【摘要】：為解決工件表面缺陷在銑削紋理背景干擾下識(shí)別難的問題,本文基于機(jī)器視覺技術(shù)研究了一種銑削紋理背景干擾下工件表面缺陷分類識(shí)別方法,主要包括銑削加工實(shí)驗(yàn)以及工件表面圖像采集實(shí)驗(yàn),工件表面銑削紋理背景提取,工件表面銑削背景紋理抑制及缺陷目標(biāo)分割,工件表面缺陷特征描述以及缺陷特征向量的構(gòu)建,工件表面缺陷分類識(shí)別等方面,針對(duì)這些內(nèi)容,論文開展了如下研究:(1)銑削實(shí)驗(yàn)與工件表面缺陷圖像的采集。以高速三軸聯(lián)動(dòng)加工中心(HNC-180xp/M3)為實(shí)驗(yàn)平臺(tái),依據(jù)切削加工手冊選取三組常用加工參數(shù)建立三因素三水平正交實(shí)驗(yàn)表,分別針對(duì)15號(hào)鋼、45號(hào)鋼和鈦合金TC4開展銑削實(shí)驗(yàn),以獲取具有不同背景紋理的工件表面�；诮�(jīng)驗(yàn)知識(shí)描述工件表面常見缺陷的特征,然后針對(duì)工件表面進(jìn)行圖像的采集。(2)銑削工件表面紋理背景提取。對(duì)采集到的圖像進(jìn)行維納平滑去噪,針對(duì)傳統(tǒng)灰度共生矩陣算法采用同一量化區(qū)間導(dǎo)致計(jì)算復(fù)雜度高的問題,提出針對(duì)圖像紋理變化頻率不同的區(qū)域采用不同的灰度級(jí)量化的方法來進(jìn)行改進(jìn)�；诟倪M(jìn)后的灰度共生矩陣算法提取工件表面背景紋理,獲得工件表面背景紋理圖。(3)工件表面背景紋理抑制與缺陷目標(biāo)分割。將工件表面背景紋理圖均分成若干大小相同的像素方塊,隨機(jī)抽樣其中若干幅像素方塊依次排列成圖像矩陣,以近似代表非缺陷區(qū)域背景紋理,并作為輸入進(jìn)行非負(fù)矩陣分解降維,依次將分解出的基矩陣同背景紋理圖中相同大小像素方塊求歐式距離,求出距離平均值并賦值給背景紋理圖中相應(yīng)像素方塊的中心像素點(diǎn)以抑制背景紋理突顯缺陷目標(biāo),然后采用K-means聚類算法對(duì)工件表面背景紋理弱化圖進(jìn)行二值化處理,實(shí)現(xiàn)銑削紋理背景干擾下的工件表面圖像缺陷目標(biāo)分割。(4)工件表面常見缺陷特征描述。依據(jù)缺陷目標(biāo)的幾何特征對(duì)缺陷特征進(jìn)行數(shù)學(xué)化描述,并構(gòu)建用于分類識(shí)別的缺陷特征向量集。(5)工件表面缺陷分類識(shí)別模型建立與驗(yàn)證。依據(jù)缺陷特征集,設(shè)計(jì)二叉樹支持向量機(jī)分類器,采用自上而下分裂的方式構(gòu)造二叉樹結(jié)構(gòu),將工件表面常見缺陷進(jìn)行分類識(shí)別。理論分析和實(shí)驗(yàn)結(jié)果表明:本文所建立的缺陷識(shí)別與分類方法,能夠有效從具有銑削紋理背景的圖像中準(zhǔn)確分離出缺陷目標(biāo)并進(jìn)行分類識(shí)別。該方法對(duì)背景紋理干擾不敏感,準(zhǔn)確率高,為實(shí)現(xiàn)工件表面缺陷無損檢測提供了一種新思路。
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TG54;TP391.41
【圖文】：

