機(jī)器視覺(jué)在產(chǎn)品自動(dòng)檢測(cè)上有著不可替代的作用,它具有檢測(cè)速度快、精度高、非接觸性等特點(diǎn)。本文在充分調(diào)研國(guó)內(nèi)外機(jī)器視覺(jué)研究領(lǐng)域已有成果的基礎(chǔ)上,理論結(jié)合實(shí)際,研究了不規(guī)則零件尺寸檢測(cè)和表面缺陷檢測(cè)算法,搭建了針對(duì)不規(guī)則卡箍缺損檢測(cè)的硬件平臺(tái),開(kāi)發(fā)了一套基于機(jī)器視覺(jué)的不規(guī)則卡箍檢測(cè)系統(tǒng)軟件。系統(tǒng)已獲得實(shí)際應(yīng)用。本文的研究工作及創(chuàng)新點(diǎn)如下:(1)針對(duì)實(shí)時(shí)拍攝過(guò)程中陰影的干擾問(wèn)題,提出基于YCb Cr顏色空間和雙邊濾波的陰影檢測(cè)去除算法。系統(tǒng)研究了陰影產(chǎn)生的機(jī)理以及現(xiàn)有的檢測(cè)陰影的方法。提出的算法采用YCb Cr顏色空間來(lái)進(jìn)行陰影機(jī)理分析,并與現(xiàn)有的陰影去除算法進(jìn)行了實(shí)驗(yàn)對(duì)比,同實(shí)驗(yàn)仿真圖中可以看出,該算法得到的效果圖中不僅去除了陰影,而且較好的保留了原圖中的細(xì)節(jié)信息。(2)針對(duì)傳統(tǒng)圖像匹配耗費(fèi)時(shí)間較長(zhǎng)的問(wèn)題,提出一種基于文化粒子群的圖像配準(zhǔn)算法(CIPSO)。系統(tǒng)研究了圖像配準(zhǔn)的原理以及現(xiàn)有成熟的圖像配準(zhǔn)方法。分析比較了現(xiàn)有幾種匹配方法的性能及其優(yōu)缺點(diǎn)。提出一種基于文化粒子群的圖像配準(zhǔn)算法。根據(jù)待處理圖像的灰度和空間結(jié)構(gòu)信息,構(gòu)造出一個(gè)基于最大化互信息的配準(zhǔn)測(cè)度函數(shù)。以測(cè)度函數(shù)的優(yōu)化問(wèn)題作為出發(fā)點(diǎn),將文化算法和粒子群優(yōu)化算法相結(jié)合,用來(lái)指導(dǎo)圖像的配準(zhǔn)。改進(jìn)后的粒子群算法加快了粒子群的收斂速度,從而克服了圖像配準(zhǔn)中計(jì)算量過(guò)大、搜索速度過(guò)慢等問(wèn)題,提高了匹配速度。(3)對(duì)傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)進(jìn)行了改進(jìn),并用于圖像分割,避免了傳統(tǒng)圖像分割方法容易出現(xiàn)的分割誤差或分割錯(cuò)誤。傳統(tǒng)的PCNN空間上不相鄰的神經(jīng)元可以同時(shí)“點(diǎn)火”,但是對(duì)于區(qū)域生長(zhǎng)的圖像來(lái)說(shuō),像素空間鄰接若不歸為一類將會(huì)導(dǎo)致分割有誤差甚至出現(xiàn)分割錯(cuò)誤。改進(jìn)后PCNN中神經(jīng)元只允許“點(diǎn)火”一次,一旦“點(diǎn)火”,輸出將保持不變。改進(jìn)后PCNN時(shí)間的獨(dú)立性體現(xiàn)的恰恰是區(qū)域的獨(dú)立性,區(qū)域間獨(dú)立的結(jié)果是邊緣神經(jīng)元只和本區(qū)域內(nèi)部神經(jīng)元有耦合作用,所以改進(jìn)后PCNN模型中邊緣處神經(jīng)元得到補(bǔ)償,為后期的精確分割提供依據(jù)。改進(jìn)后的PCNN模型不需要經(jīng)過(guò)大量圖像訓(xùn)練過(guò)程或樣本調(diào)整過(guò)來(lái)提取圖像基本信息,只需進(jìn)行幾次不同迭代運(yùn)算,圖像的邊緣和區(qū)域信息可以被提取出來(lái)。