劃片機的視覺識別系統是以計算機為主的實時圖像處理系統。如圖1所示：
由光學照明系統，CCD攝像器件，圖像處理軟件等部分組成。
識別系統的目的是實現自動對準，在工作臺精度保證的前提下，高精度的圖象處理算法對視覺自動對準系統的精度起著決定性的作用，這當中的核心部分就是模式識別算法。目前常用的識別方法有統計模式識別法、特征提取法、神經網絡識別、模板匹配法等。國內在這一領域起步相對較晚，科研力量主要集中在一些高校院所，側重于理論研究，市場化效應不太明顯。這就使得在機器視覺領域的發展速度上明顯落后于歐美各國。
2 技術路線選擇
針對國內外現狀，我們在著手建立劃片機自己的視覺識別技術構架時，出發點就擺在一個怎樣根據設備自身特點，盡量利用現有成熟資源和理論算法，建立一個集效率和實用于一體的視覺算法集，進而形成針對全自動劃片機自己的機器視覺庫。
通過嘗試過多種方式，包括和國外機器視覺公司合作，根據特定功能模塊要求定制其成套視覺識別系統等。但是遇到的問題是必須承擔國外公司昂貴的開發成本和高額利潤，導致設備成本直線升高，而且在合作的過程中極有可能泄露我們自己的技術秘密。實踐檢驗這條路子是不可行的。購買國外視覺公司的軟件開發包，進行二次開發較上種方式更為合適，技術難度也較小。然而也面臨著軟件開發包針對性不強，實際使用過程中效果并不完全符合現場要求，單臺設備成本提高及出現問題無法解決等情況。經過不斷摸索，以及對當今業界幾種通用算法的比較后，我們最終決定在全自動劃片機上采用基于Open CV視覺函數庫的模板幾何特征匹配算法。
Open CV是英特爾開源計算機視覺庫，是一個跨平臺的由中、高層API構成的視覺函數庫。它由一系列C函數和少量c++類構成，實現了圖像處理和計算機視覺方面的很多通用算法，這就避免了我們在一些成熟低水平算法上的重復研究，節省了大量時間。更重要的是它對非商業用途和商業用途都是免費(FREE)的，不會對我們的設備成本造成壓力。而模板的幾何特征匹配是20世紀90年代后期在市場上出現的一種新的視覺定位技術。據了解，目前世界許多著名的半導體設備廠商包括日本DISCO，東京精密，美國K＆s等都在其主要設備視覺領域采用了與此相關的技術。與傳統的灰度級匹配不同，幾何特征匹配通過設置興趣域并學習興趣域內的物體幾何特征，然后在圖像內尋找相似形狀的物體，它不依賴于特殊的像素灰度，從原理上保證了它具有優于傳統視覺定位算法的一些特點。該算法在全自動劃片機的研制過程中得到了驗證。這種技術的應用，提高了全自動劃片機的視覺識別效率和自動對準能力，使得在改變工件角度、尺寸、明暗度等條件的情況下，仍能精確定位物體，實現自動對準劃切。
3 識別系統設計
3.1 設計流程
視覺識別系統的設計結構大都基本相似，關鍵在于識別算法的選擇，劃片機視覺識別系統設計結構流程如圖2所示：
在該算法的應用過程當中，考慮到劃片機工作現場的實際情況，為了有效地提取預存模板圖像的特征點，我們對獲取的劃切工件模板圖像進行了預處理，以便提取出圖像當中的幾何特征，這些預處理主要包括減小和濾除圖像中的躁聲、增強圖像中待匹配的幾何特征點等。這其中濾波和分割是提取預模板圖像幾何特征前的兩個重要步驟。
3.2 濾波器設計原理
一般來說，現場躁聲在圖像中都表現為高頻信號，因此一般的濾波器都是通過減弱和消除傅立葉空間中的高頻分量來達到濾波的目的。然而，待劃切工件中的各種結構細節，如：邊緣和角，也都屬于高頻分量，因此，如何在濾除躁聲的同時最大限度地保留圖像中的結構特征，一直是圖像濾波研究中的主要方向。
線性濾波器有移動平均濾波器和高斯濾波器等，非線性濾波器中最常用的有中值濾波器和SUSAN(Smallest Univalue Segment Assimilating Nucleus)濾波。其中SUSAN濾波可以在濾除圖像躁聲的同時很好保存物體的其他結構特征。能夠滿足全自動劃片機自動對準系統中對定位模板圖像進行躁聲平滑的效果要求。SUASN方法是一類圖像處理算法的總稱，包括濾波，邊緣提取，角點提取，所有這些算法的基本原理都是相同的。
