多规格板件分拣机器人工作站视觉系统设计

本科毕业论文（设计）论文题目：多规格板件分拣机器人工作站视觉系统设计姓 名：学 号：班 级：年 级：专 业：学 院：指导教师：完成时间：本科毕业论文（设计）专用本科毕业论文（设计）专用摘 要作站，以便于提高效率，减少人工，并可以在恶劣环境中工作。选型，下一步是用halcon以及C#语言对视觉软件程序的编写，包括实现对图像的处理以PLC来让视觉系统和工作站进行通讯，确定通讯方式为串口通信，并且完成通讯的程序编写。最后是对300块板件进行工作站视觉系统的识别测试，经过测试识别率达到95%以上，符合设计需求。该工作站视觉系统对安装板A、wcgxy.5-2安装版B、wcgxy.5-2安装板C具有十分实用的价值。关键词：机器视觉；板件分类；图像处理·AbstractRobotvisionapplicationshaveplayedanincreasinglyimportantroleinvariousfieldsandhavebecomeadevelopmenttrend.Multi-specificationplatesarethemostcommonlyusedandcommonbasicworkpieces,ifyourelyonmanpowertosortvariousplatesistime-consumingandlaborious,andthereareshortcomingssuchaslowartificialfatigue,andeasytoproduceerrors.Therefore,itisnecessarytodesignaworkstationthatcanautomaticallysortmulti-specificationplatestoimproveefficiency,reduceandworkinharshenvironments.Inthistheworkstationvisionsystemidentificationofthreespecificationsofplatesisproposed,andthefunctionalanalysisofmulti-specificationplatesortingrobotworkstationandvisionsystemisproposed,andtheoverallschemeoftheworkstationandtheoverallschemeofthevisionsystemaredetermined.Afterdeterminingthesolution,thehardwarerequiredforthevisionsystem:industrialcamera,industrialcameralens,industrialcameralightsourceandsensorselection,thenextstepistousehalconandC#languagetowritevisionsoftwareprograms,includingtheimplementationofimageprocessinganddisplay,cameracalibrationanddeeplearningandotherfunctions.Inordertomakethevisionsystemandworkstationrobotformanoverallsystem,itisnecessarytousePLCtoletthevisionsystemandworkstationcommunicate,determinethecommunicationmethodasserialcommunication,andcompletetheprogramwritingofcommunication.Finally,theidentificationtestoftheworkstationvisionsystemwascarriedouton300plates,andtherecognitionratereachedmorethan95%afterthetest,whichmetthedesignrequirements.Theworkstationvisionsystemvisuallyidentifieswcgxy.5-1mountingplateA,wcgxy.5-2mountingplateB,mountingplateCthreekindsofplates,comparedwithmanualsorting,greatlyimprovingandhighrecognitionfastspeedhasaverypracticalvalue.Keywords:Machinevision;platesorting;imageprocessing本科毕业论文（设计）专用本科毕业论文（设计）专用目 录TOC\o"1-2"\h\z\u1绪 论 11.1研究目的及意义 11.2国内外研究现状 21.3主要研究内容 32多规格版分拣工作站的视觉系统方案设计 42.1多规格版分拣工作站功能分析 42.2多规格版分拣工作站总方案 42.3视觉系统方案 53视觉系统的硬件选型 63.1视觉系统硬件方案 63.2工业相机选型 63.3工业相机镜头选型 83.4工业相机光源选型 103.5传感器的选型 133.6小结 134视觉系统的软件设计 154.1软件设计方案 154.2相机标定 154.3图像采集 194.4图像预处理 194.5特征匹配和图像识别 204.6识别结果显示 204.7深度学习 214.8小结 235视觉系统的通讯设置 245.1通讯协议选定 245.2相机与PLC的通讯 246系统测试 266.1测试对象与样本 266.2测试过程 266.3测试结果 387结语 39参考文献 40致 谢 41附 录 42PAGEPAGE11绪 论1.1研究目的及意义近些年来随着科技水平的不断提高，我们正处于新型工业化的浪潮之中，而机器人工程作为新工业化最主要的趋势，机器人产业的需求也不断地扩大。在现代化技术不断地提高中，机器人技术也随之日益增长，由人组成地劳动力已逐步被自动化设备以及机器人所而机器人视觉系统作为构成机器人整体最主要的系统之一，其实用性和重要性不言而喻。近些年来依靠电子科技和信息技术的发展，视觉系统也证再高速发展[8]。在不少领域比如食品领域，已有高速机器人分拣系统视觉技术的研究，这些系统的研发提高了我国食品生产效率，保障了食品安全，降低了劳动强度[1]。机器人可以运用到机械零件分拣的过程中，可以利用机器人智能化的特点来代替人工操作[4]。多规格板件是最常见和最常用的加过零件或装配零件，现如今对于多规格板件的分拣大多数还是处于人工分拣的阶段，单纯依靠人工分拣不仅仅导致了工作效率低的问题更关键的是依靠人工分拣，难免会因疲劳，工人分神等各种原因导致工作精度不高，较易产生失误的问题。而且，现在的自动化技术少有自主识别的功能。因此我针对这一现象，展开多规格板件分拣机器人工作站视觉系统设计课题的研究，依靠机器人视觉来识别多规格板件，并用机器人工作站来进行多规格板件的分拣工作。机器人视觉系统对不同形状的板件一一识别，并通过机器人通讯将识别结果反馈给机器人，最后机器人通过末端操作器将已识别的板件进行分拣工作，把不同规格的板件放入相应的采集框中。