Automatic screw identification and classification with machine vision and robotic arm

本研究應用機器視覺建立一套螺絲自動辨識與分類之系統。本系統同時利用Labview圖控式程式來整合影像處理、辨識與機器手臂控制系統，以減少傳統人工檢測的時間與成本。 在研究中，擷取影像後，把原始影像分割成二值化影像，並使用中值濾波器濾除雜訊，然後將處理後的螺絲影像分別量測其特徵值：長度、外徑、螺距，最後將辨識後的螺絲利用機器手臂夾取至指定位置，完成分類。本系統在螺絲長度的平均誤差率為6.79％，外徑的平均誤差率為2.53％，螺距的平均誤差率為5.14％。整體系統的辨識率為 84.13％。In this research, an automatic screw identification and classification system was established by using machine vision. The Labview Grapical Language was used to integrate the image processing, screw identification, and robotic arm control. This system was able to substitute the traditional manual screw classification and save the time and costs. In this study, the original image was first binarized to get the binary image. Then, the median filter was employed to remove the noise from the binary image and the following parameters of the screws were measured: the length, the major diameter, and the pitch. Finally, the robotic arm was utilized to clamp screws and move to the assigned position and thus classified the screws. The average error rate for the length measurement was 6.79%, for the major diameter was 2.53%, and for the pitch was 5.14%. The total identification rate was 84.13%.摘要 III Abstract IV 目次 V 表目錄 VII 圖目錄 VIII 1 第一章 前言與研究目的 1 1.1 前言 1 1.2 研究目的 2 2 第二章 文獻探討 3 2.1 影像處理的應用 3 2.2 機器手臂的應用 5 2.3 螺絲檢測的應用 6 3 第三章 理論分析 8 3.1 螺絲簡介 8 3.1.1 螺紋的術語 8 3.1.2 螺紋之種類與功用 10 3.1.3 螺紋的表示法 11 3.2 影像幾何 13 3.2.1 透視轉換 13 3.2.2 攝影機模型 15 3.3 影像處理技術 18 3.3.1 影像濾波 18 3.3.2 影像分割 19 3.4 機器手臂 19 3.4.1 參數定義與空間座標表示法 20 3.4.2 正向運動學 21 4 第四章 實驗設備與方法 24 4.1 實驗設備 24 4.2 實驗材料 28 4.3 實驗方法 30 4.3.1 影像擷取驅動設定 32 4.3.2 影像尺寸校正 35 4.3.3 影像前處理 37 4.3.4 特徵值的量測 38 4.3.5 辨識與分類 44 4.3.6 機器手臂 49 5 第五章 結果與討論 57 5.1 影像尺寸校正結果 57 5.2 影像處理結果 58 5.3 已知規格螺絲量測結果 61 5.4 未知規格螺絲量測結果 68 5.5 辨識與分類結果 70 5.6 手臂校正結果 72 5.7 人機介面 76 6 第六章 結論與建議 79 6.1 結論 79 6.2 建議 80 參考文獻 81 7 附錄A實驗數據 83 8 附錄B 螺絲自動辨識系統之方塊圖 9