中国工程机器人大赛技术报告 第 7 页
2.3物料探测与获取—摄像头
当搬运机器人按规划的路径前进时，需要对物料是否进入搬运机器人的机械手臂夹取范围内进行探测，当物料进入机器人的机械手臂时，对物料进行抓取。本设计采用的是测量物料到机械手的距离的方法。
此搬运机器人采用摄像头识别测距，摄像头通过识别黑线距物料的距离来判定接下来的动作指令。具体情况在后文中会加以说明。
图2-5摄像头识别
2.4 K60单片机的选择
K60系列MCU具有IEEE1588以太网、全速和高速USB2.0 OTG、硬件解码能力和干预发现能力。芯片从带有256KBflash的100引脚的LQFP封装到1MBflash的256引脚的MAPBGA封装，具有丰富的电路、通信、定时器和控制外围电路。高容量的K60系列带有一个可选择的单精度浮点处理单元、NAND控制单元和DRAM控制器。选择类型如图2-6.
图2-6 芯片选择类型
中国工程机器人大赛技术报告 第 8 页
2.5图像处理板的选择
图像处理芯片选择一般有以下参考：
? 时钟频率（ ov7620， 640*480， pclk=72MHz） ? RAM大小（ov7620， 640*480， 300KB ） ? 处理效率（多任务，实时性）
而此搬运机器人采用一种基于ARM的微型电脑主板Raspberry Pi(中文名为“树莓派” ,简写为RPi，或者RasPi/RPi)是为学生计算机编程教育而设计，只有信用卡大小的卡片式 电 脑 ， 其 系 统 基 于Linux。其硬件和软件参数如图2-7和2-8所示。
图2-7 树莓派板子
图2-8 树莓派硬件配置
操作系统： Debian GNU/Linux 图像处理软件库： Opencv2.4.10
Open CV的全称是： Open Source Computer Vision Library。 Open CV是一个基于（ 开源） 发行的跨平台计算机视觉库，可以运行在Linux、 Windows和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成， 同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
中国工程机器人大赛技术报告 第 9 页
2.6摄像头图像处理
·滤波与降噪·图像二值化·形态学（morphology）·边缘检测·基于hough的线检测·特征识别与模版匹配
2.6.1 滤波
滤波分为线性滤波和非线性滤波。 线性滤波：
? 方框滤波——box blur函数
? 均值滤波（邻域平均滤波） ——blur函数 ? 高斯滤波——Gaussian Blur函数
非线性滤：
? 中值滤波——median Blur函数
? 双边滤波——bilateral Filter函数
邻域算子用于图像滤波，实现图像的平滑和锐化，图像边缘增强或者图像噪声去除。用不同的权重去结合一个小邻域内的像素，来得到应有的处理效果，滤波的加权系数，即滤波器的“滤波系数”。左边图像与中间图像的卷积产生右边图像。目标图像中蓝色标记的像素是利用原图像中红色标记的像素计算得到的。
图2-9 邻域算子
2.6.2数学形态学
数学形态学（ Mathematical morphology） 是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。其基本的运算包括：二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、 Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。一般分为四步： ? 消除噪声
中国工程机器人大赛技术报告 第 10 页
? 分割(isolate)出独立的图像元素，在图像中连接(join)相邻的元素。 ? 寻找图像中的明显的极大值区域或极小值区域 ? 求出图像的梯度
其中，霍夫变换于1962年由PaulHough首次提出， 最初的Hough变换是设计用来检测直线和曲线， 起初的方法要求知道物体边界线的解析方程， 但不需要有关区域位置的先验知识。 这种方法的一个突出优点是分割结果的Robustness,即对数据的不完全或噪声不是非常敏感。 后于1972年由Richard Duda & Peter Hart推广使用， 经典霍夫变换用来检测图像中的直线， 后来霍夫变换扩展到任意形状物体的识别， 多为圆和椭圆。 霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值， 从而把检测任意形状的问题转化为统计峰值问题。霍夫圆变换的基本原理和上面讲的霍夫线变化大体上是很类似的，只是点对应的二维极径极角空间被三维的圆心点
2.6.3膨胀与腐蚀
腐蚀和膨胀是对白色部分（ 高亮部分） 而言的， 不是黑色部分。 膨胀就是图像中的高亮部分进行膨胀， “领域扩张” ， 效果图拥有比原图更大的高亮区域。 腐蚀就是原图中的高亮部分被腐蚀， “领域被蚕食” ， 效果图拥有比原图更小的高亮区域。 其实， 膨胀就是求局部最大值的操作。 按数学方面来说， 膨胀或者腐蚀操作就是将图像（ 或图像的一部分区域， 我们称之为A） 与核（ 我们称之为B） 进行卷积。 核可以是任何的形状和大小， 它拥有一个单独定义出来的参考点， 我们称其为锚点（ anchorpoint） 。而膨胀就是求局部最大值的操作， 核B与图形卷积， 即计算核B覆盖的区域的像素点的最大值， 并把这个最大值赋值给参考点指定的像素。 这样就会使 图像中的高亮区域逐渐增长。 如图所示， 这就是膨胀操作的初衷。
（a） （b） 图2-10腐蚀和膨胀
本节，我们重点了解了腐蚀和膨胀这两种最基本的形态学操作， 而运用这两个基 本操作， 我们可以实现更高级的形态学变换。 ? 开运算（ Opening Operation） ? 闭运算(Closing Operation)
? 形态学梯度（ Morphological Gradient）
中国工程机器人大赛技术报告 第 11 页
? 顶帽（ Top Hat） ? 黑帽（ Black Hat）
2.6.4边缘检测
边缘检测的一般步骤：
A. 滤波： 边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对 噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常 见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高 斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。
B. 增强： 增强边缘的基础是确定图像各点邻域强度的变化值。 增强算法可以将图 像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计 算梯度幅值来确定。
C. 检测： 经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应 用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进 行取舍。实际工程中，常用的方法是通过阈值化方法来检测。