SUSAN濾波實質上是加權平均的均值濾波，相似度測試函數為它的加權因子。式(1)定義了相似度測試函數，它衡量了像素S[i,j]與其領域內各像素S[i-m，j-n](m，n為偏移量)之間的相似程度?？梢钥闯觯合嗨贫葴y量函數不僅比較了S[i-m，j-n]和S[i，j]灰度值的差異，而且還考慮了S[i-m，j-n]與S[i,j]之間距離的影響。
式中：S[i-m，j-n]，S[i,j]為像素的灰度值，T是衡量灰度值相似程度的閥值，其取值對濾波結果影響較小。其中：θ可認為是高斯平滑濾波器的方差，θ取較大的值可以得到較好的平滑效果，θ取較小的值能保持圖像中的細節，經過多次實驗，我們認為取4.O較為合適。
相似度測量函數定義的濾波函數如式(2)：
式中：S，[i，j]是像素濾波后的灰度值。由式(2)可知，相似度大的權值就大，因此對濾波結果的影響較大，相反則影響較小。SUSAN濾波不包括中心點本身，可以有效的去除脈沖躁聲。
3.3 圖像分析算法選擇
經過濾波去除現場躁聲干擾之后，下一個環節是把圖像分離成互不重疊的有意義的區域，每一區域對應于某一物體的表面。分類的依據是像素的頻譜特性，空間特性，灰度值，顏色等。這實際上是由圖像處理過渡到圖像分析的重要一環，也是一種通用的計算機視覺技術。圖像分割的算法可分為兩大類：基于度量空間的灰度閾值分割法和基于空間區域增長分割法。對于全自動劃片機的自動對準系統而言，基于度量空間的灰度閾值分割法更為適用。相當于對圖像進行二值化處理。閾值一般由圖像的灰度直方圖計算得到。我們采用迭代算法針對雙峰直方圖進行了閾值計算。效果比較滿意。迭代算法是針對雙峰直方圖計算分割閾值的方法。既首先確定圖像中最大和最小灰度值Mmax和Mmin，令初始閾值為：
根據T將圖像分成目標和背景兩部分，分別求出兩部分的平均灰度值：
其中：i為灰度值，ni為灰度值等于i的像素個數，由此得到新的閾值：
如果：Tk+1=Tk，則迭代過程結束，否則繼續。
以上圖像預處理過程利用Open CV視覺函數庫中都能得到很好實現。
幾何特征點集是能正確反映定位標志位置點的集合，特征的選擇對最終的模板匹配有重要影響。幾何特征點數目越多匹配精度越高。但速度相對會慢。數目越少匹配精度會差。但速度相對會快。因此，我們經過多次實驗盡量選擇了最合適的幾何特征點，兼顧了匹配的速度和精度。在此系統的應用背景下，定位模板的幾何邊緣點是很好的選擇。為提取定位模板的幾何特征點集，首先利用迭代算法對圖像進行分割，然后利用SUASAN邊緣和角點提取算法得到定位模板的幾何邊緣點。
3.4 幾何邊緣角點提取原理
SUSAN幾何邊緣提取，是在給定大小的窗口中對像素進行運算，得到窗口中心點處的角點初始響應，再在所有初始響應中尋找局部極大值，得到最終的幾何邊緣點集，其算法如下：
(1)由以下兩公式計算窗口中灰度值與窗口中心像素相似的像素個數n(x0y0)：
(2)由下式得到角點的初始響應：
(3)重復(1)(2)得到圖像中所有像素處的角點初試響應，最后尋找局部極大值得到邊緣點集和角點的位置。幾何閾值對輸出的結果有一定影響，它不僅影響輸出角點的數量，更重要的是它還影響輸出角點的形狀，例如，當減小幾何閾值時，被檢測出的角點將會更尖銳。灰度差閾值T對輸出的角點的幾何形狀的影響不大，但它會影響輸出角點的數量。因為灰度差閾值定義了窗口中容許的最大灰度變化，而在劃切工件中，圖形模板與其背景圖像融合處灰度變化是最大的，所以當減小灰度閾值時，算法可以檢測出圖像中更微小的邊緣幾何變化，輸出更多的角點。
顯而易見，在劃片機的自動對準系統中，如果以模板圖像的幾何特征點作為依據，那么特征點的數量將會顯著減小，運算時間也大大縮短，可以大幅度提高自動對準的速度。
4 結束語
以上算法均在基于Open CV視覺函數庫的基礎上得到很好的實現，整個圖像處理過程在PC機上完成，使用VC++6.0開發工具實現。經過不斷現場實驗，我們最終認為：以0pen CV視覺函數庫為基礎，經過SUSAN濾波，迭代分割和SUSAN幾何邊緣角點提取算法得到的定位模板圖像的特征點效果理想，它不僅全面保留了圖形的輪廓特征，還極大地減小了特征點的數量，并可有效地提高劃片機圖像匹配自動對準的精度和速度。