下载文档原格式
工业机器人视觉引导系统设计随着现代工业的发展，工业机器人在生产线上扮演着越来越重要的角色。
工业机器人的自动化以及高精度操作需求对其视觉引导系统的设计提出了更高的要求。
本文将探讨工业机器人视觉引导系统的设计原理、关键技术以及相关应用。
一、设计原理：工业机器人视觉引导系统是指利用计算机视觉技术，通过相机和图像处理算法对机器人进行引导和定位的系统。
其设计原理可以分为两个主要部分：图像采集和图像处理。
1. 图像采集：图像采集是工业机器人视觉引导系统的基础，主要通过相机获取现场图像。
相机的选择应根据具体应用场景和要求进行，包括分辨率、帧率、焦距等参数的考虑。
同时，还需考虑相机的安装位置、视野范围等因素，以保证采集到的图像满足后续图像处理的需求。
2. 图像处理：图像处理是工业机器人视觉引导系统的核心，通过对采集到的图像进行处理和分析，提取出所需的信息。
常见的图像处理技术包括边缘检测、图像分割、目标识别与定位等。
二、关键技术：1. 边缘检测：边缘检测是图像处理的基本技术，通过检测出图像中物体的边缘轮廓，为后续目标识别和定位提供基础。
常用的边缘检测算法有Sobel算子、Canny算子等。
2. 图像分割：图像分割是将图像划分成若干个连通区域的过程，可以将不同的物体分割开来，以便进行后续的目标识别和定位。
常见的图像分割算法有阈值分割、区域生长法等。
3. 目标识别与定位：目标识别与定位是工业机器人视觉引导系统的关键技术，通过对图像中的目标进行识别和定位，从而实现机器人的引导和操作。
常见的目标识别与定位算法有模板匹配法、特征匹配法等。
三、相关应用：1. 自动装配：工业机器人视觉引导系统在自动装配过程中发挥着重要作用。
通过对图像中的零件进行识别和定位，机器人可以准确地进行零件的抓取和装配操作，提高生产线的效率和精度。
2. 检测和质检：工业机器人视觉引导系统可以用于对产品的表面缺陷、尺寸偏差等进行检测和质检。
通过对图像中的产品进行分析，机器人可以及时发现问题并做出相应的处理，确保产品质量。
目录摘要 (1)引言 (2)第一章绪论 (3)1.1 课程设计选题的背景及意义 (3)1.2 图像边缘检测的发展现状 (4)第二章边缘检测的基本原理 (5)2.1 基于一阶导数的边缘检测 (8)2.2 基于二阶导的边缘检测 (9)第三章边缘检测算子 (10)3.1 Canny算子 (10)3.2 Roberts梯度算子 (11)3.3 Prewitt算子 (12)3.4 Sobel算子 (13)3.5 Log算子 (14)第四章MATLAB简介 (15)4.1 基本功能 (15)4.2 应用领域 (16)第五章编程和调试 (17)5.1 edge函数 (17)5.2 边缘检测的编程实现 (17)第六章总结与体会 (20)参考文献 (21)摘要边缘是图像最基本的特征，包含图像中用于识别的有用信息，边缘检测是数字图像处理中基础而又重要的内容。
该课程设计具体考察了5种经典常用的边缘检测算子,并运用Matlab进行图像处理结果比较。
梯度算子简单有效，LOG 算法和Canny 边缘检测器能产生较细的边缘。
边缘检测的目的是标识数字图像中灰度变化明显的点，而导函数正好能反映图像灰度变化的显著程度，因而许多方法利用导数来检测边缘。
在分析其算法思想和流程的基础上，利用MATLAB对这5种算法进行了仿真实验，分析了各自的性能和算法特点，比较边缘检测效果并给出了各自的适用范围。
关键词：边缘检测；图像处理；MATLAB仿真引言边缘检测在图像处理系统中占有重要的作用，其效果直接影响着后续图像处理效果的好坏。
许多数字图像处理直接或间接地依靠边缘检测算法的性能，并且在模式识别、机器人视觉、图像分割、特征提取、图像压缩等方面都把边缘检测作为最基本的工具。
但实际图像中的边缘往往是各种类型的边缘以及它们模糊化后结果的组合，并且在实际图像中存在着不同程度的噪声，各种类型的图像边缘检测算法不断涌现。
早在1965 年就有人提出边缘检测算子，边缘检测的传统方法包括Kirsch，Prewitt，Sobel，Roberts，Robins，Mar-Hildreth 边缘检测方法以及Laplacian-Gaussian（LOG）算子方法和Canny 最优算子方法等。
