機(jī)械零件圖像識(shí)別的關(guān)鍵技術(shù)研究與實(shí)現(xiàn).pdf

1、機(jī)器視覺(jué)在機(jī)械行業(yè)越來(lái)越廣泛地應(yīng)用于產(chǎn)品檢測(cè)、識(shí)別、裝配等領(lǐng)域。應(yīng)用于零件識(shí)別的機(jī)器視覺(jué)系統(tǒng)的核心是零件圖像識(shí)別技術(shù)。論文針對(duì)裝配線上零件識(shí)別應(yīng)用需求，圍繞零件圖像識(shí)別所需要的關(guān)鍵技術(shù)，從邊緣檢測(cè)、特征提取、識(shí)別三個(gè)方面作了深入研究，并構(gòu)建了零件識(shí)別系統(tǒng)的軟硬件平臺(tái)。
　　 針對(duì)經(jīng)典的Pal和King模糊增強(qiáng)算法存在的以冪函數(shù)作為隸屬函數(shù)帶來(lái)的運(yùn)算量大、模糊增強(qiáng)閾值憑經(jīng)驗(yàn)或多次嘗試選取、不能抑制噪聲這三種固有缺陷分別予以改進(jìn)，提

2、出了改進(jìn)的全局模糊增強(qiáng)算法；為進(jìn)一步增強(qiáng)圖像的對(duì)比度而獲取更多的圖像邊緣細(xì)節(jié)信息，研究了基于模糊對(duì)比度的局部圖像增強(qiáng)算法。在前兩者的基礎(chǔ)上，融合基于灰度級(jí)的全局模糊增強(qiáng)與基于對(duì)比度的局部模糊增強(qiáng)兩種算法思想，提出了基于模糊信息的圖像邊緣提取算法。該算法在增強(qiáng)圖像邊緣細(xì)節(jié)信息的同時(shí)有效地抑制了噪聲，實(shí)現(xiàn)了兩種算法較完美的結(jié)合，得到了較理想的圖像邊緣提取效果。
　　 由于大多復(fù)雜零件輪廓形狀都可以分解為直線、圓弧等簡(jiǎn)單規(guī)則的幾何基元

3、的集合，因此零件輪廓幾何基元特征的提取對(duì)零件識(shí)別有著重要意義。本文在研究分析目前常見(jiàn)的改進(jìn)隨機(jī)Hough 變換算法基礎(chǔ)上，利用圓的幾何特性確定圓心的位置，減少了Hough 變換在參數(shù)空間中累加器的無(wú)效累積，將三維空間的搜索降到二維；通過(guò)兩次不同閾值的判斷，大大減小了產(chǎn)生虛假圓的可能性，用帶圖像數(shù)字量化誤差補(bǔ)償?shù)膱A方程進(jìn)行候選圓是否真實(shí)圓判定，結(jié)合圓的周長(zhǎng)與點(diǎn)數(shù)的關(guān)系使得圓的確認(rèn)更加合理。實(shí)驗(yàn)驗(yàn)證了上述改進(jìn)的Hough 變換圓形檢測(cè)算法能

4、實(shí)現(xiàn)對(duì)圓的快速檢測(cè)，為進(jìn)一步的零件形狀提取提供了理論基礎(chǔ)。
　　 考慮到單一形狀特征識(shí)別的局限性，綜合分析了目前廣泛應(yīng)用的幾種不變矩如Hu矩、Legendre 矩、Zernike 矩、偽Zernike 矩、付利葉-梅林矩的圖像描述能力、噪聲敏感度、信息冗余幾方面的優(yōu)缺點(diǎn)，結(jié)合識(shí)別零件的目的，選用識(shí)別能力強(qiáng)的Hu 矩用于零件識(shí)別。研究了Hu 矩離散后產(chǎn)生誤差的原因及誤差構(gòu)成，分析了離散對(duì)Hu 矩縮放不變性的影響，針對(duì)性地研究了離散

5、帶來(lái)的誤差修正方法及計(jì)算方法，在此基礎(chǔ)上提出了先修正計(jì)算方法再改進(jìn)縮放不變性的離散Hu不變矩計(jì)算方法。
　　 在幾何基元特征提取及不變矩的研究基礎(chǔ)上，通過(guò)Harris 角點(diǎn)檢測(cè)出的角點(diǎn)把幾何基元有機(jī)聯(lián)系起來(lái)，提出了線形概念，從而以簡(jiǎn)單基元描述零件輪廓外形。融合模糊理論與ARG模型，回避了通過(guò)曲線擬合得到零件輪廓精確曲線方程帶來(lái)的計(jì)算量增大等問(wèn)題，構(gòu)建了基于以線型為描述特征的輪廓FARG模型用來(lái)描述待識(shí)別的零件，從而大大減少了神經(jīng)