基于机器视觉的答题卡识别系统设计

为降低成本与实现答题卡的自动化识别,设计了基于机器视觉的答题卡识别系统,对图像提取、区域划分及识别算法分别进行研究。通过形态学操作、轮廓检测、仿射变换等技术,实现对答题卡图像的提取;基于最大矩形框检测算法,实现答题卡的区域划分;利用透明通道(Alpha通道)对标准答案与待识别答案填涂区域进行抠图,将处理后的图像匹配叠加;利用叠加图像的RGBA颜色空间特性、同步头的灰度投影结果与指针算法共同完成答题卡的识别。试验结果表明,系统的使用与维护成本低、操作方便且具有较好识别效果。     

基于机器视觉技术的分拣机器人研究综述

随着机器视觉技术和人工智能的高速发展,当代机器人正朝着协作化、自动化、网络化以及智能化方向发展。为保障机器人作用的精准高效,机器视觉技术受到了极大的关注并被广泛应用于各领域。传统的分拣过程受物件特征的影响较大,而机器视觉技术具有速度快、信息量大、功能多的特点,并且能避免工人疲劳带来的误差,因而机器视觉技术在分拣领域表现出了良好的应用前景。基于此,详细分析和探讨了基于机器视觉技术的分拣机器人的组成、关键技术以及在各个行业的应用现状,具体阐述了相应的优势、存在的问题及可行性解决方案。最后,展望了分拣机器人结合机器视觉技术在人工智能大数据时代的发展趋势。     

基于机器视觉的机器人写字技术的设计

针对教学与实验,提出一种基于机器视觉的机器人写字方法。以六自由度DENSOVP6242G机器人、信捷机器视觉和PC机为实验平台,通过机器视觉获取字符的图像信息,采用VC++编程,利用机器视觉自定义协议将图像传输给PC机;借助OpenCV库对图像进行阈值化、闭运算、细化和笔画分割等一系列的处理;利用图像处理得到字符坐标信息控制机器人的多轴联动,机器人控制器与PC机之间通过ORiN2连接,从而完成字符的书写。实验表明,在字迹清晰条件下该方法能够使机器人准确地写出机器视觉所看到的字符。     

基于机器视觉的烹饪机器人锅具识别算法

全面介绍了基于机器视觉的烹饪机器人锅具识别算法,用于提取复杂背景中的锅具曲线.算法分为两个阶段:特征点确定、图像匹配.使用曲率作为特征点,给出了数字图像的离散特征点计算方法和加权Hausdorff距离识别锅具轮廓特征点.解决了图像因为旋转、位移、缩放造成图像形变以及由于锅具动作图像部分遮挡、动态模糊造成识别困难问题.实验表明该锅具识别算法能够高效地提取画面中的锅具轮廓,能较好地满足烹饪机器人示教系统的要求.     

基于机器视觉的水面巡航清洁机器人

针对小面积水域垃圾漂浮物打捞方式落后以及人工清理效率不足等问题,提出一种基于OPENCV机器视觉的水面巡航清洁机器人.机器人以STM32F103ZET6为控制器,采用边缘识别Sobel算子进行距离控制和航线规划,LBP级联分类器进行目标检测,联动推杆机构和摆动捕捞机构进行垃圾回收,以双无刷电机作为水中动力结构.机器人支持移动终端远程控制,搭载姿态模块进行侧翻预警,航行状态下目标识别率能达到86%以上.系统响应速度快,具有较好的抗干扰能力,对水域清洁维护具有重要意义.     

基于机器视觉的首饰识别

为了实现首饰的自动识别,设计了一套基于机器视觉的首饰识别系统,并提出相应的算法。采用8种首饰作为试验样本,利用G+R分量和的颜色阈值分割法,并用27×27的模板对二值化图像进行滤波,采用2×2窗口内像素灰度值之和并结合阈值的边缘提取方法。提取面积特征和图像形心到边缘的距离特征。对面积判断其大小在设定数值范围内,对距离特征采用互相关算法处理。实验结果表明,该方法的识别准确率达100%,识别一个首饰所用时间约3秒,满足在实际中应用的要求。     

基于机器视觉的交通标志识别系统设计

以MATLAB的Simulink和计算机视觉工具箱为基础,分析了其在交通标志识别中的应用。交通标志识别系统采用Simulink模块进行搭建。系统由视频输入、检测识别和视频显示模块构成。视频输入模块对采集视频中的视频帧进行颜色空间转换,检测识别模块通过函数编写来实现当前图像与模板库标志对比来识别交通标志。为验证系统的有效性,通过对行车记录仪视频进行实验,实验结果表明,系统可以对交通标志进行有效识别,实时性和鲁棒性较好。     

基于机器视觉的烟箱包装带识别定位算法

为了提高烟箱拆包的效率,提出了一种基于机器视觉的烟箱包装带识别与定位算法.首先将采集到的RGB颜色空间的彩色图像转换为OHTA颜色空间中的灰度图像,通过采用复合动态阈值法在变化光线强度下将箱体与背景分割开;然后用BLOB滤波算法滤除图像中的噪声,沿箱体主轴利用剪切点搜索算法识别并定位了各条包装带的剪切位置.利用开发的智能烟草拆箱机器人系统,进行了大量的试验,结果表明:系统在光照强度为150～400 lx范围内,能对白、黑,灰、紫、青、黄、绿、蓝、咖啡色等9种颜色的包装带进行识别、定位,最大误差为7 mm,检测时间最长190 ms,满足实用要求.     