边缘检测及拟合-概述说明以及解释1.引言1.1 概述边缘检测及拟合是图像处理和计算机视觉领域中重要的技术研究方向，旨在从图像中提取出物体或目标的边缘信息，并进一步对边缘进行拟合和分析。
通过边缘检测和拟合，可以实现诸如物体检测、轮廓提取、目标跟踪、三维重构等多种计算机视觉任务。
边缘是指图像中灰度或颜色变化剧烈的区域。
边缘检测的目标是在图像中准确地标记和定位出这些边缘。
边缘检测是计算机视觉中常用的技术，具有广泛的应用领域，例如机器人导航、图像识别、医学影像处理等。
通过边缘检测，我们可以对图像进行分割，从而将图像分成不同的区域，方便后续处理。
边缘拟合是对图像中的边缘进行曲线或直线拟合的过程。
通过对边缘进行拟合，可以得到更加平滑的边缘曲线或直线，从而更好地描述物体的形状和轮廓。
边缘拟合广泛应用于图像重建、形状分析、目标识别等领域，能够提高边缘的准确性和鲁棒性。
边缘检测和拟合是紧密相连的两个过程，相互影响并共同完成对图像边缘的提取和分析。
边缘检测是边缘拟合的基础，而边缘拟合可以通过拟合来修正和优化边缘检测的结果。
在实际应用中，边缘检测和拟合经常需要同时进行，相互补充来提高整体的效果和精度。
本文将对边缘检测和拟合的概念进行介绍，并总结常用的方法和应用领域。
同时还会重点探讨边缘检测与拟合的关系，包括相互影响、综合应用以及未来的研究方向。
通过深入研究边缘检测及拟合的原理和方法，我们可以更好地理解图像的结构和特征，为计算机视觉和图像处理领域的相关应用提供有力支持。
文章结构部分的内容可以如下所示：1.2 文章结构本文分为引言、正文和结论三部分。
- 引言部分介绍了边缘检测及拟合的相关概念和研究意义，并对文章的结构进行了概述。
- 正文部分包括了边缘检测和边缘拟合两个主要部分。
- 边缘检测部分主要介绍了边缘检测的概念、常用方法和应用领域。
- 边缘拟合部分主要介绍了边缘拟合的概念、拟合方法和实际应用。
- 边缘检测与拟合的关系部分探讨了二者之间的相互影响，以及如何综合应用边缘检测和拟合方法，并给出了拓展研究方向的建议。
计算机视觉中的图像分割与目标检测随着计算机技术的发展和进步，计算机视觉的应用逐渐成为现实。
在计算机视觉领域中，图像分割和目标检测是两个重要的任务。
本文将就图像分割和目标检测的概念、算法原理以及应用领域进行详细介绍。
一、图像分割图像分割是将一幅图像分割成若干个区域或者像素的过程。
其目的是将图像分为具有独立语义的子图像，从而更好地实现对图像内容的理解和分析。
图像分割在计算机视觉中被广泛应用，如医学图像分析、图像识别、图像压缩等。
图像分割算法有很多种，常见的包括阈值分割、边缘检测、区域生长等。
阈值分割是最简单的图像分割方法，其基本思想是根据像素的灰度值与设定的阈值进行比较，将像素分为不同的区域。
边缘检测是通过提取图像中的边缘信息来实现分割的方法。
区域生长算法则是以种子点为起点，通过生长的方式将与种子点相连的像素归为同一区域。
二、目标检测目标检测是计算机视觉中的另一个重要任务，其目的是在图像中找出感兴趣的目标并进行位置的确定。
目标检测在很多应用领域都有广泛的应用，如智能交通监控、人脸识别、无人驾驶等。
目标检测的算法也有多种，常见的有基于特征的方法和基于深度学习的方法。
基于特征的方法主要是通过提取图像中的特征信息，并采用分类器来进行目标的检测。
其中，常用的特征包括Haar特征、HOG 特征等。
基于深度学习的方法则是利用神经网络对图像进行端到端的处理，通过卷积神经网络（CNN）或者循环神经网络（RNN）实现目标的检测。
三、图像分割与目标检测的应用图像分割和目标检测在众多领域中都有广泛应用。
以医学图像分析为例，图像分割能够帮助医生更好地分割出肿瘤等病灶区域，从而为疾病的诊断提供更准确的依据。
而目标检测则能够帮助医生快速定位并识别出疾病部位，为手术治疗提供指导。
在智能交通监控领域，图像分割可以将车辆与背景进行分离，为车辆的跟踪和计数提供基础。
目标检测则能够实现对交通标志、车辆等感兴趣目标的实时检测和识别，从而帮助交通管理部门进行交通流量统计和道路安全监控。