最后,將PCNN改進(jìn)算法用于卡箍劃痕分割實(shí)驗(yàn),從實(shí)驗(yàn)結(jié)果可以看出改進(jìn)后的PCNN的分割效果明顯優(yōu)于其他傳統(tǒng)算法,具有分割精度高,適應(yīng)范圍廣的特點(diǎn)。(4)針對(duì)粒子群算法的隨機(jī)性和收斂性,分別采用代數(shù)模型、解析模型和狀態(tài)空間模型對(duì)其運(yùn)行軌跡進(jìn)行了分析。算法中參數(shù)是算法的性能和效率的關(guān)鍵。研究了PSO算法中的主要5類控制參數(shù),并對(duì)參數(shù)的選取進(jìn)行了較為細(xì)致的研究。采用線性離散時(shí)間系統(tǒng)的研究方法對(duì)粒子群算法的收斂性進(jìn)行了分析,并給出對(duì)應(yīng)的參數(shù)關(guān)系。圖像分割之后,針對(duì)提取出來(lái)的分割信息進(jìn)行擬合曲線,來(lái)獲得如卡箍的面積、周長(zhǎng)、偏心率、球形性等特征,進(jìn)而為系統(tǒng)的判別分類提供參考信息。文中利用最小一乘來(lái)擬合曲線,擬合算法采用粒子群算法。最后采用粒子群來(lái)指導(dǎo)改進(jìn)后的最小一乘法進(jìn)行曲線擬合試驗(yàn),最終完成卡箍的直徑檢測(cè)。針對(duì)卡箍耳朵的不規(guī)則性,文中采用隨機(jī)Hough變換來(lái)進(jìn)行卡箍耳朵的角度檢測(cè),并且得到較好的結(jié)果。(5)設(shè)計(jì)并構(gòu)建了卡箍尺寸和缺陷在線檢測(cè)系統(tǒng),進(jìn)行了現(xiàn)場(chǎng)驗(yàn)證,產(chǎn)品獲得實(shí)際應(yīng)用,節(jié)約了成本并提高了檢測(cè)準(zhǔn)確性。在基于機(jī)器視覺(jué)產(chǎn)品表面缺陷檢測(cè)系統(tǒng)的體系結(jié)構(gòu)上,對(duì)缺陷檢測(cè)提出的各種算法進(jìn)行研究,實(shí)現(xiàn)了一種基于機(jī)器視覺(jué)的彈簧卡箍在線檢測(cè)系統(tǒng),并且介紹了它們?cè)诠I(yè)現(xiàn)場(chǎng)的實(shí)際使用效果。在實(shí)際工程環(huán)境下,實(shí)現(xiàn)整套系統(tǒng)的功能驗(yàn)證,包括:系統(tǒng)的有效性,系統(tǒng)的抗干擾能力,系統(tǒng)的診斷能力。研制的基于機(jī)器視覺(jué)的彈簧卡箍在線檢測(cè)系統(tǒng)能夠滿足每秒7個(gè)的檢測(cè)速度,檢測(cè)尺寸誤差控制在0.3mm以內(nèi),檢測(cè)的準(zhǔn)確率高于97%。
【學(xué)位單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2015
【中圖分類】：TP391.41
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 基于機(jī)器視覺(jué)產(chǎn)品缺陷檢測(cè)的國(guó)內(nèi)外研究狀況
    1.3 本文的研究?jī)?nèi)容及論文結(jié)構(gòu)
第二章 卡箍缺陷檢測(cè)系統(tǒng)方案設(shè)計(jì)
    2.1 系統(tǒng)檢測(cè)的常見(jiàn)缺陷類型
    2.2 系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)
    2.3 系統(tǒng)軟件結(jié)構(gòu)設(shè)計(jì)
        2.3.1 圖像濾波
        2.3.2 圖像配準(zhǔn)
        2.3.3 圖像分割
        2.3.4 特征提取
        2.3.5 缺陷分類
    2.4 本章小結(jié)
第三章 陰影檢測(cè)與去除算法研究
    3.1 圖像成像理論
        3.1.1 光線
        3.1.2 表面
        3.1.3 成像模型
    3.2 陰影基礎(chǔ)理論
