隨著工業(yè)時(shí)代由信息化向智能化的迅速發(fā)展,各種工件生產(chǎn)的質(zhì)量要求隨之提高,對(duì)工件的識(shí)別與檢測(cè)是工件生產(chǎn)過程中必不可少的環(huán)節(jié)。在傳統(tǒng)工件生產(chǎn)環(huán)節(jié)中,人工作業(yè)存在速度慢、誤差較大、數(shù)字化程度低、接觸性安全隱患大等諸多問題,而基于機(jī)器視覺的工件檢測(cè)技術(shù)可有效地解決上述問題。本文主要針對(duì)帶孔工件識(shí)別技術(shù)及規(guī)格合格性檢測(cè)方法進(jìn)行研究,研究內(nèi)容包括以下部分:（1）提出了一種基于孔洞區(qū)域二值串描述的特征提取方法,簡稱PDB（Perforated Domain BRIEF）算法。算法中設(shè)計(jì)了針對(duì)孔洞的預(yù)處理,通過連通區(qū)域標(biāo)記選點(diǎn)的方式確定工件特征點(diǎn),并利用基于孔洞灰度差異性的二值串編碼方式描述特征點(diǎn)。PDB算法充分利用了帶孔工件結(jié)構(gòu)特點(diǎn),減少了存儲(chǔ)空間并提高了工件特征點(diǎn)匹配效率。通過將PDB算法與多種經(jīng)典特征提取算法進(jìn)行實(shí)驗(yàn)對(duì)比,可以得出PDB算法對(duì)帶孔工件的識(shí)別過程耗時(shí)更少,匹配率更高,能夠?qū)崿F(xiàn)對(duì)不同帶孔工件的高效識(shí)別。（2）提出了一種針對(duì)孔洞的高斯概率模型點(diǎn)霍夫變換檢測(cè)算法,可用于快速檢測(cè)工件孔洞規(guī)格。該算法根據(jù)原圖像建立高斯霍夫變換臨時(shí)空間,并對(duì)得到的每一個(gè)孔洞子圖像進(jìn)行高斯霍夫變換處理,然后將每... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

工件檢測(cè)系統(tǒng)模型圖

Fig 2.1 Gray image of workpiece采集到的照片質(zhì)量受到諸多因素的影響，尤采集的照片，不論是在實(shí)驗(yàn)室環(huán)境還是實(shí)際無法避免的，噪聲點(diǎn)產(chǎn)生的來源可能是因?yàn)榛蛘吲臄z物體本身結(jié)構(gòu)問題（比如易反光）或聲點(diǎn)的像素值無法體現(xiàn)被測(cè)工件真實(shí)的數(shù)據(jù)誤部分，這種誤差是不可預(yù)測(cè)的隨機(jī)誤差，是一種誤導(dǎo)。所以為了提高數(shù)據(jù)的有效性，，需要對(duì)圖像進(jìn)行去噪處理。圖像不同檢測(cè)型噪聲的產(chǎn)生渠道及原因也不同。去除工件的方式，實(shí)際應(yīng)用中常用的濾波處理方法有種利用鄰域像素值求平均而得到新像素值的

出類間方差最大時(shí)的閾值作為最佳閾值。公式如下 2 220 0 1 1 k w u u w u u件而言，多孔洞是其最顯著的特征，利用二值化孔洞區(qū)域及非孔洞區(qū)域能夠有效地突出工件上孔為深色像素區(qū)域的特性，在一個(gè)合理閾值的劃分周圍的亮色區(qū)域形成強(qiáng)烈對(duì)比，增強(qiáng)了孔洞的識(shí)對(duì)工件區(qū)域內(nèi)的像素灰度值求均值作為二值化的閾 11pixelsi NBW i iipixelsThresh gray x yN N 為工件所覆蓋的像素個(gè)數(shù)，gray x ,y 表示工件所覆蓋的像素點(diǎn)坐標(biāo)集合中取得。在此操作反色，因?yàn)楸疚牡哪繕?biāo)是對(duì)孔洞的處理，而孔洞認(rèn)對(duì)白色目標(biāo)進(jìn)行處理的條件。二值化后的工件大小測(cè)量及分布統(tǒng)計(jì)等操作。工件二值化處理前