通过多规格板件分拣机器人工作站视觉系统设计来达成使用机器人工作站代替人工分拣多规格板件，并且提高分拣多规格板件的准确性和高效率的目的，进一步提高生产能力。可以参照杨红军等人提出的利用机器视觉和气动机器人的自动化分拣解决方案,并从软件和硬件两方面进行了详细的设计[7]。了现代工业化进程。1.2国内外研究现状从全球市场角度来看，物联网的飞速发展，边缘算法的逐步完善，机器视觉行业已经走向成熟，越来越多地在工业领域得到发展[15]。这些年以来，视觉市场的专利虽然在除中国以外的国家中逐渐降低，但是欧美的视觉技术还是名列前茅，特别是以美国，欧洲和日本等发达城市为主，这些国家的机器人视觉技术和市场还是占据绝大部分。在现在这几年，视觉领域相关的技术已经初步完善，包括像传感器和处理器技术，图像处理技术以及光学成像等技术的快速发展以及和机器人视觉技术的融合，机器视觉在我们的生活中以及变得越来越常见，我们在机器视觉领域也运用得越来越广泛和熟练，可以说机器视觉在生产过程中扮演着重要得角色。包括在最主要的工业生产领域，到服务行业比如物流搬运，酒店人脸识别以及超市入口测量体温等方面，再到金融领域，交通中的机器视觉，甚至是国家安防领域，机器视觉发挥着越来越稳定，有效，重要的作用，机器视觉现如今正在促进制造业，服务业在内的许多行业进行快速地转型。在世界范围内的“工业4.0”和自动化生产需求的趋势下，机器视觉因具备着精度高，效率高以及稳定性好的众多优点，机器视觉正成为我国研究的重点领域和应用方向。光学镜头是作为机器视觉最重要以及必需的组成部分之一，根据数据统计，伴随着这些年以来机器视觉的市场在全世界范围内规模的扩张，关于应用在工业机器人视觉以及自动化领域的光学镜头正在稳步发展中，光学镜头在2017年的市场规模已经达到了14亿美元，并且根据相关预测，光学镜头的市场规模将会增长到28亿美元，并且复合增长率将会达到12%。虽然我国的机器视觉行业起步落后于欧洲，美国，日本等发达国家，并且我国机器视觉起初还是依靠国外品牌的代理，而且集中程度也不高。但是在现在这几年，我国已经陆续出现很多的经销商，并且已经开始自己研发机器视觉相关的产品，虽然我国已经开始追赶国外机器视觉领域的脚步，但是在机器视觉领域的行业分布还有销售渠道和方式，以及具有高度成熟化的自动化产品等这些方面还是有着不小的距离。我国现m如今的自动化设备产品的成熟度还不是很高，而且所包含的技术还不成熟，技术含量不高，最重要的一点，我国的机器视觉的市场还远远达不到饱和的状态。所以我国的机器视觉还存在着较大的潜力。我们可以将机器视觉的企业分为层开发厂商，二次开发厂商和产品代理商。其中在我国的机器视觉企业中，机器视觉的系统二次开发厂商和国外机器数额企业的产品代理商这两种企业占据了大部分。根据统计，国外的机器视觉企业品牌在我国已达到100多家，而在我国负责代理销售这些品牌的企业已达到200多家，并且负责专业的系统集成商也已经超过了50家。但是，在我国负责真正机器视觉的底层厂商数量少之又少，可以说是凤毛麟角，所以说我国本土关于生产机器视觉系统的元器件的厂商以及设计机器视觉系统厂商严重缺失。为了迅速拓展机器视觉领域的市场以及增强我国企业在这个领域的积极性，国家发布了许多优惠政策，据统计自2016年以来我国的年专利申请量已经超过了1000项，所以说在技术研发的层面，我国的专利申请量已经远远高于国本科毕业论文（设计）专用本科毕业论文（设计）专用外的数量，但是国外在这些专利的操作上以及如何去将这些专利应用在各个其他方面的领域上，这个方面上我国还是没赶上国外的质量。但是换过来说，我国在本土品牌的创建上正在飞速发展，现如今本土品牌的数量正在逐步逼近外资品牌的数量，不足的是，我国本土品牌的质量和在国际上的影响力方面，相比于国外知名品牌还存在着不小的差距，所以说我国的本土品牌或者民族品牌想要成为世界知名品牌，所要经历的道路还比较长，我们需要加速这一进程。现如今我国需要降低人工成本和提高生产的效率，我国这一方面的需求及其庞大，况且我国正在由劳动密集型向技术密集型进行转型，所以我国在机器视觉领域存在着巨大的潜力，将成为在世界范围内机器视觉发展技术最活跃的地区之一。我国的珠三角和长江三角洲一带地区，是全球知名的电子和半导体技术的转移地，因此具备成为机器视觉发展地的良好条件，这两个地区中的机器视觉发展也是突飞猛进。同时这两个地区吸引着世界各地优秀的机器视觉系统和技术，不断引进这些优秀企业和技术，我国的机器视觉企业和技术将在各个优秀企业的良性竞争中不断得到滋补，不断茁壮成长，出于我国政府的支持，各大高校和研究院也不断在机器视觉中投入研究，我国机器视觉的前景十分光明，伴随着机器视觉在各个领域的应用，机器视觉将会在不同的领域造福社会和人们。1.3主要研究内容本文是研究多规格板件分拣机器人工作站视觉系统设计，为了实现对三种规格的板件进行快速识别，并通过通讯系统链接工作站中的工业机器人，完成对三种规格板件的分拣，课题主要研究内容如下。（1）完成多规格板件分拣机器人工作站视觉系统方案设计；（2）完成机器人视觉的硬件（工业相机，工业相机镜头，光源，传感器）的选型和软件系统编程设计；（3）完成相机通讯系统设置设计；（4）完成视觉与工作站工业机器人通讯设置设计；（5）进行工作站测试。本科毕业论文（设计）专用本科毕业论文（设计）专用2多规格版分拣工作站的视觉系统方案设计2.1多规格版分拣工作站功能分析集箱中。板件的类型有：wcgxy.5-1安装板A、wcgxy.5-2安装版B、wcgxy.5-2安装板C。2.2多规格版分拣工作站总方案分装三种板件。具体方案如图2.1所示。传送带传送板件传送带传送板件触发工业相机摄像触发工业相机摄像视觉系统工作站控制系统视觉系统工作站控制系统光电传感器显示屏机器人夹爪夹取满载提示图2.1多规格版分拣工作站总方案2.3视觉系统方案视觉系统是整个工作站最重要的组成部分之一，要实现对三种板材的识别，对工业相机所拍摄的图像进行采集和处理等操作。多规格版分拣工作站视觉系统方案如图2.2所示。图2.2多规格版分拣工作站视觉系统方案3视觉系统的硬件选型进行设计。3.1视觉系统硬件方案的工业接口，有较高的容错率和安全性，能够在复杂的环境下工作[2]。上述便是视觉系统的硬件方案工作流程，下面对所用到的相关装置进行选型选择和安装设计。3.2工业相机选型工业相机运行的工作方式其实就是通过CMOS或CCD这两种成像传感器实现光信号检测速度保持同步，相机拍照需要精确且能够抓拍到移速较高的板件[9]。距平面的物体，实时处理一幅图像进行位置和形态的分析[6]。现在市面上的工业相机有以下几类：PAGEPAGE10可以检测不同零件或相似形状零件的尺寸上。第二，线阵相机不同之处就是线阵相机需要用到线阵图像传感器来检测所拍摄的物品，因此线阵相机在另外一些领域发挥着重要的作塑料制品，尼龙纤维制品等不同的材质组成物品的表面是否存在着缺陷。（2）按照芯片类型不同可以分为CCD相机和CMOS相机：CCD工业相机具有体积小重量轻、低功耗、响应速度快、像素集成度高等优势，CMOS工业相机具有高速成像、高帧率、高性价比等优势。关，彩色工业相机效果更佳。本工作站需要识别的是尺寸固定的三种规格的板件，所以选用面阵相机比较合适。并不多，图像处理区域一秒可处理256MB大小数据，因此剩余空间可用两个高速输出通道传输数据，以达到实时识别的效果，通过IO模块向PLC控制柜传输数据信息。工作站比较大，同时需要网络通讯来传输数据，因此相机需要有相对应的网络接口。综上所述，本工作站的工业相机选用ME2L-161-61U3M水星二代Lite16万像素黑白工业相机。