發(fā)布時(shí)間：2020-11-04 02:34

　　 隨著汽車、航空航天、武器裝備等領(lǐng)域?qū)芡矤盍慵目煽啃砸笤絹碓礁?筒狀工件內(nèi)壁的腐蝕、劃痕等質(zhì)量問題,將會(huì)直接影響工業(yè)產(chǎn)品的性能以及生命財(cái)產(chǎn)的安全,因此,定期開展對(duì)筒狀工件內(nèi)壁進(jìn)行質(zhì)量檢測(cè)和評(píng)估。目前基于折反鏡和結(jié)構(gòu)光的成像檢測(cè)方式,受筒狀工件內(nèi)部狹長(zhǎng)特性的影響,成像裝置設(shè)計(jì)加工難度大,可靠性低。而直接通過魚眼鏡頭成像,由于成像焦距短,視場(chǎng)畸變大,影響檢測(cè)效果。針對(duì)該問題,論文基于變焦鏡頭,采用多聚焦視覺成像技術(shù),研究基于多聚焦圖像序列融合的筒狀工件內(nèi)壁形貌重構(gòu)方法,研究擬實(shí)現(xiàn)對(duì)筒狀工件內(nèi)壁全景成像檢測(cè)。首先,針對(duì)多聚焦圖像序列中聚焦區(qū)域特征提取困難問題,結(jié)合深度學(xué)習(xí)的深層特征自適應(yīng)性提取優(yōu)勢(shì),研究基于Siamese Network(暹羅網(wǎng)絡(luò))的多聚焦圖像序列融合算法,利用基于Siamese Network檢測(cè)筒狀工件內(nèi)壁的聚焦區(qū)域,通過網(wǎng)絡(luò)輸出的分?jǐn)?shù)圖決策不同景深的內(nèi)壁圖像序列的聚焦區(qū)域,融合出全聚焦的內(nèi)壁全景視圖。由于全景圖是將三維空間筒狀工件360°內(nèi)壁信息壓縮到二維平面環(huán)形內(nèi),視覺不直觀。針對(duì)該問題,根據(jù)透視變換原理,研究筒狀工件內(nèi)壁全景圖像展開方法,并針對(duì)展開過程中坐標(biāo)系的映射插值方法進(jìn)行了改進(jìn),提高了展開圖像的質(zhì)量。最后,論文采用6.5mm-42.5mm的變焦精度,針對(duì)80mm-130mm的筒狀工件設(shè)計(jì)了成像實(shí)驗(yàn)裝置。實(shí)驗(yàn)結(jié)果表明本文提出的形貌重構(gòu)方法能夠直接獲取筒狀工件內(nèi)壁全景形貌,成像質(zhì)量高,能有效實(shí)現(xiàn)內(nèi)壁質(zhì)量的檢測(cè)。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41;TP183
【部分圖文】：

中北大學(xué)學(xué)位論文4圖1-1內(nèi)壁形貌測(cè)量和缺陷檢測(cè)分類Figure1-1Classificationofinnerwalltopographymeasurementanddefectdetection結(jié)合上述內(nèi)容，可以看出內(nèi)壁檢測(cè)時(shí)非接觸性測(cè)量較于接觸性測(cè)量有更加廣泛的適應(yīng)性和優(yōu)點(diǎn)。本文主要介紹非接觸性測(cè)量。非接觸測(cè)量中的光學(xué)測(cè)量和非光學(xué)測(cè)量都可以檢測(cè)直徑較大的管狀內(nèi)壁，但一般傳統(tǒng)工業(yè)多在室外，所以經(jīng)常采用非光學(xué)式無損檢測(cè)的方法，利用超聲檢測(cè)法或漏磁檢測(cè)法進(jìn)行檢測(cè)，一些工業(yè)還利用上電渦流檢測(cè)法、電磁超聲導(dǎo)波技術(shù)等。非光學(xué)式無損檢測(cè)方法有一個(gè)明顯的缺點(diǎn)就是成本高，設(shè)備昂貴復(fù)雜，測(cè)量方法的計(jì)算量大，因此不得不去考慮安全防護(hù)問題。光學(xué)式測(cè)量方法是采用視覺成像技術(shù)檢測(cè)工件內(nèi)壁，不受環(huán)境影響，并且具有高精度，可實(shí)現(xiàn)，成本低，可視化等優(yōu)點(diǎn)，通常采用的方法是將圖像攝取裝置的特征信號(hào)轉(zhuǎn)變?yōu)榭梢暤膱D像信號(hào)，然后圖像處理系統(tǒng)會(huì)對(duì)圖像進(jìn)行處理，在這一過程中圖像信息轉(zhuǎn)變?yōu)閿?shù)字信號(hào)，最后從信號(hào)中抽取目標(biāo)特征，主要包括CCTV成像法、激光三角法等。CCTV(ClosedCircuitTelevision)成像法，別名為內(nèi)窺鏡檢測(cè)法，這個(gè)系統(tǒng)主要是組

