CN104537363A - 基于视觉检测系统的橱柜调节脚全自动装配控制方法 - Google Patents

Abstract

基于视觉检测系统的橱柜调节脚全自动装配控制方法，属于全自动装配领域。现有的塑料橱柜调节脚全自动装配过程中，由于采用人工装配方法，存在装配效率低、装配成品误差率高的问题。一种基于视觉检测系统的橱柜调节脚全自动装配控制方法，选取两组工件图片作为训练样本；对选取的训练样本进行图像缩放和去噪声处理，得到两种原始灰度图像，对灰度图像分别进行二值化处理，提取ROI区域，提取ROI区域的轮廓特征得到轮廓图像，利用轮廓图像的像素值计算得到轮廓Hu矩，将轮廓Hu矩作为样本，生成训练模型；对待检测工件进行拍摄，重复上述过程获得待测图像的轮廓Hu矩，利用训练模型惊醒识别判定；若判定结果为需要翻转，通过控制系统实现对待检测调节脚元件进行翻转操作。

Description

基于视觉检测系统的橱柜调节脚全自动装配控制方法

技术领域

本发明涉及一种基于视觉检测系统的橱柜调节脚全自动装配控制方法。

背景技术

调节脚在人类生活和生产中随处可见，主要用于在家具下方，利用其具有的螺纹进行调节，实现调节家具高度、防滑、防震等目的。目前调节脚装配过程主要依靠工人手工装配，人为因素导致组装效率低、组装件精度差等诸多弊端。特别地，由于圆柱型调节脚元件B两端中的一端具有内螺纹，另一端为光滑的，在装配的过程中，需要人工鉴别出有内螺纹的一端，使之与原件A配合，现在主要是依靠人工操作，由于人为因素，导致安装工件误差率高，安装效率低。圆柱型原件B的材质为塑料，重量较轻，端口有无内螺纹无法从重量、形状上区分，无法利用提升机这一类机械系统识别端口有无内螺纹。

由于上述提升机自身原理的限制，只能保证圆柱型原件B的轴线平行于传送带的运动方向，不能保证有内螺纹的端口朝向运动方向，因此，需要一个全自动的识别翻转装置，使圆柱型原件B的带内螺纹端口朝向运动方向。

发明内容

本发明的目的是为了解决现有的塑料橱柜调节脚全自动装配过程中，由于采用人工装配方法，存在装配效率低、装配成品误差率高的问题，而提出一种基于视觉检测系统的橱柜调节脚全自动装配控制方法。

一种基于视觉检测系统的橱柜调节脚全自动装配控制方法，所述翻转判定方法通过以下步骤实现：

步骤一、将调节脚元件的两种端口分类为带内螺纹端口和无内螺纹端口，分别选取一组内螺纹端口和一组无内螺纹端口的图片作为训练样本；

步骤二、分别对步骤一选取的训练样本进行图像缩放和去噪声处理，得到两种原始灰度图像；

步骤三、分别对步骤二得到的原始灰度图像进行二值化处理，并从二值化处理后得到的图像中提取出含有调节脚元件端口的ROI区域；

步骤四、分别利用步骤三提取的含有调节脚元件端口的ROI区域，在步骤二得到的原始灰度图像中提取相应的含有调节脚元件端口的ROI区域；

步骤五、分别提取步骤四中相应的含有调节脚元件端口的ROI区域的轮廓特征，获得轮廓图像；计算轮廓图像的轮廓Hu矩并进行归一化；

步骤六：将步骤五获得的轮廓Hu矩作为样本，利用基于机器学习的分类器对轮廓Hu矩样本进行训练，生成训练集的训练模型：支持向量机SVM分类器和费舍尔判别FDA分类器；

步骤七、利用所述塑料橱柜调节脚全自动装配设备的视觉检测箱内部安装的摄像头和红外光源，对传送至视觉检测箱内部的待检测调节脚元件进行拍摄，将拍摄得到待检测调节脚元件的测试图像进行与步骤二至步骤五相同的预处理，以计算测试图像含有调节脚元件端口的ROI区域的轮廓Hu矩，并进行归一化处理，作为待分类样本；

