[发明专利]一种立体图像采集装置

说明书

技术领域

本发明涉及自动化机械设备技术领域，更具体的说是涉及一种立体图像采集装置。

背景技术

现代工业中，许多产品(如电子与器件、五金器件零部件等)的生产在自动线上完成，各生产环节都涉及到产品的质量检测，一些企业投入大量人力，采用肉眼检测的方式来控制产品质量，但由于一些人为因素，产品质量难以保证。为提高检测效率和保证产品质量，采用机器视觉技术代替人的视觉进行产品质量的自动检测是解决问题的有效方法。

机器视觉由于可快速获取大量信息，且易于同设计信息和控制信息进行集成，因此在现代制造生产过程中，机器视觉被广泛的用于质量检测、生产控制等。相对于人眼视觉，机器视觉具有很大的优势和发展前景，因此近年来机器视觉得以迅速发展，其广泛应用于医疗、工业、农业、军事、交通等各个领域。

在我国，直到90年代中后期机器视觉技术才逐渐被人们认识和了解，目前，用在制造业中机器视觉仍存在产品质量检测效率低下的问题，因此难以推广。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种立体图像采集装置，使用CCD相机获取产品的图像，使用控制器对产品的图像进行处理，其中处理的过程可以提高产品质量检测效率。

为实现上述目的，本发明提供了如下技术方案：

一种立体图像采集装置，包括依次连接的CCD相机、图像预处理模块、图像分割模块、特征抽取模块、数据预处理模块、神经网络学习模块以及神经网络检测模块；

所述CCD相机用于获取产品的原始图像，并发送至所述图像预处理模块；

所述图像预处理模块用于对所述CCD相机获取到的原始图像进行灰度级修正处理和噪声平滑处理，并发送至所述图像分割模块；

所述图像分割模块用于对修正、平滑处理后的图像进行分割，并发送至所述特征抽取模块；

所述特征抽取模块用于对分割后的图像的灰度进行度量，产生相应的特征向量，并发送至所述数据预处理模块；

所述数据预处理模块用于将特征向量归一化到0至1之间，并输入至所述神经网络学习模块；

所述神经网络学习模块用于根据原始图像获取归一化后的特征向量，并生成相应的输入网络模式；

所述神经网络检测模块用于对输入网络模式进行识别和分类，以区分合格产品和不合格产品。

作为一种可实施方式，还包括伺服机械手；所述伺服机械手连接所述数据预处理模块，用于接收归一化到0至1之间后的特征向量；所述伺服机械手还连接所述CCD相机，用于根据接收到的特征向量控制所述CCD相机的拍摄角度。

作为一种可实施方式，所述图像分割模块用于根据阈值分割法对修正、平滑处理后的图像进行分割；其中，图像分割模块先根据修正、平滑处理后的图像选取相应的灰度级阈值，再将修正、平滑处理后的图像中的每个像素灰度和灰度级阈值进行比较，并在像素灰度高于阈值时分配以最大灰度，在像素灰度低于阈值时分配以最小灰度，从而形成相应的二值图像，实现图像分割。

作为一种可实施方式，所述特征抽取模块用于从二值图像和原始图像中抽取相关于灰度信息的特征，并生成相应的矩形区域，然后从矩形区域中提取背景光亮度值和矩形区域光斑的大小，产生相应的特征向量，并发送至所述数据预处理模块。

作为一种可实施方式，所述数据预处理模块用于根据S函数将特征向量归一化到0至1之间，并输入至所述神经网络学习模块；其中，S函数为f(x)＝1/(1+e^-x)。

作为一种可实施方式，所述神经网络学习模块用于根据原始图像获取归一化后的特征向量确定BP神经网络的最佳结构，其中，确定BP神经网络的最佳结构的方式为依次确定输入层节点数、输出层节点数以及隐含层节点数；

所述神经网络学习模块还用于根据确定的输入层节点数、输出层节点数以及隐含层节点数生成相应的输入网络模式。

作为一种可实施方式，在所述BP神经网络的最佳结构中，特征向量为4维，输入层节点数为4个，隐含层节点数估算方法为

其中，N_H为最佳隐含层节点数；N_I为输入层节点数；N_O为输出层节点数；N_P为训练样本数。

作为一种可实施方式，在所述BP神经网络的最佳结构中，还根据反向传播法来产生新的权值和阈值，所述反向传播法为：

ΔW(k+1)＝(1-mc)·α+mc·ΔW(k)；

Δθ(k+1)＝(1-mc)·d+mc·Δθ(k)；