基于机器视觉的废旧产品零部件识别系统设计与实现开题报告

1、目的及意义（含国内外的研究现状分析）

1.1 研究目的及意义

由于科学技术的快速发展，越来越多的产品因为在技术上过时而被淘汰，出于对环境保护以及对资源再利用的考虑，需要将这些废旧产品进行回收利用，而产品的拆卸是废旧产品再制造的关键步骤之一。由于人工拆卸存在效率低，且一些电子产品对工作人员身体有危害等弊端，因此用工业机器人代替人工的拆卸方式将是一种有效的解决方案。传统的工业机器人按照专业人员预先设定好的程序完成规定工作，缺少灵活性、通用性及对废旧产品的感知和应变能力。

机器视觉就是利用机器代替人来做测量和判断。机器视觉系统是通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。机器视觉基本的特点是在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。同时，在大批量重复性工业生产过程中，用机器视觉检测方法可以大大提高生产的效率。

本课题旨在设计及实现一个基于机器视觉的废旧产品零部件识别系统，实现对废旧产品零部件的识别及定位功能，为后续机器人的拆卸工作提供支持。

1.2 国内外研究现状

早在1965年，麻省理工学院的Roberts在他的论文中论述了以计算机理论为基础实现从拍摄物体的二维图像得到物体三维形状信息具备可能性，从此开辟了以解析物体三维场景为目的的机器视觉理论与实践研究。自20世纪70年代中开始，Marr领衔的研究学者们创立了系统化的计算机视觉理论，该理论奠定了机器视觉理论部分研究的基础，可称得上是里程碑式的进展，理论的核心内容即是以二维图像为基础恢复出物体三维几何形状。自从20世纪80年代以来，机器视觉的研究一直属于现代高科技研究中一块非常活跃的研究领域，并且逐渐从实验室研究转向实际的应用。到90年代，计算机视觉在工业环境中得到广泛应用，同时，基于多视几何的视觉理论也得到迅速发展。目前，在欧美、日本等发达国家机器视觉技术发展的相对较快，相应的应用也较为成熟，其应用则主要集中在电子行业和半导体行业。在国外，机器视觉技术已经可以清楚分为三个部分:底层开发部分、二次开发部分、最终使用部分。

本世纪初，机器视觉的概念即被引入到中国自动化用户面前，但是在很长一段时间内，机器视觉技术还处于推广普及期。和国外先进的机器视觉技术相比，国内的差距还是比较大，这种差距主要表现为软硬件的组态集成开发能力弱，这就必然导致开发成本升高、效率降低。虽然国内机器视觉技术存在着种种问题，但是在视觉软件、相机、光源等机器视觉产品的研发方面还是取得了一些成果。国内一些相关大专院校、研究所和企业近年来在机器视觉技术领域进行了积极的探索和大胆的尝试，并逐步开始了工业现场的应用，其中大多集中在半导体、电子制造、制药、印刷等行业，如今在汽车制造、包装乃至新能源方面也有了新的突破。故将机器视觉运用于废旧产品零部件的回收再利用上也显得十分有价值，能够提高资源的利用率，减少环境污染。

2、研究（设计）的基本内容、目标、拟采用的技术方案及措施

2.1 基本内容、目标

本课题是利用机器视觉技术设计及实现一个废旧产品零部件识别系统，首先要掌握基于图像物体识别原理，一种是基于机器学习的，比如卷积神经网络。另一种是基于特征匹配的，比如ORB、SIFT SURF。通过比较算法的结果，选择最优物体识别算法实现对图像中的废旧产品零部件的分类识别，以实现对废旧零部件的检测识别。其次要掌握.NET框架的原理，实现一个基于.NET框架废旧产品零部件识别系统。

2.2 拟采用的技术方案及措施

在机器视觉识别废旧零部件系统工作流程中，主要分为废旧零部件图像信息获取、图像信息处理和系统执行检测结果3个部分。此次课题的重点在于物体识别的算法，物体的识别算法主要有基于机器学习的和基于特征匹配的。基于机器视觉的废旧产品零部件识别系统结构图如图1所示。首先要采集废旧零件的图像，进行一系列的图像处理，例如：降噪，强化等。将处理好的图像送入识别系统，根据识别算法检测出废旧产品零部件，为后续机器人的拆卸工作提供支持。