步骤八、将步骤七计算得到的归一化后的ROI区域的轮廓Hu矩利用步骤六生成的两个训练模型进行识别，其中，费舍尔判别FDA分类器判别公式为：式中，n_j表示第j类观测样本的样本个数，W_u表示经过降维选取的u个FDA向量组成的变换矩阵，表示第j类轮廓Hu矩样本的类内离散度矩阵，x_i表示轮廓Hu矩样本的向量，表示第j类样本的平均值；支持向量机SVM分类器的判别公式为超平面 $f\left(x\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{w}_k{x}_k+q=0,$ 满足 $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ζ}}_k,$ $\left\{\begin{array}{c}{y}_k(w^T{x}_k+q)\≥1-{\mathrm{\ζ}}_k\\ {\mathrm{\ζ}}_k\≥0\end{array}\right.,k=1,...M;$

步骤九、当两个训练模型识别出的结果不一致，则重新执行步骤七和步骤八，直到两个训练模型识别出的结果均为带内螺纹端口朝向传送方向，则将待检测调节脚元件直接用于装配；当两个训练模型识别出的结果均为带内螺纹端口未朝向传送方向，则对该工件进行标记，且执行步骤十；

步骤十、当待检测调节脚元件传送至翻转装置功能区域时，翻转装置则对带有标记的待检测调节脚元件进行首尾调换的翻转操作。

本发明的有益效果为：

本发明方法具有通用性，对不同型号的待检测调节脚元件的拍摄图像均能进行检测，实现通过视觉检测的方法判断出带内螺纹的端口朝向，使调节脚的翻转过程不需人工干扰，进而将调节脚装配过程自动化，使调节脚装配效率提高了60％。

本发明具体是对获得的所需检测的两种端口进行分类，即带内螺纹端口和无内螺纹端口；分别获得这两类端口的若干清晰图片作为训练样本；对训练样本进行缩放、去噪声处理、二值化的预处理，对于预处理后的训练样本进行特征提取并进行处归一化处理；根据获得的处理后的特征空间，利用基于机器学习的分类器进行训练，生成训练集的两种训练模型。二者结合判定，判定结果相同后再进行翻转的判定，识别准确率达到98％，且体现了实时检测的性能。对于待检测的测试图像进行预处理和特征提取后，利用已经生成的训练模型进行识别，利用支持向量机SVM分类器和费舍尔判别FDA分类器进行训练。通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本较少的情况下，获得良好的统计规律的目的。

附图说明

图1为本发明涉及的翻转判定方法的流程图；

图2为本发明涉及的带内螺纹端口图片训练样本的原灰度图像；

图3为本发明涉及的无内螺纹端口图片训练样本的原灰度图像；

图4为本发明涉及的二值化后得到的灰度图像；

图5为将图4中白色部分提取出来得到的灰度图像；

图6为将图5边缘检测得到轮廓；

具体实施方式

具体实施方式一：本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，所述翻转判定方法通过以下步骤实现，如图1所示：

步骤一、将调节脚元件的两种端口分类为带内螺纹端口和无内螺纹端口，分别选取一组内螺纹端口和一组无内螺纹端口的图片作为训练样本，如图2、图3所示；

步骤二、分别对步骤一选取的训练样本进行图像缩放和去噪声处理，得到两种原始灰度图像；

步骤三、分别对步骤二得到的原始灰度图像进行二值化处理，并从二值化处理后得到的图像中提取出含有调节脚元件端口的ROI区域；

步骤四、分别利用步骤三提取的含有调节脚元件端口的ROI区域，在步骤二得到的原始灰度图像中提取相应的含有调节脚元件端口的ROI区域；

步骤五、分别提取步骤四中相应的含有调节脚元件端口的ROI区域的轮廓特征，获得轮廓图像；计算轮廓图像的轮廓Hu矩并进行归一化；

步骤六：将步骤五获得的轮廓Hu矩作为样本，利用基于机器学习的分类器对轮廓Hu矩样本进行训练，生成训练集的训练模型：支持向量机SVM分类器和费舍尔判别FDA分类器；

