| 作品介紹 |
本作品以Staubli機械手臂搭載機器視覺進行物件分類工作。
主要物件分為三大類：寶特瓶、利樂包及鐵鋁罐。三者底部直徑十分接近（皆為6.5cm~7cm）且擷取之影像由上至下無法辨別方形或圓形，唯一相差較多的條件為高度（23cm、11.5cm、16cm），因此我們以高度作為物件判別之條件。
我們計算出的物件於各傾斜角度的尺寸特徵如下，在Φ = 0° ~ 45°(Φ = -135°~ 180°)時，可由長度(x軸)作為物件辨識特徵，而在Φ = 45°~ 90°(Φ = 90°~ 135°)時，則可由寬度(z軸)作為物件辨識的特徵，將影像處理過後辨識出的各項物件依據其位於x-z平面上之尺寸進行分析，可得到各項物件於影像中各種傾斜角度(Φ)所能量測到之邊長(x軸、z軸)數據，根據此特徵即可辨識出物件種類。
確認判別條件後我們使用LabVIEW進行影像處理功能，首先以webcam擷取物件平面之原始影像，因一個物件包含許多不同色塊，為避免誤判成多項物件，故先將原始影像灰階化(數值0~255)，灰階處理過後，背景與物件在短距離內的數值變化較大，所以在sobel高頻濾波(一階微分)時會有較好的邊緣檢測效果，此時已完成第一步：區分物件與背景。接著為了使邊緣影像更加明顯，使用二值化來提高對比度（以熵演算法計算門檻值，門檻值為6，範圍0~255）。經過二值化的影像雖已有明顯形狀，但中央有缺口並不完整，因此再使用形態學中的閉合填補中斷部份，然後以凸殼將圖形空隙進行填補，填補過後影像會出現些許雜訊，必須使用侵蝕將雜訊清除，完成這個步驟之後物件可能會失真，標準流程應該使用膨脹將物件回歸原始面積，但因我們只需抓出物件中心點及傾斜角度，故可以省去這些過程而加快影像處理速度。
經由以上步驟，即可框取出獨立物件，得到中心點座標及傾斜角度，接著再將座標回傳至Staubli機械手臂，讓機械手臂移動至該點進行夾取，最後再移至該夾取物件所對應之分類區位置放置物品。 |