图1机器视觉的废旧产品零部件识别系统结构图

尽管机器视觉各异但都包括以下四个步骤。1、图像采集：光学系统采集图像，将图像转换成数字格式并传入计算机存储器。2、图像处理：处理器运用不同的算法来提高对检测有影响的图像因素。3、特征提取：处理器识别并量化图像的关键特征，例如位置、数量、面积等。然后将这些数据传送到控制程序。4、判别和控制：处理器的控制程序根据接收到的数据做出结论。

最后实现一个基于.NET框架废旧产品零部件识别系统。

3、进度安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

第10－12周：针对具体的实验数据，完成整个系统的仿真，实现功能；撰写论文初稿。

第13－16周：修改毕业论文。

第16周：论文答辩。

4、参考文献

[1] 刘晓阳. 基于激光点云的散乱工件识别与定位[D].哈尔滨工程大学,2017.

[2] 韩翀蛟. 基于几何形状特征的工件识别方法研究[D].大连理工大学,2014.

[3] Vongbunyong S ,Kara S , Pagnucco M . General plans for removing main components in cognitiverobotic disassembly automation[C]//6th International Conference onAutomation, Robotics and Applications (ICARA 2015).

[4] Mazzetto M,Southier L F P, Teixeira M, et al. Automatic Classification of MultipleObjects in Automotive Assembly Line[C]. 2019 24th IEEE InternationalConference on Emerging Technologies and Factory Automation (ETFA). IEEE,2019: 363-369.

[5] 方贤根. 面向工业机器人喷涂的工件识别与位姿估计研究[D].哈尔滨工业大学,2018.

[6] 郝明. 机器视觉在机器人杂乱工件分拣中的应用[D]. 沈阳工业大学, 2015:10-11.

[7] 李凌旻，尚校，李靖等.线激光扫略的白车身装配特征机器人在线检测技术研究[J].测试技术学报, 2014(3):255-260.

[8] 官云兰，程效军，张明等.三维激光扫描数据配准方法[J].工程勘察 , 2008(1):53-57.

[9] 佐立营.面向机器人抓取的散乱零件自动识别与定位技术研究[D]. 哈尔滨工业大学, 2015:1-5,47-49.

[10] 陈伟.喷涂机器人轨迹优化关键技术研究[D].镇江:江苏大学博士学位论文，2013:2-7.

[11] Vincze M,Pichler A, Biegelbauer G, et al. Automatic Robotic Spray Painting of LowVolume High Variant Parts[C]//Proceedings of the 33rd ISR (InternationalSymposium on Robotics), 2002.

[12] 夏庆观，盛党红，路红等.零件图像特征提取和识别的研究[J].中国机械工程，2005

16 (22):2031-2033.

[13] 王修岩，程婷婷.基于单目视觉的工业机器人智能抓取研究[J].机械设计与制造，2011,5:135-136.

[14] 王晓华，傅卫平.零件的双目视觉识别定位与抓取系统研究[J].制造业自动化，2010，32(11):129-132.

[15] 王涛，刘文印.傅立叶描述子识别物体的形状[J].计算机研究与发展，2002,39(12):1714-1719.

[16] Shuhua L,Gaizhi G. The application of improved HSV color space model in image

processing[C].InternationalConference on Future and Communication, Shanghai, China, 2010, 2:10-13.

[17]GangfengXiao,Yongting Li,Qinxiang Xia,Xiuquan Cheng,Weiping Chen. Research on theon-line dimensional accuracy measurement method of conical spun workpiecesbased on machine vision technology[J]. Measurement,2019,148.

[18] Papazov C,Haddadin S, Parusel S, et al. Rigid 3D geometry matching for grasping of known objects in cluttered scenes[J]. InternationalJournal of Robotics Research, 2012, 31(4): 538-553.

[19]YufengShu,Changwei Xiong,Sili Fan. Interactive design of intelligent machine visionbased on human–computer interaction mode[J]. Microprocessors andMicrosystems,2020,75.

[20]. Algorithms;Studies in the Area of Algorithms Reported from Tongji University (CombustionState Recognition of Flame Images Using Radial Chebyshev Moment InvariantsCoupled with an IFA-WSVM Model)[J]. Science Letter,2018.