面積參數(shù)，通過多元線性回歸分析建立重量分級模型，通過支持向量機建立形狀分級模型，對草莓進行有效分級；李蓉娟[9]為了提高作業(yè)目標的抓取精度，設計了基于目標形狀特征的識別定位方法，有效識別、抓取作業(yè)目標；許偉棟等[10]利用機器視覺獲取馬鈴薯圖像，通過PCA-SVM算法提取馬鈴薯特征向量，在SVM模型中進行分類，提高分級精度；王紅軍等[11]對馬鈴薯圖像進行多個特征參數(shù)的提取，通過多元數(shù)據(jù)回歸分析，建立質(zhì)量和形狀分級預測模型，實現(xiàn)基于圖像信息的馬鈴薯自動分級。

針對人工進行珍珠形狀分選勞動強度大、效率低及分選精度不穩(wěn)定等問題，提出面向珍珠分揀機器人的形狀視覺檢測方法。通過機器視覺獲取珍珠圖像信息，在珍珠圖像預處理基礎上，采用分水嶺算法進行珍珠圖像的分割計算珍珠輪廓及質(zhì)心位置，建立基于圖像信息的珍珠形狀參數(shù)模型，對珍珠形狀進行量化表征。

1 珍珠分揀機器人系統(tǒng)

本文構(gòu)建如圖1a所示的基于機器視覺的珍珠分選機器人系統(tǒng)，由分辨率為2 448×2 048工業(yè)相機、25 mm光學鏡頭及照度為40 000 lx面光源構(gòu)成了珍珠圖像獲取的機器視覺系統(tǒng)；珍珠分選的執(zhí)行機構(gòu)為4自由度機械臂，末端執(zhí)行器為氣動吸盤；計算機為上位機，可對獲取的珍珠圖像進行預處理、珍珠圖像分割及珍珠形狀的計算與等級分類。

由于珍珠表面存在紋理、光澤，當光源直接照射珍珠表面時會產(chǎn)生反射導致成像質(zhì)量下降，因此本文設計的珍珠分選機器人系統(tǒng)采用了背光成像方式，獲取珍珠圖像如圖1b所示，珍珠邊緣輪廓清晰，消除了珍珠表面紋理、光澤的干擾。

2 基于分水嶺算法的相互接觸珍珠的分割

2.1 珍珠圖像預處理

獲取的珍珠圖像背景灰度分布不均導致對比度低，因此，采用同態(tài)濾波算法壓縮亮度范圍和增強對比度來改善珍珠圖像的質(zhì)量，結(jié)果如圖1b所示，珍珠區(qū)域與背景對比度增強。然后通過最大類間方差法對珍珠灰度圖像進行二值化處理[12]，結(jié)果如圖1b所示，珍珠區(qū)域與背景區(qū)域完全開。但是珍珠圖像中存在相互接觸的珍珠，將影響到珍珠形狀輪廓的提取，必須將相互接觸的珍珠進行分割處理成單獨的區(qū)域。

2.2 分水嶺算法原理

分水嶺算法原理如圖2所示，將圖像表示為測地學上的拓撲地貌，圖像中每一點像素值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為積水盆地，而積水盆地的邊界則形成分水嶺。在刺穿每一個局部極小值表面，再將整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在2個積水盆匯合處構(gòu)筑大壩，即形成了分水嶺[13]，將積水盆地分開，實現(xiàn)了對圖像的分割。

圖2 分水嶺算法原理

2.3 基于分水嶺算法的接觸珍珠的分割

由于珍珠為類圓形狀，本文設計圓形結(jié)構(gòu)元素對珍珠圖像進行形態(tài)學梯度運算，其表達式為

gradf=[(f⊕g)-(f?g)]

(1)

gradf為梯度值；f為珍珠分割圖；g為圓形結(jié)構(gòu)元素；?為膨脹運算；?為腐蝕運算。

2.4 分水嶺與積水盆的構(gòu)建

由分水嶺算法的原理可知，水是由各積水盆底逐漸向分水嶺上蔓延，由被珍珠各區(qū)域內(nèi)部逐漸向接觸區(qū)域的邊緣遞推，通過形態(tài)學梯度計算得到了接觸珍珠與獨立珍珠的邊緣輪廓，該輪廓為理想的分水嶺邊界。為實現(xiàn)接觸珍珠的分割，要將各珍珠區(qū)域的盆底之間進行分離，且不與分水嶺邊界粘連，并為整個區(qū)域的低值區(qū)。因此，設定本文中的珍珠二值圖為B，Bij為第i行第j列的像素值，圖像中珍珠區(qū)域的像素點構(gòu)成了前景，其集合為Z={(i,j)|Bij=1}；像素值為0的像素點構(gòu)成背景，其集合為G={(i,j)|Bij=0}。對珍珠圖像進行距離變換來確定珍珠區(qū)域低值區(qū)。珍珠圖像B中各像素點之間最小距離的表達式為