机器人视觉识别的原理机器人视觉识别是指机器人通过视觉感知技术对周围环境中的物体、场景、人体等进行识别与理解。
它是机器人感知与理解人类世界的关键技术之一，可应用于自主导航、物体抓取、人脸识别、场景分析等场景。
机器人视觉识别主要涉及到图像采集、图像处理和图像理解三个基本步骤。
首先，机器人需要通过相机等传感器采集图像数据。
传感器将光信号转换为电信号，并通过模拟到数字转换器将其转换为数字信号。
图像数据包含了每个像素点的亮度值，相机会采集一系列连续的图像帧，构成视频序列。
接着，机器人通过图像处理对采集到的图像数据进行预处理，以提取有用的信息。
图像处理步骤包括图像去噪、尺寸调整、边缘检测、特征提取、目标分割等。
去噪可以通过滤波算法，如中值滤波器、高斯滤波器等，去除图像中的噪声。
尺寸调整是为了统一不同尺寸的图像，方便后续处理。
边缘检测可以通过一阶和二阶导数计算图像中的边缘信息。
特征提取则是从图像中提取出与目标有关的特征，如纹理、颜色、形状等。
目标分割则是将图像中的目标从背景中进行分割，可以使用阈值分割、区域分割等算法。
最后，机器人通过图像理解对预处理后的图像数据进行分析和认知。
图像理解涉及到模式识别、机器学习、深度学习等技术。
模式识别是指将目标与背景进行区分，可采用模板匹配、统计方法等。
机器学习则是通过训练样本来自动学习和识别目标。
深度学习是机器学习的一种，它通过多层神经网络来提取、学习和表示图像中的特征，具有较好的识别效果。
深度学习的主要方法包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等。
除了这些基本步骤，机器人视觉识别还需要解决一些挑战，如光照变化、遮挡、多目标追踪等。
光照变化指的是不同环境下的光照条件对图像的影响。
遮挡指的是图像中的目标被其他物体遮挡，造成目标不完整。
多目标追踪是指在连续的图像序列中对多个目标同时进行跟踪、定位与识别。
为了解决这些问题，机器人视觉识别可以采用多传感器融合、模型更新、目标推理等方法。
视觉传感技术在焊接机器人中的应用视觉传感技术在焊接机器人中的应用焊接机器人已经成为现代制造业中不可或缺的一部分，它们能够高效、精确地完成焊接任务。
然而，为了使焊接机器人能够更好地感知周围环境并执行复杂的焊接操作，视觉传感技术的应用变得至关重要。
以下是视觉传感技术在焊接机器人中的应用步骤：第一步：传感器选择选择适合焊接机器人的视觉传感器非常重要。
常见的传感器包括摄像头、激光雷达和红外传感器。
摄像头可以实时拍摄焊接过程中的图像，激光雷达可以提供更精确的距离测量，而红外传感器则可以检测焊接区域的温度变化。
第二步：图像处理一旦选择好传感器，就需要对传感器采集到的图像进行处理。
图像处理过程中常用的技术包括边缘检测、形状识别和模式匹配。
边缘检测可以帮助识别焊接区域的边界，形状识别可以确定焊接工件的形状，而模式匹配可以将焊接工件与预定义的标准进行比对，以检测焊接质量。
第三步：图像分析在处理完图像后，需要对图像进行进一步的分析。
这可以包括检测焊接工件的位置和姿态，以及检测焊接区域的缺陷和质量问题。
例如，通过分析焊缝的形状和大小，可以确定焊接是否均匀，是否存在漏焊或过度焊接的情况。
第四步：路径规划根据图像分析的结果，焊接机器人需要规划出适当的路径来完成焊接任务。
路径规划过程中需要考虑焊接工件的形状、焊接区域的限制以及机器人的运动能力。
通过计算得到的路径，机器人可以在焊接过程中准确地定位和控制焊接枪的位置和姿态。
第五步：实时控制一旦路径规划完成，焊接机器人就可以根据实时采集到的图像和传感器数据进行实时控制。
这意味着机器人可以根据焊接过程中的变化来调整焊接枪的位置和参数，以确保焊接质量的稳定性和一致性。
综上所述，视觉传感技术在焊接机器人中的应用可以通过传感器选择、图像处理、图像分析、路径规划和实时控制等步骤来实现。
这些步骤的组合可以使焊接机器人能够更好地感知周围环境并执行复杂的焊接操作，从而提高焊接质量和生产效率。
基于改进Canny算法的边缘检测技术应用及发展趋势边缘检测是计算机视觉中一项重要的任务，它在图像处理、物体识别和特征提取等领域具有广泛的应用。
