基于机器视觉的工件识别和定位文献综述

基于机器视觉的工件识别和定位文献综述技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。培育未来机器人产业是支撑2l世纪日本产业竞争力的产业战略之一，具有非常重要的意义。”研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。因为机器人的使用寿命很长，大都在10年以上，并且可以全天后不间断的保工业机器人越来越被广泛的应用到现代化的生产中。现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。以机器人为核心的自动化生产线适应了现代制造业多品向汽车、电气机械等行业的自动化成套装备和生产线产品。在发达国家，机器人自动化生产瑞典的ABB、德国的KUKA、意大利的COMAU等都是国际上知名的被广泛用于自动化生产我国的工业机器人前期发展比较缓慢。当将被研发列入国家有关计划后，发展速度就明显加快。特别是在每次国家的五年规划和“863”计划的重点支持下，我国机器人技术的研实际工作中得到转化。以沈阳新松机器人为代表的国内机器人自主品牌已迅速崛起并逐步缩小与国际品牌的技术差距。术的内涵已变为“灵活应用机器人技术的、具有实在动作功能的智能化系统。”重构化；控制技术的开放化、PC化和网络化；伺服驱动技术的数字化和分散化；多传感器融合技术的实用化；工作环境设计的优化和作业的柔性化以及系统的网络化和智能化等方面。工业机器人是FMS（柔性加工）加工单元的主要组成部分，它的灵活性和柔性使其成世界有数以百万的各种类型的工业机器人应用不过这些应用都是基于先精确的示教后运行，而且工作环境都是预先安排好的，所以机器人能成功地抓取物体。但是我们知道很多情况下特别是流水线的场合工件的位姿常常是不固定器人操作任务的失败。这种由于环境的变化而导致机器人不能很好地完成任务的情况极大地被认为是机器人最重要的感觉能力，从智能机器人的研究实例中，也能清除地看到这一点。视觉是人类观察世界和认知世界的重要手段。据统计表明，人类从外部世界获得的信息约有视觉信息有较高的利用率，同时也体现了人类视觉功能的重要性。机器人视觉是模拟人类视觉在机器人上的体现。采用视觉传感器比采用其他传感器来获取工作环境及工件信息还有以下几方面的优势：首先，机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，在提高生产的柔性和自动化程度方面有着重要的作用；其次，即使在丢失了绝大部分的信息后，其所提供的关于周围环境的信息仍然比激光雷达与觉的智能机器人具有广阔的发展空间。因而使用视觉来提高机器人的智能水平，具有重要的现实意义和研究价值。机器人视觉技术是20世纪80年代发展起来的新兴技术，它的产生和发展是与机器视觉和机器人技术的发展密不可分的。近年来，机器人视觉技术已成为高技术领域一个重要问题提供了技术基础。它将使传统的工业生产面貌发生巨大变化，对人类社会的生活和生产产生深远的影响。目前国内外都在竞相开展有关机器人视觉的基础理论、基本技术以及应用方面的研究工作。机器视觉是一个相当新且发展十分迅速的研究领域，并成为计算机科学的重要研究领域之一。机器视觉是在50年代从统计模式识别开始的，当时的工作主要集中在二维图像的分析和识别上，如光学字符识别、工件表面、纤维图片和航空图片的棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述。Roberts的研究工作开创了以理解三维场景为目的的三维机器视觉的研究。Roberts的创造性研究给人们以极1954年，美国的GeorgeC.Devol设计并制作了世界上第一台机器人实验装置。60年代接触传感器的遥控操纵器的从动部分与一台计算机连接起来，这样形成的机器人可以凭触觉感知物体的状态。随后，用电视摄像头作为输入，把计算机图像处理和物体识别技术也引入70年代中期，麻省理工学院（MIT）人工智能（AI）实验室正式开设“机器视觉”课，同时，MIT的AI实验室吸引了国际上许多知名学者参与机器视觉的理论、算法、系统设计的研究。