ClosedCircuitTelevision成像法提出一種新型的方法用于數(shù)字圖像處理自動(dòng)分析管道內(nèi)表面。我國(guó)正嚴(yán)建設(shè)工程質(zhì)量檢測(cè)有限公司（湖北）的蔡強(qiáng)等人[7]，采用內(nèi)窺鏡檢測(cè)法和爬行機(jī)器人試驗(yàn)對(duì)水庫管道內(nèi)缺陷分析和研究。但是這種方法只能找到缺陷位置并不能定量表征大小和形狀。想要獲取內(nèi)壁變形的具體程度、凹陷及裂紋等缺陷的具體大小，通過云臺(tái)轉(zhuǎn)動(dòng)攝像機(jī)，不斷地變換視角，捕捉每一個(gè)方位的特征點(diǎn)，才能有效全景成像，這種方法只能判斷管道是否有缺陷，但是對(duì)于構(gòu)建管道內(nèi)壁形貌的三維圖像的準(zhǔn)確率偏低，自動(dòng)化水平也較低。圖1-2CCTV成像檢測(cè)原理圖Figure1-2CCTVimagingdetectionprinciplediagram激光三角法測(cè)量的原理，如同立體傳感器，激光傳感器片主要依賴三角測(cè)量來構(gòu)建三維場(chǎng)景，投射出的激光會(huì)在物體表面反射或吸收形成光條和激光點(diǎn)。與立體傳感器相比，一臺(tái)攝像機(jī)將激光平面（光片）投射到物體上，只發(fā)射一束平行光，透過棱面透鏡和一個(gè)鮑威爾透鏡，在鮑威爾透鏡上呈現(xiàn)更加均勻的亮度，如果物體發(fā)生移動(dòng)，那么物體和透鏡間距離的變化落在相機(jī)上成像的點(diǎn)也會(huì)隨之移動(dòng)，當(dāng)對(duì)象相對(duì)于光片移動(dòng)時(shí)重構(gòu)其形狀，所以一般使用線性運(yùn)動(dòng)作為相機(jī)和物體間的相對(duì)運(yùn)動(dòng)，這是為了確保后續(xù)運(yùn)動(dòng)形成的幀數(shù)穩(wěn)定，根據(jù)圖1-3所示，可以看到物體和探頭間相對(duì)運(yùn)動(dòng)反射的光線會(huì)在物體和探頭間形成三角形，所以一般稱這種方法為激光三角法，即是通過相機(jī)平面上的

中北大學(xué)學(xué)位論文6距離和折射角度以及位移間的幾何關(guān)系等因素來計(jì)算得到距離。FerranLaguarta等人[8]他們針對(duì)直徑為25μm的噴嘴和接近17°的壁角提出了一種全新的共焦激光掃描法，改善和提高這種測(cè)量法的精度。長(zhǎng)春理工大學(xué)的徐熙平等人[9]確立系統(tǒng)的測(cè)量誤差不大于0.03mm，重復(fù)性測(cè)量精度優(yōu)于±0.03mm為激光三角法的應(yīng)用確定了一種可適范圍。天津大學(xué)陳浩等人[10]通過激光三角法測(cè)量?jī)?nèi)徑的試驗(yàn)改善了系統(tǒng)裝配精度。該方法由于每次是單點(diǎn)操作掃描，所以每次只能采集一個(gè)點(diǎn)，對(duì)于內(nèi)壁外貌的重構(gòu)，效率降低，所以容易產(chǎn)生誤差[11-12]。圖1-3激光三角檢測(cè)原理圖Figure1-3Theprinciplediagramoflasertriangledetection隨著視覺全景成像技術(shù)的興起，獲得超大視場(chǎng)全景圖成為基于視覺筒狀工件內(nèi)壁檢測(cè)研究領(lǐng)域的熱點(diǎn)問題。林華琦等人[13]采用多相機(jī)拼接組合模式，四個(gè)魚眼相機(jī)朝向不同方位進(jìn)行拍攝，通過圖像拼接融合成全景圖像。王會(huì)峰等人[14]提出相機(jī)旋轉(zhuǎn)拍攝，隨著云臺(tái)的轉(zhuǎn)動(dòng)捕捉到每個(gè)角度的圖像并且拼湊成全景圖像。Di等人[15]利用魚眼超廣角鏡頭獲得大視場(chǎng)井壁全景圖成像。吳挺等人[16]在自制的折反射全景成像系統(tǒng)上通過大量的折射最終實(shí)現(xiàn)全息投影。對(duì)于上述種種方法，雖然間接的彌補(bǔ)了成像系統(tǒng)中視場(chǎng)有限的問題，但存在明顯的不足，單個(gè)相機(jī)旋轉(zhuǎn)不能獲得全景圖像，所以只能采用魚眼鏡頭和折反射全景成像，然后校正圖像矯正算法復(fù)雜。目前內(nèi)壁全景圖成像技術(shù)都存在數(shù)字成像系統(tǒng)中景深有限的問題，而對(duì)圓筒內(nèi)壁進(jìn)行多聚焦圖像融合則很好地改善了這一不足，實(shí)現(xiàn)筒狀工件內(nèi)壁全聚焦成像。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 申曉華;艾寶;王婷;;多聚焦圖像融合中小波基函數(shù)選取的研究[J];彈箭與制導(dǎo)學(xué)報(bào);2007年03期

