论文部分内容阅读
机器视觉检测技术一般是指利用机器视觉手段获取被检测物体的图像并与预先己知的标准进行比较从而确定被检测物体的质量状况的技术,是一种建立在机器视觉理论基础上的,综合运用图像处理、精密测量、模式识别和人工智能等技术的非接触检测方法。机器视觉检测技术以被检测物体的图像为检测和传递信息的手段和载体。本文针对线扫描步长自适应优化、亚像素边缘检测、平面轮廓图元识别以及薄片零件尺寸机器视觉检测系统的开发等问题进行了系统研究。借鉴自由曲面逆向工程中扫描步长自适应优化的思想,提出了基于CAD信息的线扫描步长自适应优化方法,不但避免了传统方法需两次扫描才能完成扫描步长自适应优化的问题,而且能为后续的尺寸自动化检测提供尺寸设计值与公差值。基于曲线拟合容差开发了圆弧图元线扫描步长自适应优化算法;基于等线段长开发了直线图元线扫描步长自适应优化算法;基于图元间的拓扑结构归纳了区域线扫描步长自适应选取准则。在薄片零件尺寸机器视觉检测系统中实现了基于CAD信息的线扫描步长自适应优化,用计算机硬盘中的弹性臂薄片零件和精密标准件的尺寸检测实验对基于CAD信息的线扫描步长自适应优化方法的检测精度和扫描数据量进行了分析。基于线扫描的成像特性,探讨了图像标定算法。选取最大类间方差法作为检测系统的灰度阈值分割方法。针对线扫描图像的实际状态,研究了团块面积阈值法以去除图像中的噪声。选取数学形态学边缘检测方法作为检测系统的像素级边缘检测方法。在深入研究已有亚像素边缘检测方法的基础上,以提高亚像素边缘检测的定位精度和检测速度为目标,提出了一种基于三次样条插值的矩形透镜法亚像素边缘检测方法。以精密标准件线扫描图像的亚像素边缘检测为例,对本文提出的亚像素边缘检测方法的检测精度进行了分析,并对本文提出的亚像素边缘检测方法和其他几种亚像素边缘检测方法的检测精度和检测速度进行了对比实验与分析。在深入研究现有特征点检测方法的基础上,针对检测精度与检测速度两大指标,提出了基于曲率与HOUGH变换的平面轮廓图元识别方法。开发了基于邻域值的轮廓点分类算法,采用曲率阈值法筛选轮廓点、投影高度法判别图元属性及分类轮廓点,分别构建了基于HOUGH变换的直线图元、圆弧图元分割与融合算法。对本文提出的平面轮廓特征点检测方法与几种经典的基于图像边缘信息的特征点检测方法的检测精度与检测速度进行了对比实验与分析。采用包含各种类型特征点的仿真平面轮廓,对本文提出的平面轮廓特征点检测方法的特征点检测能力进行了测试。在上述研究成果的基础上开发了薄片零件尺寸机器视觉检测系统。对图元的尺寸和尺寸误差的计算进行了研究,提出了最小二乘直线法计算直线图元的直线度误差和最小二乘圆法计算圆图元的圆度误差。用薄片零件尺寸机器视觉检测系统对计算机硬盘中的弹性臂薄片零件和精密标准件的尺寸进行了检测,对检测时间进行了分析,并选取薄片零件的典型尺寸和精密标准件的直径尺寸的检测结果对检测系统的检测精度进行了分析。实验结果表明,薄片零件尺寸机器视觉检测系统的检测精度能达到微米级,检测时间能满足在线实时检测的要求,而且检测系统通过获取被检测零件的CAD信息,能自动识别需要检测的尺寸,实现了尺寸的非接触、自动化检测,得到了相关企业的首肯。