第1页 / 共11页
第2页 / 共11页
第3页 / 共11页
第4页 / 共11页
第5页 / 共11页
第6页 / 共11页
第7页 / 共11页
第8页 / 共11页
论文研究-基于神经网络的区分零部件与污垢研究 .pdf
中国科技论文在线
http://www.paper.edu.cn
基于神经网络的区分零部件与污垢研究
李林杰，黄俊革**
（上海应用技术学院机械工程学院，上海 201418）
5 摘要：针对目前传送带上零部件与污垢的错识、误抓，导致生产效率降低的问题，本文采用
神经网络技术与图像处理结合对零部件与污垢分辨识别。将对零部件与污垢的颜色特征、几
何特征的特征提取的数据作为神经网络的输入，利用 matlab 完成神经网络的训练和测试，
实现零部件与污垢的区分，从而提高了抓取准确率和生产效率。
关键词：传送带；神经网络；matlab；零部件；污垢
中图分类号：TN391
10
Research on the Identification of the Parts and Fouling
15
20
Based on Neural Network
LI linjie, HUANG junge
(Shanghai Institute of Technology, Shanghai 201418, China)
Abstract: According with the problems in the automatic identification of the parts and fouling on
the conveyer belt,this paper used the methods of the neural network and image processing
technology to distinguish the parts and the fouling, Simultaneously, with the combination of the
color and geometric features of them, the article completed the extractions of the features of
images,and it used the matlab to complete the training and testing of neural network with the
implementation the distinguishing between the parts and the fouling.
Key words: conveyer belt ; neural network; matlab; the parts; fouling
25
0 引言
传送带广泛应用于运输、电力、建材等行业，是工业生产中常见的控制设备之一[1]。根
据目前我国市场的需求状况和相关技术研究，机器视觉与工业生产的有机结合不仅提高了产
品质量和可靠性，更保证了工业化生产的效率[2]。但在自动化传送产品（零部件）的同时也
会携带一些其他的杂质、污垢，造成传送带上产品（零部件）周围的表面缺陷。这些表面缺
30
陷可能会对产品的识别、抓取和传送造成不利影响，使机器视觉产生错识、误抓等状况，从
而降低了生产效率。因此，对传送带上的产品（零部件）抓取的关键就是对零部件和污垢准
确地识别。只有这样才能有效地提高生产效率和抓取的准确率。近年来，计算机视觉、图像
处理、人工神经网络等技术，在生产智能化得到广泛的使用[3]。其中机器人视觉系统在工业
中一个重要的应用是对传送带作业系统中工件的识和抓取[4], 如何建立通用的识别目标模型
的方法一直是视觉识别中的一个难点[5]。采用图像处理就要考虑光源环境对目标识别的影
35
响，如果光源环境太暗或太亮，就不能准确的识别出目标物的具体位置，因此需要调整摄像
机的光源环境，这样就耗费了大量的工程布线和设备资源[6]。本文通过建立神经网络图像处
理器，对零部件和无垢进行分类识别，将零部件与污垢分离出来，从而提高抓取的准确率和
生产效率。
作者简介：李林杰（1988.6.17），女，学生，智能检测
通信联系人：黄俊革，男，教授，地球物理数据处理与正反演技术、土木工程检测与监测技术、探测设备
研发等. E-mail: hjg@sit.edu.cn
- 1 -
中国科技论文在线
40
1 图像的采集与预处理
http://www.paper.edu.cn
摄像机是识别系统跟踪和抓取目标的前提，为后续抓取工作提供了基础保证。本文采用
KINECT 摄像头对零部件及污垢的静态图像进行采集，其分辨率达 1280×1024 的 RGB，相
