基于SVM和图像编码二维工件智能快速识别.docVIP

基于SVM和图像编码二维工件智能快速识别 　　摘要：提出了一种用于二维工件快速识别的方法。该方法使用计算机视觉技术获取二维工件的图像，对其进行定向执行长度及周长编码，以充分使用工件的形状特征。然后使用支持向量机（SVM）对编码结果进行处理，实现对二维工件的识别。实验验证了本文所提出方法的正确性和有效性。 　　关键词：计算机视觉 工件识别 图像编码 SVM 　　中图分类号：Tp391.41 文献标识码：A 文章编号：1007-9416（2015）04-0094-01 　　工业4.0实现的是生产智能化、设备智能化、能源管理智能化和供应链管理智能化[1]。同时，生产过程将从大规模生产向个性化定制转型[2]。工件的自动、快速识别将为智能化生产和个性化定制提供技术支持。计算机视觉技术的优点是非接触、柔性好、可靠性高和通用性强等[3]。在使用计算机视觉技术进行工件识别时，不需要在工件上添加标记或附属物等，不会干扰生产的正常进行。利用计算机视觉技术进行工件识别时，通常使用基于被识别工件的图像的方法。其中，定向执行长度编码（Orientation Run Length Coding， ORLC）法由于编码简单，对二维工件快速的实时识别以及移动二维工件的识别非常适合[4-5]。但由于该方法编码简单，会对某些不同的工件产生相同的编码，从而造成错误的识别结果。本文在ORLC的基础上提出了定向执行长度及周长编码（Orientation Run Length and Perimeter Coding， ORLPC）以进一步提高二维工件的识别率。同时，使用支持向量机（Support Vector Machines， SVM）对工件进行识别。 　　1 ORLC编码原理 　　在对被识别的工件图像进行ORLC编码时，如图1所示，首先以工件图像的质量重心确定其位置（，）；然后用工件图像的主轴与图像坐标系X轴所成角度表示工件的方向，而该主轴为工件图像的转动惯量的最大主轴；最后以（，）为中心，以工件图像主轴为基准编码方向，以放射形式对工件的影像进行编码。通常使用八线形式，即编码线以相邻互成π/4的间隙角向八个不同的方向伸展。 　　常用的ORLC编码结果为长度样本，即记录从工件影像的形心到编码线与工件影像边缘相交点Pi的距离： 　　LMj= （1） 　　则ORLC长度样本可以表示为： 　　LM={LM0，LM1，…，LMj…，LMn-1} （2） 　　通常n=7。 　　2 ORLPC的提出 　　2.1 ORLC编码的不足 　　ORLC编码简单，识别速度快，但对有些形状的工件存在着识别误差。如图2所示为一个圆形工件和一个八角形的工件，当圆形工件的直径和八角形工件的最长对角线相等时，两者具有相同的ORLC编码，从而引起误判。因而，有必要引入新的形状特征。 　　2.2 ORLPC编码 　　工件的周长和面积是描述工件形状特点的最直接、最直观的两个参数。面积的数量级大于工件的周长编码很多，将会造成过大的权重。因此，在本文中采用工件的周长作为新的识别参数，形成定向执行长度及周长编码（Orientation Run Length and Perimeter Coding， ORLPC）。ORLPC的长度样本可以表示为： 　　LMP={LM0，LM1，…，LMj…，LMn-1，P} （3） 　　2.3 工件的识别 　　支持向量机（SVM）是一种二分类模型，适合于具有非线性、小样本和高维特征的模式识别[6]。本文中使用SVM进行工件的ORLPC长度样本识别。核函数的选择是使用SVM的关键之一，本文选用多项式核函数（PKF）： 　　（4） 　　SVM提出的最初目的是解决两类分类问题。为了适应多类别分类，发展出了多种分类方法。本文选择需要构造分类器较少的决策二叉树方法，即对于K类分类问题只需构造K-1个两类分类器。该方法实现多类别分类的原理是从多到少逐级进行分类，每次分类都分成两个子类，到划分出最终类别为止。 　　3 实验 　　为了验证本文中提出的工件识别方法，进行了实验，图3给出了实验工件中的五种。实验时将工件的ORLPC长度编码结果分为训练组和检测组，分别用于SVM的训练和验证识别的准确性。验证方法是将识别结果与预先的分类进行对比。实验中使用了10组训练数据，10组测试数据，结果显示了很好的识别率。 　　4 结语 　　本文将工件影像的周长加入ORLC编码中，实现了ORLPC编码，以提高二维工件识别的准确率。采用多项式核函数和决策二叉树方法，依据ORLPC长度样本对二维工件进行快识别，取得了满意的结果。本文的工作有益于促进智能生产的发展。 　　参考文献 　　[1]王喜文.工业4.0――最后一次工业革命[M].北京：电子工业出版社，2