集目標(biāo)圖像，而后進(jìn)行目標(biāo)圖像的去噪和增強(qiáng)，隨后通過圖像分割算法分離出目逡逑標(biāo)像素點(diǎn)，最后通過模式識(shí)別技術(shù)進(jìn)行識(shí)別分類，從而實(shí)現(xiàn)檢測目的，其檢測系逡逑統(tǒng)示意圖如圖１．１所示。在硬件設(shè)備一定的情況下，算法的優(yōu)劣將直接影響缺陷逡逑檢測效果。目前，國內(nèi)外專家學(xué)者己經(jīng)研發(fā)了許多針對(duì)各種表面缺陷視覺檢測算逡逑法，并開發(fā)出了相應(yīng)的檢測系統(tǒng)，這些技術(shù)廣泛的應(yīng)用在諸如切削加工、汽車制逡逑造、電子元器件、軌道交通和食品安全檢測等領(lǐng)域。逡逑光源邐輸出結(jié)果逡逑２逡逑邐Ｉ邐邋邐邋邐邋邐逡逑待檢測目標(biāo)一？邋ＣＣＤ攝像機(jī)一？圖像采集卡一？逡逑圖１．１機(jī)器視覺缺陷檢測系統(tǒng)示意圖逡逑在切削加工領(lǐng)域，機(jī)器視覺技術(shù)應(yīng)用的一個(gè)主要分支就是工件表面缺陷檢測，逡逑其基本原理是不同缺陷的光學(xué)特性存在較大差異，將獲取的圖像信號(hào)轉(zhuǎn)化為數(shù)字逡逑信號(hào)，并對(duì)數(shù)字信號(hào)進(jìn)行處理，分析其中的缺陷特征參數(shù)，在此基礎(chǔ)上實(shí)現(xiàn)缺陷逡逑的識(shí)別、定位等功能。例如，Ｓａｍｉｋ邋Ｄｕｔｔａ［２６］等提出一種通過對(duì)切削加工過程中逡逑刀具表面圖像紋理特征的分析并提取出八個(gè)關(guān)鍵特征量運(yùn)用支持向量機(jī)對(duì)機(jī)床逡逑加工狀態(tài)進(jìn)行預(yù)測的方法，來實(shí)現(xiàn)對(duì)工件表面加工質(zhì)量的檢測；Ｍｉｃｈａｌ逡逑Ｓｚｙｄｌｏｗｓｋｉ［２７］、Ｌｉｈｏｎｇ邋Ｌｉ［２８］、Ｔ．邋Ｍｉｋｏｔａｊｃｚｙｋ［２９］、Ｃｈｅｎ邋Ｚｈａｎｇ１３。］等也均從不同角逡逑度運(yùn)用機(jī)器視覺技術(shù)通過對(duì)刀具加工狀態(tài)的監(jiān)控

第２章銑削實(shí)驗(yàn)與工件表面缺陷圖像采集逡逑現(xiàn)在復(fù)雜紋理背景干擾下的工件表面質(zhì)量缺陷檢測與識(shí)別，第一個(gè)具有不同背景紋理的銑削加工表面，而不同的工件材料，加工參數(shù)工方案的選擇都將導(dǎo)致被加工材料擁有不同的背景紋理；與此同時(shí)進(jìn)行圖像采集之前的預(yù)處理，以及硬件、軟件設(shè)備的選擇都會(huì)對(duì)采量產(chǎn)生影響，從而影響到檢測的成敗。因此，選擇合理的刀具、銑工方案進(jìn)行銑削實(shí)驗(yàn)，并且采用合適的圖像采集設(shè)備進(jìn)行圖像采集圖像是本章的主要內(nèi)容和口的。逡逑銑削加工實(shí)驗(yàn)逡逑實(shí)驗(yàn)設(shè)備簡介逡逑）機(jī)床如圖２．１所示：逡逑

邐（ｂ）４５號(hào)鋼邐（ｃ）鈦合金ＴＣ４逡逑圖２．２加工樣塊逡逑其基本參數(shù)如表２．１所示：逡逑表２．１加工材料特性逡逑型號(hào)邋＾邐碰伸長率￣收縮率抗拉強(qiáng)度屈服強(qiáng)度逡逑邐（ｇ／ｃｍ３）邐（ＨＢ）邐（％）邐（％）邐（Ｍｐａ）邐（Ｍｐａ）逡逑１５邋號(hào)鋼邐７．８５邐１４３邐２７邐５５邐３７５邐２２５逡逑４５邋號(hào)鋼邐７．８５邐１９７邐１６邐４０邐６００邐３５５逡逑鈦合金邐４．５０邐２８５邐１０邐２５邐８９５邐８６０逡逑３）加工刀具如圖２．３所示：逡逑懌}瑁皺義襄�、亓x賢跡玻臣庸さ毒咤義媳臼笛檠∮玫牡毒呶夏煽勺訟車�，卸d盼矗埃粒埃常遙櫻矗擔(dān)櫻牛保矗牛牽鍍義嫌倉屎轄�。辶x希玻保布庸し槳干杓棋義嫌捎誄跏即庸すぜ礱娌黃秸煥詡諧鄭氏榷源庸すぜ直鸞寫皺義舷�，加工过程壤_跡玻此荊哄義希保板義

本文編號(hào)：2791528