机内参数为：焦距：4.2864 毫米；精度：1.3020mm/像素(长)；精度：0.9765mm/像素(宽)；
焦距：5 毫米；精度：1.116mm/像素。采集图像流程图如图 1 所示
45
50
图 1 数据采集流程图
将采集的 10 幅零部件和 10 幅污垢的图片放在特定的文件中，进行后续的处理。图像识
别的整体框图，如图 2 所示。
图 2 图像识别流程图
1.1 图像二值化
图像的二值化就是在显示图像时，经过二值化后的图像只显示有两种颜色，黑色和白色。
图像二值化的方法有很多种，较常用到的是阈值判别方法[7]。
55
阈值判别法就是通过区分灰度图像中各个像素点亮度值的大小来判定该像素点二值化
- 2 -
开始设备初始化结束数据采集数据格式化数据保存一帧数据采集完毕否图像预处理输入整幅图像输出像元图像图像处理图像特征提取建立神经网络识别输出
中国科技论文在线
http://www.paper.edu.cn
后是白色或是黑色。使用阈值判别法来对灰度化后的图像进行二值化时操作时，就需要给定
一个具体的判别数值，当灰度图像中的像素点亮度值小于这个设定值时，就把像素点设置成
为黑色，而当图像中的像素点亮度值大于这个设定值时，就会把像素点设置成为白色[7] 。
阈值的选取方法分为自动和手动阈值选取法。在自动阈值选取法中，首先是对灰度图像
60
进行扫描，再根据得到的图像中点的亮度情况，自动地为其设定了一个阈值。而手动阈值得
设定比较简单，就是通过人为的设定一个阈值，但这就需要在设定阈值之前对整个图像中各
部分的亮度有大致地了解[7]。在本实验中，工件为白色，工作台是是深灰色，色差很大，所
以采用手动选取阈值的方法。采用 im2bw 函数将图像转化为 0-255 之间的数字，再经过多
次尝试，阈值取 8 最合适，所示将图像转化为用 0，1 表示。如图 3、图 4 所示，当阈值<8
65
时，图像全是黑色；当阈值>8 时，图像的边框为黑色。对零部件和污垢二值化处理之后得
到的图像如图 5 所示。
图 3 阈值<8 时的二值化图像
70
图 4 阈值>8 时的二值化图像
图 5 阈值为 8 二值化后图像
- 3 -
中国科技论文在线
2 图像特征分析与提取
http://www.paper.edu.cn
要建立一个能识别不同种类对象的系统，首先必须确定识别对象的特性，以产生描述参
75
数。而所得的参数值组成了每个对象的特征向量。适当地选择特征是极为重要的，因为它是
在识别对象时特征向量是唯一的依据[8]。
从工业零配件、工业污垢的综合特征分析可知，大部分的零部件和污垢之间，形状特征
最为明显，零配件的轮廓规则，而污垢的外部轮廓不规则。根据零配件和污垢的形态特征分
析，拟采用图像的几何特征、经过预处理后的图像颜色特征作为区分依据。
80
2.1 几何特征
在许多模式识别的问题中，几何特征通常是重要的。几何特征的提取主要描述目标区域
的几何性质，与区域的颜色无关。为提高提取的准确度，拟对图像预处理阶段所得到的二值
化图像进行操作。针对目标图像的特点，本系统主要针对目标图像面积和周长进行识别分类。
1）目标面积：图像中目标所占的像素点总数；2）目标周长：目标轮廓的像素点总数。如图
85
6，7 所示。
图 6 零部件面积和周长
90
2.2 颜色特征
图 7 污垢面积和周长
零部件和污垢的颜色是识别零部件的重要依据，在 HIS 模型中，亮度分量 I 与图像的彩
色信息无关，色度 H 和饱和度 S 分量与人们感受颜色的原理相似，相比 HIS 模型更易保证
识别结果。所以本文采用 HIS 模型[9]，将 RGB 模型转化为 HIS 模型的公式如(1),(2)所示。
- 4 -
中国科技论文在线
http://www.paper.edu.cn
95
其中
（）
由于颜色矩相比于其他颜色特征有特征向量维数低且具有选择、缩放不变性等特点。所
100
以本文采用图像在 HIS 模型下的 H、I、S 分量的颜色矩作为识别参数。颜色矩是一种简单
而有效的颜色特征[9]。颜色矩的思想是图像中的颜色分布可用其矩来表示[9]。由于颜色分布
信息主要集中在低阶颜色矩中，因此仅采用颜色的一阶中心矩、二阶中心矩和三阶中心矩便
可表达图像的颜色特征。以上 3 种矩分别表示图像的平均颜色、标准方差和三次根非对称性。
该方法的另一个好处在于: 其无需对颜色特征进行向量化。其表示如（3）下
105
其中，A 代表图像像素总数；P 为代表彩色图像合成后的一维灰度图像在二维空间坐标
110
处的像素值。
对以图 4 中进行二值化的原图为标准，旋转 30
。，270
。，
。后，得到 10 个不同角度的零部件和污垢进行图像的特征提取，过以上计算的方
。，180
。，210
240
。，60
。，90
。，120