        3.2.1 陰影的類型
        3.2.2 陰影的光譜性質(zhì)
    3.3 現(xiàn)有陰影檢測(cè)算法研究
    3.4 現(xiàn)有陰影去除算法研究
        3.4.1 基于光照變化表面的陰影去除算法
        3.4.2 基于紋理連續(xù)性的陰影去除算法
    3.5 陰影檢測(cè)算法的改進(jìn)
        3.5.1 YCb Cr顏色空間
        3.5.2 雙邊濾波
        3.5.3 基于YCbCr顏色空間和雙邊濾波的陰影檢測(cè)
    3.6 實(shí)驗(yàn)驗(yàn)證與分析
    3.7 本章小結(jié)
第四章 基于文化粒子群的圖像配準(zhǔn)
    4.1 圖像配準(zhǔn)
        4.1.1 基礎(chǔ)理論
        4.1.2 圖像配準(zhǔn)方法
    4.2 文化粒子群
    4.3 一種基于文化粒子群的圖像配準(zhǔn)算法
        4.3.1 粒子群優(yōu)化算法
        4.3.2 CIPSO在圖像配準(zhǔn)中的算法設(shè)計(jì)
        4.3.3 卡箍配準(zhǔn)實(shí)驗(yàn)仿真與分析
    4.4 本章小結(jié)
第五章 基于PCNN的圖像分割算法研究
    5.1 圖像分割技術(shù)
    5.2 常見(jiàn)分割算法
        5.2.1 基于閾值的圖像分割
        5.2.2 基于區(qū)域的圖像分割
        5.2.3 基于邊緣檢測(cè)的圖像分割
        5.2.4 基于數(shù)學(xué)形態(tài)學(xué)的圖像分割
        5.2.5 基于亞像素的圖像分割
    5.3 基于HIS顏色空間的圖像分割
        5.3.1 彩色圖像的表示
        5.3.2 彩色模型
        5.3.3 卡箍顏色檢測(cè)實(shí)驗(yàn)
    5.4 PCNN圖像分割算法的改進(jìn)
        5.4.1 PCNN算法
        5.4.2 PCNN分割算法的改進(jìn)
        5.4.3 基于改進(jìn)算法的卡箍分割實(shí)驗(yàn)
    5.5 本章小結(jié)
第六章 不規(guī)則零件的尺寸檢測(cè)
    6.1 基于最小一乘的直徑檢測(cè)算法的改進(jìn)
        6.1.1 最小一乘擬合直線
        6.1.2 粒子群算法的改進(jìn)
        6.1.3 基于改進(jìn)算法的卡箍直徑檢測(cè)
    6.2 基于Hough變換的角度檢測(cè)
        6.2.1 Hough變換
        6.2.2 隨機(jī)Hough變換
        6.2.3 基于隨機(jī)Hough變換的卡箍角度檢測(cè)
    6.3 本章小結(jié)
第七章 彈簧卡箍在線檢測(cè)系統(tǒng)的實(shí)現(xiàn)
    7.1 彈簧卡箍缺陷在線檢測(cè)的要求
    7.2 卡箍缺陷檢測(cè)系統(tǒng)實(shí)現(xiàn)和應(yīng)用
        7.2.1 照明模塊選擇
        7.2.2 光學(xué)成像系統(tǒng)選擇
        7.2.3 機(jī)械結(jié)構(gòu)設(shè)計(jì)
        7.2.4 系統(tǒng)實(shí)現(xiàn)
    7.3 本章小結(jié)
第八章 總結(jié)與展望
    8.1 研究總結(jié)
    8.2 下一步工作展望
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郁偉平;姜景;;機(jī)器視覺(jué)檢測(cè)系統(tǒng)在汽車中央電器盒上的應(yīng)用[J];儀表技術(shù);2011年11期