Dij=min{Dist[(i,j),(x,y)],(x,y)∈Z}

(2)

Dist為距離度量函數(shù)；x為珍珠輪廓點的橫坐標；y為珍珠輪廓點的縱坐標。

由于珍珠為類圓形，其質(zhì)心到最近的輪廓點的距離最大，近似為珍珠半徑，故以歐氏距離作為距離度量函數(shù)，其表達式為

(3)

(a1,b1)、(a2,b2)為平面內(nèi)任意2點的坐標。

距離變換的二維圖形如圖3a所示，分水嶺線將圖像分為4個黑色區(qū)域，即為積水盆地區(qū)域，對應于圖3b中的錐形區(qū)域，錐頂為局部最小值，進而將接觸珍珠進行了分割，使相互接觸的珍珠都有了獨立的積水盆及分水嶺。各珍珠圖像由內(nèi)部向相互接觸區(qū)域邊界遞推計算過程中，像素梯度變化均勻一致，不存在出現(xiàn)小積水盆干擾的情況，實現(xiàn)了對相互接觸珍珠的分割，再通過連通區(qū)域的標記，結(jié)果如圖3c所示。

圖3 分水嶺算法分割接觸珍珠

3 珍珠形狀參數(shù)模型的建立及分級標準

珍珠區(qū)域的邊緣輪廓作為珍珠形狀的有力描述，是珍珠分級的重要參數(shù)。由圖3c可知，在珍珠圖像分割的基礎上，每個連通域的珍珠均為獨立個體，當圖像中連通域個數(shù)為n時，設連通域中的珍珠圖像為fi(x,y)，其中i取值為1-n。則每個珍珠的質(zhì)心坐標為

(4)

(xc,yc)為珍珠質(zhì)心。

本文采用形態(tài)學邊緣跟蹤算法對珍珠圖像進行輪廓特征提取，結(jié)果如圖3c的白色輪廓。利用2點之間距離公式計算珍珠輪廓邊緣點(x1,y1)到質(zhì)心的距離，其表達式為

(5)

由式(2)可以計算出珍珠的半徑序列，其表達式為Rk(k=1,2,…,m-1),其中，m為邊緣點個數(shù)。

(6)

X為形狀參數(shù)模型。

由式(6)可知，半徑百分比越小則說明珍珠越接近圓。以此為依據(jù)，建立了如表1所示的珍珠圓形類分級標準。

表1 珍珠圓形類分級標準

4 實驗數(shù)據(jù)分析

本文主要針對圓形類的珍珠進行形狀檢測，實驗中選用正圓、圓、近圓3種形狀的淡水珍珠共90顆作為檢測目標。

根據(jù)國標要求采用游標卡尺進行人工測量，將本文方法的計算值與人工測量值進行對比如圖4所示。由圖4可知，本文方法的計算值與人工測量值的分布一致，通過式(7)計算的誤差百分比為0.63%，滿足使用要求。

圖4 實驗數(shù)據(jù)

(7)

圖4中點劃線為正圓和圓的分割線，雙點劃線為圓和近圓的分割線，統(tǒng)計3種不同形狀的珍珠顆數(shù)如表2所示。對實驗用90顆樣本進行檢測，本文算法檢測完所有珍珠用時為24 ms。

表2 形狀分級統(tǒng)計

5 結(jié)束語

本文通過基于機器視覺的珍珠形狀檢測方法，對珍珠形狀進行檢測，并進行相關實驗，得出以下結(jié)論。

a.針對珍珠形狀的人工分揀效率低、精度不穩(wěn)定等問題，提出基于機器視覺的珍珠形狀檢測方法，構(gòu)建了檢測系統(tǒng)實驗平臺，并對90顆不同形狀的珍珠樣本進行實驗分析，檢測誤差為0.63%，形狀統(tǒng)計精度為100%，算法耗時24 ms。

b.對多顆珍珠存在的相互接觸影響珍珠輪廓提取的問題，采用分水嶺算法對多顆珍珠圖像進行分割，實現(xiàn)了對相互接觸珍珠的分割，通過連通區(qū)域的標記確定其質(zhì)心位置。

c.基于珍珠圖像信息建立了珍珠形狀參數(shù)模型，通過珍珠輪廓各點與質(zhì)心2點之間距離計算珍珠半徑序列，提取最大、最小及平均半徑，建立珍珠形狀參數(shù)，定量表征珍珠形狀。