Canny算法是一种经典的边缘检测算法，但其在保持边缘连续性和准确度方面存在一定的限制。
本文将讨论基于改进Canny算法的边缘检测技术的应用及发展趋势。
一、改进Canny算法的原理及优点改进Canny算法是对传统Canny算法的改进和优化。
传统Canny算法主要包括以下几个步骤：高斯滤波、计算梯度强度和方向、非极大值抑制和双阈值处理。
改进Canny算法通过对这些步骤的改进，提高了边缘检测的准确性和性能。
改进Canny算法的优点主要包括：1.减少了边缘的丢失：传统Canny算法在高斯滤波和非极大值抑制过程中可能会造成边缘的模糊或丢失。
改进Canny算法通过优化参数和增加边缘细化步骤，减少了这种问题的发生。
2.增强了边缘的连续性：传统Canny算法在边缘连接方面存在一定的局限性。
改进Canny算法通过引入更复杂的边缘连接策略，提高了边缘连接的准确性和连续性。
3.降低了计算复杂度：改进Canny算法通过优化计算步骤和算法结构，降低了算法的复杂度。
这使得改进Canny算法更适合于实时边缘检测应用。
二、基于改进Canny算法的边缘检测技术应用基于改进Canny算法的边缘检测技术在各个领域都有广泛的应用。
以下是几个典型的应用案例：1.医学图像处理：医学图像中的边缘信息对于病理分析和疾病诊断具有重要意义。
基于改进Canny算法的边缘检测技术可以有效地提取出图像中的器官边缘、病变区域等信息，为医生提供更准确的诊断依据。
2.工业质检：在工业生产中，边缘检测用于检测产品的质量以及表面缺陷。
基于改进Canny算法的边缘检测技术可以对产品进行快速而准确的边缘检测，从而提高产品质量控制的效率和准确性。
3.智能交通系统：基于改进Canny算法的边缘检测技术可以应用于智能交通系统中的车辆检测和行人识别。
《数字图像处理》课程论文题目图像边缘检测在机器人视觉的应用Image edge detection in robot vision系别计算机科学与技术专业名称年级学生姓名学号指导教师二0一二年六月边缘检测在机器人视觉中的运用摘要：OpenCV是一个以C函数为主，提供多语言接口，轻量并高效的计算机视觉库。
实现了图像处理和计算机视觉方面的多种通用算法。
利用其Canny边缘检测算法．实现模糊图像的边缘检测，参照L2BOT视觉机器人实例，对单一背景模式下基于OpenCV的条形码与障碍物识别进行研究，并对机器人移动路线最优选择提供一种参考模型。
关键词：图像处理；边缘检测；计算机视觉；智能机器人；人机互动；运动跟踪Algorithm for generating N-dimensional hilbert curvePENG DAN NI(College of Computer Science and Technology, Hubei University of Education, Wuhan, 430205)Abstract: OpenCV is a lightweight and efficient library of programming functions，mainly aim at real time computer vision，which realizes a series of general algorithm in the field of image processing and computer vision，it consists of C function mainly and provides multi—language interfaces．Uses Canny algorithm to detect the fuzzy edge，as well referring to the instance of L2BOT vision robot，researches on image recognition of barcodes and obstacles based on OpenCV in the mode of the pure background，and puts forward a reference model in order to select an optimal move—ment path of L2BOT．Keywords: Image Processing；Edge Detection；Computer V ersion；Intelligent Robot；HCI；Motion Tracking0 引言机器人视觉(Robot Vision)是使机器人具有视觉感知功能的系统。