步骤七、利用所述塑料橱柜调节脚全自动装配设备的视觉检测箱内部安装的摄像头和红外光源，对传送至视觉检测箱内部的待检测调节脚元件进行拍摄，将拍摄得到待检测调节脚元件的测试图像进行与步骤二至步骤五相同的预处理，以计算测试图像含有调节脚元件端口的ROI区域的轮廓Hu矩，并进行归一化处理，作为待分类样本；

步骤八、将步骤七计算得到的归一化后的ROI区域的轮廓Hu矩利用步骤六生成的两个训练模型进行识别，其中，费舍尔判别FDA分类器判别公式为：式中，n_j表示第j类观测样本的样本个数，W_u表示经过降维选取的u个FDA向量组成的变换矩阵，表示第j类轮廓Hu矩样本的类内离散度矩阵，x_i表示轮廓Hu矩样本的向量，表示第j类样本的平均值；支持向量机SVM分类器的判别公式为超平面 $f\left(x\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{w}_k{x}_k+q=0,$ 满足 $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ζ}}_k,$ $\left\{\begin{array}{c}{y}_k(w^T{x}_k+q)\≥1-{\mathrm{\ζ}}_k\\ {\mathrm{\ζ}}_k\≥0\end{array}\right.,k=1,...M;$

步骤九、当两个训练模型识别出的结果不一致，则重新执行步骤七和步骤八，直到两个训练模型识别出的结果均为带内螺纹端口朝向传送方向，则将待检测调节脚元件直接用于装配；当两个训练模型识别出的结果均为带内螺纹端口未朝向传送方向，则对该工件进行标记，且执行步骤十；

步骤十、当待检测调节脚元件传送至翻转装置功能区域时，翻转装置则对带有标记的待检测调节脚元件进行首尾调换的翻转操作。

具体实施方式二：

与具体实施方式一不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法步骤二所述去噪声处理过程为，根据椒盐噪声和高斯噪声，设计噪声抑制滤波器：式中，抑制噪声是选用以(x，y)为中心的一个图像块内所有像素值，通过该公式重新计算(x，y)点的像素值；a、b表示常数参量，分别代表距离坐标(x，y)的横、纵最远像素距离，f(x,y)表示原图像坐标(x，y)的图像值；w(s,t)表示滤波器系数，g(x_z,y_z)表示去噪声处理以后图像坐标(x，y)的图像值。

具体实施方式三：

与具体实施方式一或二不同的是，本实施方式的所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤三所述二值化处理的过程为，将灰度值属于[0,255]的灰度图像上的像素点通过公式 $g(x,y)=\left\{\begin{array}{c}0,f(x,y)<\mathrm{\&delta;}\\ 255,f(x,y)\&GreaterEqual;\mathrm{\&delta;}\end{array}\right.$ 进行处理，使灰度图像各像素点的灰度值设置为0或255；式中，f(x,y)为原图像坐标(x，y)像素点的灰度值；g(x,y)为二值化处理后的图像坐标(x，y)像素点的灰度值；δ为阈值，由图像阈值分割求取：选用双峰法，在原灰度图像中，背景和目标在图像的直方图各自形成一个波峰，两个波峰之间形成一个波谷，选择波谷对应的灰度值作为阈值δ。

具体实施方式四：

与具体实施方式三不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤四所述在原始灰度图像中提取相应的含有调节脚元件端口的ROI区域的过程为，通过HOUGH变换算法开源，成熟的算法，在步骤三中二值化处理后的灰度图像中，如图4，将圆柱型待检测调节脚元件的端口区域的白色圆形提取出来，并在原始灰度图像中提取出相同图像区域，如图5，作为对应灰度图像，也就是含有调节脚元件端口的ROI区域。

具体实施方式五：

与具体实施方式一、二或四不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤五所述提取步骤四中相应的含有调节脚元件端口的ROI区域的轮廓特征，利用跨平台计算机视觉库Opencv中的canny算法提取轮廓特征，如图6。

具体实施方式六：

与具体实施方式五不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤五所述计算轮廓图像的轮廓Hu矩的过程为，利用利用跨平台计算机视觉库Opencv中的cvContoursMoments算法计算轮廓Hu矩，轮廓Hu矩为m维向量X＝[x₁ x₂ … x_m]。

