[发明专利]基于机器视觉的多类目标识别定位方法、装置和设备

权利要求书

1.一种基于机器视觉的多类目标识别定位方法，其特征在于，包括：

获取目标区域内零部件目标的目标图像；

对所述目标图像进行特征提取和特征融合，得到目标融合特征；

将所述目标融合特征输入预先训练好的分类模型中，得到所述目标图像中各个零部件目标的分类结果；

对所述目标图像中分类后的各个零部件目标进行边缘检测和椭圆拟合，确定候选抓取目标区域以及椭圆拟合目标；

对所述候选抓取目标区域中的各个椭圆拟合目标进行抓取评分，得到所述各个椭圆拟合目标各自对应的抓取分数；

根据预设的决策规则和所述各个椭圆拟合目标各自对应的抓取分数，确定所述各个椭圆拟合目标中的最优抓取目标；

通过所述目标图像计算出所述最优抓取目标的坐标位置信息；

所述对所述候选抓取目标区域中的各个椭圆拟合目标进行抓取评分，得到所述各个椭圆拟合目标各自对应的抓取分数包括：

针对每个椭圆拟合目标，选取所述椭圆拟合目标的面积、长度和宽度作为三组实际特征值；

将所述椭圆拟合目标的三组期望特征值与三组实际特征值作差，得到三组偏差值，三组期望特征值是指在针对不同分类的椭圆拟合目标，预先设定的、经椭圆拟合后的面积、长度和宽度的期望值；

当所述三组偏差值满足预设偏差条件时，采用第一公式计算所述椭圆拟合目标的三组评分值，所述三组评分值是指面积对应的评分值、长度对应的评分值和宽度对应的评分值；

当所述三组偏差值不满足预设偏差条件时，采用第二公式计算所述椭圆拟合目标的所述三组评分值；

根据所述三组评分值和所述三组评分值各组对应的预设权值系数，计算得到所述椭圆拟合目标的抓取分数；

所述第一公式为：

所述第二公式为：

其中，i＝area、length或width，分别表示面积、长度和宽度对应的组别；b_i为第i组期望特征值，x_i为第i组偏差值，S_i为第i组特征的评分值，S_best为评分值中的最高分，S_good为预设容易抓取目标的期望得分，S_bad为呈现倾斜姿态或者表面被遮挡的目标的预设期望得分，C₁和C₂为归一化因子。

2.根据权利要求1所述的基于机器视觉的多类目标识别定位方法，其特征在于，所述对所述目标图像进行特征提取和特征融合，得到目标融合特征包括：

对所述目标图像进行SIFT特征提取，得到所述目标图像的SIFT特征；

基于RGB颜色空间对所述目标图像进行颜色直方图特征提取，得到所述目标图像的RGB颜色特征；

采用串行特征组合方式将所述SIFT特征和RGB颜色特征进行融合，得到目标融合特征。

3.根据权利要求1所述的基于机器视觉的多类目标识别定位方法，其特征在于，所述对所述目标图像中分类后的各个零部件目标进行边缘检测和椭圆拟合，确定候选抓取目标区域以及椭圆拟合目标包括：

对所述目标图像进行预处理；

对预处理后的目标图像中分类后的各个零部件目标进行边缘检测，提取得到二值轮廓图像；

将所述二值轮廓图像进行形态学膨胀，并利用边缘检测对膨胀后的图像进行二次轮廓提取；

对二次轮廓提取得到的图像进行滤波，确定候选抓取目标区域；

对所述候选抓取目标区域内的零部件目标的轮廓进行椭圆拟合，得到椭圆拟合目标。

4.根据权利要求3所述的基于机器视觉的多类目标识别定位方法，其特征在于，所述对预处理后的目标图像中分类后的各个零部件目标进行边缘检测，提取得到二值轮廓图像包括：

利用高斯滤波对所述预处理后的目标图像进行平滑处理，得到平滑图像；

利用Canny算子模板获得所述平滑图像的梯度幅度和梯度方向；

采用非最大值抑制算法对所述平滑图像进行优化处理，得到优化后图像；

采用双阈值法结合所述梯度幅度和梯度方向对所述优化后图像进行边缘检测，提取得到二值轮廓图像。