基于机器视觉技术的叶面积测量系统实现

研究并实现了用于测量叶片面积的软硬件系统,并可进行叶片面积的统计.根据植物与土壤背景的颜色特征关系研究了提取叶片颜色特征将彩色图像转成灰度图像的算法,应用迭代求图像最佳分割阈值法进行图像二值化,中值滤波去除二值化图像的噪声干扰,Kirsch边缘算子进行叶面边缘轮廓的提取.     

基于机器视觉的无线遥控仓库火灾预警机器人

设计一种能实现远程遥控,检测仓库周围有无火灾,若有火灾发生,及时报警并灭火。通过寻迹摄像头完成寻迹功能,通过可旋转的侦查摄像头,全方位地侦查仓库周围环境有无火灾现象。改变传统依靠人或者固定摄像头发现火灾现象并预警的不及时性和漏报的情况。大大提高检测性能。该设计采用MC9S12XS128单片机为机器人主控制核心,采用STC5410AD单片机为操作平台的控制核心,采用直流无刷电机及控制电路为机器人驱动部分。采用多传感器实现火源检测、图像传输等功能。软件设计采用C语言开发。整个系统设计灵巧,具有高可靠性、高灵敏性、低误报率等特点,使用效果良好。     

基于视觉与超声技术机器人自动识别抓取系统

提出了满足机器人装配作业中对工件进行可靠识别与抓取的信号处理技术及检测方法,对痛准确描述物体形状的特征提取方法进行了研究,设计了一种基于视觉与超声技术的机器人自动识别与抓取系统的结构,并在机器人装配作业平台上进行了物体识别与抓取的实验研究。     

枇杷枝条修剪机器人的视觉识别和框架提取

通过对枇杷枝条特征图像的分析,提出了一种枇杷枝条图像识别和框架提取的方法.该方法首先通过对亮度进行转换,找到通用的分割阈值;然后将分割图像和转换的二值图像进行叠加,获取初始枇杷枝条特征图像;再利用枇杷枝条的连枝特征进行第二次特征图像的提取和噪音的消除;之后通过枝条边界轮廓和非合理间断部分的补偿处理,完成枇杷枝条框架的提取,获得机器人修剪所需的枇杷枝条直径和中心点坐标.文中还通过实例对该方法的准确性进行了验证,枇杷枝条图像正确识别率达91.2%.     

基于机器学习与视觉的四足机器人步态精确监测方法

为保证四足机器人在复杂地形中能准确行进,对其步态实时监测方法进行了研究,提出一种基于机器学习和双目视觉的步态精确监测方法。首先为降低视觉残影误差,从已知步态轨迹“动中取静”确定对足端的最佳观测点位。此外,为补偿视觉系统误差所致足端位姿测量误差,提出一种基于深度神经网络的足端位姿精确预测方法。最后仿真结果表明所设计神经网络有99.68%的概率能达到0.025 mm足端位置预测精度,可满足实时、高精度监测要求。此方法将机器学习的泛化能力与视觉系统复杂误差来源相结合,使视觉方法实现了高精度测量,为足式机器人步态实时精确监测提供了新思路,进而为其足端精确定位及步态周期性保持提供了有益的方法参考。     

基于机器视觉的动态多目标识别

提出了一种基于机器视觉的实时动态多目标识别的方法.该方法首先根据前后帧之间像素的变化,分割出运动目标和样本图像,然后使用Gabor滤波器提取图像的特征,得到特征向量.最后使用Fisher判别准则分类识别,将得到的分类识别结果自动标注在输出图像中,并且将其连续输出,便能获得已经识别完成的输出视频.实验结果表明,在多个动态目标的情况下,综合运用Gabor特征与帧间差分法的动态目标识别方法能准确检测到动态目标区域,并能准确分类、识别和标注.     

基于机器视觉技术的射击训练系统

简述了机器视觉图像识别技术在射击训练中的应用,并从硬件、软件组成及工作流程等方面对其进行了系统介绍,系统完成后可降低射击训练成本,提高报靶速度、精度。     

基于视觉的水面垃圾清理机器人目标检测算法

针对中小型水域漂浮垃圾清理困难问题,通过分析水面图像的特点,提出基于视觉的水面机器人垃圾检测方法。首先使用Mean-shift滤波平滑算法,在保持目标边缘的基础上尽可能平滑波纹的干扰;然后使用基于色差灰度模型与改进的OTSU阈值法分割出水面目标,能有效地抑制水面光照不均和水面倒影的问题;接下来采用先闭运算后开运算的形态学处理,填充小孔、消除孤立噪声点;最后计算各目标对象的质心坐标,最小外界矩,对目标进行标记,进为机器人的进一步动作提供依据。实验结果表明该方法能够较好地克服水面复杂环境影响,快速、准确地提取出水面的漂浮垃圾。     

基于机器视觉的零件自动装配系统

针对工业装配生产线的削刀架自动装配问题，基于机器视觉技术，构建了一套在线机器视觉系统．采用特征值方法识别零件，并通过质心法结合特征点及最小二阶矩进行定位．利用带有透镜径向一阶畸变的小孔摄像机模型，采用径向排列约束（RAC）2步标定法对摄像机进行了标定，并在线验证．实验结果表明，该方法可获得很好的识别效果，识别零件正确率100％，系统工作时间约300ms，满足装配作业的实时性和精度要求．