具体实施方式七：

与具体实施方式一、二、四或六不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤五所述归一化处理过程为，通过归一化处理公式：对轮廓Hu矩进行处理，得到归一化处理范围为0-1之间的归一化轮廓Hu矩Y＝[y₁ y₂ … y_m]，以提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本较少的情况下，获得良好的统计规律的目的；式中，x_i表示样本的向量，x_j表示第j维的数据，y_j代表归一化后的第j维的数据。

具体实施方式八：

与具体实施方式七不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，步骤八所述利用步骤六生成的两个训练模型进行识别的过程为，选用支持向量机SVM分类器和费舍尔判别FDA分类器分别对传送方向的待检测调节脚元件的端口种类进行判定，若支持向量机SVM分类器和费舍尔判别FDA分类器对传送方向的待检测调节脚元件的端口种类的判定结果同为带内螺纹端口或同为无内螺纹端口，则判定结束；若支持向量机SVM分类器和费舍尔判别FDA分类器对传送方向的待检测调节脚元件的端口种类的判定结果不是同为带内螺纹端口或同为无内螺纹端口，则重复步骤七至步骤九，重新拍摄图像，对图像处理，并利用支持向量机SVM分类器和费舍尔判别FDA分类器分别进行判定，直到判定结果相同。

具体实施方式九：

与具体实施方式六不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，所述支持向量机SVM分类器进行识别的过程为：

第一、利用样本集对支持向量机SVM分类器进行训练确定出一个分界线，带内螺纹端口和无内螺纹端口两种状态的轮廓Hu矩样本在高维空间分界线为超平面：w_k表示对应权值，且

超平面需要满足： $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&zeta;}}_k,\begin{array}{}\end{array}\begin{array}{}\end{array}\left\{\begin{array}{c}{y}_k(w^T{e}_k+v)\&GreaterEqual;1-{\mathrm{\&zeta;}}_k\\ {\mathrm{\&zeta;}}_k\&GreaterEqual;0\end{array}\right.,k=1,...M;$ 式中w表示权重向量，q表示常数，C表示惩罚参数，M表示输入的训练样本的数量，

第二、将确定的超平面通过拉格朗日方法解得：用于判定预处理后的训练样本种类；式中e_i是第i个支持向量所对应的标签，当有内螺纹的标记为-1，无内螺纹的标记为1，α_i是第i个支持向量所对应的拉格朗日乘子，e_i是第i个支持向量，e_j是第j个输入的预处理后的训练样本，K为核函数且K(e_i,e_j)＝exp(-r||e_i-e_j||²)，核函数K是为了将特征空间从低维空间映射到高维空间，r表示常数常量，有成熟的最优选用方法。

具体实施方式十：

与具体实施方式八或九不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，所述费舍尔判别FDA分类器进行识别的过程为，

第一、FDA分类器中，令n表示带内螺纹端口轮廓Hu矩特征样本和无内螺纹端口轮廓Hu矩样本的总和；m表示轮廓Hu矩的维数；p表示轮廓Hu矩样本类别个数；n_j表示第j类观测样本的样本个数；X_i表示第i个轮廓Hu矩样本的轮廓Hu矩；将所有的训练样本存入矩阵Γ∈R^n×m中，则矩阵Γ第i行的转置就是向量X_i；

第二、利用上一步设置的量值，定义总体离散度矩阵式中，表示带内螺纹端口观测样本和无内螺纹端口观测样本的总和的平均值向量，得第j类轮廓Hu矩样本的类内离散度矩阵式中，Γ_j表示属于第j类轮廓Hu矩样本的向量X_i的集合，表示第j类轮廓Hu矩样本的平均值；

定义类内离散度矩阵：

定义类内离散度矩阵：n_j表示第j类观测样本的样本个数，即带内螺纹端口观测样本或无内螺纹端口样本数量；

第三、利用上一步定义的类内离散度矩阵S_w和类内离散度矩阵S_w获得FDA目标函数： $\underset{v\&NotEqual;0}{\max }\frac{v^T{S}_{b}v}{v^T{S}_{w}v};$

