论文部分内容阅读
机器视觉在机械行业越来越广泛地应用于产品检测、识别、装配等领域。应用于零件识别的机器视觉系统的核心是零件图像识别技术。论文针对装配线上零件识别应用需求,围绕零件图像识别所需要的关键技术,从边缘检测、特征提取、识别三个方面作了深入研究,并构建了零件识别系统的软硬件平台。
针对经典的Pal和King模糊增强算法存在的以幂函数作为隶属函数带来的运算量大、模糊增强阈值凭经验或多次尝试选取、不能抑制噪声这三种固有缺陷分别予以改进,提出了改进的全局模糊增强算法;为进一步增强图像的对比度而获取更多的图像边缘细节信息,研究了基于模糊对比度的局部图像增强算法。在前两者的基础上,融合基于灰度级的全局模糊增强与基于对比度的局部模糊增强两种算法思想,提出了基于模糊信息的图像边缘提取算法。该算法在增强图像边缘细节信息的同时有效地抑制了噪声,实现了两种算法较完美的结合,得到了较理想的图像边缘提取效果。
由于大多复杂零件轮廓形状都可以分解为直线、圆弧等简单规则的几何基元的集合,因此零件轮廓几何基元特征的提取对零件识别有着重要意义。本文在研究分析目前常见的改进随机Hough 变换算法基础上,利用圆的几何特性确定圆心的位置,减少了Hough 变换在参数空间中累加器的无效累积,将三维空间的搜索降到二维;通过两次不同阈值的判断,大大减小了产生虚假圆的可能性,用带图像数字量化误差补偿的圆方程进行候选圆是否真实圆判定,结合圆的周长与点数的关系使得圆的确认更加合理。实验验证了上述改进的Hough 变换圆形检测算法能实现对圆的快速检测,为进一步的零件形状提取提供了理论基础。
考虑到单一形状特征识别的局限性,综合分析了目前广泛应用的几种不变矩如Hu矩、Legendre 矩、Zernike 矩、伪Zernike 矩、付利叶-梅林矩的图像描述能力、噪声敏感度、信息冗余几方面的优缺点,结合识别零件的目的,选用识别能力强的Hu 矩用于零件识别。研究了Hu 矩离散后产生误差的原因及误差构成,分析了离散对Hu 矩缩放不变性的影响,针对性地研究了离散带来的误差修正方法及计算方法,在此基础上提出了先修正计算方法再改进缩放不变性的离散Hu不变矩计算方法。
在几何基元特征提取及不变矩的研究基础上,通过Harris 角点检测出的角点把几何基元有机联系起来,提出了线形概念,从而以简单基元描述零件轮廓外形。融合模糊理论与ARG模型,回避了通过曲线拟合得到零件轮廓精确曲线方程带来的计算量增大等问题,构建了基于以线型为描述特征的轮廓FARG模型用来描述待识别的零件,从而大大减少了神经网络的输入节点数量,在此基础上实现了基于Hopfield 网络的FARG模型匹配。结合零件的改进Hu不变矩特征,提出了以FARG模型实现一次匹配、利用不变矩特征二次识别的零件识别方法,取得到了满意的结果。
本文基于ARM+FPGA 平台研制了一套嵌入式图像识别系统,系统实现了零件图像的滤波、边缘检测、特征提取、图像识别工作,具有便携、成本低的优点,并在汽车变速箱在线装配齿轮轴的检测中得到了应用验证,获得了良好的效果。