[发明专利]一种工业机器人多种汽车玻璃自动化上下料的方法

权利要求书

1.一种工业机器人多种汽车玻璃自动化上下料的方法，其步骤是：

步骤1.训练分类器

步骤1.1将每一种物料的图像Image,进行类别标注L，格式为＜Image,L＞,加入到训练样本，每种类别添加Num组，形成样本集；

步骤1.2对样本集的图像Image进行高斯滤波，作噪声平滑，高斯滤波的核函数为：

其中x,y表示相对中心的偏移量，σ控制高斯核函数的径向范围，σ值越大，表示局部影响范围越大；

步骤1.3由于作为样本的玻璃图像背景简单，进行二值化预处理即可分割得到目标区域和背景区域，将样本的目标区域标记为R；

步骤1.4对样本集图像的目标区域R进行特征提取，包括7个具有旋转平移不变性的区域特征：区域面积Area，区域轮廓周长Length，矩形度Rectangularity，最小外接矩形的宽W，最小外接矩形的高H，2个图像的中心二阶矩(u₁₀,u₀₁)；

记特征向量F＝[Area,Length,Rectangularity,W,H,u₁₀,u₀₁]，特征向量各元素计算方式如下：

1)

其中m₀₀为图像的0阶矩，I(x,y)为图像点(x,y)的亮度值，M和N分别表示图像的高和宽；

2)

其中point为区域R上的轮廓点集，s为区域轮廓点的数量；

3)

其中MSR(R)表示区域R的最小外接矩形面积；

4)W为区域R最小外接矩形的宽；

5)H为区域R最小外接矩形的高；

6)图像的中心二阶矩(u₁₀,u₀₁)的计算方式为：

其中表示图像的质心，即m₁₀,m₀₁分别表图像x,y的一阶矩，即

步骤1.5根据特征和样本标签训练MLP(Multilayer Perceptron)分类器

MLP即多层感知网络，假设网络层数为n层，其中网络的第一层为输入的特征，该层神经单元个数l₁为特征向量F的维度,中间层为隐含层网络，共有n-2层，网络节点个数l_i根据输入层和输出层及样本调整，最后一层为输出层，输出层节点l_n为分类的类别数量；MLP采用反向传播算法进行学习，选用非线性可微的Sigmoid作为神经元的激活函数，即

其中z是激活函数输入的数值；

最后一层隐藏层到输出层，输出层的输出选用softmax函数，即

其中为第n-1层第k个节点的输出值,y_k为输出层第k个节点；

保存分类器得到的相关参数，后面识别只需加载；若有新的品种加入样本集，则需要重新训练；

步骤2.识别工件类别

步骤2.1利用相机模块采集图像，对采集到的图像进行上述步骤1.2的操作，作噪声平滑；

步骤2.2对图像进行分割，采用步骤1.3的预处理方法,获得目标区域；

步骤2.3采用步骤1.4计算目标区域的特征向量，将特征向量作为输入层，运用步骤1.5训练的分类器C进行识别，即可输出当前物料所属类别L；

步骤3.工件定位

加载识别类别L的标准模板，进行当前工件的定位，获取该工件的位姿，具体步骤如下：

步骤3.1矩特征进行初定位

从某一类别L中的Num组数据，选取一张标准图像作为定位的模板，计算标准模板目标区域的质心和PCA(Principal Component Analysis)主元α₀，再计算当前工件目标区域的质心和PCA主元α₁，根据质心和PCA主元的变化可计算平移参数(t_x,t_y)和旋转角度θ，即

θ＝α₁-α₀；

步骤3.2更高精度定位优化

设计匹配误差函数d(a)，通过最小二乘法求解d(a)的最小值，获取更高精度的位姿：

其中a表示位姿参数，包括旋转角度θ和平移(t_x,t_y)信息，记为a(θ,t_x,t_y)，(x_i,y_i)和(x′_i,y′_i)分别表示标准模板图像、当前工件按照步骤3.1的位姿的初匹配点对的坐标，d(a)表示位姿a(θ,t_x,t_y)时的匹配误差；

计算使得匹配误差最小，即min{d(a)}，即可获得更高精度的位姿a₀(θ,t_x,t_y)。