第四、利用S_bw_k＝λ_kS_ww_k求取特征值特征向量w_k，通过特征值特征向量w_k计算出FDA向量；

第五、在模式分类系统中，带内螺纹端口观测样本或者无内螺纹端口观测样本被分配到i类的最大判别函数值：g_i(x)≥g_j(x),i≠j中，寻求出最小结构化风险；g_i(x)表示i类轮廓Hu矩样本判别函数，即为对待检测工件的带内螺纹端口是否朝向传送方向进行判定的判定公式： $\begin{array}{c}{g}_i\left(x\right)=-\frac{1}{2}{(x-{\stackrel{\&OverBar;}{x}}_j)}^T{W}_u{\left(\frac{1}{n_j-1}{W_u}^T{S}_j{W}_u\right)}^{-1}{W_u}^T(x-{\stackrel{\&OverBar;}{x}}_j)+\ln \left[p\left(w_i\right)\right]\\ -\frac{1}{2}\ln \left[\det \left(\frac{1}{n_j-1}{W_u}^T{S}_j{W}_u\right)\right]\end{array},$ x∈R^m表示一个m维轮廓Hu矩，p(w_i)表示先验经验概率，W_u表示经过降维选取的u个FDA向量组成的变换矩阵。

具体实施方式十一：

与具体实施方式八或九不同的是，本实施方式的基于视觉检测系统的橱柜调节脚全自动装配控制方法，所述特征值特征向量w_k为广义特征值特征向量w_k。

Claims (10)

1.一种基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：所述翻转判定方法通过以下步骤实现：

步骤一、将调节脚元件的两种端口分类为带内螺纹端口和无内螺纹端口，分别选取一组内螺纹端口和一组无内螺纹端口的图片作为训练样本；

步骤二、分别对步骤一选取的训练样本进行图像缩放和去噪声处理，得到两种原始灰度图像；

步骤三、分别对步骤二得到的原始灰度图像进行二值化处理，并从二值化处理后得到的图像中提取出含有调节脚元件端口的ROI区域；

步骤四、分别利用步骤三提取的含有调节脚元件端口的ROI区域，在步骤二得到的原始灰度图像中提取相应的含有调节脚元件端口的ROI区域；

步骤五、分别提取步骤四中相应的含有调节脚元件端口的ROI区域的轮廓特征，获得轮廓图像；计算轮廓图像的轮廓Hu矩并进行归一化；

步骤六：将步骤五获得的轮廓Hu矩作为样本，利用基于机器学习的分类器对轮廓Hu矩样本进行训练，生成训练集的训练模型：支持向量机SVM分类器和费舍尔判别FDA分类器；

步骤七、利用所述塑料橱柜调节脚全自动装配设备的视觉检测箱内部安装的摄像头和红外光源，对传送至视觉检测箱内部的待检测调节脚元件进行拍摄，将拍摄得到待检测调节脚元件的测试图像进行与步骤二至步骤五相同的预处理，以计算测试图像含有调节脚元件端口的ROI区域的轮廓Hu矩，并进行归一化处理，作为待分类样本；

步骤八、将步骤七计算得到的归一化后的ROI区域的轮廓Hu矩利用步骤六生成的两个训练模型进行识别，其中，费舍尔判别FDA分类器判别公式为：式中，n_j表示第j类观测样本的样本个数，W_u表示经过降维选取的u个FDA向量组成的变换矩阵，表示第j类轮廓Hu矩样本的类内离散度矩阵，x_i表示轮廓Hu矩样本的向量，表示第j类样本的平均值；支持向量机SVM分类器的判别公式为超平面 $f\left(x\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_k{x}_k+q=0,$ 满足 $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&zeta;}}_k,$ $\left\{\begin{array}{c}{y}_k(w^T{x}_k+q)\&GreaterEqual;1-{\mathrm{\&zeta;}}_k\\ {\mathrm{\&zeta;}}_k\&GreaterEqual;0\end{array}\right.,k=1,...M;$

