零件形状误差的MTS测量识别方法

　　0引言

　　对机械零件进行自动识别与分类是实现工业机器人视觉应用，并对其生产质量实时监控的基础。木文提出的MTS判别分类法，是采用Taguchi方法进行特征选取，以马氏距离作为分类的判据。在对大量零件样木进行统计分析的基础上，较好地消除了“噪音”对图像的干扰，基于图像灰度特征选取的方法对图像的旋转、平移均无限制，可以达到较好的分类效果。

　　1马氏距离判别分类法

　　印度统计学家Mahalanobis提出的马氏距离与传统的欧氏距离相比，具有平移不变性、对任意可逆线性变换的不变性及与测量距离无关等优点，在许多测量领域得到广泛地应用。马氏距离判别分类法是零件采用待判别零件样木与标准零件样木间的马氏距离作为判据。马氏距离判别分析法的两个基木要素是样本特征值与判别域值。

　　1.1特征提取

　　本文采用了零件图像中的每一灰度值所对应像素点的个数来作为判别特征值。通常摄像头采集到的原始图像为RGB真彩色图像，在计算机中以一个mXnx3的三维数组(通常称为RGB数组)进行存储，m,n分别表示图像宽度和高度。可用公式(1)，将RGB的图像转化为灰度图像，即

　　式中

　　gray—一个像素点转化后的灰度值;

　　R,G,B—象素点对应的红、绿、蓝色分量值。灰度化后的图像计共有256个灰度级.每一个灰度级对应一个1x256的特征向量。

　　为突出图像中的零件，对灰度化后的图像进行了直方图均衡化。假定一幅图像的灰度级为r。按公式(2)对图像中的任意一个:值进行变换，式中ω是积分变量，是r的累积分布函数，即

　　按式(2)可以计算出变换后的变量的定义域内的概率密度是均匀分布的。其结果是扩展了像素取值的动态范围。图1为变换前后机械零件图像的图像效果。

　　1.2域值选取

　　计算出的零件马氏距离通过与判别域值的比较，决定待判别零件与目标零件是否为同一类。大于或等于判别域值，则待判别零件与标准零件为不同类;小于判别域值，则待判别零件与标准零件为同类。判别域值的确定是建立在对大量样木图像进行统计归纳的基础上的。在实验中选取了100张标准零件的图像，其中的零件角度和位置都各不相同。计算出100张图像到标准图像的马氏距离，分别记为(m1,m2,...，m10)，作出100个零件马氏距离的分布如图2所示。除去偏离较大的点，对剩卜的点取均值，即为所需要的判别域值。木实验所示零件的判别域值为1.59537。

　　1.3应用结果