基于机器视觉的运动鞋自动装箱检测技术

毛丽凤 夏汉均

（1、广东职业技术学院，广东 佛山 528000 2、东风日产乘用车公司，广东 广州 510000）

1 概述

随着机器视觉技术的迅猛发展，其在工业方面的检测应用也越来越广泛，例如：食品包装缺陷检测、汽车涂胶检测、瓶装啤酒填充液位检测、医疗图像检测等。但是国内还没有运用机器视觉进行运动鞋自动装箱检测的案例。

目前国内运动鞋装箱流水线采用人工检测的方式匹配运动鞋与对应的鞋盒，防止装箱错误。但在生产流水线上，人长时间工作很容易疲劳，导致生产效率降低，甚至出现失误。

本文采用基于机器视觉的运动鞋自动装箱检测技术，将采集的运动鞋与鞋盒上的标签图像，进行灰度化、Log 滤波、边缘检测、锐化等图像处理，再将处理后的图像，进行角点检测和特征匹配，最终达到自动检测目的。该技术可以代替人工检测，从而提高检测的质量和效率。

2 图像采集及灰度化

检测对象选取安踏男篮球鞋，通过改变工业机器人摄像机的位置和角度，获取运动鞋与鞋盒上标签的图像，并灰度化结果如图1 所示。

图1 获取带有标签的运动鞋与鞋盒图像

3 图像增强

采集的图像由于受外界因素的干扰，经常需要改善图像的质量，以增强图像的视觉效果。将一幅图像中的有用信息（即感兴趣信息）进行增强，同时将无用信息（即干扰信息或噪声）进行抑制，以提高图像的可观察性，利于计算机处理。

具体操作流程如图2 所示。

图2 图像增强操作流程

基于二阶微分的拉普拉斯算子对于细节（细线和孤立点）能产生更强的响应，并且各向同性，因此在图像增强中较一阶的梯度算子更受我们的青睐。然而，它对于噪声点的响应也更强。为了在取得更好锐化效果的同时把噪声干扰降到最低，可以先对带有噪声的原始图像进行平滑滤波，再进行锐化增强边缘和细节。Marr 等根据人类视觉特性，将高斯滤波和拉普拉斯边缘检测技术相结合，提出了高斯- 拉普拉斯算子，简称LoG（Laplacian of Gauss）算法。其形状酷似墨西哥草帽，因此也被称为墨西哥草帽算子，如图3 所示。

图3 LoG 算子

该算法的主要思路和步骤是：

（1）滤波：首先对原始图像f（x，y）进行高斯平滑滤波，即：

LoG 算子先将图像进行高斯滤波，滤除服从高斯分布的噪声，且孤立的噪声点和小组织结构也被滤除；再用拉普拉斯锐化突现图像的边缘信息。LoG 算子与拉普拉斯算子相比，噪声得到了有效的抑制，锐化效果较好。

运用LoG 算子处理采集的运动鞋与鞋盒标签图像效果如图4、5 所示。

图4 LoG 算子处理运动鞋标签效果

图5 LoG 算子处理鞋盒标签效果

4 图像角点匹配

4.1 角点提取

特征点是一幅图像中最典型的特征标志之一，因其易于匹配，在影像匹配、图像拼接等诸多方面都具有重要作用。角点特征与直线、圆、边缘等其他特征相比，具有提取过程简单、结果稳定、提取算法适应性强的特点，成为图像特征匹配算法的首选。

经过实验比较，本文采用Harris 角点检测算法。该算法是Chris Harris 和Mike Stephens 在1988 年提出的一种基于信号的点特征提取算子，该算子通过简单的一阶差分计算，可以提取稳定、均匀的角点特征并且可以定量提取特征点。运用Harris算法对运动鞋与鞋盒标签锐化图像进行角点提取结果如图6所示。

图6 Harris 算法提取运动鞋与鞋盒标签角点

4.2 角点特征匹配

所谓角点特征匹配是判断图像间的角点特征是否存在对应关系，在提取出角点后，计算角点间的相似程度，寻找两两角点进行匹配对。将上述通过Harris 算法提取的角点进行匹配，角点特征匹配结果如图7 所示。

图7 运动鞋与鞋盒标签图像角点匹配

5 结论

本文通过采集运动鞋与鞋盒上的标签图像，经过灰度化、平滑滤波、边缘检测、锐化等图像增强处理，再将处理后的图像进行角点提取、特征匹配，最终将标签中货号、鞋码等关键信息进行匹配，匹配效果良好。综上所述，可将此自动检测技术运用在运动鞋装箱流水线上，代替人工检测，提高检测的质量和效率。