步骤九、当两个训练模型识别出的结果不一致，则重新执行步骤七和步骤八，直到两个训练模型识别出的结果均为带内螺纹端口朝向传送方向，则将待检测调节脚元件直接用于装配；当两个训练模型识别出的结果均为带内螺纹端口未朝向传送方向，则对该工件进行标记，且执行步骤十；

步骤十、当待检测调节脚元件传送至翻转装置功能区域时，翻转装置则对带有标记的待检测调节脚元件进行首尾调换的翻转操作。

2.根据权利要求1所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤二所述去噪声处理过程为，根据椒盐噪声和高斯噪声，设计噪声抑制滤波器： $g(x_z,y_z)=\frac{\underset{s=-a}{\overset{a}{\mathrm{\&Sigma;}}}\underset{t=-b}{\overset{b}{\mathrm{\&Sigma;}}}w(s,t)f(x+s,y+t)}{\underset{s=-a}{\overset{a}{\mathrm{\&Sigma;}}}\underset{t=-b}{\overset{b}{\mathrm{\&Sigma;}}}w(s,t)},$ 以保持原有信息的真实性；式中，抑制噪声是选用以(x，y)为中心的一个图像块内所有像素值，通过该公式重新计算(x，y)点的像素值；a、b表示常数参量，分别代表距离坐标(x，y)的横、纵最远像素距离，f(x,y)表示原图像坐标(x，y)的图像值；w(s,t)表示滤波器系数，g(x_z,y_z)表示去噪声处理以后图像坐标(x，y)的图像值。

3.根据权利要求1或2所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤三所述二值化处理的过程为，将灰度值属于[0,255]的灰度图像上的像素点通过公式 $g(x,y)=\left\{\begin{array}{c}0,f(x,y)<\mathrm{\&delta;}\\ 255,f(x,y)\&GreaterEqual;\mathrm{\&delta;}\end{array}\right.$ 进行处理，使灰度图像各像素点的灰度值设置为0或255；式中，f(x,y)为原图像坐标(x，y)像素点的灰度值；g(x,y)为二值化处理后的图像坐标(x，y)像素点的灰度值；δ为阈值，由图像阈值分割求取。

4.根据权利要求3所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤四所述在原始灰度图像中提取相应的含有调节脚元件端口的ROI区域的过程为，通过HOUGH变换算法，在步骤三中二值化处理后的灰度图像中，将圆柱型待检测调节脚元件的端口区域提取出来，并在原始灰度图像中提取出相同图像区域，作为对应灰度图像，也就是含有调节脚元件端口的ROI区域。

5.根据权利要求1、2或4所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤五所述提取步骤四中相应的含有调节脚元件端口的ROI区域的轮廓特征，利用跨平台计算机视觉库Opencv中的canny算法提取轮廓特征。

6.根据权利要求5所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤五所述计算轮廓图像的轮廓Hu矩的过程为，利用利用跨平台计算机视觉库Opencv中的cvContoursMoments算法计算轮廓Hu矩，轮廓Hu矩为m维向量X＝[x₁ x₂ … x_m]。

7.根据权利要求1、2、4或6所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤五所述归一化处理过程为，通过归一化处理公式：对轮廓Hu矩进行处理，得到归一化处理范围为0-1之间的归一化轮廓Hu矩Y＝[y₁ y₂ … y_m]；式中，x_i表示轮廓Hu矩样本的向量，x_j表示第j维的数据，y_j代表归一化后的第j维的数据。

8.根据权利要求7所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：步骤八所述利用步骤六生成的两个训练模型进行识别的过程为，选用支持向量机SVM分类器和费舍尔判别FDA分类器分别对传送方向的待检测调节脚元件的端口种类进行判定，若支持向量机SVM分类器和费舍尔判别FDA分类器对传送方向的待检测调节脚元件的端口种类的判定结果同为带内螺纹端口或同为无内螺纹端口，则判定结束；若支持向量机SVM分类器和费舍尔判别FDA分类器对传送方向的待检测调节脚元件的端口种类的判定结果不是同为带内螺纹端口或同为无内螺纹端口，则重复步骤七至步骤九，重新拍摄图像，对图像处理，并利用支持向量机SVM分类器和费舍尔判别FDA分类器分别进行判定，直到判定结果相同。