DavidMarr教授应邀于1973年到该实验室领导一个以博士生为主体的研究小组。1977年提出了不同于“积木世界”分析方法的计算视觉理论，该理论在80年代成为机器视觉研究领域中的一个十分重要的理论框架，可以说对机器视觉的全球性研究热潮是从20世由于国外对视觉技术的研究以及将其和机器人相结合都起步比较早，因此发展的较好，并且已经出现了一些商品化的计算机视觉系统。美国在这方面开展的较早，在20世纪70年代，美国GM公司试制了能识别传送带上机械零件的视觉检查系统。到了80年代，由于其所使用的视觉算法允许在材料加工或装配系统中对工件进行检测。视觉系统是通过示教训练得到的。以美国国家科学基金委员会为中心的实用视觉系统的研究飞速发展。在日本的国家产业政策中，也把大力发展实用视觉系统放在了首要地位，进入90年代以后，在电子、到了人眼所不能起的作用，有力地保证了产品质量。斯坦福研究所早期研制的机器人（Shkey）是一种典型的“眼－车”系统，它的主要功它可以穿行房间，搜索、识别指定的对象，并进行“智能”的操作。通用汽车公司开发出可展，美国的智能机器人研究已经走在了世界的前列。日本在借鉴其他国家研究智能机器人方面的经验之后，现在在这方面的研究已经走在了世界的前列。日立中央研究所研制的具有自图像处理方面拥有超过20年的经验积累，SIMATICVIDEOMAT是第一个高性能的单色和彩互式的、主动的以及被动的三种，典型的应用是机械零件的分类、装配以及质量控制等。此到广泛的关注，并且已经出现一大批科技成果，并在实际生产中得到了很好的应用。国外在对基于机器视觉的工业机器人的研究上已经做了很多工作，并且已经有很多突破并用神经网络进行图像处理以获得焊缝的形状数据，能有效地进行焊缝跟踪。澳大利亚Western大学研制的Australia’sTelerobot，它是一个带有摄像机的具有六个不断拍摄和更新图像得到空间位置后，通过对位置信息的处理实现了基于空间坐标系的积木抓取，并在包装盒中按顺序序摆放整齐。图1.1为2007年日本机器人顶级荣誉获得者—跟踪功能的食品、药品操作系统，它的每只手臂每分钟可以精确的捡起120件物品且可以每天24小时不间断的工作。瑞典ABB公司最新推出的“第二代”拾取机器人FlexPickerIRB360（图1.2所示拥有有效载荷更大、操作速度更快、占地面积更小等优势，在简单有效的2D视觉的帮助下，可以以高达2次/秒的速度快速捡取传送带上的物品。而芬兰图1.1Fanuc公司的超快双臂工业机器人系统图1.3生产线上的码垛和卸垛工业机器人提出一种基于视觉引导和超声测距的手眼机器人系统对运动目标的跟踪和抓取方法。北京航空航天大学孟偲等人提出一种基于手眼视觉的测量与定位方法，可以判断未知目标物体是否可抓持以及为进行抓持规划提供有效依据。在重复定位任务中，该方法可以先验信息快速定位，从而避免频繁移动手臂。东南大学席文明等人介绍了一种通过视觉引导的机器人跟踪复杂焊接的应用。利用双摄像机拍摄的图像求得焊缝上的空间点，然后根据焊接要求的速度对空间点进行直线插补。华中理工大学刘延林研究了在零件设计信息指导下，利用CCD摄像机获取的工件毛坯图像识别工件毛坯及其安装状态，但其实验系统识别精度不够高，实验方案在实际自动加工中也欠实用。华中科技大学王敏采合的方法，将二维图像信息与超声波传感器获取的深度信息进行融合推断，对待装配工件进行自动识别与空间定位，但采用梯度算子直接提取工件边缘。汕头大学的彭惠青等人利用分块二值化处理对图像进行边缘检测时，可获得较高质量图像，但需进行遍历式搜索，因此在线实时性不好。清华大学毛德柱等人利用遗传算法进行匹配获取工件位姿，但未给出该匹配算法的实际效果。这些新的理论和算法都为视觉系统在柔性制造系统中的应用打下了很好的尽管对三维计算机视觉技术的研究己有几十年的历史，人们确实已获得很大的进步。也的复杂性以及相关学科的滞后，工件的定位、识别算法，视觉控制算法都有待进一步研究，具体实现过程中仍存在视觉信息处理瓶颈、适用范围窄等实际问题。