[发明专利]一种多特征融合的视觉识别方法及系统

说明书

本发明提供一种多特征融合的视觉识别方法，包括接收零件源图；对零件源图进行分割，得到各零件图像；对各零件图像进行两级分类识别，以确定各零件图像中零件的种类及图像分类归属；基于同类图像中的零件图像，确定各零件的模板图像及旋转图像并进行二者关键点提取及匹配，以计算出各零件旋转角度以及图像间的仿射变换矩阵；确定坐标转换矩阵，并结合仿射变换矩阵，让抓取点坐标变换到实际机器人坐标系下的坐标；将各零件的种类和旋转角度，以及抓取点坐标发送给实际机器人。实施本发明，能对实际场景中散乱放置零件的类别和旋转角度，以及抓取点坐标信息进行识别获取，实现对机器人调整零件姿态及夹取装配工作的正确引导。

技术领域

本发明涉及小型断路器柔性装配系统技术领域，尤其涉及一种多特征融合的视觉识别方法及系统。

背景技术

随着工业生产中对机器自动化、智能化需求的日渐提高，机器视觉作为工业生产向智能化方向发展的重要技术之一，已得到愈加深入的研究，越来越多的视觉检测、测量及定位等技术被应用到实际生产当中。

将机器视觉技术应用于工业制造中的研究，不仅可以降低制造设备的机械化程度，提高提高工业生产的灵活性与柔性，同时可以提高产品的质量与生产的效率。但是，基于机器视觉的智能制造技术的发展，其可行及可靠性依靠高精度的图像分类、识别和定位跟踪等技术来支撑，而生产中所面临的形色多样的生产对象、复杂的工业环境与其不同的功能要求，给视觉的识别处理工作带来极大的困难和挑战。

在工业装配方面，在面对复杂程度相对较低的识别对象时，可以支持向量机等建模方法进行分类，一旦识别对象越多、越复杂时，模型训练所需的数据量也就越大，极大地延长了开发周期。此外，识别对象复杂度低时，可利用其轮廓、面积与颜色等信息进行分类，并通过特征匹配及模板匹配等方法对抓取点坐标和姿态进行估计，但当识别对象复杂程度较高时，尤其在小型断路器的自动装配应用中，断路器零部件外形及种类复杂多样，部分零件自身特征点区分不明显，无法通过特征匹配、模板匹配的方法对其旋转角度和抓取点坐标进行准确估计，即无法将识别的误差控制在系统允许的误差范围之内，从而无法正确引导机器人完成后续零件姿态调整及夹取装配的工作。

因此，亟需一种用于小型断路器自动装配中的机器视觉识别方法，能够对实际场景中散乱放置零件的类别和旋转角度，以及抓取点坐标信息进行识别获取，并保证识别误差在系统允许范围以内，实现对机器人调整零件姿态及夹取装配工作的正确引导。

发明内容

本发明实施例所要解决的技术问题在于，提供一种多特征融合的视觉识别方法及系统，能对实际场景中散乱放置零件的类别和旋转角度，以及抓取点坐标信息进行识别获取，并保证识别误差在系统允许范围以内，实现对机器人调整零件姿态及夹取装配工作的正确引导。

为了解决上述技术问题，本发明实施例提供了一种多特征融合的视觉识别方法，用于小型断路器柔性装配系统中，包括以下步骤：

步骤S1、接收现场零件整体拍摄的零件源图；

步骤S2、对所述零件源图进行分割处理，得到各独立状态的零件图像；

步骤S3、基于零件种类及摆放姿态，对所述各独立状态的零件图像进行两级分类识别，以确定各零件图像中零件的种类及图像分类归属；其中，同一零件种类而摆放姿态相异的多个零件图像均归属于同一类图像中；

步骤S4、基于同一类图像中的零件图像，确定各零件的模板图像及旋转图像，并对各零件的模板图像与相应旋转图像进行关键点提取及匹配，以计算出各零件旋转角度以及图像之间的仿射变换矩阵；

步骤S5、确定像素坐标系到机器人坐标系转换的坐标转换矩阵，并结合所述仿射变换矩阵，将所述零件源图中的抓取点坐标变换到实际机器人坐标系下的坐标；

步骤S6、将各零件的种类和旋转角度，以及变换后的抓取点坐标发送给实际机器人的控制器，以实现对机器人调整零件姿态及夹取装配工作的引导。