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器視覺缺陷檢測(cè)可重構(gòu)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 郭永平,劉淑娟.  電子設(shè)計(jì)工程. 2018(23)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的工件識(shí)別算法[J]. 徐一丁,杜慧敏,毛智禮,張麗果,顧文寧.  組合機(jī)床與自動(dòng)化加工技術(shù). 2018(04)
[3]基于模板匹配的多圓識(shí)別算法[J]. 陳令剛.  電腦知識(shí)與技術(shù). 2017(24)
[4]機(jī)器視覺技術(shù)的發(fā)展現(xiàn)狀與展望[J]. 胥磊.  設(shè)備管理與維修. 2016(09)
[5]一種改進(jìn)的基于最大類間方差的二值化方法[J]. 卜飛宇,祝青,王濤.  電腦知識(shí)與技術(shù). 2015(05)
[6]平面工件的識(shí)別與定位方法研究[J]. 唐宇,吳清瀟,朱楓.  機(jī)械設(shè)計(jì)與制造. 2015(10)
[7]一種基于圓的幾何特性改進(jìn)的圓檢測(cè)隨機(jī)算法[J]. 舒龍慶,曾垂力.  集成技術(shù). 2015(02)
[8]改進(jìn)的Hough變換實(shí)現(xiàn)圓檢測(cè)[J]. 段黎明,汪威,張霞.  計(jì)算機(jī)集成制造系統(tǒng). 2013(09)
[9]Otsu方法在多閾值圖像分割中的應(yīng)用[J]. 王磊,段會(huì)川.  計(jì)算機(jī)工程與設(shè)計(jì). 2008(11)
[10]用點(diǎn)Hough變換實(shí)現(xiàn)圓檢測(cè)的方法[J]. 林金龍,石青云.  計(jì)算機(jī)工程. 2003(11)

博士論文
[1]快速局部圖像特征提取方法研究[D]. 田甜.華中科技大學(xué) 2015
[2]圖像局部不變特征提取技術(shù)及其應(yīng)用研究[D]. 劉景能.上海交通大學(xué) 2012
[3]形狀識(shí)別與圖像分割方法研究[D]. 陳運(yùn)文.復(fù)旦大學(xué) 2008

碩士論文
[1]基于工業(yè)機(jī)器人的多工件視覺識(shí)別與分揀[D]. 張翔.北京化工大學(xué) 2018
[2]基于機(jī)器人視覺的多類型工件識(shí)別與定位問題研究[D]. 馬庭田.南京航空航天大學(xué) 2018
[3]基于機(jī)器視覺的工件識(shí)別技術(shù)的研究[D]. 趙雙.山東理工大學(xué) 2017
[4]基于機(jī)器視覺的液體分離傳感器設(shè)計(jì)[D]. 華金.東南大學(xué) 2017
[5]基于機(jī)器視覺和深度學(xué)習(xí)的目標(biāo)識(shí)別與抓取定位研究[D]. 李傳朋.中北大學(xué) 2017
[6]基于圖像的植物葉片參數(shù)測(cè)量方法研究[D]. 周樂前.湖南大學(xué) 2015
[7]基于機(jī)器視覺的表面缺陷檢測(cè)算法研究[D]. 李玉寶.中南大學(xué) 2013
[8]基于機(jī)器視覺的工業(yè)機(jī)器人抓取技術(shù)的研究[D]. 董文輝.華中科技大學(xué) 2011
[9]新的二值圖像八近鄰邊界跟蹤和內(nèi)外邊標(biāo)定算法[D]. 孫丁.華東師范大學(xué) 2011



本文編號(hào)：3322510