因此，研究机器视觉和会直接影响整个机器视觉系统的性能。因此还要去除噪声，经过前面的预处理之后，得到更好质量的图像。预处理之后就是对工件图像的边缘检测，提取工件的边缘特征。整个处理过程如图2.2所示。图2-2图像预处理和边缘特征提取过程框图CCD）的快速发展，图像获取设备的成本已显著降低。所以一幅图像在用计算机进行处理前必须先转化为数字形式。图像转化为数字形式的方法是将物理图像经过采样划分为称作图像像素的小区域。最常见的划分方案是方形采样网格，图素上的灰度值仍是一个连续量，必须进行量化。所谓量化就是将每个像素的亮暗程度用一个整数值来表示，即像素的灰度离散化。完成上述转化后，图像被表示为一个整数矩阵。每个后，才能产生一张数字化的图像。(0.2990.5870.114)|(R) （)()=|0.596（0.211度化是必须的。灰度化就是使彩色的R(0.2990.5870.114)|(R) （)()=|0.596（0.211彩色图像中的各种颜色都是有R、G、B三种基色构成。在数字化的图像中，若R、G、可称为灰度，即红色灰度、绿色灰度、蓝色灰度。（1）最大值法：使灰度图像中的灰度值Gray等于原真彩图中的RGB值中最大的一个即Gray=max(R，G，B)，最大值法会形成亮度很高的灰度图像。另外，还有一种变形，不一（2）平均值法：使灰度图象中的Gray值等于原真彩图中的RGB值的平均值即:Gray=(R+G+B)/3，平均值法会形成较柔和的灰度图像。空间表示。可以选择YIQ彩色空间，YIQ为美国电是灰度信息和彩色信息是分离的。其中Y表示亮度分量，描述灰度信息，I表示色调，Q表-0.274-0.322-0.5230.312)用一个像素的R、G、B计算出Y的值，用亮度Y来代表此像素的灰度信息，从而得到即将被处理的灰度级图像。最简单的灰度图像是0-1灰度图像，即：每一点的灰度值只有2级，0、1在视觉上就是黑和白，没有中间过渡颜色。现在普遍应用的灰度图像量化级别是灰度化前后的图像如下图2.3所示。灰度化前后的图像在图片中经常会出现对比度不够的情况，这可能是由于图片记录装置的动态范围大小所致，也可能是由于摄像过程中的原先曝光不足所造成的。显示、观察或进一步分析与处理。对比度增强是增强技术中比较简便但又十分重要的一种方法。这种处理只是逐点修改输入图像中的每一像素的灰度，图像中各像素的位置并不改变，是一种输入与输出像素间一对一的运算。对比度增强又叫点运算，一般用来扩大图像的灰度g(x,y)=T(f(x,y))。图像输出与输入灰度之间的映射关系完全由函数T确定。对比度增强常见有以下几种：（1）直接对每个像素进行操作。比较典型的是线性变换。（2）借助直方图进行变换。比较典型的是直方图均衡化。（3）借助对一系列图像间的操作进行变换。线性变换可使图像动态范围增大，图像对比度扩展，图像变清晰，特征明显，是图像增强的重要手段之一。令原图像f(x,y)的灰度范围为[a,b]，线性变换后图像的灰度范围为[a',b']，线性变换的原理示意图如图2.4所示，计算公式如式（2.1）所示。(|a'(G(x,y)=〈a'b'b''善图像视觉效果。图2.5为线性变换前后的图像对比。2.4线性变换前后的图像对比灰度直方图反映了数字图像中每一灰度级与其出现像素频率间的统计关系。它能描述该图像的概貌，例如图像的灰度范围、每个灰度级出现的频率、灰度级的分布、整幅直方图均衡化是通过对原图像进行某种变换，使原图像的灰度直方图修正为均匀布1然后统计原始图像各灰度级的像素数nk；利用式（2.2）计算原始图像的直方图后再用（2.3）式计算原始图像的累积直方图：P(sk)=nk/nk=0,1,……,L-1（2.2）直方图均衡化前后图像的对比如图2.5所示。2.5直方图均衡化前后图像的对比因素的影响而产生各种各样的噪声，此时就必须对图像进行平滑处理。图像中比较常见的噪声有椒盐噪声、高斯噪声等。图像平滑的目的是消除或尽量减少噪特征信息，或在下一步进行的图像处理过程中需要提取出的信息。因此，滤波处理目的是：该是既能消除图像中存在的噪声又不使图像的边缘轮廓和线条变模糊，这是图像平滑处理要追求的主要目的。图像平滑滤波的方法主要有空域法和频域法两大类。常用的平滑方法有低通滤波法、邻域平均法、中值滤波法等。线性平滑滤波器去除高斯噪声的效果很好，且在大权和来实现滤波。同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的。所谓均值滤波实际上就是用均值替代原图像中的各个像素值，是最简单的线性滤波器。邻域平均法是一种简单的空域处理方法，这种方法的基本思想是用几个像素的平均值g(x,y)=Σf(m,n)其中x,y=0,1,2,,N−1；S是(x,y)点邻域中点的坐标的集合，不包括(x,y)。点M是集合内坐标点的总数。这说明平滑化的图像g(x,y)中的每个像素的灰度值均由包含在(x,y)预定邻域的f(x,y)的几个像素的灰度值的平均值来决定。大尺度滤波器也会导致图像细节的损失。中值滤波是一种非线性滤波技术，由于实际计算过程中并不需要图像的统计特性，所以像素数很少，而图像则是由像素数较多、面积较大的小块构成。在一定条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像的扫描噪声最为有效。但是对一些细节多，特别是点、线和尖顶多的图像素灰度值，用窗口内各像素灰度值的中值代替。例如若窗口长度为5，窗口中像素的灰度第三位的值是110，于是原来窗口正中的灰度值200就由110代替。如果200是一个噪声的尖峰，则将被滤除。设有一个一维序列f1、f2…..fn,取窗口长度为奇数m,对此序列进行中值滤波,就是从输入序列中相继抽出m个数,fi-v…fi…fi+v,其中f为窗口的中心值,v=(m-1)/2,再将这m个点的数值按其数值大小排列，取其序号为正中间的那个数作为滤波输出。中值滤波的表达式为：对数字图像进行中值滤波，实质上对二维序列{XIJ}的中值滤波，滤波窗口也是二维的，但这种二维窗口可以有各种各样的形状，如线状、方形、圆形、十字形和圆环形等。形窗口为宜；对于包含尖顶角的图像，适宜用十字形窗口。了边界不变，但是模板尺寸不宜取得过大。一般3×3模板中值滤波效果要比5×5模板中C.高斯滤波高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对去除服从正态分布的噪声是很有效的。对图像处理来说，常用二维高斯函数做平滑滤波器。这种函数的表达式为：成图像特征的过分模糊，一般取σ=1～10高斯滤波器具有很多良好性质，如旋转对称性，高斯函数是单值函数，高斯函数的傅立叶变换频谱是单瓣，高斯滤波器的宽度有参数σ表征，高斯函数具有可分离性。高斯滤波器的设计一般是直接从离散高斯分布中计算模板权值，把二维高斯函数变形选择合适的分布参数σ,就可以在选定的窗口上评价该值，以便获取模板。高斯卷积模糊程度越大。边缘检测是图像分割、目标区域分割、区域形状提取等图像分析领域十分重要的基础，也是图像识别中提取图像特征的一个重要属性。在进行图像理解和分析时，边缘检测往往是非常重要的一步，目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。边缘是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分。关，梯度是函数变化的一种度量，而一幅图像可以看作是图像强度连续函数的取样点阵列。（1）滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能；（2）增强：增强边缘的基础是确定图像各点邻域强度的变化值；（3）检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是梯度幅值阈值判决；（4）定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。算子、Canny算子等，这些算子各有优缺点。下面就几种经典边缘检测算法作一介绍。Roberts交叉算子是一种利用局部差分算子寻找边缘的算子，它对具有陡峭的低噪声的图像边缘检测效果较好。