2 ;簡(jiǎn)化機(jī)器視覺(jué)檢測(cè)過(guò)程的可配置軟件[J];世界產(chǎn)品與技術(shù);2003年02期

3 姚敏茹;贠江劍;;機(jī)器視覺(jué)檢測(cè)技術(shù)在藥片包裝檢測(cè)中的應(yīng)用[J];價(jià)值工程;2011年04期

4 張磊;陳紅;范維浩;;陶瓷套圈表面質(zhì)量機(jī)器視覺(jué)檢測(cè)系統(tǒng)[J];自動(dòng)化技術(shù)與應(yīng)用;2011年02期

5 張謙;裴海龍;史步海;趙運(yùn)基;;無(wú)紡布成品表面污漬機(jī)器視覺(jué)檢測(cè)系統(tǒng)的設(shè)計(jì)[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 李燕;;機(jī)器視覺(jué)檢測(cè)系統(tǒng)的研究[J];黑龍江科技信息;2008年35期

7 李曉飛;張寶峰;張曉玲;劉冬梅;;高速在線機(jī)器視覺(jué)檢測(cè)系統(tǒng)邊緣檢測(cè)算法研究[J];天津理工大學(xué)學(xué)報(bào);2008年05期

8 李慶生;;機(jī)器視覺(jué)檢測(cè)系統(tǒng)在半導(dǎo)體工業(yè)切筋成型機(jī)上的應(yīng)用[J];電子工業(yè)專用設(shè)備;2009年06期

9 李國(guó)輝;羅宏森;湯勉剛;母洪都;周震;;基于視覺(jué)注意機(jī)制的棉花污染物機(jī)器視覺(jué)檢測(cè)算法[J];電子技術(shù)應(yīng)用;2012年03期

10 李國(guó)輝;蘇真?zhèn)?晏開(kāi)華;黃明飛;;可疑目標(biāo)區(qū)域的機(jī)器視覺(jué)檢測(cè)算法[J];四川大學(xué)學(xué)報(bào)(工程科學(xué)版);2010年01期

相關(guān)博士學(xué)位論文 前3條

1 朱霞;不規(guī)則零件機(jī)器視覺(jué)檢測(cè)中的關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2015年

2 劉良江;先進(jìn)電子制造生產(chǎn)線機(jī)器視覺(jué)檢測(cè)方法與技術(shù)研究[D];湖南大學(xué);2010年

3 伍濟(jì)鋼;薄片零件尺寸機(jī)器視覺(jué)檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 盧小鵬;TFT-LCD Mura缺陷機(jī)器視覺(jué)檢測(cè)方法研究[D];電子科技大學(xué);2014年

2 花奇;基于LabVIEW的機(jī)器視覺(jué)檢測(cè)系統(tǒng)設(shè)計(jì)及其在硬盤(pán)連接器生產(chǎn)中的應(yīng)用[D];南華大學(xué);2015年

3 侯備;酒類產(chǎn)品質(zhì)量機(jī)器視覺(jué)檢測(cè)控制系統(tǒng)研究[D];湖南大學(xué);2011年

4 孔侃;螺母機(jī)器視覺(jué)檢測(cè)與篩選系統(tǒng)研究與設(shè)計(jì)[D];江西理工大學(xué);2013年

5 曾歆懿;貼片產(chǎn)品機(jī)器視覺(jué)檢測(cè)中的圖像獲取與處理[D];廣東工業(yè)大學(xué);2007年

6 邵泉鋼;弱透光環(huán)境下微構(gòu)件機(jī)器視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2011年

7 李曉飛;高速在線機(jī)器視覺(jué)檢測(cè)方法的研究[D];天津理工大學(xué);2008年

8 劉霞;工業(yè)零件形狀尺寸的機(jī)器視覺(jué)檢測(cè)系統(tǒng)的研究[D];哈爾濱理工大學(xué);2009年

9 莊開(kāi)嵐;驅(qū)動(dòng)橋殼長(zhǎng)度及板簧座傾角的機(jī)器視覺(jué)檢測(cè)研究[D];青島理工大學(xué);2011年

10 陸勛;基于LabVIEW的機(jī)器視覺(jué)檢測(cè)系統(tǒng)設(shè)計(jì)[D];華東理工大學(xué);2010年

本文編號(hào)：2893038