水星二代Lite(ME2L-U3)系列数字相机是大恒图像自主研发的面阵工业数字相机，29mm(W)×29mm(H)×28.1mm(L)，对于相机成本和尺寸有严苛要求的用户将会是一个不错的选择。ME2L-161-61U3M采用全局曝光的SonyIMX296CMOS感光芯片，该款相机用于传输数据的数据线类型属于是USB3.0的接口，这款接口在市面上比较常见，更方便于更换，而且该款工业相机同时也配备了接口的松动，该款相机还具备了数据线缆的固定锁紧设计，这一设计更加有利于这款工业相机在不友好的工业环境中正常，高效稳定地工作，所以这款相机无论是在性能上还是设计上都是优秀的一款工业相机，同时这款相机的体积小，便于携带的同时也便于安装，使相机还有一个优点就是使用该款相机时，这款相机工作所产生的噪声小，使得相机能在一ME2L-161-61U3M有较高的清晰度，这对于选择工业相机来说是一个十分重要的指标。结合这些优点来说，ME2L-161-61U3M这款相机时我们工作站的首选，这款相机超高的性价比和十分可靠的性能，都十分有利于我们的视觉系统。其参数如表3.1所示。本科毕业论文（设计）专用本科毕业论文（设计）专用表3.1ME2L-161-61U3M工业相机技术参数分辨率1440*1080帧率（fps）61.2传感器厂商Sony传感器1/2.9IMX296GlobalshutterCMOS像元尺寸3.45um像素深度8bit,10bit数据接口USB3镜头接口C,CS光谱黑白图像数据格式Mono8,Mono10信噪比40.6Db供电要求5VDC额定功率<2.7W@5VDC工作温度0℃-+5℃存储温度-20℃-+70℃工作湿度10%-80%机械尺寸（W*H*L）29mm*29mm*28.1mm(不含C接口长度)重量47g认证及标准CE,RoHS,USB3Vision,GenlCam3.3工业相机镜头选型膜的材料具备的吸收特性。相机镜头还有以下四个因素的影响。（1）焦距和景深，畸变和渐晕现象都具有很大的联系，就景深来说，焦距和景深是成反比关系，同时焦距和畸变也是呈现反比的关系。而如果焦距越小，那么渐晕现象也就会越严重，渐晕现象越严重也会导致像差边缘照度降低。（2）第二就是和光圈大小有影响，光圈大小和图像亮度则呈正比关系，与景深呈现反比关系，最后如果光圈越大，那么图像的分辨率也是越高。（3）第三与像场中央与边缘也有影响，一般像场中心较边缘分辨率高一般像场中心较边缘光场照度高。（4）光波长度的影响。本科毕业论文（设计）专用本科毕业论文（设计）专用光圈F值一般有：2.8、4、5.6、8、11、16、25、50这几个等级，F值和景深关系如图3.1所示。图3.1F值与景深关系图通过相机的尺寸也就是CCD的计算过程如图3.2所示。图3.2焦距计算公式视野角计算原理如图3.3所示。图3.3视野角计算原理图工作距离：视野角=焦距：CDD尺寸本工作站选用的镜头是大恒图像P50286MC1/1.8型号工业镜头如图3.4所示。图3.4大恒图像HN-P-6M系列镜头的HN-P-5028-6M-C1/1.8型号工业镜头大恒图像HN-P-5028-6M-C1/1.8型号工业镜头的技术参数如表3.2所示。表3.2N-P-5028-6M-C1/1.8型号工业镜头的技术参数型号HN-P-5028-6M-C1/1.8品牌大恒图像调焦类型固定焦距分辨率6M焦距50Sehsor尺寸（inch）1/1.8视场角（H*V）7.84*5.24光圈范围F2.8-F16畸变（%）±0.1镜头接口C螺纹尺寸M30.5*0.5最小工作距离（mm）500工作距离（mm）250-∞机械尺寸（D*H）(mm)Φ37*51.7重量104.5g3.4工业相机光源选型光源的作用有以下几点：（1）照亮目标，提高目标亮度；（2）形成最有利于图像处理的成像效果；（3）为了保证图像具有较高的稳定性，不被自然光以及周围环境中的光源所干扰；（4）用作测量的工具或参照。光直接照射在物件表面的光源称之为点光源。四种光源安装方式如图3.5，图3.6，图3.7和图3.8所示。图3.5前光源图3.6背光源图3.7环形光源本科毕业论文（设计）专用本科毕业论文（设计）专用图3.8点光源市面上常见和最常用的光源有以下五种：电致发光管，光纤卤素灯，高频荧光灯，氙灯，LED灯，这几种光源的特性比较如表3.3所示。表3.3光源的特性比较表光源颜色寿命/h发光亮度特点卤素灯白色，偏黄5000~7000很亮发热多，较便宜荧光灯白色，偏绿5000~7000亮较便宜LED灯红、黄、绿、白蓝6000~10000较亮固体，能做出很多形状氙灯白色，偏蓝3000~7000亮热多，持续光电致发光管由发光频率决定5000~7000较亮发热少，较便宜光源会因角度产生较大阴影区域从而产生较大误差，而且LED灯安全性高，作为低温光LED灯LED的成功率。FH-RI15045LED环形光源如图3.9所示。本科毕业论文（设计）专用本科毕业论文（设计）专用3.5传感器的选型

图3.9FH-RI15045LED环形光源来检测被测板件，因此本工作站选择光电传感器。M18漫反射式光电传感器如图3.10所示。3.6小结

图3.10M18漫反射式光电传感器业相机镜头，工业相机光源，传感器这些硬件的选型。我们的工业相机选择ME2L-161-61U3M水星二代Lite16万像素黑白工业相机，工业相机镜头选择大恒图像HN-P-6M系列镜头的HN-P-5028-6M-C1/1.8LED选择了漫反射式光电传感器。这些硬件均可满足工作站视觉系统工作的需求。4视觉系统的软件设计4.1软件设计方案本工作站视觉系统通过halcon软件编写程序，对三种规格的板件的图像进行采集和预处理，并对图像进行识别并将结果显示。具体流程是先进行相机标定，完成相机标定之后相机对待采集的板件进行拍照采集图像，当采集的图像质量符合图像识别标准时，用halcon软件将图像进行灰度化等预处理，完成图像预处理后，视觉系统进行深度学习，并建立特征库，最后通过建立的特征库与待检测的板件进行特征匹配，从而完成视觉系统对于待测板件的识别并将结果显示在显示屏上。4.2相机标定相机标定是不可缺少的环节，相机的标定是为了防止图片产生形变，而图片的形变产除此之外，相机的标定可以通过算法进行数学变换，可以通过数学变换来对一个三维坐标点与与它对应的二维图像的坐标点进行转换，通过这一操作可以得出相机的内外参数。同之间的关系，为工业机器人准确、高效、稳定抓取工件提供了理论依据[11]。偿，之后再把板件旋转中心的坐标发送给再将二次补偿的值反馈给电机，通过板件平移的长度和旋转的角度进行位置标定。我们需要得到对处理图像最适合的图像位置，所以我们需要对偏移值进行计算，经过计算之后，会反馈给我们一个对图像处理的最好位置以及一个最合适的偏转角度值，我们还可以运用这种方式来计算得出图像中的像素相对应的位置和距离，通过得出的这些距离值来将需要处理的图像区域更加准确的上传到我们的PLC确。最后我们还可以通过对偏移量的计算，从而算出我们的工业相机所在空间区域的坐标这样可以令图像识别更加清晰准确。的工业相机放在一个固定的位置上，然后提前确定三维坐标XYZ的值之后通过对黑白棋用标定板标定实现代码如下。