Roberts交叉算子为梯度幅值计算提供了一种简单的近似方法：Gx=(Gx=(1)Gy=(1)梯度的近似值，而不是所预期点(i,j)处的近似值。Sobel算子对灰度渐变和噪声较多的图像处理得较好。其原理是对数字图像f(i,j)的每个像素，考察它上、下、左、右八邻点灰度的加权差，其中可设置四个四邻域点的权最大。我们也可以用如下的卷积核，将图像中的每个像素都用它们来进行卷积，一个是水平边(0|(0|1X1)(10201)(1020||22=Sobel算子通常用于水平和垂直边缘的一个简单检测子，如果h1的响应是y，h2的响应边缘算子一样，图像中的每个点都用这两个模板进行卷积。需要注意的是，与Sobel边缘1)0-1)00011)0-1)00010||0YX-1（-1在介绍Log算子之前，先介绍拉普拉斯算子。在二维图像中，拉普拉斯（Laplacian）算子是常用的二阶微分边缘检测算子。对于一个连续函数f(x,y)，它在位置(x,y)的拉普它是以点[i,j]为中心的二阶偏导数的近似式。心像素的系数应是负的，而对应中心像素邻近像素的系数应是正的，且它们的和应该为1-1-410)10)Y4-2041)1)1)1)边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用。Log算子是在拉普拉斯算子的基础上实现的，它是先用高斯低通滤波器将图像进行预先轮廓，消除所有内部点。Canny算子是由高斯函数的一阶导数构成的，是对信噪比与定位之乘积的最优化逼近算子。常用作边缘检测算子。Canny算子基本上满足一般的边缘检测过程的四个步骤，其算法实现过程如下：（1）用高斯平滑器平滑图像；（2）对平滑后的图像使用一阶导数算子检测图像的梯度幅值和方向；（4）用双阈值算法检测和连接边缘。I[i,j]表示图像，首先对图像进行高斯滤波，如式：幅值图像阵列M[i,j]的值越大，其对应的图像梯度值也越大，这还不足以确定物体的边缘。为确定边缘，必须细化幅值图像中的屋脊带，即只保留图像中的幅值变化最大的点。也就是进行非极大值抑制。通过抑制梯度线上所有非屋脊值的幅值来细化M[i,j]中的梯度幅值屋脊。这一过程可以把M[i, j]可能在轮廓上有间断。双阈值算法要在T2[i,j]中把边缘连接成轮廓，当达到轮廓的端点时，除了噪声点和伪边缘点外，基本上组成一个一个的目标区域。这些区域如果仅从视觉效果上解决的问题。图像识别就是从图像中找出与已知模式相似的目标图像，即识别出物体并确定出它在整幅图像中的位置和方向，是计算机视觉系统中的关键和难点。检测器和匹配、分类组成。第一部分是图像信息的获取。它相当于对被研究对象的调查和了解，从中得到数据和材提取。它的作用在于把调查了解到的数据材料进行加工、整理、分析、归纳抽出能反映事物进行分类和辨识，得到识别结果。图像识别的方法很多，大体上可以归纳为：统计图像识别、结构图像识别、模糊集图像踪、遥感图像识别、机器人视觉等领域都已得到了应用。根据所使用的匹配特征可以大致分为两类：要缺陷是计算量大、抗噪声与抗干扰的能力比较差、只能适用于两幅图像具有相同的外界条件的情况下作精细的匹配。2.使用图像的特征进行匹配。这种匹配算法必须对原始图像进行一定的预处理来提取骨架线条、角点等物体的形状特征。该算法使需要进行相关计算的像素点数目有了明显的减少，而且特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。所以基于图像特征的匹配在实际中的应用越来越广泛。Hausdorff距离，又称最大最小距离（简称HD是描述两组点集之间相似程度的一种个点，而没有考虑到集合其他点的位置情况。Hausdorff距离只是测量一种相似程度，而非点对点的完全重合，在图像识别中有着广2基本形式的Hausdorff距离对于理想情况能很好的反映集合A和B之间的匹配程度，但实际中这种情况的出现是很低的。