1.一种多特征融合的小瓷砖智能定位方法,其特征在于:
步骤1,图像采集
通过高速线阵CCD相机采集图像;
步骤2,图像预处理
先灰度化图像,再进行滤波去噪处理,对滤波图采用边缘检测算法分割,再提取小瓷砖轮廓,得瓷砖轮廓图;
步骤3,特征提取
基于步骤2的轮廓图中瓷砖轮廓的几何特性生成相应的基元特征,基元特征包括宽度、高度和完整度;
先将轮廓图转为轮廓掩膜图,利用步骤2的滤波图与轮廓掩膜图进行逻辑与运算得到运算结果图,运算结果图转入HSV颜色空间,并生成颜色特征,颜色特征包括色调和饱和度;
将基元特征与颜色特征组合成组合特征,组合特征包括长度、宽度、完整度、色调和饱和度;
步骤4,图像目标判定
将步骤3的组合特征与标准特征参数进行比较,若组合特征中任一参数不满足门限阈值则判定为步骤1采集的图像中不是定位瓷砖类型,若组合特征中所有参数均满足对应的门限阈值则判定采集的图像是定位瓷砖类型;
所述的标准特征参数是采用带有样本标准瓷砖的图像进行组合特征提取,再将组合特征参数在高斯训练模型中训练所生成,组合特征参数包括长度、宽度、完整度、色调和饱和度五个特征的阈值;
步骤5,瓷砖定位:
针对判定是定位瓷砖类型的图像,以瓷砖轮廓的外接矩形的角点为基准生成对应的ROI区域,将ROI区域分割成独立处理单元,ROI区域即包含整块瓷砖边界区域的图像;
计算瓷砖轮廓即独立处理单元的质心,该质心作为工业机器人抓取瓷砖的定位基准,将该质心数据传送至工业机器人系统中。
2.如权利要求1所述的一种多特征融合的小瓷砖智能定位方法,其特征在于,所述步骤2图像预处理具体为:
灰度化图像后,采用基于高斯核函数的双边滤波对采集图像进行滤波去噪处理,滤波公式如下:
其中,系数σs为空域高斯函数的标准差,σr为值域高斯函数的标准差,Ω表示卷积的定义域,f(x)与f(y)分别表示图像邻域的像素值;
小瓷砖分割采用Canny边缘检测算法,边缘检测成功后,采用8连通链码区域的Freeman链码对轮廓进行存储与表示。
3.如权利要求1所述的一种多特征融合的小瓷砖智能定位方法,其特征在于,所述步骤3特征提取具体为:
根据瓷砖自身的几何特性,即瓷砖轮廓基元与最小斜外接矩形的拟合,利用最小斜外接矩形作为其轮廓的几何基元,且生成相应的基元特征,分别为宽度、高度、完整度;
将滤波图与轮廓图像作逻辑“与”运算得到掩膜图像,将生成的掩膜图像转换到符合人类认知环境的HSV颜色空间,从中派生出两个颜色指标:色调分量与饱和度分量,生成用于瓷砖定位的颜色特征;
将颜色特征与基元特征一起构成定位的组合特征。
4.如权利要求1所述的一种多特征融合的小瓷砖智能定位方法,其特征在于,所述步骤4图像目标判定公式为:
其中,i={0,1,2,3,4,5},分别代表组合特征中的高度、宽度、完整度、色调、饱和度5个特征信息,g(fti)是特征判别的结果函数,当函数值等于1时,判别其为定位目标,即为含有瓷砖的图像,否则判别其不是定位的目标,即不含有瓷砖的图像,fti.是判别目标的某一特征参数值,fsi为经过训练对应的标准参数最优值,Ti是判别容许的上下偏差,该值决定着对非定位目标的包容程度。
5.如权利要求1所述的一种多特征融合的小瓷砖智能定位方法,其特征在于,所述步骤4的标准特征参数获取步骤如下:
对样本进行先行的数据测试,得到样本群的各个组合特征特征对应的数据库,所述样本为去除复杂环境其他物体的干扰调节下采集的带有瓷砖的图像,样本群包括了多个样本;
单独对各个特征数据进行高斯建模,得到特定特征的高斯模型;所述高斯模型如下:
xi,μi,σi,f(xi)分别代表标记特征i的数据集,均值,标准差以及对应的概率密度;
去除特征数据落在对应高斯模型(μ-3σ,μ+3σ)以外的区域部分;
对处理后的数据进行均值化处理,得到训练模型的最优参数值作为标准特征参数。
6.如权利要求1所述的一种多特征融合的小瓷砖智能定位方法,其特征在于,所述步骤5计算瓷砖轮廓即处理单元的质心具体是:
设瓷砖提取的轮廓模型为v={Ci|Ci=(xi,yi),i=1,2…N},N为轮廓点集总数,其质心的坐标为O(x0,y0),计算方法如下式所示: