基于图像识别-SVM学习模型的工件识别装置及其方法制造方法及图纸

本申请公开了一种基于图像识别‑SVM学习模型的工件识别装置及其方法，包括：图像采集单元、识别单元和机器人，图像采集单元，用于获取待检测工件图像，并与识别单元数据连接；识别单元，用于提取图像中工件特征向量后，采用SVM学习模型分类器对待检测工件进行分类，输出分类结果，与机器人控制连接；机器人，用于根据分类结果对待检测工件进行归类。该装置可以在较复杂环境下识别并抓取预定目标，不受平移、尺度与旋转几何变化的影响，具有较高的稳定性与实时性。本申请的另一方面还提供该装置的方法。

Workpiece Recognition Device and Method Based on Image Recognition-SVM Learning Model

This application discloses a workpiece recognition device based on image recognition and SVM learning model and its method, including: image acquisition unit, recognition unit and robot, image acquisition unit, which is used to acquire the image of the workpiece to be detected and connect with the data of recognition unit; recognition unit, which is used to extract the feature vector of the workpiece in the image, uses SVM learning model classifier to treat the inspector. Parts are categorized and output the result of classification, which is connected with the robot control. Robots are used to classify the detected parts according to the result of classification. The device can recognize and grasp a predetermined target in a more complex environment, and is not affected by the geometrical changes of translation, scale and rotation. It has high stability and real-time performance. Another aspect of the application also provides a method of the device.

【技术实现步骤摘要】
基于图像识别-SVM学习模型的工件识别装置及其方法
本申请涉及一种基于图像识别-SVM学习模型的工件识别装置及其方法，属于图像识别领域。
技术介绍
随着机器人技术与人工智能的不断发展，机器视觉已被广泛应用于工业检测、分拣、生产自动化等各个领域。近些年，已有相关的机器视觉识别算法被广泛应用于流水线的工件识别与自动分拣。现有机器视觉识别算法大多是通过传统的匹配代价函数以及工件特有特征进行识别，例如灰度、角点、几何基元等，但识别算法的泛化性能较差，缺乏主动感知工作环境变化和随机应变的能力，一旦环境发生改变，容易导致机器人识别或抓取失败。机器学习将识别算法的泛化性能推向了新高度，其利用样本的先验知识获得算法的学习能力，将具体的知识转化为机器学习模型的内在参数，其核心在于通过样本空间的基础特征与分类器结合，形成具有学习能力的分类器或回归模型，为进一步优化学习器的泛化性能，深度学习成为了目标识别的热点。如何将多种类型的工件从流水线上正确识别并进行抓取是自动化领域研究的核心问题，而智能识别算法是视觉机器人传感技术的核心。近些年，已有相关的机器视觉识别算法广泛应用于流水线的工件识别与自动分拣。现有机器视觉识别算法大多通过传统的匹配代价函数以及工件特有特征进行识别，例如灰度、角点、几何基元等。但识别算法的泛化性能较差，缺乏主动感知工作环境变化和随机应变的能力，导致机器人识别或抓取失败。
技术实现思路
根据本申请的一个方面，提供了一种基于图像识别-SVM学习模型的工件识别装置，该装置能实现对特定工件的识别和分类。包括：图像采集单元、识别单元和机器人，所述图像采集单元，用于获取所述待检测工件图像，并与所述识别单元数据连接；所述识别单元，用于提取所述图像中工件特征向量后，采用SVM学习模型分类器对所述待检测工件进行分类，输出分类结果，与所述机器人控制连接；所述机器人，用于根据所述分类结果对所述待检测工件进行归类。可选地，还包括传送带和位置传感器，所述位置传感器设置于所述传送带上，并与所述识别单元数据连接，用于获取所述工件位置；所述识别单元用于判断所述待检测工件的位置是否进入所述图像采集单元的图像采集范围，如果进入，所述识别单元控制所述图像采集单元获取所述待检测工件图像。可选地，所述识别单元与所述机器人通过Socket通信连接；所述识别单元与所述传送带控制连接，所述识别单元用于控制所述传送带对所述工件的位置偏移进行补偿。可选地，所述识别单元包括：训练模块，用于提取样本库中各样本工件图像的特征，采用SVM学习模型分类器识别所述工件多角度图像特征并进行分类，检测分类结果，如果所述分类结果错误则返回继续分类，如果所述分类结果正确则输出训练后的SVM学习模型分类器。可选地，所述训练模块中所述样本图像特征通过以下模块获取：轮廓提取模块，用于识别所述样本库中各所述样本图片中样本工件轮廓，提取所述样本工件的特征向量；特征规整模块，用于采用形状向量直方特征对所述特征向量进行规整与维度统一。可选地，所述识别单元包括：学习模块，用于将所述待检测工件图像输入经过所述训练模块训练的SVM学习模型分类器，输出与所述待检测工件相似的样本图片作为预分类结果；分类模块，用于计算所述样本图片与所述待检测工件图像的SVH特征相似度，判断所述相似度是否满足系统对判别结果期望容忍度。如果是，则输出所述预分类结果，如果否，则显示不合格件。可选地，所述识别单元，用于获取所述待检测工件的抓取点；所述机器人，用于根据所述抓取点抓取工件。可选地，所述识别单元包括：位置模块，用于识别所述待检测工件图像中所述工件的坐标，并将所述待检测工件坐标转换为所述机器人的空间坐标，获取所述待检测工件图像的横、纵主轴参数，提取所述待检测工件横主轴与所述工件轮廓的第一对交点，提取所述待检测工件纵主轴与所述工件轮廓的第二对交点，输出所述第一对交点和所述第二对交点作为所述机器人的所述抓取点。本申请的又一方面还提供了一种基于图像识别-SVM学习模型的工件识别方法，包括以下步骤：步骤S100：获取所述待检测工件图像；步骤S200：采用SVM学习模型分类器对所述待检测工件进行分类，输出分类结果；步骤S300：根据所述分类结果对所述待检测工件进行归类。可选地，所述步骤S200包括以下步骤：步骤S210：识别所述样本库中各所述样本图片中样本工件轮廓，提取所述样本工件的特征向量，采用形状向量直方特征对所述特征向量进行规整与维度统一，输出各样本工件图像的特征；步骤S220：提取样本库中各样本工件图像的特征，采用SVM学习模型分类器识别所述工件多角度图像特征并进行分类，检测分类结果，如果所述分类结果错误则返回继续分类，如果所述分类结果正确则输出训练后的SVM学习模型分类器；步骤S230：将所述待检测工件图像输入经过所述训练模块训练的SVM学习模型分类器，输出与所述待检测工件相似的样本图片作为预分类结果；步骤S240：计算所述样本图片与所述待检测工件图像的SVH特征相似度，判断所述相似度是否满足系统对判别结果期望容忍度。如果是，则输出所述预分类结果，如果否，则显示不合格件；步骤S250：识别所述待检测工件图像中所述工件的坐标，并将所述待检测工件坐标转换为所述机器人的空间坐标，获取所述待检测工件图像的横、纵主轴参数，提取所述待检测工件横主轴与所述工件轮廓的第一对交点，提取所述待检测工件纵主轴与所述工件轮廓的第二对交点，输出所述第一对交点和所述第二对交点作为所述机器人的所述抓取点。本申请能产生的有益效果包括：1)本申请所提供的基于图像识别-SVM学习模型的工件识别装置及其方法，针对装配线分拣工件智能化水平较低与柔性差的问题，同时为实现机器人主动学习并抓取预定目标，提出了一种基于形状学习模型的多工件识别方法。该方法可以在较复杂环境下识别并抓取预定目标，不受工件平移、尺度与旋转几何变化的影响，具有较高的稳定性与实时性。实验分析表明提出的多目标识别匹配方法几乎不受识别图像中工件的伸缩、旋转、平移等几何变换的影响，利用机器学习模型与SVH特征(形状向量直方图SVH,Shapevectorhistogram)使识别准确度与泛化性有了很大的提高，相对其它常规识别算法具有一定的优势。2)本申请所提供的基于图像识别-SVM学习模型的工件识别装置及其方法，设计了基于极半径的形状特征向量，并对其进行了最大模值的归一化处理，所采用形状特征向量能深刻的反映工件形状拓扑结构的变化，对于同一工件不同角度图像均能准确识别，提取特征，采用该特征向量提高了本申请提供方法的识别鲁棒性。3)本申请所提供的基于图像识别-SVM学习模型的工件识别装置及其方法，针对工件形状特征向量维度存在差异的问题，采用SVH对初始特征向量进行维度规整，量化后特征维度相同，且描述的特征保持了原有特征的描述特性。4)本申请所提供的基于图像识别-SVM学习模型的工件识别装置及其方法，将量化后的特征引入SVM支持向量机模型，对待识别目标进行类别预测，同时利用SVH分布信息对分类后的工件进行类别验证，进一步提高识别的准确性。5)本申请所提供的基于图像识别-SVM学习模型的工件识别装置及其方法，根据MOI理论获取目标的主轴参数，确定机器人抓取预定目标的2对位置基准，能提高工件识别本文档来自技高网...

【技术保护点】
1.一种基于图像识别‑SVM学习模型的工件识别装置，其特征在于，包括：图像采集单元、识别单元和机器人，所述图像采集单元，用于获取待检测工件图像，并与所述识别单元数据连接；所述识别单元，用于提取所述图像中工件特征向量后，采用SVM学习模型分类器对所述待检测工件进行分类，输出分类结果，与所述机器人控制连接；所述机器人，用于根据所述分类结果对所述待检测工件进行归类。

【技术特征摘要】
1.一种基于图像识别-SVM学习模型的工件识别装置，其特征在于，包括：图像采集单元、识别单元和机器人，所述图像采集单元，用于获取待检测工件图像，并与所述识别单元数据连接；所述识别单元，用于提取所述图像中工件特征向量后，采用SVM学习模型分类器对所述待检测工件进行分类，输出分类结果，与所述机器人控制连接；所述机器人，用于根据所述分类结果对所述待检测工件进行归类。2.根据权利要求1所述的基于图像识别-SVM学习模型的工件识别装置，其特征在于，还包括传送带和位置传感器，所述位置传感器设置于所述传送带上，并与所述识别单元数据连接，用于获取所述工件位置；所述识别单元用于判断所述待检测工件的位置是否进入所述图像采集单元的图像采集范围，如果进入，所述识别单元控制所述图像采集单元获取所述待检测工件图像。3.根据权利要求2所述的基于图像识别-SVM学习模型的工件识别装置，其特征在于，所述识别单元与所述机器人通过Socket通信连接；所述识别单元与所述传送带控制连接，所述识别单元用于控制所述传送带对所述工件的位置偏移进行补偿。4.根据权利要求1所述的基于图像识别-SVM学习模型的工件识别装置，其特征在于，所述识别单元包括：训练模块，用于提取样本库中各样本工件图像的特征，采用SVM学习模型分类器识别所述工件多角度图像特征并进行分类，检测分类结果，如果所述分类结果错误则返回继续分类，如果所述分类结果正确则输出训练后的SVM学习模型分类器。5.根据权利要求4所述的基于图像识别-SVM学习模型的工件识别装置，其特征在于，所述训练模块中所述样本图像特征通过以下模块获取：轮廓提取模块，用于识别所述样本库中各所述样本图片中样本工件轮廓，提取所述样本工件的特征向量；特征规整模块，用于采用形状向量直方特征对所述特征向量进行规整与维度统一。6.根据权利要求4所述的基于图像识别-SVM学习模型的工件识别装置，其特征在于，所述识别单元包括：学习模块，用于将所述待检测工件图像输入经过所述训练模块训练的SVM学习模型分类器，输出与所述待检测工件相似的样本图片作为预分类结果；分类模块，用于计算所述样本图片与所述待检测工件图像的SVH特征相似度，判断所述相似度是否满足系统对判别结果期望容忍度。如果是，则输出所述预分类结果，如果否，则显示不合格件。...

【专利技术属性】
技术研发人员：杨林杰，李俊，崇米娜，
申请(专利权)人：中国科学院福建物质结构研究所，
类型：发明
国别省市：福建,35