其所定义的距离依赖一个物体和另一个物体中最不匹配点的距离，这使得它对任何远离中心的噪声点非常敏感；或者识别物体本身只有部分可见，表性的是部分Hausdorff距离（PHD）和平均Hausdorff距离（部分Hausdorff距离是由Huttenlocher在1993年提出来的，用来比较有严重的遮掩或退化的图像中的部分图像，产生了较好的匹配结果。其有向距离定义为：在如下3个缺陷：3）若待匹配图像A中所含的目标物体出现遮挡现象时，则很难得到正确的匹配结果。平均Hausdorff距离（MHD）是有Dubuission和Jain于1994年提出来的，这种匹配方法在有零均值高斯噪声的图像中可以估计出最佳的匹配位置，而且不需要参数。其有向以及探测算子本身的影响，没有必要精确计算欧几里德距离值。在保证运算结果准确性的前距离变换在许多机器视觉应用中是非常重要的。它被应用在模式识别、形态学等方面。见的有街区距离变换、棋盘距离变换、切削距离变换、欧式距离变换。在机器视觉上的应用中的物体立体特征匹配和地图匹配）、机器人碰撞回避、路径发现和空间图像匹配。距离变换的相关性还被应用在加速图像物体的发现上，它将物体看作在任意位置和方向上的边缘模式。此外，距离变换辅助的自适应点匹配也被应用在地图匹配问题上。3.4.1遗传算法图像匹配原理遗传算法(Geneticalgorithm，简称GA)是一种求解问题的高效并行全局搜索算法，其借鉴了自然界的自然选择和自然遗传机制，能够快速到达最优解90％的搜索范围，从而得到运算变为随机生成数个点进行相似度运算，并通过GA的进化功能由适当的适应度函数指导其搜索过程向最优点进化，进而大大减少运算量，提高识别的快速性。遗传算法的基本原理是在自然选择和群体遗传学机理基础上通过随机选择、选代、进化等步骤来模拟自然进化过程以搜索全局最优解。遗传算法结合了达尔文适者生存和随机信息计算个体适应度、遗传算子（选择算子、交叉算子和变异算子）等步骤来实现。是对群体中的个体按优胜劣汰的方式选取，并遗传到下一代群体的运算操作。选择操作的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留用以繁殖后代。判断染色体同的问题，选择的方法可采用适应度比例选择法（也称轮盘赌方式）、最佳个体保存方法、算法有单点交叉、双点交叉与多点交叉、均匀交叉和算术交叉等。变异操作模拟自然界生物体进化中染色体上某位基因发生的突变现象，从而改变染色体为了保证个体变异后不会与父辈产生太大的差异，变异概率一般取值较小（一般取为0.0001~0.1之间）。常用的变异算子有基本变异算子、均匀变异算子、非均匀变异算子、正态变异算子和自适应变异算子等。遗传算法提供了求解复杂系统优化问题的通用框架，不依赖于问题的具体领域，对问题应用研究表明，目前一些常规遗传算法并不一定是针对某一问题的最佳求解方法，例如将常规的遗传算法应用到图像匹配中往往不能有预想的效果，而将遗传算法问题的特有知识集成到一起构成的混合遗传算法却有可能产生出求解性能极佳的方法。Hausdorff距离图像匹配的计算量是相当大的，而遗传算法的全局寻优特点，能使计算将遗传算法用于解决一个优化问题，通常需要解决以下几个问题：（1）构造合适的适应度函数，并用基因串把问题编码；（2）遗传算子设计以及确定控制遗传算子操作的概率。对于我们要识别的工件，所采集的实时工件图像与模板图像相比可能发生平移、旋转等（x,y）为模板在图像中移动时的中心位置参考点坐标,θ为匹配过程中模板的旋转因子的变与参考图像匹配。具体的过程是：通过对串的参数解码，获得坐标（x,y）及旋转因子θ之‘和y’表示图像中相应点的位置。从而得到经过旋转变换后的新模板，均Hausdorff距离，最后求出该串的适应度函数值。遗传算法的收敛理论说明了遗传算法以概率为1收敛的极限性成像摄像机的成像模型来决定的，而成像模型的各个参数要通过摄像机标定来确定。摄像机标定的概念首先来自于一门称为摄影测量学Photogrammetry的技术学科。在标部的成像参数称为摄像机的内参数，而摄像机在外部世界坐标系中的安装位置及其姿态参数称为摄像机的外参数，摄像机标定的目的就是要获取这些内外参数。系中的三维坐标计算出来。