#对于在棋盘格之中的角点的定位criteria=(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,30,0.001)w=9h=6#世界坐标系中的棋盘格点,例如(0,0,0),(1,0,0),(2,0,0),(8,5,0)，去掉Z坐标，记为二维矩阵objp=np.zeros((w*h,3),np.float32)objp[:,:2]=np.mgrid[0:w,0:h].T.reshape(-1,2)#储存棋盘格角点的世界坐标和图像坐标对objpoints=[]#在世界坐标系中的三维点imgpoints=[]#在图像平面的二维点我们还需要把已经标定过的三维点和与之相互对应的处理过的图像的二维点进行比对。相机标定将对应的相机标定进行对棋盘格进行设存储并在图像上显示出来。代码如下：images=glob.glob('calib/*.png')forfnameinimages:img=cv2.imread(fname)gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#找到棋盘格角点et,corners=cv2.findChessboardCorners(gray,#如果找到足够点对，将其存储起来进行相机的标定。现在我们来看如何来实现相机的九眼标定。寸直径为3cm的圆，如图4.1九眼标定九点图所示。图4.1九眼标定法标定板的图片第二个步骤，就是我们需要把这张标定板放置在我们的工业相机的正下方，并且标定板需要处于水平位置，然后我们需要按照Z字形的顺序来记录这九个点的中心坐标是多少。第三个步骤是我们需要控制我们的工业机器人，并且将工业机器人的末端操作器，在我们实验室使用的末端操作器是一支笔，我们用笔尖来按顺序靠近九个圆的中心点，用笔尖可以更加精确地得到圆心的坐标，然后我们记录用机器人记录的九组坐标数据。第四个步骤就是我们需要用到Halcon软件的算子，这一步骤需要在Halcon软件上编程，并且运用之前所记录的数据。我们在所拍摄的照片上的数据所需的程序代码如下。我们用机器人所采集的九组数据坐标的程序代码如下。robot_x:=[]robot_y:=[]完成这一步之后，我们需要将我们所拍摄的图片记录的数据和机器人所记录的九组数据坐标相结合，程序代码如下。vector_to_hom_mat2d(image_x,image_y,robot_x,robot_y,HomMat2D)然后我们需要贮存一个矩阵的数据，储存矩阵的代码是write_tuple(HomMat2D,'路径')，值得注意的是我们需要命名的后缀是.tup这个形式。这里我们已经标定完成了，接下来我们就需要用相机拍一个特征点，并且求出这个点的像素位置。img_x:=img_y:=read_tuple(‘路径’,HomMat2D)affine_trans_point_2d(HomMat2D,img_x,img_y,Qx,Qy)这一步我们就可以把所得的像素坐标重合为机器人坐标。接下来我们就要写出完整的九眼标定法的代码，代码如下。read_image(Image,'D:/hellowprld/视觉标定板图/9points.jpg')dev_close_window()dev_open_window_fit_image(Image,0,0,-1,-1,WindowHandle)dev_display(Image)binary_threshold(Image,Region,'max_separability','dark',UsedThreshold)connection(Region,ConnectedRegions)*筛选出来九个点select_shape(ConnectedRegions,SelectedRegions,'area','and',1000,2000)shape_trans(SelectedRegions,RegionTrans,'outer_circle')*求出九点坐标area_center(RegionTrans,Area,Row,Column)disp_message(WindowHandle,'R:'+Row+'C:'+Column,'Image',Row,Column,'black','true')*把求得的Row和Column赋值*九点标定行PxRow:=Row*九点标定列PxColunm:=Column*九点标定行*PxRow:=[23.5,23.5,23.5,71.5,71.5,71.5,118.5,118.5,118.5]*九点标定列*PxColunm:=[28.5,75.5,122.5,28.5,75.5,122.5,28.5,75.5,122.5]*机器坐标行Qx:=[100,50,0,100,50,0,100,50,0]*机器坐标列Qy:=[0,0,0,50,50,50,100,100,100]*拿到机器坐标和像素坐标求出关系矩阵*标定行标定列机器X机器Y得到矩阵vector_to_hom_mat2d(PxRow,PxColunm,Qx,Qy,HomMat2D)*保存矩阵write_tuple(HomMat2D,'九点标定.tup')本科毕业论文（设计）专用本科毕业论文（设计）专用PAGEPAGE19*读取矩阵read_tuple('九点标定.tup',HomMat2D)*利用求出来的物体行列坐标得到机器坐标affine_trans_point_2d(HomMat2D,Row,Column,Qx1,Qy1)4.3图像采集FOV中全图像，只留取我们所需的三种板件的完整图像。觉识别将会面临较大的困难，并且识别的准确性将大打折扣，达不到预期的标准。4.4图像预处理理操作。图像预处理一般由三个步骤组成：图像灰度化，图像几何变化，图像增强。图像灰度化：灰度值是在工业相机中的模拟视频部分用信号/噪音比SNR采集卡的A/D转换之后的数字视频量是用比特（bits）位数表示的。在现实世界中一幅图可能地反映出这种灰度的巨大变化范围。对采集的图像进行灰度值转换的操作，将RGB出板件的形状和尺寸。童胜杰,江明,焦传佳等通过实验结果表明,通过改进的算法在去除工件表面划痕方面效果明显,并与传统微分算子比较,边缘清晰度、峰值信噪比(PSNR)都有大幅提高,为提高工件识别精度打好基础[3]。几何变换是指借助对图像进行镜像操作，平移操作，旋转操作，放大或缩小操作，转置操作等一些对图像几何方向上的转换来减小乃至减除因为采集时系统存在的误差，比如我们置放板件时位置的不同而产生的误差，还有工业相机仪器所产生的微笑误差，比如相我们除了通过几何变换来减少误差，我们还要使用灰度插值法，这种方法精度更加高，因为灰度插值法可以将相机输出的图像的像素映射到输入图像的非整数坐标上。我们还需要对图像进行增强操作，我们的目的就是为了提高图像可采集的信息，放大本科毕业论文（设计）专用本科毕业论文（设计）专用PAGEPAGE20提高影像的判读和识别能力，以达到一定的分析需求。4.5特征匹配和图像识别我们完成了对我们所拍摄的图像的预处理之后，一般我们选择对预处理完的图像进行特征提取，特征提取是对我们拍摄的图像进行矢量分析，主要是借助于特征描述的方法来进行这一操作，而关于特征提取，就是把我们得到的图像进行一连串的编码，从而我们在输出端会得到关于我们的图像的一组数据。特征抽取是指由单一的点或多个点，通过低层在此基础上，提出了一种基于特征的特征提取方法。划分是根据以上所说的低层次特征，把点集成一小块或一小块的过程。相对于单个的分析和处理，划分过程对各个物体进行了进一步的的目标特性，从而实现对板件类型的预测[5]。4.6识别结果显示我们在halcon软件上完成了对板件进行识别操作的编程并且调试完之后，我们开始使用主要代码如下。