。，150
法得到 11 个特征值如表 1，2 所示。
表 1—零部件的几何特征和颜色特征取值
角
度
0
30
60
90
120
150
180
210
面
积
120
86
126
10
126
27
124
36
125
76
127
18
126
77
127
98
周
长
159
129
128
161
141
144
129
140
h 一
阶矩
0.120
2
0.116
5
0.128
3
0.101
8
0.140
2
0.12
0.118
8
0.119
s 一阶
矩
0.042
0.042
0.039
2
0.043
1
0.025
6
0.020
1
0.045
6
0.037
6
i 一阶
矩
0.564
5
0.563
8
0.570
6
0.551
1
0.553
3
0.553
3
0.549
8
0.562
i 二
阶矩
0.178
7
0.157
9
0.156
6
0.167
5
0.161
4
0.149
2
0.156
5
0.145
4
h 三
阶矩
0.249
2
0.211
3
0.207
8
0.230
1
0.313
0.214
6
0.118
4
0.190
8
s 三阶
矩
0.050
5
0.037
2
0.032
9
0.032
8
0.036
7
0.028
9
0.059
4
0.044
8
h 二
阶矩
0.151
9
0.124
2
0.128
1
0.133
8
0.215
9
0.131
6
0.076
6
0.117
2
s 二阶
矩
0.033
5
0.028
0.024
5
0.026
9
0.026
3
0.019
4
0.037
7
0.026
6
- 5 -
是 否 零 部
i 三 阶
矩
件
0.1125 是
0.1079 是
0.1073 是
0.1113 是
0.1082 是
0.1036 是
0.1077 是
0.1074 是
中国科技论文在线
240
270
128
34
130
49
135
108
0.139
5
0.168
4
0.022
5
0.025
4
0.546
4
0.568
9
http://www.paper.edu.cn
0.142
4
0.176
6
0.028
8
0.027
8
0.135
6
0.131
9
2219
0.236
0.051
8
0.045
1
0.0963 是
0.0971 是
115
表 2—污垢的几何特征和颜色特征取值
角
度
0
30
60
90
120
150
180
210
240
270
面
积
124
14
121
47
123
81
124
30
125
27
125
23
122
61
123
33
123
41
123
62
周
长
195
209
193
201
201
195
206
194
199
192
h 一阶
矩
0.102
0.131
1
0.125
9
0.167
5
0.126
1
0.105
5
0.131
1
0.097
1
0.141
4
0.110
4
s 一阶
矩
0.040
9
0.039
9
0.042
5
0.028
4
0.025
1
0.040
7
0.038
9
0.043
7
0.024
9
0.041
8
i 一阶
矩
0.571
5
0.559
2
0.567
9
0.560
1
0.551
9
0.552
7
0.559
7
0.560
7
0.561
3
0.567
9
h 二阶
矩
0.091
3
0.090
5
0.06
0.101
5
0.159
5
0.089
8
0.138
2
0.073
5
0.204
1
0.097
2
s 二阶
矩
0.036
0.032
6
0.034
3
0.027
1
0.033
7
0.305
0.031
9
0.030
5
0.026
3
0.029
i 二
阶矩
0.169
7
0.017
6
0.172
2
0.163
3
0.152
6
0.154
5
0.166
4
0.163
1
0.164
2
0.168
9
h 三阶
矩
0.161
4
0.158
5
0.111
0.132
0.252
8
0.164
5
0.228
0.136
5
0.301
5
0.176
2
s 三阶
矩
0.059
3
0.052
5
0.060
1
0.038
4
0.058
4
0.045
3
0.049
2
0.049
3
0.045
2
0.043
i 三 阶
矩
0.1121 否
是 否 零
部件
0.1092 否
0.1133 否
0.1088 否
0.1033 否
0.1044 否
0.1086 否
0.1071 否
0.1082 否
0.1112 否
3 建立神经网络模型