但是采用视觉方法获取的图像本身是在二维平面上的，要根据图像来认识目标，就需要从二维图像中恢复三维空间信息，这正是立体视觉需要解决的问题。像机安装在工作台上方或侧面，摄像机与物体的位置关系一定，而不随机器人的运动变化，标定方法简单，但需要使用两个摄像机来实现视差，设备成本高，目标定位精度与其视场的制。在这个过程中，包括了两个必要的标定过程：机械手手眼关系标定和摄像机标定。），其实时的位置和姿态数据只能通过从机械手控制器读取机械手手臂末端关节位移值来间接摄像机标定要解决的问题是场景中工件上某一点在摄像机坐标系中三维坐标与该点在图像平面上的对应点之间的对应关系。这不仅需要建立摄像机成像几何模型，同时还要精确像机标定包括内部参数的标定和外部参数的标定。内部参数的标定是指标定摄像机内部几何外部参数的标定是指确定摄像机坐标系相对于某一固定坐标系（即世界坐标系）的位置和姿态。摄像机内部参数的标定的复杂程度取决于摄像机模型的建立，摄像机建模是对摄像机光学特性的近似，模型应能精确地反映摄像机光学特性的本质。一般来说，模型中参数越多，摄像机越能真实地反映摄像机的光学特性，但同时也造成需要标定的摄像机参数也越多，无疑增加了标定过程的复杂性。当计算机视觉应用于机械手时，一般情况下是将摄像机安装在机械手的手臂末端。在传统的方法中不管采用哪种视觉系统都要对摄像机进行内外参数的标定。由于摄像机系统具有显著的非线性特性，因此需要获得精确的目标位置数据，就需要大量的标定计算，这依赖于摄像机模型是否取得准确。随着环境因素的变化，如温度，为保证测量精度，相机标定需要反复进行。许多学者在视觉系统标定方面做出了努力并取得了一定的成果，但都是根据运行环境的不同应将机器视觉系统分为不同的结构组成，其可分为基于PLC效果。基于PC的系统其适用于各种复杂动作的环境，可以完成装配、定位、校准、识别等动作。利用了其开放性、高度的编程灵活性和良好的Windows界面集成，因此，为了实现自动化的目的，机器视觉系统正在广泛地用于工况环境监查、成品缺陷有无和质量检测等领域。为了满足自动化生产要求，需要设计一套程序界面来完成工件的在线识别定位。基本原理是对生产线上的工件进行特征提取，利用分类器对工件进行识别，再利用坐标变换得到工具备两大处理单元：即图像处理模块和控制执行模块。(1)图像处理模块：是指通过工业摄像机对目标图像进行采集，然后由经图像预处理单发送指令信号给执行单元来完成最终的工作要求。(2)控制执行模块：其一般是指将中间单元得到的信号转换为动作信号来控制执行机构关节使之进行动作。若通过PLC程序控制，就是通过低压电器来控制步进电机来完成相应系统总体结构采用“PC机+图像处理模块+控制执行模块”的结构方案，这一系统的关程序控制的重任，因此，PC机成为组建稳健的工作平台的核心组件，因此在PC机中安装相关的处理软件以及良好的程序开发软件和主机中的图像采集卡都是决定系统运行条件的重要因素。机器视觉的现场总线控制方案如图5.1所示。此系统包括了图像采集模块、图像处理模块、控制执行模块。理想的硬件是机器视觉系统的基础，检测系统的基本组成如图5.2所示。一般来说，图像传感器来完成目标物体拍摄的触发；图像采集卡是对传感器送达的信号进行对拍摄的图像的储存工作。然后计算机处理软件对得到的图片进行图像处理，这一步骤在主运算中完成，行系统无不起着关键的作用，所以各个系统的优劣直接影响实验结果的优劣。5.2视觉系统的信号基本流程框图（1）系统组成：系统的主要任务是利用机器视觉技术对当前时刻所拍摄的工件（如齿图像采集装置4、图像处理及分析软件7、控制子系统5、执行机构子系统6等组成。整个图5.3机器视觉系统整体框架组成图（2）工作原理：其原理是送料装置应该与传送装置应协调动作，工件被不规则的放在像机对LED灯下方的工件进行拍照，并然后将采集到的图像经采样、量化后传送给计算机的图像分析软件进行处理和判断，将得出的结果反馈给机械手执行机构进行抓取和剔除。以CCD或者CMOS传感器构成的摄像机在使用过程中还涉及诸多工作参数。包括其灵敏度、解析度、分辨率以及数据处理方式等。CCD传感器的数据传输是顺序的转移到寄