namespace_1{publicpartialclassForm1:Form{CogToolBlockab=newCogToolBlock();publicForm1(){InitializeComponent();cogRecordDisplay1.AutoFit=true;LoadJob();}privatevoidLoadJob(){ab=(}privatevoidbutton1_Click(objectsender,EventArgse{label1.Text="";label2.Text="";label3.Text="";ab.Run();cogRecordDisplay1.AutoFit=true;cogRecordDisplay1.Record=ab.CreateLastRunRecord().SubRecords[0];intResults_Count=(int)ab.Outputs["Results_Count"].Value;intResults_Count1=(int)ab.Outputs["Results_Count1"].Value;intResults_Count2=(int)ab.Outputs["Results_Count2"].Value;if(Results_Count==1){label1.Text="wcgxy.5-1安装板A";}if(Results_Count1==1){label2.Text="wcgxy.5-2安装版B";}if(Results_Count2==1){label3.Text="wcgxy.5-2安装板C";}}}}4.7深度学习所要识别的板件。举个例子：对于wcgxy.5-1安装板A，工业相机依靠深度学习来分析板本科毕业论文（设计）专用本科毕业论文（设计）专用件的图片，并且提取wcgxy.5-1安装板A的数据，从而建立起wcgxy.5-1安装板A的数据库，根据这个数据库来对比其他物品的数据，若是数据相同则可以识别为wcgxy.5-1安装板A，若是不同则不识别为wcgxy.5-1安装板A。深度学习就是提供给神经网络很多很多wcgxy.5-1安装板Awcgxy.5-1安装板找相同提取相关的特征来进行识别。将每个分类的范例都存储于数据库，然后由演算法根据实例获得每个分类的可视化效果。这就需要收集和标记数百万个图片让机器学习模型更稳定，更有效地防止错误的发生。尽可能选取具有代表性的照片，够极大地增强识别的能力，能够在不同的光照条件下，不同的环境下进行多次的拍摄，或者是从网络中提取具有代表性的照片，从而大大地提高了识别的效率，具体操作如下。Input:采集训练集数据,建立一个Collectdate20张图片作为训练集。Learning:这个任务就是利用分类器在数据集中学习到不同类别的特征，可以将此步骤称为训练分类器或者学习模型,每种商品都会被贴上相应的类别标签label。Evaluation:通过要求分类器预测一组它以前从未见过的新图像的标签来评估分类器的质量。然后将这些图像的真实标签与分类器预测的标签进行比较深度学习主要代码如下。*读取训练好的模型read_dl_classifier(FileName,DLClassifierHandle)*限制每次识别图像为1个set_dl_classifier_param(DLClassifierHandle,'batch_size',1)*初始化网络环境set_dl_classifier_param(DLClassifierHandle,'runtime_init','immediately')*dev_resize_window_fit_size(0,0,WindowWidth,WindowHeight,-1,-1)set_display_font(WindowHandle,30,'mono','true','false')forIndex:=0to10by1ImageFile:=RawImageFiles[floor(rand(1)*|RawImageFiles|)]read_image(Image,ImageFile)*将图片缩放到网络model需求的大小zoom_image_size(Image,Image,DlImageWidth,DlImageHeight,'constant')*将图像的灰度缩放成网络model需求范围convert_image_type(Image,Image,'real')RescaleRange:=(DlRangeMax-DlRangeMin)/255.0scale_image(Image,Image,RescaleRange,DlRangeMin)count_channels(Image,Channel)*如果图片不是三通道图，就需要将图像合成三通道图if(Channel!=DlNumChannels)compose3(Image,Image,Image,Image)endif*使用已经训练好的深度学习网络识别一组图像apply_dl_classifier(Image,DLClassifierHandle,DLClassifierResultHandle)*获取识别结果get_dl_classifier_result(DLClassifierResultHandle,'all','predicted_classes',PredictedClass)*清除当前识别的句柄clear_dl_classifier_result(DLClassifierResultHandle)dev_display(Image):='Predictedclass:'+PredictedClassdev_disp_text'window','top','left','red','box','false')dev_disp_text('PressRun(F5)tocontinue','window','bottom','right','black',[],[])stop()endforclear_dl_classifier(DLClassifierHandle)4.8小结本章主要说明了软件设计的总方案，以及相机标定的原理和具体程序设计，图像采集的特点与要求，图像预处理的重要性和具体程序设计，特征匹配和图像识别的目的和呈现效果，最后还有halcon软件深度学习所需效果以及深度学习的程序设计。本科毕业论文（设计）专用本科毕业论文（设计）专用5视觉系统的通讯设置5.1通讯协议选定目前主流通信协议有：TCP/IP协议、ModBus通信协议、Rs-232通信协议、串口通信等。TCP/IP协议：不依赖于特定的网络传输硬件，TCP/IP协议能够集成各种不同网络。ModBus协议：应用层面广，数据传输量效率低。Rs-23215通信。远距离通讯的成本，唯一不足的是传输的速度比其他速度相对于低一些。此工作站通讯要求不高，因此我们选择串口通信。5.2相机与PLC的通讯PLC的通讯。具体程序如下。PROCmain()SocketClosesoket1;SocketCreatesocket1;SocketConnectsocket1,"",8000;SocketSendsocket1\Str:="通讯已就绪"；SocketReceivesocket1\Str:=string1;String1X:=StrPart(string1,1,4);OKX:=StrToVal(srting1X,reg1);string1y:=StrPart(string1,5,4);pPick10.trans.x:=reg1;pPick10.trans.y:=reg1;pPick10.trans.z:=+50;MoveL,pPick10,v100,z50,tool10;0.5;Resetsignaldo1;ENDPROC;Halcon通讯程序设计：read_image(Image,'picture')rgb1_to_gray(Image,GrayImage)threshold(GrayImage,Regions,0,10)connection(Regions,connectedRegions)fill_up(connectedRegions,RegionFillUp)select_shape（RegionFillUp,SelectedRegions,'area','and',87156,180714）count_obj(SelectedRegions,Number)sort_region(SelectedRegions,SortedRegions,'first_point','true','row')area_center(SelectedRegions,Area,Row,Column)Qx：=[60.02,126.12,190.80,56.61,121.29,1886.23,51.57,115.83,180.06]Qy：=[-854.84,-857.96,-864.03,-923.71,-928.23,-933.37,-995.29,-938.67,-1002.24]vector_to_hom_mat2d(Column,Row,Column,Row,HomMat2D)affine_trans_point_2d(HomMat2D,Column,Row,Qx1,Qy1)open_framegrabber('GenICamTL',0,0,0,0,0,0,'progressive',-1,…)grab_image_start(AcqHandle,-1)while(true)open_socket_connect('',8001,'protocol','TCP4',socket1)rgb1_to_gray(Image,GrayImage)threshould(GrayImage,Regions1,17.81)connection(Regions1,connectedRegion1)fill_up(connectedRegion1,RegionFillUp1)select_shape(RegionFillUp,selectedRegions1,'area','and',433433,778612)count_obj(SelectedRegion1,Number1)area_center(SelectedRegion1,Area1,Row1,Column1)affine_trans_point_2d(HomMat2D,Column1,Row1,Qx2,Qy2)tupce_string(Qx2,'0.1f',string)tupce_string(Qy2,'0.1f',string1)tuple_add(String,String1,Sum)send_data(Socket1,'z',Sum,[])endwhilePLC实现通讯功能，从而达到视觉系统与外部保持稳定通讯的目的。本科毕业论文（设计）专用本科毕业论文（设计）专用6系统测试将三种规格的板件进行视觉识别，并且展示视觉识别后的效果。6.1测试对象与样本wcgxy.5-1安装板安装版安装板C各100300块安装版。将这三十块板件分批放入工作站中进行视觉识别分类与分拣。6.2测试过程将三种规格的板件放入工作张上的传送带，进行视觉识别测试。如图6.1所示。图6.1实验室设备摄像头对板件进行拍照以及图像预处理。如图6.2所示。图6.2图像预处理对三种板件的图像阈值范围进行选择，如下图6.3所示。图6.3三种板件阈值选择对板件wcgxy.5-1安装板A进行识别并选择，如下图6.4所示。图6.4选择板件A在选择板件A的基础上再选择板件B，如下图6.5所示。图6.5继续选择板件B在识别板件A和板件B的基础上最后对板件C进行识别，如图6.6所示。图6.6三种板件识别完成完成图像处理之后对图像进行识别并且显示识别结果，程序如下所示。dev_update_off()read_image(Image,'D:/1/2.jpg')threshold(Image,Region,0,150)*连通域处理connection(Region,ConnectedRegions)*区域排序按照先列后行sort_region(ConnectedRegions,SortedRegions,'first_point','true','column')*计算数目count_obj(SortedRegions,Number)detect_text:=['wcgxy.5-1安装板A','wcgxy.5-2安装版B','wcgxy.5-2安装板C']*遍历每个区域写字dev_display(Image)fori:=1toNumberby1*选择区域sselect_obj(SortedRegions,ObjOne,i)*计算中心area_center(ObjOne,Area,Column)*设置字符位置本科毕业论文（设计）专用本科毕业论文（设计）专用set_tposition(3600,Column)*写字write_string(3600,detect_text[i-1])endfor*非填充显示dev_set_draw('margin')dev_set_line_width(5)dev_display(SortedRegions)识别效果如图6.7所示。图6.7三种板件识别效果然后对三种板件分别进行检测。首先对安装板C进行识别操作，如下图6.8和图6.9所示。图6.8安装板C识别前效果图图6.9安装板C识别后效果图再对将安装板B和C放置在一起分别进行识别，识别过程中先识别安装板安装板B，识别的效果如图6.10和图还有图6.12所示。图6.10安装板B和安装板C识别前效果图图安装板B和安装板C识别效果图（先识别安装板C）图6.12安装板B和安装板C识别效果图（安装板B和C识别完成）在此之后我们对安装板A和安装板B放置在一起进行识别，软件将显示别安装板A再识别安装板B，识别的效果如图6.13，图6.14和图6.15所示。图6.13安装板A和安装板B识别前效果图图6.14安装板A和安装板B识别效果图（先对安装版A进行识别）图6.15安装板A和安装板B识别效果图我们现在再对安装板B单独进行识别，识别完成的效果如图6.16和图6.17所示。图6.16安装板B识别前效果图图6.17安装板B识别完成效果图完成了单独对于安装板BA和C识别的效果如图6.18，图6.19和图6.20所示。图6.18安装板A和安装板C识别前效果图图6.19安装板A和安装板C识别效果图(先对安装板A进行识别)图6.20安装板A和安装板C识别效果图我们再可以单独对安装板A进行一次识别操作对于安装板A的识别效果图如图6.21和图6.22所示。图6.21安装板A识别前效果图图6.22安装板A识别完成后效果图最后我们再一次将三种类型的板件放置在一起后，一起进行识别，安装板版A，安装板B和安装板C的识别的效果如图6.23，图6.24，图6.25和图6.26所示。图6.23安装板A，安装板B和安装板C识别前效果图图6.24安装板A，安装板B和安装板C识别效果图（三种板件先识别安装板A）图6.25安装板A，安装板B和安装板C识别效果图（三种板件其次识别安装板C）图6.26安装板A，安装板B和安装板C识别完成后的效果图关于可以实现分别检测和识别的程序代码如下所示。dev_close_window()dev_open_window(0,0,512,512,'black',WindowHandle)read_image(Image,'C:/Users/86188/Desktop/板.jpg')gen_rectangle1(ROI_1_0,32.8235,86.5406,222.397,434.703)reduce_domain(Image,ROI_1_0,ImageReduced)create_scaled_shape_model(ImageReduced,'auto',rad(0),rad(360),'auto',0.9,1.1,'auto','auto','use_polarity','auto','auto',ModelID1)get_shape_model_contours(ModelContours1,ModelID1,1)*write_shape_model(ModelID1,'C:/Users/admin/Desktop/板子/model1.shm')gen_rectangle1(ROI_2_0,35.7855,640.573,253.499,1146.17)reduce_domain(Image,ROI_2_0,ImageReduced1)create_scaled_shape_model(ImageReduced1,'auto',rad(0),rad(360),'auto',0.9,1.1,'auto','auto','use_polarity','auto','auto',ModelID2)get_shape_model_contours(ModelContours2,ModelID2,1)gen_rectangle1(ROI_3_0,340.88,86.5406,548.226,511.904)reduce_domain(Image,ROI_3_0,ImageReduced1)create_scaled_shape_model(ImageReduced1,'auto',rad(0),rad(360),'auto',0.9,1.1,'auto','auto','use_polarity','auto','auto',ModelID3)get_shape_model_contours(ModelContours3,ModelID3,1)ModelIDs:=[ModelID1,ModelID2,ModelID3]gen_empty_obj(EmptyObject)*ImageAcquisition01:CodegeneratedbyImageAcquisition01list_files('C:/Users/86188/Desktop/TUP',['files','follow_links'],ImageFiles)['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'],ImageFiles)forIndex:=0to|ImageFiles|-1by1read_image(Image,ImageFiles[Index])gen_empty_obj(EmptyObject)find_scaled_shape_model(Image,ModelIDs[0], rad(0),rad(360),1.0,1.0,0.9,1,0.1,'least_squares',0,0.9,Row1,Column1,Angle,Scale,Score1)if(|Score1|>0)vector_angle_to_rigid(0,0,0,Row1,Column1,Angle,HomMat2D)hom_mat2d_scale(HomMat2D,Scale,Scale,Row1,Column1,HomMat2DScale)affine_trans_contour_xld(ModelContours1,ContoursAffinTrans,HomMat2DScale)concat_obj(EmptyObject,ContoursAffinTrans,EmptyObject)endiffind_scaled_shape_model(Image,ModelIDs[1], rad(0),rad(360),1.0,1.0,0.9,1,0.5,'least_squares',0,0.9,Row2,Column2,Angle,Scale,Score2)if(|Score2|>0)vector_angle_to_rigid(0,0,0,Row2,Column2,Angle,HomMat2D)hom_mat2d_scale(HomMat2D,Scale,Scale,Row2,Column2,HomMat2DScale)affine_trans_contour_xld(ModelContours2,ContoursAffinTrans,HomMat2DScale)concat_obj(EmptyObject,ContoursAffinTrans,EmptyObject)endiffind_scaled_shape_model(Image,ModelIDs[2], rad(0),rad(360),1.0,1.0,0.8,1,0.1,'least_squares',0,0.9,Row3,Column3,Angle,Scale,Score3)if(|Score3|>0)vector_angle_to_rigid(0,0,0,Row3,Column3,Angle,HomMat2D)hom_mat2d_scale(HomMat2D,Scale,Scale,Row3,Column3,HomMat2DScale)affine_trans_contour_xld(ModelContours3,ContoursAffinTrans,HomMat2DScale)concat_obj(EmptyObject,ContoursAffinTrans,EmptyObject)endifdev_display(Image)dev_display(EmptyObject)if(|Score1|>0)disp_message(WindowHandle,'wcgxy.5-1安装板A160mm*80mm','image',Row1,Column1,'black','true')endifif(|Score2|>0)disp_message(WindowHandle,'wcgxy.5-2安装版C200mm*90mm','image',Row2,Column2,'black','true')endifif(|Score3|>0)disp_message(WindowHandle,'wcgxy.5-2安装板B240mm*100mm','image',Row3,Column3,'black','true')endifwait_seconds(1)* stop()dev_clear_window()endfor这样一来，我们已经可以达到单独拿出一块板件并且识别成功，或者任意取两块板件并且分别识别成功，还有拿三种不同类型的板件并且分别识别成功的要求。