1.1 研究目的及意义

我们现在处于工业化和机械化时代，高精度的机器操作逐步取代人类简单的手工操作。在机器不断推陈出新的过程中，人们对机器的制作精度要求也越来越高，且由于设备不断的更新，其可以利用的寿命也十分有限。然而一个精良的机器设备成本不容小觑，因此人们在应对这种问题时，提出了对废旧机械中仍具有较高价值的零部件进行回收再利用的方法来减少浪费。自动化识别并拆卸特定零部件成为了一个人们亟待解决的问题的问题。其中基于图像的机器视觉是实现自动化拆卸的研究内容之一，是实现高价值零部件回收的重要核心技术。

图像处理是运用光学、电子光学、数字处理方法，对图像进行复原、校正、增强、统计分析、分类和识别等的加工技术过程。图像处理的技术应用于不同的领域，发展出了不同的分支结构，如遥感图像处理、医学图像处理等，其它如计算机图像学、模式识别、人工智能和机器人视觉学等学科领域也与图像处理有密切的关系。近年来基于图像处理的识别技术以其非接触式、较宽的光谱响应范围、定位、测量和缺陷检测的优势、在农作物质量检测、医学图像检测、军事目标识别、人脸识别、指纹识别、人民币序列号识别等领域取得了广泛应用。由于图像处理在物体识别方面具有重要作用，因此通过特定图像处理运用在实现零部件的自动化识别具有重大现实意义。

机器视觉就是用机器代替人眼来做测量和判断。具体操作是通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。因此可以利用基于机器视觉的图像处理来解决零部件的识别问题。

基于图像的机器视觉是目前常见的零部件识别方法，对两幅或多幅图像进行比较，通过找到共有景物来达到识别的目的，已在零部件的识别与拆卸中得到了应用．近年来随着传感器技术的发展，微软推出了Kinect系统，由于其方便实用，在三维重构、物体跟踪和姿态识别 等领域被广泛应用。Kinect系统能够获取视场内物体的图像及其表面的点云，通过对相关数据的处理，可以用于典型零部件的识别。

1.2 国内外研究现状

废旧机械产品的零部件是机器视觉识别的一个对象，零部件识别的核心是机器视觉识别的理论与技术。国内外对基于机器视觉的零部件识别主要还是基于特征的的图像识别，不同之处主要是采用的识别特征不同，如有采用零部件特征或轮廓曲线特征，有采用不变矩特征以及采用信息熵的。构建的识别模型结构不同，采用的识别手段也就不同。

机器视觉系统结合了光学、电子技术和计算机。机器视觉系统通过相机获取目标图像，然后利用计算机对图像进行预处理，对预处理后的图像进行分割后提取其中的有用信息，并对有用作出相应的判断，最后反馈有用信息给控制设备。机器视觉系统一般包括：光源、相机、图像处理硬件平台、图像处理软件平台、通信模块、机器视觉系统根据功能的不同可分为图像的获取、图像的处理、图像分析和图像显示。其核心部分是图像的处理与分析。随着光电、自动化和计算机图像处理技术的迅速发展，机器视觉在机械行业中的应用主要集中在产品质量检测及识别、定位领域。

在国内，对机器视觉的研究主要从1998年开始，王桂堂等研究了活塞环闭口间隙检测系统；雷良育等研究基于机器视觉的轴承内外径尺寸检测系统和齿轮外表面视觉检测系统；侯学智等利用机器视觉技术获取刀具的图像并将其转为数字信号工计算机进行处理，得到刀具的宽度，半径和长度等参数。在零部件图像识别领域，黄红艳等提出基于机械零件形状的在线自动检测识别系统，该系统以零部件的边数、边的长度、零部件的邻边夹角等特征来表达零部件的形状，然后利用高阶神经网络对其进行训练，依据训练好的模型实现了旋转、平移和尺度不变性的零部件识别；朱海涛等提出基于最小均方delta规则的神经网络零件识别方法，该方法首先对八组特征进行离线训练，然后计算训练模型的最优权值向量，这样可以使设备对多种零件的分类误差达到最小值，最后利用训练的模型对零部件进行识别。

在国外早在1977年，Jakubowski.R提出基于轮廓的旋转类机械零件描述结构来识别机械零部件；David Kerr采用机器视觉的方法，对数控机床的刀具磨损进行检测，实际应用中需要对刀具进行周期性的磨损检测来保证加工精度。Wonho Lee等开发了喷嘴零件视觉检测系统，首先对提取的喷嘴零件图像进行处理，并用形态学滤波方法对图像进行去噪，最后利用基于模板匹配的方法，对喷嘴零件进行识别。