机器人视觉可以通过视觉传感器获取环境的二维图像．并通过视觉处理器进行分析和解释．进而转换为符号，让机器人能够辨识物体并确定其位置。
机器视觉侧重于研究以应用为背景的专用视觉系统。
只提供对执行某一特定任务相关的景物描述。
随着机器人视觉的研究深入．低成本、灵活且具有适应强特性的视觉机器人的研究与应用更加受到广泛关注。
然而，由于现实环境存在的复杂性视觉机器人仍有较大的发展和提升空间源于劳伦斯技术大学智能系统与机器人实验室的L2BOT是这方面研究的代表，其中涉及到最优化选择、搜索、人工神经网络和模糊逻辑等。
在机器人的设计中．将障碍物的信息保存在图片二维码中．通常二维码在实际情况下是模糊的．其边缘及色块常有诸多干扰．而且用通用传感器采集的图片常受到光线自然因素的影响较大．这样就给识别带来了一定的困难。
因此，必须准确地识别并获取图片信息才能使机器人进行下一步工作。
同时，对障碍物的识别也需要采用例如边缘检测等手段如何准确获取识别物的边缘成为本次设计的关键。
1 图像处理1.1 图像预处理由摄像头获取24位移动机器人目标标志物图像, 一般来说, 彩色图像较灰度图像能够反映更多的空间信息, 但是, 彩色图像数据量大, 在对图像进行处理和识别时相应的时间较长, 因此不利于移动机器人的实时控制。
目标标志物图像数据传输过程中由于光线的变化、镜头的污染、摄像头的抖动等因素的影响, 使获得的图像不可避免地含有噪声成分。
为了使处理后的标志物图像能够真实地反映移动机器人与目标标志物的实际位置和方向, 必须对标志物图像进行滤波处理。
因为标志物的边缘信息准确与否对图像的识别结果有着较大的影响, 所以在选择滤波方法时,要保证滤波处理后的图像边缘细节不产生模糊化现象。
由于高压电磁场对系统的干扰, 系统噪声主要表现为椒盐噪声。
针对系统椒盐噪声的特点, 该文采用中值滤波方法去噪, 在去除噪声的同时, 能够保留图像边缘细节。
1.2图像分割经过预处理的图像对于机器人视觉系统而言,还仅仅是一个矩阵数组, 计算机视觉系统的目标是要从图像中得到有用的信息, 例如目标的大小、位置、方向和速度等, 这就要求对图像进行进一步的处理, 包括图像的分割和特征的提取。
在图像处理中,图像分割可以定义为将数字图像划分成互不相交(不重叠) 区域的过程。
2 边缘检测2.1 Canny 边缘检测的实现(1)用高斯滤波器平滑图像．去除图像噪声一般选择方差为l_4的高斯函数模板和图像进行卷积运算。
高斯平滑函数：),(),(),(),(2222y x H y x f y x G b a y x H e⨯==+-σ高斯滤波器为低通滤波器，当盯越小。
频带越宽。
对于盯的取值．进行如下处理：假设原始图像为F(i ，j)=Fe(i ，j)+Fn(i ，j)。
其中：Fe(i ，j)为边缘区域，Fn(i ，j)为非边缘区域。
若图像F(i ，j)为不含噪声的图像．只需利用很小的盯高斯滤波即可：在Fe(i ，j)区域内，NxN 窗口内除了边缘点外还会有不同目标物体的像素点，此时用盯稍大的高斯滤波即可。
若图像为含有噪声的图像．则盯选取应大一些 参数盯的获取方法如下：EEE E M j i f E j i f NM M NN n Nn minmin11/)min()),((),(1==-=⨯=∑∑⨯==σ其中：M 、E 、盯为NxN 窗口内的均值、方差和高斯滤波参数，E 为整个图像中的最小方差。
(2)用一阶偏导的有限差分来计算梯度的幅值和方向．获得相应的梯度幅值图像G 和梯度方向图像 其中点(i ，j)处两个方向的偏导数Gx (i,j)和G y(i,j)分别为：2/))1,1()1,(),1(),((),(2/)),1()1,1(),()1,((),(++-+++-=+-+++-+=j i f j i f j i f j i f j i j i f j i f j i f j i f j i GG yx(3)对梯度幅值应用非极大值抑制 幅值M 越大，其对应的图像梯度值也越大。
