本文针对智能生产线上的金属零件识别,通过对实际问题的分析提出了识别过程中的主要问题并通过实验设计了相应的解决方法。本文的主要研究内容如下:(一)通过对金属零件的特征分析,研究金属零件匹配过程中存在的难点,提出图像采集方法和图像预处理方法:通过对比实验从本文设计的三种布光方法中选取了图像采集质量最好的布光方法;针对相机在同一焦距下采集不同厚度零件时图像的模糊问题,设计了一种能得到纹理特征较为稳定的金属零件图像的图像采集方法;针对背景对识别结果的影响,采用背景相减法提取了图像中的有效零件区域;针对金属零件图像光强噪声对纹理特征的影响,通过对比实验从SSR、MSRCR、基于二维伽马函数的光强处理三种方法中选取了采用最佳参数组时性能表现最佳的光强噪声处理方法。(二)针对金属零件识别设计了一种金属零件分级分类方法CMMP(Classification method of metal parts):首先,通过零件的尺寸特征,将零件由小到大分为了8个一级类别;然后,根据零件的外形特征,对零件外形的矩形度、圆形度、长宽比进行编码,将零件分为27个二级类别;最后,根据第四章中零件的RTMM特征,对零件进行三级分类。分级分类的好处在于将一个包含很多种类的复杂分级任务分解成几个较为简单的分级任务,减少了特征融合时部分纹理特征特性的丢失,提高了识别结果的准确率并减小了算法设计时的复杂度。(三)针对零件旋转和图像中零件侧面区域导致纹理特征变化的问题,提出了一种针对金属零件识别的自适应旋转不变纹理特征RTMM(Ring template of metal parts matching)。首先通过几个圆环将模板图像分割成几个环型区域;其次采用各圆环平均像素排列编码快速定位图像的有效纹理特征表面区域;再次采用图像平均梯度方向作为初始方向矫正纹理特征方向;然后根据各像素点的梯度幅值与梯度方向检测纹理特征稳定点,选取包含纹理特征最多的特征圆环代替整副模板图像作为新的有效模板;最后将梯度方向划分成几个角度区间,统计各区间内的稳定点个数进行编码作为新的纹理特征。RTMM特征解决了金属零件图像中侧面区域和零件旋转对纹理特征的干扰问题,而且通过预选区域筛选特征减少了算法的运算数据量和运算时间,使其符合智能制造生产线上对算法速度的要求。