论文部分内容阅读
近年来由于性能优势,航空工业中复合材料的使用量正在不断地增加,但其丰富的表面纹理信息同时也为视觉测量带来了挑战,因此复合材料零件圆孔的视觉测量成为了机器人制孔视觉测量系统的关键问题之一。复合材料圆孔检测的难点在于其复杂的纹理信息,传统的圆检测算法容易受到纹理的干扰,在复合材料的圆检测问题中识别率过低,会严重降低机器人制孔的加工效率。针对上述问题和挑战,本文研究了基于纹理分割、深度学习和半监督学习的高精度复合材料圆检测方法,主要创新点有:(1)针对复合材料复杂的纹理信息,提出了一种基于LBP(Local Binary Patterns)改进的纹理分割方法——LEP(Local Exponential Patterns)。LEP算法舍弃了 LBP过多的二进制模式,并给二进制的值赋予了意义,中心像素的LEP值不仅反映了该像素周围区域的纹理信息,还表达了该区域纹理数量的多少。LEP算法使得具有相似纹理信息和纹理数量的像素具有相同的LEP值,非常适用于纹理图像的分割,并且具有灰度不变性和旋转不变性。(2)在LEP算法的基础上,进一步提出了基于纹理分割的圆孔检测方法。在纹理分割算法的基础上,设计了一种高效的复合材料圆孔检测流程。首先从纹理分割结果中提取轮廓,与圆形模板进行匹配,并对剩余轮廓进行随机分段的椭圆拟合来获取候选圆,最后使用主动轮廓模型的方法优化椭圆轮廓,并重新拟合得到最终的圆轮廓。该方法大大提高了复合材料圆孔检测的识别率和准确率。(3)针对传统分割算法精度不够高以及数据标注过程成本过大的问题,提出了基于半监督深度学习的复合材料圆孔检测方法。将基于纹理分割的圆孔检测方法的检测结果作为数据的伪标签,并用形态学方法进行优化,然后使用迭代自训练的方法训练圆分割模型,同时优化伪标签;针对圆分割的特定任务设计了精简高效的深度网络,并提出了一种能表征未知区域圆度的损失函数;最后采用了基于对抗训练的模型融合方法,将多个训练模型集成在一个模型中。该方法显著提升了复合材料圆孔分割的精度的和鲁棒性。