为确定边缘．必须细化幅值图像，只保留幅值局部变化最大的点，生成细化的边缘。
(4)用双阈值算法检测并且连接边缘 双阈值算法对非极大值抑制图像作用两个阈值T1和T2。
且2T1约等于T2，从而可以得到两个阈值边缘图像N1[i,j]和N 2[i,j]。
由于使用高阈值得到N2[i,j]，因而含有很少的假边缘，但有间断(不闭合)。
双阈值法要在N2[i，j]忡把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N 1[i,]的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N1[i，j]中收集边缘，直到将N2[i,j]连接起来为止。
3 二值化处理为了分析图像的特征, 需要从图像中分离出目标物, 从而把图形和背景作为分离的二值图像使用。
图像二值化可根据下列的阈值处理来进行。
通常, 用最后的一值图像中值为1的部分表示图形, 值为0的部分表示背景。
试验中采用一种改进的OSTU方法确定最佳阈值t。
传统的OSTU算法是在整个的灰度级上进行阈值的搜索, 需要针对每一个灰度值计算类间方差的大小, 所以其运算量很大, 限制了它在一些实时性要求很高的场合的应用; 针对这个缺点, 在保持判决最佳阈值标准不变的情况下, 提出一种新的阈值搜索方法。
然后就可以在区间[T1, T2]中使用OSTU算法搜索分割最佳阈值, 从而避免了在整个灰度级上搜索最佳阈值。
4 机器人行走路线的控制与误差分析一个机器人包括三个轮子、万向轮和两个制动轮。
误差产生缘于两个制动轮在生产设计过程中形成的固定误差。
这种误差只能减小，不能消除。
本次行走误差形成于两个地方：前进过程中的误差和转角误差。
此种误差在较小时．并不会对机器人的行走路线带来较大的阻碍和限制．但当误差不断累积到一定程度时．就会表现出来。
本文采用的控制方式是精确控制。
因此，对于这种情形，可以让误差进行一定的累积．在累积之后进行一次误差修正．修正的目的不是消除图3原始图像误差，而是减小误差。
在行走的过程中的误差修正的要求为不断地将误差控制在一定范围内。
采用串口操作的特点即是操作的非实时性为保证安全．采用低速行驶的策略。
目标对象是红色标杆．在到达障碍物前是前进路线．可以将镜头中的图像按照图像高低由上到下的分为高中低三个部分．每一个高度为5cm的带状区域如图6所示此时镜头中未发现障碍物，机器人继续前进。
一段距离后检测，检测时模拟人的视觉．进行左右一定范围内的环顾。
若发现镜头中发现障碍物出现在镜头的高区．捕捉障碍物位置．并调整方向．使机器人朝障碍物前进。
在随后障碍物出现在镜头的中区．采取同样的操作。
最后一种是最关键的．低区设置的目的即调整机器人绕过障碍物前的状态．使其达到最佳状态这时应保证机器人的位置处于绕过障碍物的最佳点。
调整机器人与障碍物的距离，使障碍物的最低端落人镜头的低区．过近或过远都应进行调整调整结束后即可转角。
绕过障碍物。
由于采用单摄像头．使用盲绕的策略，即在绕的过程中，摄像头不再取像控制，而是根据预先设置好的路线行走。
路线行走模型主要有三种．下面逐一分析前两种路线模型相对于第三种的优势就是更为快速．其中以第二种为最快。
但这种大的直线型的行走会造成累积误差过大第二种方式极易与障碍物发生碰撞而第一种方式则很难保证矩形的规范性可能形成梯形路线最终撞杆在非理想状态下的机器人行走往往以多边形的路线最优。
本文采用第三种方案。
半六边形法。
此种路线很好地吸收了前两种方案的优点，即横行直线防止碰撞．斜行路线加快速度。
5 结论本文主要介绍了基于Cannv边缘算子的模糊图像的边缘检测．使其在模糊的图形中仍然能够获得较好的效果设计并实现了机器人的避障路线．从而使机器人在实际状态中的运动更趋合理．实现在不精确的路线运动中控制自己的运动状态在机器人视觉的实现与控制有较大的提高．使图像传感器在智能机器人领域的应用及信息获取具备积极的意义。