最后我们需要对三种板件都按照此步骤进行10次识别试验。6.3测试结果表6.1测试结果板件类别测试数量成功数量识别成功率wcgxy.5-1安装板A1009797%wcgxy.5-2安装板B1009595%wcgxy.5-2安装板C1009898%从表6.1可看出，三种板件的识别率都在95%以上，所以该视觉系统可靠性高，成功率和效率也十分可观。7结语系统是工作站能够对wcgxy.5-1安装板A、wcgxy.5-2安装板B、wcgxy.5-2安装板C这三种板件进行高效的识别和分拣的基本保障和重要环节。下面对本方案进行总结。第一，我们针对于关于视觉分拣三种板件这个方案的研究到底有没有很好的实际意义那么我们为了进一步地了解我们这一课题的意义，我们借助于现如今强大的网络信息，查阅了国内和国外对于机器视觉的研究成果和目前已经达到的技术，还有对于机器视觉在国内和国外的市场这一层面来查阅相关数据，结合国内和国外如今的发展现状并且进行了相关的对比，我们还描述了一下我们所要研究的内容以及大体上的设计方案。第二，我们对研究的三种规格板件分拣工作站的功能进行了分析，确定了三种规格板件分拣工作站的总方案和流程，也对该工作站的视觉系统方案进行了确定以及总体流程的规划。第三，我们确定了视觉系统的硬件方案，通过了解和学习视觉系统相关知识，再与本方案中视觉系统的所需硬件要求相结合，完成了对工业相机、工业相机镜头、工业相机光源以及传感器的选型。第四，我们对视觉系统进行了软件设计，确定了软件设计的总体方案，包括相机的标定，通过halcon软件对图像进行采集，将采集的图像进行预处理，特征识别和图像识别和图像识别，对识别的结果进行显示，最后进行深度学习，确保识别三种板件的成功率。第五，在完成软件设计后，需要用PLC来建立电脑、机器人、视觉系统之间的通信，在这里我们确定了通讯的总体方案，通过示教器的程序编辑来实现信号的传输和通讯。第六，我们对该视觉系统的整体进行了测试，我们准备安装板安装板B安装板C各10块，共计30块板件进行测试，通过测试我们发现该视觉系统识别三种板件的成功率均达到90%，该视觉系统的可靠性和稳定性已达到方案预期标准。参考文献[1]晏祖根,李明,徐克非,孙小华,闫志鹏,孙智慧.高速机器人分拣系统机器视觉技术的研究[J].包装与食品机械,2014,32(01):28-31.[2]唐向阳,张勇,李江有,黄岗,杨松,关宏.机器视觉关键技术的现状及应用展望[J].昆明理工大学学报(理工版),2004(02):36-39.[3]童胜杰,江明,焦传佳.一种改进工件边缘检测方法的研究[J].电子测量与仪器学报,2021,35(01):128-134.DOI:10.13382/j.jemi.B2003375.[4]高健,刘青川,范蕊,樊新乾,殷忠敏.基于机器视觉的工业机器人智能分拣系统设计研究[J].南方农机,2021,52(03):18-19.[5]崔卓贤,张清,王恩培,刘月皓.种子分拣机器人图像处理研究[J].河北农机,2020(12):19-20.DOI:10.15989/ki.hbnjzzs.2020.12.010.[6]彭辉辉,刘飞飞,代云勇,陈臻阳,陈文涛.基于移动视觉的工业机器人分拣系统应用研究[J].现代电子技术,2020,43(20):26-30.DOI:10.16652/j.issn.1004-373x.2020.20.007.[7]杨红军,胡国宇.基于机器视觉的物品分拣系统的设计[J].武汉轻工大学学报,2020,39(05):84-89+119.[8]张广军.机器视觉[M].北京：科学出版,2019.[9]周文举.基于机器视觉的在线高速检测与精确控制研究及应用[D].上海大学,2014.[10]刘焕军.灌装自动化生产线上视觉检测机器人研究[D].湖南大学,2008.[11]邓龙,把翠芳,李斐,李润,倪春杰.基于工业机器人视觉系统的工件识别与定位技术[J].中国科技信息,2022(20):128-131.[12]RihemFarkh,KhaledAljaloud.NavigationBasedPIDControlforLineTrackingRobot[J].IntelligentAutomation&SoftComputing,2023,35(1).[13]卫蕊,郭梦娇.LED光源的应用与发展[J].光源与照明,2022(04):1-3.[14]张海峰.基于虚拟仿真的工业机器人视觉系统设计[J].信息记录材料,2022,23(10):153-156.DOI:10.16009/13-1295/tq.2022.10.006.[15]RenningPang,JianzhaoCao,YuxiaWang,YuanweiQi,LiangliangSun.Transportationrobotbasedonmulti-sensorfusionandmachinevision[C]//.第34届中国控制与决策会议论文集（5）.,2022:532-537.DOI:10.26914/kihy.2022.025375.致 谢边的老师，同学，朋友，家人表示最诚挚的感谢。首先，我要感谢我的论文指导老师，他在繁琐的工作和辛苦的教学之中，还要对我的论文进行指导，给予了我在论文上极大的鼓励，对我的论文也进行了一定程度上的改进，是我在论文工作中更加得心应手。在我遇到困难的时候，第一时间对我提出了建议，使我常常把困难迎刃而解。在此我要对我的论文指导老师表达我衷心的感谢。的任课老师表示真心的感谢和祝福。随时间而淡化。够不辜负你们的期望。在前进的道路上更加一往无前。愿大家身体安康，吉祥如意。附 录九眼标定程序：image_x:=[]image_y:=[]robot_x:=[]robot_y:=[]vector_to_hom_mat2d(image_x,robot_x,robot_y,HomMat2D)img_x:=img_y:=read_tuple(‘路径’,HomMat2D)affine_trans_point_2d(HomMat2D,img_x,img_y,Qx,Qy)read_image(Image,'D:/hellowprld/视觉标定板图/9points.jpg')dev_close_window()dev_open_window_fit_image(Image,0,0,-1,-1,WindowHandle)dev_display(Image)binary_threshold(Image,Region,'max_separability','dark',UsedThreshold)connection(Region,ConnectedRegions)*筛选出来九个点select_shape(ConnectedRegions,SelectedRegions,'area','and',1000,2000)shape_trans(SelectedRegions,RegionTrans,'outer_circle')*求出九点坐标area_center(RegionTrans,Area,Column)disp_message(WindowHandle,'R:'+Row+'C:'+Column,'Image',Column,'black','true')*把求得的Row和Column赋值*九点标定行PxRow:=Row*九点标定列PxColunm:=Column*九点标定行*PxRow:=[23.5,23.5,23.5,71.5,71.5,71.5,118.5,118.