[发明专利]一种基于词袋模型和支持向量机的活塞姿态检测方法

说明书

一种基于词袋模型和支持向量机的活塞姿态检测方法，先制作活塞图像样本数据集，然后构建基于活塞图像样本图像特征的词袋模型，再训练SVM分类器，然后用训练好的SVM分类器对未知活塞图像样本进行活塞姿态检测；本发明建立了活塞不同姿态、不同光照强度下的活塞图像样本数据集为后续研究提供了数据源；本发明构建了活塞图像样本数据集中所有图像样本的基于活塞图像样本图像特征的词袋模型，能方便地用于未知活塞图像样本中活塞姿态的检测；本发明利用基于活塞图像样本图像特征的词袋模型与SVM结合的方式训练了SVM分类器，实现了对未知活塞图像样本中活塞姿态的检测，以便实现毛坯活塞的自动上料。

技术领域

本发明涉及机器视觉应用技术领域，具体涉及一种基于词袋模型和支持向量机的活塞姿态检测方法。

背景技术

以工业机器人为核心的自动化加工制造技术在各行业的应用得到很大发展，汽车行业尤为突出。目前，在汽车发动机活塞的生产过程中主要依靠人工上料，导致活塞加工生产线柔性化自动化水平不高。为解决该问题，有人建立了一套基于机器视觉的毛坯活塞上料系统，它主要分为识别和抓取两部分，识别是通过机器视觉方法识别出待抓取的活塞的姿态；抓取是在获取活塞姿态之后，通过机械臂抓取并按要求的姿态放置活塞，活塞姿态的检测是该系统的关键技术之一。

词袋模型最早应用于神经语言程序学和信息检索领域，该模型将文本简单看作一些关键单词的集合，忽略语法和语序，用一组无序的关键单词表征一段文字或一个文档，以便于后续处理。近年来,词袋模型在计算机视觉中应用中也越加广泛，将图像类比成一段文字或一个文档，图像的特征看作关键单词，图像看作图像特征的集合，如此将图像“文字化”后，有助于后续对图像的处理。

支持向量机(SVM)算法由Vapnik于1995年首次提出，其在解决小样本、非线性及高维模式识别中表现出许多特有的优势，被誉为最优秀的有监督分类器。在机器学习领域的模式识别，数据分析，以及分类问题中广泛使用。

待抓取的活塞可能存在裙部朝上，裙部朝下以及横卧三种姿态，可应用基于词袋模型和支持向量机的方法实现活塞姿态的检测，目前还没有将词袋模型和支持向量机结合起来用于活塞姿态检测的文献公开。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于词袋模型和支持向量机的活塞姿态检测方法，实现活塞姿态检测，以便实现毛坯活塞的自动上料。

为了实现上述目的，本发明采取的技术方案是：

一种基于词袋模型和支持向量机的活塞姿态检测方法，包括以下步骤：

步骤1)、制作活塞图像样本数据集：

1.1)制作活塞图像样本数据集，对不同姿态、不同光照强度下的活塞进行采样，得到包含裙部朝上，裙部朝下以及横卧三种姿态的活塞各n张a*b大小的标准二进制活塞图像样本，a、b的单位为mm，并为每个活塞图像样本设置一个活塞姿态类别标签，这些活塞图像样本和活塞姿态类别标签共同构成包含3n张图像的活塞图像样本数据集；

步骤2)、构建基于活塞图像样本图像特征的词袋模型：

2.1)提取活塞图像样本数据集中所有图像的N个图像特征点，N的值不固定，由具体的图像特征点提取算法和被提取图像特征点的图像确定，每一个图像特征点由一个矩阵来表示，称该矩阵为图像特征描述子，收集上述得到的N个图像特征描述子，得到N个矩阵；

2.2)构建视觉词典，使用步骤2.1)所得的N个矩阵，利用聚类方法得到M个聚类中心，每个聚类中心与步骤2.1)中得到的图像特征描述子也是同维数的矩阵，所得到聚类中心称为视觉单词，M个视觉单词按先后顺序组成了一个视觉词典；