2 李筍;汪渤;周志強(qiáng);蹤華;王海羅;;基于區(qū)域分割和引導(dǎo)濾波的多聚焦圖像融合[J];北京理工大學(xué)學(xué)報(bào);2015年06期

3 馬文娟;許峰;;基于差異演化的多聚焦圖像融合算法[J];合肥學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

4 張攀;;多聚焦圖像融合算法[J];微型電腦應(yīng)用;2012年09期

5 劉子聞;羅曉清;張戰(zhàn)成;;自學(xué)習(xí)規(guī)則下的多聚焦圖像融合[J];中國(guó)圖象圖形學(xué)報(bào);2020年08期

6 毛義坪;余磊;官澤瑾;;基于分?jǐn)?shù)階微分的多聚焦圖像融合[J];計(jì)算機(jī)科學(xué);2019年S2期

7 趙慧;;基于小波變換的多聚焦圖像融合算法研究[J];產(chǎn)業(yè)與科技論壇;2015年22期

8 田江華;熊邦書;施琴紅;;基于小波變換與局部離散度的多聚焦圖像融合算法[J];南昌航空工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年03期

9 官澤瑾;毛義坪;;基于梯度理論的多聚焦圖像融合[J];現(xiàn)代計(jì)算機(jī);2020年01期

10 楊勇;鄭文娟;黃淑英;魏文明;劉心韻;;一種基于遺傳算法的自適應(yīng)多聚焦圖像融合新方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

相關(guān)博士學(xué)位論文 前10條

1 延翔;多源圖像融合算法研究[D];西安電子科技大學(xué);2018年

2 張永新;多聚焦圖像像素級(jí)融合算法研究[D];西北大學(xué);2014年

3 徐月美;多尺度變換的多聚焦圖像融合算法研究[D];中國(guó)礦業(yè)大學(xué);2012年

4 李華鋒;多聚焦圖像像素級(jí)融合方法研究[D];重慶大學(xué);2012年

5 費(fèi)春;基于智能優(yōu)化和視覺顯著性的圖像融合研究[D];電子科技大學(xué);2015年

6 孫巖;基于多分辨率分析的多傳感器圖像融合算法研究[D];哈爾濱工程大學(xué);2012年

7 張強(qiáng);基于多尺度幾何分析的多傳感器圖像融合研究[D];西安電子科技大學(xué);2008年

8 黃偉;像素級(jí)圖像融合研究[D];上海交通大學(xué);2008年

9 封子軍;像素級(jí)圖像融合算法研究[D];電子科技大學(xué);2014年

10 趙恒軍;圖像多尺度鄰域距離分解及其應(yīng)用[D];重慶大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王青青;基于多聚焦圖像序列融合的筒狀工件內(nèi)壁形貌重構(gòu)方法研究[D];中北大學(xué);2020年

2 張素蘭;基于小波變換的多聚焦圖像融合研究[D];重慶大學(xué);2009年

3 向昌成;多聚焦圖像融合研究[D];電子科技大學(xué);2010年

4 田江華;多聚焦圖像融合算法的研究[D];南昌航空大學(xué);2007年

5 朱亞超;基于小波變換的多聚焦圖像融合與評(píng)價(jià)[D];武漢理工大學(xué);2005年

6 余慧;多聚焦圖像融合算法研究[D];河海大學(xué);2006年

7 王旭東;基于分解理論的多聚焦圖像融合算法研究[D];湖南大學(xué);2019年

8 黎磊;變焦大景深顯微與三維測(cè)量技術(shù)研究[D];合肥工業(yè)大學(xué);2019年

9 王鏢堡;基于深度學(xué)習(xí)的多聚焦圖像算法研究[D];云南大學(xué);2018年

10 唐翰;基于深度卷積神經(jīng)網(wǎng)絡(luò)的多聚焦圖像融合[D];重慶郵電大學(xué);2018年

本文編號(hào)：2869479