3.1 灰色神经网络理论
灰色问题是指对灰色的不确定系统行为特征值的发展变化 进行预测的问题[10]，该不确
120
定系统特征值的原始序
（4）
经过一次累加生成后得到的数列 呈现指数增长规律，因而可以用一个连续函数或
微分方程进行数据拟合和预测。为了表达方便，对符号进行重新定义，原始数列 表示为
x(t),一次累加生成后得到的数列 表示为 y(t),预测结果 表示为 z(t)[10]。
125
n 个参数的灰色神经网络模型的微分方程表达式为
式中，
为系统输入参数； 为系统的输出参数；
为微分方程系数
（5）
[12]。
式（5）中的时间响应式为
130
式（6）可以转化为
- 6 -
（6）
1y
中国科技论文在线
http://www.paper.edu.cn
（7）
将变换后的式子映射到一个扩展的 BP 神经网络中就得到 n 个输入参数[12]，1 个输出参
135
数的灰色神经网络的拓扑结构如图所示
图 7 色神经网络拓扑结构
其中，t 为输入参数序号；w21,w22,……w2n,w31,w32,……,w3n 为网络权值， 为网络
140
预测值；LA，LB，LC，LD 分别表示灰色神经网络的四层[12]。令
，则网络初始的权值可以表示为
w22=
,w23= ,……,w2n=
w31=w32=……=
145
LD 层中输出节点的阈值为
3.2 灰色神经网络的步骤
)(d-
)
（8）
步骤 1：根据训练数据特征初始化网络结构，初始化参数 a，b，并根据 a，b 的值计算
u。
150
步骤 2：根据网络权值定义计算 w11,w21,……,w2n,w31,w32,…... w3n。
步骤 3：对每一个输入序列（t，y（t）），t=1,2,3，……,N,计算每层输出。
步骤 4：计算网络预测值输出与期望输出的误差，并根据误差调整权值和阈值。
步骤 5：判断训练是否接受，若否返回步骤 3。
3.3 数据因素的选取
155
图像的几何特征尽管比较直观和简单，但在许多图像分析问题中起着重要取得作用，因
此本文提取图像的面积和周长两个几何特征。但是只选用面积和周长任意一个特征作为神经
网络的输入时，都不能将零部件和污垢识别出来，如图 8、图 9 所示，图中的横坐标表示输
入的样本，纵坐标表示的输出的像素。
160
颜色矩是一种简单有效的颜色特征表示方法，有一阶矩 (均值 ,mean)、 二阶矩 (方
差,viarance)和三阶矩(斜度,skewness)等[11]。由于颜色信息主要分布于低阶矩中，所以用一阶
矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分
布，因此提取图像的颜色矩。同样只取用 H、I、S 的一阶作为神经网络输入时，出现的效
- 7 -
tW11W21W22W2nW31W32W3nyn(t) ）（ty2y1………LALBLCLD1y
中国科技论文在线
http://www.paper.edu.cn
果曲线如图 10 所示，图中的横坐标表示输入的样本，纵坐标表示的输出方差值。
165
图 8 面积的拟合曲线 图 9 周长的拟合曲线
图 10 HIS 的一阶系数拟合曲线
分别取面积与周长、面积与颜色矩、、周长与颜色矩作为神经网络的输入时，如图 11、
170
12、13 所示，图中的横坐标表示输入的样本，纵坐标表示经过神经网络得到的输出 y1。图
11 所示，从图看出第 2、10 个样本污垢与零部件没有分辨出来；图 12 所示，从图看出第 4、
7、10 个样本污垢与零部件没有分辨出来；图 13 所示，从图看出第 6、10 个样本污垢与零
部件没有分辨出来。经论述，将几何特征中的面积和周长，还有颜色特征中的颜色矩做为神
经网络的输入。
175
图 11 面积与周长作为输入时得到的曲线
- 8 -
相关推荐
2023年江西萍乡中考道德与法治真题及答案.doc
2012年重庆南川中考生物真题及答案.doc
2013年江西师范大学地理学综合及文艺理论基础考研真题.doc
2020年四川甘孜小升初语文真题及答案I卷.doc
2020年注册岩土工程师专业基础考试真题及答案.doc
2023-2024学年福建省厦门市九年级上学期数学月考试题及答案.doc
2021-2022学年辽宁省沈阳市大东区九年级上学期语文期末试题及答案.doc
2022-2023学年北京东城区初三第一学期物理期末试卷及答案.doc
2018上半年江西教师资格初中地理学科知识与教学能力真题及答案.doc
2012年河北国家公务员申论考试真题及答案-省级.doc
2020-2021学年江苏省扬州市江都区邵樊片九年级上学期数学第一次质量检测试题及答案.doc
2022下半年黑龙江教师资格证中学综合素质真题及答案.doc
