划片机视觉识别系统设计原理分析

划片机视觉识别系统设计原理分析

1 视觉识别系统构成

划片机的视觉识别系统是以计算机为主的实时图像处理系统。如图1所示：

由光学照明系统，CCD摄像器件，图像处理软件等部分组成。



识别系统的目的是实现自动对准，在工作台精度保证的前提下，高精度的图象处理算法对视觉自动对准系统的精度起着决定性的作用，这当中的核心部分就是模式识别算法。目前常用的识别方法有统计模式识别法、特征提取法、神经网络识别、模板匹配法等。国内在这一领域起步相对较晚，科研力量主要集中在一些高校院所，侧重于理论研究，市场化效应不太明显。这就使得在机器视觉领域的发展速度上明显落后于欧美各国。

2 技术路线选择

针对国内外现状，我们在着手建立划片机自己的视觉识别技术构架时，出发点就摆在一个怎样根据设备自身特点，尽量利用现有成熟资源和理论算法，建立一个集效率和实用于一体的视觉算法集，进而形成针对全自动划片机自己的机器视觉库。

通过尝试过多种方式，包括和国外机器视觉公司合作，根据特定功能模块要求定制其成套视觉识别系统等。但是遇到的问题是必须承担国外公司昂贵的开发成本和高额利润，导致设备成本直线升高，而且在合作的过程中极有可能泄露我们自己的技术秘密。实践检验这条路子是不可行的。购买国外视觉公司的软件开发包，进行二次开发较上种方式更为合适，技术难度也较小。然而也面临着软件开发包针对性不强，实际使用过程中效果并不完全符合现场要求，单台设备成本提高及出现问题无法解决等情况。经过不断摸索，以及对当今业界几种通用算法的比较后，我们最终决定在全自动划片机上采用基于Open CV视觉函数库的模板几何特征匹配算法。

Open CV是英特尔开源计算机视觉库，是一个跨平台的由中、高层API构成的视觉函数库。它由一系列C函数和少量c++类构成，实现了图像处理和计算机视觉方面的很多通用算法，这就避免了我们在一些成熟低水平算法上的重复研究，节省了大量时间。更重要的是它对非商业用途和商业用途都是免费(FREE)的，不会对我们的设备成本造成压力。而模板的几何特征匹配是20世纪90年代后期在市场上出现的一种新的视觉定位技术。据了解，目前世界许多著名的半导体设备厂商包括日本DISCO，东京精密，美国K＆s等都在其主要设备视觉领域采用了与此相关的技术。与传统的灰度级匹配不同，几何特征匹配通过设置兴趣域并学习兴趣域内的物体几何特征，然后在图像内寻找相似形状的物体，它不依赖于特殊的像素灰度，从原理上保证了它具有优于传统视觉定位算法的一些特点。该算法在全自动划片机的研制过程中得到了验证。这种技术的应用，提高了全自动划片机的视觉识别效率和自动对准能力，使得在改变工件角度、尺寸、明暗度等条件的情况下，仍能精确定位物体，实现自动对准划切。

3 识别系统设计

3.1 设计流程

视觉识别系统的设计结构大都基本相似，关键在于识别算法的选择，划片机视觉识别系统设计结构流程如图2所示：

在该算法的应用过程当中，考虑到划片机工作现场的实际情况，为了有效地提取预存模板图像的特征点，我们对获取的划切工件模板图像进行了预处理，以便提取出图像当中的几何特征，这些预处理主要包括减小和滤除图像中的躁声、增强图像中待匹配的几何特征点等。这其中滤波和分割是提取预模板图像几何特征前的两个重要步骤。

3.2 滤波器设计原理

一般来说，现场躁声在图像中都表现为高频信号，因此一般的滤波器都是通过减弱和消除傅立叶空间中的高频分量来达到滤波的目的。然而，待划切工件中的各种结构细节，如：边缘和角，也都属于高频分量，因此，如何在滤除躁声的同时最大限度地保留图像中的结构特征，一直是图像滤波研究中的主要方向。

线性滤波器有移动平均滤波器和高斯滤波器等，非线性滤波器中最常用的有中值滤波器和SUSAN(Smallest Univalue Segment AssimilaTIng Nucleus)滤波。其中SUSAN滤波可以在滤除图像躁声的同时很好保存物体的其他结构特征。能够满足全自动划片机自动对准系统中对定位模板图像进行躁声平滑的效果要求。SUASN方法是一类图像处理算法的总称，包括滤波，边缘提取，角点提取，所有这些算法的基本原理都是相同的。

SUSAN滤波实质上是加权平均的均值滤波，相似度测试函数为它的加权因子。式(1)定义了相似度测试函数，它衡量了像素S[i,j]与其领域内各像素S[i-m，j-n](m，n为偏移量)之间的相似程度。可以看出：相似度测量函数不仅比较了S[i-m，j-n]和S[i，j]灰度值的差异，而且还考虑了S[i-m，j-n]与S[i,j]之间距离的影响。