9.根据权利要求8所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：所述支持向量机SVM分类器进行识别的过程为：

第一、利用样本集对支持向量机SVM分类器进行训练确定出一个分界线，带内螺纹端口和无内螺纹端口两种状态的轮廓Hu矩样本在高维空间分界线为超平面： $f\left(e\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_k{e}_k+q=0,$ w_k表示对应权值，且

超平面需要满足： $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&zeta;}}_k,\left\{\begin{array}{c}{y}_k(w^T{e}_k+v)\&GreaterEqual;1-{\mathrm{\&zeta;}}_k\\ {\mathrm{\&zeta;}}_k\&GreaterEqual;0\end{array}\right.,k=1,...M;$ 式中w表示权重向量，q表示常数，C表示惩罚参数，M表示输入的训练样本的数量，

第二、将确定的超平面通过拉格朗日方法解得：

用于判定预处理后的训练样本种类；式中e_i是第i个支持向量所对应的标签，α_i是第i个支持向量所对应的拉格朗日乘子，e_i是第i个支持向量，e_j是第j个输入的预处理后的训练样本，K为核函数且K(e_i,e_j)＝exp(-r||e_i-e_j||²)，核函数K是为了将特征空间从低维空间映射到高维空间，r表示常数常量，有成熟的最优选用方法。

10.根据权利要求8或9所述基于视觉检测系统的橱柜调节脚全自动装配控制方法，其特征在于：所述费舍尔判别FDA分类器进行识别的过程为，

第一、FDA分类器中，令n表示带内螺纹端口轮廓Hu矩特征样本和无内螺纹端口轮廓Hu矩样本的总和；m表示轮廓Hu矩的维数；p表示轮廓Hu矩样本类别个数；n_j表示第j类观测样本的样本个数；X_i表示第i个轮廓Hu矩样本的轮廓Hu矩；将所有的训练样本存入矩阵Γ∈R^n×m中，则矩阵Γ第i行的转置就是向量X_i；

第二、利用上一步设置的量值，定义总体离散度矩阵式中，表示带内螺纹端口观测样本和无内螺纹端口观测样本的总和的平均值向量，得第j类轮廓Hu矩样本的类内离散度矩阵式中，Γ_j表示属于第j类轮廓Hu矩样本的向量X_i的集合，表示第j类轮廓Hu矩样本的平均值；

定义类内离散度矩阵：

定义类内离散度矩阵：n_j表示第j类观测样本的样本个数，即带内螺纹端口观测样本或无内螺纹端口样本数量；

第三、利用上一步定义的类内离散度矩阵S_w和类内离散度矩阵S_w获得FDA目标函数： $\underset{v\&NotEqual;0}{\max }\frac{v^T{S}_{b}v}{v^T{S}_{w}v};$

第四、利用S_bw_k＝λ_kS_ww_k求取特征值特征向量w_k，通过特征值特征向量w_k计算出FDA向量；

第五、在模式分类系统中，带内螺纹端口观测样本或者无内螺纹端口观测样本被分配到i类的最大判别函数值：g_i(x)≥g_j(x),i≠j中，寻求出最小结构化风险；g_i(x)表示i类轮廓Hu矩样本判别函数，即为对待检测工件的带内螺纹端口是否朝向传送方向进行判定的判定公式：

$\begin{array}{c}{g}_i\left(x\right)=-\frac{1}{2}(x-{\stackrel{\&OverBar;}{x}}_j)W_u{\left(\frac{1}{n_j-1}{W_u}^T{S}_j{W}_u\right)}^{-1}{W_u}^T(x-{\stackrel{\&OverBar;}{x}}_j)+\ln \left[p\left(w_i\right)\right]\\ -\frac{1}{2}\ln \left[\det \left(\frac{1}{n_j-1}{W_u}^T{S}_j{W}_u\right)\right]\end{array},$ x∈R^m表示一个m维轮廓Hu矩，p(w_i)表示先验经验概率，W_u表示经过降维选取的u个FDA向量组成的变换矩阵。