基于深度图像的零件识别及装配监测研究

发布时间：2022-01-17 13:12

　　为了更好的适应制造业的新形势,满足消费者日益增长的个性化需求,传统的装配车间急需一种智能化的装配监测系统,能够智能识别装配体各零件并监测装配过程。针对机械产品装配中零件识别及装配监测相关问题,研究了一种基于深度图像的装配体零件识别及装配监测方法。与普通彩色图像相比,深度图像不仅能够检测场景的三维信息,而且具有较强的抗光照干扰、色度干扰及阴影干扰等环境因素干扰的能力,因此受到计算机视觉领域的关注。完成主要工作如下:（1）构建了装配体深度图像标记样本库。深度图像标记样本库主要包括合成深度图像标记样本库和真实深度图像标记样本库,在构建合成深度图像标记样本库时,首先,建立装配体三维模型,并利用不同颜色标记各零件模型;然后,利用人工合成法,合成模型深度图像及对应的颜色标签图像;最后,旋转模型获取不同视角下的合成深度图像及颜色标签图像并构建合成深度图像标记样本库。在构建真实深度图像标记样本库时,首先,利用深度传感器采集装配体的真实深度图像并进行空洞填充及平滑处理;然后,采用人工标记法标记各零件;最后,整理不同视角下的真实深度图像与颜色标签图像,构建真实深度图像标记样本库。（2）提出了PX-LBP算... 

【文章来源】：青岛理工大学山东省

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

单个零件及装配体内各零件

青 岛 理 工 大 学 工 学 硕 士 学 位 论 文分析表 1.1 可得，深度图像与彩色图像相比存在以下三大优点：①抗干扰性深度图像不会像彩色图像一样受到光照、阴影等外界环境的影响，且具有颜变性；②包含三维信息，深度图像含有场景中的距离信息，即灰度值的变化接反应出视场 Z 的变化，简化了物体的三维重建。③目标物体检测效率高，深度图像可以根据距离信息快速的检测出目标物体的轮廓，极大了简化了物廓提取的过程，图 1.2 为实际采集减速器的 RGB 图像及对应的深度图像。

原始LBP特征

【参考文献】：
期刊论文
[1]基于卷积神经网络的左右眼识别[J]. 钟志权,袁进,唐晓颖.  计算机研究与发展. 2018(08)
[2]基于Haar-like和AdaBoost的车脸检测[J]. 朱善玮,李玉惠.  电子科技. 2018(08)
[3]权重融合深度图像与骨骼关键帧的行为识别[J]. 许艳,侯振杰,梁久祯,陈宸,贾靓,宋毅.  计算机辅助设计与图形学学报. 2018(07)
[4]一种过盈压装装配工序的过程监测系统[J]. 周铨.  机电产品开发与创新. 2018(03)
[5]一种改进Haar-like特征的车辆识别算法[J]. 罗瑞奇,钟忺,钟珞,李琳.  武汉大学学报(理学版). 2018(03)
[6]基于像素滤波和中值滤波的深度图像修复方法[J]. 刘继忠,吴文虎,程承,王光辉,曾成.  光电子·激光. 2018(05)
[7]融合局部纹理和形状特征的人脸表情识别[J]. 胡敏,滕文娣,王晓华,许良凤,杨娟.  电子与信息学报. 2018(06)
[8]基于深度卷积-递归神经网络的手绘草图识别方法[J]. 赵鹏,刘杨,刘慧婷,姚晟.  计算机辅助设计与图形学学报. 2018(02)
[9]基于视觉的航天电连接器的智能识别与装配引导[J]. 汪嘉杰,王磊,范秀敏,尹旭悦.  计算机集成制造系统. 2017(11)
[10]基于Sobel算子的工件圆弧轮廓特征提取[J]. 化春键,熊雪梅,陈莹.  激光与光电子学进展. 2018(02)

硕士论文
[1]基于机器视觉的机械零件的识别研究[D]. 张丛.天津职业技术师范大学 2015
[2]交叉口复杂场景下目标检测与跟踪技术研究[D]. 吕复强.浙江大学 2013



本文编号：3594789